新闻、仓库与研究，按时间排列。
Jalendar Reddy Maligireddy 开源 pii-llm-guardrails 项目，提出 Sealed Decoding 方法，在 LLM 生成循环内检测 PII（EMAIL、PHONE、SSN、IP）并用 AES-256-GCM 密封，只有密钥持有者可解密。基于 Qwen3-0.6B 在 8-vCPU CPU 主机上的实测显示，密封钩子每请求约增加 2.5 ms 开销，首字节时间 209 ms（密封）vs 210 ms（原始），62 项测试通过。项目采用 Ollama 风格 CLI，支持密码轮换与提示词注入扫描，代码从第一天起公开。
该仓库发布 Apart AI Collusion Research Sprint（2026年10月23-25日）的研究产物，包含 480 局完成对局、48 个条件、每条件十个匹配市场与六家厂商模型的冻结数据，场景为脚本化顾问在重复三方采购中提出轮流抬标方案。仓库提供无需 API 密钥的标准库复现脚本，可校验哈希并重算原始结果、推断、投标筛查与关键词监控；另有复现队友 22 个数值输出文件的附加回放。作者强调结果衡量的是对给定方案的易感性，而非自发合谋或现实普遍性。
JundaHe 将 LLM-as-a-Judge 项目第二篇论文拆分为独立公开仓库 JundaHe/LLM-J-ICML，目标投稿 ICML，工作标题为 Beyond Mode and Mean? What Disagreement Histograms Teach LLM Judges。论文涉及 statistic-preserving donor replacement with dose certificates、LoRA/heads 实验以及 10 个 ordinal 加 ChaosNLI 面板和 learner-free finite-rater 分析，仓库于 2026-10-25 从私有仓库 JundaHe/ICSE2027-LLM-Judge 分出。
一项 ISWC 2024 研究探索用大语言模型把 SPARQL 查询转化为自然语言，覆盖英语、德语和俄语三种语言。实验框架结合闭源与开源模型并经微调增强，在 QALD-9-plus 和 QALD-10 问答数据集上以机器翻译指标和人工评估衡量效果。结果表明 LLM 适合完成 SPARQL 查询的语言化任务，但存在问题过度具体化、语言差异和语义不匹配等错误类型。
GitHub 仓库 JarvisUSTC/Awesome-Multimodal-RAG 整理了多模态检索增强生成（RAG）领域的最新论文、数据集与工具，涵盖文本、图像、视频、音频等多种模态。内容包括综述教程、通用与文档类多模态 RAG 论文、MMDocIR、SPIQA 等 benchmark，以及 Kiln 等工具框架，并持续接受社区贡献。
theartificialteam 团队开源其 RSNA 膝关节异常检测竞赛的完整代码与知识库，该竞赛要求预测 12 项膝关节 MRI 发现，指标为 12 项平均 ROC AUC，队伍最终 private rank 约 1,730/6,425，private 0.942。仓库包含 ConvNeXt multi-view MIL 模型、Raptor CoAtNet-384 训练推理代码、预处理与 blend 流水线及实验日志。团队总结：优胜者的优势在于用多模态 LLM 从图像读取标签（gold 0.94–0.956，对比来自报告的约 0.90），而静默失败是其代价最高的 bug——首次提交仅得 0.500 且无任何报错。
清华、百度等机构在 NeurIPS 2026 发表 When Less Is More，发现 compressor-decoder 有损压缩中的 Size-Fidelity 悖论，覆盖 27 组配置（9 个模型规模 × 3 种压缩率）：更大压缩器重构误差更低但忠实度下降，中型压缩器常优于大模型。论文归因于知识覆写（如白色草莓被改写为红色草莓）与语义漂移（如 Alice hit Bob 被改写为 Bob hit Alice），64× 压缩下 LLaMA 从 3B 扩到 90B 时知识覆写 QA 从 0.62 降至 0.53、语义漂移 QA 从 0.41 降至 0.28。
