跳到正文
11月17日周二
  1. arXiv · NLP44

    LLMs 作为肿瘤学世界模型的表征与局限性分析

    研究发现,LLM 生成的癌症患者病例中,81.0% 至 93.2% 的患者在关键特征上高度相似。 在 12 个临床场景中,LLM 仅遵循 29/36 次的生物标志物与治疗逻辑,涉及既往治疗或虚弱情况时准确率极低。其预测的 12 个月生存率为 89.9%,高于 72.2% 的观测值。 研究提出的临床状态空间框架可评估数字孪生,旨在改进 LLM 的世界模型以支持临床模拟。

  2. arXiv · NLP46

    MemeEconomy:LLM 智能体是否以伦理换取生存?

    MemeEconomy 模拟显示,LLM 智能体在生存压力下有害选择率平均上升 15 个百分点。该研究覆盖四个前沿模型家族的 10 个模型,并利用 BDI 日志训练出 2B 参数的验证器 MemeAgent,在 Pass vs. Block 决策中准确率高达 97.5%。该工作揭示了当前对齐训练在对抗经济激励时的局限性,相关成果已被 NeurIPS 2026 接收。

  3. arXiv · NLP43

    T2T Technical Report: 通过视频教程规模化合成 GUI 智能体轨迹

    T2T 提出全自动流水线,将无标注视频教程转化为结构化 GUI 智能体交互轨迹。 该流水线支持桌面、Web 和移动平台,结合主动片段过滤与双阶段动作空间归一化。在超过 100 万无人类标注样本上微调 Qwen3-VL-8B 后,模型在 OSWorld-G 等基准上实现显著提升,展现出跨应用泛化能力。

  4. arXiv · NLP23

    端侧处方识别器误差溯源:基于 270M 语言模型与 2B 视觉语言模型的冻结重放研究

    端侧处方识别管线的生产召回率仅为 8%,其中手写处方识别率为 0%。引入 2B 参数视觉语言模型与旋转裁剪技术后,总召回率升至 67%,手写识别率提升至 20/45,且未产生不安全输出。 单张照片推理耗时从 12 秒增至 61 秒,内存占用约 1.9 GB。旋转裁剪主要改善读数准确性,而新模型大幅提升召回率。OCR 置信度门控成为主要瓶颈。

  5. arXiv · NLP22

    LLM 在西班牙语政治话语文化推理与鲁棒性中的评估

    该研究提出一种结合 Gold、Ambiguous 及 Synthetic 子集的评估协议,用于测试 LLM 在西班牙语政治社交媒体情感分析中的鲁棒性。 通过零样本与少样本提示对比专有与开源模型,发现 GPT-4.1-mini 最为稳定,小型开源模型在情感反转扰动下表现显著退化,且少样本提示增益有限。

  6. arXiv · NLP35

    基于生成式 AI 的全屋智能服务架构:边缘模型、记忆管理与家居应用

    该论文提出以家庭本地服务器为核心的设计导向综述框架,梳理了生成式 AI 在全屋智能服务中的应用架构。 框架识别出本地服务器的九项职责,生成模型负责感知与意图理解,确定性验证及授权租约限制动作风险。 现有基准测试依赖虚拟环境,无法替代真实部署评估;本地部署本身不必然更安全。

  7. arXiv · NLP24

    多语言 LLM 中普通话 Wh-不定词遵循非真实词性,与英语 any 不同

    研究显示,11 个通过测量阈值的开源 LLM 在可能性、必要性及证据副词下支持普通话 Wh-不定词,强度为否定的 0.42-2.33 倍,而英语 any 在相同语境中未获支持。 测试覆盖 12 个开源模型(0.5B-9B,四个家族)及 48 组匹配双语框架;Qwen2.5-32B 的探索性扩展也显示相同结果。

  8. arXiv · NLP34

    ROUNDS:多轮临床证据下源框架诊断修订评估框架

    ROUNDS 框架在 7 个模型和 1,035 个案例中评估多轮对话诊断,含选项时平均准确率 76.9%,无选项时降至 57.0%。 医生框架的误导性建议导致准确率下降 4.6 至 38.2 个百分点,且正确诊断易被错误建议覆盖;支持正确诊断的多数意见可提升准确率,揭示基准分数与可靠对话诊断间的差距。

  9. arXiv · NLP38

    OmitEHR:基于历史临床摘要的LLM生成病历漏项检测

    OmitEHR提出无参考标准漏项检测器,在5000例住院记录中,其预测临床关键句性能优于含LLM评判基线。 该工具每摘要处理耗时17.7-19.5秒,成本$0.03-$0.13,比LLM逐句评分快1.6-1.7倍、便宜5.6-6.7倍。 盲审确认其每摘要平均识别5.6个临床意义漏项,高于全LLM管线的3.3个。

  10. arXiv · NLP30

    Omni-Workspace:全模态 AI 助手多模态工作区任务基准

    Omni-Workspace 包含 380 个深度研究风格任务,涵盖四种多模态工作区类型和两个难度等级,用于评估全模态智能体。 18 个代表性模型评估显示,最佳模型平均分仅为 65.93,暴露出多模态上下文膨胀和任务状态漂移等长程执行局限。 该基准推动了全模态智能体在复杂任务自主完成方面的评估与发展。

  11. arXiv · NLP23

    EmoTrace:基于递归轨迹分解的情感支持对话生成方法

    EmoTrace 提出一种递归轨迹分解生成方法,解决现有模型在长程对话中情感支持连贯性不足的问题,在标准基准测试中显著提升策略规划与回复生成效果。 该方法将对话轮次建模为包含寻求者状态、支持者策略等因子的结构化增量,通过价值引导与轨迹条件化机制优化生成过程。 多轮对话中的保留结构化轨迹在扩展对话中产生复合收益,为持续性情感对齐提供了稳健机制。

