研究量化 GPT-4 与 GPT-5 对心理健康污名的表征与人类感知的差距
一项研究用 GPT-4 和 GPT-5 评估大语言模型对不同性别群体心理健康污名的表征。研究 1 发现模型一致将男性描绘为社交距离意愿最高、刻板印象得分较高、求助态度最不利；研究 2 对比 Healthy Minds Study 的 76,406 人数据，发现模型低估 Personal Stigma 和 Perceived Stigma、高估 Self Stigma，性别序位模式仅部分与人类数据一致。
#论文/研究
新闻、仓库与研究，按时间排列。
arXiv · cs.AIAI 评分2525 arXiv · cs.AIAI 评分3636 自回归解码即鞅：刻画 LLM 生成的随机动力学
该研究将 LLM 自回归解码的累积预测误差过程证明为鞅，其条件一阶矩恒为零，并给出二阶行为的闭式表达：可预测二次变差等于各步 (1-p(y_t|y_<t)) 之和，仅由已实现的 token 概率即可计算。在 Llama-3.x 与 Qwen2.5（1B 至 72B 参数）上的白盒实验验证了理论预测，为 LLM 生成文本检测与不确定性量化奠定数学基础。
arXiv · cs.AIAI 评分5151 多智能体LLM系统隐私泄露研究提出RECONS净化方法
arXiv论文（arXiv:2610.16039）研究多智能体LLM系统的隐私泄露问题，指出信息泄露给一个授权Agent后可经常规协作传播到未授权Agent。在覆盖协调者-工作者、点对点与层级拓扑的485个场景中，拓扑引入的接收者披露率从0%升至52.2%，表面泄露率保持在60.6%-62.8%；框架选择还带来150倍的泄露差异。作者提出按接收者与执行上下文做净化的RECONS方法，将残留披露从无净化的96.7%降至29.25%，保留94.1%的授权披露，检测覆盖率是95.5%残留披露的主要瓶颈。
arXiv · cs.AIAI 评分2828 OT-FlowRec：最优传输引导的多桥流匹配多模态序列推荐框架
论文提出 OT-FlowRec，一种最优传输引导的多桥流匹配框架，用于多模态序列推荐，显式建模电商会话中并发的多中心用户兴趣分布。该方法构建并行的兴趣专属传输流，并通过几何传输机制和渐进式时间采样 warmup 策略连接连续分布拟合与 top-k 排序指标。在三个公开数据集上的实验表明其优于现有 SOTA 基线。
arXiv · cs.AIAI 评分4242 ECHO：面向工具使用 Agent 的责任感知信用分配框架
研究者提出 Error-Chain-Aware Optimization（ECHO），将责任识别与信用分配分离，用冻结 judge 区分新引入错误、继承后果、遗漏纠正与成功纠正，并对修复自致错误的奖励加以约束。在 4B 与 8B 规模的六个工具使用 benchmark 上，ECHO 在每个规模的六个 benchmark 中五个取得最高分，代码已开源。
arXiv · cs.AIAI 评分5151 Structural Chain-of-Thought：用可执行计算图改进大模型推理
Petr Senatorov 在 arXiv 论文 arXiv:2610.15107 中提出 Structural Chain-of-Thought 框架，让模型生成可执行的计算图而非自由文本推理，最终答案由确定性执行计算图得出。训练采用基于图的强化学习，奖励结构有效性、答案正确性及与参考图的节点重合度；在五个基准、四个模型族上准确率持续优于监督式图训练，生成长度相比标准 GRPO 和思维链监督训练最多缩短 5-6 倍，忠实性实验显示模型更倾向从生成的计算图推导答案而非事后合理化。
arXiv · cs.CLAI 评分2222 RegExtract：基于 LLM 的 PFAS 监管信息提取基准
RegExtract 是一个面向 PFAS（全氟及多氟烷基物质）监管文件的结构化信息提取基准，含 488 个人工标注字段实例，覆盖 20 份美国州级文件和 46 项法规，每个实例含取值和溯源条目共 976 条，代码与数据已开源。实验表明文档识别类字段提取仍具挑战，而字段专属 few-shot 示例可提升效果，为危险物质识别与合规监控的 AI 工具奠定基础。
arXiv · cs.AI精选AI 评分5959 TurnCost 论文：编码 Agent 的成本主要由轮次数而非观察大小决定
