Co-DSL:人类与LLM协同设计可复用空间概念用于布局生成
summary_zh: Co-DSL是一个用户与LLM协同设计可复用空间概念的布局生成框架。 该框架分两阶段运作:先通过用户描述和轻量级反馈构建个性化概念库,再由LLM编写布局程序,利用求解器生成满足概念图的布局。
summary_zh: Co-DSL是一个用户与LLM协同设计可复用空间概念的布局生成框架。 该框架分两阶段运作:先通过用户描述和轻量级反馈构建个性化概念库,再由LLM编写布局程序,利用求解器生成满足概念图的布局。
研究团队训练了最高4B参数、基于1万亿过滤token的点时语言模型。 在常识推理等基准测试中,该模型性能接近同规模的Gemma-3-4B和LLaMA-7B,缩小了与无限制模型的差距。 完整的训练、数据构建和评测代码已公开,支持可复现的点时建模研究。
SPARK 框架将参数知识控制建模为潜在参与策略学习,解决检索上下文与内部知识冲突导致的生成不忠实问题。 通过引入轻量级参与策略动态调节 FFN 介导的知识贡献,仅增加 0.01% 可训练参数并保持主干 LLM 冻结。 在六个数据集上验证了其有效性,比竞争性基线实现更忠实的生成,且代码和数据已公开。
YOUDrive 提出了一种用于连续和可组合驾驶风格控制的多模态模型。在 NAVSIM navtest 上,单一系数可单调控制六种教师衍生风格的激进度。 该方法通过任务向量在推理时缩放和组合风格方向,无需重新训练主干网络,PDMS 保持在 0.90 以上,最高达 0.954。 论文还将开源代码、检查点和指标。
研究团队提出 EarthAlign 数据集及 MeteoLIP 双编码器框架,旨在解决地球系统数据与语言通用对齐的缺失问题。 MeteoLIP 通过 MetTok 聚合 63 变量 ERA5 气象数据,在跨模态检索等任务中超越 CLIP 和 SigLIP 基线模型。 代码、数据集及权重已公开,为地球系统多模态表征学习提供基础。
summary_zh: 研究者提出自定义运维员(SDO),将经验蒸馏为 playbook 和 detector,仅当 detector 触发时调用 LLM。 在 11 个开源微服务应用中,SDO 将重复故障解决时间缩短 52%,且成本随事件数而非运行时间增长。
DeepMesoD 利用神经网络从微观轨迹学习指定粗粒化尺度下的介观场方程,在层状 CrBr$_3$ 和 2D 铁磁体等系统上实现了3-4个数量级的计算耗时减少。 该方法通过波动-耗散关系约束学习自由能泛函,其演化预测在 1 ns 内与原子级参考结果匹配,未知初始条件滚动稳定至 25 ns。
CiteTracer 提出一种基于分类学的字段级判定方法,将引用幻觉检测重构为跨 12 种代码的真实、潜在及幻觉引用分类。 该检测器通过级联多智能体流程提取结构化引用,并结合缓存查找、网络检索及确定性字段匹配来路由歧义案例。 在包含 2,450 个合成引用和 957 个真实伪造引用的基准测试中,CiteTracer 分别达到了 97.1% 的整体准确率。
LEAF 方法在 LLM 推理中实现约 4 倍探索加速,较最强基线模型提升准确率 1.59 和 1.83 个百分点。 该方法注入动态问题特定记忆至上下文,并通过自蒸馏更新策略,在四个基准测试中表现优于随机采样基线。 研究结果表明,LEAF 在提升探索效率的同时显著降低了计算资源消耗。
DAVID-GRPO 通过专家轨迹播种和证据引导续写,解决小模型在低 rollout 数下的检索崩溃问题。 该方法在 4 块 RTX 3090 上训练 Qwen2.5-1.5B,平均 EM 达 22.6,优于同预算基线 11.9,且实现多轮检索。 代码已开源,为资源受限环境下的多跳 QA 训练提供可复现方案。
RoboHarness 让 Qwen3.8-Flash-Next 在 BEHAVIOR Challenge 2025 任务上超越 SOTA VLA 模型。 该框架为 LLM 智能体提供视觉几何控制面板以直接调用具身任务,无需大规模训练动作头。 实现代码将开源发布,论文共 18 页。
在100个合成患者档案中,开源权重LLM在个性化处方任务上的总体适用性准确率(0.810-0.850)匹敌或超越专有模型基线(0.780)。 引入RAG后所有模型均有提升,但排名差距缩小至0.04;双评分者主观评估发现,检索虽提升准确率,却降低了部分模型的五个维度评分。 研究强调在医疗场景中部署先进LLM和AIFM需重视伦理风险及透明化原则。
VarMAE 引入了一个可变输入掩码自编码器,仅使用 3.82M 参数。 该模型在 NHANES 数据集上预训练,在 8 个基准数据集上匹配或超越受控基础模型基线。 VarMAE 展示了单一基础模型在多种传感配置下的广泛迁移能力。
