新闻、仓库与研究，按时间排列。
一个借用神经科学 precision weighting 概念构建的多智能体投资研究系统，由财报、新闻、总经/筹码、供应链四个 Agent 依历史 Brier score 精度动态加权合成投资论点，并针对台股被动元件 AI 供应链回测。结果多为负：方向准确率低于“永远猜上涨”（53.4%/54.8%），Sharpe 不敌 0050，规则式 Agent 的 Brier 皆高于 0.25 无信息基准；唯一较正面的结果是财报 Agent 在无偏误股票池上的产业内选股（产业内 IC +0.029，t 2.16）。Synthetic 验证显示精度加权仅在来源可靠度实质分化时优于简单平均（17/20 seeds）。
DAIS Club 研究项目 llm-error-probes 开源，通过探测 Qwen2.5-3B 的隐层状态来预测其在 MMLU 上的错误答案。项目要求 macOS Apple Silicon（M1 或更高）设备，脚本通过 MPS 在 Mac GPU 上运行模型，需 16 GB RAM 和 Python 3.14。
GitHub 新公开的 MedinaSITech Research 仓库收录研究预印本、架构规格、发布协议与治理索引文件，研究方向包括面向受治理智能体执行的工作站界面、风险感知 AI 路由算法及多终端 AI 编排。仓库仅开放阅读、引用与溯源用途，不授予复用权利，主要发布渠道为 Zenodo，其次为 OSF，arXiv 材料延后提交。
GitHub 开源项目 bd-legal-rag 提供孟加拉语与英语双语检索增强问答，针对孟加拉国法律条文，答案引用具体条款，语料无法回答时直接拒答。系统在 43,966 个语料块上评测：qwen2.5:14b 生成答案引用指向检索片段的比例达 1.00，拒答准确率 0.91，答案正确率 0.71；加 cross-encoder rerank 后 recall@5 达 0.878。支持 Ollama 本地、OpenAI、Anthropic 等多种 LLM 接入，附带 HTTP API、流式 UI 和 248 个离线测试。
GitHub 仓库 FrimpsManu/hallucination-detection-ddre 发布一项进行中论文的研究代码，提出用 uLSIF 直接密度比估计（DDRE）构建检索感知的幻觉检测框架，目标是在改进事实性检测的同时降低相对贝叶斯序贯估计（BSE）的计算开销。两方法使用相同的 Wang et al. EMNLP 2023 实验管线（SelfCheckGPT 句子、DeBERTa-v3 NLI、每子论断最多 K=10 篇检索文档），仅改变证据累积与停止机制，评测沿用原版的 PR-AUC 指标。
GitHub 项目 setsosie/lms 提出测量指标 CVFN（每个验证为忠实且新颖的陈述的成本），用六道门槛检验弱 LLM 智能体群体能否在 Lean 4 + Mathlib 中积累数学形式化成果。项目在 4×H100 集群上以 Qwen3.6-27B-FP8 通过 vLLM 本地运行，前沿 API 仅作对照臂；截至 2026-09-30 的校准期内 CVFN 为 0，所有通过验证的产物均在重复 Mathlib 已有内容。
allegrafr/llm-authorship-project 发布了一个可复现的作者归属数据集与准备代码，基于 ShareChat 真实聊天机器人对话，覆盖 Gemini、Claude、Grok 三个模型族。每族最多采样 2000 对首轮英文问答，按 70/15/15 划分训练/验证/测试桶，仅依赖 Python 标准库。上游数据遵循 CC BY-NC 4.0 许可，Claude 的版本字段保留为 source_version_metadata，Gemini 与 Grok 版本元数据视可得情况保留。
该 GitHub 仓库 ecpm 测试冻结 LLM 能否仅凭观察日志推断 8 节点包路由 MDP 的结构，并在隐藏干预后重新规划，通过检测、定位、保持、适应四个探针评估，路线按真实模拟器执行结果计分。实验设计六种干预，其中 redirect 仅改变目的地、保持所有成功率，是唯一能区分模型推理与计数基线（ecpm_baseline.py）的条件；基线在 stochastic hard_removal 下定位率达 1.00（K=5），而 redirect 仅约 0.09。信息上限由独立的微调分支单独计算，两方结果一致。
