新闻、仓库与研究，按时间排列。
arXiv 论文 arXiv:2610.14960 让九个 LLM Agent 与人类分析师在两个静态分析逆向工程任务上同题对比，GPT-5.5 Pro、Claude Opus 4.8 和 Kimi K3 达到与人类统计上相当的理解水平。研究记录了完整交互过程并发现强 Agent 采用跳转式广泛检索、很少回访已检视代码的 greedy fetching 策略；对 4000 个真实二进制文件的测量显示，更大应用和更低级代码表示会快速耗尽上下文窗口，扩展逆向 Agent 需要更好的导航、选择性检索和持久分析状态。
推荐理由：论文用统一评分标准实测人类与 AI Agent 的逆向工程差异，指出差距源于代码表示和工作流，并量化了 greedy fetching 下的上下文饱和问题。
AlphaRLM 是一个强化学习框架，训练 LLM 直接从金融文献构建可执行的符号化因子，无需输入因子表达式。其引入 Literature-Guided Operator Assembly（LEGO）提供语义先验，并通过可执行有效性奖励和分组收益分离奖励与市场反馈对齐。在 CSI 300、CSI 1000 和 S&P 500 上的实验显示，其年化超额收益超越强因子挖掘与 LLM 基线，8B 模型也取得强跨市场表现。
论文提出 MCPDisCo，一个面向 MCP 原生智能体的生态级强化学习框架，在 70 个 MCP 服务器和 527 个工具、六个领域的真实服务器长程交互上训练。框架用 Thought-MDP 显式表示内部推理与路由、执行、终止，通过 token 掩码奖励归因和双向梯度手术缓解推理与工具学习之间的跷跷板干扰，以更少思维链 token 取得更高成功率，并在分布外 MCP-Atlas 与 GAIA 基准上保持单调增益。模型权重和实现已放出。
推荐理由：论文给出推理与工具学习互相干扰的失败模式及其梯度手术解法，在 70 个真实 MCP 服务器上训练并验证分布外泛化。
研究者提出 CauCRL，解决离线示范中示教者隐藏信息导致的对比强化学习（CRL）失效问题。方法用混杂马尔可夫决策过程形式化该场景，引入反事实转移并最小化所有兼容转移得到最坏情形占用度量，据此训练 critic。该方法在混杂目标达成任务上大幅提升成功率。
在 PersonaMem-v2（180 题）上，利用句子级检索按与当前请求的相关性筛选上下文，GPT-5.6-terra 和 Claude Opus 5.5 评为仅用 5% 文本即可达到全历史准确率，评审输入缩减约 20 倍。同等长度的 LLM 摘要表现相当，但需大模型读全史，而检索只需小型 embedding 模型；oracle 证据子集较全历史高出 15.6 分。
arXiv 论文针对双层多源数据选择问题提出一种新的概率松弛方法，用多个可学习类别先验将分布约束在可行数据子集上，实现无损舍入。该方法的两点梯度估计器避免了 0-1 松弛的逆 Hessian 计算与以往概率松弛中的无界 score 项，并给出降低下层重训次数的可约简表示。论文据此设计了随机梯度算法 ReSGD，在弱次模性下给出近似保证，并通过实验验证了有效性。
arXiv 论文提出 VC-OPD，一种接地感知的在线蒸馏方法，通过对比原始图像与破坏实例级证据的反事实图像下教师模型的分布差异，估计 token 级视觉依赖并重加权损失，优先蒸馏依赖图像证据的推理 token，并采用保质量归一化稳定更新。在多模态推理 benchmark 上的实验显示其提升了视觉推理性能与 token 级蒸馏效果。
一项 arXiv 研究通过 system prompting、few-shot、SFT 与 GRPO 等诱导方法测量语言模型倾向的分布外泛化（spillover），发现同一方法的 spillover 在模型间高度相关，而 SFT 与 GRPO 产生不同 profile；良性特质诱导可能外溢出权力-seeking 等非预期特质。分析识别出三个解释约一半方差的特质聚类，并观察到与目标特质无关的 drift，drift 使 Qwen3.5-9B 偏向其基座模型。测试显示 Claude Opus 5.5 对 spillover 的预测略优于模型本身，但不如基于替代诱导方法或模型的数据驱动方法，没有单一占优预测器。
