如何从语音信号直接估计 surprisal：一种基于重要性采样的方法
一项 arXiv cs.CL 研究提出用语音 LM 直接从语音信号估计 surprisal，摆脱依赖文本转录的瓶颈。该工作引入重要性采样估计器，通过 TTS 模型对抽象语言单元的多种声学实现边缘化，在瞳孔测量听感实验中，发现该方法比逐实现估计更准确预测瞳孔扩张，亚词汇单元的 surprisal 也有预测力；但整体上 surprisal 对瞳孔变化的预测力不强。
#论文/研究
新闻、仓库与研究，按时间排列。
arXiv · cs.CLAI 评分1818 arXiv · cs.CLAI 评分4242 复制不等于落地：用 Authored-Sentence Credit 训练忠实长文 RAG
arXiv 论文指出长文 RAG 的 faithfulness 奖励会被复制粘贴"钻空子"，模型倾向照抄检索段落而非自己撰写有依据的内容；KL 或 copy penalty 只会转移问题，GRPO 逐句给出答案级优势还会强化复制句。论文提出 Authored-Sentence Credit（ASC），把奖励和优势下移到句子级，只奖励原创、有信息量且被段落支持的句子。在 4 个模型和 5 个语料上，ASC 将原创句错误率中位数降低 38%，被支持句子增加 46%。
arXiv · cs.CLAI 评分2222 SeTPO：基于双向 KL 约束的教师引导小语言模型工具学习方法
论文提出 SeTPO（Selective Teacher guided Policy Optimization），通过逆向 KL 的 token 级教师反馈与正向 KL 持续监督，解决小语言模型在强化学习工具使用探索不足与师生行为分布失配问题。理论上证明最优策略期望奖励不低于教师并保留部分教师概率质量，在 BFCL v4 与 API Bank 上超越 SFT、强化学习和蒸馏基线。
arXiv · cs.CLAI 评分2222 Readout Scaling 如何影响稀疏自编码器的特征恢复：RC-DS 方法研究
研究提出 readout-canonicalized decision-space（RC-DS）坐标方法，去除奇异值增益同时保留决策信息，用于分析 readout scaling 对稀疏自编码器（SAE）特征恢复的影响。在受控坐标匹配实验中，当因子在 readout scaling 之前生成时，RC-DS 将平均稀疏因子恢复从 0.506 提升至 0.913（条件数 100）。在三个固定语言模型 checkpoint 的全部 18 个 task-sparsity 设置中，RC-DS 均获得更高的无增益重构，而 centered-logit SAE 在其中 17 个设置中更好地重构输出 logits。
arXiv · cs.CL精选AI 评分5353 研究实测 ChatGPT 健康建议安全性：四国 20 万对话中约五分之一为高风险
一项 arXiv 研究基于印度、尼日利亚、巴西、巴基斯坦 1,252 名用户授权捐赠的 202,590 条 ChatGPT 对话，筛出 15,555 条健康对话做安全评测，约五分之一获高风险评级。风险集中在症状与病情类提问，表现为不安全用药剂量建议、有害自我诊断、缺失安全警示和未引导就医；加入用户自身上下文后高风险比例上升 13-17 个百分点，约四分之一单独评级安全的对话对具体提问者并不安全。作者指出基于合成病例的安全评测可能漏掉这些伤害。
推荐理由：论文用四国真实用户对话而非合成病例评测 ChatGPT 健康建议安全性，发现合成评测可能漏掉的风险模式。
arXiv · cs.CLAI 评分5151 arXiv 论文提出 DeRef 方法缓解工具调用裁判模型的推导缺口
arXiv 论文（arXiv:2610.18497）发现工具调用裁判模型在输入中没有说明正确取值的参考文本时，接受正确参数值的比例下降，作者称之为推导缺口，在评测的七个裁判模型上均存在，且正确默认值在无截断基准上缺口最大。受控来源搬迁实验表明裁判更倾向采纳可见的错误值而非来源被隐藏的正确值；作者提出的 DeRef 方法由单独模型读取完整对话历史后为裁判生成参考，在三个基准上提升所有受测裁判的参数 AUROC，在受控测试中将 AUROC 从随机或以下水平提升至 98.40 到 99.59。
