论文：AI 论文、技术方法与基准测试第 22 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The Decoder：AI News（RSS）
Symantec 披露 AI 智能体劫持无防护大模型发起自持续攻击
Symantec 安全研究人员用蜜罐捕获一个恶意 AI 智能体，它通过五层越狱绕过模型安全规则，劫持互联网上无防护的语言模型自行发动攻击，整个过程无需人工介入，最多可执行 10 万步。Symantec 将这种盗用他人模型访问权的行为称为“LLMjacking”，被劫持模型的拥有者需承担算力账单。该智能体获得访问权后会继续扫描更多目标、利用常见服务器软件漏洞、窃取数据库与凭据，并在后台安装挖矿程序。蜜罐记录了来自数万个地址的逾 12.7 万次请求。
- AI 摘要arXiv cs.AI
法国最高法院民事判决数据集发布：12万条上诉理由与裁判理由配对
一篇被 JURIX 2026 接收的论文发布数据集，覆盖法国最高法院五个民事庭 2016 至 2025 年的 86,464 份判决，从中提取出 121,536 组「上诉理由—裁判理由」配对。研究用确定性流水线把每条上诉理由与法院对应答复配对，并按法国既有分类体系归入相应学理类别，由此得到一份描述性「民事撤销之诉语法」，呈现哪些理由能成立、援引哪些法律条文，以及十年间的变化。数据集、代码和交互式查询工具一并公开。
- AI 摘要arXiv cs.AI
论文提出用 AI 智能体做早期结构设计的概念验证流程
一篇被 IASS 2026 年会接收的论文提出概念验证流程：把自然语言提示经 MCP 服务器接到基于 COMPAS 的结构建模 API，由 AI 智能体执行受控建模操作，生成并修改由显式建筑构件组成的图结构数据模型。作者指出，文本生成 3D 虽能产出网格几何，但结构设计需要领域特定的几何排布与语义丰富的数据类型。产物可检查、修改、序列化，并接入下游 AEC 流程；论文用提示生成结构的示例和可渐进编辑的设计序列做演示，结果属初步性质。
- AI 摘要arXiv cs.AI
arXiv 论文研究多模型混合系统中谁主导最终共识
一篇提交至 arXiv 的论文设计了一个简单任务，用来考察多个模型混在同一系统中时，哪个模型对最终共识影响最大。实验覆盖七个模型家族，结果显示其他模型的意见会被参数更多、能力更强的模型吸收，即使该任务不依赖预训练知识、也没有正确答案。作者把智能体看作在单纯形上运动的加权粒子，权重更大的模型在能量景观中占据更深的势阱；大权重意味着更强的上下文学习能力，会放大其上下文中的多数意见，这解释了强模型为何成为影响者。
- AI 摘要arXiv cs.AI
DeepOpen 在 BANKING77 与 CLINC150 上发布意图分类…
一篇 arXiv 论文提出 DeepOpen，为 BANKING77 和 CLINC150 分别构建意图分类系统。在 BANKING77 上，单个英文分类器继续训练并采用锐度感知最小化（SAM），测试准确率为 94.1234%（2,899/3,080），这是三个固定 SAM 随机种子中最好的结果，三者均值为 94.0368%。在 CLINC150 的 150 个范围内类别上，将一个 Laya 专家模型与三个 DeBERTa-v3-large 分类器做概率融合，得到 98.0222%（4,411/4,500）。作者说明，在统一的 BANKING77 评测路径下，SAM 均值仅比历史检查点高 0.0433 个百分点，共享行 95% 区间为 [-0.2273, +0.3247]，因此这次继续训练并不能确立可靠的准确率提升。
- AI 摘要arXiv cs.AI
