新闻、仓库与研究，按时间排列。
一项 arXiv 研究发布包含83部出版作品的非线性叙事生成基准，每部作品标注正序与叙事顺序的事件列表及因果依赖、角色知识和悬念结构的故事图。测试显示19个模型按时间顺序讲述都比出版作品更线性，被要求特定结构时约一半情况落在人类范围内；自动化裁判与71位人类读者都更偏好模型默认的线性故事，非线性版本在81%的关键判断中被认为更难跟上，读者还更偏好基于故事图生成的故事而非照搬出版顺序。
推荐理由：论文用83部作品语料和71位人类读者对比模型非线性叙事能力，给出了具体差距数据而非泛泛结论。
研究者提出一种工具增强 LLM 框架，将计算器规则与算术执行分离为确定性工具，并用受限提取器把病历映射为可计算输入。在 MedCalc-Bench 上达到 86.73% 最终答案准确率，分别比 one-shot 提示和监督微调基线高 24.0 和 17.27 个百分点。消融显示增益主要来自基于规则的工具合成与 schema 约束提取，该方法可缓解算术幻觉。
arXiv 论文探讨 AI 在人道主义任务中的应用，重点涵盖灾害响应与流离失所监测。文中列举 AI 用于全球天气预报、可再生能源控制与设计、森林砍伐监测，以及结合卫星影像与社会经济数据预测贫困。AI 还被用于评估灾害损失、紧急需求和追踪流离失所。
研究者提出在 FlashAttention 前向传播中直接累积注意力统计量，无需显式构建注意力矩阵，用于训练紧凑幻觉检测器。在 H100 上，五个已发表检测器所需统计量对 Qwen3-8B 前向（2K token）仅增加 16% 延迟，35K 时降至 1.4%，每 response token 存储 22.5 KiB。基于 0.6B–8B 冻结 Qwen3 代理模型训练的探针表现强劲：4B 代理在三个 benchmark 中的两个上 F1 超过九个最强零样本 4-9B LLM 评判，注意力特征在 12 组 benchmark-代理配对的一半中显著提升 F1。
论文提出 MetaExp 框架，通过带跨任务结构的可验证任务族训练语言模型智能体把交互反馈变成可迁移的经验学习能力，设计了 Shared-Tool 和 Shared-Workflow 两种任务族。团队在 1,000 个任务族上收集并过滤得到 4,956 条轨迹，微调 Qwen3.5-122B-A10B，参数冻结后在 SpreadsheetBench 提升 +8.5、APEX-Agents 峰值 +2.3、AutomationBench 提升 +14.8，领域排除训练下增益仍保持。论文地址 https://arxiv.org/abs/2610.21492v1
推荐理由：论文用可验证跨任务环境训练经验学习能力，并在三个基准上给出领域排除训练下的迁移增益数据，可参考其环境构造思路。
研究者提出 ISW-Agent，将 LLM 解释与 n8n 工作流及独立科学模型结合，用于内孤立波（ISW）遥感图像处理。在每种后端各 120 条中文指令测试中，GPT-5.6 Sol 和 DeepSeek 均达到 94.2% 的严格任务匹配率；50 个定时场景中 39 个完成检测、条带提取与传播预测，中位耗时 48.04 s。3,408 次故障注入测试中，重试恢复 234 次瞬态故障，输出验证拦截 234 个结构缺陷。
研究用 SCRIBE——一个覆盖 65 个神经认知语义属性的可解释语义表征——分解 LLaMA2-7B 与大脑对齐的构成。对 7 名受试者听叙事故事的自然主义 fMRI 数据做方差分解发现，共享方差在全脑及语言相关脑区占主导，具体语义属性比抽象属性的共享方差更大。结果表明相当一部分脑-LLM 对齐与可解释语义信息相关，同时存在超出 LLaMA2-7B 表征的互补语义信息。
