超越信道数据：配置增强的 Radio Foundation Model
该论文提出在 Radio Foundation Model（RFM）预训练中融入信道配置（CFG）信息，所得嵌入在标签稀缺场景下可作为下游任务的有效归纳先验。研究在 LoS/NLoS 分类、TA 估计和波束选择任务上，于同分布与分布外配置两种设定下对比原始信道 token 与多个基线模型，结果表明所提嵌入在不同数据配置场景中持续优于或持平于基线。
全部 AI 动态
新闻、仓库与研究，按时间排列。
arXiv · cs.AIAI 评分1010 arXiv · cs.AI精选AI 评分5959 IGG：面向可见性约束的交互式 GUI Grounding 基准
研究者推出 IGG 基准，要求智能体先通过交互使目标可见再点击，含 16 个 GUI 环境、601 个任务和七类可见性约束。人类准确率 94.6%，GPT-5.5 为 79.4%，最强开源 VLM 仅 31.6%；干预实验显示为 Qwen3-VL 代做交互可将其准确率从 30.8% 提升至 81.9%，瓶颈在于执行揭示交互而非识别目标。论文已被 EMNLP 2026 主会接收。
推荐理由：论文用两组干预实验定位出瓶颈在执行揭示交互而非目标识别，方法可迁移到 GUI 智能体的评测设计。
arXiv · cs.CLAI 评分4848 面向非线性概念擦除与表示引导的原则性条件自编码框架（arXiv 论文）
arXiv 论文提出基于条件自编码的非线性概念擦除框架，原则是只移除性别、种族等敏感属性而不影响其他信息，并证明完美重构加总体独立性足以保证完美非线性防护性。实验显示该方法在多数据集、多语言模型上取得更优的效用-擦除权衡，无需目标任务标签且收敛更快。框架还附带概念转换（表示引导）能力，在推理时仅改变目标概念即可生成对应不同概念值的表示，无需额外训练。
arXiv · cs.CLAI 评分99 通过预测政党归属分析奥地利议会演讲
研究者用微调的 BERT 模型为奥地利国民议会每位议员的演讲预测各政党概率分布，并在发言人及政党层面聚合。分析发现联合执政政党的演讲特征趋于相似，反对党则远离执政党，议员换党后通常在换党之后才调整演讲特征。研究团队还公开了 1996 至 2018 年演讲的政党归属预测数据集。
arXiv · cs.CLAI 评分1818 旁遮普歌曲毒性数据集 PGT-FG 发布：细粒度多模态毒性标注
研究者发布旁遮普歌曲毒性数据集 PGT-FG，基于 YouTube 公开歌曲构建，最终含 392 首歌曲的 2,396 个片段，其中 705 段（29.42%）标注为有毒。四名母语标注者产出 2,870 条标注，涵盖二元毒性、八类细粒度类别、严重程度等字段，整体毒性标签 Fleiss' kappa 达 0.6521，暴力类最常见（539 段，76.45%）。数据集已在 Zenodo 公开，不含受版权保护的音频或歌词。
arXiv · cs.AIAI 评分4343 MusicTwins：训练音频语言模型像其 Persona 一样聆听音乐
研究者提出 MusicTwins 框架，通过 persona 摘要、个人记忆与后训练，让音频语言模型生成针对特定个人的响应。团队基于人类文字构建 persona 表示，并用监督微调和强化学习后训练 Audio Flamingo Next。在 10 个 held-out persona 上的评测显示，模型在个性、写作风格和音乐响应等 persona 保真度上显著提升。
GitHub · 去对齐工具与仓库AI 评分2525 MicroLLM：从零训练的 50M 参数小模型开源项目
MicroLLM 是一个在 50M 参数预算内从零构建训练的 decoder-only Transformer 语言模型，实际可训练参数为 48,779,904（约 48.78M），采用 GQA、RoPE、RMSNorm、SwiGLU 和 1,024 token 上下文，基于 FineWeb-Edu 数据训练。项目已完成 100M token 训练，val loss 3.8326、困惑度 52.6029，评测接入 HellaSwag、ARC-Easy、PIQA、WinoGrande，并开发基于 FastAPI 的本地推理后端。