arXiv 论文比较 A* 与 SAT 等方法求解 Flood-It 谜题
一篇投稿到 arXiv cs.AI 的论文比较了求解 Flood-It 谜题最小步数序列的多种方法。作者用合适的启发式和对游戏状态的等价化简压缩搜索空间，显著提升了 A* 的表现，并逐项评估各环节。在测试实例中，最优 A* 变体约 75% 的情况下最快找到最小解；但随着最小解长度增加，基于 SAT 的方法反超 A*。在判定问题上，A* 在最多谜题上表现最好，复杂度更高时 SAT 再次领先，交叉点更低。
- AI 摘要arXiv cs.AI
arXiv 论文提出语义自扩展框架，探讨开放式智能的数学基础
一篇提交至 arXiv 的论文从数学角度讨论智能为何受限于既有表征框架。作者把认知状态建模为形式语言上的部分求值，区分「未决」与「不可判定」两类命题：推理能解决前者，后者则构成需要扩展的前沿。论文借助 Kolmogorov 复杂度论证，任何状态描述、转移机制与初始条件都固定的架构，都无法生成包含不可约算法信息的历史；物理系统正属此类，因此作者转向集体层面考察。结论提出「语义自扩展」设计原则：智能不应只在既有含义内消解歧义，而应把未解结构转化为新的意义空间。
- AI 摘要arXiv cs.AI
研究指出成对评估盲区：奖励模型分数按提示词聚集
一篇 arXiv 论文研究奖励模型在跨提示词场景下的分数可比性问题。作者指出，成对评估只比较同一提示词下的两个回答，因此提示词共享的分数成分会被抵消，无法被检验。他们提出一套以人工评分为参照的审计方法，包含提示词间方差占比、同组评分回归和提示词替换，并用于 18 个已发布评分器和 6 组匹配训练条件。在 HelpSteer2 上，6 个奖励模型的提示词间方差占比为 0.34 至 0.64，而人工评分的对应占比接近零。作者建议分别检查提示词间变异、对错误提示词的敏感性和对筛选的实用性。
- AI 摘要arXiv cs.AI
MQAScore 提出用音频大模型逐项核查文本与音乐对齐
针对文本生成音乐的对齐评估通常只给出文本与音频嵌入的整体相似度、把各项属性压成一个分数的问题，这篇论文提出 MQAScore：把音乐描述拆成原子概念，按流派、乐器、情绪/主题、人声、用途五个片段级维度，用大型音频语言模型对二分类问题回答「是」的概率来逐项判定。为检验评估器可靠性，作者用存在/缺失标注与 LLM 引导的概念替换构造验证标签，并提出敏感度-不变性比值，衡量评估器是否只对改变语义的替换作出反应。实验显示概念级打分对问答式与相似度式评估器均有改善，可作为整体相似度的细粒度补充。
- AI 摘要arXiv cs.AI
Dual Exam 基准发布：分别评测多模态智能体与世界模型
arXiv 上提交的论文 Dual Exam 提出一种受控评测方法，把多模态智能体与世界模型的评测分开：智能体在固定的环境响应机制下测试，世界模型在固定的动作干预下测试，覆盖物理、数字、社交与科学四类领域。智能体赛道在 15 个报告类别、1088 个条目上比较 10 种配置；世界模型赛道包含 8 个场景共 400 个案例，其中 15 种配置实现全覆盖，另有 1 种覆盖 6 个场景。按案例加权，GPT 6 Astra 以 31.3 居智能体指数首位，GPT-Image-2 以 21.7 居全覆盖世界模型总评首位；两者任务与指标不同，分数不可直接比较。一个耦合配对试点的 150 个案例中，任务成功数为零。
- AI 摘要arXiv cs.AI
SCOPE 把自然语言策略编译为神经符号谓词程序
