跳到正文
10月27日周二
  1. arXiv · NLP26

    HerHealthGPT:面向女性生殖健康的证据驱动对话式AI系统

    HerHealthGPT是一款整合RAG、上下文感知澄清和来源验证的女性生殖健康对话式AI系统。在基于90个案例的540条消息评估中,其证据检索将担忧类别准确率从仅微调的54.1%提升至59.3%。 澄清路由器在构造目标上实现85.6%召回率和86.2%特异性;30名参与者的问卷显示,83.3%更偏好启用检索的配置,25/30认为其后续提问相关。

  2. arXiv · NLP29

    TriageRAG:面向专业领域的失败感知自训练检索增强生成方法

    TriageRAG 提出失败感知自训练方法,通过探针将自生成问题分为已知、解决、上下文失败和检索失败四类并路由至对应训练信号。 该方法使用 Qwen3-4B 和 Qwen3-8B 骨干模型,在 11 个数据集上比 SimRAG 高 1.2-6.4 分,且是唯一在所有检索损害案例中恢复闭卷水平的技术。 实验证实轮次过滤移除缺乏证据的上下文,防止读者过度信任噪声检索,从而定位领域差距。

  3. arXiv · NLP25

    SUDO: 从科学出版物到全球学术话语

    SUDO通过定义知识元素的组织与关联方式,将单篇论文的研究叙事构建为一致的学术话语,连接不同论文的叙事形成全球学术话语。 该知识图谱自底向上构建,保留局部语境与来源。在基于LLM的科学问答任务中,SUDO展示了性能提升。

  4. IT之家31

    报告称豆包对抖音的引用权重飙升:每引用 3 条内容,就有 1 条来自抖音

    新榜智汇报告指出,豆包对抖音的引用权重从 5 月的 10.79% 飙升至 8 月的 31.8%,每引用 3 条内容就有 1 条来自抖音。视频已取代边缘补充角色,成为 AI 主力信源。 关键词覆盖度是更强单指标,与引用相关系数 ρ=+0.149,高于语义相似度的 +0.117。抖音对语义相关性敏感度更强,平均引用涨幅达 51%。

  5. Hacker News LLM44

    Mistrial:重跑 LLM 评判以检测结果翻转

    Mistrial 是一款用于验证 LLM 评判者可靠性的工具,支持重跑评估以生成一致性报告。 它通过多次运行不同模型和评分标准,计算自我一致性、Kappa 系数及翻转案例。 该工具旨在解决 LLM 评判不稳定的问题,防止不可信的评分误导 CI 流程。

10月26日周一
  1. R/ArtificialInteligence21

    护理机构管理软件引入集成式 AI Agent,助力自动化行政工作

    一家护理机构软件公司推出集成式 AI Agent,可自动化处理大量行政工作并标记需关注事项。 该 AI Agent 直接嵌入现有数字系统,无需独立学习,可全面审查服务文档以准备 CQC 检查,识别签名缺失、逾期审查等问题。 它作为助手帮助管理者提前发现问题、减少行政事务时间,但结果仍需专业人员判断,不能保证完全合规。

  2. Hacker News AI20

    Pusaka Intelligence 推出美国大型股 AI 股权研究服务

    Pusaka Intelligence 基于 SEC 文件构建 AI 股权研究,覆盖 99 只美股,输出公平价值、评级及信心度,所有数据均有引文且由分析师复核。服务按月度重建,定价为 Analyst 版 $19/月(早鸟价)、Desk 版 $99/月、Partner 版 $499/月,含 7 天免费试用。定位为无个性化投资建议的非正式出版商,提供可审计的变更日志。

  3. Hacker News AI72

    如何构建企业所需的AI平台

    文章以DoorDash为例,阐述了企业构建AI平台的三个核心层:模型访问、可信输出与上下文。通过LLM Gateway统一管理多模型调用并降低20倍成本,利用记录和钩子拦截错误答案,再通过RAG与MCP网关赋予智能体权限。作者将建设路径分为五个阶段,建议根据业务问题逐步引入记录、测试与工具层。