arXiv 论文 2610.15093 提出 loop engineering 概念，分析 600 条公开编码 Agent 轨迹后发现 98.6% 的输入 token 由前缀缓存提供，平价输入定价平均高估循环成本约 7 倍。轮次数量解释轨迹成本 84% 的方差，而平均观察大小只解释 4%；模型委派在一半评测设置中反而增加成本。作者发布 TurnCost 工具，用于在替换缓存、定价、压缩与路由策略下重算轨迹语料成本。
推荐理由：论文用 600 条轨迹数据指出轮次数量而非观察大小才是编码 Agent 成本主因，并开源了换算不同缓存与定价策略的 TurnCost 工具。
arXiv · cs.AIAI 评分3434 VLCQ：基于变长编码的深度神经网络训练后量化方法
研究者提出 VLCQ，一种无需访问训练数据或微调模型的训练后量化方法，通过变长编码突破定点编码限制，在更低位宽下保持性能。per-channel 量化下相比 FP32 最高压缩 6x（比 PWLQ 高 1.7x），优先压缩时可达 12.25x 压缩且性能损失低于 4%；per-tensor 量化下与 DFQ 相当且更灵活。论文发表于 Future Generation Computer Systems。
arXiv · cs.AIAI 评分3535 NARS：用于检测 ChangeMyView 讨论说服力的神经符号论证推理方法
研究者提出神经符号论证推理系统 NARS，直接从在线讨论中检测说服力：神经部分用检索增强的迭代 LLM 推理提取双极论证结构，符号部分用渐进论证语义传播论证影响。基于 Webis-CMV-20 构建的 CMV2BAS 数据集已开源；NARS 最佳配置下 F1=0.57、AUC=0.56，超过零样本 Qwen3.6:27B 和 GPT-oss:20B。
arXiv · cs.AIAI 评分3838 Marvo：通过边际奖励实现视觉智能体自我进化
研究者提出 Marvo，一种无需标注数据的视觉智能体自我进化方法：由 challenger 从无标注图像生成问答对，solver 通过强化学习在解题中学习工具调用。challenger 引入边际奖励，即 solver 有无工具时的性能差，形成自适应课程，在智能体推理、视觉搜索、数学等基准上平均准确率最高提升 7.1%。
arXiv · cs.AIAI 评分3434 GAMW：面向 TTS 溯源的生成感知梅尔域水印方法
研究者提出 GAMW，一种在 TTS 生成过程中嵌入水印的框架，在波形合成前向生成表征注入内容自适应的 16-bit 多比特水印残差，解码端结合 focal modulation 与动态逐比特加权。在两个 TTS 骨干上的实验显示，相比最强基线，GAMW 在单一扰动和复合扰动下解码准确率分别提升 9.2 和 23.5 个百分点，同时保持语音质量，代码已开源。
arXiv · cs.AIAI 评分4343 简单离散世界间的知识迁移：深度循环模型的规则泛化研究
该 arXiv 论文在基于共同底座与附加规则的类数独小离散世界中，训练单个深度循环模型研究规则泛化能力，按四种新颖度测试：新谜题、已知规则新组合、从未共现的规则配对、训练中未见的规则实例。规则以符号描述或两个已解示例提供。新组合上描述方式达 99%、示例 95%；对从未共现的规则实例，描述方式低于无信息基线，示例仍高于基线。该框架为评测深度循环推理模型提供了比 ARC-AGI 更系统的替代方案。
arXiv · cs.AIAI 评分2222 Inference on Demand（IoD）：基于 5G 用户面将 AI 推理暴露为电信网络 API
该研究提出 Inference on Demand（IoD）抽象，通过类 CAMARA 的 API 在 5G 用户面路径上暴露 split inference 并带内传输感知切分的 tensor context。在基于可编程 UPF 的测试床上用可切分视觉 AI 负载评估表明，自适应切分选择可作为网络侧服务运行，避免静态配置的刚性成本结构。该论文已被 IEEE Future Networks World Forum 2026 录用。
arXiv · cs.AIAI 评分3131 深度学习牙科X光片语义分割研究：PSPNet、DeepLabV3、UNet 与 UNet++ 对比评估
