ProCARE:基于画像证据合约的真实世界研究自动化框架
论文提出 ProCARE 框架,将真实世界研究自动化重构为约束编译,通过证据合约处理临床语义并生成 RWS-IR。 在 36 个基于 EHR 的基准任务中,ProCARE 在代码可执行性、语义一致性及结论可追溯性上优于强 LLM 代理基线,且诊断结果与专家盲评具有一致性。 该研究已被 NeurIPS'26 接收,论文包含 42 页内容及 5 幅图表。
论文提出 ProCARE 框架,将真实世界研究自动化重构为约束编译,通过证据合约处理临床语义并生成 RWS-IR。 在 36 个基于 EHR 的基准任务中,ProCARE 在代码可执行性、语义一致性及结论可追溯性上优于强 LLM 代理基线,且诊断结果与专家盲评具有一致性。 该研究已被 NeurIPS'26 接收,论文包含 42 页内容及 5 幅图表。
针对 Rank-GRPO 将 85% 方差归因于响应抽样而非列表质量的问题,ReMaRk 提议基于所有回复标题的并集进行联合评分。 该方法在 7 个基座模型和 3 个数据集上表现优于 Rank-GRPO,在 25% 至 53% 的 RL 步数内达到后者的验证召回率,且 GPU 耗时更少。
ANTE 框架通过验证编码智能体的动作前预测,将 Qwen3-32B 在 SWE-bench Verified 上的 pass@1 准确率从 25.0% 提升至 57.2%。 该提升比匹配 GRPO 基线高 6.2%,世界模型准确率在强化学习期间从 44% 升至 69%,且能力可跨环境和分布外领域迁移。
summary_zh: EneMonIE-Backend 将概念性管线转化为模块化、可执行且应用无关的后端,分离数据源、获取归一化、语义处理等五项核心关切。 架构支持 RSS、arXiv、社交媒体等可配置连接器,执行实体识别、事件提取及情感分析,并将语义表示存储于 SQLite。
Radioactive Feedback 提出一种通过奖励分数嵌入行为偏好模式的技术,实现仅基于标签 LLM 监督训练的模型检测。 该方法在代码和数学领域实验中验证了偏好可通过低带宽奖励信号跨数据集传递,支持对固定参考池进行黑盒检测。 解决了现有水印和蒸馏检测器无法覆盖仅分数反馈通道的问题,增强了 AI 模型溯源能力。
研究人员推出覆盖度引导的生成工具 CoverSynth,旨在解决企业级智能体检索评估中覆盖度、可靠性与可区分性不足的问题,无需高昂的人工标注成本。 工具通过确定性检查与基于模型的语义验证结合,在五个公共语料库上生成具有难度差异的评估集。
研究发现,教师模型的正确推理依据可使学生模型答对概率提升21个百分点,错误依据则降低14个百分点。 研究提出Distill-SFT方法,将答案与依据合并为单一目标进行训练,在保持推理优势的同时减少训练实例。 该工作流通过预先审计依据内容和验证教师答案,有效缓解了灾难性遗忘,提升了紧凑型模型在医疗问答中的效率。
OntoAR-HAR 提出本体引导的智能体 RAG 框架,结合静态群体知识与个性化记忆实现无训练推断。该框架利用树状活动本体分解分类任务,通过离线发现的可执行信号特征提供数值证据。跨主体实验显示,分层检索与个性化记忆在多 LLM 骨干上取得 SOTA 性能。
CULTUREBOT是一个结合知识图谱引导检索、词汇语义检索和源链接生成的交互式框架,用于自然语言探索文化遗产收藏。 该框架在81,852条SearchCulture记录上实例化,并通过在线演示发布。在包含六位文化遗产专家、55个人设驱动查询和250项评估的专家评价中,图谱引导系统在证据接地、多样性、推理和完整性方面显著优于两个通用助手和消融模型。
针对长期记忆基准主要评估检索而忽视表示决策的问题,研究者提出 VitaBench,旨在通过重复记忆审查评估生命周期决策。
SEF(自我报告实体熟悉度)作为轻量级门控信号,通过筛选教师模型熟悉的实体,比无门控合成产生更高的搜索需求和学生模型准确率。 结合 Kimi-K3 判断筛选出的 5,411 条轨迹及 2,200 条新轨迹,将 Qwen3.8-27B 在 BrowseComp 子集上的准确率从 44.10% 提升至 66.41%。
CacheFuse 提出一种免训练方法,通过线性插值融合上游模型的 KV cache 实现异构语言模型间的潜在通信,突破文本交换瓶颈。该方法在四个推理与知识基准上测试,准确率较单模型最高提升 8.6 个百分点,TTFT 最高提速 12.2 倍。论文已被 COLM 2026 效率推理工作坊接收。
