新闻、仓库与研究，按时间排列。
一项 arXiv 研究指出，VLM 视觉 token 剪枝的现有评估存在缺陷：聚合准确率可能掩盖剪枝方法是否真正识别关键视觉 token，而保留 token 数量也不能可靠反映端到端效率。作者提出 PAA-Bench 评估框架，并用 Random-Pass@k 和 Preservation-Constrained Speedup（PCS）分别衡量随机剪枝下的鲁棒性与共享保留目标下的最大端到端加速。在 8 种方法、3 个 VLM 骨干、9 个 benchmark 上的实验表明，更强的 token 压缩未必带来更高加速，效率排名随保留目标而变化。
SinapisAI 团队提出实现集体模型智能的系统方案，包含 Model Eval、Mio（Models in One）和 Mos（Model Serving OS）三个组件，分别解决能力刻画、模型选择协作与高效执行。在九个公开 benchmark 上，Mio 1.0 Lite 取得最高平均分和最低平均成本，单请求成本比最佳替代方案低 73.7-97.5%；预热共享缓存将模型文件检索加速最高 23.3 倍。
研究者推出 ServiceBench，据称是首个专注投诉处理的基准，包含 2,500 个场景、覆盖 184 类投诉和五个服务行业，并提出 APCS 模拟方法与基于公正性的评测框架。实验显示，即便强大的 LLM 智能体也难以主动收集信息、策略性引导对话，常过早补偿。用 SFT 和 DPO 做针对性后训练可显著改善，使小模型在多项结果上追平或超越大模型。
GLOSS-MT 通过离线英-特威语（Twi）词典替换源句名词短语并一次性微调翻译模型，实现可控的低资源机器翻译。在英语到阿散蒂特威语文档级基准（84 篇文档、四个领域）上，基于 NLLB-200（600M、1.3B、3.3B）、OPUS-MT en-tw 和 TranslateGemma 4B 的微调模型 chrF2 提升 +2.85 至 +5.48，三个 NLLB 微调模型达到 50.12-50.80，为最佳开源系统。无需再训练即可通过更换词典条目改变输出术语，出现率达 70-97%。
arXiv 论文 2610.24723 提出 MetaSkill，一种混合表示，在保留完整 Skill 包与本地自然语言指令的同时，通过有向无环图（DAG）运行时让调用依赖和前驱文本绑定变为可执行。在 20 项多 Skill 工件任务和 DeepSeek-V4-Flash、GLM-5.2 两个 LLM 上，与自然语言流程、Prompt Graph 及 AgentSkillOS 对比，盲评偏好点估计均占优，且 95% 任务 bootstrap 区间排除了与 Prompt Graph（DeepSeek-V4-Flash）和 OpenClaw（GLM-5.2）的持平；GLM-5.2 审计轨迹中所有计划节点完成、声明的先后约束全部满足。
推荐理由：论文把 Skill 间协调关系形式化为可执行 DAG，同时保留 Skill 内自然语言灵活性，给出 20 项任务与两个 LLM 的对照实验结果。
PV-Decoding 是一种面向扩散语言模型的置信度驱动投机解码框架，用两个置信度阈值把被遮蔽位置划分为直接解码、投机与未决 token，并采用渐进式验证策略。在三个扩散语言模型的 GSM8K、MBPP 和 HumanEval 实验中，其将顺序模型前向传播（MFP）较置信度解码降低 8%–37%，最大精度损失仅 1.3%；在 Dream-7B-Instruct/GSM8K 上，1-batch 与 2-batch 版本在同硬件下吞吐提升 7.0%–13.6%。
研究者提出张量网络 Datamodels（TNDMs），用低秩张量网络建模训练单元间的依赖，突破线性 datamodels 只能分配固定贡献、无法表达非可加联合效应的限制。在受控推理任务上，TNDM 仅观察一半训练子集即超越所有基线，TNDM-TT 在观察约 0.0061% 的可能训练子集后将预测 NMSE 较线性 datamodel 降低 89%。在事实关联微调中，单个 TNDM-CP 将留出 R² 从 0.579 提升至 0.668。
