新闻、仓库与研究，按时间排列。
DSP-LLM-Fusion 框架将文档结构解析与 LLM 信息融合结合，用于从 NTSB 海事事故调查报告中自动抽取结构化信息：先把 PDF 转 JSON 布局表示，再通过表格结构引导抽取与文档结构引导的段落抽取两条分支处理，最后用置信度回退融合策略消解冲突。基于 Qwen2.5-7B-Instruct 的版本在独立测试集上 Overall-F1 与 Avg-field-F1 达 87.08%，Avg-similarity 达 89.70%，性能与 ChatGPT-5.2、ChatGPT-5.4 相当，且在本地部署、可复现性和隐私保护方面更具优势。
hitz-zentroa 仓库汇总了多语言上下文词形还原研究，探讨上下文表示、形态信息、编辑脚本设计与多语言迁移对词形还原的影响。该研究基于三篇论文：发表于 Computational Linguistics 的形态信息作用研究覆盖 6 种语言，LREC-COLING 2024 论文评估 SES 表示并在 7 种语言上比较预训练编码器模型，EMNLP 2025 Findings 论文在 12 种语言上比较监督编码器方法、跨语言迁移与 LLM 直接生成 lemma。
GitHub 上开源的 Financial_PhraseBank 项目旨在发现金融语言现象，构建错误分类体系并用于针对性训练。项目支持将针对性训练与随机训练及 LLM 进行效果对比。
Balaji Sivarajan 发布一项配对情景审计，检验开源权重 LLM 在判断涉及 doomscrolling 的伴侣冲突时，是否会因 scrolling 一方的性别（male/female/neutral）及文化框架（north_american/south_asian）而改变评判。研究用 120 个情景 × 6 条件 × 2 个开源模型 × 5 次重复共 7,200 次调用，temperature 0，协议预注册于 config/protocol.yaml，统计采用 Wilcoxon signed-rank 与 Holm 校正，并以 evidence_quote 引文核对计算幻觉率。
NYU Abu Dhabi 等机构的研究团队在 GitHub 发布论文数据仓库，审计 GPT-5.4 mini、Claude Haiku 4.5、Llama 4 Scout 和 NVIDIA Nemotron 3 Nano 对事实核查新闻标题的模拟情绪反应。标注 confirmed false 后，GPT、Llama、Claude 的情绪从负面转向正面，六维度合并正面评级从 15% 升至 68%，Claude 的 Confident 评级从 22% 升至 99.6%；但在 84 个统计显著比较中有 82 个显示 Black 人设比 White 人设获得更多负面情绪，标签并未消除人设差异。仓库包含刺激材料、原始输出和聚合评级数据及复现代码。
作者开源其博士论文第一阶段成果：一个基于蕴含（NLI）验证 LLM 生成的网络威胁组织归因声明的数据集与基线代码。数据集含 85 条声明，分五类并关联 MITRE ATT&CK STIX 2.1 数据。检索+蕴含系统准确率仅 14.1%，无检索基线 11.8%，均低于 33.3% 随机水平；错误分析显示主要瓶颈是蕴含模型而非检索，作者计划引入 Logic Tensor Networks 在 ATT&CK 图上做符号推理。
GitHub 开源的 AI 新闻智能平台 ai-news-digest 已完成 v1.0 功能开发。该平台基于 Python、FastAPI 和 Clean Architecture 构建，从可信 RSS 源采集文章，通过 AI 做结构化分析、故事聚类、矛盾检测和趋势识别，并生成每日智能简报。项目采用 PostgreSQL、Redis 和 Celery 的生产架构，支持词法、语义和混合搜索，以 MIT 协议开源。
GitHub 上的 priceper1m-data 仓库提供 Price per 1M 的机器可读数据快照，记录各 AI/LLM 模型的每 1M token 价格，由 GitHub Action 每 6 小时拉取公开端点并在数据实际变化时提交。数据涵盖 input / output / cached 价格、context window、价格变动 diff 日志及按 provider 汇总，单位为 USD per 1,000,000 tokens 的挂牌价（不含折扣）。数据遵循 CC BY 4.0 许可，缺失价格保留 null 而非猜测，引用前需检查 generated_at 时间戳。
BanglaDiaHallu 是一个用于评估低资源医疗 NLP 中事实一致性与临床安全性的评测框架，配套论文发布于 GitHub。其包含 BanglaDiaRAG 混合稠密/稀疏 RAG 管线，基于孟加拉国 2023 版糖尿病国家指南构建，采用 ChromaDB + BM25 双索引检索。仓库提供 6 个临床领域共 40 条经校验的孟加拉语糖尿病 FAQ 数据集、双医师匿名评分矩阵，并用 ANOVA、Tukey HSD 和 95% CI 做统计验证，项目采用 MIT License。