研究者提出 QREF，一个即插即用的查询改写器与证据过滤器，通过 SFT 初始化并用强化学习在真实网络搜索环境中优化，缓解 DeepSearch 智能体检索意图错位与噪声累积问题。方法在四个基准上平均将 WebSailor 的 Pass@1 相对提升 33.55%、TongyiDeepResearch 提升 11.04%，无需修改架构或重训推理策略；RL 训练的改写器比原始骨干减少 95% 缺乏判别性检索锚点的查询批次。论文地址 https://arxiv.org/abs/2610.21512
推荐理由：论文给出即插即用的查询改写与证据过滤方案，不改架构即可提升 DeepSearch 智能体表现，数字与对比数据齐全。
Poison Valleys 方法在两个合成 Python 案例的 1,844 次模型请求中，追踪代码修复智能体失败时上游错误机制与失败形式的关联。研究发现，将错误机制从假设阶段移到实现计划阶段，使 PersistQueue 失败率增加 32.2%，Dijkstra 增加 28.9%。不同错误机制产生了不同的、依赖模型的义务违反模式。
研究者提出 SCRIBE 框架，利用开源大语言模型集成构建神经科学启发的语义空间，为任意文本生成可解释的词级语义表征。在 921 人参与的行为研究中，SCRIBE 能捕捉语义特征随语境的系统性变化，达到估计人类噪声上限的 75-81%。基于自然故事听力任务的脑活动数据，它显著优于非语境语义表征，并解释了句法特征之外的独特脑预测信息。
一项研究提出层次化（顺序）条件范式，从中间事件概率直接预测声学场景类别，替代传统多任务多输出头架构。研究在 PaSST、PANNs 和 BEATs 三种骨干上完成 66 次完整训练，发现 beta 在 0.6–0.9 时可实现双任务同步学习，且层次化条件化带来更低的条件熵、更高的互信息和更好的潜在聚类可分性。
研究者推出 CriticaLLM 框架，一个可全自动化运行 TTRPG（如 Dungeons & Dragons）的 Game Master，涵盖故事创作、探索与战斗阶段管理。团队总结了 LLM 在 TTRPG 中的关键能力要求，并邀请真实 TTRPG 玩家评测，比较了四款不同参数规模的 LLM 在剧情与反派多样性上的表现。
研究者提出 Function-isolated Memory-Efficient Optimization（CiMEO）持续学习框架，通过梯度归因分析定位 LLM 中认知相关的功能子网络，将训练样本路由至对应子网络，把参数更新和优化器状态限制在选定区域。在 140 万条顺序指令上，CiMEO 在覆盖编程、考试型任务和数学推理的五个生成式 benchmark 中取得对比方法的最高平均性能，同时缓解灾难性遗忘。子空间重叠与主角度分析表明局部化更新有助于保留预训练表征。
论文提出 Agent Status Protocol (ASP) 0.1 版提案，定义异构 AI 智能体向状态服务器上报运行状态的轻量级规范：智能体通过 HTTP POST 推送小型 JSON 事件，服务器经 Server-Sent Events (SSE) 向观察者（如仪表盘）推送状态变化。ASP 不依赖自报告，可从缺失心跳推断存活、检测仍存活但不再推进任务的智能体，并接受 supervisor、guardrail 等外部观察，状态沿 lifecycle、health、task、floor、governance 等独立维度建模。
一篇被 TPAMI 接收的综述首次系统梳理了强化学习驱动的扩散模型（RL-driven DMs），涵盖扩散式语言、多模态、机器人和科学模型，重点分析扩散轨迹优化与奖励工程。作者通过多任务 benchmark 实验对比了不同 RL 后训练策略的优势，并指出三大瓶颈：奖励设计脆弱、高维生成空间中的探索-利用权衡，以及稀疏奖励下的训练不稳定。团队还建立了公开仓库持续追踪该领域进展。
一项 arXiv 理论研究考察了 Isotropic Curvature Model（ICM）对 Muon 优化器极分解更新解释的稳定性，提出 Random-Radius ICM（RR-ICM）与 Polar-Factor Admissibility Set。结果证明所有非标量可容许响应仅来自与曲率折点对齐的径向原子，任何无原子径向律下都呈现零容量刚性，精确缩放极分解最优只在梯度本身为缩放列等距时成立。研究进一步引入 Minimax RR-ICM，证明非零全局极小值点必位于梯度极射线上，其尺度由一维凸问题确定，揭示了平均曲率解释的径向脆弱性。
