大语言模型自动化文献筛选与知识合成框架
该 LLM 驱动的自动化框架在三项材料科学筛选任务中表现优异,11 个模型中 7 个平衡准确率超 0.90,最高达 0.96-0.98。 框架在 4 分钟内完成 10,000 条记录筛选,对比人工所需的 83 人时,效率提升显著。 通过提取全文结构化信息,该框架可揭示方法趋势,支持假设发展与数据驱动发现。
该 LLM 驱动的自动化框架在三项材料科学筛选任务中表现优异,11 个模型中 7 个平衡准确率超 0.90,最高达 0.96-0.98。 框架在 4 分钟内完成 10,000 条记录筛选,对比人工所需的 83 人时,效率提升显著。 通过提取全文结构化信息,该框架可揭示方法趋势,支持假设发展与数据驱动发现。
开发者通过在 AgenticRetrieveStream 请求中添加 memoryConfiguration,即可将 AgentCore 记忆功能与知识库结合,实现多租户场景下的用户数据隔离。
Emergency-AI 是一款在本地计算机运行的离线应用,支持在无互联网情况下读取指南并检索知识库。 安装后可使用 LFM3 1.7B 模型进行本地 AI 问答,最低需 8 GB 内存且无需独立显卡,额外库空间约 3 GiB。 应用基于浏览器访问,支持手机同网连接,明确声明其教育性质且不能替代专业紧急服务。
Amazon Bedrock 托管知识库新增检索指令,允许为共享知识库的每个租户配置 persona、answerFormat、retrievalGuidance 和 answerPolicy,统一答案语言、日期货币格式和引用风格。
Amazon Bedrock Managed Knowledge Base 新增表格搜索,支持通过 Agentic RetrieveStream 接口解析 CSV、XLSX 和 XLS 文件。 该功能在隔离沙箱中运行代码,结合文档事实回答需跨行计算或查值的分析问题。 此功能适用于与文档共存的表格文件,无需定义 schema,但涉及数据仓库级连接时仍建议使用 BI 工具。
Anthropic 发布研究称,智能体跨会话记忆的核心在于“有选择地记录”而非“全量存储”,并可通过 Dreaming(梦境)机制在空闲期纠错。测试显示,Claude Fable 5 在宝可梦任务中因仅记录策略和规则,比记录 413 个文件的 Claude Sonnet 3.7 走得更远;Dreaming 还帮助修正了关于 Mt. Moon 的错误记忆。
研究发现,在纵向患者电子健康记录上,RAG混合排序优于全上下文提示,但RAG在纵向推理方面落后。 医学微调模型未带来可测量的性能提升,较小模型表现出更强记忆能力,长程补充笔记有助于生成式问答。 推理模型在LLM正确性指标下提升,但在更严格的参考对齐指标下表现不佳,揭示了对推理适配指标的需求。
大语言模型代理从 24,588 篇肉瘤摘要中生成 1,570 个通用数据元素(CDE),保留 53 个高频 CDE 进行全语料提取。79.2% 的摘要成功完成证据关联提取,100 篇抽样中 94.9% 的值与 LLM 提取结果完全一致。人类审核员对 56.6% 提取值的正确性予以确认。
RAG-FGO 提出了一种针对生成式 RAG 查询重写智能体的动态优化框架。 该框架将查询重写建模为混合离散-连续空间中的黑盒优化问题,引入精英保留内存池以缓解噪声反馈对优化稳定性的影响。 实验结果验证了该方法在多样化 benchmark 上的有效性与鲁棒性。
SA-RAG通过从嘈杂对话数据中直接构建表格结构,解决了传统RAG在处理噪声上下文时的可靠性问题。 该框架结合质量感知的结构归纳方法,同时支持免训练和基于训练的结构生成策略,在两个真实数据集上显著优于现有RAG基线。 结果表明,高质量的结构化表示对鲁棒RAG应用至关重要。
Larch 框架通过优化 AI SQL 查询中语义过滤器的执行顺序,在多种数据集上显著降低 token 消耗。该框架包含 Larch-A2C 和 Larch-Sel 两个变体,分别利用图神经网络建模和监督学习预测选择性来指导动态规划。 实验结果显示,Larch 比 Palimpzest 和 Quest 减少 6%-30% 的总 token 成本,并将 token 开销降低 3-19 倍。
CPGRec+ 通过引入 PER 和 PRG 模块,在两个 Steam 数据集上展现出优于现有技术的准确性和多样性。 该框架利用 LLM 生成游戏与玩家的上下文描述,并调整边权以缓解 GNN 模型中的过平滑问题。 研究发表于 ACM Transactions on Information Systems (TOIS),代码已开源。
