新闻、仓库与研究，按时间排列。
研究者提出 CA-HNM，一个将检索候选生成与来自结构化领域模型的确定性不兼容规则相结合的约束感知难负例挖掘框架，用于微调标准双编码器稠密检索模型。在 MOOCCubeX 和 Course-Skill Atlas 两个数据集上，用两种编码器、两种训练损失和十个随机种子评估，CA-HNM-Pure 在 8 个数据集-编码器-损失配置中的 6 个取得更高的平均 NDCG@10，另有实验显示 CA-HNM-Mixed 也略优于对照。结果表明约束感知选择的效果取决于训练目标和负例池构成。
一项探索性研究基于 Counter-Strike 2 的毫秒级遥测数据，提出 Ego-Knowledge 感知状态重建方法，并训练 EMBER（梯度提升）与 ORBIT（transformer）两个模型预测 60–120 ms 窗口内的“战或逃”反应标签。EMBER 在验证集上准确率达 73.5%，ORBIT 为 71.2%，均优于 51.5% 的多数类基线；在 1,000 个验证案例上，两者均显著超过最强 LLM 基线的 62.7%，且推理时间和成本低数个数量级。加入触发后短时间窗口可将准确率单调提升至 85.15%，作者将该曲线作为快速控制向深思控制过渡的候选探针，但强调神经科学解释仅为假设生成性质。
一篇提交至 JFM-Perspective 的综述探讨生成式 AI（重点是 diffusion models、score-based 方法和概率输运公式）在湍流问题中的应用，涵盖随机闭合、超分辨率、数据同化和不确定性量化等场景。文章指出视觉逼真度、逐点误差和低阶谱一致性不足以衡量物理保真度，验证须考察能量传递、结构函数、反常标度、概率密度尾部、守恒律等湍流特性。作者还讨论了基准、数据可得性与可复现性方面的局限，呼吁建立含开放数据、标准化挑战与物理感知指标的基准生态。
研究者提出 DeepSciReasoner，一个在物理硬约束下预测科学光谱的通用框架，结合结构感知光谱解码与保持约束的物理推理。该方法以电子态密度（eDOS）为原型，并在 phDOS、XANES 和 Raman 光谱上显著提升预测精度，同时保持物理一致性。代码与数据已在项目页面公开，论文发表于 ICML 2026。
一项实证研究将指令微调中的“数据质量”操作化，在固定微调预算下比较多个示例级指标对训练效用的预测能力。方法是将样本按指标分数分为低、中、高三档分别微调，用验证 perplexity 和 LLM-as-judge 评分评估。结果显示，以 response ratio 衡量的答案密集型监督比常用替代指标更能稳定预测指令微调效用。
研究者推出 Continual Learning Exam（CLE）基准，由 50+ 领域专家构建，用于衡量 LLM Agent 在真实职业工作流中通过积累经验持续改进的能力。CLE 包含 120 个人工编写任务，每个任务分五级阶梯，共 600 个级别，覆盖 12 个职业领域的 89 种职业角色。在 17 种 harness-模型配置中，失败后反馈加一次修订平均带来 5.3 个百分点的完成率提升，但最强系统也仅通过 47.7% 的级别、仅在 23.3% 的任务中完成全部五级。
论文提出 OS-Wizard，一个面向专用桌面软件的自动轨迹采集框架，结合教程引导探索与 GUI 和代码混合动作空间，并在树探索中检查点和回访关键状态。采集的 10.9K 条轨迹含 54.9K 个状态动作样本，微调开源 base 模型后在专用桌面工作流基准上提升 58.2 个百分点至 64.1%，超过报告的人类水平 59.8%；仅用 GUI 动作也能提升通用桌面任务表现。
推荐理由：论文给出了一条自动化采集专用软件操作轨迹的完整路径，含方法、数据规模和微调后的对比结果，可作同类工作的方法参考。
EdgeDeID 是一个 0.6B 参数的本地运行临床去标识化模型，训练全程不使用真实患者文本，由三个 LLM 教师生成合成笔记再统一标注。在 100 篇人工核验的合成域内基准上达到 0.994 micro-F1，99% 的笔记无遗漏标识符，而八个现成系统中最强者仅为 0.857 和 12%；量化后在 CPU 上仅占 615 MB。但在 MIMIC ICU 护理笔记上 F1 降至 0.48，三个手写上下文示例可回升 0.08 F1。
