新闻、仓库与研究，按时间排列。
研究者提出多轮 RL 框架 SOPO，通过教师模型在 rollout 中依据 ground truth 提供间接提示的苏格拉底反馈机制，缓解片段级幻觉检测中的奖励稀疏问题，并以 Turn-based Advantage Scaling 惩罚冗长偏置。SOPO (4B) 在 RAGTruth 上达到 SOTA，超过 GPT-5 等专有模型和标准 RL 基线，在四个域外基准上的平均分高于 GRPO，与 CAPO 互有胜负。1.7B 和 4B 模型及训练、评估代码已开源。
论文提出 SWE-Shift，一个评估编码智能体在任务执行中途遭遇代码、依赖或需求变更时表现的基准，包含 120 个场景、12 类变更族，并在 9 个干预位置评测。17 个编码智能体系统的 Shifted 成绩均低于 Clean 基线，GPT-6 Astra 从 67.35% 降至 24.79%，配对成功率 20.34%；工具/会话变更与过期证据在所有系统上配对成功率为零。论文地址 https://arxiv.org/abs/2610.32196v1
推荐理由：这个基准专门测任务执行中途环境被改动时的表现，17 个系统的成绩都下降，暴露了保留已有工作与刷新证据的短板。
论文提出 PACE，一种后置（post-hoc）4-bit 循环状态量化方法：它每隔若干 token 才做一次舍入并缓存中间 token，并按列共享量化 scale、对误差最大的 head 保留 8-bit。在 4B 到 35B 的四个混合模型上，混合 4/8-bit 的 PACE 以约三分之二的内存达到与 8-bit DAMP 相当的表现，全 4-bit 版本在同等内存下得分高于 Q-Mamba，并保持解码加速。
一项 arXiv 研究发现，仅更改语料的收集日期元数据即可改变五个开源 LLM 在时间性问答中的答案：在 595 个 Wikipedia 页面上，交换前后两天的提问日期使后向引用 exact match 下降 37.6-51.4 个百分点。七种提示词变体（包括明确忽略收集时间的指令）均无法消除该效应；加入思维链可将 Qwen3.5 的损失从 30.1 降至 11.1 个百分点。该诊断可将元数据影响与证据变化分离，为时间性 QA 输入提供实用审计方法。
arXiv 一项被 NeurIPS 2026 Workshop 接收的研究提出免训练的推理时框架，定位并操控冻结 VLM 中的安全敏感表征。在 Qwen3-VL-4B 上，早期视觉层经激活引导可实现 6%-96% 的不安全内容拒绝双向控制，深层则对引导不敏感；InternVL2.5-4B 呈现类似的深度依赖激活几何结构。
研究者提出 DIVA，一种免训练的 LLM 信息获取方法，让模型基于证据的决策价值决定何时查询、何时停止，避免为无法改变决策的"检查"付费。其变体 DIVA-U 进一步考虑 LLM 对证据影响概率估计的不确定性。在 4 个领域、20 个 LLM 上，DIVA-U 的 regret 低于所有 LLM 基线；在各检查可靠性已知的合成场景中，DIVA 将最佳基线的 regret 降低 75%。
GitHub 仓库 enhancing-llms 发布了论文《Enhancing Large Language Models with Advanced Fine-Tuning Techniques》的实现代码，探索面向特定领域任务的新型微调方法。其方法在 GLUE 上取得 92.5%（较基线提升 8.3%），在 SuperGLUE 上取得 89.3%（提升 12.5%）。仓库含训练、评估脚本与实验配置，采用 MIT 许可证开源。
llm-crime-profiling 项目公开全部源代码与数据，测试 AI 在给定犯罪情景时对嫌疑人信息的预测能力。案例通过 Court Listener API 获取 2025-08-10 至 2026-08-09 间的法院判决书，随机抽取 600 个案例（后期筛至 165 个），并借助 Claude 对长短不一的判决书进行摘要。
论文报道了在北海道大学医院封闭网络内部署的临床支持智能体平台 LLENS，使用 8 块 NVIDIA H200 GPU 与开放权重模型 Kimi K2.6（约 1 万亿参数），自 2026 年 9 月 14 日起在医院网络运行。Kimi K2.6 从 3 个候选中选出，在 2026 年日本医师执照考试模拟中得 480/500 分；在 180 道基于医院文档的问题上，交互式工具访问准确率 97.2%，高于固定检索的 81.3%（差距 15.9 个百分点，95% CI 10.9-21.3）。
