新闻、仓库与研究，按时间排列。
arXiv 论文 MemoryTax 提出：当模型足够强、能自行搜索原始历史时，Mem0、Zep 这类预先设计的记忆系统是否仍有价值。作者在一段 LoCoMo 对话（419 轮、152 个问题）上测试四种记忆方法（full context、BM25、Mem0、Zep）和三个编码 Agent（Pi、Codex、Claude Code），每个单元搭配 GPT-4o-mini、GPT-6 Luna 和 Claude Opus 5.5 各跑一次。结果显示 Mem0 仅在 GPT-4o-mini 上胜过 full context，且其构建成本就超过一次 full context 推理；记忆系统还有由写入模型设定的上限。
推荐理由：论文用同一对话横向比较记忆系统与让模型自带工具搜索原始历史，给出成本与准确率的具体数据，可作设计取舍参考。
研究者提出证据学习方法 S-EDL，利用模型自身的序列似然构建可微 Dirichlet 先验，针对特定提示的语义类进行优化，无需固定选项即可校准 LLM 开放式生成。在四个开放式基准和三个模型上的评估显示，S-EDL 显著降低语义校准误差并提升准确率，代码已开源。
一项 arXiv 研究构建了向提示词注入常见二语学习者语法错误的受控框架，并在三个覆盖性别、种族、宗教的社会偏见基准上测试。结果显示语法错误会加重大语言模型的偏见且随错误率上升，其中介词错误对刻板印象对齐的提升最大、最稳定；在错误文本上微调可缓解这种偏见增加。基于规范英语提示词的偏见评测可能低估语法错误使用者所受的偏见。
研究者构建了包含 60 余万条样本的罗马尼亚语-英/德/法/意混合语言讽刺检测数据集 CS-SeLeRoNa 及人工校验的 CS-SeLeRoNa-Gold 基准，采用随机替换、短语翻译、依存句法分析和 LLM 四种方法生成语料。评测显示，老一代开源模型 macro-F1 降至 37%-55%，Gemma 4 31B 零样本达 68.1%，接近 GPT-5 mini 的 69.5%；微调后 Gemma 4 31B 在 CS-SeLeRoNa 上达 77.5%、gold 基准上达 72.6%，超过前沿模型零样本基线。
该论文介绍 WMT 2026 Multilingual Instruction Shared Task 的参赛方案，用 LoRA 基于主办方数据 EuroAlpaca 和跨语言增强数据 CrossEuroAlpaca 微调 Qwen3-8B，面向十种语言的开放式问答（QA-OEG）。在相同解码设置下，目标语言 QA-OEG 的 Gemma-4 评分较基座模型相对提升 7.8%；在 Aya Evaluation Suite 评测中，macro-平均 ROUGE-L 相对提升 41.5%、BERTScore-F1 提升 2.9%。但这些增益具有任务和语言特异性：目标语言的上下文问答及非目标语言的三项任务得分均有下降。
研究者发布首个印度法院判决书英-米佐平行语料库，含 13,168 个句对，来自 Gauhati High Court 和印度最高法院，由专业母语译者翻译并双人审校。在 1,000 句对的平衡法律测试集上，微调后的 NLLB 200 1.3B 模型取得 27.47 BLEU，比基础模型提升 7.16 BLEU，但英文词使用频率仍约为人工译者的三倍。语料分析还发现法律术语几乎保留英文，日常词汇多用米佐本土表达，且声调符号使用不一致。
研究者提出 MHG-Mem，一种多模态超图记忆，联合组织实体身份、状态演化及到视觉证据的溯源，并以超图智能体搜索进行跨层遍历与细粒度验证。在三个 benchmark 上，MHG-Mem 较最强基线提升 8.20-9.98%。
研究者将循环技术引入均匀扩散语言模型（UDLM），在保持训练目标和采样器不变的前提下显著提升训练效率：达到非循环模型约 0.5 万亿 token 的验证 NLL，在 OpenWebText 上最多节省 2.8 倍训练 FLOPs，FineWeb-Edu 上为 3.3 倍。相同 NFE 预算下，循环 UDLM 的生成困惑度最多降低 9.8%。训练时更频繁采样较小循环次数，可在不损失精度的前提下减少 12% 的推理循环。
