新闻、仓库与研究，按时间排列。
Jiachen Zhao 在 arXiv 发布论文提出 Persona Hierarchy Model，用共享默认人格解释微调行为在不同情境下的泛化差异。基于 Qwen3-4B 等共 120 个微调模型、4 种行为和 15 个训练情境的实验显示，泛化窄度与训练情境人格和默认人格的相似度正相关（Pearson's r = 0.72）；在默认情境下先微调可拓宽后续泛化。作者还提出 persona-preserving regularization（PPR），在 RL 中将 reward hacking 从 42-55% 降至最多 0.2%，同时保留准确率提升。论文链接 https://arxiv.org/abs/2610.09384v1
推荐理由：论文用 120 个微调模型的数据解释行为为何跨情境泛化，并给出能将 reward hacking 压到 0.2% 的正则化方法。
arXiv 论文提出结构化消歧新范式，通过显式、受限的交互而非自由对话来解决用户问题中的歧义，并构建 ARCS——首个基于真实数据库、包含自然产生歧义及完整歧义点、解释和 SQL 查询标注的 text-to-SQL 基准。实验显示歧义场景下任务仍然困难：gpt-6-sol 端到端执行准确率仅 51%，开源模型无一超过 27%。
一项 arXiv 研究显示，RAG 中检索多样化的效果取决于候选池的冗余度：在干净池上会损害相关性、证据覆盖和答案质量，但在多证据任务且冗余导致最近邻检索重复选段时有益。作者提出查询自适应规则，仅在最近邻 top-k 的有效不同文档数低于查询证据需求时才多样化，该规则基于现有 embedding 计算，可跨数据集和编码器迁移；另提出带精确最近邻回退的几何重排器 RNG-Score。
研究团队推出 ArcticQA 数据集，包含来自北极一手科研的 194 道问题，并构建 ArcticAbstain 基准，对比有答案与无答案条件下的弃答表现。评测覆盖 Gemini、Claude、ChatGPT 三个系列的 8 个模型，在 9,312 条记录中，有答案条件下的弃答率为 0.0%–63.0%，替换正确答案平均仅提升 5.05 个百分点，表明需同时评估弃答频率与灵敏度。
一项 arXiv 研究用最小集设计测试 LLM 回答州政策问题时是否把其他州的正确值当作答案：固定问法、只变换辖区，覆盖 51 个美国辖区和 3 个 Medicaid 收入资格指标。结果显示 Claude Sonnet 5.5 和 GPT-5.6 Sol 分别在 153 项中的 10 项和 25 项上可复现地给出另一州的当前值。但归因脆弱：仅凭答案等于他州值判定替代会带来 3-5 倍的可复现误判，需完整同州参照集。
研究者发布 BanglaRhet 基准，基于 30,289 段人工标注的孟加拉政治演讲语料，开展修辞手法与说服技巧检测两项单标签分类任务。在 BanglaBERT、BanglaBERT-Base、SahajBERT、XLM-RoBERTa-Base 与 TF-IDF 经典基线的对比中，BanglaBERT 表现最佳，两项任务分别取得 65.40% 和 66.46% macro-F1，超过最优经典基线 19.2 和 13.8 分。错误主要源于标签语义重叠、比喻语言和类别不平衡。
研究者提出一种面向冻结公共 CTC 模型的无边界上下文偏置解码器，基于字符级 Aho-Corasick 自动机，无需训练和第二遍解码。在 Aishell-1 NE 的困难 R1 子集上召回率达 66.5%，超过训练过的 CLAS 基线（64%），并可不经调参迁移至 WenetSpeech 和第二种架构。团队还发布了首个开源日语上下文偏置基准，稀有词召回在精确率超 97% 时提升 25 点，对 1,000 词列表仍分别提升 19 和 22 点。
研究者提出 CHASE（Channel-Aligned Structure Exploitation），利用几何与谱对齐（GSA）刻画的结构开展模型修改、重构与压缩，共覆盖六项应用。其中 CORA、COEC、CORAM 分别用于参数高效微调、结构化剪枝补偿和模型合并，新方法 CAGA 通过多头注意力共享 KV 表示改进 MHA-to-GQA 转换，SAKV 与 CAPS 分别在 KV-cache 压缩和结构化剪枝上优于代表性基线。结果表明 GSA 识别的结构可直接用于多种模型操作的方法设计。
