新闻、仓库与研究，按时间排列。
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。
研究者发布尼泊尔语-英语夹杂 ASR 基准，含 13,044 条自发播客语句（共 15.45 小时）。两阶段合成到真实适配框架中，仅用 0.95 小时 TTS 合成语音做 SFT，将 MER 从 23.40% 降至 21.52%，语言切换点错误率（SPER）从 35.89% 降至 28.77%；后续 GRPO 仅带来小幅统计显著调整。SFT 同时将尼泊尔语 MER 提升 2.71 pp，而英语词错率保持 3.38%。
研究者推出 RetiJev 系列眼科临床决策模型（0.8B-9B），直接对候选答案打分而非自回归生成，并发布基于 PubMed Central 文献和 MeSH 词表构建的 RetiJev-Data 语料库与 24,662 题评测基准。RetiJev 在指南分级上比 27B LLM 和商用 Jev 1.13 决策模型高 10.4-23.0 分，RetiJev-9B 在临床决策上最高超出基线 5.4-6.5 分。单 GPU 回答一个病例仅需 158 ms，比 LLM 生成快 3.5 倍、比推理快 470 倍。
arXiv 论文测试了八开放权重模型在 558 份真实文档上的 JSON 提取行为，发现 schema 中未被强制执行的最小条目数会让超过真实数量的列表占比从 34.5% 升至 55.4%。约一半填充条目来自文档原文，难以被校验发现；告知“少于也可”、散文式计数、提供 N/A 选项等修复方法效果有限，而用校验错误重问反而加剧填充。代码、答案列表与运行记录已开源。
推荐理由：论文用预注册实验量化了 schema 最小条目数如何导致模型凑数虚报，并实测了几种常见修复方法的有效程度。
一项 arXiv 研究在 120 对相邻中英文 Wikipedia 修订版本上测量 RAG 分块策略的更新成本，覆盖固定大小、递归和内容定义三种分块器。在 116 篇公共成功集合上，固定分块需重算 57-68% 的嵌入输入工作量，递归分块为 38-56%，内容定义分块为 43-54%；在 2048-token 检索预算下各方法的平均证据召回差异小于两个百分点。研究指出更新成本应与检索质量一同报告。
一篇 arXiv 论文构建了法国最高法院五个民事庭 2016-2025 年 86,464 份判决中的 121,536 对「上诉理由-法院答复」数据集。研究用确定性流程将每对配对并按法国既有分类体系归类，形成揭示哪些理由胜诉、引用哪些法律条文及其十年演变的描述性语法。数据集、代码和交互查询工具均已发布，论文被 JURIX 2026 接收。
一项被 EMNLP 2026 Findings 接收的研究通过两阶段框架考察元数据构成如何影响 LLM 生成文物描述。结果显示元数据数量本身不决定生成行为，字段类型决定模型是接地、省略还是推断信息，而图像既能支持视觉接地也会增加无依据解读。研究主张 data-to-text 评估应考察字段与论断级支持，而非仅看输入覆盖率或参考相似度。
Yossi Eliaz 发布的单页交互式长文，讲解 Stack Overflow 问答如何成为 LLM 训练数据来源：帖子的问题、代码、解释与投票分别对应训练各阶段，upvote 与 accepted 构成 StackLLaMA 的奖励信号，语料被 The Pile、LLaMA、StarCoder2 等采用。文中引用 ChatGPT 出现后提问量下降 76% 的图表，并内置模型坍缩模拟器与记忆化、CC BY-SA 署名问题讨论。项目为单文件静态页面，用 Claude Code 生成。
Tajima（Shumei University）公开了预部署评估研究的数据、分析脚本和图表代码，研究考察 GPT-4o、Claude Opus 4.5 与 Gemini 2.5 Flash-Lite 在护理临床判断题上的输出一致性何时不再对应正确率。主分析（Study 2）基于日本国家护理考试 2018–2026 年间公开的 90 道题，90 题 × 11 个模型-温度条件 × 30 次 = 29,700 条响应；修订版将受并列项顺序影响的分诊 AUC 修正为 GPT-4o 0.77、Claude 0.50、Gemini 0.68。