研究者推出 GoiBERT，包含 26M 和 49M 两个参数规模的越南语编码器，通过同分词器教师与大教师软标签两阶段知识蒸馏训练，可直接处理原始文本。在文本分类、方面级情感分析、自然语言推理和命名实体识别共八个 benchmark 上，GoiBERT-large 以不到最强紧凑基线一半的参数量取得非教师模型中的最高平均分，且吞吐量翻倍；GoiBERT-base 以四分之一大小保留基线 99% 的性能。压缩对情感和分类任务几乎无损，但在推理和实体识别上代价仍高。
论文提出 VX-One，一个 100K-10M 参数的小型多决策头网络，输出校准门控、含显式 unknown 选项的闭集选择和序数分数，CPU 上 p50 约 0.7-1.7 ms。在 UNSW-NB15、CIC-IDS2017、EMBER2024 上与 XGBoost、Kitsune 等对比，检测在 UNSW-NB15 和 CIC-IDS2017 时间漂移下占优（0.711 vs 0.637），但多分类归因均输给 XGBoost。两级级联（Suricata 52,674 条规则 + VX-One）组合 recall ≥0.978，而所有方法的校准在时间漂移下均崩塌（ECE 0.04→0.40）。
研究者推出 P2NPCBench 基准，将 12 个问题族中的 NP 完全问题与同表面的 P 问题配对，并用 AgentGAN 对抗性多智能体框架改写题目以消除教科书式提示，生成 2,114 条经人工验证的题目。评测 12 个专有与开源模型发现，模型在 NP 完全题目上的 pass@1 为 35.4%，显著低于 P 题的 63.8%；十倍时间限制仅将 NP 完全准确率从 28.5% 提升至 31.9%，说明失败源于程序错误而非速度，且对抗性加固使复杂度类差距从 24.8 收窄至 14.6 分。
Zhennan Wan 等提出 LongZero，让 LLM 自行合成带证据的多跳推理与多轮检索任务，再用 GRPO 训练，无需任何外部数据即可提升长上下文推理。模型先以紧凑结构化形式生成问题、答案与证据，再将其扩展为长多文档上下文；在两个 LLM、五个长上下文推理基准上优于基于外部语料合成数据的 RL 基线，代码与数据已开源。
一项 arXiv 研究将概念增强（用语义相关词替换目标词的句子增广训练）从名词扩展到动词和形容词，考察词性对 LLM 训练效果的影响。结果显示：概念增强对新闻类文本的困惑度改善最稳定且不依赖词性，而动词带来最可靠的下游任务增益；CKA 和 linear probing 的表征分析表明，下游增益最大的条件未必最改变模型内部表征。
论文提出 PAUSE 框架，在编码智能体发出首次源码编辑请求前拦截，由独立 Planner 读取任务和编辑前转录生成一份修复计划，无需学习监控器、检查点搜索或额外模型调用。以 Qwen3-coder 为 Executor、GPT-5.6 Sol 为 Planner，在 SWE-bench Verified 的 OpenHands 上提升 16.8%，在 Multilingual 的 SWE-agent 上提升 14.7%，并优于 LivePlan 3.2% 和 3.7%，Planner 开销约为 SICA 周期性监督的 11-15%；离线模式下从记录前缀恢复可挽回 35.4% 的合格失败任务，比重启少用 33-41% 的 Executor token。
推荐理由：论文给出单次规划干预的无搜索引导框架，用 SWE-bench 实测提升幅度与 Planner 开销对比，方法可参考。
这篇 arXiv 综述梳理了从规则流程、NLP 模型、Transformer 编码器到 LLM 与智能体系统的材料数据提取方法演进，可处理文本、表格和图形等多模态信息。这些进展支撑了可查询材料数据库与知识图谱的构建，以及跨材料科学问答、AI co-scientist 和与自主实验室结合的闭环优化发现。作者评估了数据集质量、提取精度与计算成本，并指出样本级四要素提取、基准数据集稀缺和非标准术语等开放挑战。