推荐理由：论文用 27 组压缩器配置给出压缩保真度非随规模单调的证据，并公开了诊断数据集与 QA 生成提示词，方法可复用于其他压缩评测。
szymonkobus 发布 code-model-reliability 仓库，用贝叶斯失败率-难度曲线在同一难度尺度上同时度量代码模型的能力（D50）和可靠性（D99）。发布的拟合覆盖 71 个 arm、1,297 个任务、85,604 个 cell 和 850 万次尝试；仓库含 cmr 命令行流水线、任务集、每次尝试的判定记录和完整重拟合脚本，代码 MIT、数据 CC BY 4.0。
推荐理由：用同一难度尺度同时刻画模型能力 D50 和可靠性 D99，覆盖 71 个模型配置的可复现评测框架。
GitHub 仓库 liunian-Jay/Awesome-RAG 汇总了大语言模型检索增强生成（RAG）的技术进展，收录 2024-2026 年论文、HotpotQA、MuSiQue 等评测数据集及 LightRAG、RAGFlow 等项目。仓库目前获 520 stars，近期更新包括 2025 年 9-10 月论文，以及 QAgent 智能体 RAG 框架、GainRAG 等自研成果；仓库近期未积极维护，欢迎贡献者接手。
论文《PolyCrysDiff: Controllable Generation of Three-Dimensional Computable Polycrystalline Material Structures》的作者在 GitHub 开源了配套实现仓库 kanchi-c/PolyCrysDiff。该项目提出 PolyCrysDiff 方法，用于可控生成三维可计算的多晶材料结构。
该 GitHub 仓库收录关于 Jev——TypeSafe 的 System One 模型——及按其形态构建的开放模型的研究论文，每条均对照 arXiv 页面核验。列表分为 Survey、Open Decision Models（57 篇）、Benchmarks & Evaluations（17 篇）、Agents & Systems（49 篇）、Applications（41 篇）等分类，2026-10-25 新增 78 篇 Jev 论文，并接受 PR 投稿。
JevGAG 研究因果视频生成与视频世界模型中的自适应时间粒度：逐帧细粒度与分块粗粒度生成的切换时机。该方法用离线设备外的 Jev 1.14 作为图像接地 oracle 路由每个片段，配合恢复+滞回控制器和独立图像端点，在 Tesla T4 与 A100 上验证，E9 审计 18/18 PASS。
一项实证研究将指令微调中的“数据质量”操作化，在固定微调预算下比较多个示例级指标对训练效用的预测能力。方法是将样本按指标分数分为低、中、高三档分别微调，用验证 perplexity 和 LLM-as-judge 评分评估。结果显示，以 response ratio 衡量的答案密集型监督比常用替代指标更能稳定预测指令微调效用。
研究者提出 Hierarchical Cooperative GFlowNets（HCG），通过动态划分搜索空间协调多个 GFlowNets 的探索，避免模型集中坍缩到少数高奖励区域。该方法用共享分类器划分层级，使最高排名模型可探索整个空间、低排名模型转向未覆盖区域，支持独立参数化与异步训练，并证明了聚合规则可恢复与奖励成比例的目标分布。实验涵盖多模态分布、序列生成、组合优化和生物序列设计，显示 HCG 提升了模式覆盖与目标近似效果。
QECGBERT 是一种自监督 ECG 语言模型，通过 VQ-VAE 将 12 导联心电图的 P、QRS、T 及等电位背景波形进行 tokenization，并融合连续波形特征以保留量化丢失的形态信息。该模型在 MIMIC-IV 超过 800,000 条无标注 ECG 记录上做 BERT 预训练，并在 PTB-XL、CPSC2018 和 Chapman–Shaoxing–Ningbo 数据集上微调评估，性能达到或超过已发表基准。短序列设计提升了可扩展性并降低计算成本，为心脏诊断提供可扩展、具备生理语义的 ECG 基础建模方案。
