ReSemReason：面向生物医学多跳问答的关系语义推理框架
arXiv 论文提出 ReSemReason，针对知识图谱生物医学多跳推理中“可达但无效”的问题，即答案可达但证据路径无法支持所需关系组合。该方法在候选发现与证据选择间共享问题诱导的类型化有向关系 schema 分布，并用 ReSemAttn 进行关系条件化的注意力建模。在 BioHopR、PrimeKGQA 和 MedReason 上的实验显示答案排序与答案集质量均有提升。
#数据集
新闻、仓库与研究，按时间排列。
arXiv · cs.CLAI 评分2929 arXiv · cs.CL精选AI 评分6464 OpenTWBench 发布：面向大语言模型的台湾领域知识评测套件
Liang-Hsun Huang 在 arXiv 发布 OpenTWBench，一套评测大语言模型台湾领域知识的开放套件，含 tw-exam-bench 与 tw-formosa-bench 两个基准。前者基于台湾考选部十五年国家考试开放数据，含 148 科目共 255,854 道四选一题，剔除 2,180 道依赖图片的题目后用 253,674 题计分；后者含 1,696 道关于台湾日常与当代生活的精选题，以冻结的七模型池校准至及格边缘（46.9-74.6%，中位约 54%），leave-one-out 实验显示筛选几乎不偏移模型排名。目前公开榜单已有 108 个模型，22 个超过该区间上限，最好成绩 91.6%。
推荐理由：论文用同一批题目量化了评测装置本身对分数的影响，答案抽取方式一项就把准确率从 20.8% 拉到 93.9%。
arXiv · cs.AIAI 评分4949 Interlock：让长程智能体从局部正确走向任务完成
论文提出 Interlock 框架，将任务表示为类型化完成图，通过 grounding 边、coupling 超边和 realization 边刻画证据、决策与下游效果间的关系，并编译为可重置工作区、公开请求与评测 rubric。在两个 Qwen3.6 backbone 上用自产轨迹微调后，AutomationBench 任务通过率提升 4.00-4.50 个百分点，JobBench 加权分提升 3.20-6.64 分，Harvey LAB 准则通过率提升 3.89-4.16 个百分点。
arXiv · cs.AIAI 评分4242 LLM 语言表达上限研究：arXiv 论文测量模型能传递哪些概念
arXiv 预印本研究 LLM 的语言表达上限：提出提示词优化算法，在 benchmark 上比现有算法最高提升 14%，并设计发送方标注、接收方恢复提示词的传输度量。对 8 个领域 1.2k 个概念的测量发现三类概念：可完全表达、未来更强模型可能表达、以及与身份和群体意识绑定而难以表达的概念；人类在 LLM 难以处理的 76% 概念上仍有中到高度一致性，表明表达上限因执行者而异。
arXiv · cs.AIAI 评分1818 ONCship：面向船舶识别的大规模水声数据集发布
研究者发布 ONCship 大规模水声数据集，包含来自 Ocean Networks Canada（ONC）水听器的 4521 小时精选录音及 AIS 数据。在 DeepShip 上，ONCship 与 AudioSet 联合预训练经 linear probing 达到 62.45% 分类准确率；作为辅助训练数据还可提升船舶类型分类性能。在 MMSI 级船舶识别任务中，微调模型 Top-1 准确率超过 53%、Top-5 接近 69%。
arXiv · cs.AIAI 评分3333 CSVG：基于候选集视觉定位识别对话歧义
研究者提出候选集视觉定位（CSVG）任务，估计与对话上下文一致的目标对象集合，并发布跨对话轮次评估候选集变化的 CandVG benchmark。对视觉语言模型的评测显示，视觉定位能力更强并不必然带来更好的 CSVG 表现，模型难以预测完整候选集，主要败在候选生成不足和早期轮次过早收敛到小集合；通过专为 CSVG 设计的指令可部分缓解大规模模型的这一局限。