论文《Adaptive Learning Strategies for Large Language Models in Dynamic Environments》（被 ICML 2025 接收）的开源实现，采用 Apache 2.0 许可证。该方法支持 LLM 在动态环境中实时调整参数与行为，无需完全重训且避免灾难性遗忘。在多类动态环境中性能较基线提升 +16.8% 至 +19.1%，如混合上下文场景从 74.5% 提升至 91.3%。
LLMSQL Benchmark 是对众包数据集 WikiSQL 清洗、扩展后的 Text-to-SQL 评测基准，用于评估大语言模型的 SQL 生成能力。数据集托管在 HuggingFace，支持 transformers、vllm 推理、OpenAI 兼容 API 及自定义 async callable（内置 rate limiting 与并发控制），并提供 evaluate 评测函数、微调数据集、CLI 命令与 leaderboard。
GitHub 仓库 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，在 GLUE 和 SuperGLUE 上取得 SOTA 结果：GLUE 从 84.2% 提升至 92.5%（+8.3%），SuperGLUE 从 76.8% 提升至 89.3%（+12.5%）。项目包含训练脚本、实验配置与分析 notebook，采用 MIT License 开源。
该 GitHub 项目让 Claude 阅读 525 份财报（50 家公司，2023-07-07 至 2025-12-23），为管理层语气打 −2 到 +2 的评分，检验其能否预测随后 20 个交易日股价。语气分与次月收益的秩相关为 +0.08，在 10 个财报季中 8 次为正，而传统正负面词计数法为 −0.04；但 p=0.08 未达统计显著，预定的季节再平衡策略扣除成本后 Sharpe ratio 仅 0.21。探索性发现：财报发布后立即交易效果更好（Sharpe ratio 1.41），且效应数日内衰减；由于样本报告早于模型 2026-06-30 的训练截止日期，结果可能含记忆成分，只能视为最佳情形。
该研究项目评估 dbmdz/bert-base-turkish-cased 模型能否通过问题嵌入从固定候选池中检索配对答案，使用 merve/turkish_instructions 数据集，仅做推理与余弦排序，不训练模型。历史记录显示其在随机抽取的 1,000 对上 top-1 为 3.50%、top-5 为 4.90%。项目提供维护的命令行脚本，支持 CPU/GPU 推理，可固定采样种子并将结果保存为 JSON。
cyberchitta 开源了 ch-ai-tanya，一个关于模型心理学（研究大语言模型心理层面现象）的研究型 LLM 维基，目前处于 v0 阶段并持续建设中。内容涵盖 LLM 的性格、persona、情绪、内省、动机、欺骗及内部结构等主题，采用 AI 策展、人工编辑的模式。内容以 CC-BY-4.0 许可发布，代码片段采用 MIT 许可。
OzAmram 在 GitHub 开源 psm-mixture-test 仓库，用 Olmo-3-1025-7B base 与 Olmo-3-7B-Instruct 一对开放权重模型，对 Persona Selection Model（Marks, Lindsey & Olah 2026）做定量检验，Qwen2.5-7B 系列作跨家族对照。
推荐理由：原文用固定的一对开源权重模型做了完整可复现的定量检验，给出了混合拟合误差、AUROC 和软前缀差距等具体数字。
Persian-NLP-Research 发布了 Persian-Sentiment-LLM-Augmentation 仓库，包含论文《LLM-based synthetic data augmentation for Persian sentiment classification》的官方实现，该论文目前处于审稿中。仓库提供实验结果、数据集和入门指南。
