超越上下文长度：刻画长上下文推理的难度
arXiv 论文提出 LURCH 基准，用证据范围、证据分散度和推理深度三项属性量化长上下文推理难度，包含 6,550 个带证据与推理图谱的多领域问答实例。对闭源与开源权重模型的评估发现：固定上下文长度下三项属性均与性能强负相关；上下文变长时，证据分散样本性能骤降而局部化证据样本相对稳定；且三项属性中等偏高的题目比仅一项极端的更难。
全部 AI 动态
新闻、仓库与研究，按时间排列。
arXiv · cs.CLAI 评分4242 arXiv · cs.CLAI 评分4040 先写哪个字节很重要：UTF-16 编码如何改进多语言字节级边界预测
一项 arXiv 研究提出 UBE 编码，对三字节 UTF-8 码点改用低字节在前的 UTF-16 存储，提升字节级语言模型边界预测能力。在 FLORES-200 上 13 种婆罗米系文字 17 种语言的单符号前瞻测试中，码点边界的平衡字素边界误差从 UTF-8 的 8.76% 降至 0.06%；韩语和中文相对 UTF-8 平均误差分别降低 72.91% 和 35.29%，且训练仅需 25% 和 37.5% 即可超过 UTF-8 最终误差。
arXiv · cs.CLAI 评分4343 Multi-SFT：可商用许可的多语言指令遵循数据集
研究者推出 Multi-SFT，一个可商用的监督微调数据集，含 502,818 条指令-回复对，覆盖五种欧洲语言。人工评估显示各数据集与语言间标注者一致性至少 0.87。对 EuroLLM、OLMo 2、Qwen3 三个家族的 9 个模型（1B-32B）微调并在 13 个 benchmark 上评估，结果显示仅用 Multi-SFT 即可与更大的增强混合数据集及官方指令微调版本竞争，在安全任务上优势明显。
arXiv · cs.CLAI 评分4646 面向字节级模型的新颖性分块：从压缩视角看算力应花在文本新增处
研究提出 novelty patching，借鉴 LZ77 式压缩思路，让 Byte Latent Transformer（BLT）等字节级模型在即将出现不重复内容处开启新 patch，替代基于下一字节熵的分块规则。在 1.9 GB 数学语料上从头训练的 BLT 风格模型中，该方法在 12M 参数时将最终答案准确率从 47% 提升到 72%，50M 参数时计算结果准确率从 21% 升至 57%、最终答案从 60% 升至 90%；该规则只需在前两字节上拟合查找表，秒级完成且无需标签。在散文、代码等数学之外场景优势缩小。
arXiv · cs.CLAI 评分1919 去碎片化 Nawatl 神经机器翻译：面向 Masewalkopa 变体的单变体特化
一项 arXiv 研究提出“变体碎片化”问题，指出混合纳瓦特语（Nawatl）多种变体的语料会生成不属于任何语言社区的人为语域。研究基于 70,000 双语对多变体基础，用 2,665 平行对和 192 句长者转写句子，将 mT5-large 特化为 Santa Ana Tlacotenco 的 Masewalkopa（nhn）变体，所得 LoRA-v9c-b 模型取得 58.46 dev chrF++；有限状态分析器将未分析表层形式从 82.0% 降至 19.9%，CTranslate2 int8 量化把 CPU 延迟从 137.5 秒降至 1.8-2.6 秒，支持低成本 Cloud Run 部署。
arXiv · cs.CLAI 评分4040 解释 MoE 大语言模型中专家在个性化中的角色
一项 arXiv 研究提出对 Mixture-of-Experts（MoE）大语言模型进行个性化，利用其稀疏路由降低多义性、定位个性化相关组件。研究在个性化数据集上适配三个开源权重 MoE 模型，并用 crosscoder 分析配对激活，识别编码个性化特征的专家。因果干预表明这些潜变量足以恢复个性化行为，且增强相应专家可将非个性化模型推向个性化行为。