arXiv · cs.CLAI 评分3737 Accordion：基于固定前缀层循环的弹性深度推理
论文提出 Accordion，一种基于 MoE、通过 fixed-prefix layer looping 支持五种推理预算的大语言模型。经过 3.6T tokens 预训练后，增加推理深度使 Accordion-6B-A0.5B 在 37 项任务上的五档宏平均提升 3.01 个百分点，中间档以一半的额外层执行获得其中 89% 的收益。最终模型在对应任务-预算平均上超越各领域专家，并在数学推理与代码生成中保留随深度变化的增益。
arXiv · cs.AIAI 评分4040 SAAF 框架实现高效零样本视频异常检测
SAAF（Signal-Aware Adaptive Fusion）是一个基于视觉-语言模型的零样本视频异常检测框架，通过双信号自适应采样、阈值门控级联架构和信号感知加权融合三项创新降低计算成本。在四个 benchmark 上，SAAF 在 XD-Violence（92.07%）、MSAD（86.70%）和 ShanghaiTech（80.54%）AUC-ROC 创无训练零样本方法新 SOTA，其中 XD-Violence 和 MSAD 超越有监督基线。其吞吐在三个数据集上较此前最佳零样本方法提升 2.43×、2.63× 和 2.22×，代码已开源，论文被 WACV 2027 接收。
arXiv · cs.CL精选AI 评分5959 arXiv 论文提出模型与执行框架联合评测框架，解析 Agent 失败该归咎谁
arXiv:2610.32483 提出评测 LLM Agent 执行框架（harness）与底层模型交互的框架，包含有效完成率（VCR）、Model-Harness Fit、Cross-Model Fit、交互残差和 Token Load 五项指标。研究在 6 个基准上评测 OpenCode、Codex CLI、Pi CLI、DeepAgents 四个框架与四个核心模型，加上两组原生固定组合，共 111 个评测设置、52,168 条轨迹；结果显示框架排名随模型和基准变化，OpenCode 跨模型表现第一，DeepSeek V4 Flash Preview 在共享四基准上保持较高的 Mean VCR。
推荐理由：论文把 Agent 拆成模型与执行框架两部分联合评测，给出五项指标和 52,168 条轨迹的实测，可帮助读者理解框架排名为何随模型和基准而变。
arXiv · cs.AIAI 评分5151 CASE 提出面向冻结多模态情绪模型的技能进化框架，Qwen3-VL-8B 在 CA-MER 上准确率从 46.80% 提升至 59.13%
论文提出 Confusion-Aware Skill Evolution（CASE），首个面向多模态情绪识别的 agent-skill 框架，用稀疏自进化的 EmotionSkill 库处理语义相邻情绪间的系统性混淆，推理时动态检索技能并保持 MLLM 主干冻结。在 CA-MER、DFEW 和 EMER 上的实验显示，CASE 将 Qwen3-VL-8B 在 CA-MER 上的平均准确率从 46.80% 提升到 59.13%，且学到的技能可在不同冻结的 MLLM 主干间迁移。
arXiv · cs.AIAI 评分4141 CauProphet：教 AI 智能体像人类一样发展因果认知
研究者提出 CauProphet，一种能在因果认知中形成并持续更新因果知识的 LLM 智能体，每个任务将因果知识与当前证据结合构建 Causal Belief 用于决策。在金融研究任务中，其与次日收益的平均秩相关性较基线智能体提升 25.4%，动态真实场景预测准确率从 21.3% 提高到 28.6%。实验还验证了它在科学和日常任务中的可靠因果分析与行动选择能力。
arXiv · cs.CLAI 评分3232 PILOT：面向多模态嵌入的特权推理探索框架，超越事后奖励
研究者提出 PILOT 框架，将推理建模为潜变量，用先验-后验协同演进方式引导多模态嵌入模型的推理探索。在 78 项任务的 MMEB-V2 基准上，PILOT 在 2B 和 7B 参数下均超越主要基线，整体得分分别提升 3.2 和 3.3 分，其中视觉文档检索提升最大（+6.1 和 +6.4 分）。结果表明关系监督更适合作为塑造训练中推理探索的信号，而非事后奖励。
