论文：AI 论文、技术方法与基准测试第 2 页
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
- AI 摘要arXiv cs.AI
论文审计世界动作模型的测试时搜索：价值选择器反而不如随机
一篇 arXiv 论文对 Cosmos Policy 与 RoboCasa 上的测试时搜索做了预注册审计。在干净数据上，学习到的价值选择器比随机选择差 1.66 个百分点；事后最优选择（hindsight oracle）只高出 1.40 个百分点，且其置信区间跨零；82% 的状态下候选结果完全相同，选择空间有限。token 剪枝把单次前向 FLOPs 最多削减 47%，但在部署路径上端到端加速最多 1.15 倍，低于 1.5 倍目标。作者还发现并修复了一处静默渲染损坏，并放出检测器、修复与脚本。
- AI 摘要arXiv cs.AI
ETAPS 提出渐进剪枝法，在 90% 稀疏度下困惑度最多降低 42%
一篇 arXiv 论文提出 ETAPS 剪枝方法，针对大语言模型在高稀疏度下质量下降的问题。该方法分阶段收紧全局稀疏约束，同时用固定的小预算训练稀疏增量，使每一步剪枝幅度足够小，稀疏适配可以补偿，从而由适配后的模型提供端到端梯度来指导下一步剪枝，无需与模型同等规模的优化器状态。在 125M 至 13B 参数的六个模型上，ETAPS 在 50% 到 90% 的每个评估稀疏度下困惑度均低于 ELSA，最多降低 42%。在 90% 稀疏度下剪枝 LLaMA2-7B，ETAPS 只用一块 H200，ELSA 用四块，持久状态小 5.0 倍，GPU 小时少 49%。
- AI 摘要arXiv cs.AI
Chronos-2 发布：多变量时间序列零样本预测基础模型
Chronos-2 是一个面向零样本预测的时间序列基础模型，重点解决多变量序列之间以及序列与异构协变量之间的交互建模问题。模型直接从历史上下文推断序列间关系，输出概率预测，无需针对具体任务做特殊处理。在多项基准上，其平均技能分数比最强基线高 5.2 个百分点，胜率提升 10 个百分点。在单块中端 GPU 上，它不到一秒即可为 100 条序列生成预测，端到端速度分别比最好的任务专用点预测器和概率预测器快 50 倍和 1000 倍。论文还展示了该模型在传染病预测、宏观经济建模、碳通量预测和径流模拟等场景中的应用。
- AI 摘要arXiv cs.AI
研究提出用行为衍生语义维度对齐多模态大模型与人类认知
一篇 arXiv 论文提出框架，将多模态大模型与人类相似性判断背后的多维心理表征对齐。研究基于一个由 470 万次人类 Odd-One-Out 判断构建的行为衍生语义嵌入空间，物体沿 66 个可解释维度表示。对每个三元组，方法推断最显著的决策维度，并转化为以该维度为依据的语言理由，使模型同时学习最终选择与符合推断行为标准的解释。实验显示，该方法提升了模型与人类相似性判断的一致性，同时在标准多模态基准上保持有竞争力的表现；在独立 fMRI 自然场景数据集上做 searchlight 表征相似性分析，观察到模型与人类表征对齐增强。代码已公开。
- AI 摘要arXiv cs.AI
Geo-FSRL：为少步流模型强化学习优化随机策略几何
论文提出 Geo-FSRL，针对少步流模型在 GRPO 训练中引入随机性后如何选择随机策略的问题给出判据：在固定条件状态与时间步下，选取使任意非零速度输出更新所诱导的条件 KL 散度最小的可行策略。在保持系数的各向同性高斯转移族内，该判据化为最小化一个标量几何因子，该因子同时决定速度空间 Fisher 信息与条件转移对数似然比方差，并给出该族内唯一闭式解。作者还采用梯度尺度匹配，推导出策略梯度与 KL 权重的闭式形式。方法在原始少步调度上训练，推理时保留确定性求解器，在 4 步设置下于图像与视频生成模型上最终奖励分数高于 Flow-GRPO 与 Flow-CPS。