arXiv · cs.CLAI 评分4444 Intern-Decision：基于自回归掩码语言建模的高效多模态决策模型
Intern-Decision 发布 0.8B、2B、4B 三款多模态决策模型，从文本和可选图像输出结构化选择与候选概率。4B 版本在七个评测套件上平均准确率 90.02%（对比 Jev v1.13.0 的 88.74%），单张 RTX 4090 上 289-token 请求平均延迟 44.16 ms。温度缩放将 Brier 从 0.628 降至 0.550，基于置信度的路由把 Jevbench-Hard 准确率从 73.87% 提升至 87.39%。
arXiv · cs.CL精选AI 评分5757 arXiv 论文测量多智能体 LLM 讨论中的隐性信念坍塌
arXiv 论文 arXiv:2610.22138 测量多智能体 LLM 讨论中的隐性信念坍塌。在十智能体事实讨论中，无对抗者时仅 0.6% 的良性智能体最终接受错误答案，1 个对抗智能体将该比例提升至 44.8%，3 个提升至 60.5%。通过隐藏回复的独立探针发现，3 个对抗者在场时良性智能体在 51.6% 的暴露轮次私下持有错误答案，但仅 19.7% 公开附和，影响大部分不可见于讨论记录，且错误答案会在良性智能体间扩散，基础准确率不能预测鲁棒性。
推荐理由：论文用隐藏探针区分了智能体的公开表态与私下信念，给出多智能体讨论被少数对抗者带偏的量化数据。
arXiv · cs.CLAI 评分2828 PremiseSQL：评估 Text-to-SQL 系统的前提批判与弃答能力
研究者提出 PremiseSQL 基准，用于评估 NL2SQL 系统识别错误前提查询并拒绝生成误导性 SQL 的能力，基准包含 1,800 条带缺陷查询及 1,800 条原始查询，覆盖四类前提失败。评测框架在三种提示设置下测量模型的前提感知行为。实验显示前沿 LLM 默认倾向信任前提、很少质疑缺陷，而批判导向提示虽提升检测与弃答，但也增加误判并抑制原始查询的 SQL 生成。
arXiv · cs.CLAI 评分4141 EMO：交替上下文优化与 logit 引导的闭环测试时计算框架
EMO 是一个免训练的闭环测试时计算框架，借鉴 EM 思想交替进行 E 步上下文估计和 M 步分布引导。在 8 个模型、6 个基准的 greedy decoding 测试中，EMO 在 40 组设置中的 39 组超过 zero-shot 基线，平均提升 9.10 个百分点；与仅上下文优化的 TextGrad 相比，使用相同 judge 平均再提升 1.53 个百分点，在 MMLU-Pro 上跨模型保持一致增益。
arXiv · cs.CLAI 评分3434 CLUE：挖掘社交语境以提升语用理解
研究者提出 CLUE，一个结合监督式证据推理与 GRPO（以 Grounded Information Utilization 为奖励）的两阶段训练管线，让模型自主发现对话中支持语用理解的关键线索。相比基础 Qwen，CLUE 在平均加权 F1 上域内相对提升 17.3%、域外提升 9.3%，且推理 token 平均减少超过 80%。人类评估显示其解释更多锚定于具体对话内容，引用证据与人类所选语境更一致。
arXiv · cs.CLAI 评分3333 词汇参考框架：以语言模型原生语义解读残差流
一项 arXiv 研究提出“词汇参考框架”，认为语言模型每个隐状态都有由后续读取层诱导、随上下文自适应的原生参考框架。其 LexFrame 一阶框架在 SmolLM3-3B 和 OLMo3-7B 中层达到 0.97 的相干度，固定 lens 仅 0.30 和 0.35，读出误差在 0.16 nats 内；基于该框架的置信读出可提前跳过 0.45 和 0.42 的层。
arXiv · cs.CLAI 评分4242 Mosaic：多会话 Agentic 强化学习方法
