跳到正文
10月14日周三
  1. arXiv · AI20

    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。

  2. arXiv · AI24

    Radioactive Feedback:追踪仅基于标签 LLM 监督训练的模型

    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。

  3. arXiv · AI33

    CoverSynth:基于覆盖度引导的检索评估集生成方法

    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。

  4. arXiv · NLP28

    Audit Before You Distill:面向紧凑型医疗语言模型推理迁移的控制工作流

    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。

  5. arXiv · NLP23

    CULTUREBOT: 面向文化遗产数据的检索增强探索框架

    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。

  6. arXiv · AI40

    FleetPilot: 细粒度引导赋能 LLM 个性化

    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。

  7. arXiv · NLP33

    面向领域通用 Mixture of Experts 剪枝的鲁棒校准数据集研究

    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。

  8. arXiv · AI30

    DSABench: 面向多数据库智能体源发现、协调与执行的基准测试

    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%。

  9. arXiv · NLP24

    RegExtract:基于LLM的PFAS法规信息提取基准

    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。

  10. arXiv · NLP34

    PAT:基于人格驱动的增强与迁移学习框架用于社交媒体抑郁症检测

    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。

  11. arXiv · NLP40

    个性化 LLM 上下文精简:通过相关性过滤实现 5% 文本匹配全历史

    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。

  12. arXiv · NLP32

    DRIFT 模型通过依赖树推理提升方面情感四元组预测性能

    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。

10月13日周二
10月12日周一
  1. arXiv · AI38

    CRM:基于快手短视频推荐的带可控条件检索模型

    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%。

  2. arXiv · AI26

    全局一致性修复:自然语言声明集合的 QXR 框架

    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。

  3. arXiv · NLP37

    ZenGen:面向 LLM 的社会智能框架

    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。

  4. arXiv · NLP41

    Lychee-Reranker 实现压缩文档重排序的快速非后期交互

    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。

  5. arXiv · AI24

    SemViews 实现 LLM 语义查询标签的认证复用

    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%。

  6. arXiv · AI34

    iRAG:面向人类在环决策支持的增量检索增强生成系统

    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。