音系感知分词用于德语语音识别：一项跨领域研究
该研究在 Omnilingual ASR wav2vec 2.0 骨干上以 CTC 微调，比较多语言字符、BPE 和基于 Pythen 音节划分的音系感知三类分词器，共进行 40 次微调，在三个德语测试集（域内朗读、方言自发、标准德语自发语音）上评估。域内各分词器在 WER 和 CER 上表现相当；小词表下音节感知分词在方言和自发语音上占优。音素混淆分析显示各分词器错误模式相同，表明错误拓扑主要由声学编码器而非分词器决定。
#数据集
新闻、仓库与研究，按时间排列。
arXiv · cs.CLAI 评分2020 arXiv · cs.CL精选AI 评分5555 DIAL-OPD：按学习价值筛选 token 提升在线策略蒸馏效果
Anhao Zhao 等提出 DIAL-OPD，一种在线策略蒸馏中的 token 选择方法，用教师与学生概率的对数均值加权奖励，保留得分最高的 token。在 4 组师生模型和 7 个数学推理基准上对比 9 个基线，仅保留 40% token 即超过全 token Vanilla OPD，平均准确率提升最高 5.25 个百分点，AIME25 Pass@16 从 13.33% 翻倍到 26.67%，并用 4B 教师超过 8B 教师的全 token 基线。
推荐理由：论文用概率空间加权解决 on-policy 蒸馏中低低 token 的干扰，给出了跨 7 个基准的对比数据，方法有可迁移性。
arXiv · cs.AIAI 评分4949 Stale, Misattributed, or Late：语言智能体个人记忆在生成前的失效分析
一篇 arXiv 论文以 Personal Fact Memory（PFM）为参考层，直接测量语言智能体记忆在生成前的失效：在受控修订基准上，只服务正确键控槽位的活跃值可消除陈旧暴露，而不做更新解析时 70.3% 的提示词暴露被取代值；参与者感知的 BM25 与参考排序器差距在 0.02 边际内等价。研究还发现四个 LLM 键分配器虽召回率高于规则抽取器却产生更低干净检索率，LongMemEval 上开放域合并召回率不超过 0.062，实体后验无法区分 LoCoMo 中同名发言者；作者主张应在生成前评估智能体记忆。
arXiv · cs.AIAI 评分2323 细胞与细胞核实例分割的可持续性感知性能指数 SAPI 评析
研究者提出可持续性感知性能指数 SAPI，将分割性能、能耗与模型规模结合以评估细胞与细胞核实例分割模型。他们在六个 CellBinDB 数据集上对 19 个预训练与基础模型进行零样本推理测试，并用少样本适配评估 16 个可微调模型。结果显示更大、算力需求更高的模型并未持续带来成比例的分割质量提升，SAPI 排名与单纯性能排名不同。
arXiv · cs.AIAI 评分3636 MIRA：用于对齐文本到音乐生成与用户意图的音乐意图精炼智能体
研究者提出 MIRA（Musical Intent Refinement Agent），将文本到音乐的意图对齐转化为逐项可验证的 rubric，并据此构建 MuRA-Bench 基准。MIRA 作为 test-time 智能体，在有限预算下对黑盒生成器搜索提示词修订，结合 rubric 验证进行轨迹感知的树搜索。实验显示 MIRA 提升意图对齐效果，使开源生成器达到与 Suno、Mureka 等商业系统相当的水平。
arXiv · cs.AIAI 评分3131 TaoD2C-Bench：面向工业级 UI 代码生成、超越视觉还原的 MLLM 评测基准
TaoD2C-Bench 发布，用于评测多模态大语言模型（MLLM）在工业设计转代码（D2C）中满足实现约束的 UI 代码生成能力。基准包含来自 17 个商业平台的 2,861 张生产级设计稿，共 97,652 条专家标注，涵盖 Component、Group、Alignment、Position 四类，并定义端到端代码生成、需求推断与需求实现三项任务。对八个 MLLM 的评测显示模型在满足实现需求上存在明显差距，且视觉还原能力并不等于能生成符合需求的代码；数据集已开源。
arXiv · cs.AIAI 评分4242 RECAST：通过自适应证据路由学习计算正确的上下文
RECAST（Routing Evidence through Computation, Access, and Synthesized Tools）提出一个学习式框架，把证据构建建模为对异构检索与计算操作的序列决策，让证据被主动推导而非仅仅检索。其 RouterLM 经 SFT 与 GRPO 训练，在 6 个基准家族上平均成功率 75.6%，超最强基线 15.9%；在 3 个 held-out 基准上平均领先 15.0%，Qwen3.5-9B RouterLM 超 Gemini 3.5 Flash 5.0%。