  4. Hacker News AI40

    AI 测试:如何构建可靠的 LLM 生产系统

    AI 系统测试需从确定性 QA 转向概率性评估,核心在于测量 LLM 行为符合预期的频率及变化条件。测试金字塔各层需引入针对 RAG、Agent 等不同架构的特定检查,如评估检索准确性或工具调用路径。部署后需通过持续监控和基线回归,应对模型更新或数据漂移引发的质量退化。

  5. arXiv · AI28

    基于引用锚定的医疗软件采纳知识图谱构建

    研究人员提出了一种构建医疗软件客户与集成关系知识图谱的流水线,核心规则是图谱中每个关系都必须由源网页的逐字引用支持,以防止错误客户信息误导买家。 在覆盖61家供应商的测试中,该流水线基于6428个候选关系,实现了0.94的精确率和0.71的召回率。

  6. arXiv · AI28

    基于本体论指导的气候科学知识图谱构建方法

    提出智能体本体引导框架,利用 Gemini-2.5-flash 构建气候科学知识图谱。 框架包含文档理解与实体链接智能体,1000 组三元组验证中 Gemini-2.5-flash 的 Cohen's $\kappa$ 得分达 0.640–0.700。 处理 2000 篇文献,生成含 133,990 个节点与 755,308 条关系的知识图谱,98.96% 三元组验证正确。

  7. arXiv · AI26

    4DMemory: 长时空记忆基准测试与增强型智能体

    研究团队发布 4DMemoryBench 基准与 LongVideo 数据集,包含 900 小时视频及 5000+ 人工审核问题,用于评估长时空推理能力。 该基准测试了 13 个领先模型,发现独立模型在长时程任务中表现不佳,但引入包含 22+ 工具模型的 4DMemory Harness 后,所有模型性能提升超 50%。 旨在推动能解决复杂长时程任务的时空智能体发展。

  8. arXiv · AI33

    RubricCraft:利用解题路径差异生成评估标准的智能体评测方法

    RubricCraft 提出一种基于解题轨迹生成自然语言评分细则(Rubric)的方法,解决开放式任务评估标准难编写的难题。 在 SpreadsheetBench v2 测试中,RubricCraft 生成的细则错误放行率降至 29.5%,优于仅基于提示生成的 42.6%,且能更准确区分不同模型的输出质量。 该方法通过对比不同解法的满足与违反情况构建标准,无需单一完整参考解即可捕捉部分正确性。

  9. arXiv · AI25

    企业级多智能体 RAG 重构:在检索前组织知识的层级架构

    针对企业级多智能体 RAG 痛点,论文提出在检索前组织知识的层级架构。 该架构基于机器生成的制品级本体,通过稀疏元数据注册表和导航超图约束向量搜索,将歧义消解转变为结构性过程而非统计过程。 在部署于一周内并支持按惯例接入新服务的情况下,该层级架构协助开发人员验证并解决了 100 多个生产缺陷,并将 35 次发布回归故障归因于特定规则和的服务。

  10. arXiv · AI24

    LLM Agent 技能内化度评估:基于无辅助得分替代增益指标

    传统基于增益的技能退役规则误删超半数未覆盖技能,作者提出结合另一模型增益判断的无辅助得分评估方法。 在 SkillsBench 基准中,新方法的交叉任务一致性系数达 0.42,显著优于传统方法的 0.23,且退役无辅助技能未造成可检测的奖励损失。 研究发布了包含 1251 项技能、任务及四项模型评分的数据集,支持按模型独立读取内化判断。

  11. arXiv · AI36

    DIVA:基于LLM的决策驱动信息获取方法

    DIVA框架通过评估证据的决策价值来优化LLM信息获取,解决其支付无效检查或过度询问的“信息陷阱”。 该框架无需训练即可适用于任何LLM。DIVA-U在四个领域的20个LLM上表现优于基线,DIVA在合成场景中使最佳基线regret降低75%。

  12. R/ArtificialInteligence48

    LLM 引用来源仍会伪造引语,开发者构建 MCP 工具实现来源绑定检索

    针对 LLM 即使要求引用来源仍会伪造引语的问题,开发者构建了独立索引系统,强制来源元数据随文本返回,覆盖 20,800 条名人言论片段。 检索基于 BM25 关键词搜索而非向量库,通过智能体预筛选 15-45 篇核心内容提升精度,该 MIT 协议开源 MCP 服务器兼容 Claude、ChatGPT 等工具。

10月25日周日