研究者提出一种面向分类任务的成对差分学习（PDL）版本，通过元学习技术让模型以两个实例为输入预测结果差异，并对查询实例的各训练样本预测取平均。他们进一步基于总不确定性分解为偶然不确定性与认知不确定性的近期工作，提出多种将相应度量扩展到 PDL 场景的方法。大规模实证研究分析了该 PDL 分类器的预测精度与不确定性感知能力。
一项 arXiv 基准研究在单张 A100 GPU 上，以 17.7M 和 33.6M 参数因果语言模型及 2.70M 参数视觉 Transformer 比较 Muon 与 AdamW。相同数据下 Muon 将验证损失曲线下面积降低 3.25–22.44%，20 组主要配对全部降低测试损失；但 Muon 优化器调用耗时占训练时间 56.1–69.6%，AdamW 仅 6.1–9.1%，时间归一后 Muon 在视觉任务上领先 19.68–22.31%，语言任务上 AdamW 反而好 3.38–6.96%。结果表明该结论仅适用于小模型和参考实现，不能推广到更大模型或优化实现。
研究者提出 DialFork，首个在原始对话文本上衡量“程序性幻觉”的 benchmark，即智能体语句流畅且事实合理但偏离预期对话流程。该基准通过在受控轮次分叉对话并注入四类幻觉，构建了覆盖 12 个领域 24 个任务的 36,278 段对话，由 30 名人类标注者验证；并提出 FlowKL 与 FlowScore 两个对话流感知指标，其中 FlowScore 在七个编码器上均显著超越基线。DialFork 以 MIT 许可证开源发布。
arXiv 论文提出一个 LLM 覆盖率收敛 agent，用 cocotb-coverage YAML 从仿真报告读取覆盖率，并由独立于模型的 scoreboard 检查数据完整性。在异步 FIFO、UART 发射器和 AHB2APB bridge 三种 RTL 设计上，该 agent 在 8 次迭代预算内将覆盖率从 91.7%、88.9% 和 67.4% 提升至 100%。作者承认证据存在局限：仅三种设计、无基线、无消融实验，且 LLM 生成测试的数据完整性尚未经独立校验。
arXiv 论文 2610.21571 在九个模型和两个基准上评估工具图记忆（tool graph memory），发现其很少显著优于基线，且有限收益需付出两倍以上的 LLM 调用成本。其引导往往不正确，随机或无引导也能保留大部分收益，表明收益源于额外计算而非记忆本身；将同样经验存为文本洞察几乎不增加调用且效果更好，作者据此建议记忆宜作为软先验而非规定下一步工具。
SemDraft 是首个能从成对“前后”服装打版样片中学习搜索可执行打版程序的框架，无需记录的编辑步骤。其通过有界搜索恢复编辑动作程序，并经重编译、动作顺序分类、独立重放三项检查后才认证；认证程序再训练模型对候选动作排序。在 80 个顺序敏感案例中，学习排序器在 1,000 次搜索内认证 63 和 64 例，优于非学习排序器的最多 53 和 52 例。
arXiv 论文提出 ClaimScope，一个包含 72 个任务的基准，通过裁决、范围、反例和修复审计数学智能体提出的命题，并评估 Qwen3-8B 在直接生成与四种两轮条件下的表现。结果显示，验证器反馈使无效命题的反例接受数从 15/39 提升至 23/39，安全完成数从 20/72 提升至 25/72，而严格完成保持 17/72，裁决准确率从 47/72 变为 46/72。该论文已被 NeurIPS 2026 Workshop（Mathematical Reasoning and AI）接收。
