新闻、仓库与研究，按时间排列。
arXiv 论文提出 RATED，一个结合冻结双编码器对比微调与 contextual bandit 动态重排的 AI Agent 工具检索框架，可快速适应运行时工具故障而无需重训练。配套发布 EcoAgent 基准，含 5,172 个真实工具和超 21 万 query-tool 对。RATED 相对 ToolLLM API retriever 的 MRR 提升 52.2%，在 30% 故障率的严重 API 中断下将故障选择率从 86.2% 降至 2.9%，额外延迟开销不足 1 ms，代码与数据集已开源。
研究者提出 PAGE 框架，将 AI 变为漫画研究工具：把扫描件解析为画格、文本与书目记录，用视觉语言模型按编码手册标注页面，并以人工标注校验。该框架在 3,929 本美国漫画（1938–1956）和 87 卷日本漫画上完成三项研究，分别考察政治权力描绘、视觉形式与个人画家风格、两个漫画传统中的说话者分析。
研究者提出 SpatialASM 框架，通过训练时空间模拟将主动空间心理模拟（ASM）能力内化到大型视觉语言模型（LVLM）中。该框架用 allocentric novel-view 生成器提供显式 ASM 轨迹和自动构建的视角转换任务两类监督，在七个空间理解基准上提升了四种 LVLM 骨干模型的推理准确率，同时保持原有通用视觉能力。
研究者提出 MC-EvoBench，一个用于审计 Minecraft 智能体经验驱动自我改进的受控基准，含 19 条注册进化链（12 条主评测链、7 条校准/探针链）及三个图对齐配对探针族。基准将任务表示为任务状态图，设置阶段级环境验证器，仅允许声明的 agent 工件跨越源-目标边界。结果显示 planner 支持变体与 controller 变体间存在持续的直接能力差距，而相关经验未带来稳定迁移，各置信区间均含零。
研究者提出发音评估框架 OpenPA，利用 Whisper 的 cross-attention 机制联合预测词级和语句级发音分数，无需强制对齐。通过混合转写适配和自适应替换加权，单一模型可同时覆盖封闭与开放作答场景。仅在 speechocean762 上训练的 OpenPA 在域内封闭和模拟开放作答条件下取得评估系统中最强的整体表现，并在 MultiPA 上保持零样本性能，口腔癌语音的跨任务评测显示其潜在应用前景。
该研究测量语义查询引擎中 LLM 判断的运行间方差，通过 SemBench、LRO-Bench、UDA-Bench 自带测试框架重新执行 1.2 百万次模型调用。结果显示 temperature 0 下 0.07%–10.2% 的行输出会变化，UDA-Bench 上约三分之二答案不同，SemBench 公布结果中 21% 的 text 结果质量随执行改变。Voting 可降低但不能消除方差，作者据此提出 benchmark 报告规则与引擎设计规则。
一项 arXiv 研究在 Qwen3-14B 上探索让模型学会何时拒答，比较训练模型本身与训练独立答案选择器两种方法。在 TriviaQA 上，学习型选择器将平均覆盖率从 20.2% 提升到 30.9%，已评分答案的错误率从 23.0% 降至 14.5%；但测试的强化学习方法未带来一致增益，NQ-Open 上选择器仍不如始终拒答，跨数据集的可靠拒答仍未解决。
QTestBench 是一个用独立 benchmark checker 评测 LLM 生成量子代码测试套件的框架，不把测试本身当真值。它在 8 个 PennyLane QHack 挑战和 10 个 Qiskit HumanEval 任务上评测了 5 个 LLM，最佳生成器测试质量仅达 QHack 0.71、Qiskit HumanEval 0.34，说明可执行性高不代表判别力强。对于缺乏自然错误解的任务（10 个 Qiskit 任务中有 3 个），oracle 验证的合成 mutants 可稳定 bug 检测估计。
