语言学规则可作为有效的提示词压缩器
语言学规则可替代基于大语言模型的评分,作为无模型向前传播的提示词压缩器。 该方法通过进化搜索组合词汇、句法等种子,在短文本、多文档推理及对话记忆数据集上,性能与先进提示词压缩策略相当。 结果显示,轻中度压缩下性能最强,随着压缩率增加,规则从词元剪枝转向句子抽取。
语言学规则可替代基于大语言模型的评分,作为无模型向前传播的提示词压缩器。 该方法通过进化搜索组合词汇、句法等种子,在短文本、多文档推理及对话记忆数据集上,性能与先进提示词压缩策略相当。 结果显示,轻中度压缩下性能最强,随着压缩率增加,规则从词元剪枝转向句子抽取。
研究发现 Qwen3-8B、Llama-3.1-8B 和 Gemma-2-9B 在 FinQA 数据集上,15-23% 的完全一致回答是错误的。 在 8 次重采样答案全一致的自信回答中,内部激活线性探测检测幻觉的 AUROC 达 0.68-0.77,优于 0.55-0.63 的输出层基线。 该方法可作为高效分流机制,将高风险金融答案路由至人工复核,文章已被 ICAIF '26 会议接收。
在大型异构文档集中,RAG 因稠密相似度判别力下降导致向量搜索稀释,使 top-k 检索返回语义相似但语境错误的块。实验中语料库从 54 增至 1128 文档,precision@10 下降 63%,答案文档召回率下降 23%。
提出共识驱动证据流框架 ConRAG,在多跳问答基准中显著超越基线。 该框架通过共识多视图排序筛选证据,并利用基于插槽的机制在依赖推理步骤间传递中间信息。 在 Gemma-4-31B-it 上,ConRAG 平均得分超最强基线 5.8 点,且端到端运行时和 token 消耗分别降低 75.9% 和 67.3%。
summary_zh: Eigen-Agent 在 Humanity's Last Exam (HLE) Bio/Chem Gold 基准上取得 48.3% 准确率,超越最强智能体基线 13.4 分,领先前沿 LLM 最高 18.1 分。
研究团队提出 π-CoT 策略,通过 Prolog 逻辑将多跳问题拆解为单跳子查询,顺序生成中间结果以初始化思维链推理。该策略在检索增强生成(RAG)场景下表现优异,匹配或超越标准 RAG 和上下文思维链在多跳问答基准上的表现,尤其在检索能获取必要证据时增益最大。
该原型通过LLM自动提取贷款政策规则并验证申请合规性。 在11份含已知例外的真实贷款申请测试中,系统检测出大部分异常,并发现了人工审核遗漏的问题。 结果显示该LLM方案能高亮潜在合规风险,作为人工判断的有价值支持。
这项研究分析检索增强生成(RAG)在开放式问答任务中的性能。 RAG 架构近期发展迅速,但南亚多语言及文化背景下的本土语言问答仍存在挑战。 研究旨在提取高性能因素,评估 RAG 在文化与非文化问题上相对于无背景及有背景回答的性能差异。
EGCForest 是一种多视图层级记忆框架,能解决企业群聊中证据分散难以检索的问题。 该框架将消息日志组织为通道、角色和工件三森林结构,通过联合消息相关性、层级摘要及跨视图链接进行证据检索与组装。 在三个基准上,EGCForest 比 MemOS 提升答案准确率最高达 20.85 分,并支持高效的在线检索。
TRACER 提出一种通道感知的对抗训练方法,将 Qwen2.5-3B-Instruct 在 RAG 场景下的攻击成功率从 65.5% 降至 6.1%。 该方法结合答案锚定奖励与 ATRC 机制,在保持 78-82% 清洁准确性的同时,7B 模型单轮训练平均攻击成功率降至 9.4%。 研究证明有效防御必须针对实际部署通道进行显式训练与评估。
研究者提出 GraphRAG-LTM 框架,针对图检索增强生成证据路径测试三层攻击者访问级别。 该框架结合基于排名反馈的查询编辑、检索器梯度及桥接三元组删除,干扰多跳证据传播。 实验表明,梯度访问增强查询攻击,桥接三元组删除进一步削弱支持事实检索。
SRAT 框架引入智能体强化学习,使 LLM 动态决定检索时机与内容。 该方法针对部分证据场景,优化联合 Plackett-Luce 算法以对齐检索与翻译质量。 实验显示其表现优于固定检索策略,验证了将检索作为可学习动作的价值。
论文提出PROPALIGN方法,通过多摘要评估命题显著性分数,并发布了包含138K对齐、35K命题的PROPALIGNBANK数据集。 实验表明,基于摘要的分级指标比直接询问模型更稳定,单个模型表现劣于人类。 整合语言特征的多模型集成可逼近人工标注质量上限,揭示了摘要在信息提取中的作用机制。