论文将 Gemini 3.8 Flash（temperature 0）作为事件触发跌倒筛查器的决策端，零样本判定 32x24 公开热成像数据集中的短片段：438 次摆拍跌倒中被叫出 67%（留出受试者 69%），499 个非跌倒窗口无一误报。在 160x120 有人居住房间 76 小时录音中，395 个日常片段零误报，9 次可见摆拍跌倒捕获 4 次；删除提示词中一句关于离开视野的警示后，敏感率在家用场景升至 9/9，但会把故意躺下误判为跌倒。8x6 像素下敏感率降至 34%，而两个传统检测器在实验室近乎全中却在家庭场景每天误报 14.2 和 23.9 次。作者公开了帧级跌倒标注和全部模型回答。
推荐理由：论文用真实部署口径实测多模态 LLM 做热成像跌倒筛查，给出了敏感率与误报数据，并指出提示词一句话对结果的显著影响。
一项 arXiv 研究对四个 instruction-tuned LLM 按 Hofstede 单一价值维度进行微调，发现针对特定价值的训练会波及未训练的价值维度，并影响风险偏好、社会认知与安全特性等无关行为。作者建议 post-training 的价值对齐应纳入更广泛的行为评估，并探索价值训练在流程中的最佳位置。
arXiv 论文（已被 AAAI 2026 "Personalization in the Era of Large Foundation Models" Workshop 接收）指出，提示词隐私研究正走向统一框架的设计方向，具有误导性并可能造成虚假安全感。作者认为隐私本质上是情境化的，呼吁重新考虑统一框架路线，并提出三条路径：应用特定的 LLM 部署、情境化的隐私框架评估，以及提升隐私素养。
一篇 NeurIPS 2026 论文提出以“度量”视角看待 benchmark 评测，形式化出两类失败模式：度量失配与覆盖缺口，并给出带理论保证的两个诊断指标。研究分析了横跨 7 个领域的 25 个热门基准，发现不少基准隐式偏重某些难度区域，其排行榜结论需谨慎解读；另一些则留下大片难度轴未覆盖。作者还提出 BenchFill，一种针对难度的条目改写算法，可有效缩小局部覆盖缺口。
新框架 ThreadRAG 通过 Semantic Topology Mapper 将检索文档组织为保留上下文的语义节点并构建语义拓扑图，再由 Energy-Driven Pathfinding 经能量扩散定位相关子图并线性化为连贯文本证据路径。在三个多跳 QA 基准上，ThreadRAG 在 HotpotQA 上较文本中心方法提升 14.4% EM，在 2WikiMultihop 上超最佳基线 5.8% EM，同时 token 成本降至最强基线的 23.3%。
研究者提出 ToM2Vec，通过固定预算的连续推理 token 让 LLM 智能体在潜在空间中形成抽象心智理论。在 Overcooked-AI、Hanabi、多方谈判等合作、竞争与混合动机环境中，其表现持续优于基线模型，且能泛化到训练时未见过的模型家族（包括 GPT-5.4）。分析显示潜在 token 编码的是心智理论而非任务特定信息，且以文本表达推理时性能会下降。
一项 arXiv 研究测试基于 LLM 的 System One 决策模型在法律权威验证中能否在正确答案缺失时弃权：扩展 CaseHOLD 数据集（5,314 项中 1,670 项替换正确 holding）后发现，生成式 LLM 在无正确选项时仍于 38-86% 的情况下强行选择，最谨慎的决策模型为 30%。在标准 CaseHOLD 上，决策模型以 1/55 的成本达到与最佳生成式 LLM 相当的准确率（88.1% vs 88.2%）；两者结合可将错误引用减半，其概率蒸馏到 Qwen3-8B 后可得校准良好的本地模型。
研究者推出 CulturalRiddles，一个完全由人工共创的多文化谜语基准，覆盖 62 种文化、45 个国家和 51 种语言，要求模型具备溯因与组合推理及文化语境知识。团队对 28 个 LLM 配置进行了自动与大规模人工评测，即使前沿模型在某些文化群体中准确率最高也仅 22%。全部数据与代码已公开，并开放持续扩展文化与语言覆盖的贡献流程。
