Hearsay or Fact？框架设计与引导方式如何影响 LLM 概率更新
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%。
全部 AI 动态
新闻、仓库与研究，按时间排列。
arXiv · cs.AIAI 评分2727 arXiv · cs.AIAI 评分3131 S$^2$-MAS：可模拟 5 亿家庭 Persona 智能体的社会规模多智能体仿真框架
研究团队推出社会规模多智能体仿真框架 S$^2$-MAS，基于真实调查数据构建 5 亿合成家庭 persona。其 FinL-mlx 决策模型经 SFT + RLCD 在 293 万样本上训练，在消费金融决策场景中达到 74.55% 准确率和 38.37% question-macro F1，超过 Jev 1.13 和 GLM-5.3-Flash。框架评估了 8 类金融任务族、模拟 1200 万家庭智能体，揭示提高购买目标与授信额度会提升消费且不同年龄与收入群体反应各异。
arXiv · cs.AIAI 评分4444 给模型一根手指：视觉语言模型计数能力的发展对齐评估
一项 arXiv 研究借鉴儿童点数时的认知动作（逐项指点、移动物品），以无训练的 Agent 循环让 9 个视觉语言模型在 682 张图片、7 种测试条件下执行计数并留下可审计的标记轨迹。结果显示各模型精确计数范围差异巨大（R80 从 3 到 150 个点），指标记数大多不能提升准确率，但可作为串行视觉推理的审计手段：标签扰动探测表明精确指点的模型是照标签读出答案，且模型很少在看自己的标记后修正答案。
arXiv · cs.AIAI 评分2222 CrystalAR：面向对称晶体生成的自回归建模框架
研究者提出 CrystalAR，一个统一的自回归框架，在单一生成序列中同时建模 Wyckoff 对称性模板与完整晶体结构，把连续坐标生成重构为对称性条件下离散空间定位决策的层级化过程。该方法支持对晶体模板和几何实现的约束感知搜索，在保持对称模板生成能力的同时，取得了有竞争力的 de novo 生成性能与无模板晶体结构预测（CSP）精度。
arXiv · cs.AIAI 评分1313 I2R-Pose：基于毫米波雷达的 3D 人体姿态估计框架
研究者提出毫米波雷达 3D 人体姿态估计框架 I2R-Pose，包含运动感知姿态初始化和观测引导精修两阶段，支持 TD/TR 图与雷达点云的单独或融合输入。作者还构建了含同步 TD/TR 图、点云与 3D 关节真值的 RaMoS-Pose 数据集。在 MVDoppler-Pose 和 RaMoS-Pose 上，融合输入使 MPJPE 分别较现有最优方法降低 39.50% 和 15.13%。
arXiv · cs.AI精选AI 评分5656 RITE 基准评测电商智能体对静默工具错误的端到端韧性
Wenshuo Zhang 等发布 RITE 基准，评估工具调用型 LLM 智能体在静默工具错误下的端到端韧性，基准基于人工编写的工业工作流与生产日志输入构建。包含 9 个电商工作流、167 个匹配单元，共 501 条静默错误、正确值与显式失败实例。实测 10 个近期 LLM 后发现，静默错误大致使任务成功率减半，且比显式失败更难应对；错误识别、使用验证路径、整合证据构成连续瓶颈。作者还提出轻量 State Checker 干预来测试能否提升韧性。
推荐理由：论文用真实工业工作流构建静默工具错误的端到端评测，给出了 10 个模型的量化对比和可复用的干预思路。
arXiv · cs.AIAI 评分4949 Gradus：从环境潜在课程中发现并恢复 Agent 训练经验
Gradus 是一个无需种子任务的训练课程生成方法，把固定环境视为潜在课程，提取受保护的行为算子并组合成难度递增的任务，且通过执行反馈联合校准任务与解法，使验证成为恢复信号而非末端过滤。使用 Opus 4.5 提案者，该方法将 30B 模型在 τ²-Bench 上从 59% 提升至 89%、CAR-Bench 上从 47% 提升至 83%；换用开源 Qwen3-235B 提案者则分别达到 76% 和 62%。
arXiv · cs.AIAI 评分2121 RELAY：通过规则复用与智能体修复扩展历史构建复原