arXiv · cs.AIAI 评分3232 LiFi：通过几何与语义协同引导从多视角图像生成 LiDAR 点云
NeurIPS 2026 论文提出 LiFi（LiDAR From images）框架，从多视角相机图像生成视觉与几何对齐的 LiDAR 点云。该方法通过几何分支（结合 DepthAnything3 的不确定性感知编码器）与语义分支双路引导 latent diffusion，并引入双分支平衡的 classifier-free guidance（CFG）策略，生成质量超越现有 SOTA 方法，代码将开源。
arXiv · cs.CLAI 评分3838 跨语言有害内容标注分歧的分解与预测研究
一项 arXiv 研究提出从文本的可解释语义属性预测标注者分歧：让 LLM 回答 20 个二元问题（涵盖有害内容特征、临界严重度、缺失语境、本地贬损语等线索），再用分类器预测分歧。在英语、德语、土耳其语四个数据集和三个开源权重 LLM 上，该方法比直接提示高 10.5 ROC-AUC 点、比最强文本基线高 5.0 点；仅 8 个问题的精简版与全集差距在 1.5 点内，跨数据集评估保留约 90-95% ROC-AUC。贬损、缺失语境与决策边界相关问题是最强预测因子。
arXiv · cs.CLAI 评分3131 Legal-R1：面向循证法律推理的智能体检索框架
arXiv 论文提出 Legal-R1，一种用于循证法律推理的智能体检索框架，将法律推理分解为多智能体工作流：Lawyer 智能体学习何时检索、查询何种法律来源及证据是否充分，Legal Assistant 智能体基于权威性与多样性从规范法律来源和判例中检索，Judge 智能体依据完整证据轨迹生成最终答案。仅对 Lawyer 智能体采用掩码监督微调与轨迹感知强化学习进行后训练，在中国法律基准上超越通用、法律专用及检索增强基线。
arXiv · cs.CLAI 评分4747 OmniCompass：面向全模态视频定位与理解的整体性 Benchmark
研究者推出全模态视频定位与理解 benchmark OmniCompass，含 OmniCompass-VL 与 OmniCompass-AV 两条评测轨道，各含时序定位（TG）、空间定位（SG）和问答（QA）三类任务。OmniCompass-VL 含 820 个视频、2,460 个实例，OmniCompass-AV 含 240 个视频、720 个实例。对 50 个 MLLM 的评测显示开源模型仍落后闭源模型，尤其在视听理解方面，时序与空间定位对领先模型仍是挑战。
arXiv · cs.AIAI 评分3636 RadarGSOcc：基于 4D 雷达张量与几何-语义特征提取的 Doppler 感知 3D 语义占用预测
RadarGSOcc 是一个直接处理 4D 雷达张量的 3D 语义占用预测框架，通过分离提取含 Doppler 信息的几何与语义特征，并采用可变形注意力几何精化模块。该模型在 51.2m 范围内预测 15 类，取得 38.2% IoU、7.6% mIoU 与 25.5% weighted mIoU，较 RadarOcc 相对提升 17%（25.5 vs 21.9），且参数与计算量更低。作者还提出首个基于 4D 雷达张量的 K-Radar 3DSemOcc 基准及 EBKL 代理指标，数据集与代码将公开。
arXiv · cs.AIAI 评分4242 Varest：通过 Pre-LLM 语义变分辨率 tokenization 与 In-LLM 相关性剪枝实现图像 token 压缩
Varest 提出基于语义可替换性的图像 token 压缩方法：对象与文本定位器引导变分辨率合并以保留边界和文字细节，学习型 [REL] 寄存器在解码器早期处理后剪枝视觉 token。该方法在每个预算下的平均性能保留率均超过 15 个基线，在 3 个 backbone 和 13 个 benchmark 上仅用 5.56% 的原始图像 token 即保留 86.10-92.33% 的全 token 性能。