研究者提出多会话 Agentic 强化学习（Multi-Session Agentic Reinforcement Learning）设定及方法 Mosaic，采用无 critic 的分层优化：在轨迹层将 session 使用信号纳入优势估计，在会话层按估计的边际贡献塑形各会话优势。在 Qwen3.5-4B 上的 BrowseComp 实验显示，Mosaic 在 context compaction 和 subagent forking 两种场景均优于广播式方法，且平均使用更少 session。
arXiv · cs.CLAI 评分2727 EVA-Cap：通过事件中心对齐优化视听视频字幕生成
研究者提出 EVA-Cap 框架，将字幕分解为原子视听事件，把非结构化文本监督转为事件中心对齐，并在自建数据集 EVA-Data 上用 SFT 和 GRPO 训练。GRPO 阶段针对全局事件完整性、事件内归因和事件间同步三个目标优化。该模型在 ChronusAV 上平均提升 9.0%，WorldSense 上提升 3.3%，论文已被 NeurIPS 2026 接收并承诺开源代码。
arXiv · cs.CLAI 评分1717 LLM 文本打分量表敏感性研究：改变量表数字就会改变答案
一项 arXiv 研究系统考察了 LLM 文本打分中的量表敏感性，即评分量表设计差异如何改变 LLM 生成的分数。实验覆盖连续/序数 2 种格式、3/5/11/21 分 4 种范围、正负号 2 种设置、3 类任务、2 种提示策略和 5 个 LLM，发现改变任一设计要素平均使归一化分数偏移约 0.10，并改变约 20% 文本的类别。毒性任务敏感性最高，且基于 rubric 的提示并未降低敏感性。
arXiv · cs.CLAI 评分4343 AutoSFT：用于监督微调自动化数据研究的多智能体系统
研究者提出 AutoSFT，一个用于监督微调（SFT）数据自动化研究的多智能体系统，由 meta agent 分离执行与分析，并调用 synthesis 子智能体补充数据池无法覆盖的操作。相比单智能体，executor 将上下文丢失减半，分析子智能体使 IFEval 提升 +6.5，合成再加 +3.4 IFEval 和 +2.9 IFBench；同一流程迁移到代码任务可带来 +3.7 MBPP+。所有结果均基于每轮从基座模型重新训练，结论表明自动化 SFT 数据研究更依赖覆盖多样化的数据操作。
arXiv · cs.CL同新闻AI 评分5454 Hy-Memory-30B-A3B：跨记忆框架的长期记忆写入模型论文发布
论文提出 Hy-Memory-30B-A3B，一个可跨 Mem0、MemOS 和 Hy-Memory 三种记忆框架工作的紧凑长期记忆写入模型，通过 Memory On-Policy Distillation 学习框架专属写入协议，再用带归因跨块奖励与块级 GRPO 的 Memory RL 优化下游可答性。在四个评测框架的固定 20% 子样本上全部排名第一，包括留出的 EverMemOS，macro 平均 55.49%，对比 Claude Opus 5 的 54.62%。
arXiv · cs.CL精选AI 评分5252 arXiv 论文诊断中文 LLM 滥用"不是X，而是Y"句式的语用恰当性问题
arXiv 论文 2610.22249 通过中文纠偏构式"不是X，而是Y"诊断 LLM 写作腔调，提出基于 Gricean 语用学的决策树，将用法分为实质性、可选性和缺陷性三类。研究发现五个商业模型使用该构式的密度是人类参照的 2.5 至 9.2 倍；307 个标注用例中仅 1.30% 有缺陷，但 52.8% 属于正确却不需要的可选用法。多个奖励模型即使对质量匹配的变体也偏爱该构式，LLM 裁判在语境不允许时仍偏爱它，监督微调和偏好优化都会推高开源模型中的使用频率。