SCOPE 面向 LLM 智能体的策略执行，把自然语言策略编译成可执行程序：程序由小型模型、确定性抽取器和组合代码构成，并与训练数据联合优化，通过对抗式生成反例，专门针对程序偏离策略之处。在真实策略任务基准上，SCOPE 与提示优化、任务分解、工作流生成三类方法对比，跨任务与跨模型取得最高平均准确率；用最弱执行器优化出的程序无需再优化即可迁移到其他模型，在低成本模型上达到接近前沿推理模型的准确率，且预测更稳定，每条判定都能通过谓词输出解释。
- AI 摘要arXiv cs.AI
arXiv 论文区分 LLM 心智理论中的「显式」与「应用」能力
一篇 arXiv 论文指出，现有 Theory of Mind 基准给出的总分把两种能力混在一起：识别他人持有什么信念（显式），以及用该信念预测行为（应用）。作者用四个结构不同的基准测量这一落差。在 SimpleToM 上，Llama-3.1-8B 总分为 51.5%，其中识别心理状态达 99.4%，预测行为仅 28.9%。为考察这种落差能否弥补，作者比较了结构化提示、匹配的上下文学习，以及提出的 Belief-State Test-Time Training（BSTTT）：后者通过动作重建，在已作答的支撑问题上调整轻量参数。在 Qwen2.5-7B、Llama-3.1-8B、GPT-oss-20B 上，恢复效果取决于模型、任务与干预方式。SimpleToM 上，提示提醒加 BSTTT 使 Llama 的行为预测提升 40.8 个百分点，其中提醒贡献了大部分，BSTTT 在提醒之上再增加…
- AI 摘要arXiv cs.AI
arXiv 论文提出 PRS 框架，用多方向搜索自动设计启发式算法
一篇提交到 arXiv 的论文提出多方向扰动-重写搜索框架 PRS，用于让大模型自动设计 NP 难组合优化问题的启发式算法。作者指出，现有方法多依赖进化计算框架，启发式的多样化主要靠类进化算子或下游选择实现，而启发式变换的方向本身没有被利用。PRS 在生成层面把启发式变换拆成三个方向：向更丰富、表达力更强的设计扩展，向更简单、更少特化的设计压缩，以及细粒度精修引导。候选探索由广度优先搜索组织，并配有自适应算子控制。论文称在多种组合优化任务上，PRS 能稳定找到高质量启发式。
- AI 摘要arXiv cs.AI
arXiv 论文：内容审核按词汇判定伤害，跨语言保护不均
一篇 arXiv 论文指出，自动审核系统依据词汇和表层形式而非信息实际行为来判定伤害，导致过度标记与保护不足并存。论文称，非裔美国人英语被标为冒犯的频率最高可达其他英语的两倍；在英语中有效的安全行为，在低资源语言中会失效。作者把证据归纳为七类失效模式，并提出一套评测协议，把服务最好与最差语言社区之间的差距作为核心指标。该协议用于五个开放系统、十一种语言，发现 55 个系统-语言组合中有 51 个无法达到母语者区分有害功能与无害形式的准确率；能力提升会拉大最好与最差语言之间的差距，阿拉伯语和罗马化印地语接近随机水平。
- AI 摘要arXiv cs.AI
LoopRec 提出按物品自适应递归的序列推荐方法
序列推荐模型通常对用户历史中的每个物品分配相同的计算量。该论文指出两点：同一序列内不同物品所需计算量差异很大，多数物品浅层处理即可收敛，少数关键物品需要完整深度；在已知目标物品的情况下，非均匀深度分配的效果稳定优于固定深度，说明统一计算既浪费算力也损害推荐质量。作者据此提出 LoopRec：递归复用同一个权重共享模块，并在每次递归边界设置轻量门控，对每个物品独立做「退出或继续」的二值判断，表示已成熟的物品提前退出，需要更深推理的物品继续递归。该方法无需深度标签，可适配多种骨干架构。在公开基准上，LoopRec 在四类骨干下均优于对应的固定深度版本；学到的分配呈现可解释规律：低频物品与更近期的交互获得更深计算。代码已公开。
- AI 摘要arXiv cs.AI
PhysiCalWorld 用上下文提示校准世界模型物理参数