一项 arXiv 研究针对自监督语音表征微调的语言识别（LID）模型常将带口音的非母语（L2）语音误判为说话人母语（L1）的问题，提出一种几何投影方法，仅用母语语音估计 L1 偏置方向并在冻结 LID 头之前予以移除。在五个 MMS-LID 模型与非母语语料上，该方法显著提升 L2 口音语音的目标语言识别准确率，同时不影响母语语音的预测，且无需 L2 训练数据或模型适配。
Goldsmith 是一个智能体流水线，可将少量专家标注的黄金校准样本转化为可复用的结构化标注定义，并把定义当作可训练的文本对象。LLM 编辑器将最高损失的错误转化为文本梯度式修订，仅在实测损失下降时才接受。在提示词优化对比中，Goldsmith 超过直接改写、OPRO、APE 和 PromptBreeder，并在跨度、关系和事件论元标注任务上提升下游标注质量。该论文已被 EMNLP 2026 主会接收。
一项研究以 FNS 2020 共享任务数据集（伦敦证券交易所上市公司年报及其摘要）为基准，比较了多种预训练 Transformer 摘要方法与抽取技术，并考察不同评估指标的行为差异。研究者认为部分指标无法真实反映摘要能力，提出由 ROUGE-2 与 BERTscore 调和平均构成的新指标 BRUGEscore，并通过统计显著性检验和三种污染方法的对抗分析验证结果稳健性。
一项基于 7 个开源模型、5 种验证信号、37,000 条标注链式推理（CoT）轨迹的研究提出“弃权即有效”观察：低触发率证书虽满足 (\alpha,\delta) 有效性，失败概率却可达 δ/P_fire，模拟中标准证书在校准抽样失败至多 0.3%，但触发时失败高达 69%。研究提出 floor-started 固定序列证书，在所有模型-信号组合上覆盖率超过 Bonferroni，在目标 0.75π₀ 下覆盖率从 0.05 提升到 0.16。研究还发现 benchmark 偏移和 best-of-n 选择下证书错误会超过目标，弃权机制吸收了这些失败。
研究者提出 Constitution-Guided Watermarking 框架，让语言模型水印根据提供商以自然语言列出的原则，为不同请求选择合适的权衡方案。离线由推理智能体基于经验反馈迭代优化各规则配置，部署时由独立监控器检索对应策略，不改动服务模型。基于 KGW 和五条规则的验证中，鲁棒性优先请求的改写后检测率较固定配置最高提升 14 个百分点，在 0.1% 误报率下整体质量与正常检测持平或超过所有基线。
研究者提出 RELATE，一个以人设条件化测量 LLM 关系取向的评估框架，区分将 AI 定位为持续支持来源的内向型（IF）语言与鼓励现实人际连结的外向支架型（OS）语言。框架将 76 个求助情境与 3 种模拟用户风格组合成 228 个评估刺激，对 7 个 LLM 各进行 6 轮助手对话，共产生 1,596 段对话和 69,194 句助手句子，用基于量表的 LLM 评判加二次评判评估。结果显示第 6 轮的 IF 句子比例高于第 1 轮，且犹豫、间接的用户得到的 OS 语言明显更少。
一项 arXiv 研究评测开源与闭源 LLM 在否定基准上的表现，发现 37-71% 的情况下模型在否定问句中重复原答案（如问"什么不是西班牙首都"仍答 Madrid）。机制分析显示，专门的 attention heads 和 MLP 神经元通过抑制原答案并提升类别内偏好候选来实现否定，与人类处理方式不同，是失败的关键来源。研究提出的训练目标要求对高置信度原预测做更大的偏好偏移，在减少否定失败的同时，比标准微调基线更能保留通用能力。
论文提出协作推理蒸馏框架 CRD，通过教师互相交叉反馈批评、细粒度步骤质量评估与连贯性步骤拼接，提升小模型推理能力，并以带预算约束的 Reasoning Quality Optimization 训练。其模型 CRD-4B 在 MATH-500 达 97.3%、AIME'25 达 70.3%，仅用 50K 训练样本，比同类模型数据集最多小 12 倍。
