新闻、仓库与研究，按时间排列。
arXiv 论文提出 LAGO，将专用语言智能体作为可复用的时序扩展选项，由 meta-agent 检索或生成选项、分发子任务并验证结果，选项库跨任务增长且不更新模型权重。在 500 个 SWE-bench Verified 任务上，冻结的 Qwen3.5-35B-A3B 单次尝试解决率为 58.6%；在固定 150 任务子集上与 mini-SWE-agent、Terminus 2 同条件对比，解决率分别为 49.3%、57.3% 和 60.3%。50 任务消融显示去掉分解少解决 4 个、打乱复用内容少 2 个、去掉选项库少 6 个。
推荐理由：论文给出了同条件下的组件消融与横向对比数据，读者可以据此评估可复用 agent 选项库在长任务中的实际贡献。
一篇 arXiv 论文提出残差校正框架，在子空间中维护优化器状态并将正交残差梯度加入参数更新，以降低 LLM 训练的内存成本。该框架将 momentum SGD 扩展为 SMRC、将 Muon 扩展为 PMRC，二者均达到 O(T^{-1/4}) 收敛率，与全空间版本匹配；多阶段变体通过周期性重算基并引入边界校正保持同阶收敛率。实验验证了算法的有效性与效率。
论文提出 DeltaStreamer，一个受人类观察、记忆与调查方式启发的智能体式流式视频理解框架。该框架结合变化感知记忆、查询驱动的规划与定向回放取证，在查询到来前持续记录视觉变化，到来后检索记忆并回放历史帧以补回遗漏证据。在 OVO-Bench 和 StreamingBench 上分别取得 66.07% 和 59.53% 的总分，超过代表性方法。
arXiv 论文提出 Paired Fallback Robustness（PFR）测试，评估类型化决策模型（TDM）在请求路由、模型选择等场景中切换常规与 fallback 选项的可靠性，以及同一规则在逻辑等价定义下决策的一致性。在三个 benchmark 上对开源决策模型、不同架构与参数规模的对照实验发现：正确识别类别并不能可靠转化为正确的 fallback 选择，逻辑等价的规则表述也会导致模型决策出现明显分歧。
研究者提出 Euler，一个以人为中心的数学研究系统，围绕共享的结构化研究过程表示构建，将数学陈述、假设、证明依赖、备选路径、失败尝试与验证证据组织成连通的研究图谱。该表示让研究者可追溯结果的推导过程，并为智能体提供跨会话的持久任务相关知识，支持规划、协作与验证，还可回访智能体早期推理并探索替代方向。论文通过三个数学研究案例展示系统能力，并给出实现与软件验证。
GitHub 上的 cultural-bias-llms-dissertation 仓库发布了一份关于 LLM 文化偏见的学位论文资料，包含 data/original_article、results、scripts 等目录及分析脚本 Scripts_Analisys。仓库尚无简介与主题标签，目前 0 star、0 fork，无发布版本。
GitHub 仓库 xiayuwei111/enhancing-llms 实现了论文《Enhancing Large Language Models with Advanced Fine-Tuning Techniques》中的微调方法，用于提升 LLM 在领域特定任务上的表现。该方法在 GLUE 上取得 92.5%（较基线提升 8.3%）、SuperGLUE 上取得 89.3%（提升 12.5%），采用 MIT License 开源。
一名大学生在 Character.ai 破产后发起开源项目，构建能保存 c.ai 角色的开源角色模型。现有最知名数据集 PIPPA 由 Pygmalion 社区用捐赠聊天记录建成，但主要覆盖角色扮演。该项目征集日常、倾诉、陪伴等各类对话，提供报酬、角色优先重建、署名或匿名、随时删除，并承诺去除个人隐私信息。