推荐理由：在医院封闭网络内部署开源大模型智能体的完整实测，对比了三种检索方式的准确率，方法可迁移到其他内网场景。
研究者构建了首个尼泊尔政治文本金标准数据集（Cohen's kappa = 0.777），并用机器学习、深度学习和 LLM 自动提取与分析选举承诺。fastText-LSTM 深度学习模型表现最佳（accuracy 0.914、macro F1 0.913），LaBSE-LR 为最优机器学习模型（accuracy 0.897），三个受评 LLM 中 Qwen3-8B 在 few-shot 设置下取得 0.848 macro F1。成果已集成进移动应用，借助 GAI 可视化承诺以提升透明度与问责。
一项研究在六语言因子设计中用 10 个开源模型（3B-14B）检验多语言 P(True) 自我评估，基准为 LSQA、MMMLU 和 TriviaQA。三种语言各自影响评估的不同方面：对齐回答与问题或验证器语言可提升区分度但不改善校准，仅验证器语言就可使校准误差变化达 0.04；未经验证的评分器会把 MMMLU 英-印地语准确率差距从 0.198 缩到 0.038。因此多语言置信度结果只在三种语言均报告且评分器经过验证时才具可比性。
研究者提出 SyncPro，一个同步双流框架，用 Inner 与 Response 两条分支分别负责证据跟踪和面向用户的响应，两条分支共享因果历史且可独立激活，使响应能与进行中的推理并行。该框架通过 189K 双流样本进行监督微调和轨迹级强化学习训练，在三个主动式 benchmark 上提升了响应时机和回答准确率。
一项预注册的受控研究发现，声明式动画规范并非生成 LLM 交互式解释的更廉价方案。测试涵盖三个 Claude 模型（360 个任务）与 Qwen3-14B（240 个任务），规范输出虽短 25-48% token，但推理开启时仅最大 Claude 模型总输出显著下降，且无模型生成显著更快。可靠性方面，自由代码一轮修复后 95-100% 有效，而 Qwen3-14B 的规范仅 33% 有效、17% 通过全部语义测试。
研究提出 silver-evidence demonstrations，用 LLM 生成的目标条件证据摘要替换 ICL 示例中的原始检索段落，以过滤长噪声上下文中的干扰信息。在 EI 2.0、SciFact、合成政策检索和 HICRIC/IMR 四个数据集上，该方法在三个数据集上超过等规模的纯 gold ICL，在所有有标注数据集上提升证据 F1，并在四个数据集上的平均标签准确率均高于 InstructRAG 式 ICL。
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%。
arXiv 论文发现，2021–2026 年的 11 个冻结文本编码器普遍存在解耦现象：线性探针能以最高 91.3% 准确率从嵌入中解码句子情感极性，但余弦相似度的极性分离边际仅 0.003–0.064，Qwen3-Embedding-4B 探针准确率 91.3% 而 retrieval MAP 仅 64.3。作者提出 SISE 方法，用 0.13M–0.69M 参数的监督对比头在 CPU 上数秒训练，可将 retrieval MAP 提升最高 +26.0，但 128 维头在 STS-B 上损失 38–41 个 Spearman 点，属于专精化而非免费收益。论文同时开源 CPU 可复现管线和 Attribute Alignment Gap 诊断工具。
研究者提出 EDWARD-NMT，一种面向神经机器翻译的 MoE 编码器-解码器架构，支持“一次训练、随处部署”。它结合 Matryoshka 式弹性维度、带可学习阈值的自适应 sigmoid 路由和双一致性目标，可在推理时提取一系列子网络。在 PhoMT（En-Vi）、WMT-14（En-De）和 OPUS-16 等基准上，完整模型匹配或超过强 MoE 基线，子网络无需再训练即可稳定优于同等规模的稠密 Transformer。该工作已被 EMNLP 2026（Findings）接收。
