置信度信号何时揭示问题难度?
研究发现扰动不一致性、语义熵和解长度等置信度信号与群体问题难度呈强相关,优于 token 级不确定性。 即便限制在模型答对的问题子集,这些信号仍表现出难度区分能力,可作为推理时决策的代理指标。
研究发现扰动不一致性、语义熵和解长度等置信度信号与群体问题难度呈强相关,优于 token 级不确定性。 即便限制在模型答对的问题子集,这些信号仍表现出难度区分能力,可作为推理时决策的代理指标。
Qwen2.5 在药物文献中展现适应症与禁忌症的记录不对称(LABEL),574 种药物中适应症提及频率约为禁忌症的 2.19 倍。 Qwen2.5 从 0.5B 扩容至 14B 时,适应症准确率提升 18.3 个百分点,而禁忌症准确率接近随机猜测;提供检索片段或路由至 FDA 标签可显著改善安全性问答效果。
该论文提出因果跨层自愈边缘 AI 框架,解决资源受限 IoT 设备中感知、推理、硬件及能耗耦合问题。 框架同步观测传感器健康、推理不确定性、硬件性能计数器等多源遥测,利用时间感知因果推理引擎定位异常根源并量化诊断不确定性。
多智能体框架 FundingClaw 基于模板驱动技能选择,使单一研究简报可为 NSFC、NSF、KAKENHI 或 ERC 生成合规申请。 采用蓝图骨架策略先起草结构化大纲再撰写正文,通过多源验证 PI 记录及可选 PDF 提取代表作,在十个研究主题的八维评分中优于基线模型。 代码将在论文被接收后发布,旨在降低基金申请中重复性格式转换的人工负担。
研究者通过微调预训练文本嵌入模型,基于拍卖记录学习并设定在线拍卖的最优保留价。 在约 65,800 个二手车拍卖数据上,该模型预测的净利润较现行政策增加 14.6%。 该方法无需预先构建产品分类体系,适用于需求信息记录在文本中的异质产品市场。
AGPV 在五个数学推理数据集上实现平均准确率 63.8%,较最强基线提升 13.5 个百分点。 该方法将解题分解为关键声明序列,结合共享数学工具箱与完整性验证,证明了在覆盖充分时的正确性保障。 评测涵盖 DeepSeek、Qwen 及 GPT 四个模型,显示 AGPV 的修复覆盖率高于程序化验证基线。
针对 NVFP4 精度不足,研究提出梯度引导量化方法 FlipQuant。 通过端到端梯度学习二进制格式映射,支持 SM100 硬件原生内核,GEMM 开销中位数为 1.7%。 在 6 个语言模型测试中,FlipQuant 平均闭合了 NVFP4 与 BF16 之间 42.5% 的困惑度差距。 ```
Qwen3.5-27B 在 5 个合成聚类场景中表现良好,其智能体循环产生的 silhouette 分数接近网格搜索,但迭代次数大幅减少。 实验分为三步:区分最优聚类、为可视化结果打分,以及通过 VLM 调整 k-means 超参数。 研究证实 VLM 视觉反馈可自动调优聚类算法,但在噪声和模糊设置中表现挣扎。
研究者构建 3200 个生成式智能体模拟 PIAAC Cycle 2 受访者,发现成年人普遍支持加拿大“AI for All”战略但对其个人效益信心不足。 智能体指出差距源于参与成本和社区控制权有限,且数字设备使用率越低,预期获益感越弱。 研究提出“有条件支持”模式,建议 AI 素养政策应面向数字技能最弱的成年人设计。
Meta 部署的 CLEAR 推荐架构将用户偏好转化为可检查、可修改的自然语言兴趣层,取代不可见的向量表示。 用户评价约 88.5% 的显示兴趣准确;离线测试中 3B 专用生成器 F1@10 达 0.3967,优于 Gemini 2.5 Pro。 该系统已在 Instagram 和 Facebook 运行超一年,支持用户对推荐兴趣进行纠正和引导。
SART 通过建立形式可缩减性准则,打破不稳定 ReLU 神经元与二进制变量的一对一映射,使每个不稳定神经元平均对应少于一个二进制变量,从而在源头降低验证复杂度。
研究者提出利用定理演化图(TEG)引导 LLM 智能体生成数学猜想的方法。该智能体通过构建 TEG 识别定理间的依赖关系,LLM 评判员及数学家专家更偏好 TEG 生成猜想的显著性与洞察力。
提出ECOD方法,在ALFWorld和WebShop基准上,使用Qwen2.5-1.5B和7B模型时,将标准OPD的相对成功率提升最高4.06%。 通过在任务、轨迹和回合层面分配教师监督,ECOD在ALFWorld未见任务上实现6.20%平均相对增益,WebShop增益介于2.29%至21.60%。 该机制可作为跨不同蒸馏目标的可复用监督分配方法。