Ai2 气候模拟系统 HiRO-ACEv2 发布，核心是新的降尺度模型 HiROv2，可同时预测降水、风、气压等多个高分辨率场，对百万分之一概率的极端事件统计误差在 3% 以内。整套系统生成全球 3 km 气候数据的成本约为高分辨率大气模型 X-SHiELD 的 1/300，10 年模拟中飓风能量与 X-SHiELD 相当。模型可下载并提供教程与网页 Demo，但目前仅支持与 X-SHiELD 匹配的气候场景，后续计划训练 4°C 增暖版本。
MIT研究团队在Nature发表论文，提出一个机器学习后处理层，从历史数据学习现有预报模型的错误并修正输出，将两周到六周范围的预报准确率翻倍。该模型在ECMWF的季节间预报竞赛中获第一名，首次在该时间范围内稳定超过气候学平均值，并显著改善洪水、寒潮等极端天气预测；模型开源、低成本、可附加于任意预报模型，肯尼亚气象部门已接洽用于改进季风季预报。
推荐理由：这个后处理层可附加于任意预报模型且成本低，肯尼亚气象部门已接洽落地，给出了从论文到实际应用的路径。
该仓库实现词级自回归语言模型，从 IMDb 影评预测下一个 token 并生成影评文本，在统一协议下对比 Simple RNN、双向 RNN、LSTM 和 GRU。实验从 Large Movie Review Dataset 的官方训练集抽取 5,000 条影评（4,000 训练/500 验证/500 测试），词表上限 4,000，统一使用 64 维嵌入、64 隐藏单元、Adam 学习率 0.003、batch size 256 训练 4 个 epoch，并评估温度 0.2、0.7、1.2 下的采样质量。
Lunaria 是一款 Android AI 阅读应用，结合类型偏好与自由文本描述生成个性化图书推荐，并对比了 LLM-only、RAG + LLM 和启发式基线三种方案。在使用 GPT-5 nano 与 intfloat/multilingual-e5-small 的自建 20 用户 benchmark 上，LLM-only 的 Mean nDCG 最高达 0.9609，且在含负面约束的用户上零违规，基线违规率为 0.1100。当前目录仅 20 本书，系统直接将全目录发给 LLM 而不用 RAG。
VectorSpaceLab 发布 InfoVis，一个由 FLUX.2-klein-base-9B 微调而来的 9B 统一模型，支持文生幻灯片、模板条件生成、多图像引用生成与指令编辑四类任务。模型在自建评测集 VisSlideBench（1,527 个人工筛选案例）上取得 7.94 总分，超过 Nano-Banana-2 的 7.99 之外的开源模型，在全部 11 项指标上领先所评测的开源模型。代码、权重、评测代码与训练数据已开源于 GitHub 与 Hugging Face，权重遵循 FLUX 非商业许可。
ChemAIResearch 在 GitHub 开源有机化学 LLM 评测基准，用于评估大语言模型在反应预测、机理推理和立体化学上的准确性与推理质量。项目包含两个基准：反应预测与机理推理、高级化学推理，采用专家审阅的参考答案与错误分类框架。初步测试发现多个模型会在同一问题上预测错误产物，项目仍在开发中，结果尚不构成模型排名。
Fikri Alfaraby 发布 naughty-judge-replies，一套让 LLM judge 评测解析器出错的回复语料，覆盖 letter、yes-no、json-pass、json-score、grade 五种格式，定位类似 Big List of Naughty Strings。实测显示 promptfoo 0.124.1 factuality 有 4 次错读、closedqa 5 次错读，Opik 与 Inspect AI 的具体计数见表；错读原因包括把 'France)' 中的字母当类别、以末字符 'Y' 判 pass、取首个 JSON 对象及类型强转。
推荐理由：语料逐条实测了 promptfoo、Opik、Inspect AI 的 verdict 解析器，给出错读、猜测、拒绝的具体计数和成因。
