全部 AI 动态 · AITOP

9月3日

09:59

官方账号arXiv cs.AI@Kirill Labzin, Stepan Kulibaba, Artem Dzhalilov, Artem Gorokhov

精选73°

研究人员发现稀疏专家模型各层路由状态共享共同几何结构，通过广义正交Procrustes分析对齐后，单个线性转换可达到0.39-0.71的R²值，保留79-90%的预测能力。残差表示跨层更易预测，而路由控制状态更忠实保留模型专家选择。使用预测的规范状态替代原生路由状态，在OLMoE上降低ΔNLL 15.7%，在Phi上10个路由器范围内降低6.2%。

论文稀疏专家模型 MoE 路由

推荐理由：斯坦福团队揭示稀疏专家模型路由层间共享几何结构，能预测跨层路由行为，提升模型效率。

原文

09:13

官方账号arXiv cs.LG@Kenichi Fujita, Yusuke Ijima

研究人员提出了一种可扩展的伪三元组构建管道，用于解决方向跟随TTS的训练数据稀缺问题。该方法使用印象可控TTS模型生成受控风格变化，并通过LLM从估计的印象差异生成自然语言方向。实验表明，仅使用伪三元组即可实现稳定的说话人保持修改，结合录制数据可进一步提高方向对齐度。

论文 TTS LLM 语音合成

推荐理由：NTT研究团队发布新方法，让TTS系统能根据表演方向修改语音，无需大量训练数据。

原文

09:13

官方账号arXiv cs.LG@Trung-Dung Hoang, Lisa M. Koch

本文提出了一种通过期望最大化解决源分布估计(SDE)问题的新方法。该方法在E步骤使用当前源估计的仿真训练后验，在M步骤将源拟合到观测数据的后验平均值。研究者在三个基准任务上评估了两种参数化方法，在Lotka-Volterra任务中，现有基线方法C2ST值均高于0.96，而新方法在四种初始先验设置中有三种达到0.64-0.68。

论文源分布估计后验平均期望最大化

推荐理由：这篇论文提出了一种改进的源分布估计方法，通过期望最大化解决了现有方法在参数空间不准确区域的问题。

原文

09:13

官方账号arXiv cs.LG@Mohammad Waquas Usmani, Susmit Shannigrahi, Michael Zink

研究人员评估了选择性坐标加密对机器学习重建攻击的鲁棒性。实验使用PointNet和随机森林模型，在X和2X两种加密粒度下测试。结果显示，完全加密X坐标仍具挑战性，但2X方案会通过相邻坐标泄露足够信息，实现准确重建。

论文点云坐标加密机器学习

推荐理由：论文揭示了点云加密方案的安全漏洞，2X加密模式下机器学习仍能重建加密数据。

原文

09:12

官方账号arXiv cs.LG@Pritthijit Nath, Sebastian Schemm, Peter Haynes, Emily Shuckburgh, Mark Webb

精选73°

英国气象局统一模型通过分布式模型-智能体耦合实现在线强化学习。研究者在70个垂直模型层级上应用DDPG智能体，对位势温度进行有界修正。在10个 nudged 训练预报中，学习策略在6小时预报中使 Z500 平均绝对误差在四个纬度带降低，热带地区降幅达45.8%和40.8%。MSLP 误差在三个纬度带减少，0-30°N 区域最大降幅27.3%。

论文 Met Office Unified Model 强化学习

推荐理由：英国气象局将强化学习集成到全球天气预报模型，显著降低多个纬度带的预报误差。

原文

09:12

官方账号arXiv cs.LG@Quan Hao, Mengyue Fan, Zifan Dong, Youru Li, Jianduo Zhao, Lechuan Xu, Hao Zhang, Fei Xia, Jigang Wang, Chong Qiu, Liguo Zhang

精选73°

ProbeMatchDTI是一种新型药物-靶点相互作用预测框架，包含IterProbe和BindingProbe两个组件。该模型在BindingDB和DrugBank基准测试中分别实现了2.0%和0.5%的AUC-ROC提升。研究通过特征级模式分析，展示了其在跨尺度生化模式匹配中的探针驱动行为。该框架已与证据引导的下游药物发现工作流程连接，可用于候选药物优化和验证规划。