多变量预测的核心难题是在通道间共享与特化之间权衡。研究通过 11 个数据集、3 个骨干网络的受控对比表明，信息性通道分配优于匹配的共享容量和随机分配，冻结 transformer 骨干上的持久通道混合平均优于输入依赖路由。作者还提出合成数据集 GalaxyTS 与即插即用方法 PCR，PCR-K4 在四个预测跨度上相对三个冻结骨干实现 3.86-14.25% 的均方误差降低，且所需可训练参数更少。
研究者提出 RoboReason 方法，用真实机器人立体相机与腕部相机的时空排序任务评测 VLM 视觉推理，发现多个 SOTA 模型在帧排序、深度排序和左右排序任务上表现不佳。团队设计了可扩展的自主训练数据生成流水线，对该数据做监督微调和强化学习，显著提升了模型在时空排序任务及下游机器人与视觉推理任务上的表现。
研究者提出 RATE（Refined Assessment for Translation Evaluation）评估协议，并构建了由专业语言学家对 WMT24 英俄翻译进行人工评价的高质量数据集。分析显示，SOTA 机器翻译系统在准确率上可能已超过人工翻译，但流畅度仍落后。现有 MQM 和 ESA 等金标准方法存在标注者水平不一、严重度粒度粗、偏重准确率等局限。
研究者系统分析指令设计、few-shot 示例、backbone 模型与多步工作流对 LLM 机器翻译评估的影响，基于 WMT24 和 WMT25 英俄翻译的新 RATE 专家标注，并在 MQM 与 ESA 标注基准上验证迁移。研究发现指令结构决定评估器行为、高质量示例比数量更重要、不同 frontier backbone 呈现召回/精确/排序导向差异，融合多 backbone 输出优于单评估器多次调用。由此提出的 ORBIT 评估器系列在错误跨度检测与 Accuracy 和 Fluency 排序上达到专家级水平，成本约为人工标注的 1/20。
研究者通过对数学题目嵌入向量聚类，自动构建基于语义嵌入的教育知识分类体系。与 ASSISTments 两个数据集中基于 CCSS 的知识组件分类体系相比，两者有实质性但不完全的对应；在 Deep Knowledge Tracing 下游任务中，嵌入分类体系将预测性能提升约 3-5 AUC 百分点，显示语义嵌入可自动恢复人类分类结构并提供有用的替代表示。
ARMOR-DP 是一个面向多语言 BabyLM 的模块化框架，用各语言验证损失动态更新采样比例，诊断表征、曝光、容量与目标压力导致的失衡。实验显示等字符预算会给中文带来严重表征伪影，字节级编码可消除大部分，而静态中文保护又会使英语变为最弱语言；动态控制器取得比固定保护更好的分数—平衡权衡，curriculum-dynamic 检查点在官方评测中以更少中文 epoch 超过静态中文保护基线。
研究团队发布 DexPort，一种面向高自由度灵巧手的便携式数据采集接口，采集与部署使用相同手部硬件以避免 embodiment 差异，无需机器人臂即可在非结构化环境采集演示。操作者只控制机械腕运动并选择或调整技能来协调手指，共采集超 2,500 条演示；行为克隆训练的 visuomotor 策略在 4 项任务上评测，使用记录的机器人命令替代状态使成功率从 11% 提升到 64%，加入真实环境数据后从 36% 提升到 78%。论文地址 https://arxiv.org/abs/2610.32969v1
研究者提出 AdaBPE（Adaptive Frequency Threshold Byte Pair Encoding），一种基于自适应频繁模式挖掘的分词方法，可根据候选 token 的长度和类型动态调整最小频率阈值。该方法能将词表容量高效分配给 LaTeX 等特定领域记法。在涵盖 LaTeX 与自然语言的五个数据集上，AdaBPE 在领域内容上提升了编码效率和下游语言模型性能，且不损害通用语言表现。