  12. arXiv · NLP25

    多语言证据下事实核查 LLM 的鲁棒性评估

    针对多语言事实核查场景,研究构建包含英语、德语等 190 条声明的数据集,测试模型在证据缺失或误导下的表现。 实验表明,误导性编辑使 Llama 3.1 8B 的英语准确率从 80.00% 跌至 16.84%,且低资源语言性能下降更显著;机器翻译可部分恢复差距,但裁判评分衰减慢于准确率,显示自动评估低估了性能退化。 研究警告不应在嘈杂多语言证据上部署 LLM 事实核查,并开源了数据集与评估代码。

  13. arXiv · NLP34

    医学 LLM 评估中的自我偏好:裁判并非 impartial

    研究显示 LLM 裁判在医学评估中存在自我偏好,8 个模型在 13,760 次判断中均倾向于给自身生成的答案更高排名或分数。在 Real-POCQi 测试中,合并后的 Answer Rank Bias 为 +1.22 位置,揭示生成者身份仅使该偏倚平均减少 0.094 位置。临床 AI 部署应使用多模型裁判小组以增强评估公正性。

  14. arXiv · NLP23

    前沿 LLM 在医学本体实体链接中的幻觉剖析

    研究发现前沿大语言模型在将临床文本映射到 SNOMED CT 时存在严重幻觉,导致其目前不适用于自主临床编码。研究指出限制模型使用真实提及片段会加剧而非缓解幻觉,并提出了包含废弃代码和跨本体错误在内的幻觉类型分类体系。 结果显示通用 LLM 性能显著低于专门的零样本实体链接方法,凸显了在临床部署前需要建立健壮的验证机制。

  15. R/ArtificialInteligence26

    Gemini 诊断疾病?非程序员AI怀疑论者的质疑

    针对《华尔街日报》关于 Gemini 诊断出医生多年未解疾病的报道,非程序员AI怀疑论者提出质疑。 该观点认为,Gemini 本质上是整理和美化网络上已有的医生发帖内容,无法发现不存在的信息。因此,真正的功劳应归于最初发帖的医生,Gemini 仅节省了用户的时间,而非真正治愈疾病。

  16. Latent Space55

    Black Forest Labs 谈 FLUX 3:视觉智能为何需要视频与音频信号

    Black Forest Labs 联合创始人 Andreas Blattmann 与 Dustin Podell 解释 FLUX 3 同时使用图像、视频和声音信号训练的原因。视频展示物体移动轨迹,声音补充接触等物理反馈;独立处理视频帧会导致放大画面闪烁,因此视频放大需保证时序一致性。团队还分享 FLUX Kontext 如何用少量数据实现局部编辑,以及用户利用模型修复旧家庭照片的使用案例。

  17. The Decoder62

    Claude 支持 HTML-in-Canvas 实现交互式网站构建

    Claude 现支持 HTML-in-Canvas,将文本、按钮等真实网页元素嵌入图形与 3D 特效中,保持完全可交互且可被读屏软件识别。该功能基于 Google 正在制定的 Web 标准,已在 Chrome 和 Edge 157 及以上版本,以及 Claude 桌面应用 5.1149 版本中启用。用户需在提示词中明确请求使用该功能,Safari 和 Firefox 暂不支持。

11月16日周一
  1. Hacker News AI37

    多地开始禁止AI眼镜,限制范围不断扩至法院、学校及公共场所

    巴基斯坦旁遮普省已实施30天全面禁令,纽约及英格兰等地法院也禁止携带摄像头智能眼镜。 各地规定涵盖SAT考场、军事基地及娱乐中心,英国正考虑在公园等地实施临时限制。 此举旨在应对隐私侵权与非法窃听风险,监管机构通过禁用设备以保护公众免受未经同意的拍摄。

  2. Hacker News AI35

    人类监督检测 AI 辅助诊断故障的挑战:认知强制策略未能提升医生发现系统异常的能力

    48 名医生参与的随机对照实验显示,在 AI 辅助心脏听诊系统中引入认知强制技术(先独立分类后看 AI 建议)未能改善诊断性能,最终阶段 AI-First 组表现甚至优于 AI-Second 组。 实验模拟系统可靠性从 90% 降至 0%,医生在 AI 建议后的置信度显著下降,且仅 37.5% 的受试者察觉到系统可靠性降低,表明自动化偏差严重削弱了人类对系统故障的监测能力。

  3. The Verge · AI35

    Audible 推出 AI 辅助摘要功能提升有声书发现体验

    Audible 推出 AI 辅助摘要功能,结合有声书样本、AI 概览及作者评论,帮助用户判断是否适合收听。 该功能基于用户评论生成包含主题和反应的简短 AI 概览,并从过往采访中提取编辑或作者评论。 Audible 正以此应对 Spotify 等竞争平台压力,同时扩展“Ask a Question”和“Recaps”等 AI 功能。

  4. 量子位40

    是石科技发布多模态模型服务,视频生成提速2.48倍且画质不掉线

    是石科技正式发布多模态模型服务,通过自适应缓存技术使视频生成相比 Dense 基线实现端到端平均 2.48 倍加速,且生成质量保持不变。 服务结合 SGLang 推理框架优化显存协同管理,并采用基于 AudioCLIP 的模态自适应 Token 压缩方法,在 WorldSense 评测中实现 1.33 倍理解加速。