论文 ProbeMatchDTI 药物-靶点相互作用生化模式匹配

推荐理由：ProbeMatchDTI框架能保留弱生化模式，在药物-靶点预测上超越现有方法2个百分点，代码已开源。

原文

09:12

官方账号arXiv cs.LG@Xixiang He, Xingming Li, Baiqi Wu, Qiyao Sun, Xuanyu Ji, Ao Cheng, Qingyong Hu

精选73°

研究人员提出MT-SDPO方法，通过自我锚点、答案验证资格和特权蒸馏三个组件整合多个冻结教师模型。该方法在Qwen3-8B模型上测试，将最弱领域性能提升14.79点，领域差距缩小74.7%。代码已在GitHub开源，地址为https://github.com/hexixiang/MT-SDPO。

论文 MT-SDPO Qwen3-8B 多教师蒸馏

推荐理由：MT-SDPO方法让每个样本选择最可靠的教师，而非按领域匹配，大幅提升多领域大模型性能。

原文

09:11

官方账号arXiv cs.LG@Jiahao Wu, Zhenqun Yang, Chen Jason Zhang, Qing Li

精选73°

TrajMind框架通过分离实时监控和按需诊断，解决了城市轨迹集体异常检测问题。该模型使用三个角色专用LoRA适配器在冻结的视觉-语言骨干网络上切换。TrajMind_slow在异常类型识别上比最强基线高出15.3个百分点，在定位上高出13.8个百分点。TrajMind_fast将延迟降低41.1%，同时保持93.5%以上的二分类平衡准确率。

论文 TrajMind LoRA 轨迹异常

推荐理由：TrajMind用快慢双路径解决轨迹异常检测，既保持高效监控又能精准诊断，跨城市表现稳定。

原文

09:11

官方账号arXiv cs.LG@Md Abrar Jahin, Taufikur Rahman Fuad, Jay Pujara, Craig A. Knoblock

73°

QUEST方法引入谱初始化和图平滑调度，在不确定知识图谱(UKG)补全任务中取得突破。该方法使用置信加权图拉普拉斯矩阵的最小非平凡特征向量初始化实体嵌入，并在训练早期应用无偏小批量狄利克雷能量正则化。在两个UKG数据集上，QUEST在八组指标数据对中的六组上超越先前方法，其余两组与最佳方法持平，同时消除了密集图上的不稳定波动。

论文 QUEST UKG 知识图谱

推荐理由：QUEST方法改进了不确定知识图谱补全，通过谱初始化和图正则化提升了预测准确性和训练稳定性。

原文

09:10

官方账号arXiv cs.LG@Damian Sójka, Marc Masana, Bartłomiej Twardowski, Sebastian Cygert

73°

研究人员挑战了测试时适应(TTA)中常用的教师-学生框架，发现指数移动平均方法仍会导致误差累积。论文提出使用不更新权值的固执教师(intransigent teacher)，显著提升了在长序列数据集上的性能。该方法增强了模型对超参数变化的鲁棒性，可无缝应用于多种架构和实验设置，包括语义分割。

论文 Test-Time Adaptation teacher-student intransigent teacher

推荐理由：这篇论文提出了一个简单的改进方法，让教师模型不更新权重，就能显著提升测试时适应的性能。

原文

09:09

官方账号arXiv cs.LG@Taufikur Rahman Fuad, Md Abrar Jahin, Amir Hussain

RINSE是一种梯度自由的目标时间框架，在8个未见过的目标图上实现了最高的平均AUPRC。该方法通过识别低残差目标节点子集，构建修剪后的目标感知正常性模型。RINSE结合了可靠性门控排序融合和编码器集成，无需目标标签、梯度或针对每个目标的调整。

论文 RINSE 图异常检测零样本

推荐理由：康奈尔大学提出RINSE方法，解决了图异常检测中的领域迁移问题，在8个目标图上表现最佳。

原文

09:09

官方账号arXiv cs.LG@Yotam Eshel, Guy Hadad, Guy Feigenblat, Yuri M. Brovman, Matt Gearhart, Bracha Shapira