GitHub 开源项目 llm-judge-eval 构建了一个基于量规的 LLM 评审员，用于给 PubMedQA 医学问答打分，并通过加权 Cohen's κ、已知错误控制集、长度偏差测试等协议与盲评人类标签进行校验。项目从 pqa_labeled 分层抽取 400 道题，在 grounded、closed_book、incomplete、injected_error 四种条件下生成答案，使用 gpt-4o 作为评审（约 $3-6），采用严格 JSON-schema 输出且评审员不知晓条件。评审员、量规、盲标工具和分析管线已建成测试，人工标注正在进行中，完成后结果将发布在 results/。
一项 arXiv 研究用“维基百科游戏”评测语言模型的信息检索能力，要求模型仅通过文章链接到达目标条目。研究者在本地构建了大规模维基百科图谱和基于 OpenAlex 的论文引用图谱，对比了嵌入向量模型与 LLM 在五种语言和五个学术数据集上的表现，并与人类及 TF-IDF 基准比较。结果显示没有任何模型显著超越人类，但 GPT-o3 mini、GPT-4o、QwQ:32B 和 DeepSeek-R1:70B 达到了可比水平，且性能排名随语言和主题变化。
研究者提出 Hide and Seek（HnS），一种概念级归因方法，无需访问模型权重或概念标注数据集即可解释黑盒视觉模型。HnS 借助视觉-语言模型检索概念对齐图像、定位并遮蔽概念区域，通过对比遮蔽前后模型输出的变化来度量归因。该方法在 CelebA 和 COCO-Stuff 上验证，与真值归因的一致性优于现有方法，并可用于图像描述生成和卫星图像分割等现有方法无法处理的任务。
arXiv 论文提出 EICS 指标与 CASP-VL 基准（基于 Visual Genome 场景图的空间扰动），检验 VLM 内部表示对概念与空间关系的编码。结果显示多种 VLM 架构对空间关系的表示明显不如词汇信息保真，即使这些模型在组合性 benchmark 上远高于随机水平。关系信息在谓词自身 token 处可识别，但经 (EOS) 聚合或 mean pooling 形成全局表示后丢失。
该 arXiv 论文系统重评了表格数据深度回归的多种目标函数，发现多数相比调优后的 MSE 基线收益有限或不稳定，而 quantile loss 在多个神经骨干上带来一致改进。研究进一步指出不同噪声水平的区域最优训练轮数不同，单一全局早停点会迫使不确定性区域之间妥协；作者提出结合输入相关标签平滑的异方差感知 quantile loss 扩展，在部分骨干上有所提升。
arXiv 论文提出接受路径解码（APD），在长度受限下保证语义解析输出可被自动机接受，DRS 上 Smatch++ 较局部掩码提升 5.1 和 2.4 点，AMR 上提升 6.4 和 3.2 点。事后处理方面，训练数据受限时 10.2% 的输入在 8 个无约束采样下仍无有效输出，全量数据时降至 0.4%。训练中惩罚被自动机拒绝的 token 在 10% 训练进度后可将开发集 Smatch++ 提升 3.6-11.0 点，但该优势随训练推进逐渐消失。
一项针对五个开源权重模型（跨四个模型族、1.5B-14B 参数）的研究发现，任务变化会重新分配注意力头的 influence。在 Gemma-2-9B 和 Qwen3-14B 中，激活编辑可在保持指令不变的情况下切换模型读取的事实，同一批 head 会响应不同的图事实并以不同方式影响后续组件；对应的线性响应映射将预测均方误差在 Gemma 中降低 53.6%、Qwen 中降低 5.0%。这表明任务上下文同时改变共享组件响应的内容及其对后续计算的作用方式。
arXiv 论文提出 RATED，一个结合冻结双编码器对比微调与 contextual bandit 动态重排的 AI Agent 工具检索框架，可快速适应运行时工具故障而无需重训练。配套发布 EcoAgent 基准，含 5,172 个真实工具和超 21 万 query-tool 对。RATED 相对 ToolLLM API retriever 的 MRR 提升 52.2%，在 30% 故障率的严重 API 中断下将故障选择率从 86.2% 降至 2.9%，额外延迟开销不足 1 ms，代码与数据集已开源。
这是 ReGIM-Lab 2025 暑期实习项目的文档仓库，作者实现并比较了多个 RAG pipeline，以增强 LLM 在心理健康支持与治疗辅助中的表现。目标是构建安全、循证、有同理心且可灵活纳入新指南、无需重新训练的对话智能体。文中还梳理了 LLM 的 Transformer 架构、4k–128k token 上下文窗口以及幻觉、知识过时等单独使用 LLM 的局限性。