arXiv 论文 2610.33958 测试了嵌入搜索和代码图工具对小模型编码 Agent 定位能力的实际收益。在 SWE-bench Verified 上对 Qwen3（0.6B 到 32B）和 Gemma 4 共十个模型做工具消融，共 79k 次实验。结构化工具使 Qwen3-8B 和 Gemma 4 E4B 的 grep-only 准确率翻倍，收益在 1.7-4B 达峰 17-21 点，到 32B 降到 4-5 点；8B 以上约一半收益来自提交格式而非定位。
研究者推出 Continual Learning Exam（CLE）基准，由 50+ 领域专家构建，用于衡量 LLM Agent 在真实职业工作流中通过积累经验持续改进的能力。CLE 包含 120 个人工编写任务，每个任务分五级阶梯，共 600 个级别，覆盖 12 个职业领域的 89 种职业角色。在 17 种 harness-模型配置中，失败后反馈加一次修订平均带来 5.3 个百分点的完成率提升，但最强系统也仅通过 47.7% 的级别、仅在 23.3% 的任务中完成全部五级。
一项 arXiv 研究提出"模型好奇心"概念，构建了区分好奇型问题与普通模型提问的理论分类体系。在四个对话数据集上，好奇型问题仅占 17-28%，但能引发更具探索性和认知深度的用户回应。人类实验表明，模型好奇心在建议、创意和研究场景中尤其能促进探索。
一项研究对 3,997 次生成尝试、横跨九个 OpenAI 与 Anthropic 模型/API 配置（基于 HotpotQA 和 FinanceBench 问题）进行了 schema 失败分类。研究发现相近的有效率掩盖了不同失败模式，Markdown 围栏 JSON 是最常见失败：681 次围栏失败中仅 48.0% 在去除围栏后通过验证，其余多为字段长度违规。作者提出四项工程实践并开源了分类器、生成结果与标注。
一项研究提出首个无需 schema 文档的 text-to-SQL 框架，通过解析历史查询日志构建知识图谱，并用实体驱动的 GraphRAG 检索将用户问题锚定到业务术语。在 Beaver 基准上执行有效率达 95.7%，远高于基于 embedding 检索的 60.8%；工业部署中专家数据工程师以 70% 对 10% 的偏好胜出。
Ahaan Verma 等人在 Ashby Prize Hackathon 2026 发布开源研究工具 gutfeeling，通过热键截取任意切片查看器画面，约 2 秒内给出 SSL 与 HP 判读及证据。工具用 ConvNeXt-Base 与 MUSK 集成模型，在 977 张 MHIST 测试图上平衡准确率 0.888、AUC 0.956，与 7 病理医生共识上限相当；在 UniToPatho 上 HP 准确率 99.6% 但会低估 SSL。定位为研究工具，非诊断用途，许可证为 PolyForm Noncommercial 1.0.0。
研究者推出 HerHealthGPT，一个面向女性生殖健康、结合 RAG、上下文感知澄清与来源验证的对话式 AI 系统。在 540 条英文消息和 30 名成人的测试中，证据检索将关注类别准确率从 54.1% 提升至 59.3%，澄清路由器达到 85.6% 召回率与 86.2% 特异度，83.3% 的参与者偏好启用检索的配置。系统仍需进一步临床验证。
研究者提出 WebViSE 框架，自动将成熟网站实现抽象为可复用的 Visual Skills，并以多父 DAG 组织技能库。基于 Qwen3.8-Max 的自动演化结构在仅约 39.09% 检索成本下超越非层次化 LLM 检索基线。该框架可作为即插即用指导提升多种模型的网页视觉质量，并可为开源模型构建数据合成管线，相关技能库与代码已开源。
研究者在 100 个认知任务上同时训练分层 Almost-Linear RNN（AL-RNN），考察多任务间的迁移与干扰。结果显示性能随非线性容量与任务特征维度提升，分层联合模型优于单独训练模型和单一非结构化联合模型；许多任务单独可用线性动力学求解，却无法由共享线性模型共同求解。
