新闻、仓库与研究，按时间排列。
NarraSpace 将词语和语音时间与图片中的命名元素关联，检索预定义场景事件的语句，用冻结语言模型对比 Alzheimer's 病与健康对照样本，并结合 transcript surprisal 和覆盖度测量。在 Alzheimer's Dementia Recognition through Spontaneous Speech 基准的官方 48 人测试集上，固定支持向量分类器在五十个种子下平均准确率 80.88%±2.56%，平均概率法达 81.25% 准确率和 91.32% AUC。该框架将事件得分与源语句、语音时间及提取记录关联，使分类输入可检查，可辅助医生审阅图片描述。
一项提交至 ICASSP 2027 的研究开源了 VLM-ImFreeRisk 仓库，展示在冻结医学 VLM 回答完整的图像-问题对后，仅凭问题和答案的 BiomedCLIP 嵌入做逻辑回归即可预测答案对错，在 VQA-RAD 上达 AUROC 0.77–0.79，SLAKE 上达 0.88–0.94，测试对象包括 MedGemma-4B-IT、Gemma-3-4B-IT、Qwen2.5-VL-7B/3B 和 Qwen2-VL-2B。约四分之一的测试题被五个 VLM 共同答错，且基于一个模型的错误训练的预测器可迁移检测其他模型（AUROC 0.71–0.83）。保留风险最低的 50% 答案可将精确准确率从 59/55/60/53% 提升至 81/76/91/84%。
研究者提出 AnomalyJev，一个无需 token 生成的轻量级框架，通过从异常解释中提取可验证声明并与真值标注比对，评估多模态大语言模型异常检测解释的忠实度与完整性。团队构建了包含 640 条解释、超 1,600 条专家评分的人工标注评测集。AnomalyJev 与人类标注者的一致性超过多数开源 MLLM judge，接近旗舰 MLLM judge，且运行时和资源消耗仅为其一小部分。
研究者提出 ScratchProbe，一种通过学习新的 readout token 而非使用已有词表 token 来训练置信度探针的方法，在多个数据集和 LLM 上优于现有 token 探针，多 token 扩展带来进一步提升。该方法只改变探针读取位置，可被任意现有探针采用，应用于 SOTA 探针后在所有 backbone 上的域内和域外 AUROC 均获提升。
研究者提出 AudiPsy，一个基于证据的 omni-LLM，用于从口语心理咨询对话中评估抑郁。其采用 OAS（观察-评估-总结）范式，整合对话转录、文本与声学情绪及其不一致性进行结构化推理，并构建了合成语料 AudiPsy-Counsel 和三阶段课程训练。在 DAIC-WOZ 上表现优于专业抑郁检测方法与通用语音/omni-LLM，EATD-Corpus 上的补充评测验证了其对自然对话的适用性。
一项 arXiv 研究提出行为计算框架，量化用户对操纵性 AI 回应的行为易感性。研究基于 DarkPatterns-LLM 基准，用 Manipulation Gradient Descent（MGD）生成针对权威、紧迫性与社会证明偏见的刺激，并通过 MSIAN 和 THPM 模型分析跨用户影响与时间持续性。在 120 名参与者的实验中，操纵性框架显著改变了信任校准与顺从度（p < 0.01），且效应会在社交情境中传播。
arXiv 论文提出扩散语言模型（DLM）中的事实访问状态概念，发现其与自回归模型不同，事实查找在第一层注意力与早期前馈层就完成。基于该状态，论文的 Multi-View Edit 知识编辑方法在改写和反向问答上显著优于 AR 编辑器，且各实体位置的状态可免训练地作为关系特定检索向量，在双实体查询中能同时返回两条证据。论文链接 https://arxiv.org/abs/2610.27580v1。
推荐理由：论文指出扩散语言模型的事实访问状态在首层注意力就组装完成，并据此给出知识编辑与免训练检索两种用法，可作理解 DLM 与 AR 机制差异的对照。