arXiv · cs.AIAI 评分3636 SNAP：让合成困难负样本在视觉-语言预训练中生效的几何分析方法
一项 arXiv 研究分析了六种表示空间合成困难负样本策略迁移到视觉-语言预训练时的两种失败模式，并发现固定温度可提升下游性能。据此提出的 SNAP 只生成不涉及任一模态匹配正样本的模态内困难负样本，无需外部生成模型，训练时间开销低于 10%。在 CLIP 和 FLIP 上，SNAP 在 zero-shot 检索、zero-shot 分类和 linear probe 评测中均带来一致提升。
arXiv · cs.AIAI 评分3535 UltraText Bench：评估图像生成中视觉文字渲染的双语综合基准
研究者推出 UltraText Bench，一个针对密集视觉文字渲染的双语图像生成评测基准，包含 432 个提示词，覆盖 24 个真实场景类别和三个难度级别，中英文各占一半。基准使用 Q-Judger 视觉语言模型从文字保真度、清晰度、空间质量和场景质量四个维度打分，并辅以 10 人参与的人工评估。在 24 个模型配置中，Qwen-Image-2512 的英文综合分从 L1 的 86.50 降至 L3 的 42.86，Z-Image-Turbo 相比 Z-Image-Base 清晰度提升 3.81 分但保真度下降 14.76 分。
arXiv · cs.AI精选AI 评分5656 SkillForge 论文提出技能与智能体协同进化的动态技能生命周期方法
SkillForge 论文提出一种 agentic RL 方法，通过 trial、active、stable、retired 四状态的适应度驱动技能生命周期，让技能库与模型在训练中协同进化。RL 前先用基座模型 rollout 预淘汰低适应度技能再做 SFT，之后每轮迭代持续淘汰、稳定和 LLM 引导变异技能；多个交互式智能体基准上聚合成功率达最高，较最强基线最高相对提升 7.8%，并发布含 5k+ 标注记录的 SkillFurnace 数据集。论文已被 NeurIPS 2026 接收。
推荐理由：论文给出了技能库生命周期管理的完整机制和基准对比，对研究智能体技能质量控制的方法有直接参考价值。
arXiv · cs.AIAI 评分1212 CoNN-AL：基于流式主动学习与协作神经网络的数据高效部分逆向设计（汽车玻璃导槽案例研究）
研究者提出 CoNN-AL 框架，在 CoNN-DAE 上加入流式主动学习，通过 Monte Carlo dropout 估计预测不确定性、实时筛选值得标注的候选样本，用于部分逆向设计。在超过 900,000 个模拟设计的汽车玻璃导槽数据集上，仅用 20,000 个主动选择的标注（约 2.3%）即在各缺失变量层级达到 0.967–0.982 的 R-squared；较随机采样少用 30–40% 标签即可达到 R-squared ≥ 0.95，且在最难层级是唯一达到 0.98 的策略。数据集已公开发布。
arXiv · cs.AIAI 评分2828 NL2Hull 框架：用自然语言驱动的约束船型设计决策方法
研究者提出 NL2Hull 框架，将船型编辑建模为类型化离散决策问题，通过 CFFD 引擎用 NURBS 表示水线并施加 FFD 变形。团队构建了含 134,558 条清洗记录的 SDD 数据集，以及含 5,000 条记录、43,496 道类型化问题的 SDDBench。其决策模型 Chip 达到 95.90% 问题准确率和 99.32% FFD 完全匹配，代码与数据集已开源。
arXiv · cs.AIAI 评分1919 KGATE：一个知识图谱嵌入训练环境
研究者发布 KGATE（Knowledge Graph Autoencoder Training Environment），一个基于 PyTorch Geometric 和 TorchKGE 的模块化 Python 库，支持将初始化器、编码器、解码器、损失函数、负采样器和评估指标自由组装为完整自编码器。它内置控制数据泄漏的预处理流程和训练管线，保证可复现性。与六个现有 KGE 库的对比显示，KGATE 训练时间与最快的库相当，同时功能更丰富。
arXiv · cs.AI精选AI 评分5656 AgentTime 基准：测试 AI 智能体能否估计和控制自身运行时长