一项跨19所大学、7200名学生的随机对照试验显示,由一线教师设计的AI创新显著提升了学生的AI防作弊评估成绩。该试验持续三个学期,结果未显示学生参与度或满意度发生明显变化,表明一线驱动且赋予教师设计权的AI应用能有效促进学习。
推荐理由:原文展示了由一线教师主导设计AI对学习效果的具体改进,读者可据此评估高校AI应用模式。
开源模型 Beveridge 发布,支持 System One 快速决策,权重代码以 Apache 2.0 开放。 Beveridge-Large-C 参数量 398M,单次前向传递输出校准概率,H200 GPU 上响应 4.9 ms。 在运营文档基准测试中准确率达 93.0%,可自动处理 76% 的决策且准确率为 95%。
研究探讨临床变量在基于双参数MRI诊断临床显著性前列腺癌AI系统中的作用,基于权重固定的PI-CAI-2B模型添加43项临床变量。 数据涵盖4,540名患者的6,022个MRI病例,4,834个病例用于内部测试,主要终点为内部测试集中AUROC差异,并在5个外部队列验证。
研究提出假设/保证契约(AGC-MAS)与迭代异构分配(IHA-MARL)框架,通过定义契约元组规范子任务假设与保证,实现异构智能体间的协作与替代。 契约包含自动机、超时及成功概率要求,分解算法将团队任务拆解为契约,迭代算法交替执行任务分配、训练与能力评估,直至团队成功率达标。
MeltKV 提出内存对齐变比特打包向量量化框架,用于压缩长上下文 LLM 的 KV 缓存。 该框架通过自适应分配分组 Key 通道的比特宽度并共享 Head 级码本,将 KV 表示压缩至 sub-4-bit 至 1 bit 水平。 在可比困惑度下,MeltKV 较 SOTA VQ 方法降低 48.1% 内存使用率和 52.9% 推理延迟。
研究团队提出 Partial-Order Likelihood Policy Optimization (POLPO),利用帕累托主导解决多验证器场景下的策略优化难题。该方法扩展了直接偏好优化的列表似然,无需构建聚合标量奖励,直接学习验证产生的比较关系。在代码生成与指令遵循实验中,POLPO 展示了比标量奖励训练更高的学习效率及完整需求满足率。
RSIMed-27B 在罕见病诊断中准确率随计算量线性增长,无外部模型辅助下达到 0.516 诊断准确率。 优于 GPT-5.6 最佳设置的 0.399,且推理成本仅为后者的 1/38;自生成任务训练效果优于 GPT-5.5 等外部教师生成的任务。
SpecRelay 提出边缘-云 LLM 推理系统,通过异步验证和 Latency-Aware Router 优化 RTT 开销。 在 250 ms 额外往返延迟且精度匹配的情况下,相比同步基线,SpecRelay 在 SPROUT 和 OlympiadBench 上实现 1.95x 和 1.55x 吞吐量提升,同时仅将 47% 和 39% 的查询发送至云端。
Minari 是一个开源 Python 库,专为解决离线强化学习中数据集格式不统一、难以共享及环境代码更新后无法再生等问题而设计,旨在简化协作强化学习数据集的创建、分享与加载全流程。
FedFit 提出基于 Fisher 信息矩阵的联邦动态稀疏训练框架,显著缩小稀疏与密集模型间的准确率差距。 该框架利用损失景观的二阶近似替代幅值启发式,在无显式 Hessian 计算开销下实现高效结构调整。 实验显示其在 CV 和 NLP 基准上优于 SOTA 方法并保持高通信效率,代码已开源。
针对生成式 AI 安全基准常被引为主要风险工具却难以满足现实评估需求的现状,研究者访谈了 5 名学术界与工业界的 AI 安全基准开发者。 研究发现,基准设计预期效用与实际部署评估效用存在脱节,主要障碍包括安全构念的评分者间信度难以达成,以及外部效度威胁应对策略缺乏清晰度。 研究主张安全基准必须基于并主动融入部署环境,并建议建立学术界与工业界利益相关者之间更透明的沟通路径。
HiMX 提出混合尾数框架优化 4-bit 权激活量化(W4A4)LLM 推理,将 Qwen3-8B 平均端到端精度损失从 2.38 降至 1.77。 框架利用 S1P2 与 E2M1 互补特性,针对不同分布权重和激活优化量化,实现统一整数 MAC 阵列。 该异构尾数表示方法在 Qwen3-30B-A3B 上将精度损失从 2.23 降至 1.85,展现 W4A4 推理潜力。
针对博世(Bosch)25 种产品配置在五年内的域增量学习难题,结合持续机器学习与鲁棒优化可提升维护模型性能。 实验表明该方法在预测性能和维护成本上优于微调、在线学习等基线,相关成本指标降低超 40%。 结果证明在无法保留全部历史制造数据且产品组合不断扩展时,持续机器学习对维护决策支持具有实际价值。