一项研究针对 14,159 个 OSS-Fuzz 案例分析了历史软件构建的环境退化问题，发现 69.7% 的案例无法完成重建与验证，且多数失败呈现少量重复出现的症状。研究提出 RELAY 框架，用 LLM 从代表性失败中推导并验证确定性修复规则，规则可无需模型调用直接复用，未解决案例再交由逐案智能体处理。评估显示混合方法比单独使用规则或智能体都能恢复更多构建，且成本低于纯智能体方案。
arXiv · cs.AIAI 评分3333 SLM-SS：基于 token 与语音语言模型的语音分离方法
研究者提出 SLM-SS，一种基于 token 的生成式语音分离框架，用语音语言模型建模多说话人混合语音。在 Libri2Mix 上，采用 per-talker NAR 的 SLM-SS 达到 6.92% WER，接近纯 codec 重建水平；WavTokenizer 变体去掉 NAR 精修，在评测的分离系统中获得最高主观质量均分，且在未见过的噪声与中文混合语音上 UTMOS 和 DNSMOS 仍优于判别式基线，无需微调。
arXiv · cs.AIAI 评分4343 迈向面向 6G 物理层的 Agentic AI：从算法发现到已验证的基带芯片
研究者提出一种 agentic 工作流，让 LLM coding agent 在商用基带 SoC 上实现算法、优化到 agent 自己编写的向量汇编，并在芯片上验证。该流程在 6G4All 平台上的 AI 发现的 OTFS 检测器组合上展示，产出 12 个可在硅片上周期精确运行的内核，优化版本每帧 18k-405k cycles（30-660 μs）；其中依据芯片实测成本生成的新检测器比移植版少 13.9% cycles 且误码率相当。
arXiv · cs.AIAI 评分4040 LatBridge：潜在通信多智能体系统中高效稳定的模型替换方法
arXiv 论文提出 LatBridge，通过共享 Bridge 与共享潜在通信协议下的独立接口，让多智能体系统在替换 agent 模型后复用未变接口、选择匹配的低秩接口并仅训练缺失部分，所有模型保持冻结。在八个小型模型配置上，basic 模式平均准确率达 MATH 14.8%、ALFWorld 下一步动作预测 27.3%。accelerated 模式无需自回归生成即可构建目标输入。
arXiv · cs.AIAI 评分3838 RAG-NIMBF：用于自动化 RAG 配置分析的非侵入式模块化基准测试框架
RAG-NIMBF 是一个模块化基准测试框架，以非侵入方式附加到现有 RAG 管道上，通过受控消融和端到端实验追踪评估 chunking、embedding、检索、reranking、提示词与生成模型的配置空间。在 SQuAD 数据集上的验证显示，MMR 使 nDCG@5 提升 +4 至 +11 个百分点；更详细的提示词指令在 Qwen3.6-27B、GPT-4o-mini 和 Qwen3.5-think 上使答案忠实度提升 +10 至 +13pp，但在 20B 生成模型上效果可忽略。
arXiv · cs.AIAI 评分4444 在托管模型上实现隐私保护推理：针对冻结 Qwen3.8-27B 的学习型输入嵌入变换
该 arXiv 论文提出在客户端本地将文本转为向量，并经 55.6M 参数的训练网络变换后，再交给托管方运行冻结的 Qwen3.8-27B 模型，托管方始终收不到文本或 token id。在 1,490 道训练外的 MMLU 问题上，该变换仅损失 1.5 个百分点准确率（80.7% vs. 82.3%），同时 30.1% 的内容 token 经最近邻查找已无法还原为原始 token。
arXiv · cs.AIAI 评分3030 SMART：基于上下文评分标准的 ASR 语义分段映射与评估框架
arXiv 论文提出 SMART 框架，将 ASR 语义评估转化为上下文感知的分段级后果评估，通过结构化评分标准给出后果标签并量化 Semantic Impact Error Rate（SIER）。在多数投票人工标注上 SMART 达到 0.843 F1，高于直接 LLM 判断的 0.745，且对评估模型的选择相对不敏感。配套的无参考评分标准修正方法在两个数据集上相比 w/o Rubric 基线再降低 MER 0.85-0.98 个百分点、SIER_lex 1.18-1.65 个百分点。