研究者提出 SemantEq，用于检验自动形式化生成的 Lean 4 语句是否忠实于原数学陈述，要求双向转换只能经由允许的推理步骤链完成。其无模型搜索 SemantEq-Eval 在 ProofNetVerif 测试集上达到 100% 精确率和 65.6% 召回率（BEq+ 为 95.8% 和 61.8%）；配套的 SemantEq-ProofAudit 审核模型证明时拒绝了全部 104 对非等价语句，并在最佳提示下把 407 对等价语句的召回率从 65.4% 提升至 81.1%。代码与数据已开源。
一篇 arXiv 论文提出面向多智能体系统的企业 RAG 知识层，在检索前先组织知识。其七智能体逆向工程流水线处理 18 个服务的 241 个代码库，通过工件级本体、稀疏元数据注册表和超图导航，让查询解析到工件标识符从而约束向量搜索，实现结构性消歧。该层一周内建成，支持根因分析并解决 100+ 生产缺陷，定位 35 次发布回归失败。
研究者推出开源工具套件 ParaTaxe，用于处理和发布多平行语料库，解决学术语料因维护或经费不足而失于线的难题。该套件包括基于多语言嵌入向量的 AIlign 对齐器、用于转换与对齐语料的 Python 处理流水线、管理平行语料集合的 ParaTaxe 网页界面，以及基于 TEI-Publisher 构建的语料浏览界面。工具由 ACR Grimm Tradalign 与 ParaTaxe 项目开发，成果将发表于 JADT 2026 会议。
研究者提出一条从公开网页构建医院软件客户与集成关系知识图谱的流水线，要求每条边都必须有源页面的逐字引用支持。流水线对 61 个供应商达到 0.94 precision 和 0.71 recall；基于五个模型调用对九项标准投票构建的置信度分数在同等 recall 下达到 0.90 precision。该方法用有界的模型调用、字符串匹配证据和投票机制应对长上下文退化与运行间方差。
该 arXiv 论文研究车联网联邦学习中干净标签投毒攻击与防御的交互。攻击方在特征空间将良性样本扰动至恶意特征极端，在不改变标签的情况下降低类别可分性；防御方提出特征一致性重标注方法检测并重标可疑样本。博弈论框架分析表明，攻击随被控节点数有效扩展，而该防御能在不损害干净准确率的情况下保持低攻击成功率。
研究者提出一种智能体的本体引导知识图谱构建框架，由 LLM 从论文中抽取带文本证据的三元组并经多阶段校验对齐本体。在 1,000 条三元组的一致性研究中，Gemini-2.5-flash 与三位人类标注者的 Cohen's κ 为 0.640–0.700，达到人与人 0.616–0.689 的水平。框架应用于 2,000 篇论文，构建了含 133,990 节点、755,308 关系的气候科学 KG，验证后三元组 98.96% 被判定正确，代码与图谱已公开。
PHYRD 是一个理论物理推理动态基准，包含 63 道 Reproduce 和 43 道 Discover 题，由 FormulaForest 构建并附带子问题级评分标准。五个模型在 Reproduce 上整体准确率为 49.21%–68.25%，闭卷 Discover 为 18.60%–74.42%，使用工具后四 个模型完成更多 Discover 题。FormulaForest 作合成数据可将 Qwen-35B-A3B 在 OpenAI 的 FrontierScience 上的准确率从 61% 提升至 72%。
研究者用微调的 BERT 模型为奥地利国民议会每位议员的演讲预测各政党概率分布，并在发言人及政党层面聚合。分析发现联合执政政党的演讲特征趋于相似，反对党则远离执政党，议员换党后通常在换党之后才调整演讲特征。研究团队还公开了 1996 至 2018 年演讲的政党归属预测数据集。
研究者发布旁遮普歌曲毒性数据集 PGT-FG，基于 YouTube 公开歌曲构建，最终含 392 首歌曲的 2,396 个片段，其中 705 段（29.42%）标注为有毒。四名母语标注者产出 2,870 条标注，涵盖二元毒性、八类细粒度类别、严重程度等字段，整体毒性标签 Fleiss' kappa 达 0.6521，暴力类最常见（539 段，76.45%）。数据集已在 Zenodo 公开，不含受版权保护的音频或歌词。