arXiv 论文 2610.27583 提出 TeCoP，一种无需训练的解码器，通过错开的块级流水线与 draft-and-verify，将稳定但未提交的预测作为临时跨块上下文，解决扩散大语言模型分块解码重复计算的问题。在四个 LLaDA 和 Dream 模型上测试 GSM8K、Minerva MATH 和 MBPP，TeCoP 将前向评估次数最多减少 87%，无 KV cache 时吞吐最高提升 7.50 倍、有 cache 时提升 11.77 倍，在全部 12 个模型基准设置中吞吐均超过 Fast-dLLM 和 DSB，同时有 cache 的平均精度与原解码器差距在一个百分点以内。
推荐理由：论文提出训练-free 的扩散语言模型解码方案，给了跨 12 个模型基准设置的吞吐与精度对比数据，方法可复现。
一项 arXiv 研究考察了 LLaDA、LLaDA-1.5 和 Dream 三种扩散语言模型（DLM）在 Open-BBQ 上的社会偏见表现，发现三者均存在偏见，且测得的偏见大小和模型排序高度依赖 block length、remasking strategy 等采样配置。针对自回归模型的去偏策略可有效迁移到 DLM 并在不损害下游性能的情况下降低偏见，但采样依赖性在去偏后依然存在。结果表明 DLM 的公平性无法脱离采样配置独立评估。
一项 arXiv 研究提出将验证损失分解为近似、估计与记忆三项的方法，分析随机 token 替换这一输入破坏式增强的收益与代价。在熵率已知的受控数据源上，替换将预测向语料均值收缩；在其有效的场景中可减少最小验证损失后损失上升约 60%。在十个真实语料实验中，替换降低了九个语料的最终损失，仅对最冗余的普查类程序生成 JSON 语料有害。
WORTH Benchmark 让模型阅读无线索标注的原版推理小说，自主筛选关键线索句、识别案件参与者并解释推理过程，故事由专业作者设计，使有助于推理的证据与延迟真相揭示的叙事并存。试点实验对模型进行两集共 70 次正式运行，其中 67 次可评分；Episode 02 的 37 次可评分运行中有 31 次选择了同一组错误参与者，怀疑导向与开脱导向句分别被选中 25 次和 0 次。该研究仅覆盖两集的全文条件，不建立稳定模型排名，也未报告人机对比。
SDDC（Self-Decomposing Diffusion for Code）提出先由扩散语言模型生成程序分解契约、再据此并行实现各单元的代码生成框架。在五个 benchmark 和两个 7B 扩散骨干上，SDDC 的 pass@1 最高提升 31.1 个百分点，解码比基座模型快 7.5–13.7 倍，并比微调基线最高高出 23.5 分且延迟更低。
Zihan Chen发布arXiv论文（arXiv:2610.27610），对2026年10月冻结的114项递归自我改进（RSI）研究全文编码，其中90项自称RSI。结果显示90%报告了产品评估，但仅60%在选择未用任务上评估，仅22%审计两次以上完整循环；26项声称改进流程的研究中只有4项在同一起点和匹配预算下比较前后流程，作者据此提出将每项声明与对应评估设计绑定的报告标准。
推荐理由：论文用统一编码框架量化了RSI研究的证据缺口，指出可重复性和改进流程验证远弱于产品评估。
论文提出 Progress-Aligned Recurrence（PAR），通过让第 k 次迭代的预测对齐前 k 步操作后的状态、并将循环状态重缩放至首轮范数，提升循环语言模型的长度泛化能力。基于 Qwen2.5-0.5B、仅在最多 32 步上训练的模型，在 swap-S₅ 任务外推到 512 步时达到 95.5% 平均全状态准确率，为训练长度的 16 倍，显著高于 RLT 的 55.7% 和显式思维链的 0.8%。消融实验显示去掉范数锚定会使外推倍数降至 2.2 倍以下，无中间标签时可借助前缀自蒸馏从最终答案学习对应关系。
arXiv 论文首次系统综述码混合（CM）文本与语音和母语之间的双向迁移研究，按迁移方向、路径和模态建立分类体系。综述发现迁移大多是母语流向 CM 设定，反向迁移较新且主要通过对齐助力；文本与语音研究方法相通但很少互相引用。在共享语音基准上，母语数据的帮助大于新架构。