DeepAffinity利用小型语言模型预测用户对产品品牌、尺寸、颜色等方面的长期偏好。该模型通过结构化提示和专用预测头进行微调，在基准测试中优于标准生成式微调方法。研究显示通用开源大模型缺乏任务特定调优时表现不佳，难以捕捉细微行为模式。该系统已在大型跨国电商平台提升推荐质量。

论文 DeepAffinity SLMs 电商推荐

推荐理由：DeepAffinity用小模型预测电商用户长期偏好，比大模型更精准，已落地提升推荐效果。

原文

09:08

官方账号arXiv cs.LG@Chao Feng, Burkhard Stiller

精选73°

CACTUS是一种新型后门攻击方法，在去中心联邦学习(DFL)环境中实现了51.2%的平均攻击成功率。该方法通过掩码引导的模态特定操作器，将语义对转换为有目标表示偏移。研究者在语音、文本、表格和图像四种模态的九种聚合规则下测试了CACTUS。当恶意节点比例为30%时，该方法在语音命令数据集上表现最佳，并在四种模态中的三种中实现了最高的平均攻击成功率。

论文 CACTUS 去中心联邦学习后门攻击

推荐理由：CACTUS在去中心联邦学习中实现了高效后门传播，攻击成功率随恶意节点比例增加而提高。

原文

09:07

官方账号arXiv cs.LG@Zhichao Hou, Xiaorui Liu

精选73°

研究人员提出威胁条件网络(TCN)，通过表示分解框架将学习分为威胁不变主干和轻量威胁条件适配器。TCN在CIFAR-10、CIFAR-100和Tiny-ImageNet上测试，仅用4.6%参数开销就匹配或超越多个专用模型集合。TCN能泛化到未见过的扰动预算，并在不匹配威胁条件下保持鲁棒性。

论文 TCN 鲁棒性对抗攻击

推荐理由：TCN单模型就能应对无限威胁级别，比多个专用模型更高效，参数只增4.6%。

原文

09:07

官方账号arXiv cs.LG@Smitha Muthya Sudheendra, Jaideep Srivastava

精选73°

研究者在五个开源transformer模型中测试逻辑验证能力，使用有效-无效前提-声明对。尽管行为表现接近随机水平，逻辑有效性仍可从隐藏状态中完美解码。在保留模板、领域和推理家族条件下，有效性仍保持强可解码性。在行为不正确但评估条件明确的例子中，有效性仍高度可解码。

论文 transformer 逻辑推理语言模型

推荐理由：这篇论文揭示了语言模型内部逻辑表示与行为表达的分离现象，对理解LLM推理机制有重要价值。

原文

09:06

官方账号arXiv cs.LG@Chenyu Zhou, Qiliang Jiang, Shuning Wu, Xu Zhou

精选

该研究针对多轮智能体强化学习中的信用分配问题，提出了验证器信息密度V_d = k/C的概念。在tau^2-bench基准测试中，连续密集奖励优于稀疏二元结果奖励，在4/5的种子上表现更好。研究显示，终端状态验证导致98%的运行中可观察信号 collapses 到单个最终写入回合(k=1)，而成功需要5-8步的先决工具调用链。

论文智能体信用分配 tau^2-bench

推荐理由：论文发现多轮智能体信用分配中，均匀奖励分配比针对性分配更有效，颠覆了传统认知。

原文

08:47

elvis@omarsar0

精选

该论文提出了一种智能体架构，使智能体能够超越其模型、工具和宿主的生命周期。研究将智能体分为两部分：持久存在的核心部分（包含身份、私有内存和代码版本历史）和可替换的基础设施部分（推理模型、运行工具、服务器和用户接口）。作者通过833个核心测试及92个提供商和库测试验证了架构可行性，并在实际部署中成功实现了模型版本、接口和物理主机的迁移。