arXiv · cs.AIAI 评分3232 ALLMTS：基于 LLM 的自动化医疗分诊系统
研究者提出 ALLMTS，让 LLM 执行护士使用的商业远程医疗分诊指南而非直接分诊。在 566 个专家验证的合成场景（涵盖 14 种分诊处置）上，ALLMTS 达到 0.95 准确率，远超 raw-LLM 基线的 0.47；在 50 个场景的开放 benchmark 子集上达 0.98，与五名护士专家组的 0.944 持平。基线过度分诊率最高 0.50，ALLMTS 降至不超过 0.02，同时保持低漏分诊率。
arXiv · cs.CLAI 评分2626 深入 Transformer 各层：视觉编码器中的跨模态对齐与表征层级分析
一项被 AACL 2026 Findings 接收的研究系统分析了 Transformer 视觉编码器如何处理文本及其语义。逐层探测显示，强跨模态映射仅在最深几层出现，且发生在单模态物体与文字识别形成之后，表征从表层向语义层面递进。该层级在对比训练模型中最强；更大的自监督模型和富含文本的训练数据可在无语言监督时部分支持类似行为。
arXiv · cs.AIAI 评分2020 CONSTRAINTDIAL 框架：基于协议变异构建终身智能合约安全任务
研究者提出 CONSTRAINTDIAL 框架，通过协议变异自动构建智能合约安全任务，防止 AI 评测依赖记忆或照抄公开链上攻击代码的答案。该框架基于 203 个公开案例构建了 3,045 个涵盖 detect、exploit 和 patch 的任务输入；相比仅重建合约，协议变异使模型借助公开答案的成功率平均下降 10.9 个百分点，照抄线上答案解决的任务比例下降 9.3 个百分点。
arXiv · cs.AIAI 评分1414 AutoMIL：面向全切片图像分类的自动化多示例学习框架
AutoMIL 是一个开源框架，将自动化机器学习原则应用于全切片图像分类，自动完成预处理、训练和评估等流程。在默认设置的基准评测中，其 ROC-AUC 分别达到 UBC-OCEAN 0.94、PCam 0.99 和 TCGA-NSCLC 子集 0.93-0.96，与相关工作的专用流程相当。集成主要在不均衡数据上提升性能，表明自动化流程需适应数据集特性。
arXiv · cs.AIAI 评分2828 DIGOM：多模态医疗结局预测的解耦交互图框架
arXiv 论文提出 DIGOM，一种基于图的框架，联合建模患者内跨模态、患者间同模态和患者间跨模态三类交互，用于多模态医疗结局预测。在 MIMIC-IV 和 NIH-TB 两个数据集的五项临床预测任务上，DIGOM 全部取得最高 AUROC，且所需连接数少于现有多交互方法。该模型对模态缺失更鲁棒，消融实验显示各交互类型的贡献因任务而异。
arXiv · cs.AIAI 评分4848 POSEIDON：从代码仓库规模化构建科学智能体训练环境
研究团队提出 Poseidon，一个从科学代码仓库自动生成多样化、可验证训练环境的流水线，同等仓库预算下比先前方法多提取近 10 倍环境，涵盖 Reproduction、Subflow、Completion、Correction 四类任务。由此构建的 Pearl 包含来自 7,110 个公开仓库、横跨 10 个学科的 97,659 个可执行可验证环境，是迄今最大、覆盖面最广的科学智能体训练环境集合。Qwen3.5 模型（9B、27B、35B-A3B）在 Pearl 上训练后在六项科学智能体基准上均取得一致提升。
arXiv · cs.CLAI 评分3636 CoRPS-Dial：双智能体框架解耦患者画像与临床流程，生成真实医患对话
研究者提出 CoRPS-Dial，一个可控双智能体框架，通过画像驱动的患者智能体与流程引导的医生智能体交互，并结合事后质量控制，合成诊前医疗对话。在冠心病场景实验中，其合成对话在信息覆盖、临床合规和自然度上更贴近真实对话；下游微调实验也验证了生成数据的实用性。
arXiv · cs.CLAI 评分4141 SCI-AGENT-EXAM：面向科研任务的智能体评测基准