一项研究在统一实验条件下对比 PSPNet、DeepLabV3、UNet 和 UNet++ 四种分割模型在 1269 张牙科X光片上的表现。结果显示 UNet++ 最优，IoU 达 0.6719、DICE 达 0.7869，在图像尺寸 300x300、batch size 16 配置下分割效果最好。研究还分析了不同架构下图像分辨率与 batch size 对性能的影响。
arXiv · cs.AIAI 评分3535 基于Oracle引导微调的生成式ASR后编辑：从N-best候选中选择或改写
该研究提出oracle引导微调方法，让LLM通过三个数据池学习"选择或改写"策略来后编辑ASR转录：corrections池教选择、regularizers池抑制不必要改写、hard negatives池压制幻觉。在私有数据集上约3B参数起效果明显优于随机子集微调，但CommonVoice上的结果不够确定，作者认为公开朗读语音文本可能与LLM预训练数据重叠、掩盖真实收益。
arXiv · cs.AIAI 评分4242 Trace Evolution Bench：衡量智能体能否从自身环境轨迹中获得改进的评测协议
Trace Evolution Bench（TEB）是一个将重新评分与上下文或权重更新分离的评测协议，主榜为代码任务，由封闭工作区的隐藏单元测试评分。在 40 个 held-out 任务上，DeepSeek v4 Pro 在 no_evolve 下仅重评分就变动 7.5、5.0 和 12.5 个百分点；九个受 GEPA、ACE、ExpeL 启发的文本更新单元有七个超出种子自身波动带，GLM 与 MiniMax 未复现该模式。
arXiv · cs.AIAI 评分2222 Belief Embedding Tree Search（BETS）：基于生成分布嵌入的 POMDP 蒙特卡洛规划方法
提出一种针对 POMDP 的蒙特卡洛规划方法 BETS，用生成分布嵌入（GDE）表示搜索树各节点的信念，并通过 POMDP 动力学更新，将信念模型与策略、价值网络一同训练，以隐状态为训练目标。在 RockSample、LightDark、PocMan 共六种配置上与 BetaZero 及三个无学习组件的规划器对比，BETS 在全部六项中持平或领先，且信念维度越高优势越大。
arXiv · cs.CLAI 评分3232 PAT：面向社交媒体抑郁症检测的人格驱动增强与迁移学习框架
研究者提出 PAT 框架，用于提升社交媒体抑郁症自动检测效果。该框架分两阶段：先用经典人格理论驱动的 LLM 数据增强缓解数据稀缺，并以细粒度对比学习优化 post 级编码器；再将训练好的 post 级打分器用于高质量帖子筛选，编码器参数迁移至用户级任务。实验显示 PAT 显著优于现有方法，并能通过追踪 post 级心理状态轨迹提供多粒度可解释性。
arXiv · cs.CL精选AI 评分5757 arXiv 论文解析生成式搜索引擎的引用机制：检索命中比页面属性影响更大
arXiv 论文（arXiv:2610.15033）基于两组各90天、共158,099条回答与468,037次引用的收集，研究生成式搜索引擎（ChatGPT、Gemini、Perplexity）引用网页的驱动因素。研究发现 ChatGPT 引用的每个页面都来自其自身检索，而其每次回答都会重写子查询、检索结果很少与 Google 或 Bing 一致，检索环节可解释32%的引用差异，远高于页面属性的2.8%；标题和段落语义匹配提问的页面被引用更多，FAQ 块、结构化数据、摘要框和页面速度只在跨网站比较时表现有效；模型自身知识也参与其中，会写入已知品牌、偏好已知网站，甚至在没有页面佐证时直接点名品牌，受控实验显示品牌名会重排事实完全相同的商品排名。结论在小 B2B 厂商市场复现，数据与代码已发布。
推荐理由：论文用两组各90天、逾46万条引用数据拆解生成式搜索引擎引用页面的机制，指出检索命中比页面属性更能解释引用差异。
arXiv · cs.AIAI 评分2222 InCLAD：面向工业视觉异常检测的持续学习基准
arXiv 论文提出 InCLAD，将工业异常检测重构为持续学习基准，把每个工业组件视为一个任务，在半监督设定下依次学习新组件并保持对全部组件的性能。基准设置了随机、由易到难、由难到易等多种任务序列场景，并涵盖跨多数据集场景，从图像级异常检测和像素级异常定位两个维度评估模型的知识保持、适应与泛化能力。