研究团队提出 Poseidon，一个从科学代码仓库自动生成多样化、可验证训练环境的流水线，同等仓库预算下比先前方法多提取近 10 倍环境，涵盖 Reproduction、Subflow、Completion、Correction 四类任务。由此构建的 Pearl 包含来自 7,110 个公开仓库、横跨 10 个学科的 97,659 个可执行可验证环境，是迄今最大、覆盖面最广的科学智能体训练环境集合。Qwen3.5 模型（9B、27B、35B-A3B）在 Pearl 上训练后在六项科学智能体基准上均取得一致提升。
研究者提出 CoRPS-Dial，一个可控双智能体框架，通过画像驱动的患者智能体与流程引导的医生智能体交互，并结合事后质量控制，合成诊前医疗对话。在冠心病场景实验中，其合成对话在信息覆盖、临床合规和自然度上更贴近真实对话；下游微调实验也验证了生成数据的实用性。
研究者提出 ProfileSim，一个面向金融营销外呼的场景化用户模拟框架，联合建模用户画像（人口属性与大五人格）和业务画像，基于真实语音对话数据微调，并用 GRPO 配合对话与话语两级分层奖励优化。搭配集成 SOP 约束与 RAG 的客服 Agent，ProfileSim 在口语自然度和用户画像一致性上最优，生成的话语更短且业务合规度相当，可支持意图识别训练、Agent 评测与冷启动部署。
研究者提出 ANT-A Benchmark，覆盖 7 个跨领域、跨模态数据集，每个实例含任务专属标注指南和 5 个独立人类标签，并用 Fleiss kappa 评估模型标注与人类标注分布的一致性。配套的 ANT-OR 多智能体框架从正负反馈中蒸馏对比决策规则来优化提示词，agreement@>=2 准确率比较强基线高 4.5 分，与人类标注分布的 Fleiss kappa 差距在 2 分以内。代码和基准已开源。
研究者提出 LongVideo 数据集与 4DMemoryBench 基准，用于评测长时程时空推理。LongVideo 包含约 900 小时视频和 5,000 多道人工审核问题；4DMemory Harness 集成 4 项互补技能、22+ 专用工具模型和模型专属 RAG 系统。评测 13 个领先模型发现，独立基础模型难以胜任长时程任务，而 Harness 使所有模型提升超 50%，且同一模型在 4DMemoryBench 上比较早基准下降超 10%。
Part-DINO 是一个免训练部件发现框架，将低层图像分割得到的边界与 DINO 的语义特征结合，先按边界划分图像区域、池化区域内 DINO 特征再聚类发现部件。论文指出 DINO 特征因 ViT 刚性 patch 网格导致跨边界 patch 熵更高、分配置信度更低，边界模糊。在 CUB、CelebA、PartImageNet-OOD、PartImageNet-Seg 四个基准上，Part-DINO 超越免训练基线，并与弱监督、无监督方法保持竞争力。
研究者对文档分类标准 benchmark RVL-CDIP 进行系统审计，发现其 400,000 份文档中约 10.5% 标签错误，35.2% 的测试集在训练集中存在重复或近似重复。移除页面识别码后 SOTA 模型损失 11 个百分点，图像模型在分布外文档上损失 16 至 28 个百分点。团队重训 25 个模型并发布去标识化修正语料，重训的 13 个模型准确率提升 0.9 至 2.9 个百分点，最高的 LayoutLMv3 达 96.5%。
SurveyGraph 是一个围绕方法-实体知识图谱（MEKG）的学术综述自动生成框架，支持核心论文发现、混合大纲与证据门控叙事合成。图感知检索在八次运行中将召回率较扁平词法基线提升近一倍（p = 0.004），语义证据门 AUC = 0.75；160 句人工审计中 80.6% 获得引用支持。该工作已被 EMNLP 2026 Findings 接收。