稀疏自编码器将医疗检索中的稠密嵌入转化为可解释表示,在6个医疗数据集上验证了其有效性。 模型结合重建目标与InfoNCE对比损失,在域内检索性能提升的同时,在分布外数据集上性能下降幅度小于稠密嵌入,且特征语义可通过激活它的查询和文档推断。 该方法揭示了特定文档被检索的原因,其可解释性可迁移至训练分布之外,有助于理解医疗AI系统的内部机制。
研究揭示 Gemma 4 模型在零温度下对上游调用方的相关得分能显著区分真实结构邻居与干扰项,而对下游调用方得分接近随机。基于此发现,提出免训练的 GraphScent 搜索控制器,通过传播关系条件对数似然比在运行时 Typed-AST 多图上定位缺陷。该方法在单 GPU 预算下,将 31B 模型在词汇困难目标上的精确定位准确率从 12.8% 提升至 23.4%。
研究人员提出MoREGT架构,通过结合关系专家混合图Transformer与LLM智能体,在减少预训练数据的情况下实现跨数据库模型迁移。 MoREGT将行和单元格视为Token,利用外键关系名称和行日志年龄增强注意力机制,智能体在无标签约束下生成衍生列。
RecMem 采用 16 个记忆槽和 216-token 解码上下文,替代 HSTU-1200 的 1200 tokens。 在 MerRec 数据集上,RecMem 保留了 HSTU-1200 87.9% 的 Recall@10 和 97.0% 的 Recall@200。 该方法使记忆状态独立于历史长度,已被 NeurIPS 2026 接收。
该框架整合流行病学证据约束风险因子权重,部署时毫秒级计算不确定性区间,速度比 Monte Carlo 采样快两个数量级。 在 5.3 万名参与者中验证有效,纠正 1.7 倍风险高估,样本需求降低 5 倍。
研究团队提出公益系统 AI-Voyager,通过人类与 AI 协作理解、质疑并制定 AI 治理规则。 该系统将 3,653 份政府治理文件转化为保留页码和版本的段落,通过限定范围智能体搜索检索证据,在 360 个新问题上实现 83.0% 宏召回率,优于最强基线的 80.5%。 通过绑定公开文档原文,AI-Voyager 引入了操作语法和设计空间,指导此类系统的设计评估及公众参与 AI 治理。
datasette-llm 0.1a11 新增对 OpenAI 兼容端点的配置支持,允许用户连接任意遵循该协议的 LLM 服务。该插件通过 `default_model` 参数可对接 LM Studio、Ollama 或 llama.cpp(刚发布 v1.0.0)等本地推理工具。用户利用 `uvx` 命令即可部署由本地模型驱动的 Datasette Agent 实例。
QuAIA 是一个基于 AGPL-3.0 协议的开源多智能体测试系统,通过专用 AI 智能体覆盖从需求审查到缺陷报告的全流程。系统无需编写测试脚本,UI 智能体直接通过屏幕交互运行测试并支持多语言与动态数据格式,能够在学习用户专家演示后自主执行测试。该架构基于 A2A 和 MCP 标准连接 Jira、Zephyr 等工具,支持在用户自托管基础设施中运行任意大模型。
Machine Learning Mastery 的这篇文章说明如何系统性评估 LLM 应用,覆盖 scorer 选择、LLM judge 设计、RAG 与 Agent 评测以及发布前发布后的评估流程。
2026 世界中文大会在北京开幕,会上发布语飞国际中文教育垂直大模型,为全球中文学习者、教师和教育机构提供智能化服务。 该模型面向学习者提供即时反馈评测与个性化辅导,面向教师生成涵盖课前、课中、课后环节的教学素材,并面向教育机构提供标准化接口。 这一发布将人工智能技术与国际中文教育实际需求结合,助力该领域数智化发展。
论文提出UMER框架,通过成对感知判别推理统一多模态嵌入与排序功能。 基于Qwen2-VL-2B/7B模型,在MMEB-V2基准上得分65.5/70.6,超越最强基线1.4/2.0分。 支持从高效嵌入检索到成对感知的灵活预算调整推理。
SLIDERS 是一种基于 LLM 的方法,通过自主编码智能体迭代编写 SQL 协调证据,在 BrowseComp+ 基准上达到 90% 准确率。 该方法解决了 LLM 助手在系统综述中覆盖标准不足的问题,支持跨文档去重和冲突解决。 作者引入了 WikiCeleb100(3.9M tokens)和 FinQ100(36M tokens)两个新基准以评估可扩展性。
论文指出外部信息对LLM推理的缺口修正可能存在过度修正现象,反而损害模型性能。 作者从推理误差角度分析Transformer,揭示修正向量由注意力机制与信息互补性共同决定,并推导出信息在方向和幅度上恰当修正的几何条件。 通过在四种主流LLM和七个推理基准上的实验,验证了理论并支持了一种基于理论指导的信息选择方法。
RMIT-ADM+S 团队使用 ClimbMix 语料库参与 TREC RAG 2026,提交 7 个运行。 最佳运行 brief-hybrid 在 Batch-1 vital coverage 中取得 0.892 的赛道最高分,且 7 个运行中有 6 个超过中位数。