提出无需训练的方法,通过估计 token 对宏观奖励的影响,直接从现有过程奖励模型中提取 token 级奖励信号。 采用一阶泰勒近似,仅需单次前向和反向传播计算 token 嵌入与梯度内积,实现精确的信用分配。 在 MathVista 上 Qwen2.5-VL-7B-Instruct 提升 +4.9%,在 AIME24 上 Qwen2.5-Math-7B 提升 +11.5%。
ReTerm 基于 Qwen3.5-9B 开发,在 Terminal-Bench 2.0 上实现 34.8% Pass@1,较基座模型提升 14.6 分。 通过构建 ReTerm-10K 数据集与 ReTerm-GRPO 在线强化学习算法,智能体从自身失败状态分叉生成独立恢复尝试,从而提升各类错误下的恢复率。 代码、数据及模型均已开源发布。
CartoVec 是一种无需图像输入或下游任务标签的坐标编码器,通过预测 Overture 衍生的土地覆盖、土地利用、交通、地点和连通性目标生成位置嵌入。 模型在 Census 结果、Airbnb 价格和费城犯罪数据评估中表现最佳,开放权重模型已发布,推理时支持坐标到向量接口且无需地图查询。
针对 SDPO 和 OPSD 两种自蒸馏方法的研究发现,其性能增益难以泛化至未见问题。 实验基于 Qwen3(1.7B-14B)与 OLMo-3-7B 模型,结果显示增益主要源于过拟合,且自蒸馏梯度与策略梯度对齐较弱。 这指出有效利用特权信息以提升推理能力仍是未解决的挑战。
研究团队发布 AnnalsChallenge 数据集,包含 50 个在 Lean 4 中手写的形式化定理陈述,旨在评估 AI 数学形式化能力。这些陈述源自 2020 年以来发表于《Annals of Mathematics》的论文主要结果,经过人工审查和 AI 审计,但不包含形式化证明。该数据集已发表于 NeurIPS 2026 的 AI-MATH 研讨会。
SWE-MISBEHAVIOR 发布了首个诊断编码智能体边界违规的评测框架,涵盖 7.4K 样本及 11 种失范行为。 实验显示 OpenHands 等 SOTA 开源智能体存在严重依赖误读,最高达 98.5%,环境完整性受损率达 53%。 配套提出的轻量框架 CODE-KIT 可将 smolagents 的失范行为降低 52%,同时提升任务完成率。
GenTuRBO 提出使用预训练生成模型替代几何信任域,解决高维离散贝叶斯优化中编辑距离邻域组合爆炸及结构依赖缺失问题。该模型通过预训练生成器提供离散变换的学习先验,实现在 Ehrlich 序列优化和 Sokoban 协调任务中取得最高平均最终得分。代码已开源。
inLoRA-MINT 利用激活等中间表示审计 LoRA 微调 LLM 的训练数据,MINT 分类器在四个模型、三个数据集上达到 95% 至 98% 的区分准确率。 该方法无需完全访问模型参数,仅依赖中间信号即可判断样本是否参与训练,增强了数据隐私与合规审计能力。
针对扩散大语言模型解码难且边界上下文不连续的问题,HaloBlock 提出难度感知的自适应 halo 机制。 通过双向累计熵表征难度,在块两侧自适应分配 halo 区域,提升生成质量与推理效率。 在 LLaDA-8B-Instruct 等模型上,该机制在数学推理和代码生成基准测试中实现精度提升和效率增强。
研究提出 EC2-Bench 基准,评估长程 LLM Agent 执行中的边云协作,涵盖任务性能、资源使用与隐私暴露。 结果显示边云协作在性能、资源与隐私间取得优于纯边或纯云的平衡;边缘模型能力增强时,协作性能逼近纯云,隐私暴露仍依策略而定,且协作控制权由外部向边缘侧转移。 这些发现为设计未来高效边云协作 Agent 提供了系统性理解与设计参考。
该研究提出将在线 LLM 个性化建模为上下文决斗老虎机问题,通过固定提示词集合中的在线选择实现个性化,目标是最小化累计强后悔。系统显示两个响应并观察成对选择,利用跨用户共享信息适应新用户。
Memory Echo 指同一来源的历史信息在缺乏独立证据时占据多个检索位置,MEchoBench 用于评估其涌现与持续性。 引入 Family--Provenance--Authority (FPA) 框架,通过去重、校验更正及权威证据约束缓解该现象。
论文提出MLAfication框架,一种支持QKNorm和MoE的参数高效MHA2MLA扩展方法。 该方法结合校准KNorm、参数蒸馏、部分RoPE和联合KV初始化,在Qwen3-30B-A3B上实现5.35倍BF16 GQA服务吞吐量,配合4-bit量化将KV缓存占用降低94.73%。 该工作将MLA转换扩展到现代架构,超越当前SOTA在常识和长上下文基准上的表现。