Michael Ofengenden 在 arXiv 发布 AgentTime 基准，用来自 18 个来源的 222 个任务测试 Agent 能否按要求时长工作、预测运行时间并事后估计耗时。结果显示各模型偏差差异很大：Claude Code 中的 Fable 5.1 偏离要求时长的典型倍数为 2.9 倍，Codex 中的 GPT-6 Astra 仅 1.2 倍；158 次可分类的 Astra 运行中有 14 次在看似完成任务后直接休眠。回溯实验中移除时间信息使 Sol 和 Astra 的偏差翻倍以上，Fable 接近翻倍。
推荐理由：论文用 222 个任务实测各模型 Agent 的时长控制与时间预测能力，给出了可直接比较的偏差倍数数据。
arXiv · cs.CLAI 评分1717 LLM4Impact：融合异构信息的科学影响力预测方法
研究者提出证据感知的论文影响力预测方法 LLM4Impact，将语义、图、LLM 和时序表示融合，通过连续 prefix tokens 向冻结 LLM 注入图信息，并用上下文感知门控与校准模块自适应加权不同证据。实验基于 200 万篇论文的基准数据集，方法在分布内测试集上年 RMSE 降低 10.13%，域外降低 6.87%。代码、基准与交互式演示将在论文发表后开源。
arXiv · cs.CLAI 评分3131 InterView-C：基于 VR 头像的同步多模态调查访谈语料库
研究者发布德语多模态语料库 InterView-C，包含 27 场完全在 VR 中进行、双方以头像呈现的调查访谈，共 54 段录音，同步对齐语音与注视、头身运动、面部、手部追踪等行为数据，并提供人工校对的逐词转录及 1,422 句否定线索与范围标注（双重标注 α=0.87/0.81）。实验显示九个开源 ASR 系统易误识短答和数词，而在该语料库上训练的否定检测模型优于现有语料训练的模型。
arXiv · cs.CLAI 评分1919 GAGR-Lab：评估空间几何与分析函数联合推理能力
研究者提出 GAGR-Lab，一个通过笛卡尔游戏场景和 Rust 轨迹执行来测量空间感知、几何关系与函数构建等联合推理能力的评估框架。试点中 Llama 3.2 11B Vision Instruct 在 72 个游戏、432 次尝试中无一命中目标，而特权解析搜索控制在 300 个场景的 600 个方向性用例上全部成功。框架将服务可靠性、符号合规与几何成功分离，完整难度矩阵和多模型对比仍待测试。
arXiv · cs.CL精选AI 评分5656 PatchBench 基准提出局部评测协议，衡量越狱修复对无关行为的附带损害
论文发布 PatchBench，指出安全补丁可能通过基准测试却压制无关行为，提出 PatchBench-Local 协议评测补丁的行为精确性。该协议从 27,870 个提示中筛选出 400 个高置信越狱失败案例，为每个有害源提示生成有害变体与两类良性邻居提示；对四种 activation steering 方法的评测显示全局能力几乎不变时局部良性回归可能很严重。论文已被 NeurIPS 2026 Datasets and Benchmarks Track 接收，地址 https://arxiv.org/abs/2610.10276v1。
推荐理由：提出用局部邻居提示区分选择性修复与局部压制的评测协议，可迁移到越狱修复方法的对比评估中。
arXiv · cs.CL精选AI 评分5252 SemanticFold 论文提出潜在序列压缩方法，发现语言建模、可解码性与推理无统一保持阈值
论文提出 SemanticFold，一种在可学习边界折叠前缀隐藏状态的压缩方案，并在 Qwen3-1.7B、Qwen3-8B、SmolLM2-1.7B、Pythia-1.4B 和 Pythia-6.9B 五个规模上评测。固定目标协议下，压缩对各端点的影响非单调且不共享同一阈值，Qwen3-1.7B 在 R=1.7 时 NLL 降低 0.135，而 Pythia 两个模型的 NLL 基本不变；线性探针与推理指标变化小于 0.03。作者结论是潜在压缩下的能力保持没有单一标量证书，语言建模拟合、可解码性与推理在同一压缩操作下可能朝不同方向变化。
推荐理由：原文用固定目标协议把语言建模、可解码性与推理拆开评测，读者可以了解潜在压缩下各能力为何不同步。
arXiv · cs.CLAI 评分4646 BehaviorTrace：在线 RL 训练数据归因的极限
论文发布 BehaviorTrace，一个开源评测框架，用于检验在线 RL（GRPO）微调中能否定位教会模型新行为的训练 rollout。在 Qwen2.5-1.5B 上跨三个 seed 的实验显示，仅按梯度大小排序的对照方法可达 4.2 至 4.5 倍随机水平，多数表观归因信号来自混淆因素；控制流畅度后，逐 rollout 结果随 seed 和生成采样波动。唯一在全部三个 seed 上成立的信号是触发 token 的梯度与行为实际发生处构建的目标对齐。