论文提出 SAFE-QE，一种免训练、与检索器无关的查询扩展方法，基于子序列关联假说识别并降权幻觉扩展词。在 TREC 和 BEIR 基准上，其 nDCG@10 与生成式及语料引导扩展统计上无差异，但每查询不获支持的词仅 4.3 个，低于 Query2doc 的 27.8 和 HyDE 的 57.5；同时提出查询侧忠实度指标 HETR。
一项低资源语音识别（ASR）研究在四种低资源语言和英语的五种数据规模上，比较了 SpecAugment 等音频增强与基于文本合成音频的增强方法。音素级分析显示两者错误类型互补：SpecAugment 增加声调和腭化错误，文本方法引入辅音插入，组合后各自抵消对方的错误，且组合提升超过各自提升之和；但超加性在 100 小时数据量时消失。研究建议按训练暴露度和声学属性选择增强方法。
论文提出 FORTE，一个面向生产推荐系统的模型无关特征评估与下线框架，支持每日特征评估、分组消融验证和下游消费模型追踪。在两个大规模推荐系统上验证：搜索相关性模型下线 48 个特征（占 43.3%），无线上回归；大型排序模型移除 8 个特征后，可训练参数减少 29.9%，服务吞吐提升 19.8-25.5%，年训练成本节省数十万美元。
arXiv 论文提出角色感知 Transformer 架构 REFLECT，将情感、情绪、礼貌度和正式度（SEPF）四个维度映射到基于语义角色标注（SRL）的配置，并融入自注意力机制。在四个 benchmark 数据集上，该框架较 BERT 基线在情绪、礼貌度和正式度上取得统计显著的提升，情感维度提升不显著。在真实心理健康数据上，该框架同时提升了预测性能和模型可追溯性。
该研究用行为与机制分析方法考察 LLM 对英语话语粒子 "just" 和 "only" 的敏感性。结果显示 LLM 与人类同样偏好语境中出现这些粒子，且对 "just" 更敏感；指令微调会提高敏感性。机制分析还发现 "only" 单元选择性地迁移到排他义 "just"，而 "just" 单元可无条件迁移到 "only"，表明词汇级粒子表征部分按词义组织，相关代码与数据已开源。
研究者推出 OccludeBench，一个用于从视觉线索中恢复完全遮挡物体的手动标注 benchmark，区分直接线索与场景推断两类。五个 VLM 在直接案例上平均准确率 42.7%，低于推断案例的 62.7%，存在 20.0 个百分点差距；人类则达 63.4% 与 68.5%，无显著差距。诊断显示模型从全图投影中恢复物体是瓶颈，而“先补全再验证”的干预可将差距降至统计上不显著。
一项 arXiv 研究首次证明离散图扩散模型（GDM）存在记忆化。在 two-block SBM 上训练的 GDM 在反向扩散轨迹中能近乎完美恢复被破坏的训练图，而对 held-out 测试图则不然，作者称之为“条件性记忆化”。该现象伴随训练损失与 held-out 损失间泛化差距扩大，无法用 early stopping 缓解，且记忆化出现前生成的图均无社区结构。
研究者用视觉语言模型（VLM）检测乌克兰战时模因中的说服技术，发布了含 200 条真实乌克兰战时模因的 UkrMeme 数据集，以及将 Propaganda 950 基准子集翻译为乌克兰语的 PTM-UA。团队在零样本提示设置下以图像、文本和多模态输入评测 VLM，并采用分层 F1 指标，同时对比 Layer-wise Relevance Propagation（LRP）与模型生成的 token 归因两种解释方法。
arXiv 论文提出 ReplaySSM，将 SSM 状态表示为检查点加近期 SSM 输入缓冲区，跳过大部分步骤的状态写入，使混合模型的主要状态内存流量约减半。已在 vLLM 中为 Mamba-2 和 Gated DeltaNet 实现，batch size 256 下较调优后的 vLLM 基线加速 1.20–1.47×，在两个 120B 级模型上吞吐量约为 vLLM 投机解码的 1.8×，并支持低成本投机回滚与分离精度的检查点以降低精度损失。