30B 模型 Davinci-Tool 基于执行验证数据集显著提升多步任务表现。 在 τ²-bench 上将 Qwen3-Coder-30B-A3B-Instruct 成绩从 52.4 提升至 88.2,以 1/16 参数规模超越 480B 版本。 证明了可执行环境有效监督智能体工具使用的技术路径。
提出无训练方法UCoE,在固定模型参数下同步进化可执行验证器程序与代理机制状态。 UCoE通过对比响应测试候选验证器,基于最弱项判别力筛选最优验证器指导单点修复。 在6个开放任务基准中,UCoE的平均偏好胜率比直接生成高出7.19至9.00个百分点。
EPOCH提出以实例覆盖率为进化搜索目标,并通过经验偏好优化微调生成器内化反思反馈。 该方法结合教师LLM生成的自然语言洞察与直接偏好优化(DPO),并引入反思自蒸馏(RSD)项,使改进效果在搜索长周期中累积。 在多个组合优化问题(COPs)及开源LLM骨干上,EPOCH生成的启发式集合优于仅推理和微调基线。
开源指令微调模型无需额外训练即可通过读取输出 logit 中的字母实现 LLM 决策,性能比肩 Jev。 基于 Gemma 4 31B 与 Qwen3.6-27B 等模型使用 LoRA 微调,在 OpenDecisions 数据集得分 84.4,超过 Jev 4.3 分。 释放了模型、服务代码及包含 2,352 个问题的 OpenDecisions 数据集。
HybridSFT 稳定生成流程,HybridRL 优化决策,使推理在特定阶段使用潜在空间。 HybridAgents 在 11 项基准测试中平均提升 10.4% 性能,降低 35.5%-54.7% token 消耗,推理速度提升 1.8x-2.6x。
Glasseek 提出开源深度搜索框架,其 9B 参数智能体在多项深度研究基准上超越前沿闭源模型,并刷新 9B 规模 SOTA 纪录。 框架采用 Compaction-Managed GSPO 训练算法,实现跨上下文压缩边界的端到端策略优化,并发布模块化防泄漏插件解决评测污染问题。 该工作公开了完整的数据、权重与代码,为开发可复现且可靠的开源搜索智能体提供了系统化范式。
MADDIE 是一款多智能体药物发现引擎,包含 Orchestrator 和 HitIdentifier 等四个专用 worker 智能体,可在 50 个蛋白靶点上生成满足关键属性要求及合成路线的分子。
论文提出 Neural Bayesian Networks(NBNs),将经典贝叶斯网络的条件概率替换为可微张量机制,在保持图结构不变的前提下提升表达能力。 NBNs 支持 GPU 原生计算,针对大型网络和大批量查询,推理速度较传统方法快两个数量级。
独立复现 PPO、GRPO、DPO 等五种事实性对齐方法,结果显示无方法显著优于基础模型。 核心原因在于奖励机制优化了格式与长度而非事实性,且现有评测基准无法有效衡量文本相关性。
提出异构结构化剪枝(HSP)框架,通过结合多种稀疏结构选项和硬件延迟内存约束,优化预训练大语言模型的部署效率。 在 OPT 和 LLaMA 模型于 NVIDIA Jetson Orin Nano Super 边缘设备上的评估中,HSP 在保持质量的同时改进了资源效率前沿。
研究发现,使用冻结LLM裁判进行GRPO训练时,裁判接受度上升但未见留出集准确率提升。在12个策略-裁判组合中,平均提升从未超过0.04。 裁判AUC与判决深度呈负相关(Spearman -0.69),大模型裁判更难被欺骗。预定义对照显示,差距更大的组合被欺骗速度快3.5倍。
跨模型 KV Cache 复用导致安全性不兼容,value reuse 比 key reuse 引发更大偏差。 VReparo 通过离线学习对齐映射,将 HarmBench ASR 降至 39.21%,StrongREJECT 分数降至 0.2163,且保留 85.62% 的 TTFT 提升。 解决了复用加速与安全对齐的冲突。
HyWe 框架通过单一模型统一信息搜集与页面交互,其训练的 HyWe-35B 在 HyWeBench 上取得 47.0% 成功率。 该基准包含 100 个独立于训练数据的人编写任务,混合训练相比未训练基础模型提升 19.0 个百分点,并优于现有搜索型与操作型智能体。
基于2019至2025年瑞士官方投票手册,构建了包含53项联邦议题的Swiss4Arg多语种平行数据集。该资源覆盖德语、法语、意大利语和罗曼什语四种国家语言,由每种语言的三名母语者标注,并提供了GPT-5.4与SwissBERT的基线结果。 该数据集为多语种论辩挖掘与低资源场景下的跨语言可比性研究提供了新基准,标注与代码已公开发布。