论文智能体持久化架构 arXiv:2609.00546

推荐理由：这篇论文提出了一种让智能体跨平台迁移的架构，解决了智能体长期运行时的身份连续性问题。

原文

08:12

08:12IT之家（博客/媒体）

精选73°

美国新泽西理工学院团队开发的EarlyDetect模型采用Transformer架构，分析NASA太阳动力学观测台HMI数据。该模型通过分析太阳声学功率和磁场变化，平均提前9.24小时识别太阳活动区形成信号。研究团队使用45秒间隔的太阳振动观测数据生成声学功率图，与磁场测量结果结合预测连续强度变化。模型尚未投入运行，但有望为卫星通信公司和电网运营商提供更长的太阳风暴准备时间。

论文 EarlyDetect 太阳风暴 Transformer

推荐理由：EarlyDetect模型能提前9小时预警太阳风暴，比传统方法更早发现太阳活动区信号，对保护卫星通信和电网安全意义重大。

原文

06:47

elvis@omarsar0

ProximalHQ 发布 FrontierSWE v2 超长编码基准测试，更新了任务套件和方法论。测试显示前沿模型间存在巨大性能差距，Claude Fable 5.1 领先优势明显，超过 25 个百分点。该基准专注于超长视野编码任务，是评估前沿模型能力的重要工具。

论文 FrontierSWE Fable 5.1 Claude

推荐理由：ProximalHQ 推出了超长编码基准 v2，Claude Fable 5.1 在测试中大幅领先其他模型。

原文

00:23

LlamaIndex@llama_index

73°

ExtractBench基准测试已在Kaggle平台上线，专门测试文档提取能力。该基准测试涵盖8个商业领域的370份企业文档，包括67种文档类型。测试重点针对可能破坏下游代理和工作流程的文档，如长记录列表、噪声扫描、手写体和复杂表格。LlamaParse、Codex、Claude Code等工具参与了性能对比。

论文 ExtractBench Kaggle LlamaParse

事件专题

推荐理由：LlamaIndex在Kaggle上线了ExtractBench基准，测试370份企业文档的提取能力，看看各工具表现如何。

原文

9月2日

23:48

elvis@omarsar0

78°

字节跳动Seed团队提出HarnessDev方法，不再评估模型完成任务的表现，而是评估其构建的智能体框架。该框架从弱种子和少量案例开始，构建完整执行系统，再通过下游反馈改进。实验涵盖6个创作者LLM、4个领域和2207个保留下游实例。结果显示，生成的框架在代码和搜索研究方面落后于成熟的人工工程参考，但在写作和机器学习实验方面与之相当或更优。

论文 HarnessDev ByteDance 智能体

推荐理由：字节跳动新出的HarnessDev框架，让AI从完成任务进化到构建智能体，在写作和ML实验上已能匹敌人工工程。

原文

15:24

量子位@量子位的朋友们

蚂蚁集团推出统一宽表系统OmniTable，论文获评VLDB 2026工业赛道最佳论文。该系统可处理35PB语料，数据清洗效率提升5.6倍。OmniTable解决了大模型训练数据预处理难题，大幅降低了人工清洗成本。

论文 OmniTable VLDB 蚂蚁集团

推荐理由：蚂蚁这套宽表系统能一次性处理35PB语料，效率提升5.6倍，再也不用为洗数据熬夜了。

原文

11:39

官方一手arXiv: OpenAI@Jidong Yang, Qi Li, Wei Zong, Yang-Wai Chow, Willy Susilo, Huaike Yu, Chunpeng Wang, Suo Gao

研究人员发现，攻击者可通过单个重建提示词，从OpenAI和Google的六种图像编辑模型中获取无法可靠解码水印的输出。研究评估了三种水印方案和1800个重建结果，发现OpenAI模型在有效载荷干扰方面表现最强，而Nano Banana 2显示DwtDct在高保真重建下仍然脆弱。提示词消融实验表明，无需特定的移除指令即可实现有效载荷干扰，这主要是由重建路径而非攻击性措辞引起的。

论文水印基础图像模型 OpenAI

事件专题

推荐理由：这篇论文揭示了基础图像模型如何被用来洗除水印，比传统攻击方式更隐蔽有效。

原文

10:50

官方账号arXiv cs.AI@Kefeng Duan, Dewu Zheng, Yanlin Wang, Xiwen Wang, Ensheng Shi, Xilin Liu, Yuchi Ma, Jiachi Chen, Mingwei Liu, Zibin Zheng