一项 arXiv 研究测试了 LLM 在同时收到国家身份与语言身份线索时的文化价值表现。在 World Values Survey 选择题探测中，语言线索对答案的影响约为显式国家线索的三倍，但方向偏离对应国家的分布；在 160 万条开放式回答中，点名国家能弥合 30-44% 与模型自身回答的差距。研究认为国家与语言线索应作为不同信号分别评估，而非可互换的文化代理。
研究提出用大语言模型的 in-context learning（ICL）改进音乐 Valence 和 Arousal 连续预测：小任务模型先给出初始预测，再用辅助数据集示例修正。在 MER60 全集作为 held-out 测试集上，基于歌词和音频描述的文本 ICL 用 80 shots 将 valence R² 从 0.110 提升到 0.427，含原始音频的多模态变体仅用 10 shots 达到 0.346。这种免训练方法提供了一种推理时的音乐情感预测策略。
研究者发布 IndoNutriQA，一个由专家整理的印尼语临床营养问答基准，包含 911 个基于真实临床营养报告构建的问答对，涵盖营养护理流程（NCP）的 8 种标准化问题类型。数据集支持生成式、抽取式和检索增强 QA 及零样本/少样本 LLM 评测，并报告了 IndoBERT、mT5、RAG 等基线和对 8 个当代 LLM 的评测结果。LLM-as-judge 评分在事实性与完整性上接近人类专家，但在临床安全性上不可靠。
一项发表于 IEEE SLT 2026 的研究系统比较了 CTC 与 neural transducer 端到端 ASR 模型在不同剪枝策略和语言模型配置下的搜索空间复杂度与效率。研究发现这些模型多数时间只需小搜索空间，但在不确定时段假设数会出现临时峰值；基于分数的剪枝可动态适应模型不确定性，显著降低实时率（RTF）。结果指出了低固定 beam 剪枝的局限，并为端到端 ASR 的高效搜索提供了实践指南。
一项 arXiv 研究（arXiv:2610.31272）收集了 87 名参与者约 1,000 条成对偏好判断，发现基于记忆的 LLM 回复并不总是比无记忆回复更受用户偏好，部分场景用户反而强烈偏好后者，自动评估器也更偏向使用记忆的回复。论文提出的记忆感知奖励模型达到 72.8% 的偏好预测准确率，超过现有基线，主张将记忆使用的评估与优化目标对齐到用户偏好。
推荐理由：论文用用户自己的对话和记忆做偏好判断，指出记忆加入并不总被用户偏好，并给出可复用的记忆感知奖励模型方法。
研究者推出 CoWriter，一种主动式智能体写作方案，将认知科学中的人类专家合著方法引入人-LLM 协同写作全流程。探索性用户研究显示，相比标准 LLM 基线，用户的智能体成功互动多 2.2 倍，表达个人观点和文档掌控感更强，外部评审认为成文更具叙事等“人味”特质。
一项 arXiv 研究提出决策论框架，刻画语言 Agent 中记忆从原始历史到持久状态、使用及有代价恢复与修订的价值链路，并以避免任务损失的单元度量价值。基于成本感知模拟条件与五个反例，论文揭示信息时序、检索访问、反馈与需求不确定性的作用，并指出零互信息的指针也能降低精确恢复成本。研究还在 LoCoMo 等诊断任务上展示保存、使用与度量方面的失败，给出记忆分配与恢复选项保留的可检验原则。
研究者提出层级语言生成框架 Cola2，将连续语义压缩与离散文本生成解耦并协同优化，通过无辅助损失的负反馈控制压缩率，结合重建与生成监督学习紧凑潜在表示。约 2100 亿 token 训练量的五项下游任务实验显示其具备竞争力且未饱和的扩展性；在 3460.3 亿源 token 下，未收敛 checkpoint 在八项任务上平均达 60.10，并在 HellaSwag 和 StoryCloze 上超过 Llama-3-8B，而后者预训练预算超过其 43 倍。
研究者在长程对话中定义并量化“状态完整性崩塌”，即模型记住了约束却不再对后续轮次执行，并发布 StateTrack-Bench 基准。七个模型快照的严格联合保持率在 62.4% 到 100.0% 之间，forked recall 审计显示 88.6% 的失败属行为漂移而非遗忘；Structured State Anchoring 方法在不可变约束上最多提升 24.4 个百分点。论文已被 EMNLP 2026 主会接收。
推荐理由：论文把长对话中记住了约束却不再执行的现象量化命名，88.6% 失败属行为漂移的发现对评测设计有参考价值。
