移动固体交互下的交互式 4D 体积液体预测：arXiv 提出 TIDE/TIDES 递归预测框架
arXiv 论文提出“交互式 4D 体积液体预测”任务：根据固体在液体中的运动预测未来稠密 3D 液体速度场的时空演化，可服务于机器人液体操控、数字孪生与刚体-流体视频生成。作者提出两级递归框架 TIDE 与 TIDES，其中 TIDES 加入传输感知耦合与显式稳定机制以降低长时滚动误差，在迁移基线对比、组件消融及运动/尺寸 OOD 测试中取得最佳预测性能。代码已开源。
#数据集
新闻、仓库与研究，按时间排列。
arXiv · cs.AIAI 评分2424
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.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.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.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.AIAI 评分2323 基于可学习类别先验的多源数据选择：方差削减与去随机化保证
arXiv 论文针对双层多源数据选择问题提出一种新的概率松弛方法，用多个可学习类别先验将分布约束在可行数据子集上，实现无损舍入。该方法的两点梯度估计器避免了 0-1 松弛的逆 Hessian 计算与以往概率松弛中的无界 score 项，并给出降低下层重训次数的可约简表示。论文据此设计了随机梯度算法 ReSGD，在弱次模性下给出近似保证，并通过实验验证了有效性。
arXiv · cs.AI精选AI 评分5454 WorkBorne 论文提出以工件转变为 primitive 合成 Agent 任务
arXiv 论文 WorkBorne 提出以 artifact transitions（工件转变）为核心 primitive 合成长时程终端 Agent 任务的框架，并构建了 1,061 个工件语料和 7,882 个任务环境，产出 15,485 条高质量轨迹，其中 53.6% 超过 30 个 assistant turns。
推荐理由：原文给出了任务合成的具体数据规模和 Terminal-Bench 2.1 的前后对比，读者可评估该方法对训练终端 Agent 的实际增益。
arXiv · cs.CLAI 评分2222 BioNEL-RAG：无需训练、基于 RAG 与大语言模型的生物医学实体链接框架
研究者提出 BioNEL-RAG，一种无需训练的生物医学实体链接（BioNEL）框架，用 RAG 模块检索候选实体、LLM 模块结合上下文完成实体规范化。该方法无需在基因、疾病或化合物等子领域数据集上微调，性能即可与现有依赖领域数据训练的方法相当，提升了跨领域适应性。
arXiv · cs.CLAI 评分1818 面向亚马孙通用语 Nheengatu 的开源机器翻译系统与可复现语料库管线
研究者构建了迄今最大的葡萄牙语—Nheengatu 平行语料库（14.5k 句对），以 2023 年巴西联邦宪法官方翻译为核心，并发布首个开源权重双向 MT 模型。最终系统在文章不相交的宪法文本上达 31.7–32.8 chrF++，近域集 64.1–64.5，语音 45.2–47.5；加入转写口语语料使语音 chrF++ 提升 24–27 分。更大的 NLLB 模型仅改善译入葡语、不改善译入 Nheengatu 的效果。
arXiv · cs.CLAI 评分4848 Vela：以用户行为作监督激发 LLM 智能
Vela 框架将 100,000 名用户的匿名真实行为数据转化为 91 类真实任务模板、共 100,000 个任务，经难度过滤后保留约 75,000 个任务及其训练轨迹。基于这些轨迹微调 Qwen3.6-35B-A3B，用户相关任务较基础模型最高提升 11.5 分，通用基准平均提升 4 分；微调后再做强化学习比直接从基础模型强化学习最高多 7.7 分。
arXiv · cs.CLAI 评分3939 微调策略而非仅数据：面向 HR 推荐系统的嵌入模型性别与刻板印象偏差的统计学严格审计
一项审计用 Bias-in-Bios 和 StereoSet 基准评估了六个多语言句子嵌入模型（LaBSE 与 E5 家族），并修正了 naive 显著性检验中的非独立性问题。结果显示 E5-Base 的知识蒸馏微调显著加大 Bias-in-Bios 偏差（Δ=-0.177，p<10⁻⁸），而二分类微调无统计学差异（p=0.218）。微调策略因此成为 HR 推荐系统设计的可操作杠杆。
arXiv · cs.CLAI 评分3333 LongHisDoc：首个中文长篇历史文档理解基准发布