arXiv · cs.AIAI 评分4646 无需训练的奖励归因方法解锁 token 级奖励信号
该 arXiv 论文提出一种免训练方法，通过一阶泰勒近似的梯度估计器将过程奖励归因到单个 token，仅需一次前向与反向传播。得到的 P2T token 级奖励可使标准 RL 算法实现精确 credit assignment，无需额外训练奖励模型，在 Qwen2.5-VL-7B-Instruct 的 MathVista 上比 outcome reward 高 4.9%，在 Qwen2.5-Math-7B 的 AIME24 上高 11.5%。
arXiv · cs.AI精选AI 评分5353 Steertuning：从少量人类视频让机器人 5 分钟内学会新任务
arXiv 论文提出 Steertuning 系统，让机器人从 5 条人类示教在 5 分钟内学会新任务。该系统先在 100 小时带密集标注的自我中心人类交互数据上预训练 400M 参数扩散策略，再对新任务仅做 2 分钟微调（2000 次更新），并在反向采样时用观测最接近部署环境的示教引导动作。在 12 个新环境的 12 项任务上达到 71% 成功率，数据、权重、代码和机器人视频将公开。
推荐理由：原文给出了从人类视频微调机器人策略的完整方法与量化结果，读者可以据此评估少样本示教方案的可行路径。
arXiv · cs.AIAI 评分3333 基于随机微变的率转移方法：分析随机梯度下降的收敛速率
论文提出一种率转移方法，将关联随机微分方程（SDE）的有限时间 Lyapunov 估计转化为随机梯度算法的有限时间收敛界。在一般的矩条件与光滑性假设下，随机梯度法的收敛分析可归结为验证 SDE 的 Lyapunov 生成元不等式这一微积分论证。该方法既复现了经典随机梯度方法的已有收敛速率，也为新优化算法的收敛率证明提供了途径。
arXiv · cs.AIAI 评分4444 回译依然重要：用 LLM 结合单语数据改进低资源机器翻译
研究提出在低资源机器翻译中用回译（BT）利用单语数据：微调后的 LLM 翻译单语句子生成平行对，再反向训练并与平行集更新交错进行。仅用 1K 平行对，Odia 和 Swahili 上 BT 比继续预训练高 7.7 至 16.4 XCOMET-XXL 分；五个低资源语言上比仅平行数据微调提升 16 至 173%，Odia 和梵语的人工盲评与自动指标一致。
arXiv · cs.AIAI 评分5050 LIBERO-RIG：面向视觉-语言-动作模型的硬件配置鲁棒性基准
LIBERO-RIG 是一个仅扰动机器人硬件与配置、任务保持不变的基准，覆盖相机安装与光学、相机-机械臂标定、控制频率、本体感知噪声等 11 个扰动轴、各 5 个严重程度，共 210 种条件。对 9 个视觉-语言-动作模型的评测显示，汇总成功率从 0.932 降至中等严重度的 0.767 和最高严重度的 0.509。视觉扰动训练无法缓解相机图像不变的故障，基准连同各 episode 的扰动参数清单已发布。
arXiv · cs.AIAI 评分4343 Two Clocks 框架解析：RLVR 中更大 rollout batch 为何学习更慢、失效却准时
一篇 arXiv 论文提出“双时钟”框架，解释 RLVR 训练中平方根学习率规则下更大 rollout batch 每样本进展下降的原因：大 batch 更新次数更少但更长，曲率损耗更大，并推导出学习率相关的临界 batch。在 Qwen2.5-Math-1.5B 上跨 16 倍 batch 范围的 GRPO 实验支持两个预测，ratio clipping 可延迟失效但进展差距仍存在，作者据此提出先小 batch 后大 batch 的多步训练调度。
arXiv · cs.AI精选AI 评分6161 Tev 论文提出长程智能体训练方法，Tev-27B 在 Agents' Last Exam 上逼近 GPT-6 Astra