该方法研究提出 Parallel-Then-Integrated (PTI) 四步程序,用于整合同一语料的两种计算表征。 基于尼泊尔 29 位母亲的 1203 段访谈,结合 PVminer 本体编码与非负矩阵分解 (NMF) 生成主题,通过 PHQ-9 抑郁状态作为外部锚点验证。 PTI 为混合方法研究中整合定性文本的计算表征提供结构化路径。
预训练语言模型可零样本执行社会科学记录链接与人口统计推断。 EnsembleLink 结合嵌入与字符串评分器处理跨脚本匹配;LLM 在美国选民族裔推断达 83.8% 准确率,超 BISG 的 78.0%。 开放权重模型提供可复现实现并减少下游地理种族差异估计偏差。
开源项目 Discover AI 上线,提供 51 个离线动手实验,覆盖神经元至 Agent 等 AI 核心概念。 应用内运行 1.37M 参数 Transformer 及实时字符级模型训练,支持 Plain 和 Standard 阅读模式。 项目使用 Claude 和 GPT Astra 辅助撰写课程文本,无账户要求且离线运行。
复旦团队发表论文《From Public Posts to AI-Search Citations》,实测支付 14 美元后,伪造研究内容在 90 分钟内被字节跳动旗下的 Doubao(豆包)引用并作为答案输出。
Amazon Bedrock AgentCore 结合 Strands Agents 框架构建 AI 智能体系统,可在 90 秒内自动化生成演示文稿。
openJiuwen 首发个人知识空间,支持多源采集与整理,让办公智能体按需使用。 该功能支持手动/定时采集,提供三种整理方式,实现知识复用与追溯。 测试显示任务通过率提高 32%,总耗时减少 76.2%,token 消耗减少 84.1%。
提出LatentPress将长文档和对话历史压缩为连续记忆令牌,使冻结解码器直接读取而无需文本重建。该适配器仅需4.2M-26.2M参数(约占解码器0.1%),实现4-16倍压缩;在LongMemEval上7.70倍压缩时准确率达0.504。其优势在于写入速度比文本摘要快约一个数量级(43ms/对话),读取速度比原始上下文快5-9倍。
SAKI 是一种免训练 KV cache 索引方法,直接保留注意力分数而非 Key 重建质量,在多个基准模型上优于 PCA。 在 rank 32 时,SAKI 消除了 PCA 剩余 top 64 recall 误差的 13% 到 30%,LLaMA 3.1 8B 的 recall 从 0.748 提升至 0.799。
PixSearch 提出了一种端到端分段大型多模态模型,将区域级视觉定位与检索增强推理相结合,在 CRAG-MM 基准上较全图检索实现 18.3% 的相对准确率提升,并将推理延迟降低 36.4%。 该模型通过联合训练的掩码解码器进行目标实体裁剪,并利用双阶段监督微调与搜索交错监督机制,以保留分割能力的同时实现检索触发和查询路由,在具身图像和实体中心 VQA 基准上表现强劲。
研究评估了三种基于LLM的方法使用六个开源模型从间作文献中提取数据。 直接零样本提示表现最佳,平均相似度调整F1值为0.577。 大多数模型方法能恢复预测变量与结果变量关系的方向,但无法准确估计其幅度。
新提出的检索系统STAIR利用目录(ToC)等全局结构增强LLM的检索能力,显著降低幻觉率。 在由18本书组成的SearchTome基准测试中,STAIR的Recall@1达到82.6%,优于DSI(76.9%)、DPR(68.7%)等基线。 该系统展现了在低样本数据下的泛化潜力,为基于结构的检索研究提供了新方向。
对 OpenRCA、RCAEval 和 PetShop 三大微服务根因分析(RCA)基准中 16 种方法的审计发现,池化排行榜无法揭示方法在各子系统上的表现一致性。
研究提出 AlignPred 编解码器,通过局部对齐与预测编码在可控重建误差预算下压缩持久 KV 缓存,相比基准方法在相近误差下占用更少存储空间。 该方案使用误差有界晶格量化残差并进行熵编码,无需学习预测器或大型联合变换。在 SGLang HiCache 集成中,目标 KV 存储减少 42-72%,且解码速度比现有 CPU 编解码器快至少 1.6 倍。
研究表明,使用图修正嵌入可提升稠密向量检索的证据恢复率,无需查询时访问图结构。 最优配置在关联事实或候选比较问题上,比纯向量检索提升恢复率最高25.9%,且减少40%返回节点。 实验证实,检索性能更依赖于图修正嵌入的使用方式,而非其生成方式。