FaultGene 是一个 LLM 辅助框架，可自动生成可执行的故障增强测试，用于自动驾驶系统的硬件在环（HIL）故障韧性验证。它基于给定的 Scenic/CARLA 基线场景和结构化故障规范生成测试用例，并通过语义一致性检查和执行反馈进行离线微调。部署后无需人工构造参考执行或反复迭代即可直接生成测试。
复旦等机构研究者提出 TIDE，将诊断评测重构为行为驱动的决策树归纳，从 benchmark 样本和模型分数递归构建层次化能力树进行细粒度能力诊断。该方法在 5 个模型、4 个 benchmark 上应用，发现聚合分数掩盖的能力差异：Claude Opus 4.6 在微观经济市场推理上达 100%，高于 GPT-5.4 的 83.3%，但在合同法推理上以 77.8% 落后于 GPT-5.4 的 88.9%。
HiddenLens 是一个六层 BERT-LLM 流水线，可检测、分类、质疑并解决软件需求中看似清晰实则隐含的假设。配套的 HiddenLens Corpus 含 312 条需求、847 个隐藏假设标注，覆盖六类非功能需求。该框架端到端 F1 为 0.79，较 keyword 和 QuARS-Adapted 基线分别提升 71% 和 61%，其 BERT NFR 分类器 F1 达 0.847。
研究者发布一个电信告警风暴开放生成器（Apache-2.0），基于 Internet Topology Zoo 真实骨干拓扑，为每条告警记录确切根因与传播路径，所有字段绑定 NORIA-O、RFC 8632、RFC 8345 或 TMF642 术语，并附固定配置、划分、评分器和九个基线。「对最早 critical 告警设备排序」的单行规则 top-1 达 0.650，胜过时间方法 0.575 及 LLM 的 0.600（可查询图时 0.625），在真实运营商告警上也以 0.773 领先；但站点断电时 PoP 无告警，排序类方法得分 0.000，遍历拓扑的方法可达 1.000 和 0.833。
研究者提出一条管线，将微调神经检测器转化为基于人类可读概念的分类器：在检测器残差流上训练稀疏自编码器（SAE），为每个特征自动标注解释，只保留通过全局保真阈值的特征，再用其训练轻量分类器。实验显示这些特征对应 AI 生成文本高度具体的语言“破绽”，所构建分类器不仅高度可解释，在分布外文本上性能优于神经分类器和文体学方法。该工作已被 EMNLP 2026 接收。
论文提出 Agent Behavior Maps，通过在共享参考轨迹上计算居中的动作对数似然来表示 LLM-harness 组合，无需为目标 agent 运行新的环境 rollout。在 100 个 LLM 和四个环境上，基于 ALFWorld 的坐标可支持性能预测并识别行为相似性，且在控制成功率和模型规模后这些相似性仍跨模型家族存在。推导的误差 bounds 将坐标距离与轨迹 KL 相关联，八个交叉评分模型的距离排序与实测轨迹 KL 一致；harness 组件位移近似可组合。
Code Comprehensor 是一个混合检索-推理框架，结合代码依赖调用图、基于代码感知 LLM 生成分层文档的 CodeScribe，以及 CLIP 风格双编码器 CodeContrast，实现文本-代码对齐检索，并经 MCP 编排器回答领域查询。在 OpenCV 和一个 500 万行代码的私有仓库上，CodeScribe 衍生监督显著提升 text-to-code 检索准确率；RAGAS 评测显示输出 faithfulness 超过 90%。该论文已被第 42 届国际软件维护与进化会议（ICSM）接收。
GuideEvolve 是一个结合专家引导与 3Ts 机制（Think Fast and Slow、Throwback、Termination by choice）的自进化智能体框架。在 MGSM 上达到 89.8% 准确率（Gödel Agent 为 90.6%），MMLU 上 89.1%（对手 87.9%），方差降低 25-59%。其进化成功率达 100%（基线 82%），优化迭代次数从 30 次降至约 15 次。
一项 arXiv 研究表明，训练后的交换关联泛函在精确密度的 Kohn-Sham 轨道上的 Brillouin 残差，一阶控制自洽密度偏移及拟合能量与自洽能量之间的差值，且惩罚该项无需训练中求解自洽场。仅用 6 个能量和 11 个 CCSD 密度训练的神经 meta-GGA 泛函，在未见分子的原子化能量和密度上均超过 SCAN。