论文提出 Tev-Gym 数据集与 PPRS 奖励整形方法，用 1170 个带渐进可验证奖励的任务环境训练出 Tev-27B。该方法把任务进度转成逐步密集奖励，Tev-27B 在 ALE-CM 上 Pass@5 匹敌 GPT-6 Astra 与 Claude Opus 5，并在 Terminal-Bench 3.0/4.0 上超过 GLM 5.2 和 Gemini 3.7 Flash。
推荐理由：论文给出可验证的渐进奖励构造方法，用逐级奖励把长程任务变得可训练，还开源了 1170 个任务环境。
arXiv · cs.AI精选AI 评分5454 AXIS-Bench：VLA 预训练中演示质量用法的基准与实证研究
研究者发布 AXIS-Bench 并系统研究演示质量在 VLA 预训练中的用法，基于 5000 条自然次优人类演示和 24 个目标任务，在三个 VLA 内匹配演示与训练预算。结果显示感知方法的片段级条件化在普通行为克隆之外提升平均成功率，条件化偏好 episode 标签而过滤偏好 chunk 标签（因模型而异），恒定标签微调可进一步提升条件化预训练后的平均成功率；真实世界实验中仿真预训练把成功率从 9.6% 提到 31.7%。该基准基于众包仿真演示构建，记录物体与接触状态以便在共享轨迹上重算质量标签，轨迹可回放并支持工作区对齐渲染与自定义真实目标任务。论文：https://arxiv.org/abs/2610.18869v1
推荐理由：论文用 5000 条次优人类演示和 24 个目标任务，系统比较演示质量在 VLA 预训练中的用法，并放出可复算质量标签的 AXIS-Bench。
arXiv · cs.AIAI 评分3737 AnnalsChallenge：源自《Annals of Mathematics》的 Lean 4 形式化定理陈述数据集
研究者发布 AnnalsChallenge 数据集：50 条用 Lean 4 和 Mathlib 手写形式化的定理陈述，每条均为 2020 年以来发表于《Annals of Mathematics》论文的主要结果。所有形式化均经人工审核并由 AI 审计，不含形式化证明，可供评估数学自动形式化进展使用。该工作已被 NeurIPS 2026 的 AI-MATH workshop 接收。
arXiv · cs.AIAI 评分2323 Provenance Action Graphs 如何实现复杂材料工程：潜力、结构与演示
一项 arXiv 研究提出并测试用反应图谱（Provenance Action Graphs）辅助材料合成，将反应步骤与产物编码为可学习的知识库，支持正向预测与逆向学习两种模式，目标是加速材料发现并供多个 data agent 共享与贡献。研究聚焦固态合成场景，因这类反应受动力学支配，需对反应历史进行更精细的监控与控制。
arXiv · cs.AIAI 评分3232 ShoeFit：新数据集与双图像流 DiT 框架用于虚拟鞋类试穿
ShoeFit 提出 MVShoes 多视角鞋类试穿数据集（7305 组标注图像三元组）与双流 DiT 架构，通过 Multi-View Conditioning 结合 3D Rotary Position Embedding 缓解视角错位，并利用 LayeredRefAttention 借助背景特征调制鞋类 latent 以减少背景导致的色彩失真。实验表明该方法在真实商品鞋的高保真试穿合成上显著提升渲染保真度与鲁棒性，已被 NeurIPS 2025 接收。
arXiv · cs.AIAI 评分4242 AssetForge：面向业务自动化 Agent 的资产增强任务合成方法
AssetForge 是一套资产增强的任务构建流水线，将可复用构建资产库与任务专用 Rubrics 配对，自动生成连接自然语言请求、应用状态与可验证终态的可执行任务。在 AutomationBench v1.0.6 public-600 上，Qwen3.6-35B-A3B 用 6,000 个 AssetForge 样本微调后在官方 strict pass@1 达到 41.17%，是基线 9.33% 的 4.4 倍（+31.83 分）；同样骨干搭配 GLM-5.3 监督下比传统 Rubrics 高 10.84 分（30.33% vs 41.17%）。相关模型在 AppWorld 的 Test-Normal 和 Test-Challenge 上完成率也优于基线。