SCI-AGENT-EXAM 是一个面向科研工作流的智能体评测基准，包含 120 个专家标注任务，覆盖 11 个科学领域和 7 种研究任务类型。它采用程序化验证与经校准的 LLM 评审相结合的混合评估协议，并对执行轨迹的进展与稳定性进行分析。对 10 个前沿 LLM 智能体的实验显示，GPT-6 Astra 以 80.9 的总分领先，但仅 26.0% 的运行超过 0.95 成功阈值。
arXiv · cs.CLAI 评分2929 ProfileSim：基于分层奖励强化学习的金融营销用户模拟框架
研究者提出 ProfileSim，一个面向金融营销外呼的场景化用户模拟框架，联合建模用户画像（人口属性与大五人格）和业务画像，基于真实语音对话数据微调，并用 GRPO 配合对话与话语两级分层奖励优化。搭配集成 SOP 约束与 RAG 的客服 Agent，ProfileSim 在口语自然度和用户画像一致性上最优，生成的话语更短且业务合规度相当，可支持意图识别训练、Agent 评测与冷启动部署。
arXiv · cs.AIAI 评分2828 何时停止惩罚动作？MART-GRPO：面向 VLA 强化学习的鞅 GRPO 方法
论文提出 MART-GRPO，用 VLM（LoRA 微调）在 OpenVLA-OFT 的 rollout 中定位最后一次可见错误，对 GRPO 的失败反馈做事件引导截断，避免有价值的恢复动作被一并惩罚。该截断在理想停止点保持参考 GRPO 梯度估计的期望并可降低协方差。在 RoboTwin 2.0 上的实验显示，MART-GRPO 在多个任务上成功率超过全轨迹 GRPO。
arXiv · cs.AIAI 评分4545 Async-RBench：评测 LLM Agent 异步任务执行的基准
Async-RBench 是一个面向 LLM Agent 异步任务执行的基准，包含覆盖八个场景的 200 个可执行任务，并通过场景控制器与 Event Response Contract（ERC）规范结果处理，同时以 Dynamic Replanning Score（DRS）独立于任务成功率进行评分。对九个 Agent 的评测显示 DRS 得分为 19.2 到 45.1，且异步交付下任务成功率平均为 26.0%，低于批量交付的 29.7%；对其中三个 Agent 在每次收到结果后重建计划的提示策略仅带来 2.6 到 3.5 分的 DRS 提升。
arXiv · cs.CLAI 评分2626 Cycle-of-Thought：面向文档图像表格 VQA 的自我评估迭代推理方法
研究者提出 Self-RefineVQA，一个免训练的推理时自我纠错框架，让单个 VLM 迭代扮演生成者、批评者和精炼者，改进表格视觉问答。该框架无需额外标注数据或模型更新，在单语与跨语言表格 VQA 基准上均带来一致的准确率提升，尤其显著提升小模型表现，使 2B-7B 参数的轻量模型可媲美大得多的模型。推理成本呈线性增长，但省去了 SFT 所需的专家标注瓶颈，累计成本更低。
arXiv · cs.CLAI 评分3535 LLM 标注能否匹配人类一致性？ANT-A 基准与对比知识多智能体框架 ANT-OR
研究者提出 ANT-A Benchmark，覆盖 7 个跨领域、跨模态数据集，每个实例含任务专属标注指南和 5 个独立人类标签，并用 Fleiss kappa 评估模型标注与人类标注分布的一致性。配套的 ANT-OR 多智能体框架从正负反馈中蒸馏对比决策规则来优化提示词，agreement@>=2 准确率比较强基线高 4.5 分，与人类标注分布的 Fleiss kappa 差距在 2 分以内。代码和基准已开源。
arXiv · cs.AIAI 评分4444 LeafSkill：面向递归 LLM Agent 的高效叶子级动作落地方法
LeafSkill 提出一种外部复用层，通过语义检索落地经验、将动作模板绑定到当前对象与可执行动作，并使用轻量 1.7B 选择器为递归 LLM Agent 选择动作。在 200 个 Robotouille 任务上完成 137 个，超过 ReCAP 的 121 个（68.5% vs. 60.5%），并在两者均完成的 106 个任务上减少 Qwen3.5-27B token 消耗 14.42%、调用次数 14.08%。技能保持在模型参数之外，冻结选择器可采纳 97.34% 的未见技能类型。
arXiv · cs.CLAI 评分4545 多模态大语言模型检索头的更全面研究