一项 arXiv 研究在 15 个医学数据集、8,742 个实例上对比了 Jev 等系统一决策模型与 LLM 的可靠性。结果显示 Jev 在文本驱动任务上可比肩领先模型，但在数值驱动任务上较弱，且在题目格式变化下决策翻转率最低、鲁棒性最强；同类开源替代中仅 StartLux 具有相近鲁棒性。不过多数模型在识别缺失正确答案和选择性弃答上均有局限，归一化逐选项二值评分可提升 Jev 基于概率的选答效果。
该 arXiv 论文重新审视“温暖语气降低语言模型可靠性”的结论，指出既有研究多在共情对话数据上做 SFT，难以区分语气效应与分布偏移。作者用提示词、SFT 与 RL 诱导温暖行为，基于 11 个数据集的 benchmark 套件和 EMOFACT 评估，发现温暖效应因任务和模型而异，任务对齐的自适应语气可兼顾共情与可靠性，并推出经人工验证的共情评估器。
研究者提出 CREATE，一个包含 155 道视觉远联想测试（RAT）题目的半自动构建基准，要求模型从三张看似无关的图像中找出潜在联系。团队通过 25 人的人类研究验证基准质量，并评估 11 个 VLM，结果显示多数 VLM 在该任务上表现不及人类，其联想能力依赖文本提示概念，不能普遍迁移到视觉谜题。
一项 arXiv 研究利用大语言模型分析了 2022 年以来四个地区（北美、中国、印度、中东）的 12,924 篇英文 AI 新闻报道，提取每篇文章隐含的叙事教训。结果显示北美 AI 报道独有地以谨慎叙事为主，低估了其他地区更普遍的创新与协作叙事；但这一模式主要源于北美新闻情绪上更广泛的消极偏向，而非对 AI 本身的担忧加剧。
一项 arXiv 研究提出从文本的可解释语义属性预测标注者分歧：让 LLM 回答 20 个二元问题（涵盖有害内容特征、临界严重度、缺失语境、本地贬损语等线索），再用分类器预测分歧。在英语、德语、土耳其语四个数据集和三个开源权重 LLM 上，该方法比直接提示高 10.5 ROC-AUC 点、比最强文本基线高 5.0 点；仅 8 个问题的精简版与全集差距在 1.5 点内，跨数据集评估保留约 90-95% ROC-AUC。贬损、缺失语境与决策边界相关问题是最强预测因子。
Fabian Gröger 在 arXiv 论文（NeurIPS 2026 camera-ready）中提出 PORTAL，一种无需配对图文数据与梯度优化的免训练 projector 初始化方法。研究发现仅用 10 到 20% 数据训练 projector 即可恢复大部分下游性能，且不同数据集训练的 projector 可线性插值，表明该阶段主要做粗对齐。PORTAL 通过在共享主子空间上计算视觉与语言特征高斯近似间的最优传输映射跳过 projector 训练，在 6 个 LLM 骨干、2 个视觉编码器和 16 个基准上匹配 558k 图文对训练的标准流程，在 7 组设置中 3 组超越该流程，其余 4 组平均达到其 98% 的分数。论文链接：https://arxiv.org/abs/2610.18598v1
一项 arXiv cs.CL 研究剖析 LLM 在动态诊断中失败的原因，追踪其从证据识别、利用到下游诊断更新的全过程，除诊断准确率外还考察证据覆盖率、轨迹动态、概率与信息熵。研究发现 LLM 虽能诊断完整的静态病例，但难以主动获取对诊断关键的证据，核心挑战从是否具备临床知识转向能否在动态诊断中识别并有效利用正确证据。
arXiv 论文提出 DDRG（Disagreement-Driven Verification Guided by Reasoning Graphs），利用图对齐暴露采样推理轨迹中的 claim 级分歧，并将局部冲突交给无答案验证器触发针对性修复。在五个 benchmark 上，原生 zero-shot DDRG 使 Qwen2.5-7B 和 Llama3.1-8B 的 macro-average 准确率较直接回答分别提升 8.65 和 15.83 个百分点，并超过 CoT、GoT/GoV 适配版及 Self-Consistency。