CoReMem 提出成本内化记忆框架,通过前瞻性估值指导编码智能体在未知任务中平衡记忆效用与读写成本。 在 ChainSWE 基准测试中,该框架将 27B 模型的解决率从 21.0% 提升至 25.7%,并减少 17% 步骤与 11% 总缓存感知 token。
研究表明 RAG 系统引用常误标来源,1.2% 至 15.7% 的可引用声明源于参数记忆而非检索上下文。 反事实值替换法能区分来源,但标准自然语言推理验证结果与随机无差异,仅靠信号无法提升溯源诚实度。
提出嵌入门控迭代合并(EGIM)方法,结合嵌入相似度与 LLM 判断以解决高细粒度主题建模中的冗余难题。在专利和法律语料库中,LLM 拒绝了 83% 的嵌入候选,相比基线提升合并主题区分度 25-55% 并保留细分差异。
AstroMemBench 是一个针对航天器具身智能体记忆系统的基准,包含 16 项记忆子挑战、140 个模板和 2240 个实例。 该基准通过确定性环境评估任务完成度、状态变化、安全性和资源使用,涵盖行星表面作业、在轨服务和深空探索等九大任务。 实验显示 Mem0 等在会话重启后优于 RAG,支持航天器具身智能体记忆系统的设计与选型。
提出查询引导的选择性上下文压缩框架 CoMem,在问答和 RULER-NIAH 基准上优于现有方法。 采用对比压缩器学习生成查询敏感且保留上下文的记忆表示,并通过同上下文硬负样本挖掘及双向注意力机制优化信息流。 该框架旨在解决有限记忆预算下长输入推理的效率挑战,代码已开源。
Qwen2.5 小模型(1.5B-14B)经提示词优化可路由推理、检索等能力,14B 路由器下游 token 消耗减少 68.7%。 最小提示下增大容量未一致提升分类性能,提示优化缩小了推理和计算器路由的容量差距,但 RAG 和 Web 搜索仍受益于更高容量。 14B 路由器 BERTScore F1 达 0.8408,接近全能力启用的 0.8418,中位延迟降低 80.5%。
CPIL 提出双阶段 Siamese 框架,利用少量标签构建关系监督,无需额外事实标签。在 11 任务 LLM-AggreFact 基准上,CPIL 使用 2-3% 标注池即达 81.04-81.60 macro-F1,超越紧凑型检测器。该方法已被 IEEE TASLP 2026 接收。
研究团队提出 MindMem,一种受认知心理学启发的记忆框架,能异步整合共享经历并预测用户潜在需求。 在自研基准 MemReal-Bench 上,MindMem 的 SMR 得分达 59.03%,DQA 得分达 82.58%,分别超最强基线 24.19 和 9.19 个百分点。 代码与数据集已公开。
MIGRO 提出了一个解耦且可移植的大语言模型长期记忆系统,将用户交互积累的经验视为跨模型共享的持久状态。该系统通过非对称保真度实现证据的精确保存与近似组织,利用共享语义索引支持检索。在 LoCoMo 匹配状态下,MIGRO 准确率提升 7.3%,私有内存减少 99.3%;在百万 token 的 BEAM 历史上,私有存储平均减少 57.5%。代码已开源。
提出 QDRAG 框架,通过查询分解和重排序消除多跳推理中的过度引用。 引入 QD-C 和 QD-R 两种零样本分解方法,发现针对 QD 任务的微调比直接微调下游 RAGQ 任务具有更好的泛化性。 实验表明 QDRAG 在四个多模态 QA 基准上显著优于基线,甚至超过 Gemini-Pro。
该研究提出基于NVIDIA Tesla T4硬件的多模态RAG优化框架,将7B模型VRAM占用降至8.37 GB,实现12-16 GB显卡部署。 采用NF4量化保持长上下文稳定性(81 ms/tok延迟),结合Florence-2视觉集成仅增加430 MB VRAM开销;结构化提示词使延迟降低47%,数学推理准确率从35.0%恢复至92.0%。
研究首次将基于图形的检索增强生成(GraphRAG)应用于原始地震目录表格数据,针对水库邻域群震、2019年 Ridgecrest 序列及2021年玛多Mw7.4余震序列三个独立目录构建了可查询知识图谱,无需人工数据结构化。
研究提出加权马修斯相关系数(WMCC)以解决 LLM 文献筛选评估中不平衡数据的误导性问题,并发布了实践建议 LLM4SCREENLIT。 在包含 9 个 LLM 和 34,528 篇文章的大型软件工程再分析中,基于 WMCC 的最佳模型仅丢失 5.8% 的相关证据,远优于 Accuracy 最佳模型的 63.3% 丢失率。
研究团队提出名为 KG-Guard 的轻量级图框架,将 LLM 视为黑盒以检测知识库问答(KBQA)中的答案节点幻觉。该框架利用图编码器生成验证导向的节点表示,并通过小型 MLP 进行分类,以识别依赖参数化知识而非图证据的回答。