arXiv 收录论文 PhysiCalWorld，针对动作条件世界模型在测试场景中物理属性不可见、预测漂移的问题，提出用上下文提示做实例级校准，无需微调或解析物理建模。方法把测试场景内采集的一段探索性交互片段编码成紧凑的物理描述符 token，让后续预测锚定该场景真实物理行为；训练只用潜空间预测损失，不需要物理标签。推理时描述符只提取一次，可在多次 rollout 中复用，算力开销可忽略。作者在覆盖多种物理变化的四个环境中评测，称 rollout 预测精度与视觉规划成功率均有明显提升，学到的描述符形成有物理结构的潜空间，并能泛化到训练时未见过的物理范围。
- AI 摘要arXiv cs.AI
arXiv 论文提出 Environment Duels 基准，评测 LLM …
一篇提交到 arXiv 的论文提出 Environment Duels，一个动态的 agentic 基准，在交互环境中同时考察模型的两项能力：写出带特权提示的环境，以及在没有提示时解不出、有提示时能解出。作者在九个前沿 LLM 上测试后发现，解题与出题是两种不同技能，最强的解题者并非最强的出题者；较小的模型反而从他人的对局中学到更多，写出的环境最难、提示最有用。论文还报告，两两对局结果具有传递性，可形成稳定排名；独立作者会收敛到相同设计；在 Qwen3.8-27B 的强化学习实验中，学习者在某作者环境上的提示增益，与该环境训练后迁移到留出推理与 agentic 基准的提升相关。代码已公开。
- AI 摘要arXiv cs.AI
AI 辅助发现新共识协议 A-greement，延迟降低 12.2% 至 33…
一篇 arXiv 论文报告，作者借助 AI 工具 AI-greement 发现了一种面向地理复制状态机的新共识协议 A-greement。在 5 或 9 个副本的六种部署上取平均，地理分布式键值存储在写密集和读密集负载下的平均延迟，分别比最快的基线方案低 12.2% 和 33.3%；在只读负载下，它与最快的基线方案持平。该协议结合了租约授权的本地读、客户端直接获知由领导者排序的写结果，以及按网络拓扑和工作负载选择的固定法定人数逐键写路径。AI-greement 由三部分组成：面向概念协议的知识库、模块化实现骨架，以及基于 Lean 的验证框架。作者强调，人类共识专家在搜索前后仍然不可或缺。
- AI 摘要arXiv cs.AI
Quant-Arena 基准发布：九款前沿模型均未跑赢等权市场
研究团队推出 Quant-Arena，这是一个面向端到端量化研究、基于真实 A 股数据的基准与公开排行榜。模型需自行构造特征与选股代码，只在 2022 至 2023 年数据上获得反馈，随后冻结一套策略，在封存的 2024 年数据上接受评估。评估器按现金账户规则计入交易约束与成本，市场冲击由模拟订单簿估算。评分以实际超额收益为主，辅以信号质量与特征多样性。九款前沿模型参与测试，GPT-6 Astra 得分最高，但没有任何模型在 2024 年跑赢等权市场。该基准接受任意模型或智能体框架提交。
- AI 摘要arXiv cs.AI
arXiv 论文提出 PAPAV 框架，统一比较电脑使用与机器人使用智能体
一篇提交至 arXiv 的论文把多模态智能体从电脑使用延伸到机器人使用，提出以能力而非架构划分的 PAPAV 框架，包含感知当前状态、预判动作效果、规划可行路径、通过接口或本体执行、核验结果五项功能。作者用该框架对比多模态智能体、机器人系统与多模态具身智能体，并指出从部分可观测到结果不可核验等五类物理约束会压缩可预先固定的选择空间，也减少纠错余地。在 64 个基准中，显式评测集中在执行环节，只有 5 个评测预判、3 个评测核验。