TruthNian 发布 llm-pomdp-agent-eval 基准，评估智能体能否在信息不全和资源约束下把模糊故障接管为可验收的业务结果，单元为含失败动作、执行故障和交付成本的完整交互轨迹。GPT-6 Sol 多次在 20-39 个动作内交付，GLM 多次尝试或超时或遗留错误订单，所有高难度目标均未达成，失败尝试与回归锚点全部保留。基准采用 HTTP/SQL 真实业务操作与独立业务评分，不设默认加权智能评分，代码以 Apache-2.0 许可开源。
推荐理由：作者完整公开了各模型在 POMDP 智能体任务上的成败轨迹与失败成本，并对每个候选结论给出明确的适用范围说明。
Anju-saini 在 GitHub 发布 Latest-LLM-API-Pricing-Snapshot 数据集，收录 OpenAI、Anthropic、Google Gemini、xAI、Mistral、Groq、DeepSeek、Kimi、TypeSafe (Jev) 等厂商公开的 LLM API 官方牌价。
aspirit 在 GitHub 开源 asknews，一个对美联储英文材料与日本央行日文材料做双语问答的应用，覆盖记者会视频与纪要、政策声明、演讲和展望报告等约 90,000 个段落。系统采用混合检索并让每条引用可回溯到官方文件或视频时间点，超出档案范围的问题会拒答；回答默认使用 claude-opus-5-5，摘要用 claude-sonnet-5-5，并设有每日 3 美元模型支出上限。项目支持本地演示与 PostgreSQL 17 + pgvector 部署，使用 uv 与 Python 3.13。
GitHub 上的 JumpLander-Persian-Forum-Dataset 提供一组来自论坛的干净、结构化的波斯语社区讨论数据，以 JSON 文件按类别组织，并附样例讨论。数据可按 ai、nlp、iran-ai 等话题筛选，用于 AI 研究、NLP 和社区情感分析。使用者需至少 4GB 内存，可用 Python 或 R 加载分析，数据集文件从仓库 Releases 页面下载。
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。
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。
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。
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。
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%。
作者发布了 Forcebench，一个评测 AI 模型在真实 Salesforce 工程任务上表现的开源基准，覆盖 Apex、governor limits、fflib、Lightning Web Components、Flow、SOQL、CLI、打包、CI/CD 等 15 个套件。评分尽可能通过实际执行完成，例如部署到 scratch org 运行隐藏 Apex 测试、运行隐藏 Jest 测试、执行 SOQL 查询、对照 sf CLI manifest 验证命令；执行类评测只在隔离沙箱内运行，沙箱外的任务记为 skipped。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
GitHub 项目 yangli216/medical-llm-wiki 基于 Andrej Karpathy 的 LLM Wiki 架构理念，将国家卫健委、中华医学会等发布的 10 部权威医学指南编译为持久化、双向互联的本地 Markdown 知识库，以替代传统向量数据库 RAG 的碎片化检索。项目分原始文献、编译知识库、规范约束三层，配套纯 Python 标准库实现的工具链，支持 SQLite FTS5 全文检索、跨指南问答、Obsidian 双链联动与本地知识图谱可视化，当前收录 50 篇词条、448 条双向链接、0 孤岛页面，并沉淀了用药禁忌等六条临床安全红线专题。
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%。
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。
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。
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。
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。