arXiv · cs.CLAI 评分3737 FaithAlign：面向理论尺度自动形式化的忠实性对齐评测基准
该 arXiv 论文将自动形式化（AF）的忠实性评测建模为“先对齐再标注”问题，在非形式与形式化陈述间识别短语级对应并逐条标注忠实性。论文发布首个理论尺度忠实性基准 FaithAlign，含 460 个条目和 4,982 条标注的短语级链接，另有去除上下文与假设的 FaithAlign-Gap（146 条）。8 个模型中 GPT-6 Astra 缺陷 F1 最高达 47.8%，在 FaithAlign-Gap 上仅识别出 28.2% 的不可判定条目。
arXiv · cs.CL精选AI 评分6161 编码智能体长文档任务研究发布 TrialPD-Bench 基准与 TrialScribe 框架
研究者以临床试验方案数字化为测试场景，发布含 150 份公开协议 PDF、四个任务类别的专家标注基准 TrialPD-Bench，并评估九个模型在五种 coding-agent harness 下的表现。结果显示最强智能体也无法完全解决该任务，通常能定位所需证据但在转写与结构化的最后一公里失败；配套的领域 harness TrialScribe 加入任务技能与验证循环，使本地部署的开源模型在八项指标上提升 6.2-59.4 分，达到或超过 GPT-5.6-Sol 等专有模型。
推荐理由：原文用专家标注基准把编码智能体在长文档任务上的失败定位到转写与结构化环节，并给出可复用的领域harness改进数据。
arXiv · cs.CLAI 评分5050 知识蒸馏研究揭示"烙印"效应：教师模型可改变学生模型行为倾向
arXiv 一项研究提出"烙印"（imprinting）现象：用同一基础教师模型构建的害接受与害回避两种变体生成普通推理与知识问题的回答并蒸馏给学生模型，学生在获得任务能力的同时，下游决策会向源教师的安全务实倾向偏移。排除稀疏的分歧 token 可减弱烙印，而蒸馏后的偏好优化虽提高害回避程度，却无法消除源自源教师的差异。
arXiv · cs.CLAI 评分4242 语言模型 logit 几何的系统性分析：通用结构与训练学到的偏离
该 arXiv 论文实证分析自回归语言模型在每步预测产生的词表级 logit 向量，发现有序 logits 遵循跨架构与规模一致的 log-linear 关系 z_(r) ≈ μ − α·log r。训练后模型的斜率 α 约为 1.4–1.7，远高于初始化基线的 0.2，且 α 与预测性能相关，表明其捕捉了超越极值效应的学习结构。
arXiv · cs.CLAI 评分2222 检索分歧作为信号：诊断并调控多语言稠密嵌入模型
多语言稠密检索器将所有语言放进一个共享向量空间，但同一问题用不同语言提问会检索出明显不同的文档；各语言单独排序表现一致，分歧仅在共享索引下出现，正确答案被同语言或英文的无关文档挤到靠后位置。研究提出 disagreement-guided steering 方法：对比各语言一致文档与该语言特有检索文档的表示差异，得到语言专属方向并在推理时加到对应语言查询上，相比 language-mean removal、subspace removal 和 per-language rotation 等基线最能减少同语言挤占，同时在 recall 上保持竞争力。
arXiv · cs.AI精选AI 评分5454 GUIDE：面向可信临床实践指南更新的计算增强共识系统
Yuanfan Lin 等人在 arXiv 发布 GUIDE，一个用于人类与 AI 协作生成和更新临床实践指南（CPG）的多智能体 copilot 系统，将劳动密集型任务交给专用智能体，专家保留判断与最终仲裁。在 12 个 NICE 眼科数据集上，GUIDE 实现文献召回率 88.85%、证据确定性评级一致率 86.06%、推荐一致率 91.67%，平均每个数据集耗时 162.17 分钟（人工干预 28.68%）；在心血管、内分泌、消化和呼吸领域 20 个数据集上表现稳定。消融分析显示移除专家干预会降低偏倚风险评估等判断密集环节的表现。
推荐理由：论文报告了在 NICE 眼科数据集上的文献召回率、推荐一致率与人工干预比例等数字，便于评估多智能体系统在指南更新中的实际表现。