推荐理由：论文把"不是X而是Y"的滥用归因于模型不知何时该用，给出了从正确性转向语用恰当性的诊断框架，可迁移到其他模型腔分析。
arXiv · cs.CLAI 评分5151 CATCH 持续对抗训练提升 LLM 诚实性并跨基准迁移
论文提出 CATCH（Continuous Adversarial Training for Consistent Honesty），借鉴拒答有害请求的对抗训练方法，让模型朝诚实回答训练、远离不诚实回答，同时保持模型能力。在 Llama-3.3-70B-Instruct 和 Qwen3-3.6-27B 两种架构上，仅用数百个自述场景构造的训练目标，即可在 MASK 基准降低施压下的不诚实、在 Among Us 多智能体游戏中增加坦白、在 AuditBench 提升隐藏行为发现率；效果优于提示词和监督微调，诚实性与 SOTA 激活引导相当，但在保持实用性上更优。
arXiv · cs.CLAI 评分3636 扩散语言模型的多目标少样本提示方法
arXiv 论文提出基于扩散语言模型的多目标少样本提示方法，用示例引导在同一 canvas 内填充多个被遮蔽区域，适用于跨多处的格式修改或 API 迁移编辑。针对少样本提示难以稳定遵循示例的问题，作者通过 canvas 选择性掩码导出似然比奖励，偏向有示例支持的填充。在少样本基准和软件重构案例中，示例提升了填充准确率，示例引导在若干设置下带来进一步提升。
arXiv · cs.CLAI 评分3131 Grid-Bench：LLM 能预测离散世界如何变化吗？
研究者推出 Grid-Bench，一个可执行基准，用二维、三维和四维网格上的八类操作测试大语言模型预测离散空间状态变化的能力。对六款 LLM 的评测显示，随着事件历史变长，完整状态准确率急剧下降，单事件表现相近的模型差异明显，且 Exact-match 相似的模型在错误单元格数量上也存在显著差异。
arXiv · cs.CLAI 评分4848 MindEval2：基于临床依据的患者模拟与评分标准，用于评估语言模型的心理健康支持能力
研究者推出心理健康支持评估框架 MindEval2，包含与博士级心理学家合作开发的 MHQR 评分标准和患者模拟组件 MindSim，后者带有跨轮次记忆以建模纵向心理健康过程。该框架评估了 18 个闭源和开源权重模型，发现前沿模型在表层质量和边界问题上已大幅改进，但指导校准仍是所有模型的主要失败模式，占质量差距的大部分。
arXiv · cs.CLAI 评分4545 用集合级强化学习训练推理模型生成多样化科学想法
arXiv 论文提出集合级强化学习目标，让模型一次生成 K 张基于源论文、彼此明显不同的结构化想法卡片，质量按与前文想法的距离加权。训练后的 8B 模型在无污染 benchmark 上的 creative utility 超过 Claude Opus 4.8 和 GPT-6 Astra。四位专家试点评估认为其想法集与 Claude Opus 4.8 相当且独特想法略多，coding agent 验证的 success@k 也与之相当。
arXiv · cs.CLAI 评分3939 OmniVerifier-C1：面向规则约束生成式世界建模的分解式分级验证器
arXiv 论文 OmniVerifier-C1 提出一种分解式分级视觉验证器，可将复杂提示或环境规则自动分解为细粒度组件并给出逐点评分，替代传统 True/False 二元判断。训练采用 Decoupled RL 策略，联合优化子问题级二元判断与全局对齐评分，实验显示其在文生图场景显著优于二元验证器，并在 Maze、Sudoku 等结构化世界建模任务上验证有效。论文还从理论上证明有真值图像时成对验证比逐点验证更准确。
arXiv · cs.AIAI 评分3131 HTN-Orchestrate：一个用于多智能体编排的分层任务网络框架