AVALON 是一个面向"人类熟悉但机器人未见过"场景的零样本室内导航框架，无需预先建图或场地训练，仅需楼层平面图、地点线索和初始拓扑-里程计对齐即可部署，并通过人机记忆协同更新融合人类指定的任务约束与机器人实地验证证据。在 Unitree Go2 上的实验显示，AVALON 结合 X-NavDP 完成 12.81 m 的Intersection-to-Dining任务仅用时 46.4 s（5/5 成功），比 DimOS-Go2（78.5 s，4/5）节省 40.9% 机器人时间，而仅用策略的 X-NavDP 在 5 次运行中全部超时。
研究者推出 LOADBench，一个基于 SkyWater130 PDK 的大型开源模拟 IC 设计数据集与标准化基准，包含超过 100 种运算放大器拓扑（1、2、3 级），每拓扑附结构/功能标注、尺寸约束、Ngspice testbench 及 NSGA-II 优化产生的约 10³ 个 Pareto 最优与 10⁶ 个中间尺寸-性能数据对。数据集定义了六项基准任务，涵盖逆向尺寸设计、拓扑选择、多目标优化等，全部以开放许可发布，以解决模拟设计 ML 研究缺乏可比较评测的问题。
LoopAhead 是一个面向 Looped Transformer 的推测解码框架，用轻量级 lookahead drafter（LAD）基于 early-loop 状态提前起草多个未来 token，并结合 deeper-loop 反馈决定草稿分支的继续或暂停，由全深度模型做最终决定。该框架相比自回归解码最高实现 7.82x 解码加速，同时保持目标模型的输出分布。
一项研究评估用 Claude Opus 4.8 和 Codex GPT Sol 5.6 直接重建 iPhone 发往 Apple 定位服务的 protobuf schema，发现多数结果含严重错误且难以察觉，不适合取证与隐私分析。研究者改用 Claude 编写 Python 工具 Extractor，可从 Apple 二进制文件可靠恢复 protobuf schema，并通过已知答案、已发表 schema 和网络实测验证。该工具被用于解码越狱 iPhone 8（iOS 16.7.11）的定位服务网络流量。
一项发表于 EMNLP 2026 (Findings) 的工作提出统一交互式评估框架，将 Countdown 任务扩展为数学环境，让 LLM 智能体通过操纵变量、收集观测来推断变量间关系。跨 7 个 LLM 和多种提示策略的实验显示，模型内在探究能力有限，发现底层表达式的成功率低；借鉴教育脚手架的结构化指导可显著提升表现。
一项 arXiv 研究（cs.AI）提出动作可预测性（从连续 latent 状态重建动作）能防止世界模型表征丢弃内在动力学信息，并用 Concat IDM 从拼接的 latent 状态预测动作、利用离线轨迹中已有的动作标签更新共享编码器。在 Push-T 的 24 种外观设置下，Concat IDM 经三次独立训练将规划成功率从 9.1% 提升至 77.2%，配对改进比单一外观条件下高 52.9 个百分点，且不改变测试时规划器。
研究者在 Qwen-Audio-3.1-ASR-Flash-Next 基础上加入专用 Jev 决策头，推出 Qwen-Audio-Jev，通过 CHOICE、NOUL、SCORE 三种决策原语统一音频选择、二值判断与评分。模型在 MMAU-mini 上达到 78.70% 准确率、MMSU 上 84.06%，VoxCeleb1-O 等错误率 6.50%，NISQA 归一化平均绝对误差 0.1062。相比原模型推理速度提升约 20 倍，适用于大规模音频筛选、说话人验证和自动质量评估等高吞吐场景。
PUC-RIO 课程项目开发并评估了一个审计 Power BI PBIP 格式项目的工具，从 model.bim 读取模型定义，应用九条建模、性能与 DAX 规则，并由本地运行的 7B 参数语言模型结合 1,420 页 Microsoft Learn 语料生成解释。在七个公开项目上评测：规则精确率和召回率达 0.88，61 条解释全部引用了相关文档段落；但仅 52% 的解释忠实于文档、38% 可直接使用。结论是可信度应放在确定性部分，生成的解释仅作分析师复核的草稿。