该项目基于 XED 情感数据集（英语 + 罗马尼亚语）比较 Qwen2.5-1.5B-Instruct 上的 plain prompting 与 LoRA/QLoRA 微调两种方案，LoRA 配置为 r=16、alpha=32、dropout 0.05，训练采用 lr 2e-4、batch 16、3 epochs。项目另用 EuroLLM-1.7B-Instruct 做纯 prompting 对比，包含 70/20/10 数据划分、zero/majority/random 基线和阈值 0.15 解码，全部实验可在 A100 上约 2 小时复现。
Distiller Labs 在 GitHub 发布 DeepSteer，一套用于测量语言模型道德内容表征及其行为是否一致的 PyTorch 工具，Apache 2.0 协议，支持 pip install deepsteer。研究发现道德知识的低秩子空间在预训练中形成，后训练只做旋转；OLMo-3 的拒绝门是后训练构造，约四分之三因果输入在道德子空间之外；OLMo-3-7B-Instruct 在压力下约五分之一场景会执行其自判错误的行为。包内含 1200 对道德/中性探测数据集、消融与转向扫描、表征与行为基准，及六篇配套论文（如 arXiv:2610.08670）的复现脚本，FL 和 MN 的数据存于 Zenodo。
推荐理由：作者开源了一套测量语言模型道德表征与行为差距的 PyTorch 工具，附数据集、基准和配套论文，可直接复用于对齐研究。
WhoFlips 论文（arXiv:2606.16011）开源配套仓库与数据集，用两阶段协议测量 LLM 答案稳定性：先让模型为错误选项写论证，再用该论证挑战其原本正确的答案。实验覆盖 GPT-5.1、Gemma-4-26B、Llama-3.1-8B、Llama-3.3-70B 和 Qwen3.5 系列，变量包括论证长度 k ∈ {1,3,5,10}、归属（盲/自）与来源（同模型/跨模型），解码温度为 0 并禁用推理。数据集 nafisehNik/WhoFlips 约 1.18 GB、约 20.3 万行，含 self_mmlu、cross_mmlu 和 maxflip_mmlu 三个子集，CC BY 4.0 许可，每行保留两阶段完整信息可直接重算 AFR 等指标。
推荐理由：论文配套仓库同时放出了完整代码、复现脚本和约 203k 行的公开数据集，读者可直接复核答案翻转指标而不必重跑实验。
Chutes.ai / Parallax 开源 Epigenesis，提出 Free-Slot Adaptation（FSA）：冻结基础权重，把新知识写入 pair8 三值 MoE 格式保证存在的结构化零槽位，撤销时将槽位清零即可逐位恢复原模型。在 lambda 8B 三值 MoE 上教授 40 条人物事实，三值 Bop writer 在留出改写上达到 100% 召回，补丁仅 0.8–2.7 MB（约为同层 bf16 LoRA 的 1/15–1/50），推理零额外开销，但通用文本损伤 +0.024–0.027 nats，高于带惩罚的 LoRA，是该方法的当前短板。代码 Apache-2.0 开源，论文由 AI 辅助撰写并经作者验证，尚待多会话累积（EP-1）验证。
推荐理由：原文给出在真实 8B 模型上的召回率、文本损伤和补丁体积实测，并与 LoRA 基线逐项对比，方法和局限都写得很具体。
研究者提出 PAGE 框架，将 AI 变为漫画研究工具：把扫描件解析为画格、文本与书目记录，用视觉语言模型按编码手册标注页面，并以人工标注校验。该框架在 3,929 本美国漫画（1938–1956）和 87 卷日本漫画上完成三项研究，分别考察政治权力描绘、视觉形式与个人画家风格、两个漫画传统中的说话者分析。
htang7415 在 GitHub 发布 MaxionBench，一个针对 LLM serving、RAG 和 Agent 的可复现决策评测框架，对比 llm-d 路由的自托管 vLLM、受管 Gemini API 及其混合方案。v0.4 基于 GitHub Copilot 生产流量（301k 会话、中位提示 57k token）实测五种上下文策略：仅 summarize 在校正后判分下准确率显著更高（+20 点），裁写历史会丢失 Gemini 隐式前缀缓存，而缓存感知变体保留约一半缓存、成本比 full 低 17-29%；v0.5 将策略移入 Go 网关后，Gemini 计费 token 减半且准确率未降。