论文提出 Bayes-Consistent Tempering（BCT），解决后验诱导流语言模型中温度缩放作为事后处理导致的两处不匹配：中间含噪状态分布改变而去噪器未相应训练，以及温度调节后的后验权重与未调节动力学的组合。BCT 将温度显式纳入生成流的分布与动力学，并提供无需训练的变体。在超球面流 LM、von Mises–Fisher 流 LM 及 Sudoku 任务上，BCT 在宽温度范围内提升 GSM8K 生成表现，极低温度下学习版比免训练变体更稳健，代码与模型权重已公开。
研究者提出 CUA-Recovery 基准，用 ReRail 框架在持久桌面环境中合成多应用长时程任务，评估计算机使用智能体（CUA）的错误检测与恢复能力。测试集含 2,250 个经人工验证的错误状态（100 个任务），训练集含 8.6K 轨迹（377 个任务）；六款智能体错误感知率（EAR）最高仅 44.0%，Pass@3 最高 25.5%。用训练集微调 Qwen3.5-35B-A3B 后，其平均 EAR 从 19.9% 升至 35.2%，Rubric Score 从 5.0% 升至 16.1%，并在 MyPCBench 和 Odysseys 上分别提升 15.3 和 10.8 分。
一项 arXiv cs.CL 研究发现，LLM 输出文本所表达的观点分布（知识分布）与其 log-probability 分布（行为分布）并不一致：在 World Values Survey 问题上，三个 LLM 平均有 37% 的最可能答案在两种分布下不同。作者提出一种可学习的组合分布方法，在六个模型、三个调查数据集上，将行为一致性从 71.6% 提升至 95.6%，而与人类观点分布的总变差距离仅从 28.8% 升至 33.8%。
一项消融研究将会议语音转为问答对的流水线中预处理（转写改写）与精炼（过滤）阶段分别开关，得到四个来自 40 场韩语医疗与金融 session 的语料。4 个 LLM 评审与 6 位人类专家一致认为完全精炼语料质量最高（1-5 分制领先 +0.18/+0.22），但下游检索准确率排序不成立：开启转写改写使检索准确率下降 0.061，且几乎使单 session 成本翻倍。该语料本身仍很有价值，将各模型检索准确率从 0.231 提升至 0.748，超过三分之一的问答对包含两个前沿模型各自无法独立生成的知识。
CovNav 是一个 training-free 框架，用 Conformal Prediction（CP）判断物体目标导航中何时启用慢思考：本地 LLM 快速模式判断目标是否可能在附近，仅模糊查询升级到慢速 chain-of-thought 推理。在 Gibson 和 HM3D 上，CovNav 在 HM3D v1 和 v2 的成功率分别超过最强 zero-shot 基线 0.8 和 1.7 个百分点，且只对 12.4% 的查询调用慢推理；TurtleBot 4 实机实验进一步验证了该方法。
PhonoBridge 提出两阶段框架，将 EMG 信号经通道感知前端转为音素，再用 LLM 重建文本，并通过 EPGA 数据增强适配前端噪声。利用 LibriSpeech 转录生成音素-文本对扩充训练数据，无需额外 EMG 录制。在 Open Vocabulary 无声语音数据集上，PhonoBridge 达到 24.77% WER，优于此前同测试集最佳的 28.27%。
研究者提出 Memory as Code（MaC）框架，通过统一的代码抽象联合设计 LLM 智能体的记忆构建与检索。MaC 采用原子函数层、关系层到模块组合层的三层可执行记忆结构，并将检索改为对记忆的声明式查询处理。在 LoCoMo 和 LongMemEval 上，相对各设置下最强基线，LLM-judge 整体准确率最高提升 15.91%，同时大幅降低 token 消耗。
研究者提出一个下钻式评测框架，将 Text-to-SQL 查询分解为逐步更复杂的可执行子查询，沿生成路径考察基于规则的幻觉类别，区分“复现性幻觉”与“涌现性幻觉”。在 BIRD-mini 扩展基准上对五个 LLM 的评测显示，多个类别有可观的复现概率，clause abuse 的条件涌现相对更高；加入对话历史后复现概率普遍升高、涌现概率普遍降低。代码与评测工件已在项目仓库开源。