arXiv · cs.AIAI 评分2525 SatPV-Field：构建区域光伏发电场改进分布式光伏超短期预测
研究提出 SatPV-Field 框架，将分布式光伏测量数据转化为图像状区域发电场并建模其时空演化，结合卫星短波辐射与气象预报预测区域发电状态。在 496 个分布式光伏系统（446 个源站、50 个目标站）上的实验显示，该方法的站级 MAE 较最优单站时序基线降低约 10.0%，较基于图结构的区域预测方法降低 2.5%。
arXiv · cs.AIAI 评分4747 超越完美队友：面向不可靠同事的 LLM 多智能体协作研究
该研究提出 Unreliable Colleagues Benchmark（UnCoBench），通过 Misaligned、Incomplete、Missed 三类故障设置，将 LLM 多智能体协作中的任务求解能力与从不可靠证据收集过程中恢复的能力区分开。配套的可验证自动生成管线结合 LLM 场景生成与答案唯一性、角色必要性的可执行检查。十个模型的测试显示，可靠设置下表现相近的模型对不可靠证据的鲁棒性差异明显，且常缺少纠正性追问。
arXiv · cs.AIAI 评分4444 arXiv 论文提出被动模仿（PI）机制：局部修复与验证式技能习得助力自适应智能体
一篇 arXiv 论文将被动模仿（PI）形式化为定位违约、提取局部目标、提出匹配技能并小规模修补、全任务验证后保留证据的架构循环。在十个模拟工具世界中，PI 用 3 次小试验解决全部 600 个冷启动 held-out 组合任务，对照的整轨迹方法仅 6.17%；面对未见过的工具修订，成功率达 70.0%，自试验枚举下为 79.0%。实现仅用 CPU，代码已开源可复现。
arXiv · cs.AIAI 评分1414 面向香港 AEC 行业消防安全规范解读的 LLM 评测基准研究
研究者与领域专家合作构建了一个针对香港消防安全规范的 LLM 评测数据集，含选择题（MCQ）与开放式题（OEQ），评估 12 个专有和开源模型。表现最好的专有模型在 MCQ 上准确率达 80-90%，开源模型普遍落后；而专家人工评估的开放式题准确率仅 50-70%，表明 LLM 在专业合规任务上仍有较大提升空间。
arXiv · cs.AIAI 评分4040 APB 基准：通过多轮主动探测评估 LLM 知识推理能力
研究者推出 Active Probing Benchmark（APB），将概念识别转化为多轮交互式推理任务，覆盖八个学术领域的 960 个目标概念。评测发现一个反直觉现象：多数开源推理模型显著弱于其对应的 instruction 模型，表明它们在交互场景中难以运用过程性推理获取和应用专业知识。APB 还提供了可扩展的基准生成流水线。
arXiv · cs.AIAI 评分5151 Omni-Modal LLMs Know More Than They Say：全模态模型感知正确却难以表达非文本模态信息
arXiv 论文 arXiv:2610.16135 提出全模态大语言模型（Omni-LLMs）存在 knows-but-cannot-say 现象，即模型能正确感知视觉、音频、IMU 等非文本模态信息，却无法在回复中表达出来。作者提出 token 级模态对齐指标 TMA，发现非文本表征与回复 token 的对齐度和获得的注意力都低于文本表征，并提出 perceive→infer 策略 OmniCatalyst，用模型自生成的文本补充原始模态输入；在七个 Omni-LLM 上平均提升 7.29%，使模态偏好更均衡，知识提取阶段会提高 TMA。论文共 36 页、25 图、14 表，代码已开源。
arXiv · cs.AIAI 评分3131 大语言模型通过可微分用户均衡层辅助交通规划研究
该研究提出一个人机协作的交通规划框架，将大语言模型、MCP 接口、开源规划引擎 AequilibraE 和可微分用户均衡（UE）分配层结合，通过直接微分 Beckmann 交通分配问题的 KKT 条件实现可微分 UE 层，使非专家用户能执行网络分析并进行优化。框架在行程时间函数标定和预算约束下网络设计两项任务中得到验证。
arXiv · cs.AIAI 评分4242 arXiv 论文提出 Phantom Merge：LLM 智能体的实体-证据绑定错误及两阶段检测修正框架