论文提出 LASEF（Language-Aware Skeleton Exploration Framework），研究多语言数学推理中 LLM 骨架提示应使用哪种语言。实验覆盖多个数学 benchmark、模型规模和语言，发现英文骨架平均带来小幅正向倾向，在小模型和低资源语言上最明显，但校正后语言层面收益大多不显著，英文并非普遍最优。研究总结出方向一致、依赖评测与 benchmark、非对称负向三类效应，指出骨架语言是依赖具体情境的设计变量，资源已开源。
研究收集了 4782 个 JetBrains IDE 中真实软件工程师的智能体会话，其中 33% 有至少三条用户消息，发现这些长会话的任务类型与类型间切换分布和 issue 衍生基准任务差异显著。论文提出 SWE-TaskFlow 方法，在保留已验证任务与测试的同时，通过提示词拆分和可验证的仓库问答将交互导向目标 Task Flow，并用 TFAS 分数筛选生成的轨迹；在 700 个 SWE-Bench Pro 任务上的试点显示，将任务拆成多步顺序执行大约使智能体成本翻倍，而 resolve rate 无稳定变化。
推荐理由：论文用 JetBrains IDE 中 4782 个真实工程会话测量任务流分布，指出基准交互协议本身影响评测结果，方法可迁移。
arXiv 论文 2610.09639 通过受控合成框架测量发现，reverse-KL 在线蒸馏（OPD）能在三个模型家族的四个模型上稳定迁移跨未见推理结构的组合性技能，但几乎不迁移事实知识。消融显示换用 forward KL 可恢复事实迁移，学生 rollout 则专门提升多步推理执行；在事实问答与竞赛数学实验中呈现同样的不对称。结论是 OPD 不扩充模型参数化知识，而是教会模型组织与组合已有知识。
推荐理由：论文用受控合成框架区分知识与技能两类能力，说明了 reverse-KL 在线蒸馏为何只迁移推理技能而不扩充事实记忆。
一项基于 Qwen3-0.6B 的受控研究显示，数据重复使 held-out loss 相对恶化 75%，同时 centred RankMe 反而升高 13.5 个合并标准差，谱弥散导致单侧监测把最差 checkpoint 判为最健康。作者提出双侧多通道时序监测器，能在 fork 后 10 到 60 步内检出全部三种损伤并按触发方向区分损伤类型，但其预警从不早于 held-out probe loss，且双种子校准会对留出的健康种子产生误报。
研究者提出 rubric 条件化简答题评分框架 RUSPAN，将 rubric 描述视为语义标签表示，把题目、学生答案和候选评分等级序列化为单序列，在单次 LLM 编码中逐级打分。其改进版 RUSPAN-RIM 引入 Rubric-Independent Mask，阻止 rubric span 相互注意以促进零样本迁移。在覆盖英语、德语、葡萄牙语的六个 ASAS 基准上，RUSPAN 优于判别式与生成式基线，RIM 配合位置重排在跨语言与 rubric 结构偏移最大的 PT-ASAG 留出基准上带来持续显著提升。
研究者发布 Alice，一个大规模、基于量规的德语自动简答题评分（ASAS）数据集，包含 Alice-LP（学习表现）、Alice-KE（知识要素）和 Alice-SK（技能）三个子任务。团队将其建模为量规检索任务，测试了从 encoder-only 模型到轻量 LLM 的多种语言模型及零样本提示。结果显示 LLM 在零样本下难以评分知识要素和技能；量规文本对 Alice-KE 与 Alice-SK 尤为有用。
Tianle Wang 等在 arXiv 发布论文，提出 Step-Aligned Privileged Distillation（SAPD），一种免 rollout 的自蒸馏方法，将示范解法转化为步对齐的分布性监督。在数学推理基准上平均优于 SFT 和标签平滑，与 on-policy 强化学习和自蒸馏相当，同时大体保持域外编码性能，训练循环较 on-policy 基线提速约 2x。代码已开源。
研究者推出 InsClaimBench，一个端到端评测 LLM 保险理赔裁定的基准，涵盖车险、财产险和健康险共 3,780 个案例、375 个案例族、86,656 条原子规则判断。对六个 LLM 的评测显示，赔付决策准确率为 74.23%–80.19%，决策与金额联合准确率降至 47.54%–73.15%；原子规则准确率达 95.48%，但规则向量完全匹配最高仅 36.90%，表明沿决策链的可靠组合与传播仍是关键挑战。