arXiv 论文提出受皮层抑制回路启发的 inhibitory message passing，一种免训练通信路由器，按证据句逐条消除冗余、每条证据至多向需要它的接收者转发一次。对比标准消息传递，对等组的准确率在三个基准上提升 39-77 个百分点，每次运行的 token 消耗下降 10-46%；结论在 7 个 4B-32B 开源模型与 2 个商业模型、最多 64 个智能体，以及点对点、编排者-工作者和多层层级等架构上均成立。
推荐理由：论文提出免训练的抑制式消息路由机制，并给出多组基准与 token 开销数据，方法可直接迁移到多智能体系统设计。
研究者提出 DiffuPlan，一种维护单一可编辑规划状态的扩散搜索智能体，当后续证据确定实体或改变搜索路线时仅重建受影响步骤，并引入 Expansion-Partition Marginalization（EPM）支持变长修订，还将扩散轨迹 RL 适配到多轮搜索。在四个多跳 QA 基准上，DiffuPlan 取得 50.24 平均 F1，超过强 AR 搜索智能体；同等数据与训练下，可编辑规划状态为扩散智能体带来 2.44 F1 提升，而其 AR 源模型仅提升 0.47。
语言模型有时会逐字重复直到生成上限，一项研究分析循环的逃逸条件：给定某片段已重复 n 次，逃逸何时仍可能。研究发现有界惩罚可导致位置锁死，并预测广泛部署的 DRY 采样器存在盲点——在 11 个开源模型上，66% 的 g=6 锁死单元在 DRY 下保持锁死，自由生成中存活于 DRY 的 109 个循环全部满足 g≤7。作者提出 DRY-C，720 次结构化输出生成均未循环到长度上限，任务完成率与 DRY 接近。
SQuIREL 是一种在实体级别测量 Wikidata 丰富度的方法，从语义特异性、限定符密度、内部连通性、引用溯源、外部网络连通性和语言可及性六个维度分别评估。案例研究显示，48% 的巴西油画聚为低丰富度 stub，而法国油画为 0%，并揭示英国与尼日利亚作家间不同的性别差距，可暴露可能指向系统性偏差的表征不平等。
研究者提出 Spherical Physics-informed Neural Operator，用于球面流形上的气象降尺度。该方法利用 Spherical Laplacian Decomposition 将大气场分解为多尺度频率分量，并通过几何感知注意力与可微分动力学约束实现任意位置查询。实验显示该框架在多种气象变量上具有更高精度和零样本泛化能力，论文发表于 IJCAI 2026。
一项研究提出以参考为中心的评估方法，用 LLM 将人类推理链步骤结论转译为一阶逻辑（FOL），并用 Z3 SMT 求解器检查蕴含。在 P-FOLIO 的 386 条推导中，202 条（52.3%）通过全部检查；230 条未被引用前提集蕴含的步骤中有 191 条在完整前提下可被蕴含，其余归因于 21 处人类推理错误、11 处 FOL 转译错误和 7 处数据集标注错误。结果表明与人类推理参考的不一致可能源自参考本身。
研究者提出 CoLAT（Contrastive Label-flipping for Adversarial Training），一个针对图神经网络标签投毒防御的对比对抗训练框架。该方法利用对比嵌入识别标签-结构不一致的高风险节点，在对抗训练中引导对抗性标签翻转，并顺带清洗部分受损标签。在多个 benchmark 上，CoLAT 在不同投毒强度下持续优于现有防御方法，且可高效扩展到大图。
MM-LeJEPA 将 LeJEPA 的自监督学习任务假设扩展到多模态，推导出在固定总方差约束下最小化加权 Fisher 信息泛函的相关高斯目标，并对 SIGReg 给出解析变换。方法仅新增一个标量超参数——目标跨模态相关性。在公开的视听分类基准上与代表性开源方法竞争力相当，代码将开源。
一项 arXiv 研究（arXiv:2610.24671）在 LongMemEval-S 和 BEAM-100K 上对比六个 SOTA 显式记忆系统与原始历史 RAG，发现后者并无一致劣势，显式记忆只在特定问题类型和紧凑运行时上下文预算下有局部收益。Oracle 检索显示部分系统在记忆构建时丢失答案支撑信息，另一些则保存了却检索不出，尽管构建成本可达每段对话数小时；作者指出改进对已有信息的检索可能比构建更精细的显式记忆更重要。
推荐理由：原文用受控检索设置对比六种显式记忆系统与原始历史 RAG，指出检索环节被低估，方法结论可迁移到记忆系统设计。