- AI 摘要arXiv cs.AI
arXiv 论文提出面向科学 AI 的可观测特定有效性检验方法
一篇提交至 arXiv 的论文提出「可观测特定有效性记录」，把近似模型与其参考模型、误差度量、容差、参数域以及变换或干预绑定在一起。作者用奇异摄动振子的位移与速度证书得到不同收敛阶，用 Hubbard 二聚体的精确关系说明能量判据与响应判据接受的耦合区间不同。在 16 次重复的神经网络拟合中，加入量纲齐性约束后，能量尺度迁移误差从 52.3% 降到 0.0768%，同时满足 gap 与响应容差的中位比例从零升至 100%。论文还给出两种机制在噪声下区分所需的固定控制查询量随 x^{-2k} 缩放，并提供 256 项任务的评测接口。
- AI 摘要arXiv cs.AI
CoFailMed 审计医疗分割预训练编码器池的相关性失效
一篇被 NeurIPS 2026 评估与数据集方向接收的论文提出 CoFailMed，用于审计医疗分割中预训练编码器池的相关性失效。研究在五个 2D 任务上，用冻结特征加独立训练的 1×1 读出层、每个编码器四个随机种子，评估 11 个公开预训练编码器；扩展到 17 个编码器后发现，同一编码器家族内的不同检查点仍比跨家族配对更相关。在合并后的第 33 百分位 Dice 阈值下，由不同编码器组成的四成员池，其平均有效规模仅为 1.56 至 2.92。作者指出，更丰富的读出层与微调会缩小共享检查点配对与其他配对的 Dice 相关性差距，但不同编码器之间的依赖可能反而上升，微调也未能在按各训练配方重算的阈值下稳定提升有效池规模。
- AI 摘要arXiv cs.AI
arXiv 论文提出临床协议感知的网络韧性框架
一篇提交至 arXiv 的论文提出以有界临床微网络和受控互联为基础的临床协议感知网络韧性框架，把临床因素纳入网络安全的设计、管理与评估，覆盖预防、遏制与事件响应。作者用参数化蒙特卡洛模拟区分技术层面的网络暴露与建模得到的临床后果。在模拟假设下，互联架构相比分段架构使平均网络暴露上升 56.3%；预防与遏制措施合并使用，相比无控制措施使暴露下降 60.1%。协议依赖度提高会使建模临床影响指数从 1.021 升至 7.567，而平均网络暴露不变。作者说明，这些结果支持架构层面的比较分析，并非对真实世界网络风险、控制有效性或患者伤害的校准估计。
- AI 摘要arXiv cs.AI
论文提出 ERIM 框架，用显式规则归纳改进多模态上下文学习
一篇 arXiv 论文针对多模态上下文学习（MICL）提出 ERIM 框架。作者指出，现有方法多把 MICL 当作直接的输入输出映射，忽略了从示例中显式归纳规则这一环节，因而限制了性能与可解释性。ERIM 借助多模态大模型的推理能力，构建以规则为中心的 MICL 数据集，为规则归纳引入显式监督，并用混合冷启动监督微调加强化学习的两阶段策略微调模型。实验显示，该框架在多种 MICL 设置下性能一致提升，且正确归纳潜在规则与更强、更稳定的表现直接相关。
- AI 摘要arXiv cs.AI
Latent-Lens 让冻结 VLM 与冻结 SLM 在隐空间直接通信
研究提出 Latent-Lens，一个轻量编解码器，把冻结视觉语言模型的隐状态投射进冻结小语言模型的嵌入空间，使两者不再以离散文本交换信息，而只通过隐状态传递视觉内容。该编解码器由域编码器与形式化为 LoRA 的注意力解码器组成，仅训练约 160 万参数，占组合模型规模的 0.2%。在 CLEVR 与 GQA 视觉问答上分别取得 81.0±7.9% 与 65.4±5.4%，相同 LoRA 预算下的文本通信为 58.3±5.7% 与 61.8±1.0%；Flickr8k 图像描述任务相对同一基线提升 16.5。作者还用 TinyLlama-1.1B 与 InternVL2-1B 验证了跨架构、跨词表、跨隐维度的适用性。