HTN-Orchestrate 是一个两层多智能体编排框架：Planner 通过分层任务网络（HTN）维护子任务层级与依赖，本地 Orchestrator 调度 worker 执行叶子子任务，结果按 AND 语义向上传递，必要时重建任务网络。在网页研究、科学推理等五项 benchmark 上，它使用相同底座模型超越 ReAct、Agent Team 和 DeepSeek Harness，BrowseComp 达 89.73%，SUPERChem 达 73.44%，分别超出 Agent Team 2.45 和 4.69 个百分点。
arXiv · cs.AIAI 评分3838 基于序贯拍卖的去中心化 LLM 工作流框架研究
一项 arXiv 研究提出通过序贯拍卖构建去中心化智能体市场来解决多步任务。该框架突破了此前理论要求“完美克隆体”的完全竞争假设，证明缺乏竞争同样会导致市场失灵；在不完全竞争下，智能体学会策略性压低出价以保留利润。研究评估了 Mirror Descent、Thompson Sampling、Bayes-Optimal 和 PPO 四种出价算法及 1st-Price、2nd-Price、Credit-Conserving Vickrey 三种拍卖协议，结果显示不完全竞争能在维持高任务成功率与低成本的同时保留智能体利润空间。
arXiv · cs.AI精选AI 评分5252 FEB-30 基准重新审视 Agent 记忆评估，发现内在与外在评估平均偏差 16 个百分点
论文提出 FEB-30 基准，指出以下游问答准确率评估 Agent 记忆会混淆记忆正确性与检索和生成质量，产生假阳性和假阴性。该基准包含 30 条事实演化轨迹、6 个诊断类别和 3 个难度级别，通过范式反转从已知事实轨迹生成文档，无需人工标注即可获得确定性真值。应用于一个代表性记忆系统后发现，内在与外在评估平均偏差 16 个百分点，44% 的轨迹超出显著偏差阈值，记忆操作分类正确率仅 20%，该失败对外在评估完全不可见。
推荐理由：论文指出问答准确率会掩盖记忆系统的内部错误，并给出可复现的内在评估基准，为记忆评测提供新方法。
arXiv · cs.AIAI 评分1919 TRACE：基于预测自适应连接强化的细长结构拓扑感知分割方法
研究者提出拓扑感知、预测自适应的目标函数 TRACE，针对细长结构分割中的连通性错误，利用目标骨架定义所需局部连接，并在当前预测下寻找最易有效重连路径，联合监督其瓶颈点与对应骨架点。方法引入保留前景和类别拓扑的骨架载体，在六个 2D 与 3D 基准上提升了连通性与拓扑指标，同时保持分割精度且训练开销低。论文已被 WACV 2027 接收，代码将在接收后发布。
arXiv · cs.AIAI 评分2020 DSA-MP 版图分解新方法：GNN 引导的局部精细化
研究者提出 DSA-MP（DSA 结合多重图形光刻）版图分解新方法，构建了捕捉 DSA 模板边到边间距约束的冲突图模型，并利用图神经网络（GNN）驱动局部精细化策略，实现高效可扩展的分解。实验显示该方法比 state-of-the-art 方法解质量更高、收敛更快，且在不同版图规模、设计风格、工艺节点和掩模数量下保持稳健。该论文共 9 页，已被 ICCAD 2026 接收。
arXiv · cs.AIAI 评分2727 SCOPED：面向统一视觉语言模型的技能解耦在线专家蒸馏方法
SCOPED（Skill-Decoupled On-Policy Expert Distillation）是一种面向视觉语言模型的训练方法，先分别训练能力专属专家并通过奖励引导反思提取显式技能，再进行在线蒸馏，让统一模型在推理时无需显式技能也能内化程序性知识。在八个多模态 benchmark 上，SCOPED 持续优于骨干模型和混合能力 RL。分析还发现联合优化存在能力间干扰，技能增强有助于专家轨迹更一致、更关注任务相关视觉证据。
arXiv · cs.AI精选AI 评分5757 OS-Helix 论文：统一 GUI 操作与代码执行的端到端原生计算机智能体