研究者提出 PersonTTS，一个摊销式智能体策略发现框架，将个性化测试时扩展（TTS）建模为发现可最大化用户在准确率、延迟和推理成本多维需求联合满足率的可执行控制器。该框架通过需求匹配的控制器初始化和源蒸馏的程序化引导复用先前搜索经验，同时对每个候选保留目标画像评估。在 AIME 和 HMMT 上的实验显示，PersonTTS 在未见用户画像和留出题目上大幅超越强 TTS 基线，跨用户体验复用还能在相同候选评估预算下显著降低发现智能体的时间与成本。
研究者提出 SpikingVLA，一种 ANN-to-SNN 转换框架，实现高精度、低延迟的脉冲 VLA 推理。其核心是 Dendritic Integrate-and-Fire（DIF）神经元与跨 VLA 组件的异步执行机制，以减少同步开销和延迟。相比现有脉冲 VLA 方法，SR 和 SPL 分别提升 11.9% 和 12.6%，首动作延迟降低 11.2×。
一项研究提出两种视角解释查询扩展（QE）在信息检索中性能不一的原因。其一是理想扩展查询（IEQ）概念，其二是用 Cohen's (d) 量化相关与不相关文档的可分性。在 TREC Robust、TREC DL 2019-2022 段落及 2019-2020 文档集合上的实验显示，越接近 IEQ 的扩展查询检索效果越高，可分性则提供互补解释。
一项被 EMNLP 2026 录用的研究在 Llama 3.1 70B 和 Qwen 2.5 72B 中定位出 Bridge Routing Heads（BRH），发现其跨五种语言几乎互斥，Jaccard 相似度仅 0.017 与 0.057。消融实验显示，移除通用 BRH 会使两跳推理的 NLL 升至随机基线的 39-89 倍；在推理失败时放大这些头可无需训练地挽回最高 51.7% 的跨语言失败案例。
Shaer 是一个受控古典阿拉伯诗歌生成框架，联合自然语言描述、格律子形式和目标半句数量进行条件控制，并基于 Ashaar 构建 116,032 首诗的富化语料库。其通过 QLoRA 微调 Yehia-7B，实现 95.17% 基础格律准确率、91.75% 格律子形式准确率和 83.40% 精确句数准确率，较未调优基座模型分别提升 68.68、57.77 和 38.93 个百分点。对 3,481 条测试生成的分析未发现训练语料的精确复制，代码、模型和数据集已公开。
研究者提出 PARC-Loc，一种基于部分分配与关系一致性（PARC）的粗到细文本到点云定位框架，用于解决城市重复物体导致的布局不一致混叠和跨子图证据不完整问题。该方法联合建模提示-物体兼容性与成对空间关系，并在细定位阶段扩展相邻子图的查询相关实例上下文。在 KITTI360Pose 上，其 5 米 Top-1 定位召回率从 0.50 提升至 0.67，较最强基线相对提升 34%，并在 CityLoc 上优于常规粗到细基线。
论文提出 Bolzano，一个使用并行 prover 智能体加 verifier 智能体并维护人类可读研究状态的开源多智能体系统。专家选定问题的早期人工使用产出8个经领域专家核验证明的结果；随后在从四组论文提取的约3800个开放问题上无问题特定人工引导运行，解出约200个。在 STOC 2026 论文的实验中，系统回答了论文中提出的四个问题，经论文作者确认。论文被 NeurIPS 2026 第六届 MATH-AI workshop 接收。
推荐理由：论文给出了多智能体证明搜索系统在约3800个开放问题上的无人工引导实测结果，可了解其解题规模和验证方式。
Masaaki Nakatsu 在 arXiv:2610.09772 提出 Decoupling Architecture（AO-DA），在单个 INT4 基座模型上用热插拔 LoRA 将逻辑推理（What）与人设表达（How）分成两条推理路径，逻辑路径只接收核心回合并输出可验证的 Micro-State。
推荐理由：论文用 480 次同模型消融给出分离架构抗上下文污染的量化证据，并诚实地指出 4B 模型上分离同样失效。
研究者提出 LatentGRM，一种基于语义分块、压缩与重建的潜空间评估框架，通过 rubric 引导压缩学习连续轨迹，无需生成文本评估即可完成自主成对判断。在相同训练数据与骨干模型下，LatentGRM 在 4B 与 8B 规模上取得与显式 SFT judge 相当的偏好准确率。LatentGRM-8B 在四个 benchmark 域上将评估轨迹压缩 8.9--9.2x，在 vote@5 下将 judge 总推理时间降低 6.1--7.0x。