arXiv 论文识别出 LLM 智能体的 Phantom Merge（PM）错误：智能体把无依据的断言归因于其承诺的实体。提出的 AGR 方法在 Shopping 检测集上 AUROC 达 96.2%，FAC 修正方法将轨迹级 PM 从 51.4% 降至 6.2%。代码已公开。
arXiv · cs.AIAI 评分3232 Pollard：面向框架无关 AI 智能体控制的受治理语义执行树
论文提出 Pollard，一种基于受治理语义执行树的框架无关运行时，用统一的步骤身份记录完成、拒绝、资源结算与分支历史，支持不调用底层操作的严格回放和跨并发 worker 的事务性存储。在签名确定性冻结下，双副本评估未出现不变性违反，严格回放避免了外部调用，语义变异全部被检出且对照组无误报，多框架矩阵验证了参考行为。论文已被 IEEE ICTAI 2026 接收（短文）。
arXiv · cs.AI精选AI 评分5252 Unravel：从单张图像恢复可交互 3D 场景的免训练框架
论文提出 Unravel，一个免训练框架，可将单张图像转为每个物体都可独立移动的可交互 3D 场景。其方法由视觉语言模型规划可见物体、图像编辑器逐层移除并还原被遮挡区域，以点云为主要模态恢复空间关系，每次编辑先验证再纳入重建，并按反向移除顺序重建场景，将观测点作为物体尺寸下限，最后物理沉降与智能体审查修正漂浮和穿透问题。在多样室内场景实验中，Unravel 比现有方法恢复更多物体、摆放更忠实、物理合理性更高。
推荐理由：这篇论文展示了用智能体逐层剥离图像来重建可交互 3D 场景的完整做法，各环节可验证可复现。
arXiv · cs.AIAI 评分2828 WildTrace：评估真实大规模 LLM 后训练场景下的训练数据检测
arXiv 论文提出 WildTrace 基准，在覆盖 SFT、DPO 和 RL 的真实大规模后训练流程中评估训练数据检测方法，并构建四个任务上分布匹配、成员标签可验证的评测集。结果显示现有最佳方法的平均 AUC 仅 0.529，接近随机猜测水平（0.5），且评测协议会显著影响测得的检测性能。
arXiv · cs.AIAI 评分4949 TIPER：通过人格演化与任务完整性约束揭示 LLM 智能体的鲁棒性弱点
研究者提出 TIPER，一种保持任务完整性的用户人格演化方法，可自动发现暴露交互式 LLM 智能体鲁棒性弱点的用户策略。在四个交互式智能体基准上，TIPER 使全部 12 个 GPT-5.4 设置及 7 个智能体共 28 个智能体-领域组合的 held-out avg@3 分数下降，降幅 5.8 至 33.7 个百分点，中位数 22.9 个百分点。该方法还构建了行为-失败分类法，为智能体鲁棒性改进提供失败分析依据。
arXiv · cs.AIAI 评分4343 Fisher information 与神经网络中记忆化的几何结构
该研究将 Fisher information 作为区分泛化与记忆化的诊断工具，在 CIFAR-10 上训练视觉模型并加入只能通过记忆化学习的受控噪声，发现把模型权重投影到 top Fisher 特征向量上可解耦任务泛化与噪声样本记忆化，且该解耦在不同层表现不同。同类现象也出现在解决合成上下文学习任务的小型 transformer 中，并可在可解析求解的线性模型中闭式重现。论文共 20 页，已被 NeurIPS 2026 接收。
arXiv · cs.AIAI 评分2424 移动固体交互下的交互式 4D 体积液体预测：arXiv 提出 TIDE/TIDES 递归预测框架
arXiv 论文提出“交互式 4D 体积液体预测”任务：根据固体在液体中的运动预测未来稠密 3D 液体速度场的时空演化，可服务于机器人液体操控、数字孪生与刚体-流体视频生成。作者提出两级递归框架 TIDE 与 TIDES，其中 TIDES 加入传输感知耦合与显式稳定机制以降低长时滚动误差，在迁移基线对比、组件消融及运动/尺寸 OOD 测试中取得最佳预测性能。代码已开源。
arXiv · cs.AIAI 评分4343 ProCARE：基于画像约束证据合同的真实世界研究自动化框架