一项机制可解释性研究利用电路发现方法，在五个 LLM 中比较语言任务与算术任务的神经回路重叠及因果效应。结果显示回路相似性主要由任务领域（语言 vs. 算术）解释，而非输入输出词表或句法相似性，表明 LLM 可能以 largely separate 的回路分别处理语言与算术信息，呈现按能力划分的模块化组织。该论文已被 AACL-IJCNLP 2026 主会接收。
arXiv 论文提出 ProVe（Proposer-Verifier decoding），将投机解码的角色反转：把 32B 大模型微调为一次前向传播预测一个 token 块的 proposer，再用额外一次前向传播验证。块大小为 16 时，GSM8K 上平均有 6.6 个 token 的前缀与 AR 一致；ProVe-lossless 在六个基准上平均达到 2.5x AR 吞吐，无需训练单独的 draft head。使用 3B 小模型验证时吞吐达 2.7x，准确率较 AR 低 2.6 个百分点，提供速度与精度的可控权衡。
研究者推出 SciDiagBench，将科学图表系统分为 11 种类型，覆盖 10 个大领域的 165 张图表，类型包括图形摘要、技术路线图和示意案例等。该基准通过偏好引导的校准过程，把人类评估偏好融入按类型定制的评估标准，弥补现有 VLM 评估基准缺乏图表分类和未对齐人类偏好的不足，实现更贴近人类评审的自动化评估。
阿姆斯特丹大学 UvA-MT 团队提交 WMT26 通用机器翻译共享任务无约束赛道，覆盖全部 23 个翻译方向。方案采用带精炼提示词的顺序采样生成候选译文，并让 LLM 以循环投票的成对评审方式选出最佳候选，WMT25 基准离线评测显示其明显优于 point-wise best-of-N 选择。
一项 arXiv 研究提出在 token 级别建模 AI 代码署名、并同时在行、块、文件三个粒度预测的检测框架：冻结的代码语言模型配两个低秩适配器，用逐 token 对数似然比提供局部证据。该方法在含 11,773 个 AI 参与文件的内部测试集上达到 72.4 macro F1（1% FPR），在未适配的 HybridCodeAuthorship 外部基准上行级 F1 达 62.5，高于原文报告的 56。在 19,445 个 2022 年前仓库的人工代码文件上，假阳性率保持在 0.55% 至 0.81%。
一项研究通过 SilCC 与 PixCC 两个数据集，从原创性和有效性两个维度对比人类与多模态大语言模型（MLLM）对抽象视觉刺激的联想创造力。结果显示，人类的联想描述在语义距离、熵值和相对参考词库的新颖性上均高于 MLLM。随着难度提升，SilCC 中有效性下降，PixCC 中人类逐渐从整体联想转向描述低层视觉特征。
一项 arXiv cs.CL 研究在 12 个模型上检验心理语言学因素如何影响大语言模型对泛型陈述的判断。结果显示模型像人一样权衡属性的常见性与区分度、偏好典型属性，但忽略显著性高的属性；对模型影响最大的是陈述是否事实为真，人类因素的影响大多经由该判断传导。在 6 个 7-9B 模型中，沿各因素方向移动隐藏状态可按预测改变判断。
研究者提出一套基于 LLM 的编码本自动生成与评估协议 C-DQI，从话语质量指数（DQI）出发，比较自上而下（理论驱动）、自下而上（数据驱动）和混合三种生成方式。他们设计了经人工标注验证的外部代理指标和利用模型间偏差的模型间一致性（IMA）指标。在 100 份以色列议会 transcripts 上的实验显示，数据驱动的归纳式编码本 IMA 更高且保持有效性，可用于大规模政治话语分析。
GitHub 仓库 awesome-vla-for-ad 汇总了自动驾驶视觉-动作（VA）与视觉-语言-动作（VLA）模型研究，配套论文《Vision-Language-Action Models for Autonomous Driving: Past, Present, and Future》（arXiv:2512.16760）。内容将现有方法分为 End-to-End VLA 与 Dual-System VLA 两大范式，按时间线整理 Action-Only、Perception-Action 等分类下的模型、数据集与 benchmark，并提供 HuggingFace Leaderboard。