mohameddhameem 开源 Custom-LLM-Router，在 HotpotQA（distractor 设置）上测试成本感知路由：用 nano-jev v1.0 交叉编码器的证据充分性信号，对比仅用问题的路由器，决定用 small 还是 large 专家（Qwen2.5-0.5B/1.5B/7B/14B 等配置）。项目提供数据准备、路由器训练、F1-vs-cost 评测（AIQ、CPT 50%/80%）、tau 0.5-1.0 扫描与 95% 置信区间 bootstrap，支持 CPU/GPU/vLLM 及 SSH/PBS 集群运行。
作者发布塞尔维亚语大语言模型基准 serbeval，基于 lm-evaluation-harness 0.4.12，官方集 v1.2 共 351 题，其中 61 题经人工核验、214 题由四模型共识确认、76 题由其派生，重点考查翻译无法覆盖的语法现象如格支配、动词体、aorist/imperfect、正字法与西里尔/拉丁字母一致性。30 个模型经 OpenRouter 零样本评测显示 openai_gpt-6-sol 以 99% 居首，gemini-3.8-flash、claude-opus-5.5、gpt-6.1-sol 98%，前沿模型差距很小，剩余错误多为有争议的正字规范；DeepSeek V4 Pro 达 95% 超过 Sonnet 5.5（94%），Kimi K3 92%。
GitHub 新仓库 TRDP 发布一套研究身体情境与食指动作的可控视觉刺激生成器，将 20 组获批 V7 图像对扩展为 480 个族，共 2,880 张 2048×2048 PNG，另有从同一全身像素衍生的 960 张剪纸手形 PNG。仓库提供基于 SAM-HQ 的手部分割、控制刺激脚本、测试与验证文档；数据集与大体积审阅 PDF 保留在本地，不使用 Git LFS。 退一步说明：正文与来源只给出仓库名 TRDP（emrecandir9/TRDP），未指明公司或模型厂商，标题主体以仓库名 TRDP 兜底，符合规则。
Hugging Face 发布卫星嵌入模型 OlmoEarth v1.3，可读取一整年的 Sentinel-1 雷达与 Sentinel-2、Landsat 多光谱数据，为全球每个 10 米像素生成 128 维嵌入向量，并同步公开全球预计算嵌入及浏览器工具 Embeddings Explorer。在 27 项评测中，其 128 维嵌入在 20 项上领先 AlphaEarth Foundations（AEF）和 Tessera v2，64 维版本在 18 项上领先；模型权重、预训练数据与代码全部开源，复现一次最终训练约需 $2,720 的 H100 租用算力。
MECLabTUDA 在 GitHub 发布 VoxelSceneGraph 项目，汇集 3D 医学影像 Voxel Scene Graph 相关的数据集、标注工具与训练框架，聚焦颅内出血（ICH）研究。核心数据集 BleedScene3D 提供 574 个标注 volume，已在 Kaggle 开放获取，配套 scene-graph-api、scene-graph-prediction 和联邦学习框架 federated-scene-graph-prediction 等工具库。相关论文已被 MICCAI2024、WACV2025 和 ICPR2024 接收，并提出了新的 VC-IoU loss。
开发者 mohamedchouiki97 发布了 Helix Support Assistant，一个面向虚构 B2B SaaS 公司客服团队的 RAG 助手项目。系统将 100 份文档（60 Markdown、25 PDF、15 HTML）导入 Chroma 向量库，采用 BM25 + dense 混合检索经 RRF 融合，再用 gpt-5.4-mini 重排并生成带来源和置信度的结构化回答。在 50 条查询测试集上，RAGAS 评测 3 次平均 faithfulness 0.983、context precision 0.981。