研究者提出 DualQuant，一种双尺度、免校准的后训练量化框架，通过最小化权重重建 MSE 得到逐通道激活 rescaling，无需校准数据即可完成 W4A4 量化，并首次正式支持 MX 与 NV block 格式。在 Llama 和 Qwen 模型的 WikiText-2、C4 及零样本任务上，其精度达到或超过基于校准的 SmoothQuant。Llama-3.1-8B 在 RTX 4090 上的实测推理相比 BF16 最高实现 2.61x 内存节省和 2.46x 吞吐加速。
一项 NeurIPS 2026 论文指出，离散图扩散模型采用独立边更新，其终端先验必然是 Erdős–Rényi 随机图，导致大图极限下去噪器难以有效恢复节点异质性与高阶结构。作者提出 Latent Sociability Prior（LSP），让潜在节点社会性变量与图结构联合演化，在保持可交换性的同时消除边独立性。该方法无需复杂编码器，在多个图生成数据集上比无节点特征的基线更准确捕捉图分布。
论文提出 Matched-Context Group Policy Optimization（MCGPO），一种从已有轨迹中构建加权动作偏好的方法，用于训练长程 LLM 智能体，保持无 critic 训练并复用 rollout 数据。在 ALFWorld 和 WebShop 上使用 Qwen2.5-1.5B 和 7B 时，相比匹配的 GraphGPO 平均成功率提升 0.47-1.46 个百分点；Qwen3-4B 和 8B 在 WebShop 上分别提升 3.96 和 5.16 个百分点。
arXiv 论文研究发现，on-policy 自蒸馏中基于参考答案打分的教师信号既不能定位推理错误，也不能可靠区分正误 rollout。论文提出批评条件化自蒸馏：先让教师生成批评，再据此打分，产生的信号能定位错误并使概率转向"Wait""But"等回溯 token。该批评在测试时能解出原本无法解出的数学题，并在冷启动 GRPO 中为可验证奖励无法提供信号的问题提供优势信号。
论文提出 SafeDiSTL，一个在联合约束度量下仍能进行信用分配的受限多智能体强化学习框架，利用 Signal Temporal Logic（STL）鲁棒性和可微动力学将代价增量分配到各智能体。在协同搬运、连通导航和网联交通控制任务中，SafeDiSTL 的安全成功率分别达到基线的 1.6-5.1x、提升 11.1%，交通吞吐量提升 50-68%。
研究者提出 Orthros attention，通过相位感知解耦实现线性复杂度 prefilling 与全注意力解码，相比标准 Transformer 获得最高 21.9× prefilling 加速。该模块支持数据高效的 Transformer-to-Orthros 转换，转换后性能甚至超过原 Transformer。128K needle-in-a-haystack 测试接近满分，保持长上下文能力。
论文提出 LAPT-Scale，一种可扩展的潜在动作预训练范式，用人类第一视角视频为 VLA 策略提供动作监督。方法包含学习连续潜在动作的 LAPT-Scale-LAM 和经人类视频预训练、本体对齐与任务后训练的 LAPT-Scale-Policy 两部分，训练数据达 23.3K 小时；随标注人类视频从 1K 扩到 5K 小时，真机成功率从 63.3% 提升到 85.0%，并能泛化到未见视觉条件。论文已被 CoRL 2026 接收。
推荐理由：论文给出用人类视频潜在动作预训练提升真机成功率的完整方法与数据规模细节，适合关注机器人数据瓶颈的读者参考。
研究者提出反事实图神经过程（CFGNP），端到端直接从观测数据回答反事实查询，无需先估计因果图。CFGNP 利用 GNN 限制事实-反事实变量间的跨世界消息传递，在 German Loan 基准上把 MSE 从 4.51×10⁻² 降至 0.19×10⁻²。仅用 10 节点图训练的模型可在最多 30 节点的图上保持较强预测性能，无需重训练。