一项 arXiv 研究考察多模态大语言模型的 retrieval heads 在新增模态时的表现：以视听输入为对象，发现检索头在新模态中保持稀疏并跨模态大量共享，在 18 个语言、视觉语言与全模态模型中，全模态模型基本保留了其基座的检索头。跨模态共享的检索头不足全部 head 的 2%，但消融它们会损害文档理解、空间感知和视觉数学。通过 ranking 目标训练这些头的注意力，Qwen3-VL-8B 在 MMDocIR 上的 page Recall@1 提升 6.03 分，并在三个模型族上改善文档检索。
arXiv · cs.AIAI 评分1717 PASTA：提示词感知的退火扩散采样
研究者提出 PASTA，一种免训练的提示词感知退火扩散采样框架，用于在扩散模型生成图像时严格保留指定区域（如标题、logo 或 UI 元素）。该方法在共享潜空间轨迹上融合全提示词与上下文提示词引导，并通过退火调度在早期去噪阶段抑制语义泄漏、后期逐步恢复视觉一致性。实验表明 PASTA 提升了保留区域的保真度，同时保持整体图像真实感与感知一致性，论文已被 ICONIP2026 接收。
arXiv · cs.CLAI 评分77 WavLM 音频与 GPT-4o 文本分类器用于母语识别的对比研究
研究者对比了基于 WavLM 的音频母语识别分类器与基于转录文本的 zero-shot GPT-4o 分类器，使用口语学习者英语语料库和 CEFR 均衡评测集。总体上音频分类器在完整转录可用时表现更好，但文本方法在 A2 到 C1 水平占优，音频在 A1 水平更好且对输入长度较不敏感。
arXiv · cs.AIAI 评分4545 DealsFlow：用于风险投资交易初筛的证据门控智能体框架
DealsFlow 是一个部署于英国早期基金的人机协同智能体框架，让 LLM 阅读创业公司融资材料并引用证据评分，通过阶段化佐证上限（78/70/60 分）、只降不升的怀疑者调用和预取证据模式抑制评分虚高。在 142 笔三年以上 SEIS/EIS 投资上，其评分与总价值倍数的 Spearman ρ=0.45、识别减记的 AUC 0.71，优于无约束 LLM 的 0.38 和 0.68；20 份申请的试点中分析师单件耗时从 44.7 降至 18.9 分钟，但 70% 的报告仍需至少一处修正。
arXiv · cs.AI精选AI 评分5555 多模态智能体论文提出非平稳响应下科学仪器的自适应控制框架
arXiv 论文 2610.32370 提出一个物理可控的多模态智能体，用于非平稳响应下科学仪器的逐shot调参，包含符号物理量提取、两层记忆加 MLLM 生成动作、独立动作可行性检查三个可审计组件。在 EXL-50U 四个平台的 455 shots 按时间顺序回放中，物理符号比波形图像的 macro-F1 高 0.21-0.32，检索上下文使与历史动作方向的一致率提升 22.4-42.7 个百分点；在五个离子源的监督运行中，409 次 executed shots 的束提取率达 86.80%。
推荐理由：论文用可审计的多模态智能体在真实聚变装置上做仪器调参，给出了消融数据和监督运行成功率，方法可迁移到类似非平稳控制场景。
arXiv · cs.AIAI 评分1919 FOCUS：基于 Mamba-2 的轻量级 EEG 认知负荷分类模型
FOCUS（Frequency-band Optimized Cognitive-load Ultralight SSM）是一个基于 Mamba-2 的紧凑模型，用于 EEG 二分类认知负荷，采用固定 FFT 分解编码五个经典 EEG 频段，仅 0.04 million 参数、0.11 GFLOPs。在 11 名参与者、leave-one-subject-out 交叉验证的试点研究中，模型在全数据集上达到 74.75% 准确率，GPU 前向延迟 0.08 ms。权重共享配置比非共享版本高 4.55 个百分点，但差异未达统计显著性（p=0.083）。
arXiv · cs.CL精选AI 评分5959 FD-LHB 基准揭示全双工语音模型长对话为何崩溃