针对生物医学 RAG 系统评估指标常与人类判断不匹配的问题,研究表明利用少量人类偏好信号校准直接评估指标。 校准后的指标在多个数据集上表现优于同等对待所有指标或仅依赖单一最佳指标的传统基线方法。 该成果已被 AACL-IJCNLP 2026 会议接收。
提出 FleetPilot 细粒度引导框架,通过动态生成样本级干扰向量注入前向传播实现 LLM 个性化,无需训练循环。 该方法结合匹配对比与注意力/MLP 层激活挂钩,在短长文本生成及 Web 函数调用场景中显著优于现有方法,在数据稀疏环境下表现突出且推理开销低。
针对 Mixture-of-Experts (MoE) 模型的后训练专家剪枝,这项实证研究揭示了校准数据对 gpt-oss-20b 模型性能的关键影响。 研究发现,领域通用的剪枝质量在增加校准数据规模至较小样本量后获益甚微;仅使用英语进行跨语言校准即可在七种不同语系和文字的语言中保持强劲性能;且模仿预训练分布的多样化校准数据,其性能可与甚至优于测试分布数据。
DSABench 提出了评估多数据库智能体源发现、协调与执行能力的基准测试,包含815个人工审查任务。 该基准显示7个模型后端中路由的最高RA-Set分数为60.55%,含协调要求时RA-Graph最高仅为34.66%。 4个后端上,无澄清时Route+Exec-Graph中位成功率6.69%至7.98%,单次澄清后提升至11.44%至13.25%。
RegExtract 是首个用于 PFAS 法规文档结构化信息提取的 LLM 基准,包含 488 个人工标注字段实例和 976 个溯源条目,覆盖美国 20 个州的 46 项法规。 研究采用类型化多字段模式,针对监管文本提出溯源感知评估指标,实验表明字段级少样本示例能提升提取效果,且文档标识字段仍是难点。 该基准为后续开发用于危险物质识别、合规监测等 AI 工具奠定基础,代码和数据已公开。
NARS 系统通过结合检索增强 LLM 推理提取双极性论证结构及符号计算传播论证影响,在 CMV2BAS 数据集上实现 F1=0.57 和 AUC=0.56,性能优于零样本 Qwen3.6:27B 与 GPT-oss:20B。
PAT框架通过人格驱动的数据增强和迁移学习,解决了社交媒体抑郁症检测中噪声干扰大和编码器优化弱的问题。 该框架分两阶段工作:先用基于经典人格理论的大语言模型增强数据,通过细粒度对比学习优化帖子级编码器;再将编码器参数迁移至用户级任务。 实验显示PAT显著优于现有方法,并提供了多粒度可解释性,追踪帖子级心理状态轨迹并突出关键症状,为临床实践提供可靠的诊断证据。
提出无需未来标签或单独训练模型的诊断工具 Query-Anchor Agreement (QAA)。该工具通过比较模型预测与目标历史相似案例,识别二者观点收敛以选择采样预算并优化科学连接预测。
相关性过滤上下文仅需 5% 文本量即可匹配完整历史准确率,使模型输入成本降低 20 倍。 该方法通过句子级检索按相似度排序并设定固定预算,比 LLM 摘要仅需小嵌入模型支持。 Oracle 实验显示,仅使用检索到的证据比完整历史表现高 15.6 分,证明优化上下文选择可超越全历史记录。
作者报告了一种用于客户服务流程自动化的智能体 RAG 部署案例,核心是一个可移植技能(Portable Skill),由自然语言指令、轻量工具(检索 API、格式检查脚本)以及带有 LLM 生成导航层的语料库组成。
DRIFT 将依存句法树线性化并注入 LLM 提示词,直接建模方面与观点的显式关系,解决了生成式 ASQP 方法仅依赖序列共现的局限。 在 SemEval Rest15 和 Rest16 数据集上,DRIFT 取得 54.47% 和 64.10% 的 F1 分数,在短中距离配置下表现一致优于对比方法。 该机制表明精确匹配指标系统性低估了语义正确预测,为评估标准提供了修正依据。
BioNEL-RAG 提出免训练框架,结合 RAG 与 LLM 实现生物医学命名实体链接,性能与需微调的现有方法相当。 RAG 模块负责检索候选实体,LLM 模块依据提及语境分析,选出最合适的候选进行实体归一化,无需针对基因、疾病或化学化合物等特定子域进行训练。
研究团队发布了首个专门针对中文长篇历史文档理解的评测基准 LongHisDoc。该基准包含来自 101 份 PDF 文档的 1,012 个专家标注问答对,单篇文档平均长度达 85.1 页和 42,776.4 tokens。
LACRM 提出一种利用 LLM 构建定向竞争图的框架,在三阶段流程中实现非对称多路检索。该框架在工业基准测试中超越强 GNN 基线,生产 A/B 测试显示广告收入提升 1.73%。
