跳到正文
11月18日周三
  1. arXiv · NLP21

    ClearTalk:基于数据驱动的普通话构音分析与儿童构音障碍个性化沟通支持系统

    ClearTalk 智能手表系统将普通话语音识别差异转化为可解释的构音剖面,支持 13 名构音障碍说话人的个性化练习。 系统在 13 名说话人上,音节级准确率与专家清晰度评估的 Pearson 相关系数达 0.908,自动标签 Cohen's kappa 为 0.76。 15 名儿童试点中,中重度组沟通轮次完成率分别为 66.7% 和 48.0%,验证了可穿戴设备辅助沟通的可行性。

  2. arXiv · NLP34

    决策模型能否替代 LLM 处理呼叫中心分类与判断任务

    研究在 8 个呼叫中心场景中对比 9 种决策模型与 13 种生成式 LLM,显示多数决策模型分类性能可媲美前沿 LLM。 API 型闭源决策模型单位请求成本最低,高置信度预测更准确,支持选择性路由;但多数决策模型极少选择“无答案”选项,且小模型判断质量急剧下降、位置偏差更明显。 研究为基于弃权行为、置信度和部署成本而非仅总体准确率的选择决策模型提供实用指导。

  3. arXiv · NLP30

    **title_zh**: TSW-NL:评估语言模型的荷兰语单词谜题基准

    **summary_zh**: 研究者提出荷兰语开放词汇基准 TSW-NL,包含 222 个实例,旨在通过确定性评分评估 LLM。 该基准源自 Wikipedia 消歧义页面,人工研究得分介于 49.5% 至 61.0% 之间,最高开源模型得分仅为 39.3%。 GPT-4.1 得分 59.2%,而 GPT-5.6 Sol 使用最大推理模式得分达 88.8%,显示闭源模型显著进步。

  4. arXiv · NLP22

    编码智能体中检查通过不等同于任务完成:证据解读研究

    针对编码智能体中验证程序无法保证正确判定任务完成的问题,研究提出需保留执行事实并限定证据范围。 十三项任务的前瞻性阶乘研究显示,正确报告的事实未必能得出请求的有限判定;122个留出集标签均正确,但16个响应误报事实且11个超出授权范围。 结果界定了证据解读的适用性,未证明通用的诊断优势或Skill退化效应。

  5. arXiv · NLP26

    契约显式评估:从审计学习型读者到范围证书

    提出契约显式评估协议,解决文档级关系抽取(DocRE)及LLM裁判中排名在评分契约下反转且无法确定哪些比较有效的问题。 该协议基于Kendall秩相关分解,通过预注册五步流程生成分布无关普查证书。DocRE审计中3个标记实例上限为0.146;LLM裁判普查中12.25%的比较需对冲,边界0.124。 协议、地图及工件已发布,明确置信度证书在真实分数下被撤回的失效边界。

  6. arXiv · NLP28

    LLM 增量实体解析中的画像累积效应:集群变大降低匹配门槛

    研究发现,在基于 LLM 的增量实体解析中,模型判断新记录归属时受集群规模影响,集群成员增加会降低匹配标准。 使用 Claude Sonnet 5 和 Haiku 5.5 测试显示,展示 16 个而非 1 个已验证成员时,同名公司的假匹配率上升;ROC 曲线下面积仅小幅增长,且单次错误合并会提高后续错误接受率。

  7. arXiv · NLP20

    对比人类与大语言模型对荷兰语多族裔变体 Straattaal 的隐含及显性语言态度

    研究显示 LLM 对荷兰语多族裔变体 Straattaal 存在类人的显性语言态度,其响应模式与人类参与者在相同显性评级任务中相似。 在 LLM Word Association Test 中,Straattaal 持续与有移民背景的个体关联,且较大、较新的模型表现出更强关联;人类在隐性和显性层面均强烈建立该关联。 研究凸显将社会语言学视角纳入 NLP 以识别和缓解内嵌的社会及语言偏见的重要性。

  8. arXiv · NLP32

    HindAudit 审计临床 Agent 基准中的后见之明偏差

    HindAudit 在 MIMIC-IV 27,489 例急诊病例中发现,基准摘要使 4 个 LLM 零样本准确率从 25.4% 升至 39.7%,病史升至 45.3%。 后见之明主要存在于病例文本中,给模拟器提供诊断对实验室结果泄漏影响微小,掩码诊断名不改变该差距。 由于 MIMIC 缺乏实时病史,该差距被视为后见之明效应的上限。

  9. arXiv · NLP33

    SAFE-Triage 多维度框架评估面向患者的急诊分诊 AI 工具

    SAFE-Triage 框架整合人工审核、自动化指标及 LLM 评估,在 40 个 MIMIC-IV 案例中对比 PLT 与 rPLT 分诊表现。 PLT 的急诊严重程度指数准确率更高(57.5% vs 42.8%),且低分诊率更低(13.1% vs 29.8%)。 该框架揭示准确率、通信质量与可读性间的权衡,支持部署前优化与持续监测。

  10. arXiv · NLP25

    语言模型能排序政党立场却无法定位程度:一项针对日韩政党的研究

    语言模型在对日韩政党进行相对排序时,表现比最强固定答案基线高出两倍以上,但在同一量表上定位单一政党时则低于该基线。 该结论基于 Comparative Manifesto Project 的编码数据,且研究发现提供编码值可将定位表现提升至接近满分,表明比较性问题和绝对性问题衡量不同的能力。

  11. arXiv · NLP23

    MInfoVisQA: 信息丰富视觉问答的多语言基准测试

    研究者推出 MInfoVisQA 基准,包含 24 种语言、8,960 个问答配置及 25 个多模态大语言模型评估数据。 该基准通过分离数值结构与文本生成并行视觉问答对,发现模型在跨语言场景下表现存在显著差异。 研究结果指出,平均准确率掩盖了鲁棒性差距,凸显跨语言敏感度指标在模型评估中的必要性。