arXiv 论文提出 Jev-ToM 评测框架，对比 5 个类型化决策模型与 7 个生成式基线，在来自九个 ToM benchmark 的 11,117 道英文题上进行测试。TypeSafe Jev 达到 73.2% source-balanced accuracy，在全部六类能力中排名前二，在信念、目标/意图与情绪方面领先。资源对比显示 Jev 可降低重复 ToM 选择的成本与等待时间，但其基于置信度的选择仍依赖具体 benchmark。
arXiv 论文提出 Legal-R1，一种用于循证法律推理的智能体检索框架，将法律推理分解为多智能体工作流：Lawyer 智能体学习何时检索、查询何种法律来源及证据是否充分，Legal Assistant 智能体基于权威性与多样性从规范法律来源和判例中检索，Judge 智能体依据完整证据轨迹生成最终答案。仅对 Lawyer 智能体采用掩码监督微调与轨迹感知强化学习进行后训练，在中国法律基准上超越通用、法律专用及检索增强基线。
一篇 arXiv 论文（arXiv:2610.18613）重新检验了自蒸馏方法 SDPO 与 OPSD 在代码、科学、工具使用和数学推理任务上的表现，发现其相对强化学习（RL）的收益不能稳定泛化到未见问题。作者认为收益主要来自过拟合或迁移既有推理行为，而非有效利用特权信息；自蒸馏梯度与直接优化期望回报的策略梯度对齐较弱。实验覆盖 Qwen3（1.7B-14B）和 OLMo-3-7B，结论是有效利用特权信息改进推理仍是开放问题，代码已开源。
推荐理由：论文在代码、数学等多任务上复测 SDPO 和 OPSD，指出其收益主要来自过拟合而非特权信息，并给出复现代码。
论文提出直接知识图谱交互框架 DKGI，让大语言模型智能体在完整节点与边文件上用 Python 代码自建图谱访问工具，交替执行 shell 搜索与文件检查。在覆盖三个域的基准数据集上，免训练的 DKGI 在每张图上超过最强已发表基线至少 6.7 Hit@1；消融显示多轮编程优于仅用 shell 或预定义图谱工具，轨迹显示智能体会修改代码以扩展搜索或修正错误。代码与数据已公开。
推荐理由：论文给出免训练的图谱搜索框架和跨三个域基准上至少 6.7 Hit@1 的提升，消融还拆解了多轮编程相对固定接口的收益。
研究者提出 COMPASS（COMPatibility ASsessment Score），一种在模型对齐或合并前估计模型对兼容性的诊断方法。该方法基于局部邻域的表示收敛观察，将兼容性分解为 k-NN 重叠定义的成对易合度与训练范式允许的范式级上限两个可低成本计算的轴。在 72 项跨模态对齐实验和 392 次任务算术模型合并中，COMPASS 估计与下游成功强烈相关，Pearson 相关平均分别达 0.91 和 0.70。
一项 arXiv 研究在 64 个分子性质预测数据集上系统评估化学语言模型（CLM）的预训练效果，发现其下游收益不随规模扩展，性能在低于梯度提升基线处饱和。只有基于传统理化描述符的监督预训练能持续提升表现，部分预训练方式甚至使模型差于随机初始化编码器，表明 CLM 从预训练中学到的化学知识很少。
BASIS（Bayesian Axis Selection via Interactive Signals）是一种免训练的贝叶斯方法，利用测试时弱反馈推断当前决策由任务特定准则库中的哪个准则主导，并按期望信息增益选择探针。该方法将六探针概念恢复 Success@1 从 56.0% 提升至 68.1%，推理准确率从 72.3% 提至 73.1%，精修胜率从 61.4% 提至 63.8%，并超过算力匹配的 best-of-N 选择。论文已被 NeurIPS 2026 接收。
一项提交至 ICASSP 2027 的研究提出直接从语音中检测语码转换（CS）的轻量方法：利用单语录音识别预训练语音编码器中的语言选择性隐层维度，并聚合其帧级激活做出预测。在 CS-FLEURS 的 14 个语言对上，Whisper-small 编码器平均 F1 达 0.798，高于 CNN 的 0.776 和 HuBERT 线性基线的 0.751，可用于筛选多语训练语料。