研究者提出 Full-Duplex Long-Horizon Benchmark（FD-LHB），测试五个全双工语音模型的长对话能力，发现所有被测模型最终都会性能退化或耗尽上下文窗口。滑窗模型的乱码与沉默源于 Initialization-Anchor Eviction（丢弃首个 KV 条目），重复则受模型自身近期输出强化；提出 Initialization-Anchor Pinning 与 Duplex Repetition Penalty 两个无需重训练的修复，在最长一小时的重放对话中实时运行并显著减少对话崩溃。
推荐理由：论文诊断出全双工语音模型长对话崩溃的两个机制，并给出无需重训练的两项修复方法，具可迁移性。
arXiv · cs.CLAI 评分3232 RIVER 框架量化多智能体 LLM 交互中的声明级信息动态
arXiv 论文提出 RIVER 框架，将多智能体 LLM 交互的输出分解为原子声明，从收敛、探索、保留三个维度评估信息动态。研究在 40 个新闻生成受控案例上评估五种交互策略，发现反复汇聚式交互促进收敛但缩小信息空间，分布式接力则产生更广、共享更少的信息。结果表明集体信息动态更适合用信息流机制而非下游性能来解释。
arXiv · cs.CLAI 评分4949 4DMemory：用 Harness 增强智能体评测长时程时空记忆
研究者提出 LongVideo 数据集与 4DMemoryBench 基准，用于评测长时程时空推理。LongVideo 包含约 900 小时视频和 5,000 多道人工审核问题；4DMemory Harness 集成 4 项互补技能、22+ 专用工具模型和模型专属 RAG 系统。评测 13 个领先模型发现，独立基础模型难以胜任长时程任务，而 Harness 使所有模型提升超 50%，且同一模型在 4DMemoryBench 上比较早基准下降超 10%。
arXiv · cs.AIAI 评分3333 ChoreoStudio：音乐驱动群舞编舞中的“编什么、何时变、谁来动”规划
ChoreoStudio 是一个音乐驱动群舞生成框架，将编舞规划显式化：音乐解耦器提取帧级节奏与段级结构特征，冻结的 omni-modal 模型充当编剧生成全局语义描述，Director 则输出队形选择、切换时机与舞者分配三项耦合决策。在 AIOZ-GDance 上，ChoreoStudio 在动作质量、群组组织与队形动态方面达到 SOTA。
arXiv · cs.AIAI 评分3333 OVC：从视觉亲和到学习信用，改进多模态强化学习中的 token 级信用分配
研究者提出 Outcome-Conditioned Visual Credit（OVC），一个即插即用框架，将视觉关联度量与 token 级信用分配分离，解决 RLVR 中统一响应级优势分配忽视视觉观察作用的问题。OVC 复用现有 rollouts，无需辅助奖励模型、过程标注或推理时模块。基于 GSPO-token 实例化后，OVC 在三个模型上使六项基准平均准确率较 GSPO 提升 1.86-2.39 个百分点。
arXiv · cs.AIAI 评分5151 arXiv论文提出衡量Agent技能内化的新方法以改进技能退役
arXiv 论文 2610.32322 提出测量 LLM Agent 技能内化的新方法，用于公共技能库的技能退役。现有规则只比较有无技能的增益，无法区分技能已被内化和模型与技能都不具备能力的 uncovered 状态。新方法隐去技能后在由技能合成的任务上打分，并需另一模型从该技能获益时才采信高分。在 SkillsBench 上，31 项退役中 28 项依赖未通过的探针，按未辅助得分退役无可检测的奖励损失，判定一致性 Cohen's kappa 0.42 高于增益规则的 0.23。作者发布 1251 个技能及四个模型下的任务与逐项得分。
arXiv · cs.CLAI 评分3939 研究：System One 模型并不是更好的 Reranker
一项 arXiv 研究测试 System One（决策）模型的决策微调能否比普通 reranker 微调更适合做重排器。在 0.6B 到 27B 六个 Qwen 骨干和十个 TREC DL 与 BEIR 集合上，9B 及以下 reranker 微调在 nDCG@10 上领先 5 到 29 分，27B 两者持平。结论：需要 reranker 就直接微调 reranker。