ClusterFusion:混合聚类框架将 LLM 作为核心
论文提出 ClusterFusion 框架,将 LLM 视为聚类核心而非辅助模块,通过轻量嵌入引导划分、LLM 主题摘要和分配三阶段实现混合聚类。该方法无需高昂微调即可适应特定领域。在三个公开基准和两个新领域数据集上均达到 SOTA 性能,并发布了新构建的数据集与全部基准结果。
论文提出 ClusterFusion 框架,将 LLM 视为聚类核心而非辅助模块,通过轻量嵌入引导划分、LLM 主题摘要和分配三阶段实现混合聚类。该方法无需高昂微调即可适应特定领域。在三个公开基准和两个新领域数据集上均达到 SOTA 性能,并发布了新构建的数据集与全部基准结果。
ResearchHub 是一个交互式生物医学预印本个人化文献发现系统,其核心检索器 prism 在 44,937 篇 MedRxiv 论文上比 SPECTER2-Search 提升 Recall@10 达 12.4 个百分点。系统支持基于阅读历史的前沿检索、DPP 多样性重排、LID 课程排序及轻量化归因卡片,全程保持低延迟运行。
研究提出 MAPS 框架,通过宏观自适应并行推理调节搜索动量,缓解检索增强生成中的查询意图漂移。 MAPS 首先保留检索知识与精炼推理状态,减少历史轨迹对后续子查询生成的影响,并将顺序推理扩展为并行范式。在六个问答基准测试中,MAPS 一致优于多种代表性的检索增强生成方法。
AoR 提出一种无训练过程,通过对比段落支持与不确定的替代方案,在对比解码中解决模型幻觉。 该方法在反事实段落上将采样准确率提高 12.5 个百分点,在普通段落上提高 2.3 个百分点,超越了 8 个基线。 该结果表明模型可以在保留常规段落准确率的同时,跟随与模型知识相悖的段落。
针对用户端 LLM agents 评估行为策略成本高昂的问题,Parlant 4.0 推出轻量级过滤器 Signals and Queries。 该方法利用独立逻辑回归分类器在下游评估前移除至少 30% 的候选策略,避免了每轮次的 LLM 调用。在涵盖 254 个 τ^2-bench 对话前缀和 36 条航空政策的测试中,该方法在保持高召回率的同时,精确度优于 top-K 和余弦阈值检索。
研究对比 11 种检索配置,混合检索 + Jev 实现 94.1% 最高证据覆盖率,而混合 + Decisions 取得 0.892 最高答案准确率。 全扫描策略在书籍测试中延迟更高,且后期缩减步骤可能丢弃证据;随着查询积累,可复用稠密检索的预计 API 成本低于付费决策方法。
该研究探讨引文在 LLM 偏好建模中的作用,发现人类偏好更多样但数量更少的引文。 LLM 对引文也表现出特定偏好,且不同模型间存在差异。 研究结果对优化偏好数据收集具有参考价值。
CORE 方法通过优化检索内容控制 LLM 搜索输出排序,平均提升成功率达 91.4%(Top-5)。 实验基于含 15 个品类的 ProductBench 数据集,在 GPT-4o、Gemini-2.5 等模型上验证,保持内容流畅性。 该研究有助于缓解独立创作者在生成式搜索中的可见性劣势。
DrugReason 框架整合知识图谱与 LLM 生成机制推理,用于药物重定位。 在 PharmaDB、DDInter 和 DrugBank 数据集上,该方法优于强单视角基线。 其可解释的路由预测提升了疗效关系预测的可靠性。
去标识化模型无法解决链接风险,本文提出结合 N-gram 倒排索引与 LLM 重写的两步法,在保持语义完整性的同时抵御基于搜索的关联攻击。 在法庭案件和维基百科传记两个数据集上的实验表明,该方法能有效防止基于搜索的关联,但对更高级的语义导向方法仍可能失效。 该研究揭示了去标识化技术在对抗复杂语义攻击时的局限性。
研究提出不确定性感知 ROC 框架及区间 AUC (iAUC) 指标,用于评估区间值风险预测。 该框架将正负样本排序分解为确信正确、模糊及确信错误三区域,在有效类条件覆盖下提供最优 AUC 理论边界。 实验表明,相似点 AUC 的模型可能存在不同不确定性感知排名,该框架支持风险感知模型选择及阈值弃权策略。
研究首次证明,通过操纵联邦学习客户端的传感器观测,可诱导服务器产生重复聚集内存更新,从而发起远程行锤击攻击(Rowhammer Attack)。 使用强化学习攻击代理在语音识别和 CIFAR10 分类任务中,实现了约 70% 的重复更新率(RUR),有效在服务器 DRAM 中引发位翻转。 该攻击可致学习中断或意外提权,揭示了联邦学习及硬件设计在安全缓解策略上的新方向。