Orca Security 基于 Amazon Bedrock 构建 Discovery AI,将自然语言转化为 Sonar 安全查询。 该系统利用 RAG 和 9 阶段流水线,调用 Amazon Titan Text Embeddings 及 Cohere Rerank 3.5,处理 900 多个云模型。
Jev 决策模型在 168 个测试问题中,将正确页面排第一位的比例达到 88%,错误传递页面概率仅 3%,显著优于生产环境中基于 text-embedding-3-large 的向量检索。
AWS 发布 Ray LLM Deep Learning Containers,支持在 Amazon EKS 上将大型语言模型部署至两个 GPU 节点,通过分离 prefill 和 decode 节点提供单一 OpenAI 兼容端点。
AI让创业者在课程第一周就开发出完整产品,反而将MVP变成了销售路演而非实验。作者分析称,团队因此产生了确认偏误、过度信任AI输出、沉没成本谬误和知识压缩偏差。
CRM 是一种结果条件化的检索框架,通过在用户塔加入观看时长作为输入,实现推理时通过提供期望观看时长来引导检索,无需重新训练。 该模型采用 DNN 双塔或 Decision Transformer 架构,物品塔独立于条件以支持预计算和 ANN 搜索。已在快手短视频推荐系统部署,在线 A/B 测试显示快手及快手极速版视频观看时长分别提升 0.372% 和 0.457%。
论文提出 QXR 框架,将 LLM 视为噪声一致性判断器,解决声明集合全局不一致问题。 QXR 通过定位最小冲突子集并删除少量命中集声明,保留最大连贯子集。在基于 VitaminC 和 FEVER 的基准测试中,QXR 比一次性判断保留了更多有效声明,且精度较高。 这表明声明聚合系统的事实性应被视为集合级修复问题,而非仅局部验证。
研究人员通过重跑 SemBench 等基准测试,发现即使在温度 0 下,0.07% 至 10.2% 的行输出会因多次执行而改变。 研究记录了 120 万次模型调用,发现 UDA-Bench 中约三分之二的最终答案发生变化。 该方差影响了基准比较的有效性,文章据此推导了新的基准报告规则。
ZenGen 框架旨在增强 LLM 社会智能,其测试基准 SoMBench 显示最佳模型准确率仅 72.08%。 框架结合 ZenGen 训练配方与 Actio 推理架构,其中 ZenGen-32B-Stage2 具备与 DeepSeek-V4-Pro 竞争的实力。 该框架证明社会智能 LLM 需在评估、参数内化及部署接地方面协同推进。
提出 Lychee-Reranker,实现查询与文档计算解耦的“快速但非后期交互”重排序模型。 采用编码器-解码器架构,利用 Matryoshka 嵌入池化预编码文档;提供 Nano/Small/Large 三种规模,激活参数量分别为 0.27B、1B 和 4B。 在 BEIR、MIRACL 等基准上性能媲美工业级模型,且 0.27B 模型在与 7-12B 嵌入模型组合时仍具竞争力。
SemViews 是一种认证语义过滤器,通过复用早期查询留下的标签作为语义视图,确保精度与召回率达标概率至少为 $1-\delta$。 在 725,000 个记录 oracle 标签的 4 个工作负载中,SemViews 在 99.63% 的查询上同时满足目标,节省 28%-45% 的 oracle 调用;面对重复问题,调用量进一步减少 27%-36%。
iRAG 提出一种结合 RAG 与混合决策的人类在环决策支持系统,通过存储既往决策作为可检索先例,实现从被动观察到自主处理(含拒绝)的进阶。 在独立基线对比中,iRAG 在 10% 漂移下匹配最终决策错误率且无检索衰减,在 40% 漂移下降低所有配置中的错误率。 该机制体现了知识稳定性与可塑性之间的权衡,但其在真实人类用户中的可用性尚未评估。
该无训练方法利用稀疏 token 匹配改进嵌入检索,在八个基准和多个模型族上提升效果。 可选的低秩查询适配器经监督训练后,在 Qwen3-Embedding-4B 上平均 Recall@10 提升 13.3 个百分点,NDCG@10 提升 14.3 个百分点。 这些检索增益转化为长期记忆基准上更高的问答准确率。
summary_zh: PRISM 多模态语言模型在 MDS-ED 基准上取得 86.2% 诊断 AUROC,并整合结构化测量、心电波形及人群上下文以优化临床预后。
提出结构驱动知识图谱(KG)方法解决法律推理中RAG检索准确性问题。 针对德国法律典,对比多种KG信息分块与检索策略,评估其对引用准确性的影响。 论文已被RAGE-KG 2026研讨会接收,旨在提升关键可靠场景下LLM系统的透明度与可验证性。