论文：AI 论文、技术方法与基准测试第 27 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
arXiv 论文追踪 8.4B 多模态模型三阶段训练的能力取舍
一篇 arXiv 论文以 8.4B 参数多模态模型为对象，在日语金融文档上依次进行视觉-语言对齐、推理蒸馏与领域微调三个阶段训练，并在五个文本输入基准上评估。结果显示三个阶段并非简单叠加：仅做数学蒸馏会覆盖此前获得的金融知识，但程序性数学能力得以保留；领域阶段更多是修复已有能力，而非新增能力。跳过某一阶段的消融实验在领域知识上表现最好，却损失了数值推理收益，说明各阶段贡献不可分解，最佳检查点取决于任务。
- AI 摘要arXiv cs.AI
CollabSciReM 提出科研对话奖励分解框架并发布 SciQuality…
研究团队提出 CollabSciReM，把会话级奖励拆成对话质量、科学严谨性与结构效率三部分，用于对齐语言模型的科研多轮对话。同时构建 SciQuality 评测，基于 300 篇留出论文，从方法可靠性、论证、逻辑一致性、事实正确性、新颖性和响应性六个维度成对打分。用 8.62K 条合成科研对话微调后，在 Llama 与 Qwen 四个模型上均优于同数据训练的科学无关奖励基线，等长响应下胜率 65.3%；7B 与 8B 模型在 10 项单轮与多轮基准中有 8 项主指标领先。盲测中专家对新新颖性评分更高，幻觉回答少于通用奖励变体和基座模型。
- AI 摘要arXiv cs.AI
arXiv 论文：DPO 超参数随模型规模变化，且无法跨数据集迁移
一篇 arXiv 论文用密集超参数网格，在同一模型家族的不同规模上系统考察 DPO 的调参规律。结论是：最优学习率随模型规模变化；超参数在不同训练数据集之间不可迁移；验证损失与下游基准的最优超参数仅弱相关，因此不适合作为调参代理指标。作者建议针对目标模型、数据集和评测目标单独调参，并指出用短程候选训练可显著降低选择成本。全部训练配置与评测结果已公开。
- AI 摘要arXiv cs.AI
PhyNet 用物理变量约束响应信号，提升流体系统故障诊断鲁棒性
一篇 arXiv 论文提出物理变量信息引导的深度学习框架 PhyNet，用于工业流体输送系统的故障诊断。该框架把物理变量当作全局运行约束，把响应信号当作局部诊断证据，通过物理到响应的交叉注意力机制，让序列级物理变量 token 与可学习的全局响应 token 交互，且不要求严格的时间对齐。作者在四个基准上评测，包括三个真实空化数据集和一个公开两相流数据集，PhyNet 在所有评估指标上表现最佳。
- AI 摘要arXiv cs.AI
arXiv 论文提出可微图隐式求解器，统一处理 PDE 正演与反演
一篇提交至 arXiv cs.AI 的论文提出一种全可微的图隐式求解器，把非结构网格上偏微分方程数值优化中的大型方程组作为约束纳入求解过程。作者在四类任务上评估其表现：演化型与静态问题的线性及非线性正演建模、估计方程系数的反演、估计右端项的反演，以及用于加速正演的图粗化学习。论文称，该求解器的稳定性与可微性使其能显著降低正演建模复杂度，同时处理相关反演问题，可用于地球物理等需要靠反演降低模型不确定性的场景。
- AI 摘要arXiv cs.AI
研究：大模型跨语言代码翻译存在三类幻觉，提出 HaluCodeTran 缓解框架
一篇 arXiv 论文系统考察大语言模型在跨语言代码翻译中的幻觉问题。作者在三个基准数据集、六组语言对、七个模型上构建分类体系，把幻觉分为语义一致性冲突、事实知识冲突、项目上下文偏离三类，并人工标注 13919 个幻觉案例，分析其在不同模型、数据集和翻译方向上的分布差异。基于该分类，作者提出 HaluCodeTran 缓解框架，结合 BM25 检索相关翻译示例与分类感知的反思式修正，为构建更可靠的代码迁移工具提供执行验证过的基线与刻画。
- AI 摘要arXiv cs.AI
VISH-ASR：免训练热词预选框架，用 CTC 后验验证候选
一篇 arXiv 论文提出 VISH，把上下文 ASR 的热词预选做成对帧级 CTC 后验的约束搜索，无需训练即可插拔使用。M-VISH 用帧同步共享前缀 Viterbi 搜索加有界 top-K 剪枝，让大词表验证可扩展；Bi-MVISH 再引入反向证据。在五个基准上，M-VISH 的 Best-F1 比强学习检索基线最高绝对提升 11.7%，2000 候选时搜索延迟相比基于假设的过滤降低 75.2%。
- AI 摘要arXiv cs.AI
arXiv 论文提出 POC-VLM，用工况引导视觉语言匹配诊断管道空化