研究者提出在可训练权重平均（TWA）基础上，用 SVD 提取的 rank-one 权重主成分作为校正方向，并通过分布内分类目标学习其贡献，以改进 OOD 检测。在 ResNet50 上，该方法在使用 MSP 和 RankWeight 的多数据集评测中优于微调和标准 TWA，且无论是否使用 Outlier Exposure 均有效。基于 Mahalanobis 的评测结果好坏参半，分层分析显示校正靠近分类器层效果更佳。
论文提出 OS-Wizard，一个面向专用桌面软件的自动轨迹采集框架，结合教程引导探索与 GUI 和代码混合动作空间，并在树探索中检查点和回访关键状态。采集的 10.9K 条轨迹含 54.9K 个状态动作样本，微调开源 base 模型后在专用桌面工作流基准上提升 58.2 个百分点至 64.1%，超过报告的人类水平 59.8%；仅用 GUI 动作也能提升通用桌面任务表现。
推荐理由：论文给出了一条自动化采集专用软件操作轨迹的完整路径，含方法、数据规模和微调后的对比结果，可作同类工作的方法参考。
研究者提出反事实测试时增强（CTTA）方法，用辅助模型对输入生成改变捷径取值的反事实编辑，并对 LLM 预测加权平均，以在推理阶段去除模型对训练数据虚假相关性的依赖。论文证明最优捷径不变预测器属于 CTTA 家族，并据此开发出可在各方法间选择的 Select-CTTA。实验显示 Select-CTTA 优于测试时基线，性能接近在捷径平衡数据上微调的模型。
研究者构建了包含 11k 个争议话题和基于 Schwartz Value Survey 价值维度人设的数据集，通过 agentic pipeline 在对齐良好的商业 LLM 上以超过 47% 的成功率诱导出有害回应。研究以 UNESCO 全球公民原则作为区分正当价值表达与有害行为的底线，并提出可在推理时平衡人设遵循与安全性的可控对齐模型，在多数样本上比基线更安全且更贴合人设。该论文已被 EMNLP 2026 主会接收。
Forcebench 是一个开源基准，用真实的 Salesforce 工程任务评测 AI 模型，覆盖 Apex、governor limits、fflib、Lightning Web Components、Flow、SOQL、CI/CD 等 15 个套件。评分尽可能通过实际执行完成：部署到 scratch org 跑隐藏 Apex 测试和 Jest 测试、执行 SOQL 查询、对照 sf CLI manifest 验证命令。项目支持任何 OpenAI 兼容端点，代码采用 Apache-2.0 许可，任务与结果采用 CC BY 4.0，结果与排行榜见 forcebench.ai。
该仓库基于 RTHD 框架，用轻量探针分类器（Safe / AtRisk / Hallucinating）在解码过程中监测医疗 LLM 隐藏状态，实现幻觉早期检测与模拟干预。作者在 Kaggle 上用 4-bit 量化骨干完成了 4 组试点实验，各 20 条轨迹，分别组合 EndoDiag + Qwen3-8B、MedHallu + BioMistral-7B、MedQA + Mistral-7B-Instruct-v0.3、PubMedQA + Llama-3.1-8B-Instruct；四组 EDR@K 均为 100%，平均提前量 14.85–32.50 tokens，模拟幻觉降低 76.9%–100%。作者指出样本量小、标签由启发式生成、干预为模拟而非实时引导解码。
arXiv 论文 2610.33882 提出 Intervention-Certified Amplification（ICA），用于门控 σ 加权 SFT/RL 混合后训练。作者展示 DIAA 在锚数据中移除全部 Python fence 后仍在 MATH-500 上 29% 的 prompt 输出未执行的 TIR，为 vanilla GRPO 的三倍；ICA 将 TIR 降至 13.8%（冻结）和 11.2%（在线），准确率从 47.5% 提升至 48.7% 和 49.3%，并无需重调即可迁移到 GSM8K。论文共 13 页，发表于 EMNLP 2026 Findings。