研究者提出一种针对德国交通法（StVO）的多任务预训练方法，结合 NSP、知识图谱引导聚类（CLU）与知识图谱感知段落分类（CLS）三个目标，将结构化法律知识直接编码进模型权重，实现零样本法律推理而无需离散图遍历。在 9 个 Transformer 编码器、324 次实验中，模型在合成 StVO 问答上相对基线提升 10.3%–155.0%，并在 LexGLUE 七项基准中的四项超过既有结果，在奥地利驾驶法规上取得 3.4%–15.8% 的零样本迁移增益。该工作已被 EMNLP 2026 共同举办的 NLLP 2026 Workshop 接收。
Adaptive DHiSparse 在层级稀疏 KV 上支持 DSpark、DFlash2 等投机解码，并按负载自适应调整缓存驻留。100K 上下文、并发 128 下，GLM-5.3 配 DFlash2 达每解码 GPU 793 output tokens/s，为 HiSparse 的 1.45 倍；同等延迟约束下并发最高 4 倍、输出 2.3 至 3.7 倍。DeepSeek-V4.1-Flash 在 500K 上下文、并发 512 下输出达常驻服务配 DSpark 的 1.85 倍。
研究者提出多智能体系统测试框架 MASTIF（Multi-Agent System TestIng Framework），对 3 个 LLM、3 种协议和 4 个 agent 实现框架组成的 Agentic Web 技术栈，在 300 个 Mind2Web benchmark 任务上进行基线评估。结果表明，按任务选择技术栈可提升任务完成率、效率分数和社会价值稳定性分数，并降低冗长度与任务完成时间。该工作为设计、评估多智能体系统提供了指标与结果基线。
一篇已被 ISWC 2026 旗下 RAGE-KG 2026 Workshop 接收的论文提出针对德国法律条文的可验证检索方法：通过对源文档进行结构驱动解析构建 Knowledge Graph（KG）用于导航与检索。研究比较了多种基于 KG 的分块与检索策略，并评估其对引用检索准确率的影响，旨在降低 RAG 在法律等可靠性关键场景中的黑箱问题。
一项 arXiv 研究提出用双层 Stackelberg 公式将标准后校准器与骨干网络端到端联合训练，无需单独校准集或专用校准损失，仅引入一个额外超参数——校准器学习率。结果显示，直接将最终分类层作为校准器即可获得准确且校准良好的模型，不增加参数，性能超过 SOTA 校准器，并避免了多任务学习中单独校准组件的乘性开销。
论文提出 Loopless Variance-Reduced PG（LVR-PG），一个统一的理论框架，抽象出一类结合递归更新与防御性重要性采样的一阶估计器，涵盖 PAGE-PG 和 STORM-PG 等已知方法。该类算法在弱梯度支配条件下，仅用一阶更新即实现 $\tilde{\mathcal{O}}(\epsilon^{-2})$ 的 last-iterate 全局收敛。通过将下界扩展到连续参数化策略，论文给出 $\Omega(\epsilon^{-2})$ 样本复杂度极限，证明该框架在对数因子和 horizon 项内达到极小极大最优。
一项研究对比 2013-2025 年间 800 篇欺诈论文与 800 篇真实论文，验证了欺诈科学家更多使用语言模糊化写作的假设。平行中介模型显示，通过形容词使用率下降测量的 reality monitoring 机制最能解释这一关联。基于模糊化特征的检测准确率为 60.7%，使用超过 100 个语言维度的 elastic net 达到 71.6%，均显著高于随机水平。
研究者提出离群维度感知注意力线性化方法 OAL，指出少量离群维度贡献了 softmax 注意力线性化近似误差的主要部分。该方法通过 Hadamard 积形式与分组二次核保留离群维度的差异化处理，在 Qwen2.5-0.5B 上较 DiJiang 将冻结注意力输出的相对 MSE 降低约 8.9%；配合 LoRA 微调将 WikiText-103 困惑度从 31.71 降至 27.50，并提升 PIQA、HellaSwag 和 ARC-E 准确率。