arXiv · cs.CLAI 评分4545 PHRBench：评估 LLM 幻觉后推理行为的新基准
研究者推出 PHRBench，一个在 4 个领域、覆盖 18 个大语言模型、共 4820 个受控实例的行为化幻觉后推理（PHR）评测基准。该基准用 Hallucination Compliance、Hallucination Avoidance 和 Heuristic Correction 三项指标独立刻画推理轨迹，与最终答案正确性解耦。结果显示成功纠错仍较罕见，且与推理过程中更频繁的信念更新相关；一个轻量预测器基于幻觉提示的属性可实现 0.847 的 AUROC。
arXiv · cs.CLAI 评分4141 你的提示词应该更有用：检索指令对嵌入模型的影响研究
一篇 arXiv cs.CL 论文研究了检索指令如何在非对称检索任务中影响查询的嵌入向量表示。研究发现，当评测中加入查询侧干扰项时，当前嵌入模型常无法遵循检索指令，作者认为根源在训练与评测设置。实验显示，加入查询侧干扰项进行微调可带来显著提升，且对其他任务影响很小。
arXiv · cs.CLAI 评分4141 ARCS：通过结构化消歧实现精确的 Text-to-SQL
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%。
arXiv · cs.CLAI 评分3838 LLM RAG 检索如何平衡相关性与多样性：按冗余度自适应决定是否多样化
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。
arXiv · cs.CLAI 评分3434 ArcticQA：面向 LLM 科学弃答能力的北极科研数据集与基准
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。
arXiv · cs.CLAI 评分3333 BanglaRhet：评测经典与 Transformer 模型在孟加拉政治演讲中的修辞与说服检测
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。
arXiv · cs.CLAI 评分3838 Goldsmith：基于智能体标注框架的黄金损失引导定义优化
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。
arXiv · cs.CLAI 评分4141 小校准预算下链式推理验证器的免分布保证研究
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。
arXiv · cs.CLAI 评分3535 LASEF 框架研究多语言推理中骨架提示词的语言选择
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。
arXiv · cs.CL精选AI 评分5454 Igor Slinko 提出编码智能体基准应匹配用户真实任务流，并给出 SWE-TaskFlow 转换方法
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 · cs.CLAI 评分2222 Alice：面向基于量规的多维德语自动简答题评分的大规模基准
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。
arXiv · cs.CLAI 评分3939 Shaer：基于格律子形式与语义约束的受控古典阿拉伯诗歌生成
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。
arXiv · cs.CLAI 评分4545 LatentGRM：通过语义保持压缩实现高效的潜空间生成式奖励建模
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。
arXiv · cs.CLAI 评分4040 让 COMET 跨文字系统可比：诊断并修正分词器导致的印度语系 MT 评测文字偏差
研究发现 COMET 翻译评测分数受目标语言书写系统影响：在 IndicMT Eval 上，文字身份解释了母语文字分数方差的 22.9%，与标注者的一致性在全部五种语言中均下降。COMET-QN 可将各 (language, script) 组合映射到统一参考分布，使混合一致率从 0.300 升至 0.399，且保证语言内排序不变；基于 parity 特征的回归器再恢复 17.1% 的灵敏度，剩余偏差属编码器，无法通过后处理修复。论文被 WMT 2026 接收。