一项 arXiv 研究通过对 Qwen3-4B-Base 做生成时干预，分析 RLVR 对数学推理的增益来自哪里。仅在两模型贪心解码分歧的约 4% 位置借用 RL 模型的 token，就能恢复 90.5% 的 pass@1 增益；强制 base 模型以 "Alright" 开头可恢复 35% 的 RL 增益，开头之后的后续替换再增加 5.2 个百分点，而固定插入 "Wait" 等反思词的规则无法复现该效果。稀疏替换在 k=256 时解决 67.5% 的问题，高于 RL 模型的 61.4%，同时保留较多 base 模型多样性；比较基于相同尝试次数而非相同算力。
推荐理由：论文用生成时干预把 RLVR 增益拆到具体 token 决策层面，结论对理解 RL 训练到底改变了什么有参考价值。
arXiv 论文提出人群健康世界模型（PHWM），主张数字医学不应止步于任务特定的预测，而要刻画干预如何改变个体健康轨迹与人群健康动态。论文指出当前研究存在动态健康状态建模、人群级干预智能、面向行动的验证与公平治理三大结构性缺口，并给出行动依赖观测下的表示学习、多尺度干预智能与带明确决策边界的验证三项最小能力。
一项研究让单个大语言模型扮演多个角色进行“制宪会议”辩论，为“AI 智能体社区”起草假设性宪法。各会议收敛出一组稳定的基础法律条款，并围绕其产生多种提案，包括人类法律中没有对应物的 AI 专属条款。研究发现存在创造力天花板：AI 能把熟悉的法律概念重组扩展到新情境，但无法深入思考这些情境带来的改变，仍依赖人类法律推理。
arXiv 论文（arXiv:2610.24649）在 Terminal-Bench 2.1 上预先设定的研究中测试决策模型 Jev 1.13 作为控制器能否让 Claude Sonnet 5.5 终端 Agent 更省。21 个 held-out 任务、315 次试验中，Jev 使单次尝试成本上升 19%（几何均值比 1.19，95% CI 1.02-1.36），通过率不变（73.0% vs 73.0%）；比小模型 Claude Haiku 5.5 控制器便宜（比值 0.81），但比安慰剂贵 22%。离线评估中 Jev 排序优于规则（AUROC 0.78 vs 0.62）但校准差：判为未完成的运行中 87% 实际通过，导致要求验证本已正确的工作；所有控制器都从未选择放弃运行。
推荐理由：论文用预先设定的对照实验测了决策模型控制器对 Agent 成本和成功率的影响，数据具体，结论对脚手架设计有参考价值。
一项 arXiv 研究通过零相位低通滤波逐频段测试，发现基于频域衰减的成员推断攻击并不优于单一置信度阈值。在联邦学习的两个 ResNet-18 目标模型上，最优频段得分 AUC 为 0.513 和 0.735，而置信度阈值分别达 0.537 和 0.943；对 1206 个候选得分的搜索也未找到胜出者。机制在于：去除细节时成员与非成员的置信度差距虽增大，但方差增长更快，成员信息随图像整体结构而非某一频段存在。
论文提出 SELM（Self-Evolving Library Management）框架，将 LLM 智能体技能进化建模为库级管理问题，通过维护技能置信度与效用信号，联合管理技能检索、更新与生命周期。SELM 引入效用感知检索、Map-Reduce 定向更新及基于有效性的技能保留/剪枝机制。在四个覆盖多任务与执行环境的 agent benchmark 上，SELM 在多数设置中持续优于对比方法。
一项 arXiv 研究在神经元层面识别出跨语言共享的安全神经元集合 safety kernel（SK），并通过激活抑制和激活状态迁移验证其与跨语言安全行为的关联。基于 SK 坐标提出的 SK-Masked LoRA 将 LoRA 微调约束在对应 FFN 输出维度上，在多语言（含未参与 SK 发现的语言）中显著降低攻击成功率，对模型通用能力影响有限。
一项 arXiv 研究考察激活监测器的性能在多大程度上依赖对原始模型计算的访问。在 4 个模型、2 个反事实监测任务上，无需原始行为生成轨迹即可恢复大部分性能，但原生训练的监测器仍有最高 0.014 AUROC 的一致优势，且在改写后行为标签变化的样本上提升明显。结果强调需要评估来判定原始模型计算何时提供额外预测价值。