arXiv 论文指出，自然语言自编码器（NLA）作为语言模型监督工具存在监控盲区：训练是生成式指称博弈，而监督部署是判别式博弈，二者的差距意味着 Activation Verbaliser 的解释能识别对应激活，却难以区分真伪描述。实验中，真描述在 320 次比较中全部胜过其他激活的描述，但面对仅差一个论断的流畅假描述胜率仅 60.2%（n=35，随机水平 50%）；无关模型改写仅损失 2.1% 距离，排除了私有约定导致失败的可能。
研究者从专业人道主义灾情报告中提取 15 槽位信息框架，评估 121 份人工报告与 261 份 LLM 生成报告。在 Cyclone Idai 上，gemini-3.7-flash 评审下最佳机器报告得分 0.827 略高于人类上限 0.821，但差异在统计上不可区分，且在 gpt-5.6-luna 下不复现；机器报告仅复现 5.4-11.0% 的当日官方数据，且发布来源信息（日期、机构、权威性）均未达到专业报告覆盖水平。
arXiv 论文提出点式量规奖励模型 ReVeR，仅从指令本身推理出硬规则与分级原则，并通过工具增强的裁决独立评估回答，避免现有方法从候选回答提取标准带来的响应诱导偏差。其组件经 label-blind 知识蒸馏训练，产出大规模量规推理数据集 ReVeR-Traces。实验显示 ReVeR 在平均偏好准确率上超过成对式量规 RM，且量规保真度、偏好准确率与下游效用是相互独立的属性。
SkillScaffold 是一种策略自适应训练框架，通过复用结果验证的训练轨迹、以结果感知的似然比较低成本估计技能效用，无需候选专属环境 rollout，并据此选择性注入技能或保持无技能执行。在 ALFWorld、WebShop、ScienceWorld 和 τ²-Bench 上超越强智能体 RL 与技能型 RL 基线，代码已开源。
研究者推出全模态视频定位与理解 benchmark OmniCompass，含 OmniCompass-VL 与 OmniCompass-AV 两条评测轨道，各含时序定位（TG）、空间定位（SG）和问答（QA）三类任务。OmniCompass-VL 含 820 个视频、2,460 个实例，OmniCompass-AV 含 240 个视频、720 个实例。对 50 个 MLLM 的评测显示开源模型仍落后闭源模型，尤其在视听理解方面，时序与空间定位对领先模型仍是挑战。
arXiv 论文提出将对地观测（EO）任务交给通用编码 Agent 递归自我改进：任务被拆解为 harness 和 verifier 两个组件，Agent 自行构建并改进 EO 模型。在覆盖光学、SAR 和多光谱时序影像的四个 EO benchmark 上，Agent 构建的模型超越 SOTA，且仅用约 1% 训练标签即保留大部分精度。
研究者推出 Audio Memory Operations（AMemOps）基准，用于评估长音频流中的最新属性检索、未变属性保持与缺席声源拒绝。在测试乐器的其他录音上训练后，参考 delta-rule 记忆相比匹配的 attention 更新优势提高 13.4 个百分点；120s 检索延迟实验分离了重复一致性与早期冲突值的代价。
OneRec 团队发布 Kwai Summary Attention V2 技术报告。针对 KSA-Full 混合架构中各层压缩块必须一致、Full attention 层二次方 prefill 开销等瓶颈，KSA V2 让 summary token 同时承担 KV memory 和 sparse indexer 两种角色，实现更灵活的 KV cache 压缩并降低计算成本。
一项发表于 arXiv 的研究通过两项实验检验熟悉声音的克隆语音是否会将人格印象迁移到虚拟角色上：实验 1 在真实大学场景使用学生熟悉的讲师克隆声音，实验 2 在线上使用社交媒体创作者的声音。结果显示人格迁移证据有限，效应具有选择性且不跨特质或情境泛化，线上实验中声音线索仅激活对说话者的预期而未重建整体人格印象，缓和了克隆声音会直接操纵用户将虚拟角色视为社会行动者的担忧。