提出通过合并 Vision-Language-Model 与 Vision-Language-Action 参数来对抗微调导致的灾难性遗忘。 具体方法是提取任务向量并经 SVD 分解,学习标量混合系数以优化保留 VLA 适配比例。 实验显示合并模型在动作预测与视觉语言理解上均优于现有基线,已获 EACL 2027 接收。
针对小样本临床数据,冻结预训练多模态嵌入结合统计池化和经典模型在9项量表平均$r=.406$,显著优于深度学习。 具体实验使用106个会话和88名患者数据,症状困扰量表$r$达$.490$,而优化后的单阶段深度模型仅$.222$。 该结果建议在数据稀缺场景下避免学习聚合方法,采用固定统计池化以提升预测可靠性。
提出 SPLICE 统一 NLO 框架,将优化建模为受限组合搜索,解决全局重写不安全等失败模式。 该框架通过块级可变性保持契约文本,结合精英束搜索及长度正则化,提供形式化保证。在七个公开基准上,SPLICE 在四项中获胜,其余三项与最强先前方法持平。
研究揭示六层 Mamba 模型在金融时间序列中识别市场状态的 F1 分数从 1.00 降至 0.398,证实此前完美结果系标签泄漏所致。 控制协议移除了定义标签的输入特征及辅助分类头,剩余选择性门控效应虽统计显著但经济意义可忽略,且跨层均匀分布。 该研究提供了可复现的泄漏控制协议,量化证明已报告的市场结构是标签污染产物。
DECOUPAGE 提出一种由剧本驱动的长形式多镜头、多角色音视频联合生成框架。该模型基于联合扩散架构,通过双调度时间交叉注意力机制实现视听时序解耦,支持 15-60 秒生成的多模态一致性控制。
该文综述了乳腺癌检测中15种以上的多模态融合方法,涵盖乳腺摄影、超声等常规技术及热成像等新兴技术。指出AI在数据、特征和决策层级的融合应用日益增多,同时面临数据集不足和外部验证有限等挑战。
VEX 框架利用音视频理解统一外部演示学习与行为反思,video-SALMONN-VEX 基于 Qwen3.5-9B 构建,在 OSWorld 上任务成功率提升 22%。
研究人员提出分层强化学习框架 Skill-LR,利用视觉语言模型识别子目标,并通过 LLM 生成匹配的潜在奖励公式。 该框架基于两阶段提示过程,使奖励信号随分层计划演化,降低了时间方差并提升了样本效率。 在 MiniGrid 和 BabyAI 的多阶段基准测试中,Skill-LR 比 RUDDER 等基线收敛更快且更可靠。
该研究提出 Check Token 机制,首次在语言模型生成流中建立内置自我校验。模型通过输出功能标记触发检查、定位、截断与重写,该标记不携带推理内容。 实验基于 Qwen3-32B 和 Qwen3-Next 进行,在 HMMT25 任务上带来 10.8 pp 性能提升,开销系数为 1.13x,token 效率是 Best-of-8 的 88 倍。
研究显示AI代理在传递任务时,无法保留尚未完全理解的隐性知识。 在包含隐藏规则的56个交互世界中,八代代理链的学习效率远低于拥有完整历史记录的单一代理,表现仅相当于单一代理的前四代。 将笔记压缩至300字符会造成显著的信息丢失,即使基于全记录重写也只能恢复70%-82%的损失。 这表明代理只能传递其已理解的内容,尚未发现的规则会在交接中永久丢失。
零训练 LLM+OVOD 管线中 CAAP 与 SNAP 的显著差异主要源于词汇新颖度,当 LLM 用词超出检测器原生类别时定位准确率从 80.9% 降至 31.6%。78-88% 看似定位失败实为模型正确找到 COCO 未标注的真实物体,而非幻觉。该发现表明需重新评估基于开放世界的多模态系统失败模式与检测幻觉方法。
研究在6个开源LLM中发现,信念状态可从残差流激活中线性解码,峰值R²值达0.83-0.99。 该结论基于40个非平凡信念结构的隐马尔可夫模型数据,并通过修补与转向干预验证了功能相关性。 结果在表征层面证明,开源LLM的上下文学习近似于对上下文推断生成模型的最优贝叶斯预测。
MindTopo 基准测试涵盖连续性、分离、顺序、封闭及拓扑结五个维度,包含3900个核心实例。 针对13个多模态大语言模型评估显示,模型在推理任务中表现优于规划,但在简单层级上仍落后于人类。 该测试揭示基础模型在闭环智能体规划及视频生成校验中仍存在显著局限。
提出免训练预算感知自适应-k检索方法ViSAR,在给定页面预算内动态确定检索数量。 ViSAR直接在嵌入空间构建查询条件化相似度矩阵,最多降低端到端RAG延迟58.9%,且无显著精度损失。 相似度矩阵结构与答案精度相关,为检索质量感知的文档理解提供未来方向。