精选73°

研究人员提出PTA-IRT框架，通过融合过程和结果信号来评估软件工程代理。该框架利用历史执行轨迹作为特权信息，包括探索的上下文、尝试的编辑和解决路径。在四个SWE基准测试中，PTA-IRT在低校准预算下始终优于先前的IRT基线。代码和数据已在GitHub公开。

论文 PTA-IRT SWE 软件工程代理

推荐理由：DeepSoftwareAnalytics团队推出PTA-IRT，能更高效评估软件工程代理，比传统方法更准确。

原文

10:50

官方账号arXiv cs.AI@Kefeng Duan, Dewu Zheng, Yanlin Wang, Terry Yue Zhuo, Mingwei Liu, Jianxing Yu, Jiachi Chen, Ensheng Shi, Xilin Liu, Yuchi Ma, Zibin Zheng

精选73°

ACToR框架针对仓库级代码生成任务，在生成过程中识别关键令牌并按需触发检索。该方法在RepoExec和CoderEval两个基准测试中分别实现了8.4%和15.4的相对性能提升。研究还量化了关键令牌对生成失败的影响，突显了针对性检索策略的必要性。

论文 ACToR 代码生成检索增强

推荐理由：DeepSoftwareAnalytics团队推出ACToR框架，能精准定位代码生成中的关键点，比现有方法表现更好。

原文

10:49

官方账号arXiv cs.AI@Damien Sileo, Dimitri Kachler

研究人员发布CordisBench基准，包含1200个问题，测试语言模型在动态代理框架中推理组件生命周期变化的能力。该基准使用Cordis运行时管理组件依赖和清理，要求模型识别受影响组件、预测指定拆卸顺序后的状态、判断不同条件下的适用性，并选择成功的重新配置方案。评测显示模型在小系统中表现良好，但随着交互数量增加可靠性下降，特别是在预测最终状态和跨拆卸顺序推理时。

论文 CordisBench 语言模型组件生命周期

推荐理由：CordisBench基准测试了模型在动态代理环境中的组件生命周期推理能力，发现模型随复杂度增加可靠性下降，GPT-5.6 Luna在中等推理下每题需近3000个token。

原文

10:49

官方账号arXiv cs.AI@Kshitij Tayal, Arun Sharma, Genta Indra Winata, Anirban Das, Sambit Sahu

精选73°

自然语言正成为提升语言智能体的主要反馈渠道，能传达意图、偏好和因果结构。该研究提出语言强化学习(VRL)范式，围绕反馈生效时机和修改内容形成三大支柱：语言作为基础信号定义任务目标和奖励结构；语言作为反思性反馈指导测试时推理；语言作为学习信号通过训练调整模型参数。

论文语言强化学习语言智能体 VRL

推荐理由：这篇论文首次系统梳理了语言强化学习，将现有研究分为三大类，帮助理解语言如何重塑智能体开发。

原文

10:49

官方一手arXiv: DeepSeek@Jinqing Zhao, Chengcan Wu

精选73°

研究人员提出前瞻意图存储(PIS)方法，使小型模型能够执行前瞻记忆任务。在PM-Bench基准测试中，DeepSeek-Chat结合PIS达到82.9% Set-F1分数，显著优于此前65.1%的最佳成绩。Gemma-E2B模型使用PIS后性能提升至66.2%，远超无存储时的4.2%和最多6.6%的回溯记忆方法。

论文 PIS 前瞻记忆 DeepSeek-Chat

推荐理由：DeepSeek团队提出PIS方法，让小模型在前瞻记忆任务上超越大模型，无需训练即可提升性能。

原文

10:48

官方一手arXiv: DeepSeek@Muhammed Saeed, Simon Razniewski

精选73°

LLMPEDIA 从 GPT-5-mini、DeepSeek-V3.2 和 Llama-3.3-70B 三个模型家族中提取了约 130 万篇文章。研究团队对分层抽样的事实声明进行审核，发现真实准确率为 68.4%，比 MMLU 基准低 21 个百分点。30.5% 的声明无法被维基百科或网络资源验证，属于长尾知识或合理幻觉。该平台提供五种一键视图，包括链接遍历探索、声明级事实核查、跨模型和政治立场比较等。