arXiv · cs.AIAI 评分3737 COMPASS：基于能力画像与自适应搜索、选择及工具使用的 LLM 智能体路由
arXiv 论文提出 COMPASS，一种智能体式 LLM 路由方法，由 LLM 依据路由配方通过工具收集性能与成本证据，无需路由专用训练即可选择模型。在 LLMRouterBench 上以 $139.57 达到 69.85% 准确率（对比 RLCascadeRouter 的 69.14%、$180.22）；在 DeepSWE 五折交叉验证下以 $215 达到 78.1%，优于最佳单模型的 74.1%、$500。该方法可通过读取新评测记录适配扩展的模型池，无需更改路由器权重或提示词。
arXiv · cs.AIAI 评分4949 SAPD：无需环境交互即可从 Agent 经验中学习
SAPD（Step-Advantage Policy Distillation）是一种从离线轨迹学习训练 LLM 智能体的方法，它将多轮轨迹拆解为单个决策上下文做 on-policy 蒸馏，并引入相对步骤优势信号稳定训练，全程无需新的环境观测或多轮交互。在 ALFWorld、WebShop 和 Search-based QA 上的实验显示，SAPD 在不同教师配置下均提升性能，比 SFT 缓解灾难性遗忘，每个训练步速度比在线 OPD 快至少 4.7×。代码即将开源。
arXiv · cs.AIAI 评分2020 POC-VLM：物理工况引导的视觉-语言匹配方法用于工业管道系统空化诊断
研究者提出物理工况引导的视觉-语言匹配方法 POC-VLM，用于工业管道系统的空化诊断。该方法将样本具体运行变量融入候选空化文本构建物理语义描述，通过时频条件文本自适应模块与声学响应对齐，并在决策层融合基于 K 近邻的物理工况先验。在三个真实空化数据集上，POC-VLM 持续优于代表性数据驱动、多模态及领域专用诊断方法，并在不同采样率、噪声水平和观测时长下保持稳健表现。
arXiv · cs.AIAI 评分1717 VISH-ASR：面向 Speech-LLM 上下文 ASR 的 Viterbi 引导热词选择
研究提出 VISH，一个免训练、即插即用的热词预选框架，通过在帧级 CTC 后验上直接验证候选词的声学证据来支持 Speech-LLM 上下文 ASR。在五个 benchmark 上，M-VISH 的 Best-F1 较强学习式检索基线最高提升 11.7% 绝对值，并在 2,000 候选时将候选搜索延迟降低 75.2%。Bi-MVISH 则利用反向证据增强验证鲁棒性。
arXiv · cs.AIAI 评分3232 LLM 跨语言代码翻译中的幻觉：现象与缓解研究
一项系统性实证研究分析了 LLM 在跨语言代码翻译中的幻觉现象。研究覆盖 3 个 benchmark 数据集、6 组语言对、7 个 LLM，人工标注了 13,919 个幻觉案例，并归纳出语义一致性冲突、事实知识冲突和项目上下文偏差三类分类体系。基于该分类，研究者提出 HaluCodeTran 缓解框架，结合基于 BM25 的相关翻译示例检索与分类感知的反思式精炼，为构建更可靠的 LLM 代码迁移工具提供实用基线。
arXiv · cs.AIAI 评分1919 面向正演与反演问题的带约束自动微分：可微图基隐式求解器
研究者提出一个完全可微的、基于图的隐式求解器，将 PDE 数值优化中的大型方程组作为约束处理。该求解器在四类任务上完成评估：演化和静态问题的线性与非线性正演建模、估计方程系数与右端项的反问题求解，以及可学习的图粗化加速正演建模。其稳定性和可微性显著降低正演建模复杂度，尤其适用于地球物理等需要反问题求解的领域。
arXiv · cs.AIAI 评分1010 物理变量信息深度学习框架 PhyNet 用于工业流体输送系统的鲁棒故障诊断
研究者提出物理变量信息深度学习框架 PhyNet，用于应对工业流体输送系统中异构采样条件下的鲁棒故障诊断。PhyNet 将物理变量作为全局运行约束、响应信号作为局部诊断证据，通过物理-响应交叉注意力机制实现无需严格时间对齐的交互。在包括三个真实空化数据集和一个公开两相流数据集的四项基准上，PhyNet 在所有评估指标中均取得最佳表现。