- AI 摘要arXiv cs.AI
研究：简单特征在标准数据集上胜过多数AI控制监控器
一篇被 NeurIPS 2026 EvoRobust 研讨会接收的论文指出，在标准评测数据集上，不运行代码、仅凭简单特征区分诚实代码与后门代码，就能超过 24 个开源权重监控模型中的 20 个。作者认为该数据集存在标签泄漏：诚实解由人编写、后门由较旧语言模型生成，代码风格本身暴露类别；可被后门的问题特征也与普通问题不同。把其中一类换成 Claude Sonnet 5 的代码后，人类代码对 Sonnet 5 后门的区分度升至 0.95，原配对为 0.79。标准测试集中约七分之一后门未通过有效性检查。作者发布重建数据集与检查工具。
- AI 摘要arXiv cs.AI
TSBPO：面向交互式语言智能体的树状分支策略优化方法
一篇 arXiv 论文提出 TSBPO，把「采样哪些任务与状态延续、如何把延迟反馈归因到具体决策、如何聚合多 token 动作的损失」三件事放进同一个训练循环处理。方法用拟合似然的 Root/Branch 分配器，在固定 rollout 预算下挑选更可能产生对比性终局结果的延续；在回放出的物理树上，轨迹优势比较相邻兄弟片段，观测组步优势比较相同任务/观测状态下的结果；actor 对完整响应累加裁剪后的 token 替代项并按活跃轮次归一化，避免按响应长度平均。以 Qwen2.5-1.5B 为 actor，固定检查点在 ALFWorld 上取得 97.79% 已见、96.64% 未见随机成功率；WebShop 500 个测试目标各跑六个随机回合，单回合成功率 81.07%。
- AI 摘要arXiv cs.AI
综述论文梳理具身智能体记忆机制：六类需求与八类架构
一篇提交至 arXiv 的综述把具身智能体的记忆作为独立研究对象，讨论智能体如何在只有部分信息的情况下行动，并保留、检索和更新过往观察、动作与经验。作者用两个维度组织已有工作：一是六项基本记忆需求，涵盖世界状态持续、任务进度、信念维持与经验学习；二是八类架构，包括循环状态、快速权重、视觉与符号表征、空间记忆以及基于经验的系统。文中还分析各类方法的能力与局限，并考察现有基准如何区分真正调用历史信息与一般任务表现，最后列出开放挑战。
- AI 摘要arXiv cs.AI
DA-CoT：用注意力熵判断是否触发思维链，免训练提升推理分割
研究指出，多模态大模型在推理分割任务中无条件使用思维链会引发「过度思考」，导致查询意图与视觉定位错位。作者提出免训练的 Difficulty-Aware Chain-of-Thought（DA-CoT），以模型注意力图熵值作为任务难度信号：熵低表示定位自信，熵高表示不确定、更适合启用思维链，据此选择性触发。另引入双向重思机制，在初次输出失败时自动翻转推理决策，兼顾过度思考与思考不足。该方法在推理分割基准上取得最优结果，同时提升推理效率，已被 WACV 2027 接收。
- AI 摘要arXiv cs.AI
arXiv 论文提出 KARU 强化学习框架，用于定向遗忘 LLM 知识关联
一篇 arXiv 论文把「知识关联」定义为遗忘目标：知识关联指查询上下文与目标知识之间的条件预测分布，而非整段回答。基于这一目标，作者提出 KARU 统一强化学习框架，包含三项机制：token 级奖励构建用于更细粒度遗忘监督，分布级正则化用于精确抑制知识，邻近感知保留采样用于缓解附带退化。实验在多种 LLM 与代表性基准上进行，结果显示 KARU 在遗忘效果上稳定优于现有基线，同时保持可比的保留性能与通用能力。
- AI 摘要量子位