arXiv 论文（arXiv:2610.30026）指出，主流文档转换器会丢失作者通过排版编码的含义，导致企业 Agent 自信地答错而非明显不完整。基于 76 份真实政策文档的任务上，格式盲摄取使 micro F1 从 0.690 跌至 0.150（docling）和 0.075（纯文本），差距在两个厂商的六个回答模型上复现；span 级 leave-one-out 将损失定位到高亮（+0.302）和颜色（+0.262），6,460 份文档中 32.8% 带有刻意颜色或高亮。结论是可靠性取决于摄取而非推理，修复方式廉价且可测量。
推荐理由：研究用 76 份真实政策文档量化文档摄取层丢失格式线索的程度，并给出低成本可测的修复方向，对 Agent 构建者有直接参考价值。
一项 arXiv 研究提出 Behavioral Localization 方法，通过对比冻结 Agent 有无文本技能时的行为差异，定位对技能效果贡献最大的轨迹位置，再用这些位置监督训练短软提示。在 SpreadsheetBench 上用冻结的 Qwen3.6-35B-A3B 实验显示，轨迹中前 10% 的位置捕获 96.12% 的正向技能增益；共享提示设置下成功率从全轨迹监督的 30.36% 提升至 36.79%，任务特定设置下达到 57.38%，超过完整文本技能和 OPCD 基线。
论文提出 HGM-Dual，一个面向规划智能体的诊断引导式 harness 进化框架，将智能体进化表示为谱系感知上下文，并采用错误条件下的双路径子代生成。该方法在 case accuracy 上较最强基线最高提升 14.45%，并以 2x-4x 更少的评估预算达到 HGM 变体的最终性能。
研究者提出 SP-HLM 框架，用稀疏位姿接口连接高层任务策略与人形机器人全身控制。其中 SP-VLA 模型基于多模态观测和语言指令异步推理预测任务关键稀疏位姿与手指关节位置，SP-MGM 经两阶段蒸馏实时重建全身协调运动，SP-GMT 融合显式目标与隐式运动先验完成全身控制。仿真和真机实验显示其在运动跟踪、全身协调与移动操作成功率上优于现有方法。
一项 arXiv 研究（arXiv:2610.30045）通过可执行的算术规则与受控输入变化，将决策模型的表现拆分为规则迁移、联合可靠性和定向信息使用三个可分别测量的维度。实验显示适应增益随最近源答案一致度增加，完全冲突的四元组池化增益很小且在不同源划分下增益符号不同；等价改写在任务层面产生相反效果。测试的决策服务对等价措辞的回答变化大于相同文本重复，且通常遵循被改动表格数值或映射所隐含的答案目标。
研究者推出 SWE-DIVE，一个用于多轮环境评测编码智能体的动态交互式验证框架，弥补 SWE-bench 等基准只使用一次性、结构化 GitHub issue 输入的不足。框架包含可模拟不同行为模式的用户模拟器和评估其输出是否符合初始需求的对话验证器，整体嵌入 Harbor 环境，负责编排智能体、用户模拟器与验证器并执行测试环境。结果与源代码已在 GitHub 仓库公开。
May Espinola 与 Qifan Zhang 在 arXiv:2610.30051 提出统一闭环评测框架，在不做任务微调的情况下测试六个前沿模型对 LIBERO-10 机器人操作任务的能力，共 18 种配置、1800 次评估。GPT-6 Astra 以 44% 成功率居首，Gemini-4 Argon 为 43%；提高推理程度普遍有助表现但增加推理成本，模型在物体放置任务上较好，在精确空间排布和复杂多步交互上较弱。
一项 arXiv 预印本研究提出将图表作为数据智能体推理循环中的内部认知动作。团队构建了包含 200 个受控任务的 \probe{} 测试集，发现智能体能从自生成图表获得与数值输出同等的得分，但并不会稳定地主动使用图表。其提出的 \method{} 方法从轨迹 rollout 中蒸馏两类经验并经验证门筛选，在三个 held-out 基准、四个 LLM 骨干上提升分析准确率与视觉证据质量，且不改动模型参数。