  12. arXiv · NLP36

    CrisisBench: 针对危机咨询 AI 的评估套件

    研究人员发布隐私保护评估套件 CrisisBench,旨在测试大语言模型在危机咨询中的风险管理与去升级能力。 套件包含 1085 个单轮任务及 23 项评估维度,经专家校准后用于评测五个 GPT 模型。 结果显示生成增强检索模型多轮得分最高(0.961),所有系统在过度共情方面均弱于人类咨询师。

  13. arXiv · ML28

    Boltz-1 主干与扩散模块生物特征探测与引导分析

    Boltz-1 的主干模块中二级结构与序列化学特征均具线性可解码性,但扩散模块中序列化学特征线性可访问性显著降低。 研究通过线性探针与因果干预发现,螺旋与无规卷曲方向可剂量依赖地改变预测结构,但β-折叠方向未产生可测量的折叠含量增加。 线性可解码性在测试位点并未暗示因果影响。

  14. arXiv · ML40

    基于核方法为非线性参数模型在贝叶斯优化中提供理论保证

    针对现有贝叶斯优化理论缺乏对非线性参数模型(如神经网络)在自适应数据采集下的保证,本文提出基于参数空间核函数的分析框架。 该框架通过构建再生核希尔伯特空间结构,为广泛的一类正则化损失函数下的模型训练提供置信界,并据此建立了近似 Thompson 采样的收敛保证。 这些结果为非线性模型在贝叶斯优化及相关自适应优化设置中的分析提供了统一途径。

  15. arXiv · ML25

    极宽网络中的尖锐特征学习相变与贝叶斯最优神经缩放定律

    该研究揭示了高维体制下宽特征学习网络中特征可学习性由一系列尖锐相变支配,并提出了在固定数据预算下的“有效宽度”概念。 模型推导了贝叶斯最优泛化误差的两个统一缩放定律:特征学习阶段误差随 $n^{1/(2\beta)-1}$ 衰减,精修阶段随 $n^{-1}$ 衰减,且学生模型在此处表现接近理论最优。 该研究已被 NeurIPS 2026 接收,为理解大型有限宽度网络的知识转移提供了信息论依据。

  16. arXiv · ML30

    灵活负荷整形的“挑樱桃”策略:显著降低电网碳排放

    针对多兆瓦级灵活负荷整形,研究者提出一种可解释的“挑樱桃”策略,能在不增加批发电力成本的前提下,实现比静态LMP整形高2-3倍的年度电网CO2减排。 该方法基于对ERCOT电力市场近8900个节点的仿真数据,结合可观测的电网净需求与节点最低LMP阈值,动态选择当日最优整形信号。

  17. arXiv · ML28

    无标签数据不可压缩流体物理约束神经求解器

    提出一种无需标签数据或预训练的物理约束神经求解器,通过PECANN框架将不可压缩流建模为约束优化问题,最小化压力Poisson残差。 该求解器在lid-driven cavity流中预测精度达Re=7,500,并成功捕捉非稳态绕柱流中的周期性涡脱落现象。 研究指出传统物理信息方法Reynolds数受限源于约束执行不足,该方法解决了这一局限。

  18. arXiv · AI43

    RPMem 提出 LLM Agent 跨会话参数化记忆学习框架

    RPMem 是一个两阶段架构,通过前向计算生成模型无关的潜在记忆,并利用任务训练的递归门控进行跨会话整合,最终映射为 LoRA 参数。 该框架支持骨干模型替换,在 PERMA 基准中,基于 Qwen3-8B 模型达到了 85.52% 的准确率,超越最强参数化基线 5.32 个百分点,实现近常数的更新成本与内存占用。

  19. arXiv · AI31

    EDCT 揭示视觉语言模型中的忠实度差距

    解释驱动的反事实测试(EDCT)协议揭示视觉语言模型存在显著忠实度差距,模型常产生与验证过的视觉变化不一致的回应。该协议通过提取解释中引用的视觉概念并施加最小编辑来测试一致性,EDCT-Bench 涵盖 OK-VQA、DriveLM 和 3DSRBench 三个领域。 微调研究表明 EDCT 生成的反事实实例提供高影响力训练信号,论文已被 WACV 2027 接收。

  20. arXiv · ML21

    基于均值测度量化的概率测度可扩展学习

    论文提出基于量化的方法,用K点离散测度近似概率测度,解决最优传输在大规模支撑下的高计算成本问题。 推导了量化测度的一致性及其在下游任务中的收敛保证。 合成与真实数据实验表明,该方法在保持性能的同时显著减少运行时间。

  21. arXiv · AI23

    机器学习咳嗽模型为何无法泛化:结核病筛查的跨数据集系统评估

    跨数据集评估显示,基于咳嗽声学的机器学习与深度学习结核病筛查模型无法泛化,外部验证表现频繁低于 0.6。 尽管数据集内 ROC-AUC 高达 0.76±0.06,音频表征主要受录音设备和数据集组织影响,设备不匹配会降低迁移效果。 临床变量基线泛化表现更稳定(ROC-AUC 0.65-0.71),表明采集特异性是泛化失败的主因。

  22. arXiv · AI31

    多智能体强化学习中模拟器坍缩现象及SCOPE开源框架

    针对单LLM模拟器导致的策略泛化失败,研究提出Verbalized Sampling与Co-Training两种解决方案。 在Persuasion for Good等三项基准测试中,Verbalized Sampling提升留出成功率9%,Co-Training进一步升至14%,并保留了策略多样性。 研究指出多样化模拟器是服务真实用户的必要要求,并开源了SCOPE框架。