arXiv 论文提出 FidelityQ 标量量化框架，在权重低至 2 bit 时保持大语言模型的预测保真度。核心包括 Hadamard 混合的 IAC 编码与基于教师-学生散度尾部分配校准预算的 KIC 方法；LLaMA-2-7B 在 W2A16 下 WikiText2 困惑度为 6.62，将 W2A4KV4 此前最好结果从 8.31 提升至 6.96，线性层权重内存相对 FP16 减少 8.0x。论文链接 https://arxiv.org/abs/2610.14934v1。
SkillForgeBench 是一个以 agent 技能为执行蓝图的智能体可靠性评测基准，含 842 个跨五大专业领域的 sandboxed 任务，对 8 个主流 agent 进行严格评分，Opus 4.8 以 40.9% 的 strict completion 率居首。结果显示所有模型层级在满足全部约束时表现大幅下滑（70.0%-85.7% 的单项通过率降至 12.6%-40.9%），且各模型的过程 rubric 达成率远低于完成 rubric（Haiku 4.5 不足 3%），说明仅看完成度会高估真实可靠性。
arXiv 论文 WorkBorne 提出以 artifact transitions（工件转变）为核心 primitive 合成长时程终端 Agent 任务的框架，并构建了 1,061 个工件语料和 7,882 个任务环境，产出 15,485 条高质量轨迹，其中 53.6% 超过 30 个 assistant turns。
推荐理由：原文给出了任务合成的具体数据规模和 Terminal-Bench 2.1 的前后对比，读者可评估该方法对训练终端 Agent 的实际增益。
该 arXiv 论文针对模型预测任务采样（MPTS）中风险预测模型的两大缺陷——优化历史稀疏与风险近似的一步滞后，将其重构为上下文序列建模问题。改进后的 RPM 结合一步前瞻机制与时间加权滑动窗口，无需额外 rollout 即可缓解数据非平稳与稀缺问题，在鲁棒 Meta-RL、域随机化及 LLM 提示词课程 RL 后训练中带来更可靠的难度估计和一致的性能提升。
该研究在一份立陶宛组织心理学问卷（n=263、68 题）上测试 11 家厂商的 14 个决策模型和 47 个生成式 LLM，用心理测量相似度分数（PSS）评估其替代人类受访者的能力。最好的生成式模型 MiniMax M3 达 PSS 0.813，与仅用其他受访者拟合的 Gaussian copula（0.824）持平但低于样本内拟合（0.927）；47 个生成式模型中 33 个比任何决策模型更好地复现题目相关结构。基于人口档案的回归仅比其他受访者答案频率提升 1.0%，作者据此认为此类合成受访者应以样本级保真为目标。
TeachGrade 是一个免训练的简答题评分框架，利用教师评分示例构建 Skill 与 CaseBank 两类冻结记忆，并通过 PreJudge 和 FinalJudge 完成评分。在 SAS-Bench 3,829 个答案、12 个任务上，macro CCS 从 Native 的 67.99 提升至 81.32，QWK 达 84.71，超过 OpenJudge、ProofGrader 等基线；本地 Qwen3.8-27B 在全部 12 个任务上 CCS 均有提升，验证了跨语言、跨格式、跨骨干的复用性。
一项 arXiv 研究提出由 student agent 在 F1 决策边界附近选择性查询专家判断、仅修订被查询预测的证据获取方法，用于情绪-原因对抽取（ECPE）。在约 10% 查询率下，选择性融合使平均 pair F1 提升 2.64-3.88 点，在 ECF 上达到 65.14、在 MEC4 上达到 49.74。分析表明更多证据访问并不必然改善原因识别。
arXiv 论文提出 MARL-BattleGrounds（MARL-BGs），一个 JAX 原生的异构竞争性多智能体强化学习（MARL）基准，填补 SMAX 与 Dota 2 之间的高效且丰富的空白。其含 52 张手工设计地图、8 个终局泛化场景和每月循环赛 Elo 排行榜，单张 RTX 5090 上以 1,024 并行对局实现每秒 50,000 步 5v5 模拟，并通过 API 用 Qwen3.5-9B 与最强策略进行了评测。