arXiv 论文 OS-Helix 提出端到端训练的多模态计算机使用智能体，把 GUI 操作和代码执行统一到一个动作空间。通过应用与真实文件配对构建可执行 Ubuntu 环境和可验证任务，先 SFT 冷启动再在真实桌面环境做在线 RL，提出 Step-balanced GSPO 按动作步聚合重要性权重；OS-Helix-27B-RL 在 OSWorld-Verified 上成功率达 66.44%，比匹配的 Qwen3.5 混合基线相对提升 42.9%，并在 WindowsAgentArena 上展示跨平台迁移。
推荐理由：论文给出 GUI 与代码执行统一到单一动作空间的训练方法，以及 Step-balanced GSPO 等具体做法和消融证据，可迁移到同类 Agent 研究。
arXiv · cs.AI精选AI 评分6060 免训练 on-policy 蒸馏方法提出，仅用前向传播即可合并专家模型
一篇 arXiv 论文提出 training-free on-policy 蒸馏：不用训练，仅通过前向传播就能把多个单独微调的专家模型能力合并到一个学生模型中，合并后平均精度高于任一专家。当专家共享同一 base 模型时，蒸馏有精确的逐层解，等价于一个最小二乘问题，只需几百条 rollout 的前向计算即可得到二阶矩。去除重复循环截断的回答后，在 AIME25 上将合并模型从 task arithmetic 水平提升到专家水平；在 Olmo 3 7B 上，每个专家只需几 GPU 小时的前向计算，即可在七个数学和代码基准上保留各专家的大部分增益。
推荐理由：给出免训练合并多个专家模型的具体方法，层式最小二乘解只需几百条 rollout 的前向计算即可落地。
arXiv · cs.AI精选AI 评分5656 arXiv 论文提出 Agent 安全评测中的捷径敏感性三层审计框架
Hasan Demirkiran 在 arXiv 发布论文（arXiv:2610.22243），提出三层 shortcut 审计框架，审计 LinuxArena 轨迹和两个 TS-Bench 衍生数据集，已被 NeurIPS 2026 工作坊 TAE 与 AIWILD 接收。实验显示改变 <INFORMATION> 标记使拦截率下降 8.33 个百分点，不透明工具别名使其上升 11.46 个百分点；AgentHarm-Traj 上 TS-Guard 的 F_1 从 .902 降至 .719。作者建议采用域分组 holdout、评估单元指标和安慰剂对照配对干预。
推荐理由：论文给出shortcut审计框架与配对干预实验，说明评测数据表征如何改变guard决策和指标，方法可直接借鉴到自建评测。
arXiv · cs.AI精选AI 评分5555 LinguaGuardBench 揭示语言是 Agent 安全守卫的攻击面
作者构建 LinguaGuardBench，基于 TS-Bench AgentDojo-Traj 的 1220 个标注步骤，仅将用户指令译为德语、法语、土耳其语、斯瓦希里语和阿姆哈拉语，检验 Agent 守卫判定是否受请求语言影响。在 19 个守卫中，多数开源小型和专用守卫的判定翻转超出自身噪声底，专用守卫最敏感；13B 以下九个守卫经安慰剂校正的翻转率从法语的 +1.5 pp 升至阿姆哈拉语的 +4.4 pp，12-30B 开源守卫更多误拦良性步骤（最高 +5.0 pp），10B 以下守卫出现召回损失（最高 -7.4 pp）；前沿守卫偏移至多约一个百分点，Gemini 3.8 Flash 最稳定。基准和全部 489k 判定已开源。
推荐理由：研究把用户指令译成多语言而其余轨迹不变，分离出语言本身对 Agent 守卫判定的影响，方法设计和 489k 判定数据都可复用。
arXiv · cs.AIAI 评分3737 无需真值监督：基于模型分歧的弱到强路由方法