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。
Ehsan Saleh 在 arXiv 发布 AfterDeleteBench，一种对固定权重 LLM Agent 删除记忆后信息残留的受控行为审计方法。实验显示 Qwen2.5-7B-Instruct 在单次查询下约三分之二的情况可恢复已删除的密文，未暴露对照组恢复为零；即使密文原串已删、只剩按公开组合规则分开存储的组件，Qwen、Mistral 和 Phi-3 仍能以 62-99% 的比例精确重建。来源感知的闭环（provenance-aware closure）消除了测试中的恢复现象，而精确字面写入过滤器只能阻止重插、无法清除已存在的信息。论文 25 页，含 7 图 12 表。
推荐理由：论文给出可复现的删除后信息残留审计方法和对照实验设计，对做 Agent 持久记忆的人有直接参考价值。
该综述以任务为中心，将长文档视觉问答（VQA）分解为文档解析、证据组织与检索、生成器组织与学习、评估四个组件，并为每个组件建立细粒度分类体系。时间分析显示研究重心从多模态内容理解扩展到高保真证据获取与持续证据管理。作者展望了证据充分性、可验证可纠正的理解、预算感知协调及持续文档理解等未来方向。
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。
论文提出 SQuAT，一种面向十亿参数 LLM 的形状-增益向量量化感知训练（VQ-QAT）方法，用分离的 STE 对方向和增益分别更新，方向通过 E8 球面码本量化。其分布式最近邻分配方案将 VQ-QAT 训练时间缩短 12.8 倍，并扩展到 10B token。在 instruction-tuned LLaMA-3.2-1B/3B、Qwen3-4B 和 base Qwen3-1.7B 上，SQuAT 在相同码本和初始化下始终优于标准 VQ-QAT STE，达到 SOTA VQ-QAT 精度。
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 研究指出，语言模型难以在图上从起点 s 生成到终点 t 的最短路径，原因在于监督信号与 tokenization 两方面。作者从理论和实验上证明多-token 预测（MTP）有效且其收益与图拓扑无关，并引入替代 tokenization，证明两者正交。结合这些方法，模型突破了此前工作的规模瓶颈，能在远超以往限制的图规模上稳定求解该任务。
一项对话系统研究用 bandit 策略控制可选观点与用户的距离，并比较标量立场打分与 Perspectivized Stance Vectors（将立场拆分到概念层面）。被试间实验（N=63）显示，概念级立场带来更多样的观点曝光和更广的立场覆盖，但不改变用户论证观点的深度或复述准确度。分析还发现，用户在“某一方未表态”的概念上复述观点最不准确，而非双方分歧的概念上。
一项针对月经健康监测的研究用结合结构化证据约束与 RAG 的受约束生成框架，评测 LLM 生成患者可读健康摘要时的语义漂移问题。在 3 个 LLM、4,500 份生成摘要上，通过 NLI、原子事实性与可读性指标评估显示，显式接地约束持续改善临床对齐，尤其提升不确定性保留。但这种改善以阅读难度和医学术语增加为代价。
TTS 通常用 ASR 转录输出评估词错误率，但识别器本身的错误也会被计入。在 LibriSpeech 和 FLEURS 上，评估识别器对人类语音中极罕见词的漏识率达 33-67%，用另两族识别器复核后，至少一个识别器听到的词的表观 TTS 错误率降低两到三倍（极罕见 LibriSpeech 词从 10-13% 降至 3-5%）。直接忽略这些漏识词有偏：识别器在这些词上发现 TTS 错误的频率为 4-6% 对 0.2-0.3%，且推翻约半数保留的错误。
研究者提出一种强化学习方法，同时奖励用户模拟器对复杂任务意图的遵循与对话行为的自然性，并以轻量判别器在对抗循环中定义自然度。其发布的 UserLM-2.0 在 46.2% 的对话中同时满足任务忠实与自然双重标准，是此前最强用户模拟器（14.1%）的 3 倍以上。
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。