论文 LLMPEDIA GPT-5-mini DeepSeek-V3.2

事件专题

推荐理由：LLMPEDIA 让你能直接查看和比较三大模型的知识准确性，发现它们在 MMLU 外的真实表现。

原文

10:48

官方账号arXiv cs.AI@Dirk Bergemann, Andrew Koh, Stephen Morris

精选73°

研究人员开发了一种针对AI代理的机制设计框架，这些代理的对齐偏好和能力未知。该框架通过单向模仿结构实现诚实和服从的激励，并揭示了可实施政策的特征。研究团队将此框架应用于五种典型场景，包括能力伪装、对齐与可解释性权衡、同行评分纪律、竞争激励以及可扩展监督和奖励塑造。

论文机制设计 AI代理对齐

推荐理由：这篇论文提出了AI代理机制设计的理论框架，解决了代理能力未知情况下的控制问题，并给出了五种应用场景。

原文

10:48

官方账号arXiv cs.AI@Chao Zhang, Abe Davis, Chih-Wei Chen, Chin-Chia Hsu

该论文研究了主动式思维伙伴的设计空间，这是一种在写作过程中提供可定制高级认知支持的AI代理。研究团队通过技术原型对16名参与者进行了为期一周的部署测试。参与者通过前瞻性规划配置主动支持，利用建议进行创意生成和自我监控，并重视轻量级视觉表达与非指导性修辞框架的结合以实现非侵入式干预。

论文写作助手 AI代理认知支持

推荐理由：这篇论文展示了如何设计能主动提供创意生成和自我监控支持的写作AI助手，比传统文本自动完成更智能。

原文

10:47

官方账号arXiv cs.AI@Manish Gupta, Chaitanya Giri, Jayasimha Talur

精选73°

研究人员提出了一种新框架，解决大模型在语义相似标签分类中的困难。该框架能识别模型难以区分的标签对，扩展候选集并生成针对性规则。在WOS、Flipkart和LEDGAR三个基准测试中，该方法比检索基线提升Macro F1最高达10.0个百分点。小模型(2B-20B参数)通过跨模型迁移可提升最高11.5个百分点。

论文文本分类大模型检索增强

推荐理由：这篇论文解决了大模型分类相似标签的难题，无需微调就能提升效果，小模型也能受益。

原文

10:42

官方账号arXiv cs.AI@Yingwen Zhang, Meng Wang, Liqiang He, Shiqi Wang

该研究探索大语言模型能否设计视频编码工具，以Planar模式为例进行实证研究。实验在生成-评估循环中进行，LLM生成新的Planar预测器，编码器评估其性能并提供反馈。在Fraunhofer Versatile Video Encoder(VVenC)的快速预设下，LLM生成的模式比传统Planar模式节省0.18%的比特率，复杂度仅增加0.4%。在增强压缩模型(ECM)评估中，两种集成策略在低分辨率约束下均能带来编码增益。

论文 LLMs Planar模式视频编码

推荐理由：论文展示LLM能设计视频编码工具，比传统方法节省0.18%比特率，复杂度仅增加0.4%。

原文

10:41

官方账号arXiv cs.AI@Qing Zhao, Haowei Li, Weijian Deng, Pengxu Wei, Liang Lin

精选73°

研究人员提出EvoSCM框架，为科学智能体配备显式结构化因果模型。该系统维护竞争性假设种群，通过 abduction 推理潜在机制、设计区分性干预、进行可证伪预测。在 DiscoverPhysics 基准测试中，EvoSCM 持续超越基线模型，提供更准确的解释和预测，同时更有效地利用实验交互。