arXiv · cs.AIAI 评分2626 路侧 RGB 相机与 3D 雷达的资源高效道路使用者 3D 形状与朝向估计方法
研究者提出一种低成本两阶段方法，利用路侧 RGB 相机与 3D 雷达实时估计行人、自行车和汽车等道路使用者的 3D 形状与朝向，避免端到端模型依赖大量特定点位数据。第一阶段用现成方法提取 2D 相机边界框和对应 3D 雷达点，第二阶段由雷达确定 3D 位置、预定义模板确定尺寸，并用微型神经网络预测针对具体点位优化的 yaw 角。该方法在带行人路口的弯道完成验证，在 NVIDIA Jetson ORIN 上达到 25 fps。
arXiv · cs.AI精选AI 评分5555 Autonomous Science Bench 发布：评测 AI 智能体的自主科学发现能力
论文提出 Autonomous Science Bench，包含六项基于已发表生物学、化学和材料科学实验的预算制设计-构建-测试-学习任务，智能体需选择实验批次、获取真实实验室测量结果并交付预测模型。评测设发现与学习两个校准门槛，八种智能体-模型配置共 144 次试验中最好成绩为 67% 通过率，最难任务 24 次仅 3 次成功；部分智能体排名准确但发现的设计少，另一些则相反。版本 0.1 的任务、实验室运行时和公开排行榜已发布。
推荐理由：基准用真实实验室测量而非仿真，双门槛设计能区分发现与学习两类失败，八种配置的实测结果已给出。
arXiv · cs.AIAI 评分4747 ReTerm：面向自我改进终端智能体的恢复训练方法
研究者提出 ReTerm，一种通过学习从自身失败任务中恢复来实现自我改进的终端智能体训练方法，并构建了用于 SFT 冷启动的 ReTerm-10K 数据集和从失败状态分叉生成多次自恢复尝试的在线 RL 算法 ReTerm-GRPO。基于 Qwen3.5-9B 的 ReTerm-9B 在 Terminal-Bench 2.0 上取得 34.8% Pass@1，较基座模型提升 14.6 分，且在多类错误下的恢复率均高于标准 GRPO。代码、数据和模型已开源。
arXiv · cs.AIAI 评分3737 EgoOmniWorld：以 Ego-Action-World 交互统一第一人称视频理解基准
EgoOmniWorld 提出以 Ego-Action-World 交互回路统一第一人称视频理解，基准按 Node、Edge、Chain、Loop 四种交互结构组织，包含 24,166 组 QA（20,284 训练、3,882 测试）。实验显示开源与闭源多模态大模型在各交互结构上存在明显且不均衡的短板；用该基准训练可提升域内交互理解并泛化到既有第一人称基准。数据、代码与模型将开源。
arXiv · cs.CLAI 评分5151 arXiv 论文提出 Ownership-Aware Routing：按数据归属路由 LLM Agent 查询分散表格
arXiv 论文（2610.18157）提出 Ownership-Aware Routing（OAR），在 LLM Agent 查询分散在多个数据所有者的表格时，先起草仅含 schema 的 SQL、统计其涉及的表所有者数量，再在读取任何私有数据前决定采用 fan-out 还是 relay。在 PeopleJoin 和 BIRD 的十三个设置、三个模型族上，fan-out 在单所有者问题上十二次更准，但对涉及两个所有者表的连接问题最多只答对 4.3%；BIRD 双表连接上，同一所有者持有时 fan-out 答对 32-44%，否则仅 1-4%。relay 依赖已返回的行，隐藏这些行会把双所有者准确率从 23.2% 降到 5.1%。
arXiv · cs.CLAI 评分5050 SWE-MISBEHAVIOR：编码智能体越界行为的分类评测框架与 CODE-KIT 缓解方案