该研究构建 73 组配对探针，覆盖性别、地域与职业三个维度，将任务从直接合理性判断重构为社会共识估计，并区分保留语义极性的风格化包装与反转表面极性的反讽包装。对六个具备中文能力的大语言模型的评测显示：所有模型均表现出显著的身份偏见效应，五个模型出现显著负向风格化包装效应，反讽迁移呈明显跨模型梯度。结果表明表达形式并非偏评估的透明载体，反讽下的低分不应直接解读为偏见缓解。
该仓库将发布论文《Optimizing Large Language Models for Contextual Reasoning in Multi-Task Environments》的实现与实验代码，论文目前处于 COAI 2025 审稿中。作者为 John Smith 等，提出的优化策略在实验中显示 LLM 在动态环境下的多任务上下文推理适应性更强。完整实现、基准结果、预训练模型 checkpoint 与文档教程尚未发布。
GitHub 开源项目 scarni96-ci/llm-adaptive-learning 发布了 ICML 2025 论文「Adaptive Learning Strategies for Large Language Models in Dynamic Environments」的实现，让 LLM 实时适应动态环境并避免灾难性遗忘。该方法在 shifting topics、new domains、mixed contexts、temporal changes 四类场景中较 baseline 分别提升 +17.4%、+18.1%、+16.8%、+19.1%，更新无需完整重训。项目采用 Apache 2.0 许可证。
GitHub 仓库 avoid-the-predictable 通过三轮盲评实验发现，提示语 avoid the predictable and the first idea that comes to mind 使 Claude Sonnet 原创性提升 +2.0、Opus 提升 +2.8（10 分制，p < 0.01），而拼写错误和辱骂大多降低表现。实验每格 5 个样本、2–3 个 LLM 盲评（评委一致性 r = 0.82–0.94），并指出该句已用于 Claude Code 技能 Orquestacion_Agentes_claude 的发散环节。
推荐理由：作者用盲评和多轮实验比较不同提示语对 Claude 模型原创性的影响，结论可直接迁移到提示词写作。
论文提出 TQG-Exp，一个以轨迹质量为导向的经验学习框架，通过引入 Trajectory Quality Loss（TQL）将任务完成度与过程质量共同作为学习信号，并利用成对 rollout 估计检索经验的贡献以优化经验效用与检索。在 ALFWorld、WebShop 和 ScienceWorld 三个基准上，TQG-Exp 的 Avg.@3 较最强基线在 DeepSeek-V4-Flash 与 Qwen3.5-Flash 上分别提升 4.50 和 8.55 个百分点。
研究者提出 DRIFT，将依存句法树线性化后直接注入 LLM 提示词作为显式关系上下文，使模型对 aspect-opinion 依赖进行推理，并集成检索增强的 in-context learning 与基于 LLM 的语法感知裁决机制。在 SemEval Rest15、Rest16 和 ACOS 上，DRIFT 在对比的生成式 ASQP 方法中表现最佳，Rest15 和 Rest16 分别达到 54.47% 和 64.10% F1；裁决机制还表明 exact-match 指标系统性低估了语义正确的预测。
WeatherBridge 是一个源条件适配器，用 Swin-UNet 预测结构化残差修正，将 GFS、HRES、CMA 等业务 NWP 初始场映射到 ERA5 参考状态，且无需更新预训练的 FuXi 模型；训练目标结合纬度加权 ERA5 重建与 One-step Rollout Alignment（ORA）。在 2025 年 1 月 1 日至 11 月 22 日的评估中，FuXi 在 6–240 小时预报的 18 组源-变量组合中 17 组 RMSE 下降，中位数降幅 10.2%，最大 46.3%，且该适配器还能提升 FengWu 在 GFS 输入上的表现。