研究团队提出开放式表格洞见提取(OpenTI)框架,旨在统一表格问答、文本转SQL和数据代理等碎片化社区。 框架基于分析知识、推导过程及用户体验进行形式化,整合了信息检索、NLP、ML、数据库和人机交互领域的术语与体系。 现有系统未能覆盖端到端范围,且基准测试不适用于开放场景;论文据此制定了未来系统与评估的研究议程。
论文发布 DRNOISE 基准,包含 100 个任务,用于评估深度研究智能体在误导性证据下的表现。 该基准在搜索环境中植入误导性文档,导致强模型准确率下降 66 至 88 个百分点。分析显示智能体存在验证惰性,通用验证提示词无法完全消除这一差距。 这表明可靠研究需主动调和解耦直接声明与底层证据。
summary_zh: NeurIPS 2026 论文提出 MedEvoEval,一种基于动作门控模拟门诊病例的纵向评估框架,用于评估医生智能体的持续进化能力。
研究人员提出了执行感知协议,通过跟踪污染证据评估类型化决策接口中的上下文攻击影响。 在 Jev-1.13.0 的 1,659 次调用评估中,独立 payload 导致 5 次违规,载波-payload 对导致 1 次违规。添加正确证据将错误执行率从 119/120 降至 55/120,表明改进主要源于证据价值而非特定攻击防御。
该研究通过 FrameRef 数据集分析大语言模型微调的稳定性区域,实现针对虚假声明接受度的局部偏移。数据集涵盖权威、共识、情绪等 5 个维度,经人类验证确认系统性框架效应。代码、LoRA 适配器和数据已开源。
大语言模型常在回答正确时产生引用幻觉,现有方案多依赖推理时外部检索,增加延迟且受检索噪声影响。研究者提出 Cite Pretrain 方法,让模型通过持续预训练将文档持久标识符与事实知识绑定,再经指令微调使模型在输出答案时自动插入该标识符作为引用,无需测试时检索。
开源 Python 工具 SCANAR 和 AIDOC 被提出用于通过自动化新闻检索和 LLM 辅助过滤,加速医疗保健领域的前沿扫描。 SCANAR 通过去重和排名自动化检索,AIDOC 利用 LLM 和文本嵌入计算语义相似度,在 95% 召回率下可实现约 65% 的理论人工审查工作量减少。 这些工具有助于缓解方法学限制,支持更广泛、更快速的前沿扫描。
研究团队提出名为SEEK的智能体图RAG框架,通过构建以CWE分类法为骨架的安全知识图谱,显著提升安全代码生成效果。 该框架在推理时由规划智能体预测潜在CWE弱点并指导检索,在CodeGuard+数据集上取得77.45%的最高SecurePass@1,在CyberSecEval上达到79.45%的ICD通过率。
MARS 层级多智能体推理系统实现了 PFAS 替代的知识接地工作流,结合需求分析、候选生成与制造评估。 系统整合 RAG、知识图谱推理及实验室可用材料数据库,通过多种子消融实验验证在固定骨干模型下保持性能增益。 层级分解与可制造性感知优化提升了材料替代推理能力,超越单一模型效能。
AMU 提出了一种 SLM 引导的结构化框架,用于个性化对话中的记忆写入控制。 该框架利用结构化记忆过滤决定哪些信息应进入记忆,并通过 SLM 引导的存储管理决定记录是单独存储、作为重复项丢弃还是作为更新融合。 实验表明 AMU 能保持更干净、更易检索的个性化记忆,论文已被 NORA 2026 接受,代码已开源。
Mira-Embeddings-V1通过LLM合成数据优化招聘领域的语义重排序系统,无需大规模人工标注。 该系统利用两轮LoRA适配及轻量级重排序头,在300个真实JD的测试池中,将Recall@50从68.89%提升至77.55%,Precision@10从35.77%提升至39.62%。 结果显示,结合边界感知重排序的LLM合成监督策略,无需重型交叉编码器即可获得稳健的性能提升。
R-DEIM Net 提出一种76M参数的双专家架构,用于释义检测,能在生成人类可读推理的同时保持较高精度。 模型结合交互专家与推理专家,在Quora Question Pairs数据集上通过10折交叉验证达到90.07%准确率和90.16% F1分数,性能接近大型模型基线。 该架构允许变量输入长度,并提取解码器隐藏状态作为分类的补充特征,提供辅助性的人类可读描述能力。
论文提出 AutoSec-RAN 框架,通过 LoRA 微调 Mistral-7B-Instruct 并辅以 RAG,实现了 O-RAN 安全的自动化分诊。 该框架在 313 项评估中的平均裁判得分为 0.713,在缓解措施与威胁模型推理方面表现最佳(0.849/0.848)。 研究证实基于规范的 LoRA 微调结合 RAG 检索,是 AI 原生 O-RAN 安全自动验证的可行基础。