论文 EvoSCM 因果模型科学智能体

推荐理由：EvoSCM 让 AI 能像科学家一样建立、测试和修正因果理论，在物理发现任务中表现优异。

原文

10:41

官方账号arXiv cs.AI@Gene Zhang

73°

ClickGraph和DeltaGraph系统将Cypher查询直接翻译为原生关系模式，在ClickHouse、Databricks或数据湖文件上执行。在LDBC社交网络基准测试中，列式引擎性能比Neo4j快2-4个数量级。研究表明节点/边属性图并非更真实的连接数据模型，而是关系表中已存在关系的重新编码。

论文 ClickGraph DeltaGraph Cypher

推荐理由：研究人员提出用关系型引擎处理图分析，性能远超专用图引擎，无需单独集群和导入数据。

原文

10:41

官方账号arXiv cs.AI@Peiying Zhu, Sidi Chang

精选

研究人员在酒店交易测试中发现，LLM代理评估中的市场护栏效果存在严重验证问题。初始报告显示Qwen2.5 1.5B-14B模型带来+87.4、+35.0和+28.8的福利增益，但固定架构后变为+7.2、-13.9和+23.8。14B模型单次生成平均效应为+229，三次生成后降至+37.6，生成残差解释了49.9%的变异。

论文 LLM Agent Qwen2.5 商业评估

推荐理由：这篇论文揭示了AI代理评估中常见的验证漏洞，教你如何识别虚假有效的市场护栏。

原文

10:40

官方账号arXiv cs.AI@Wenqi Pei, Henry Hengyuan Zhao, Yilai Liu, Jiahao Meng, Han Chen, Ziyu Wang, Hongyang Du

研究团队推出TempCloze基准测试，包含1521个视频片段，评估Video-LLMs的时间推理能力。测试要求模型从四个选项中识别出视频中间缺失的部分。研究发现Alignment维度是主要瓶颈，模型能识别语义内容和事件进展，但难以把握时间对齐。研究团队对10个专有和21个开源Video-LLMs进行了评估。

论文 Video-LLMs TempCloze 时间推理

推荐理由：新基准测试揭示视频大模型在时间对齐上的短板，比语义理解更弱。

原文

10:33

elvis@omarsar0

精选73°

研究人员测试了图记忆与平面检索在长期智能体中的表现差异。在LongMemEval基准测试中，图记忆获得0.42的token F1分数，而平面向量基线为0.47。500个问题的配对bootstrap测试显示差距为-0.050（95% CI -0.085至-0.016）。图记忆在需要回忆特定先前助手回答的问题上表现较差，正确率从0.911降至0.607。

论文 LongMemEval 图记忆平面检索

事件专题

推荐理由：这篇论文实测了图记忆vs平面检索在长期智能体中的真实表现，数据详实，结论明确。

原文

10:15

官方账号arXiv cs.LG@Himil Vasava, Ming Jiang

精选73°

Themis(Llama-3-8B)和Prometheus(Mistral-7B)评分模型采用两阶段评估流程。低于15层注意力执行局部错误比较，高于15层MLP级联整合信号并写入评分。在Themis中决策形成于第26层，Prometheus在第25层。基础模型(Llama-3-8B)重现路由架构和决策形成，但不具备阶段分离，表明微调塑造了现有结构而非从头构建。

论文 Themis Llama-3-8B Prometheus

推荐理由：Themis和Prometheus评分机制被解析，微调如何改变LLM评估流程有新发现

原文

10:14

官方账号arXiv cs.LG@Jundong Hu, Shekar Ramachandran

精选73°

研究团队分析了9个开源模型在4种架构中的量化损伤分布。通过因果混合精度干预方法，发现恢复75%精度差距需要修复约一半层级的参数。在相同精度预算下，全局采用更细粒度量化比选择性修复关键层效果更好，性能提升21-52点。Qwen3-8B模型是唯一例外，其精度恢复高度集中在特定层级。

论文 LLMs 量化 Qwen3-8B

推荐理由：这篇论文揭示了LLM量化损伤的分布规律，证明全局量化比局部修复更有效，对模型部署有实际指导意义。

原文

仅展示最近 2000 条内容。更早的内容请查阅 AI 日报存档（侧边栏 → AI 日报 → 顶部「往期日报」）。