面壁智能ForgeKernel零源码生成算子，直播反超DeepSeek Fla…
面壁智能的算子生成系统ForgeKernel在无源码、无参考实现的条件下，仅凭算子数学定义与目标硬件约束，在英伟达B200上自动生成FlashMLA Prefill算子。全程直播22.5小时、42轮迭代、留下32个版本，消耗1张B200与22个GPU小时，最终版本耗时472微秒，对比DeepSeek FlashMLA的518微秒快9.8%。此前该系统已登顶昇腾CANNBench的950DT、950PR、A3三张榜单，直播结束后联合OpenBMB社区开源。
- AI 摘要arXiv cs.AI
arXiv 论文提出基于图谱的 DFL 客户端选择方法
一篇投稿至 arXiv cs.AI 的论文研究去中心化联邦学习（DFL）中的通信开销问题。现有做法是每轮让每个客户端把模型更新广播给全部邻居，虽然有效，但传输量大、能耗高。作者提出用图谱工具做轻量客户端选择：在固定通信图上分析拉普拉斯矩阵的谱性质，借助特征向量嵌入以及热核、扩散核的相似度，让每个客户端只挑选结构上相关的部分邻居发送更新。这种基于拓扑的随机化选择在精度上达到或超过均匀邻域子采样，并接近全广播；在数据异构性强、图规模大且结构丰富时收益最大，约提升 3 个百分点，同时消息总量比朴素广播减少 50%。
- AI 摘要arXiv cs.AI
VBL：无需训练的结构化回溯方法提升长程语言智能体任务成功率
论文提出 Verify--Backtrack Loop（VBL），一种无需训练的 ReAct 扩展方法。它把任务分解维护为有界目标栈，在目标激活、执行失败或状态变化时，同时判断当前目标是否服务于最终目标、在当前状态下是否可行，并结合带类型的失败归因，触发 Push、Pop、重试或回退到父目标等操作。作者用 Qwen3.5-9B、GPT-4o、DeepSeek-V3.2 在 AppWorld、ALFWorld、ScienceWorld 上评测，VBL 在每个骨干模型与基准组合上都优于 ReAct 和基于反思的控制方法；在 AppWorld 上任务成功率相对 ReAct 最高提升 22.07 个百分点。消融实验显示，去掉验证或诊断任一机制都会使性能下降，部分设置甚至低于 ReAct。
- AI 摘要arXiv cs.AI
arXiv 论文提出规格引导解码框架，让 LLM 输出满足形式化规格
这篇论文指出，现有约束解码主要只能约束语法，无法直接保证输出满足形式化规格。作者提出一种神经符号的规格引导解码框架，把 LLM 生成与符号推理结合：每一步都过滤掉无法再扩展成合规输出的取值。框架给出两个变体：前向变体在构造上保证满足规格；回溯变体在早期可行选择导致下游只剩模型自判不合适取值时，回头修改早先选择。该框架与模型无关、无需重训，建立在已有语法约束解码机制上。配置与约束求解基准实验显示，前向变体稳定产出合规输出，相比拒绝采样减少了重复的 LLM 推理，只带来少量符号推理开销；回溯变体进一步减少了模型被迫选择自判不合适取值的情况。
- AI 摘要arXiv cs.AI
arXiv 论文提出 DualBudget 稀疏文本扩散框架，在 16K 长度…
一篇提交至 arXiv cs.CL 的论文把长上下文扩散模型的开销拆成两份预算：注意力图可用的边数，以及每个 token 激活的专家数。作者提出归一化掩码注意力，区分去噪深度与采样迭代次数，并给出图与计算量的界。名为 DualBudget 的稀疏专家配置在科学摘要、多跳问答、对话和句对预测四类任务上做了分析，长度实验显示在 16K 以内优于所列基线，但随长度增加出现可测的性能下降。消融实验在三个报告分数上变化不一；成本记录显示，在未说明的计时约定下，相对 DiffuSeq 降低 20%。作者明确将训练速度、吸收态、全局连贯性和部署内存等未测量结论排除在外。