GitHub 开源项目 M.U.T.E（Middle-layer Uncertainty Threshold Engine）在 LLM 生成前检查内部表示，用线性探针估计缺失上下文风险，超过阈值即中止解码并弃答。实验基于 Qwen/Qwen3.5-0.8B，用逻辑回归探针在 40 个构造样本上做五折交叉验证，多个中间层（含 Layer 23）达到 100% 准确率；反事实测试显示补入缺失信息后风险分数从 0.879 等降至约 0.01。项目为实验性概念验证，不微调基座模型，也非通用幻觉检测器。
GitHub 上线 awesome-text-to-motion 仓库，汇总文本驱动人体动作生成的综述、数据集与模型，聚焦无人物-物体/场景交互的单人场景。仓库收录 HumanML3D、KIT、Motion-X 等数据集及多篇 2025 年新工作，并支持通过 data/arxiv.csv 或 JSON 文件提交论文参与贡献。
一个 ECE 5424 课程项目，比较检测小模型错误答案的两种方法：基于隐藏状态训练探针（单次运行）与语义熵（多次采样）。项目使用 Llama-3.2-3B-Instruct，在 TriviaQA 和 GSM8K 数据集上先以 200+200 题做试点，并人工核查约 30 条评分结果。
GitHub 仓库 ai-inventor-papers 下的 ai-invention-8d19e3 研究当参数量 ≥1B 的指令微调开源权重 LLM 面对开放设计任务（如实现路径搜索算法）时会选择哪种方案（BFS、DFS、Dijkstra、A*、双向搜索等），以及温度参数对这一选择的影响。仓库目前 0 stars、0 forks。
tnechaev 在 GitHub 发布面向德国 EPEX 日前（DA）与日内（ID）电力市场的生产级预测框架，聚焦 IDA1/2/3 拍卖价差预测。框架基于 15 分钟分辨率数据，采用 XGBoost、ElasticNet 与季节性朴素基线，通过 GitHub Actions 每日自动采集与重训练；初步回测中 IDA1 价差目标各模型 RMSE 约 16.4-16.7，交易命中率超 0.9。
GitHub 项目 sducf/zaklang 推出一种面向 LLM 代码生成的省 token 编程语言，并配套基准测试，由 Guilherme Oliveira、Fernando Crespo Vazquez 等人开发。该项目已在 GitHub 开源，旨在降低代码生成中的 token 消耗。
北京工业大学团队提出 SABCS，一种面向长代码摘要的结构感知稀疏注意力方法，将 AST 与 CFG 融合构建代码逻辑图，结合 Global-local 与 Top-k 注意力建模长距离依赖。研究文稿尚未发表，相关技术已形成中国发明专利申请（申请号 202511202527.7，公开号 CN121029230A），仓库收录文稿 PDF 与专利资料。
GitHub 开源项目 llmoose 提供在西班牙纸牌游戏 Mus 上训练与基准测试 SLLM 的研究环境，涵盖从对局到构建 MooseBench、保留 trace、蒸馏 SLM 的学习路径。环境支持 heuristic、conservative、random、llm 四种策略，LLM 玩家通过 OpenRouter 调用模型，无效响应最多重试两次。当前已确认一个牌型排序缺陷，其结果尚不能作为已验证的 benchmark 分数或训练标签。
grainot-bot 上线论文《Optimizing Large Language Models for Contextual Reasoning in Multi-Task Environments》的代码仓库，论文正在 COAI 2025 审稿中。该工作提出优化策略以增强 LLM 跨多任务的上下文推理，实验结果显示在动态环境中适应性更优。仓库即将发布实现代码、benchmark 结果、预训练模型 checkpoint 及文档教程。