论文提出 FlashScript，将成功的 Agent 运行编译为可复用的神经符号程序（NSP），动作与数据转换变代码、实例值变参数、需模型判断的决策保留为 LLM 调用。在 120 个 WorkBench 分析任务上配合 Claude Haiku 4.5，NSP 每次运行做出相同工具调用，输入 token 约为 skill 引导 Agent 的 1/70、运行时间约 1/3；复合任务中 skill 引导 Agent 准确率降至 23%，NSP 保持正确，并成功泛化到 108 个未见过实例。
推荐理由：论文把成功的 Agent 运行轨迹编译成可复用的神经符号程序，给出 token 用量与运行一致性的量化对比。
研究者提出经验合成框架 ReGE，其实现 ReGE-Syn 用单次 coach 调用将执行记录与产物合成为引导，供学生智能体在相同基座模型、无参数更新下执行。在四个 benchmark 上，GPT 平均提升 9.9 个百分点、Claude 提升 8.8 个百分点。相比改编的 AggAgent，ReGE-Syn 在 BrowseComp-Plus 匹配子集上构建引导的 token 消耗减少 98.2%（GPT）和 95.5%（Claude）。
Numina Fuse 是一个用于 Lean 4 数学形式化的智能体原生应用，围绕人类对智能体工作的监督设计，用户可通过蓝图、依赖图和 Lean 代码视图协作并让后端运行智能体数小时。它在 2026 年从固定人工节奏的流水线演化为自主调度专家、证明器和并行子任务的 orchestrator。Fuse 已用于三维 Kakeya 猜想的形式化，开源本地版本 Fuse Desktop 已可用。
一项 arXiv 预印本研究提出通过保留冲突的反事实干预来评估视觉语言模型（VLM）的模态指向控制，用 Flip 和 Stay 两个指标衡量答案是否跟随对指定模态的编辑。方法上构建新词学习，仅训练新增的视觉与文本指向词嵌入并冻结预训练模型，并引入 Counterfactual Twin-Margin（CTM）反事实监督。在三个 VLM、三个现有基准及自建 Ground-CF 基准上，学习到的模态词优于自然语言指令，LoRA 整体最强，反事实监督在多个设置中提升控制效果。
EdgeDeID 是一个 0.6B 参数的本地运行临床去标识化模型，训练全程不使用真实患者文本，由三个 LLM 教师生成合成笔记再统一标注。在 100 篇人工核验的合成域内基准上达到 0.994 micro-F1，99% 的笔记无遗漏标识符，而八个现成系统中最强者仅为 0.857 和 12%；量化后在 CPU 上仅占 615 MB。但在 MIMIC ICU 护理笔记上 F1 降至 0.48，三个手写上下文示例可回升 0.08 F1。
EEGBiFormer 是一种混合 CNN-Transformer 模型，可对 16 通道 EEG 信号进行专注/非专注状态的实时二分类，在 17 次独立会话中实现 91.3% 窗口级验证准确率、F1 94.5%，端到端延迟低于 100 ms。基于模型对听觉刺激排序生成的 EEG 个性化音频方案，在 37 人被试内对照实验中使综合注意力得分较静默对照显著提升 20%。
一项硬件-软件协同设计方法利用 systolic array 累加器中时序稳健位范围随电压-频率工作点变化的特性，提出累加感知训练，结合混合精度量化与非结构化剪枝，辅以 MSB 掩蔽、细粒度时钟门控和逐层动态频率缩放。在 2nm 工艺节点的低电压前沿运行时，该后布局架构相对标称电压实现节能 39%、energy-delay product 提升 23%，精度损失保持在 1% 以内。论文已被 ICCAD '26 接收。
多变量预测的核心难题是在通道间共享与特化之间权衡。研究通过 11 个数据集、3 个骨干网络的受控对比表明，信息性通道分配优于匹配的共享容量和随机分配，冻结 transformer 骨干上的持久通道混合平均优于输入依赖路由。作者还提出合成数据集 GalaxyTS 与即插即用方法 PCR，PCR-K4 在四个预测跨度上相对三个冻结骨干实现 3.86-14.25% 的均方误差降低，且所需可训练参数更少。
研究者提出 EnvLunch，一种无需人工标注的预热训练方法，让语言模型智能体在执行环境中采样有效动作轨迹，再仅凭最终观测恢复功能等价的轨迹。该方法使模型在下游强化学习各训练预算下平均超过基线 9 分以上，基线需 8 到 32 倍的标注样本才能匹敌其最小预算的准确率。