LongHisDoc 是首个面向长篇（整本）中文历史文档理解的基准，包含来自 101 份 PDF 的 1,012 条专家标注 QA 对，平均每份 85.1 页、42,776.4 tokens，覆盖 10 个类别和单页、跨页、多跳、不可回答四类问题。评测显示最强 LVLM 和 LLM 准确率仅 62.9% 和 69.9%，同时基准还评测了多模态检索器与端到端 RAG 性能，基准和评测代码已开源。
arXiv · cs.AIAI 评分3333 语言模型能玩好维基百科游戏吗？
一项 arXiv 研究用“维基百科游戏”评测语言模型的信息检索能力，要求模型仅通过文章链接到达目标条目。研究者在本地构建了大规模维基百科图谱和基于 OpenAlex 的论文引用图谱，对比了嵌入向量模型与 LLM 在五种语言和五个学术数据集上的表现，并与人类及 TF-IDF 基准比较。结果显示没有任何模型显著超越人类，但 GPT-o3 mini、GPT-4o、QwQ:32B 和 DeepSeek-R1:70B 达到了可比水平，且性能排名随语言和主题变化。
arXiv · cs.CLAI 评分2828 结构自动机如何改进神经语义解析
arXiv 论文提出接受路径解码（APD），在长度受限下保证语义解析输出可被自动机接受，DRS 上 Smatch++ 较局部掩码提升 5.1 和 2.4 点，AMR 上提升 6.4 和 3.2 点。事后处理方面，训练数据受限时 10.2% 的输入在 8 个无约束采样下仍无有效输出，全量数据时降至 0.4%。训练中惩罚被自动机拒绝的 token 在 10% 训练进度后可将开发集 Smatch++ 提升 3.6-11.0 点，但该优势随训练推进逐渐消失。
arXiv · cs.AIAI 评分4444 RATED：基于执行动态的可靠性感知 AI Agent 工具检索框架
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。
arXiv · cs.AIAI 评分2727 PAGE 框架：用人工智能规模化研究美国漫画与日本漫画
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。
arXiv · cs.AIAI 评分4545 SpatialASM：将主动空间心理模拟内化到视觉语言模型的空间推理中
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。
arXiv · cs.CLAI 评分3030 LLM 查询扩展如何通过子序列关联过滤与广度感知选择追踪并驯服幻觉词：SAFE-QE 方法
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。
arXiv · cs.CLAI 评分2525 错误率还不够：低资源 ASR 中数据增强的代价分析
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。
arXiv · cs.CLAI 评分2323 REFLECT：基于角色感知的对话情感、情绪、礼貌与正式度检测
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。
arXiv · cs.CLAI 评分2929 不只是评测：大语言模型话语粒子敏感性的案例研究
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。
arXiv · cs.CLAI 评分3737 OccludeBench：VLM 能否找出图像中缺失的东西？
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。
arXiv · cs.AIAI 评分2020 离散图扩散模型（GDM）其实存在记忆化现象
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。
arXiv · cs.AIAI 评分2626 UkrMeme：乌克兰模因中的多模态可解释说服技术检测
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 · cs.AIAI 评分4444 面向专用神经网络模型自动调优的多智能体 LLM 系统
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。
arXiv · cs.AIAI 评分4141 VARC 与 TRM 对比研究：预训练与测试时训练预算如何影响 ARC 评测
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。
arXiv · cs.CLAI 评分3131 AMLworld-Compact：基于重要性加权的降采样方法，降低 LLM 评估成本