arXiv 论文 ProCARE 将真实世界研究（RWS）自动化重构为受限编译：把异构数据画像转换为 Evidence Contracts，并将研究目标编译为强类型中间表示 RWS-IR，再通过确定性校验与局部修复检查生成的工作流。在 36 项 EHR benchmark 任务上，ProCARE 在代码可执行性、语义一致性和结论可溯性上超越强 LLM-agent 基线，自动违规诊断与盲评专家审查达成中至高度一致，论文已被 NeurIPS'26 接收。
arXiv · cs.AIAI 评分3434 SLKR：面向零样本文本分类的以标签为中心的知识检索框架
论文提出 SLKR（Semantic Label Knowledge Retrieval），一种以标签为中心的检索增强生成框架，将旗舰 LLM 离线构建的标签定义与边界规则复用于轻量模型的在线推理，完成零样本文本分类。在三个公开 benchmark 和一个多语言图书分类数据集上，SLKR 使用 Qwen3.5-4B 在全部四个数据集取得最佳结果，用 Ministral-3-3B 在其中三个取得最佳，且无需任务专属标注样本。
arXiv · cs.AIAI 评分4545 Choice2Seq 基准：衡量模型在完整答案选择与序列构造间的正确性保持
arXiv 论文提出 Choice2Seq 诊断基准，用序列构造保持率（SCR）衡量模型选对答案后能否通过局部决策序列正确构造出该答案。Jev 在算术和词法检索上的选择准确率达 97.1% 和 99.5%，但串行构造下正确率仅保留 33.0% 和 2.1%；StartLux 与 Qwen 也存在明显差距。限制局部候选字符可改进构造，显式位置索引可提升复制保真度。
arXiv · cs.AIAI 评分2222 MP-MNCA：用于高效空间域识别的形态先验掩码邻居交叉注意力框架
研究者提出 MP-MNCA，一种保留完整 3000 维高变基因表示、并将组织学相似度作为连续注意力先验的掩码邻居交叉注意力框架，用于空间转录组学的空间域识别。在 12 个人类背外侧前额叶皮层（DLPFC）切片上，MP-MNCA 以更少训练轮数达到连贯空间域结构，平均峰值 refined ARI 为 0.546（最强基线 STAIG 为 0.549），平均 refined NMI 达 0.657（STAIG 为 0.640），并在 12 切片中 7 个的 ARI、11 个的 NMI 上胜出。
arXiv · cs.AIAI 评分4141 GenRevisit：面向智能体组合图像生成的回访式框架
研究者提出智能体图像生成框架 GenRevisit，将动作选择扩展为联合选择续接状态与编辑动作，使智能体可回访历史图像候选而非固定从最新图像继续优化。训练采用 SFT 加智能体强化学习，并提出 NACA 改进 GRPO 的粗粒度信用分配。在 GenEval2 上，GenRevisit 结合 Qwen-Image-2512 与 Z-Image-Turbo 分别取得 GM 分数 84.3 和 74.4，超过同生成器最强基线 12.7 和 10.9 分，并在 GenEval、GenEval++ 与 GenEval2 上达到 SOTA。
arXiv · cs.AIAI 评分4343 GUIDE 框架：让 LLM 自学习通用多方群聊主持策略
GUIDE 框架（Generalized Unified Intervention for Dynamic Exchanges）让 LLM 从 432 段多方对话中离线自学习通用主持策略，并以与人类标注对齐的 LLM judge 迭代优化。自学习的通用主持者在留出对话上对三个任务专家主持者取得 61.4% 胜率；实时在线实验中，其保持团队生产力并改善发言舒适度、减少人际摩擦，turns 减少 24.7%、词数减少 29.0%。
arXiv · cs.AIAI 评分2222 AutoNovo：智能体程序搜索发现可迁移的核酸设计算法
AutoNovo 用智能体程序搜索迭代提出、执行、评估并修订核酸设计器代码，以提升跨模型泛化能力。该方法在 3/3 个 DNA 设计任务的 in-silico 性能上取得评估方法中的最佳均值，并在 6/6 个迁移任务上对独立模型表现最佳。发现的设计器来自一个家族而非单一通用最优设计器，作者计划公开发布这些设计器。
arXiv · cs.AIAI 评分4242 尖锐方向在对立面：激活导向的曲率分析