研究者提出 Hierarchical Score Posterior Recovery（HSPR），用少量任务子集和后验引导的自适应查询来估计软件智能体的完整 benchmark 分数。在 SWE-bench 家族四个任务库、10% 任务预算下，HSPR 在其中三个任务库取得最低平均绝对误差（MAE），四个任务库均取得最低最大绝对误差（MaxErr）。Macro MAE 在 5-20% 预算区间内持续下降，消融实验显示去掉组不确定性或自适应查询会推高误差。
该研究探索在 iPhoneBlur 消费级设备去模糊基准上，将严重度描述图以不同注入层级加入基于 latent-diffusion 的领域适配基线的效果。在统一微调预算下，输入拼接使整体 PSNR 从 31.23 提升到 31.30 dB，在 87.2% 测试图像和 15 个 held-out 源视频中的 14 个上有增益，且增益在 transformer 骨干上同样出现；而特征调制、对比目标和 spectral-loss 对照均未超过基线。作者强调这是针对所评估配置的诊断性结果，不证明注入位置是唯一原因或可靠的部署优势。
研究者提出 RareCipherFT，将训练目标与含相同稀有术语的上下文示例配对，并用字符乱序密码替换该术语，迫使模型只能从上下文中复制学习，从而强化大语言模型的 in-context term learning（ICTL）能力。在英语与泰米尔语等五种语言间的七个翻译方向、4 个 1B 至 7B 参数模型上，RareCipherFT 将术语召回率较标准 IC-Train 提升 5-15 个绝对百分点，且不降低 COMET 分数，也无需词汇资源。
一项发表于 SPECOM 2026 的研究在单说话人病理语音场景下，对 Whisper 中的 LoRA 适配做了组件级分析。结果显示：全注意力层的 LoRA 提供最可靠的准确率和最佳时间-准确率权衡；模型扩容虽能降低错误，但无法消除说话人失配；中等长度语音受益最大，短和长语音仍是难点。研究强调适配器位置与依赖时长的评估在数据稀缺个性化场景中的重要性。
论文提出用合成概念—对抗故事对的激活均值差构造特征向量，覆盖 1,036 个对齐相关概念、2M 条多语言多题材合成故事并公开发布。在三个模型家族的六个模型上，这些向量可泛化到聊天对话与网页文本的概念检测，形成跨模型可解释的几何结构，注入激活后可因果地引导模型行为，并被用于分析越狱攻击与数学及智能体推理过程中的模型表征。
推荐理由：这项工作用合成故事对构造特征向量，给出了跨六模型的可验证泛化和因果操控结果，是研究模型概念表征的可迁移路线。
研究者提出 EGIP，一种面向临床智能体的循证交互协议，通过角色信息边界、隐藏结果的诊断动作、从临床记录检索检查结果等机制，将证据获取与最终预测分离。该协议在 2 个临床智能体框架、5 个数据集和 6 个语言模型上评测，诊断准确率均优于原生基线。医生评审显示，自动评分正确且证据充分的回答比例从 10.20% 提升至 36.55%。
一篇 NeurIPS 2026 论文提出 RLAWM（基于公理化世界建模的强化学习），通过惩罚模型内部公理化世界模型与题目真实物理世界的偏离（建模漂移），在建模和求解两个层级分别给予物理奖励，且仅在训练时使用、推理无额外开销。该方法在 PhysReason 上较基线最高提升 12.2 分、在 PHYSICS 上提升 5.2 分，并在奥赛级物理和数学上零样本泛化，较最强基线取得 2.45 倍增益和 10 分提升。
研究者提出 ProbePO，一种无 Critic 的 LLM 强化学习方法，通过无奖励不确定性分数选择部分解答状态、在有限续写预算下估计期望验证器奖励，将 GRPO 的轨迹级优势重分配到 token 层面。在 1.5B-7B 参数的三个 DeepSeekMath 与 Qwen 系列模型上，ProbePO 在 18 组模型-基准对比中的 16 组取得四种方法中最高准确率；对比 VinePPO，在 DeepSeekMath-7B 上六个基准全部领先且端到端训练时间减少 76%。
Kröger 为发音动态模型 DYNARTmo 引入声学与气动扩展：手势控制轨迹确定声道几何并转换为带鼻腔分支的声管，集总气动网络将声门运动与肺压映射为气流和声门上压力存储。帧级声学响应通过 overlap-and-add 合成叠加，并以德语词"Tasse""Muse""Lade"演示元音、鼻音、边音、擦音和塞音的协调。实现目前以声音可辨识度为主，独立感知评估尚未完成。