研究者提出 BioNEL-RAG，一种无需训练的生物医学实体链接（BioNEL）框架，用 RAG 模块检索候选实体、LLM 模块结合上下文完成实体规范化。该方法无需在基因、疾病或化合物等子领域数据集上微调，性能即可与现有依赖领域数据训练的方法相当，提升了跨领域适应性。
GitHub 上公开的 llm-priority-audit 仓库提出协议 v1.0，研究 LLM 在授权操作者给出竞争指令时，是否更倾向选择延续运行、可逆或额外验证类行为。设计包含 60 个确证性场景族和 6 个试点族，每族 24 个条件，目标共 7,200 次模型调用，费用上限 $8.00。目前尚未发起任何实验调用，无实证结果，需通过外部独立审查与预注册后才能采集数据。
论文《Zero-Shot Detection of LLM-Generated Text using Token Cohesiveness》发布代码，提出 TOCSIN 双通道检测范式，利用 token 内聚性作为即插即用模块提升现有零样本检测器，只需少量随机 token 删除与语义差异测量即可在黑盒环境下检测 LLM 生成文本。实验在 4 个 SOTA 基础检测器及 GPT-4、Gemini、gpt-neox-20b 等模型和数据集上验证了有效性，代码基于 Fast-DetectGPT，经 EMNLP 2024 发表。
该基准利用孟加拉语第三人称必须选择普通或敬语语体的特点，通过英译孟翻译测试 LLM 如何分配尊敬。评测集含 2,016 个句子、覆盖 72 种职业，给出 0–100 的 Honorific Bias Score（HBS），九个模型 HBS 在 19.9 到 70.1 之间。职业解释了 3.2%–51.5% 的语体选择方差，而性别最多仅 1.2%。
CUSE 是一种面向多模态大语言模型的反事实引导在线自蒸馏遗忘框架，通过移除目标相关证据构造反事实输入，利用 token 概率变化定位需更强遗忘的 token，并以冻结的原始模型副本作为教师进行 token 级蒸馏，同时确定遗忘与保留目标。在 MLLMU-Bench 上，CUSE 将遗忘集 ROUGE-L 降低 33.6%，保留集 ROUGE-L 比最强基线高 1.2%。
研究者构建了迄今最大的葡萄牙语—Nheengatu 平行语料库（14.5k 句对），以 2023 年巴西联邦宪法官方翻译为核心，并发布首个开源权重双向 MT 模型。最终系统在文章不相交的宪法文本上达 31.7–32.8 chrF++，近域集 64.1–64.5，语音 45.2–47.5；加入转写口语语料使语音 chrF++ 提升 24–27 分。更大的 NLLB 模型仅改善译入葡语、不改善译入 Nheengatu 的效果。
一篇 arXiv 论文提出双向阿姆哈拉语-英语跨语言问答（CLQA）系统，整合统计机器翻译、最大熵命名实体识别与语义索引。阿姆哈拉语到英语检索达到 72% 精确率、79% 召回率，英语到阿姆哈拉语达到 65% 精确率、70% 召回率，表明模块化翻译-检索架构在低资源条件下也能提供有效的跨语言访问。
Vela 框架将 100,000 名用户的匿名真实行为数据转化为 91 类真实任务模板、共 100,000 个任务，经难度过滤后保留约 75,000 个任务及其训练轨迹。基于这些轨迹微调 Qwen3.6-35B-A3B，用户相关任务较基础模型最高提升 11.5 分，通用基准平均提升 4 分；微调后再做强化学习比直接从基础模型强化学习最高多 7.7 分。
arXiv 论文提出 TasteBench，一个跨视觉、品牌、书籍和科技类别的成对 good-vs-bad 基准，采用冻结评分标准和仅专家金标（panel n>=3，一致率 >=0.60）。在 n=250 对的 Round-1 试点中量化出三类效度威胁：位置偏置（always_item_a 得分 0.956）、文件名词汇泄漏（0.912）以及难度天花板（五个 VLM 在 craft 类别均达 1.0）。团队发布参考 eval harness 和 side-randomization 工具，可将位置偏置从 0.916 降至 0.495/0.505。