arXiv · cs.AIAI 评分4545 DPO 超参数景观的形态：测什么、如何随规模变化、以及何时不能迁移
一项 arXiv 研究通过在同一模型族不同规模上进行密集网格实验，系统分析了 DPO 的学习率与正则化参数 β 等超参数随模型规模和更新步数的演化。研究发现最优学习率随模型大小变化、超参数不可跨数据集迁移，且验证损失与下游 benchmark 最优超参数仅弱相关。作者还指出短程候选训练可大幅降低调参成本，并公开了全部训练配置与评测结果。
arXiv · cs.AIAI 评分3737 CollabSciReM：通过科学感知奖励分解对齐大语言模型以进行科研对话
论文提出 CollabSciReM，一个将会话级奖励分解为对话质量、科学严谨性和结构效率的目标条件奖励框架，用于对齐科研协作场景中的 LLM。配套的 SciQuality 基于约 300 篇留出论文、从六个维度评估多轮科研对话。在 8.62K 条合成科研对话上微调后，CollabSciReM 在四个 Llama 和 Qwen 模型上均优于通用奖励基线，等长下胜率 65.3%；专家盲评显示其幻觉回复更少、新颖性评分更高。
arXiv · cs.AIAI 评分3434 多模态基础模型在日文金融文档上的分阶段持续适配研究
一项 arXiv 研究跟踪一个 8.4B 参数模型在日文金融文档上历经三个训练阶段的表现，在五个文本输入基准上评估后发现各阶段相互影响呈非加性：纯数学蒸馏会覆盖先前获得的金融知识，领域阶段修复多于新增内容。跳过阶段的消融虽最利于领域知识，却损失数值推理增益，因此最佳 checkpoint 取决于任务本身。
arXiv · cs.AIAI 评分3131 MMEnterprise-Bench：面向演化多模态记录的企业智能体评测基准
研究者推出 MMEnterprise-Bench，包含 1,613 道基于模拟协作项目中演化多模态记录的问题，覆盖证据推理、冲突消解和不可回答三类任务。对 10 个闭源与开源多模态 LLM 的评测显示，最强模型在证据存在跨来源或时间冲突、或跨越多张图像时仍表现吃力。增大检索预算或换用更大检索器能提升证据召回，但不一定转化为更高的回答准确率。
arXiv · cs.AIAI 评分4646 ACE-Compression：以能力为中心评估压缩后的大语言模型
ACE-Compression 是一个以能力为中心的大语言模型压缩评估框架，从程序推理与约束执行、知识基础与真实性、社会认知与情感理解、人格一致性与风格稳定性四个维度考察压缩后模型的能力存续。对来自六个开源权重 LLM 的 35 个以上压缩 checkpoint（涵盖量化和剪枝）的分析显示，压缩会重新分布能力：粗粒度、局部、表层信号往往保留，而细粒度、长尾、依赖上下文的能力变得脆弱；量化在能力保留上始终优于剪枝。部署者可据此按应用所需能力画像选择压缩方法。
arXiv · cs.AIAI 评分3030 Quantum-JEPA：用量子 Born 先验构建潜在动作 JEPA 世界模型
研究者提出 Quantum-JEPA，一个使用条件量子 Born 先验学习未来表征分布的潜在动作 JEPA 框架。在 D3IL 基准上，模型能从同一起点生成多条越障路线，其经典与量子先验实现相比变分基线提升了预测有效性与分布保真度，且无需指数级规模的 categorical 输出层。团队还在真实 QPU 上验证了训练后先验的推理可行性，并测试了含读出噪声的有限采样 parameter-shift 训练。
arXiv · cs.AIAI 评分2121 强化学习训练的 Pointer Networks 如何在无人机配送路由中增强跨规模泛化
一项以带容量约束的 CVRP 为代理的研究，分析了基于注意力的 Pointer Networks 在问题规模变化时解质量退化的三个因素：节点密度变化、注意力分散和均值池化图上下文稀释。熵基注意力缩放将 CVRP20-to-CVRP100 的性能差距缩小 1.41 个百分点，新提出的置换不变图上下文聚合方法在 CVRP100-to-CVRP20 上提升约 0.9 个百分点。结合两者的方法选择器在全部 9 个已见训练-测试对和 9 对中 8 个未见规模对上降低成本，最高提升 3.2%。