MIRROR 是一个自蒸馏框架，通过 reference-revealed on-policy self-distillation 将 LLM 个性化从模仿参考文本转向内化用户偏好，并配套 MIRROR-F 插件对信息量高的 reference token 做选择性监督。在三个个性化生成基准、两种模型规模及基于参考和 LLM 的评测中，MIRROR 与 MIRROR-F 取得领先的个性化表现与文本质量，且在三个未见任务上的灾难性遗忘少于 SFT 基线。
Jonghyun Han 在 arXiv 发布论文，发现持续预训练和微调中的灾难性遗忘集中在语料中罕见出现的 token 的输出嵌入，由 Adam 二阶矩归一化放大单侧 softmax 梯度所致。提出仅对输出投影提高 Adam epsilon 的干预，在 160M 到 12B 参数、四个模型族的八个设置中消除 39.4% 到 67.9% 的遗忘且不损害目标学习，与 replay 叠加后在 Qwen/Korean 上达到 79.8%，但事后编辑漂移行只能恢复不到 5%，因此必须在训练期间施加干预。
推荐理由：论文把灾难性遗忘定位于低频词的输出嵌入，并给出仅调 Adam epsilon 的单行干预及其跨 8 个设置的验证数据。
Sergei Polezhaev 在 arXiv 论文 arXiv:2610.09858 中提出 Caddie，通过强化学习训练批评模型，依据 Agent 接收反馈后最终是否成功来优化，不依赖步骤级标注，且基础模型保持冻结。基于 Qwen3-4B 训练的批评模型提升了四个不同规模与架构基础模型的成功率；在 MuSiQue 上使 Qwen3-4B 成功率提高超过 25 个百分点，超过无批评模型的 Kimi K3，并在 τ³、DeepDive 等域外交互基准上无需额外训练即有增益。
推荐理由：论文用任务最终成败而非步骤标注训练批评模型，读者可以了解一种可跨模型迁移的 Agent 反馈训练方法。
研究者推出 LiveMACEBench，以真实金融市场为持续演化测试床，过程感知地评估 LLM 智能体能力。五个前沿 LLM 在 Tool Use、Persistent Memory、Rule Following 和 Multi-Agent Collaboration 匹配配置下运行，经 30 天实时评测发现明显的"结果-能力差距"：实际收益常与能力特定指标背离。Trace 级诊断揭示了各能力的不同瓶颈，说明机制访问、有效使用与最终表现并非可互换的能力度量。
一篇 arXiv 论文提出面向 SIEM/XDR 事件响应的受限动作架构：SIEM/XDR 控制平面将 LLM 输出限定在封闭意图词汇表中，由端点代理执行，并配参数校验器兜底；外层用 NeMo-Guardrails 代理包裹 SOC 分析师 LLM。开箱即用的护栏将注入攻击召回率从 25.0% 提升至 94.5%，误报率 0.1%；红队演练证实该设计可在命令跨越信任边界前遏制 LLM 失效模式。受限于护栏延迟，方案建议采用人机协同或延迟执行模式。
arXiv 论文提出针对多向量视觉文档检索器索引的逆向攻击，将索引还原视为条件文档图像生成。在 ViDoRe v3 基准上，从原始索引还原的页面可恢复 47% 的词和 45% 的敏感 token，作为查询时有 98.4% 的概率将源页面排第一；token pooling 和乱序两种防护都能把词召回降到约 8%，但有模型可将乱序索引的源页面首位命中率从 3.8% 提回 93.5%。同一攻击作用于另一多向量检索器仍有 70.2% 的首位命中率，索引应像原文档一样被保护。
Itgan 团队参加 NADI 2026 三个阿拉伯语 ASR 子任务，统一采用 LoRA 在消费级 GPU 上微调 Whisper。子任务 1.1 提交系统达到 57.1% 国家平均 WER；子任务 1.2 达到 46.7% WER；子任务 1.3 以 14.49% WER 获得第二名，并在领先系统中取得最低 CER 5.38%，最后 0.60 个 WER 点来自多个独立训练运行的精确权重空间平均与 ROVER 投票。