CAMGen 通过识别代码变更的核心实体，结合结构依赖、功能语义和历史范例三种仓库上下文视图，配合代码 diff 让 LLM 生成提交信息。该复现包提供 7,522 条评测提交（源自 ApacheCM，覆盖 C++、Java、Python 三种语言）、固定的 1,000 条提交消融子集、提示词模板、上下文构建代码、API 推理及自动评测脚本，任务构建仅需 Python 3.10+。
arshjohari1 发布 Name That LLM，一个面向 Kaggle LLM 作者归属竞赛的 CPU 优先可复现流水线，根据文本预测 18 个模型标签之一。最佳候选 multi_c150_s020 达到 37.56% 的 grouped CV balanced accuracy，随机猜测基线约为 5.56%。流水线以 TF-IDF 与线性分类器为基线，支持离线推理与 Parquet 输出，尚未提交 Kaggle。
behavior-in-the-wild 项目旨在解释、预测和优化真实世界中的人类行为，主要面向营销、广告和计算社会科学场景。该项目把通信拆解为发送者、内容、信道、接收者、行为等 7 个模态，提出行为模拟、个性化、定向、Transsuasion、发送者与时间优化等六类问题，研究成果包括 LCBM（Large Content and Behavior Models）、BOIG 图像生成、广告记忆度研究等，联系邮箱为 behavior-in-the-wild@googlegroups.com。
arXiv 论文提出 MPIXEL 像素语言模型系列，沿更多语言、更多文字、更大模型容量三条轴扩展多语言预训练，在覆盖 83 种语言的五项任务上评估。结果显示扩展呈局部效应：各轴仅提升新增语言与文字，更大容量可缓解多语言诅咒；对未见文字的迁移随多语言预训练改善但不随扩展继续提升。这些模型在多种文字系统的低资源语言上超过 subword 与字符级基线。
研究者构建了包含 60 余万条样本的罗马尼亚语-英/德/法/意混合语言讽刺检测数据集 CS-SeLeRoNa 及人工校验的 CS-SeLeRoNa-Gold 基准，采用随机替换、短语翻译、依存句法分析和 LLM 四种方法生成语料。评测显示，老一代开源模型 macro-F1 降至 37%-55%，Gemma 4 31B 零样本达 68.1%，接近 GPT-5 mini 的 69.5%；微调后 Gemma 4 31B 在 CS-SeLeRoNa 上达 77.5%、gold 基准上达 72.6%，超过前沿模型零样本基线。
研究者发布首个印度法院判决书英-米佐平行语料库，含 13,168 个句对，来自 Gauhati High Court 和印度最高法院，由专业母语译者翻译并双人审校。在 1,000 句对的平衡法律测试集上，微调后的 NLLB 200 1.3B 模型取得 27.47 BLEU，比基础模型提升 7.16 BLEU，但英文词使用频率仍约为人工译者的三倍。语料分析还发现法律术语几乎保留英文，日常词汇多用米佐本土表达，且声调符号使用不一致。
Zhennan Wan 等提出 LongZero，让 LLM 自行合成带证据的多跳推理与多轮检索任务，再用 GRPO 训练，无需任何外部数据即可提升长上下文推理。模型先以紧凑结构化形式生成问题、答案与证据，再将其扩展为长多文档上下文；在两个 LLM、五个长上下文推理基准上优于基于外部语料合成数据的 RL 基线，代码与数据已开源。
这篇 arXiv 综述梳理了从规则流程、NLP 模型、Transformer 编码器到 LLM 与智能体系统的材料数据提取方法演进，可处理文本、表格和图形等多模态信息。这些进展支撑了可查询材料数据库与知识图谱的构建，以及跨材料科学问答、AI co-scientist 和与自主实验室结合的闭环优化发现。作者评估了数据集质量、提取精度与计算成本，并指出样本级四要素提取、基准数据集稀缺和非标准术语等开放挑战。