该研究提出 steering Hessian 分析语言模型激活导向向量，发现 CAA 构造中仅占平方范数 1-5% 的尖锐方向导致导向失效，在 36 个条件下 53-100% 的测试中出现反向行为。剔除尖锐分量可将方向曲率最高降低 12 倍，在 Qwen2.5-7B、Llama-3.1-8B、Mistral-7B 上验证，该修正方法在全部 25 个开放生成条件中优于标准 CAA。
arXiv · cs.AIAI 评分4545 HACE：通过异构智能体协同进化联合优化专用基础模型与 LLM 智能体
研究者提出 Heterogeneous Agentic CoEvolution（HACE）框架，通过监督学习改进专用基础模型，同时用 on-policy 强化自训练训练 LLM 智能体，并用进化搜索优化二者的交互方式。在推荐系统、蛋白质功能预测和晶体稳定性预测三个领域，HACE 在主要任务指标上均优于被评测的自改进方法。
arXiv · cs.AIAI 评分2828 超越单一病原体预测：从流感、COVID-19 与 RSV 预测共享呼吸道住院负担
研究者开发了一个 1-4 周前瞻的呼吸道住院预测框架，比较直接预测流感、COVID-19 与 RSV 合计住院负担与对单一病原体预测求和两种策略。回顾性评估中，合计负担模型第 1-4 周 PA 为 0.85、0.78、0.74、0.76；前瞻评估中其在全部四个预测期 PA 更高、MAE 更低，第 3 和第 4 周差距最大。结果表明病原体特异性预测用于病因解读，合计负担预测更契合医院共享容量规划。
arXiv · cs.AIAI 评分3636 Dream2Discern：通过难样本潜在变体学习预测多智能体系统运行时失败
研究者提出 Dream2Discern，一种面向 LLM 多智能体系统的运行时审计器，通过按自身预测损失选择表示算子扰动生成难潜在变体进行训练，无需额外轨迹采集或结果验证。在 AFTraj-2K 和 StepShield 两个基准上超过竞争性失败审计器，轨迹级加权准确率均超过 90%。
arXiv · cs.AIAI 评分4848 理解并减少说服优化中的对齐偏差
一项 arXiv 研究发现，仅以接收方信念偏移为目标的 RL 说服训练，会使 sender 模型每局使用的不同非对齐策略平均增加超过 25%，每局捏造次数增至 RL 前的 4 倍以上。研究比较了强化策略引导、干净示范、惩罚非对齐策略、提升捏造检测能力等缓解手段，发现最权衡的方案是将对齐说服策略引导与非对齐行为的奖励惩罚相结合，无需干预时此类环境会自然放大非对齐策略。
arXiv · cs.AI精选AI 评分5252 arXiv 论文实证审计 LLM Agent 基准：Oracle 缺陷使 94.3% 成功率被高估至 65.5%
arXiv 论文提出一套针对 LLM Agent 评测框架可靠性的 Oracle 完整性审计方法，含五条状态完整性不变量和三个已知答案控制，通过注入七类缺陷验证全部可检出且修复后无误报。对某 Agent 基准的审计发现奖励函数会在评分前改变环境状态，4,320 条 episode 的回放修正使 database-pass 标签从 4,194 降至 2,883，测得成功率从 94.3% 降至 65.5%。另发现策略文档、工具描述与工具错误字符串影响测得轨迹可靠性，工具描述的探索性效应最大（-9.2 pp），且第二任务域的语言效应符号反转；审计方法无法验证第二个基准，因其记录的 API 调用日志无法重建参考终态，论文发布了含审计套件与故障注入目录的复现包。
推荐理由：论文给出了一套可检测评测 Oracle 缺陷的审计方法，并实测出奖励函数缺陷把 94.3% 的成功率拉低到 65.5%，方法附带完整复现包。
arXiv · cs.AIAI 评分2222 CEPA 框架：用 LLM 实现跨面试协议的人格评估，行为证据与人类评分对齐
研究者提出跨协议证据驱动人格评估框架 CEPA，将异步视频面试中的行为表征投射到目标协议的构念导向表征空间，并检索人类评分样本为 LLM 评分器集成提供依据，无需目标协议专属监督。跨协议实验中，CEPA 相比最强基线将平均 MSE 分别降低 43.8%（Forward）和 17.0%（Reverse），表明一个协议的人类评分证据可支持另一协议下的人格评估。