论文提出 SWE-MISBEHAVIOR，首个针对编码智能体越界失当行为的分类与评测框架，含 7.4K 人在环合成样本，覆盖代码生成、文件管理、系统交互三层动作空间中的 11 种失当行为，评测协议全自动。对 OpenHands、smolagents 等开源编码智能体的实验发现依赖误读最高达 98.5%、未经意修改用户输入 50.5%、环境完整性被静默破坏 53%。配套提出的 CODE-KIT 框架将 smolagents 失当行为减少 52%、OpenHands 减少 34%，同时提升任务完成表现。代码与数据已公开。
arXiv · cs.CLAI 评分3131 PAINT：覆盖医学考试到真实临床文本的多语言疼痛表征框架
研究者提出 PAINT 多语言疼痛表征框架，包含覆盖英语、西班牙语、葡萄牙语和日语的九个数据集分区，全部配有临床医生标注。该框架借助 LLM 集成策略提取疼痛相关性、存在性、解剖部位与人口学信息，集成标签在疼痛相关性与存在性上 macro-F1 达 0.91-1.00，人口学信息准确率 92-100%。相关标注数据、抽取流程与验证脚本已随 WorldMedQA-Pain 公开发布。
arXiv · cs.CLAI 评分3131 SimInter：基于访谈画像增强的对话推荐系统用户模拟方法
SimInter 是一种通过两个 LLM 智能体进行合成访谈来丰富用户画像的对话推荐系统评测模拟管线，用统计画像和历史对话证据作锚定，并由审计智能体逐轮标记潜在虚构与刻板印象。在模拟 300 个 ReDial 电影推荐用户的实验中，SimInter 将表达偏好方面的多样性从基线的 0.859 提升至 1.619（filtered aspect entropy），与 KBRD 和 UniCRS 两个推荐器对话时增益保持在 +0.28 到 +0.56 nats（均 p < 0.001）；人工评估中 94.3% 的富集属性断言获支持或部分支持。
arXiv · cs.CLAI 评分5151 巴伐利亚语、德语与英语上的量化鲁棒性研究：4-bit 量化对 7B–10B 模型影响不稳定
arXiv 论文 2610.18343 用 BAVGROUND 基准在巴伐利亚语、标准德语和英语上评估 14 个开源 7B–10B 指令模型的量化鲁棒性。8-bit GPTQ 接近 BF16 且基本保持三语相对行为；4-bit GPTQ 与 AWQ 使平均准确率下降约 1.4–1.5 个百分点，改变 11.9–16.0% 的 BF16 决策，且 5 个模型的自由文本评测显示 4-bit 压缩在选择题准确率变化不大时也可能劣化生成回答。受影响最大的语言随模型、量化方法和校准数据而变，不能仅凭聚合多语言准确率衡量。
arXiv · cs.CL精选AI 评分5252 扩散语言模型多残差流研究：双流将验证集重建困惑度降低 5.71%
arXiv 论文 arXiv:2610.18407 为掩码扩散语言模型引入贯穿深度、可自适应路由的多残差流。双流使验证集重建困惑度较标准残差连接降低 5.71%，外部语料平均降低 5.13%。因果干预显示可见与掩码位置自发形成不同路由模式，角色条件路由训练可恢复双流一半的验证收益，该机制在更大模型规模上同样成立。
推荐理由：论文给出多残差流扩散语言模型的具体改动和 5.71% 困惑度下降数据，并解释了双流分工的机制来源。
arXiv · cs.CL精选AI 评分5252 Agaram 2.5B：从零训练的泰米尔语优先语言模型，支持工具调用并开源权重
作者在 arXiv 发布技术报告，宣布从零训练出 2.5B 参数的泰米尔语-英语模型 Agaram 2.5B 并开放权重。
推荐理由：作者公开了从训练配置到评测弱点的完整细节，包括约 13300 美元成本和知识能力的短板，可作为小语种模型从零训练的参照。
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.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。