研究者推出 CulturalRiddles，一个完全由人工共创的多文化谜语基准，覆盖 62 种文化、45 个国家和 51 种语言，要求模型具备溯因与组合推理及文化语境知识。团队对 28 个 LLM 配置进行了自动与大规模人工评测，即使前沿模型在某些文化群体中准确率最高也仅 22%。全部数据与代码已公开，并开放持续扩展文化与语言覆盖的贡献流程。
一项 arXiv 预印本研究提出将图表作为数据智能体推理循环中的内部认知动作。团队构建了包含 200 个受控任务的 \probe{} 测试集，发现智能体能从自生成图表获得与数值输出同等的得分，但并不会稳定地主动使用图表。其提出的 \method{} 方法从轨迹 rollout 中蒸馏两类经验并经验证门筛选，在三个 held-out 基准、四个 LLM 骨干上提升分析准确率与视觉证据质量，且不改动模型参数。
研究者提出 ASTEROID，一种学生—教师监督学习框架，通过在学生在线策略采集的历史上下文上蒸馏特权专家动作，让部分可观测下的学生学会测试时探索。在 11 个环境（离散探索基准、机械臂操作、导航、Procgen 等）中，ASTEROID 在固定探索预算下回报约提高 2x，交互次数比 RL 基线少约 100x，并在视觉受限的真实机器人操作上比标准蒸馏成功率提升 +40%。
一项 arXiv 研究提出针对神经网络结构化潜在空间（LS）的检索算法，借助 O(1) 复杂度的候选子集搜索加速 top K 检索。作者用 Latent Space Configuration（LSC）方法微调 ArcFace 预训练的 IResNet50 模型，相比基线穷举搜索，GPU 上最高提速 3 倍、CPU 上提速 40%；且 LS 降维可进一步加速搜索，甚至改善 rank-N 指标。
GitHub 仓库 jzy13357737150-eng/llm-youtube-landscape-tracker 提供一个公开网页追踪器，聚合一组 LLM 相关 YouTube 频道的最新视频，基于字幕或转写文本而非仅标题生成摘要。管道以 YouTube RSS 监控更新，默认无需付费 API，配置 OPENAI_API_KEY 后可用默认模型 gpt-5 增强摘要；站点由 GitHub Actions 每 6 小时定时重建并通过 CDN 访问。
研究者提出一套边缘可部署的蜂箱巢框检测流程：用目标检测器识别具生物学意义的巢房类别，将检测结果蒸馏为结构化事实模式，再转为受约束的事实文本并触发知识库，生成可解释、可执行的蜂群检查报告。系统基于开源 FAIRHiveFrames-1K 数据集构建，并额外发布将图像事实与文本解释互相对应的 FAIRHiveText-1K 数据集，便于后续基于 LLM 的研究。
研究者提出 OSynth，一个模拟组织的大规模合成数据集，包含 570 小时会议音频、相关文档及潜在真实状态。人类评审基于 150-300 词片段，区分 OSynth 会议与真实会议转录的准确率仅 56%。测试显示，引入日历、以往会议等额外上下文可使多个 LLM 在实体敏感维度显著提升。
arXiv 论文（arXiv:2610.29352）通过五个模型规模、百余种 token 预算配置，建立了长上下文性能与模型规模、短上下文及 LCCP token 预算之间的经验加性幂律，可外推到未训练的模型规模。论文提出 Constant-Last4 观测协议，稳定预测了 1.22B 参数模型在约 100B LCCP token 上的性能轨迹；128K 上下文扩展和监督微调后增益仍保持，在评测范围内未见饱和，支持继续扩展 LCCP 而非提前停止。
推荐理由：论文给出长上下文持续预训练收益随 token 预算扩展的经验缩放律，并用 1.22B 模型轨迹验证了可预测性与增益持续性。
研究者提出自动化合成框架 DynaWeave，可将静态任务转化为可验证的动态场景，用 DAG 表示事件依赖并触发外生事件以训练 LLM 智能体。该框架在 36 个环境中收集了 2,095 条经验证的交互轨迹，用于对 Qwen3.5 模型做监督微调。实验显示其在 Gaia2、CostBench 和 ToolMaze 三个基准上均有一致提升，CostBench 任务完成率提高 67.34 个百分点，并在 ToolMaze 上超过 Gemini-3.1-Pro-Preview，代码已开源。