arXiv · cs.AIAI 评分1919 HypTI：基于双曲几何感知的表格-MRI 多模态特征融合痴呆检测框架
研究者提出 HypTI，一个在双曲空间中融合临床表格评估与 MRI 扫描的多模态痴呆检测框架。该方法用可学习 Lorentz 原型建模表格数据的层级关系，并用 ROI 引导的多尺度表征学习捕捉脑区解剖模式，再通过自适应融合模块动态整合多模态嵌入。在 OASIS-3 数据集上的实验显示，该框架相较代表性方法取得较强性能。
arXiv · cs.AIAI 评分77 APRIL：面向呼吸音领域增量学习的歧义感知专家路由
APRIL 是一个无需样本回放的呼吸音分类领域增量学习框架，基于冻结的 BEATs 主干，通过继承并隔离低秩专家与多级原型路由器实现新领域适配。在 ICBHI 与 SPRSound 基准上，APRIL 正、反领域序列分别达到 64.4%、65.4% 和 83.1%、82.2%，为对比持续学习方法中最高，平均遗忘率在所有协议下低于 1.0%。
GitHub · 3D 生成新仓库AI 评分3434 VeriContest：面向 Rust + Verus 可验证代码生成的竞赛编程 Benchmark 开源
HIPREL-Group 开源可验证代码生成 benchmark VeriContest，基于 Rust 与 Verus，当前包含 1,006 道题目（722 道 LeetCode、284 道 Codeforces），每题配有形式化规范、judge 通过的 Rust 代码及 Verus 验证过的证明。数据集完整发布在 Hugging Face（Gax-c/VeriContest），另有固定 300 题的 VeriContest Lite 子集；仓库现已开放 Model 与 Agent 两个赛道的提交，以 pull request 形式进行，支持 SpecGen、CodeGen、ProofGen 和 End2End 四种评测。论文配套版本（arXiv:2605.08553）的主要评测使用 946 题范围。
GitHub · 3D 生成新仓库AI 评分1313 
DOA-CGAN：基于条件生成对抗网络的抗干扰 DOA 估计方法（附代码）
研究者提出 DOA-CGAN，一种通过条件生成对抗网络提升 DOA 估计抗干扰能力的方法。模型采用无监督生成器学习滤波，从输入信号协方差矩阵中剔除干扰分量，训练后将生成器作为滤波器接入经典 DOA 估计算法。数值仿真显示该方法可有效缓解干扰攻击对 DOA 估计的影响，代码已在 GitHub 开源。
Hugging Face Blog精选AI 评分6666 
Ai2 发布 FairStress 基准，测出 LLM 决策公平性中的隐性不对称
Ai2 发布 FairStress 基准，用 300 个真实两难决策场景、扩展后超 1300 万测试用例，测量大语言模型在不同人口身份下的决策稳定性和解释差异。实验发现存在反刻板印象的过纠，模型在对抗性前缀下更容易放弃有利于多数群体的正确决策，匹配前缀下向少数群体切换的概率高出 8.8 到 42.4 个百分点；对 BBQ 的对比显示评测提问和打分方式会改变测得的偏见方向。
推荐理由：不止测最终选择，还用对抗性前缀测决策稳定性，揭示了用固定选项打分的旧基准可能漏掉的反向过纠现象。
GitHub · 去对齐工具与仓库AI 评分3030 deepseek-coder-6.7b-instruct 量化 PEFT 自动修复 Java 缺陷的复现研究仓库（WahidSaeed/peft-code-eval）
这是一个 MEng 论文的复现包，实证研究 4-bit NF4 QLoRA、8-bit、16-bit bf16 LoRA 三种位宽与 LoRA rank（r ∈ {8, 16, 32}）在微调 deepseek-coder-6.7b-instruct 修复 Java 缺陷时对正确性、GPU 显存、速度和能耗的权衡。实验基于 CodeXGLUE Code Refinement（10,000 训练 / 1,000 验证 / 1,000 测试对）和 HumanEvalFix（164 Python + 164 Java 缺陷），在单张 24 GB GPU 上进行。目前数据管线和指标已验证，训练与评测脚本仍在开发中。