研究利用 TReATE 方法估计症状存在与否的治疗效应,并将其与 CONEXP 等基于相关性的基线模型进行对比验证。 该成果有助于提升医疗决策支持系统的可解释性,使模型基于因果推断而非简单相关做出更可靠的判断。
研究显示,在阿尔茨海默病预测任务中,采用“先输出推理理由再输出标签”的监督微调策略,其预测性能显著低于仅输出标签的微调方式。 该结论基于包含 504 种配置的受控实验,证实此性能下降现象在多种模型家族和不同数据规模下均存在,且无法通过更换面向推理的基础模型来消除。 专家评估证实生成的推理理由在医学上是准确且符合患者证据的,表明性能下降源于模型对生成理由的条件依赖,而非理由本身的质量缺陷。
论文提出基于 softmax 输出的超球单纯形表示,用于独立训练模型间的后向兼容检索。 该方法利用 softmax 交叉熵训练形成的单纯形结构作为几何参考,通过确定性线性变换对齐类别原型,无需额外兼容性损失或架构修改。 在标准兼容性基准测试中,该表示在扩展类别集和独立训练模型上取得了有竞争力的结果。
论文提出 Code Comprehensor,一种结合代码依赖调用图、层级文档生成(CodeScribe)与跨模态检索(CodeContrast)的混合框架,旨在帮助 LLM 理解大型代码库。
研究提出一种将微调神经检测器转化为基于人类可读概念分类器的流水线,利用稀疏自编码器(SAEs)处理检测器的残差流并训练轻量级分类器。 该 SAE 提取的特征对应 AI 生成文本的高度具体且具预测性的语言线索。基于这些可解释特征构建的分类器在分布外文本上的性能优于神经分类器和基于文体学特征的分类器。
作者发布了一个开源电信告警风暴生成器,运行于 Internet Topology Zoo 拓扑,输出精确根因及传播路径。 所有输出字段绑定 NORIA-O、RFC 8632 或 TMF642 术语,未知术语会导致运行失败。 该工具附带评分器、9 个基线模型及 3 类骨干网测试配置;简单规则在 15 次实验中赢 13 次,top-1 准确率 0.650。
提出 ThreadRAG 框架,解决 RAG 结合知识图谱时语义丢失和模态失配问题,在 3 个多跳问答基准测试中表现优于强基线。 引入语义拓扑映射器(STM)构建语义拓扑图,利用能量驱动寻路(EDP)将子图线性化。在 HotpotQA 上实现 14.4% EM 提升,Token 成本仅为最强基线的 23.3%。 该成果已被 EMNLP 2026 收录。
研究发现 RAG 管道中各项技术单独优化的增益在组合时不可靠,三个强检索技术预测提升 47% 但实际仅 17%。 研究基于 LASAGNA 开源框架,测试 450 种配置及 8 个基准,语料库范围从 5K 到 200K 文档。 优化检索质量可能损害答案忠实度,且最佳组合方案随语料库规模变化而改变。
论文提出 Memory-Centric Continual Learning (MCCL) 框架,主张通过记忆对后续行动的提升效果来评估其价值,而非仅看事实召回率。 该框架包含三维记忆分类法、双循环生命周期管理协议,以及基于经验、存储容量和计算预算的记忆扩展模型。 这一方法将智能体记忆从被动检索转变为持续学习过程,为构建自我改进的自主智能体提供了原则性路径。
研究团队提出 MOSAIC,这是一个包含 923 道问题的全模态基准,基于 11-24 个会话的历史,涵盖文本、图像、视频和音频,旨在诊断对话智能体的长期记忆。
SOAR模型结合用户友谊网络和文本评论,通过强调评论的情感倾向,为特定用户推荐兴趣点。 在真实世界数据集上的实验表明,将评论纳入推荐流程能够提高推荐的准确率。
系统一决策模型在 CaseHOLD 扩展测试中,当正确法律权威缺失时,比生成式 LLM 更少强行选择错误选项。 在 5,314 项测试中,生成式 LLM 有 38%-86% 会错误选择,最谨慎的决策模型为 30%。决策模型在标准 CaseHOLD 上以 1/55 的成本匹配最佳 LLM 的 88.1% 准确率。
在生物医学事实核查任务中,让模型自主制定检索查询使准确率最高达 62%,而简单单次检索仅能找回 6% 的黄金文献。 实验显示,使用黄金摘要时模型准确率为 79-86%,证明检索而非推理是主要瓶颈;闭合书摘模式产生的 327 个引用中仅 3 个相关。 研究代码和工具调用已开源,被 NeurIPS 2026 AgenticLS 工作坊接收。
论文提出支持差分隐私的顶层框架CALLIOPE,用于在不依赖向量嵌入的情况下直接从非结构化LLM对话语料中发现主题层级。实验表明,该方法在差分隐私设置下尤其是高隐私度环境中,效用优于现有基于嵌入的方法,并利用多种聚类指标和新型效用指标评估输出质量。