研究者提出 AMLworld-Compact 评估集，保留全部非法测试交易并从监督分数分层中采样良性交易，其 HT-Coreset 协议将 HI-Small 和 LI-Small 的评估目标分别减少 271x 和 611x。Horvitz-Thompson 权重使召回率估计精确，F1 的 RMSE 为 0.00-2.58 个百分点，低于均匀加权的 4.44-7.41。评测中七个开源权重 LLM 的加权精确率接近“全预测为非法”基线，评估集、构建代码与审计工具已开源。
arXiv · cs.CLAI 评分1212 BLiMPPI：面向极性项的语言学最小对评测基准
研究者推出 BLiMPPI，一个覆盖 33 种语言、包含超 12,000 个负极性项（NPI）最小对的多元评测套件，通过在 Universal Dependencies 树库中发现 NPI、标注许可环境并扰动生成最小对构建。对 12 个多语言模型、2 个单语模型及 n-gram 基线的评测显示，多语言模型在低资源语言和无法用 n-gram 解决的题对上表现最差。研究还考察了 NPI 类型学、语系、许可变异性与许可距离的影响。
arXiv · cs.CLAI 评分3333 个性化而非性别刻板印象：语音 LLM 能否辨别何时该“充耳不闻”？
研究者推出 BASIS-Bench 基准，从人口群体稳健性、刻板印象偏见和个性化三个维度，评测八个语音 LLM 能否区分有益个性化与刻板行为。结果显示，多数模型虽能识别人口群体线索，却无法将其转化为恰当的个性化响应；显式人口标签虽提升个性化，但也放大了文本底座中已有的刻板联想。
arXiv · cs.AIAI 评分2525 系统辨识的 In-Context Learning：概率化建模、长序列处理与基准验证
该 arXiv 论文提出面向系统辨识的统一概率元学习架构，将基于 Transformer 的编码器-解码器与针对长训练序列的机制结合，实现零样本预测和长时程校准。研究还展示预训练元模型可作为不确定性感知的合成数据生成器，在真实数据稀缺时为经典参数模型提供正则化。框架在标准非线性系统辨识基准和分布外场景上达到与 SOTA 方法相当的精度，仅靠输入侧适配即可应对显著分布偏移。
arXiv · cs.CLAI 评分2626 迈向世界屋脊：藏语自然语言处理进展综述
研究者对藏语 NLP 进行了据称为首个同行评审的系统性文献计量调查，覆盖 ACL Anthology 和 DBLP 中 2004 至 2026 年的 140 篇论文，其中 84% 发表于 2018 年之后。中国机构研究者完成 87% 的论文，涵盖全部 25 个研究方向，研究沿语料、分词、文字、语音到 LLM 的完整管线自下而上扩展。仅 29% 的论文公开数据、代码或模型，作者建议在方言覆盖、评测与开放科学等方面加强建设。
arXiv · cs.CLAI 评分1818 MoPrO-SD：面向立场检测的模块化提示词优化框架
研究者提出 MoPrO-SD，一种针对立场检测的提示词优化框架，将提示词分解为语义模块并用 LLM 反馈依次优化，包含 I、I+R、I+R+E 三种策略。团队还发布人工标注的疫苗立场检测 benchmark VaccineStance。在四个数据集和五个开源权重 LLM 上，MoPrO-SD 多数场景优于人工 Base 提示词，SemEval-2016 上五个 backbone 中四个的类条件反馈取得更高 Macro-F1，代码与数据集已在 GitHub 开放。
arXiv · cs.CLAI 评分3131 从结构到效度：LLM 量规的机制引导生成与优化
一项系统性机制分析研究了 LLM 量规设计中的准则组织、准则操作化与分数聚合，发现结构性组织有助于构建更全面的准则，仅靠语义细化不足以保证准则级判断有效，而复杂的分数聚合带来的额外收益有限。基于这些发现，研究者提出 Adaptive Rubric Tree Search with Hybrid refinement（ARTS-Hybrid），结合自适应树构建与语义优先、响应校准的细化方法。跨基准实验显示 ARTS-Hybrid 同时提升了端到端评估性能与量规本身的质量，其生成的量规还能为模型优化提供有效信号。
arXiv · cs.CLAI 评分4646 面向 LLM 预训练数据的 Host 感知网页爬取研究
一项 arXiv 研究探讨爬虫应如何在 host 之间及内部分配预算以获取更高质量 LLM 预训练数据。分析显示约一半的文档质量分类器得分差异出现在 host 之间；先采样少量页面再对高分 host 深入抓取，比均匀深度或基于 centrality 的分配每次抓取多获得数倍高质量页面。估计每次 Common Crawl 抓取中仍有数千万高质量页面未被爬取，且集中在少数 host 上。