arXiv · cs.AIAI 评分4040 决策基础模型研究：面向临床智能的参数高效微调与反事实可解释性
研究者基于 Qwen3.5 骨干的 9B 参数决策模型 Clef-Flash，用 QLoRA 微调在 Symptom2Disease 基准的 24 类疾病分类上达到 95.42% 准确率、macro F1 0.9551，超过 ClinicalBERT 的 90.90%。单次前向推理每条记录耗时不足 80 毫秒，报告称较生成式 LLM 基线提速 31 倍。其提出的 Leave-One-Symptom-Out 反事实扰动框架可揭示症状级证据。
arXiv · cs.AIAI 评分4343 UltraBERT：突破 BERT 预训练极限
研究者提出 UltraBERT，一种在分类与检索任务上均达 SOTA 的双向编码器，GLUE 达 91.0、BEIR 达 47.7。模型为批内低、高掩码率分别设置独立 LM head，并将蒸馏目标限制在低掩码率。研究还发现编码器在数万亿 token 后性能饱和，低掩码率利于分类、高掩码率利于检索。
arXiv · cs.AIAI 评分3232 ME-POMDP 与 POMDP 之间的计算复杂度差距研究
该 arXiv 论文研究多环境 POMDP（ME-POMDP）的复杂度格局。论文证明多环境 blind MDP 与确定性 POMDP 为 NP-complete，不满足混合闭包条件的一系列子类仍为 PSPACE-complete，并在时间依赖策略或有限状态控制器下证明若干 ME-POMDP 问题为 ∃R-complete。结果表明两类复杂度关系取决于具体子类。
arXiv · cs.AIAI 评分3131 偏好模型可信吗？用 Stackelberg 博弈做对齐研究
arXiv 论文针对偏好模型在优化中可能被利用的错误，提出用模型集成间的分歧作为预测误差的代理，并将该搜索形式化为 Leader 与 Follower 之间的零和 Stackelberg 博弈。论文证明了有限上下文 Stackelberg 博弈的均衡存在性，在正则化下给出唯一性与闭式刻画，并提出具有线性 last-iterate 收敛性的 SMIDA 算法及神经策略梯度版本。合成 oracle 实验显示分歧是预测误差的有效代理，训练出的策略在保留数据上优于参考策略。
arXiv · cs.AI精选AI 评分5454 Tab-Loop 用循环权重共享替换 TabICLv2 的 ICL 层，参数减少 62% 性能持平
Tejas Vaidhya 在 arXiv 论文中提出 Tab-Loop，将 TabICLv2 的 12 个非共享 ICL 块替换为 4 个共享块循环应用 k 次，其余编码器、解码器、合成先验和训练配方不变。在相同预训练算力 18.2 EFLOP 与相同推理算力下，参数量从 27.6M 降到 10.4M，held-out log loss 0.4583 对 0.4588，200 个 TALENT 数据集平均准确率 84.10% 对 83.92%，38 个 TabArena 数据集 Elo 1409 对 1396。由于权重共享，深度可在推理时选择，在训练范围内增加循环次数可提升精度且超出范围仍成立，用更深的循环继续训练可在 4–5 倍推理算力下达到基线 stage-2 成绩。
推荐理由：论文在相同预训练与推理算力下对比权重共享与独立参数，给出参数量、精度和 Elo 的具体数字，可迁移到 ICL 模型的参数效率设计。
arXiv · cs.AIAI 评分1818 arXiv 新论文提出 Certified Adaptive Selection：只认证决策而非逐一评估
arXiv 论文提出 Certified Adaptive Selection（CAS），在剩余不确定性无法改变结果时即返回精确 top-k 集合，并通过 Expected Shortfall 的上下界给出认证。其预测引导策略 CAS-PG 在两个公开算法选择矩阵上分别用 630/3150 和 981/2200 次查询认证精确前三，仅为事后最少评估次数的 1.14 和 1.18 倍；无历史数据的纯记录变体为 1.28 和 1.37 倍，优于测试的非预测型认证策略。