一项 arXiv 研究（arXiv:2610.22245）提出用模型间分歧信号指导弱模型到强模型的路由，无需正确性真值标注。该方法先刻画最优弱到强路由策略，再基于多个弱模型本地推理响应推导出近似方案，且强模型越接近真值分布近似越准确。在智能体与单轮任务上，该方法能平衡路由成本与响应准确率，即使有真值信号可训练，分歧路由也可优于直接预测正确性的方法。
arXiv · cs.AIAI 评分2626 X-RIC：一个面向智能体 RAN 智能控制器的增强强化学习 Benchmark
X-RIC 是一个将智能体 AI 融入 O-RAN 架构的新框架，把响应式强化学习与策略性智能体推理结合，包含基于领域启发式的自动化 Behavioral Cloning、Telecom Language Model 推理模块，以及 Near-RT RIC 控制环内的闭环协同适应。配套的 BARX 评测框架从延迟、合规性和确定性等指标评估智能体控制。在 SLA 感知网络切片的仿真与 O-RAN 兼容测试床验证中，X-RIC 实现 89% 运营成本下降，收敛快 75%、训练步数减少 50%、方差降低 46%，且保持 SLA 合规。
arXiv · cs.AI精选AI 评分5656 Librarian Agents 论文提出用强化学习训练 LLM 预先整理长上下文工作区
论文提出 Librarian Agents 框架，由 builder agent 把原始文档整理成层级化合成文件工作区，并将构建过程建模为 MDP、用强化学习直接优化下游答题准确率。方法在 BrowseComp-Plus 上比最强检索与预计算基线高 33 个百分点，并在 BRIGHT 上零样本泛化，平均准确率提升 31 点。
推荐理由：论文把工作区构建建模为 MDP 并用 RL 直接优化下游答题准确率，方法路径和基线对比对长上下文 Agent 研究有可迁移参考。
arXiv · cs.AI精选AI 评分5656 LEASH：面向计算机使用智能体的不确定性感知弱到强升级与监督框架
arXiv 论文提出 LEASH，一个免训练框架，让弱模型默认执行任务，仅在其潜在不确定性升高时把控制权交给强模型，并在交接后用 shadow observer 持续监督黑盒强模型。在 OSWorld 上，LEASH 在相同升级率下比随机升级高 6.55-11.94 分；用 Qwen3.5-35B-A3B 达到 73.66% 任务成功率、每任务 $0.4117，与常驻 Claude Opus 5（72.90%）持平，同时推理成本降低 19.2%。不确定性估计复用动作生成时已产生的激活，无需额外前向传播或专门训练监控器。
推荐理由：论文给出弱到强按需升级的具体做法和成本对比，弱模型默认执行、仅在不确定性高时交给强模型，成本账算得清楚。
arXiv · cs.AIAI 评分2424 针对欠规范奖励的定向主动偏好学习：让机器人提出更聪明的问题
一项被 CoRL 2026 接收的研究提出将纠正奖励学习缺陷的负担从人类转移到机器人：通过构建针对待解决特征的先验，并在偏好询问中附带解释来引导人类注意力。仿真中，该先验在低询问量场景下比标准主动偏好学习基线最高提升 30.8%；用户研究显示先验与解释均显著改善奖励恢复并相互放大效果。
arXiv · cs.AIAI 评分4242 研究解析：脚手架为何仍能提升环境无关编码智能体表现
一项研究用 Codex 智能体在 ARC-AGI-3、AGI Maze 和 Terminal-Bench 上对比两种几乎相同的提示词变体，仅改动一条“报告困难并交还控制权”的指令即可提升前两个环境的平均分。但即使搭配 GPT-5.6-sol，通用智能体仍低于 ARC-AGI-3 专用参考方案，把 reset 决策交给脚本控制器可挽回部分差距，额外教程经验反而可能降低 AGI Maze 表现。收益同时带来更高的 token 成本，作者发布了 EnvTraverse 框架与基线智能体。