研究者发布 CrisiLangs，将英文危机预警数据集 CrisiText 扩展至意大利语、保加利亚语、德语和希腊语，共涵盖 411 个场景中的 1,000 个事件、五种语言合计 5,000 条事件-预警消息对。微调多语言模型在 ROUGE-L、BLEU 和 BERTScore 上各语言均优于 zero-shot 基线；人类偏好实验显示低解码温度在五种语言中最受青睐。
一项研究发布巴什基尔语开源资源套件与适配方法系统基准，含 71,567 篇文档、46.9M tokens 的网页语料及三个文本分类标注数据集。实验覆盖 82M-8B 的八种架构，比较全量微调、QLoRA、in-context learning 和持续预训练（CPT）：QLoRA 在二分类上优于编码器微调，YandexGPT-5-Lite-8B 加 CPT 达 macro-F1 0.748，高于 XLM-R 的 0.653 和 mBERT 的 0.650。CPT 效果因模型而异，西里尔 tokeniser 更优，且 LLM 评审无法复现母语者的语言正确性评分，母语评测仍不可少。
研究者提出 SyRA-CS，一种基于 Reptile 元学习的合成到真实自适应框架，用于语码切换（CS）语音识别。该框架对每种语言对和预训练模型在合成 CS-FLEURS 子集上做元训练，再用 1 小时标注真实目标语音自适应，覆盖 Arabic、French、German、Hindi-English 四组及 Encoder-CTC、FastConformer-RNN-T、AED、Speech-LLM 四种架构。SyRA-CS 在全部 16 组模型-语言对比较的 WER 上优于持续微调，XLS-R 相对 macro WER 降低 17.7%，其余三个模型降低 5.3-5.8%。
一项实证研究评估了四个专用决策模型在越南语零-shot 分类中的表现，覆盖六个任务组共 13 个分类设置，并测试英语、越南语和双语标签描述及 teencode、拼写错误、去声调等语言扰动的影响。结果显示，英语标签描述下 JEV 表现最强，在 11 个分类设置中排名第一，双语描述并无一致提升；去声调导致的性能下降最大，使平均 macro-F1 降低 9.51–15.47 分。
一项 arXiv 实证研究将近期 LLM 与微调 encoder-decoder 模型在知识图谱转文本生成任务的标准基准上对比，并结合经人工标注验证的图 grounding 无参考 LLM 评估。结果显示 LLM 在 reference-based 指标上大幅缩小、部分场景下追平与微调模型的差距，且在图 grounding 指标上表现更好：提示模型产生的矛盾和三元组遗漏更少，而微调模型的此类错误随图规模增长更快。两种评估方式相关性有限，反映其衡量生成质量的不同侧面。
论文提出用 LLM 智能体作为语料调试器审计多语言数据管线，通过只读、有预算的 API 探索语料并将发现编译成可执行测试，再由母语者验证。在 FineWeb2 的 26.5M 文档斯洛伐克语子集上，三次运行各花费 $2.21-$2.84，共发现四个现象的七项问题，最大的是 1,408,437 篇（5.32%）通过管线过滤的机器生成内容农场；盲测支持 7 项中的 6 项（缺陷率 .53-1.00 对随机对照的 .08）。编译后的测试套件 0.7 秒即可扫全语料无需 GPU，而单次 LLM 分类需 $12k-$90k；最佳静态采样基线以不到一半成本验证了比任何智能体运行更多的选择器。
推荐理由：论文把 LLM 当语料调试器用一次而非逐条分类，并对比静态采样基线的成本与效果，方法对比值得数据质量工作者参考。
研究者提出 SABLE，一种针对高维生成模型潜空间、评测预算有限的贝叶斯优化方法。它用贝叶斯仿射代理模型处理预测与采集，通过有限区间调度控制 off-span 范数避免欠探索，并用重压缩方案把信息压缩为 O(M) 伪观测。在合成基准与潜空间优化任务上，SABLE 实现高样本效率，决策时间保持在几十毫秒，大预算下比现有方法快数个数量级。