arXiv · cs.AIAI 评分3636 面向平均奖励 Q-Learning 与 Q-Planning 的混合正则化方法研究
一项强化学习研究提出在给定与奖励无关的 m 步混合策略时，通过向该混合策略正则化来控制学习策略的收缩与探索性质，并对可实例化多种正则化的 Q-Learning 算法给出有限时间分析。单步设置下其速率匹配 Q-iteration 与同步 Q-Learning 的最优已知速率，m 步混合下得到新速率；Q-Planning 变体中规划视野 H 在边界值偏差与样本复杂度间权衡。数值实验验证了强混合策略可改善收敛与探索，且理论能预测 α-散度族中各正则化器的收敛与偏差排序。
arXiv · cs.AIAI 评分4747 生成式 AI 何时介入团队创意决策：太晚剪枝的实验研究
一项预注册实验将 148 个三人团队随机分配到五种使用同一语言模型的时序方案中完成产品设计任务。结果表明，把同样的 15 分钟模型使用时间从搜索阶段移到筛选阶段，专家评定的创造力下降 0.62 个标准差；全程可用的团队中 11% 的筛选阶段查询用于生成新选项，晚接入团队则达 29%，提交方案多 73% 但质量未提升。
arXiv · cs.AIAI 评分2727 循环算法推理器研究：复现所有训练 hints 仍会在深图上出现 premature flood
arXiv 论文发现在 SALSA-CLRS 的广度优先搜索任务中，推理器即使完整复现训练 hints，在深图上仍会提前宣布节点可达，作者称之为 premature flood。论文追踪了两条成因：GRU processor 中带度数输入的隐藏状态携带洪泛，GIN 与 PGN 部分种子则从固定步数开始洪泛；在 1,600 节点的 Delaunay 图上，一个 GIN 种子从第 18 步开始洪泛。Clamping 度数输入或增加 200 个稠密训练图可消除 GRU processor 全部失败，作者建议审查每个输入与聚合的取值范围并在深图上测试。
arXiv · cs.AIAI 评分3838 基于双层声词画布模型的泰语 Klon Pad 单采样解码生成器
研究者提出基于 WangchanBERTa 初始化的掩码语言模型，在双层画布（音节层硬约束韵、调、音节数，词层保证词完整）上逐格解码、temperature 0.4 单次采样，从短话题生成泰语 klon pad 诗节。在 78 个留出话题上，70.5% 生成诗节同时通过形式、词汇洁净与主题对齐，人工为 76.9%；洁净度与人工持平（85.9% vs 87.2%），差距在对齐项；预注册目标差 1.4 分。已知唯一公开的 KlonSuphap-LM 无一通过（形式 19.2%、洁净 3.8%）。
arXiv · cs.CLAI 评分3636 HodgePhaseNet：Transformer 注意力中语义流的离散 Hodge 分解
arXiv 论文提出 HodgePhaseNet，将语义转移表示为有限定向单纯复形上的反对称实值 1-上链，利用关联矩阵 B1、B2 实现唯一正交分解 Ω = B1^TΦ + B2Ψ + H。文章给出显式投影子、稀疏实现、可积性与规范结果及数值算例，并重新设计注意力接口以保持解码器因果信息边界。这是数学与架构提案，未提供外部自然语言性能结果。
arXiv · cs.AIAI 评分4343 FleetPilot：细粒度导向赋能真实场景的 LLM 个性化
arXiv 论文提出 FleetPilot，一种面向大语言模型个性化的细粒度、实例定制导向框架，从用户数据动态生成样本级干扰向量并注入模型前向传播。其包含 match contrast、细粒度导向组件与查询条件聚合模块，无需训练周期，存储与推理延迟开销低，在快变和数据稀疏场景中表现尤佳。
arXiv · cs.AIAI 评分4949 SkillHorizon：通过技能组合构建长程 Agent 任务的新基准
香港 researchers 推出 SkillHorizon，一个通过技能组合在七个业务环境中构建长程任务的 benchmark，含 1,050 个任务，参考交互工作负载为 64K 至 1M tokens。评测五个大语言模型发现：随着规模增长，平均局部目标完成率从 90.4% 降至 46.8%；更大负载下智能体常在大量工作未完成、工具调用额度仍有剩余时提交不成功的最终答案。代码已开源。