GitHub · 灵魂体仓库AI 评分99 优化 LLM 在多任务环境中的上下文推理：仓库即将发布
一个用于论文《Optimizing Large Language Models for Contextual Reasoning in Multi-Task Environments》的 GitHub 仓库已创建，论文正投稿 COAI 2025 审稿中，作者为 John Smith 等。论文提出优化策略以增强 LLM 跨多任务的上下文推理能力，实验结果显示在动态环境中具有更好的适应性。仓库代码、benchmark 结果、预训练模型检查点和文档标注为"即将发布"。
GitHub · 灵魂体仓库AI 评分4141 udg-catalogue：基于 DeepSeek V4-Flash 的超弥漫星系（UDG）自动化 ETL 目录流水线
GitHub 上的 udg-catalogue 项目用 DeepSeek V4-Flash 自动筛选 arXiv 天体物理论文并提取超弥漫星系（UDG）测量值，发布包含 1,927 个天体的交叉匹配目录，可通过 Plotly 3D 地图和 Streamlit 仪表板浏览。557 篇论文被筛选，90 个（4.7%）天体具备全部六个参数，五次完整运行的 API 总成本为 US$4.32。项目明确标注为原型，数值未经人工核对，使用前需对照 source_papers 中的原始论文并引用原论文。
GitHub · 灵魂体仓库AI 评分2121 llm-adaptive-learning：动态环境下大语言模型自适应学习策略（ICML 2025）
GitHub 开源仓库 llm-adaptive-learning 发布了 ICML 2025 论文 "Adaptive Learning Strategies for Large Language Models in Dynamic Environments" 的实现，使 LLM 能在动态环境中实时调整参数和行为，且无需完整重训即可持续学习、避免灾难性遗忘。该方法在 shifting topics 上将性能从 72.3% 提升至 89.7%（+17.4%），在 temporal changes 场景提升 +19.1%，项目采用 Apache 2.0 许可证开源。
GitHub · 灵魂体仓库AI 评分1010 enhancing-llms：用高级微调技术提升 LLM 在领域任务上的性能
GitHub 仓库 tonystark202609/enhancing-llms 发布了论文《Enhancing Large Language Models with Advanced Fine-Tuning Techniques》的实现与实验，探索超越传统方法的高级微调策略和领域适配技术。该方法在 GLUE 上达 92.5%（基线 84.2%，提升 +8.3%），SuperGLUE 上达 89.3%（基线 76.8%，提升 +12.5%），并优化训练流程以加快收敛。项目采用 MIT License 开源，附训练与评测脚本。
AIHOT · 精选AI 评分4141 Ai2 发布 FairStress 基准：测量 LLM 决策中被隐藏的公平性不对称
Ai2 发布 FairStress 基准，用 300 个两候选决策场景和对抗前缀，测量 LLM 在说服性论据下改变决策的难易是否因候选人所属人口群体而不同，全部组合超过 1300 万测试用例。该基准已开放下载，并集成进 Olmo-eval。
GitHub · 3D 生成新仓库AI 评分2222 GitHub 开源研究仓库 EAR-RAG：证据感知自适应检索与选择性查询恢复
GitHub 新仓库 EAR-RAG 探索证据感知自适应检索策略，已实现查询分析路由、确定性证据评估 ESA 和有界恢复流程，尚未实现 LLM 生成。现有环境和全新安装均在 Python 3.12.4 上通过 244 项测试。初步 20 题 HotpotQA 检查未见提升：路由后 local-support recall@5 为 75%，低于固定词法检索的 87.5%。