提出Discord与BRACE方法,利用奖励分歧指导MCP环境中策略训练的滚出预算分配,在三个Qwen3-VL模型规模上超越基线。 BRACE结合历史任务证据、成功率不确定性与相关奖励模型,预测混合奖励组;在BFCL与NESTFUL基准上领先对比方法。
针对检索增强生成(RAG)中歧义查询的识别与澄清问题,研究发布数据集ClariEdge,包含约3,900个示例。 轻量级LoRA微调在该数据集上达到96.6%分类准确率,性能超越多个更大模型的提示词基线,且适用于检索前和检索后两种RAG场景。
SINT-Flow 是一个包含五个 LLM 算子的模式集成框架,可端到端自动处理非规范化源表。 使用 GPT-5.2 和 Qwen-3.6-27B 测试,实体检测完整率达 97% 以上,属性检测达 81%,模式映射 F1 分数为 84%。 SINT-Bench 基准包含 10 项任务和 93 张关系表,验证了自一致性策略的有效性。
结合降维与量化可将文本嵌入存储降低至不足 0.1%,同时在 MTEB 分类任务中保留至少 99% 的原生得分。 该结论基于五个预训练模型在 Massive Text Embedding Benchmark 四个任务族上的系统评估。 不同任务对维度与位宽平衡的偏好各异,其中检索任务对压缩更为敏感。
FLINT 使用注意力池化将查询和文档均表示为固定数量的 embedding,解决了 token 级 late interaction 模型的存储和检索瓶颈。FLINT 在 BEIR 上表现与基线持平,在 BrowseComp+、CRUMB 等复杂查询基准上优于基线;长查询检索速度较 ConstBERT 快 1.5-2.8 倍,索引大小较 ColBERTv2 缩小 5.3-9.3 倍。
MythoSemantic利用神经语言模型将神话与宗教文本嵌入共享语义空间,提供交互界面以发现跨文化传统中的语义平行关系。 嵌入片段形成的粗粒度几何结构与历史记录的文化间关系对齐,系统量化了词汇重叠和专有名词对该几何结构的解释程度,安装包已公开可用。
27个LLM在Minecraft后续特性拒答测试中,单次检索显著提升正确拒答率(CAR)。 迭代RAG使CAR降至46.4%但答案准确率仅微增;模型规模与CAR无显著关联。 该基准通过语料截止设定支持对未来模型进行动态评估。
提出 Memory as Code 框架,通过编码化构建与声明式检索解决长期记忆分散难题。 实验显示 LoCoMo 和 LongMemEval 整体准确率相对最高基线提升 15.91%,同时显著降低 token 消耗。
EviDial基准揭示82.8%的抑郁对话症状单元格缺乏充分文本证据。 其审计发现,尽管69.2%-96.9%的模型预测在标签上正确,但缺乏对话证据支持。 该基准通过区分标签一致性与证据支持,防止基于标签的评估高估证据支持的性能。
AutoTerm-SST 通过离线术语目录和话题切片,实现无需会话时上传术语表即可进行流式语音翻译。 在 ACL 和 ESO 肿瘤学演讲测试中,其术语准确率(88.3%)和 BLEU 分数(45.09)与已知领域基准持平,并优于百万条合并术语表。 系统运行 RTF 为 0.406,vLLM 主机可支持 32 个实时会话,展示了实时且无需设置的术语感知翻译能力。
研究发现 DINOv3 等 4 个 ViT-B/16 骨干模型经 LoRA 适配后,在脑肿瘤分割任务上均达到 78-81% 平均 Dice 分,但内部权重变化与注意力动态显著不同。 分析显示,对分割影响最大的并非修改幅度最大的层,限制 LoRA 应用于前中期层即可恢复分割性能,并显著降低对阿尔茨海默病分类的负面影响。
针对低资源历史手写字符识别中增强策略仅依赖预测准确率评估的局限,本文提出 saliency 约束增强方法,引入可解释一致性指数(ECI)量化模型在受控扰动下的 saliency 模式稳定性。
生成式推荐采用共享语义标识符(SID),模型遗忘特定交互时会意外影响其邻域项的预测,且该局部效用损失被全局指标掩盖。 提出的邻域感知遗忘(NAU)方法显式控制遗忘项邻域的概率质量分配。在三个数据集和四个SID分词器上,NAU在恢复垃圾信息曝光度的同时保留了95%以上的重新训练效用,且无全局成本。
MultiCard 提出统一 LIKE 谓词与数值过滤的端到端架构,在五个数据集上实现最优或接近最优 Q-error。 结合 Transformer 与 LSTM 建模字符串模式,辅以数值编码器处理直方图,使 PostgreSQL 混合查询平均 Q-error 降低至 1/16。 推理延迟保持低于 5ms,显著提升查询优化性能。