arXiv · cs.CLAI 评分3838 HiPAD：用于抑郁症检测的步态、视听与人格融合网络，含人格分层消融与领域适配 LLM 校准局限分析
研究者提出统一融合网络 HiPAD，参加 MPDD-AVG 2026 抑郁检测挑战赛全部六个子赛道，覆盖步态、视听等模态。约 150 tokens 的人格描述所含抑郁信号超过音频、视频与步态总和，步态加人格配置 TLS 达 0.647；四级消融（L0-L3）显示移除全部人格特征会使 Track-Level Score 降至 0.499-0.507 的随机水平。用 LoRA（7B）/QLoRA（72B）在 PHQ-8/9 数据上做领域适配将二分类 Cohen's κ 提升 0.13 但损害 PHQ-9 回归，系统跨赛道 G-Score 为 0.482。
arXiv · cs.AI精选AI 评分6060 AI Agent 与人类软件逆向工程能力对比研究：九个模型与人类分析师同题实测
arXiv 论文 arXiv:2610.14960 让九个 LLM Agent 与人类分析师在两个静态分析逆向工程任务上同题对比，GPT-5.5 Pro、Claude Opus 4.8 和 Kimi K3 达到与人类统计上相当的理解水平。研究记录了完整交互过程并发现强 Agent 采用跳转式广泛检索、很少回访已检视代码的 greedy fetching 策略；对 4000 个真实二进制文件的测量显示，更大应用和更低级代码表示会快速耗尽上下文窗口，扩展逆向 Agent 需要更好的导航、选择性检索和持久分析状态。
推荐理由：论文用统一评分标准实测人类与 AI Agent 的逆向工程差异，指出差距源于代码表示和工作流，并量化了 greedy fetching 下的上下文饱和问题。
arXiv · cs.AIAI 评分3232 AlphaRLM：用强化学习对齐 LLM 以从金融文献中发现符号化因子
AlphaRLM 是一个强化学习框架，训练 LLM 直接从金融文献构建可执行的符号化因子，无需输入因子表达式。其引入 Literature-Guided Operator Assembly（LEGO）提供语义先验，并通过可执行有效性奖励和分组收益分离奖励与市场反馈对齐。在 CSI 300、CSI 1000 和 S&P 500 上的实验显示，其年化超额收益超越强因子挖掘与 LLM 基线，8B 模型也取得强跨市场表现。
arXiv · cs.AI精选AI 评分5858 MCPDisCo：面向 MCP 原生智能体的跷跷板缓解调优框架
论文提出 MCPDisCo，一个面向 MCP 原生智能体的生态级强化学习框架，在 70 个 MCP 服务器和 527 个工具、六个领域的真实服务器长程交互上训练。框架用 Thought-MDP 显式表示内部推理与路由、执行、终止，通过 token 掩码奖励归因和双向梯度手术缓解推理与工具学习之间的跷跷板干扰，以更少思维链 token 取得更高成功率，并在分布外 MCP-Atlas 与 GAIA 基准上保持单调增益。模型权重和实现已放出。
推荐理由：论文给出推理与工具学习互相干扰的失败模式及其梯度手术解法，在 70 个真实 MCP 服务器上训练并验证分布外泛化。
arXiv · cs.AIAI 评分1818 CauCRL：面向离线对比目标条件强化学习的反事实 rollout 方法
研究者提出 CauCRL，解决离线示范中示教者隐藏信息导致的对比强化学习（CRL）失效问题。方法用混杂马尔可夫决策过程形式化该场景，引入反事实转移并最小化所有兼容转移得到最坏情形占用度量，据此训练 critic。该方法在混杂目标达成任务上大幅提升成功率。
arXiv · cs.CLAI 评分4141 个性化 LLM 无需完整对话历史：基于相关性过滤的上下文仅用 5% 文本即可匹敌全历史
在 PersonaMem-v2（180 题）上，利用句子级检索按与当前请求的相关性筛选上下文，GPT-5.6-terra 和 Claude Opus 5.5 评为仅用 5% 文本即可达到全历史准确率，评审输入缩减约 20 倍。同等长度的 LLM 摘要表现相当，但需大模型读全史，而检索只需小型 embedding 模型；oracle 证据子集较全历史高出 15.6 分。