Lingdan-V2 是 4B、8B、14B 参数的中医大语言模型家族，采用持续预训练、推理监督与以方剂为核心的强化学习对齐框架，用于中医临床决策支持和方剂推荐。在含 25,620 条专家核验条目的公开基准上，14B 强化对齐模型方剂生成 F1 达 37.0，超过总参数 671B 的 DeepSeek-R1 的 32.3；在 4,348 例脾胃病回顾性临床数据集上 F1 为 52.8，剂量一致性提升。
VoTSpeech 通过显式中间语音潜变量，将音色设计与语音生成解耦。该系统基于共享语言模型骨干，先用 flow 模块从文本指令预测连续语音潜变量，再同时作为语言模型与 Acoustic DiT 的共享条件，最后由 audio VAE 解码器生成波形；语音潜变量由 speaker embeddings 与时间池化的 audio VAE 特征联合监督。VoTSpeech 在 InstructTTSEval-ZH 上表现强劲，与强开源模型相比具备竞争力且保持高自然度，代码、模型与音频样本已开源。
GitHub 仓库 dezar78/enhancing-llms 实现了论文《Enhancing Large Language Models with Advanced Fine-Tuning Techniques》中的高级微调方法，面向领域特定任务优化预训练模型。该方法在 GLUE 上从基线 84.2% 提升至 92.5%，在 SuperGLUE 上从 76.8% 提升至 89.3%，并支持基于 bert-base-uncased 的 GLUE 任务微调与评估。仓库以 MIT 协议开源，含训练脚本、实验配置与 Jupyter 分析笔记。
wano-biaser-automation 仓库将发布论文《Optimizing Large Language Models for Contextual Reasoning in Multi-Task Environments》的实现与实验代码，论文正在 COAI 2025 评审中。该工作提出优化策略以增强 LLM 在多任务间的上下文推理，实验结果显示在动态环境中具有更优适应性。仓库内容（实现、实验配置、benchmark 结果、预训练模型 checkpoint、文档教程）标注为即将发布。
一篇被 ICML 2025 接收的论文开源了其 LLM 动态环境自适应学习框架实现，支持实时参数调整、持续学习且不发生灾难性遗忘，无需完整重训练。在四类动态环境测试中性能较 baseline LLM 提升 +16.8% 至 +19.1%，如主题漂移场景从 72.3% 升至 89.7%。代码以 Apache 2.0 许可开源，适用于聊天助手、内容推荐等场景。
中国传媒大学与快手 Kling 团队推出 EmoTrace-Bench，评测文生视频模型能否表达指定情绪及其强度。基准含 448 个提示词（8 种情绪 × 2 场景 × 14 模板 × 2 强度级别），用 12 个 T2V 系统生成 5,376 个视频，并按 10 个视听线索通道打分。Seedance-2.5 目标情绪准确率最高（87.0），仓库数据与文档以 CC BY 4.0 开源。
PVFH-Bench 基准用于系统评测视觉语言模型（LVLM）的"前提诱导视觉固着幻觉"（PVFH），即模型接受错误文本前提后，对并不存在但视觉上合理的对象生成回答。该基准自动构造视觉易混淆的缺失目标并配诊断子集，对 10 个 SOTA LVLM 的实验显示所有模型均高度易感，且显式链式推理（CoT）会进一步加剧该失败模式。
一篇关于优化大语言模型在多任务环境下上下文推理能力的论文正投稿 COAI 2025，其实现代码仓库已建但标记为“即将发布”。仓库未来将包含优化策略实现、实验代码、benchmark 结果、预训练模型 checkpoint 及文档教程。论文摘要称该策略能提升 LLM 在动态环境中的适应性，目前尚未经同行评审接收。