arXiv · cs.CLAI 评分3434 Symphony for Text Generation：临床笔记生成的基准评测（MedConv 数据集 + ACI-BENCH 对比 Corti 与通用 AI 语音记录工具）
研究者发布 MedConv 多语言数据集（含英、丹、德三语共 300 例临床就诊记录），并结合 ACI-BENCH 基准，将临床 AI 平台 Corti 与两款基于通用 AI 的主流环境式语音记录软件进行对比。评测框架结合蕴含指标与 LLM 判 pairwise 比较，覆盖 PDSQI-9 的八个维度。结果显示 Corti 的 API 文本生成能力与商业语音记录工具相当或更优，且其可配置 API 可针对具体文档场景微调质量维度，数据集已开源以支持可复现比较。
arXiv · cs.CLAI 评分3030 STRUCTURALCOST：用于建模人类句子加工难度的自定步速阅读数据集
STRUCTURALCOST 是一个包含 475 名参与者、40,800 条观测的自定步速阅读数据集，用于分离长距离主谓依存解析的加工成本。研究在 NLP 规模上复现了心理语言学发现：主句动词处的阅读时间随依存长度增加，且受句法嵌入而非仅线性距离驱动。n-gram、SSM 和 Transformer 等模型只能部分反映这一难度曲线，并低估人类的整合成本，说明它们捕捉了预测成分但未捕捉工作记忆带来的整合成本。
arXiv · cs.CL精选AI 评分5555 arXiv 论文受控评估分层检索的记忆深度与重建上下文宽度
Michael Andreev 在 arXiv 发布论文（arXiv:2610.08300，已被 NeurIPS 2026 PALM Workshop 接收），用 EverMemBench 受控评估对话长期记忆中结构深度与上下文宽度两个参数的作用。结果显示上下文从 1K 扩到 4K 可让 Accuracy 提升 10.11-17.98 个百分点，而加深记忆层次无单调收益；超过 8-16K 后 Production 条件性能进入平台期但每个正确答案的 token 开销持续上升，Oracle 条件在 68-71K token 完整档案上保持质量。
推荐理由：论文用受控实验比较记忆结构的深度与上下文宽度，给出了随宽度变化的量化收益和平台期数据，方法可复用于长期记忆系统评估。
arXiv · cs.CLAI 评分2727 语言不可对齐性：为什么某些概念无法进行跨文化 benchmark 评测
一篇 arXiv 立场论文指出，多语言 LLM 评测依赖的“翻译同构假设”对语用标记、敬语、历时分层词汇等概念在原理上不成立，并定义了 α-unalignability 形式化刻画。论文用 usage-cloud 框架给出三层证据：FLORES-200 翻译失败与语系和资源等级相关而与文字无关，以及九模型 Yami 案例中的 Representation-Intervention Gap。作者提出 Cycle-Consistency、Pragmatic-Load Disagreement、Manifold-Curvature Mismatch 与 RIG 构成的多维诊断框架。
arXiv · cs.CLAI 评分4949 研究揭示 LLM 何时该拒答：潜在欠规范信号的跨域与多轮泛化
一项 arXiv 研究构建了含 423 段对话、1,661 个标注 turn-states 的多轮基准，用六个数据集和六个开源权重 LLM 检验「不可回答性」探测信号。数学与阅读理解（SQuAD 2.0、MuSiQue）间探测迁移稳健（AUROC 0.77-0.97 与 0.77-0.90），但单轮探测零样本无法识别对话何时变得可回答。基于校准探测的门控无需微调即可远超随机水平地识别欠规范回合，端到端成功率距真实标签门控仅差 0.08，但并未稳定优于普通生成，主要差距在模型如何利用澄清而非检测本身。
arXiv · cs.CL精选AI 评分5656 UNREAL 论文提出单一模型统一检索与长上下文证据选择
arXiv 论文（2610.08463）提出 UNREAL 框架，直接从冻结 LLM 的内部表示生成检索查询和编码文本块，仅新增不到 500K 可训练参数且不改动主干。在 3B token、21M chunk 的 Wikipedia 索引上，四种 dense 和 hybrid 主干均超越现有 retriever-reranker 系统，HotpotQA 召回率从 49.1% 提到 73.2%，2WikiMultiHopQA 从 31.7% 到 60.1%，MuSiQue 从 8.8% 到 14.4%。
推荐理由：论文用不到500K可训练参数统一语料检索与长上下文证据选择，并给出多基准召回率对比数据，方法与结果都可复用参考。