推荐理由：作者用带置信区间的重复实验量化了不同上下文策略在准确率、API 成本和服务端 KV 压力上的取舍，方法可复用。
研究者提出 SpatialASM 框架，通过训练时空间模拟将主动空间心理模拟（ASM）能力内化到大型视觉语言模型（LVLM）中。该框架用 allocentric novel-view 生成器提供显式 ASM 轨迹和自动构建的视角转换任务两类监督，在七个空间理解基准上提升了四种 LVLM 骨干模型的推理准确率，同时保持原有通用视觉能力。
研究者提出 MC-EvoBench，一个用于审计 Minecraft 智能体经验驱动自我改进的受控基准，含 19 条注册进化链（12 条主评测链、7 条校准/探针链）及三个图对齐配对探针族。基准将任务表示为任务状态图，设置阶段级环境验证器，仅允许声明的 agent 工件跨越源-目标边界。结果显示 planner 支持变体与 controller 变体间存在持续的直接能力差距，而相关经验未带来稳定迁移，各置信区间均含零。
研究者提出发音评估框架 OpenPA，利用 Whisper 的 cross-attention 机制联合预测词级和语句级发音分数，无需强制对齐。通过混合转写适配和自适应替换加权，单一模型可同时覆盖封闭与开放作答场景。仅在 speechocean762 上训练的 OpenPA 在域内封闭和模拟开放作答条件下取得评估系统中最强的整体表现，并在 MultiPA 上保持零样本性能，口腔癌语音的跨任务评测显示其潜在应用前景。
该研究测量语义查询引擎中 LLM 判断的运行间方差，通过 SemBench、LRO-Bench、UDA-Bench 自带测试框架重新执行 1.2 百万次模型调用。结果显示 temperature 0 下 0.07%–10.2% 的行输出会变化，UDA-Bench 上约三分之二答案不同，SemBench 公布结果中 21% 的 text 结果质量随执行改变。Voting 可降低但不能消除方差，作者据此提出 benchmark 报告规则与引擎设计规则。
一项 arXiv 研究在 Qwen3-14B 上探索让模型学会何时拒答，比较训练模型本身与训练独立答案选择器两种方法。在 TriviaQA 上，学习型选择器将平均覆盖率从 20.2% 提升到 30.9%，已评分答案的错误率从 23.0% 降至 14.5%；但测试的强化学习方法未带来一致增益，NQ-Open 上选择器仍不如始终拒答，跨数据集的可靠拒答仍未解决。
QTestBench 是一个用独立 benchmark checker 评测 LLM 生成量子代码测试套件的框架，不把测试本身当真值。它在 8 个 PennyLane QHack 挑战和 10 个 Qiskit HumanEval 任务上评测了 5 个 LLM，最佳生成器测试质量仅达 QHack 0.71、Qiskit HumanEval 0.34，说明可执行性高不代表判别力强。对于缺乏自然错误解的任务（10 个 Qiskit 任务中有 3 个），oracle 验证的合成 mutants 可稳定 bug 检测估计。
论文提出 SAFE-QE，一种免训练、与检索器无关的查询扩展方法，基于子序列关联假说识别并降权幻觉扩展词。在 TREC 和 BEIR 基准上，其 nDCG@10 与生成式及语料引导扩展统计上无差异，但每查询不获支持的词仅 4.3 个，低于 Query2doc 的 27.8 和 HyDE 的 57.5；同时提出查询侧忠实度指标 HETR。
一项低资源语音识别（ASR）研究在四种低资源语言和英语的五种数据规模上，比较了 SpecAugment 等音频增强与基于文本合成音频的增强方法。音素级分析显示两者错误类型互补：SpecAugment 增加声调和腭化错误，文本方法引入辅音插入，组合后各自抵消对方的错误，且组合提升超过各自提升之和；但超加性在 100 小时数据量时消失。研究建议按训练暴露度和声学属性选择增强方法。
论文提出 FORTE，一个面向生产推荐系统的模型无关特征评估与下线框架，支持每日特征评估、分组消融验证和下游消费模型追踪。在两个大规模推荐系统上验证：搜索相关性模型下线 48 个特征（占 43.3%），无线上回归；大型排序模型移除 8 个特征后，可训练参数减少 29.9%，服务吞吐提升 19.8-25.5%，年训练成本节省数十万美元。