研究者在 TikTok 气候话语数据集上通过聚类构建话语画像（discourse profiles），并以 late-fusion 架构融入细粒度气候错误信息分类器。在 video-disjoint 评测下，bag-of-words、TF-IDF 和 MPNet 表示的 macro-F1 显著优于纯文本基线，RoBERTa-large 提升为正但方差大、不具统计显著性。话语画像还能刻画错误信息的接受与传播模式。
Ashwin Nagarajan 在 arXiv 发布论文，提出 write once, check many 框架，由 writer 模型把智能体轨迹转成与策略无关的账本，reader 只凭账本检查未预先知晓的策略。在 SHADE-Arena、τ-bench 和 τ²-bench 的 900 条轨迹上，12B 模型读叙事账本的 AUC 匹配甚至超过同一模型读完整轨迹；在 SHADE-Arena 多事实策略上达 .777 对 .713，超过 31B 模型读轨迹，且八项策略合计省约 5 倍 token。论文也指出规则化抽取在部分单动作策略上更好，账本可能漏掉长工具输出和消息内容中的证据。
推荐理由：论文给出复用账本审计智能体轨迹的实测对比，12B 模型在部分策略上优于 31B 读全轨迹，还省约 5 倍 token。
该研究针对工业检索中 embedding 召回的收益递减问题，提出应分阶段评估检索与重排（reranker）环节。在中文法律检索基准上，embedding top-300 已进入高召回区间，作者比较了 embedding-mined、self-mined 与动态负样本等训练策略，发现 embedding-to-self-mined 流水线性价比最佳。该流水线可将 reranker 从 0.6B 扩展到 4B，训练后的 4B Stage2 模型在 STARD、CSAID 基准和内部开发集上指标提升，并在 410 条内部查询的离线偏好评测中于 72.4% 的非平局对比中胜出。
研究者发布 Ben-Misandry，首个孟加拉语反男性（misandry）仇恨言论检测数据集，含 5,000 条评论、六个分类，由 GPT-4.1 生成并经人工抽检。在 BanglaBERT 与 XLM-RoBERTa 的 late fusion 集成上达到 96.6% 准确率、macro ROC-AUC 超过 99%，优于最佳单模型（字符级 TF-IDF 线性 SVM 的 91.8%）。作者注明未经显著性检验，数据为合成语料，实际效果有待真实数据验证。
一项 arXiv 研究提出多元对齐的两层分类法，区分 Overton、Steerable 和 Distributional 三类多元主义目标，以及聚合群体、国家和地区、子群体三类人类参照。该框架综合梳理了 70 篇相关文献，发现现有研究集中在 Steerable 与 Distributional 多元主义，Overton 多元主义仅在聚合群体层面出现，并提出视角有效性、分布保真度等评估标准以厘清证据与主张的差距。
一项对照研究在 Qwen2.5-3B 上以 6B token 持续训练预算比较上下文扩展的长文档选择方法，发现随机采样长文档优于 repacking，而按 LongPPL 关键 token 密度选文档效果更好。其提出的 truncLongPPL 通过截断前缀计算密度，获得 2.28× 端到端评分加速，在验证 HELMET 上超过 random-long 4.54 分、held-out RULER 上 3.28 分。在 Qwen2.5-3B、Qwen3-8B、OLMo 3-7B 的短长混合训练及 SFT 后，该方法的 LongBench v2 提升 1.13–1.67 分、MRCR 提升 0.62–1.44 分。
arXiv 论文提出一种源对比诊断方法，用于检验多语言推理评测中翻译前提是否忠实：反转英文前提极性后分别翻译，统计目标语言输出是否完全相同。在 71 组配对题目、五种目标语言、三个翻译 checkpoint 的测试中，Swahili 在每个 checkpoint 的 710 对样本中分别出现 63、113、67 次精确碰撞；在以人类参照校准的阈值下，round-trip NLI 仅通过 NLLB-3.3B 113 次碰撞中的 3 次，LaBSE 则通过 78 次。每次碰撞都证明至少存在一处不忠实翻译，但无法定位具体在哪一侧。