研究者对比 LLM 解题前（FOK）与解题后（JOL）置信度信号的可靠性，涵盖两个前沿模型、多个推理领域及英语与马拉地语基准。解题前的低成本信号校准较弱，解题后置信度认知对齐更强但推理成本更高；英语与马拉地语间校准趋势可经翻译迁移，但在本地化马拉地语知识上明显退化，幻觉回答在生成后仍保持高置信度。
arXiv 论文 arXiv:2610.27711 发现，在匹配条件下分类头微调在二分类幻觉检测上持续优于 LLM-as-Judge 序列到序列范式，原因在于 cls 学到任务专属的判别方向、隐状态呈清晰双簇几何，而 s2s 依赖预训练语言建模头、表征更接近原骨架。分析发现任务信息集中在上中部 InfoWindow，其上各层高度冗余，截断 InfoWindow 之上的 31% 层在 Qwen3-4B 和 8B 上准确率不变且延迟降低 1.4 倍，同样的深度比例在预先固定的条件下迁移到 Llama-3.2-3B 和 Mistral-7B-v0.3，并在 QNLI 和 SST-2 上重现相同层级结构。
RLSplat 是一个资源线性预算可控的前馈 3D Gaussian Splatting（FF3DGS）框架，通过学习 Gaussian 分配策略直接生成指定数量的 Gaussian，使表示大小、推理延迟和峰值显存随预算减少而线性下降。在 zero-shot 评测中，RLSplat 在各预算下均超过已有方法，用少 4× 的 Gaussian 即超越最强基线，低预算下最高快 4.1×、峰值显存少 9.6×。代码已开源。
一项基于 HighwayEnv 测试床、以 gpt-4o-mini 运行的受控评估研究了经验记忆何时能帮助闭环 LLM 驾驶智能体。结果显示：10 个重采样热身池中，检索式记忆仅在 1 个池优于 No-Memory（sign test p=0.011），且任何被测检索设计都未超过 token 匹配的无关填充对照，仅一条 15-token 谨慎指令即达碰撞合并上限。研究表明单池比较会得出被对照反转的记忆增益结论，作者已开源测试床、审计端口、种子与缓存。
一项 arXiv 研究提出用读出稀疏度 k* 衡量语言模型表示中完成任务所需的最少特征数，并以恢复 95% dense-probe AUROC 为标准。研究评估了来自五个实验室的 19 个 LLM 在 14 个核心任务上的表现，发现 10 个 base 模型的九个可读任务特征数相近；指令微调会选择性降低 k*。此外，剪枝会降低线性可读性，且 N*∝(k*)^0.65 的经验关系可用于预测学习所需标签量。
World2HOSI 是一个多专家编排框架，可从 3D Gaussian Splatting（3DGS）场景和自然语言指令生成长时程人-物-场景交互（HOSI）数据。它围绕持久化场景状态构建闭环，通过各专家的原生条件接口调用模型并回写动作效果，再用有界残差优化和接触驱动物理仿真保证人体运动与物体操作的物理合理性。实验和感知用户研究显示，其在评测的 HOSI 任务上取得最佳的任务完成度与交互质量，并生成更多样化的数据。
研究者提出一种 anytime-valid 运行时监控器，用观测到的闭环轨迹审计学习型屏障证书（barrier certificate），检测其在部署中因动力学偏移而失去统计支持的情况。该方法将条件屏障漂移构造成逐回合序贯假设检验，把观测的屏障增量转化为非负检验上鞅，在任意停止时间下实现有限样本误报控制，并引入确定性时间整形使监控边界在部署初期更保守。该监控器不保证在不安全进入前检测或后续干预安全，代码与数据已开源。
一项基于 δ-SNLI 数据集的研究测试了 LLM 收到单条新信息时概率估计的移动幅度，涵盖 Qwen3-8B、OLMo-2-7B 两种本地模型及五种 agent 命令行配置。在直接陈述引导下，全部七种配置均朝标注方向移动 18-28 个百分点；改用“有人说”转述则降低移动幅度 2-5 个百分点。研究还发现，五次加权估计虽减少极端值，但在两个本地模型中使敏感度分别下降 43% 和 68%。