arXiv 论文 UPTURN（arXiv:2610.13672）提出无需微调的推理自纠错框架：用 130K 参数 MLP 头在冻结编码器上学习失败 rollout 的干预位置，再以新用户回合注入指令并重新生成后缀。研究发现固定生成预算下行内注入无法可靠重定向推理，而新回合注入可以；在四个推理模型和六个数学基准上，UPTURN 在所有设置下平均准确率均超过 32-rollout 基线，在匹配纠错预算下优于自纠错和反思 token 注入基线，并可跨模型迁移至 GPQA-Diamond，与 GRPO 和自纠错方法互补。
推荐理由：这篇论文提出了免微调的自纠错框架，用新用户回合而非行内注入来重定向推理，并给出了跨四个推理模型与六个数学基准的验证结果。
一项 arXiv 研究重新在当前策略下估计样本难度，并设计 GRPO 分阶段课程，将活跃难度带逐步推向更难样本。GSM8K 实验中，三个随机种子下递进到中等偏难难度带使测试准确率达到 0.6591±0.0077，高于固定中等难度的 0.6449±0.0024；但进一步递进到更难难度带则降至 0.6405±0.0053。结果表明难度递进的收益是非单调的，有效课程应超越中等难度但避免过度拔高。
一篇 arXiv 论文提出由 analyst、coder 和 recorder 三个角色组成的多智能体 LLM 调优框架，配合实验日志与沙盒执行环境，仅自动调优指定组件而不改动网络整体结构。在五个任务上验证：MNIST 与 Digits 脉冲网络分类准确率分别提升 13 和 6 个百分点，GNLSE 单孤子解误差降低约 2491 倍、不变量保持误差平均降低超 100 倍，KS 方程质量漂移降低 14 倍。
一项受控研究在 ARC-AGI-1 上以统一协议考察预训练和测试时训练（TTT）预算对视觉风格模型 VARC 与递归模型 TRM 的影响，交叉对比五种预训练预算与四种 TTT 预算。结果显示，增加 TTT 样本呈现次数在所有设置下都提升两模型的 ARC pass@2 指标；增加 TTT 任务变体数只对 TRM 持续有益，VARC 往往在更少变体下表现更好。VARC 不预训练也保持竞争力，而 TRM 更依赖预训练，研究据此呼吁在可比预算下报告结果。
论文提出一个约束获取工具，可从输入数据及多问题实例的正负示例解中生成规模无关的约束程序。系统先基于全局约束与二元约束上的典型模式找到规模特定模型，再泛化为可运行于未见数据的规模无关模型，并输出 MiniZinc 代码与模型的文本描述。作者在 PTHG21 Challenge 示例问题上评估了该工具，验证了方法的可行性。
研究者提出一种模型无关的知识增强方法，让 ML 模型在弱标注生物影像数据上利用自动特征提取之外的领域知识，在七种 ML 架构上均提升分类性能。与 masked autoencoder 自监督学习结合时效果最强，在三个自建显微镜数据集上精度较次优方法提升 2.9%，在三个公开细胞形态学基准上平均提升 6.8%。该方法用于 TDP-43 蛋白核质错位的细胞核级分类，揭示了 MG132 与亚砷酸钠的剂量依赖效应等 ALS 相关生物学发现。
论文提出 HOA（Humanize Olympiads Agent），一个开源的流程级框架，通过独立审稿、结构化 wiki 和 Lean 证明验证三条反馈通道协调多个智能体会话求解奥赛题。使用 GPT-5.6 Sol 时，HOA 在 IMO、IPhO、IOI 2026 满分，IChO 2026 接近满分，PutnamBench 672 题全部解出，并以 251/304（82.6%）位居 Lean-Eval 榜首；改用开源模型 Kimi-K3 也在 IMO、IPhO、IOI 满分，IChO 达 97.1% 金牌水平，部分超过闭源 GPT-5.6 Sol + /Goal 基线。论文地址 https://arxiv.org/abs/2610.13632v1。
推荐理由：论文提出多会话协作框架替代单会话求解，并给出用开源模型逼近闭源模型奥赛成绩的对比数据，方法可迁移到其他长程推理任务。