一篇投稿 arXiv cs.AI 的论文提出物理工况引导的视觉语言匹配方法 POC-VLM，用于工业管道系统的空化诊断。该方法先把样本各自的运行变量写入候选空化文本，构建带工况语义的描述；再由时频条件文本适配模块把物理语义与实测声学响应动态对齐，并通过全局—局部视觉语言匹配捕捉整体与局部判别特征。同时，基于 K 近邻的非参数工况先验估计各候选状态的物理合理性，在决策层与语义证据融合。三个真实空化数据集上的实验显示，该方法优于代表性的数据驱动、多模态与领域专用诊断方法，并在不同采样率、噪声水平和观测时长下保持稳定。
- AI 摘要arXiv cs.AI
SAPD：不与环境交互，从离线轨迹训练 LLM 智能体
一篇 arXiv 论文提出 SAPD（Step-Advantage Policy Distillation），目标是在不重新进入可执行环境的前提下，利用已有离线多轮轨迹继续优化 LLM 智能体策略。该方法把多轮轨迹拆成单个决策上下文做同策略蒸馏，学生模型基于记录的历史生成回复，并引入相对步优势信号稳定训练，全程不需要新的环境观测或额外多轮交互。在 ALFWorld、WebShop 和基于搜索的问答任务上，SAPD 在不同教师配置下均有提升，相比 SFT 缓解了灾难性遗忘，每个训练步比在线 OPD 至少快 4.7 倍。作者表示代码将很快放出。
- AI 摘要arXiv cs.AI
COMPASS 提出智能体式 LLM 路由方法，无需专项训练
研究者提出 COMPASS，一种智能体式路由方案：由 LLM 按路由配方执行，借助工具收集性能与成本证据，并可在选模型前查看候选答案。在 LLMRouterBench 上，它以 139.57 美元达到 69.85% 准确率，对比 RLCascadeRouter 的 69.14%、180.22 美元；在 DeepSWE 五折交叉验证下，它以 215 美元达到 78.1%，对比最佳单模型的 74.1%、500 美元。该方法无需路由专项训练，可通过读取新的评测记录适配扩充后的模型池，权重与提示不变。
- AI 摘要arXiv cs.AI
SMART 框架提出 ASR 语义评估新指标 SIER
针对词错误率（WER）对语义影响不同的词级编辑赋予相同代价、整体语义分数又无法定位具体错误的问题，论文提出 SMART 框架，把参考文本与识别结果之间的差异映射为连贯片段，再用结构化上下文评分标准为每处差异标注后果标签，并据此计算语义影响错误率（SIER），在语句、片段、词级三个层面量化有语义后果的错误。与多数投票的人工标注相比，SMART 的 F1 为 0.843，直接由 LLM 判断为 0.745。另一套不依赖目标参考的评分标准用于纠错，在两个数据集上均优于去掉该标准的基线，MER 与 SIER_lex 分别再降 0.85–0.98 和 1.18–1.65 个百分点。
- AI 摘要arXiv cs.AI
研究：本地嵌入变换让托管模型收不到原始提示词
有研究提出一种在托管模型上做隐私推理的做法：把文本转成向量的查表步骤放在客户端完成，向量在离开本地前先经过一个 5560 万参数的小网络变换，托管方只拿到变换后的向量，运行冻结的 27B 模型（Qwen3.8-27B），全程不接触文本和 token id。变换网络以冻结模型为固定评判者训练，损失由前向 KL 效用项和把向量推离原方向的辅助项组成。在未参与训练的 1490 道 MMLU 题上，准确率从 82.3% 降到 80.7%，损失 1.5 个百分点，原本答对的 1226 题中有 68 题被破坏（5.5%）；按最近邻查找，30.1% 的内容 token 无法还原为原 token。
- AI 摘要arXiv cs.AI
RAG-NIMBF：以非侵入方式为现有 RAG 流水线提供基准测试
研究者提出 RAG-NIMBF，一个模块化基准测试框架，以非侵入方式作为评估层接入已有 RAG 流水线，通过受控消融和端到端实验追踪，考察分块、嵌入、检索、重排、提示与生成模型构成的配置空间。评估结合基于 LLM 的答案质量评分、检索正确性指标与运行时指标，并在 SQuAD 数据集上跨多个生成模型验证。结果显示，兼顾相关性与多样性的检索平衡相比传统相似度搜索，使 nDCG@5 提升 4 至 11 个百分点；更详细的提示指令提升了答案对检索证据的忠实度，在 Qwen3.6-27B、GPT-4o-mini 与 Qwen3.5-think 上提升 10 至 13 个百分点，而在 20B 生成模型上效果可忽略。
- AI 摘要arXiv cs.AI
LatBridge 提出潜空间通信多智能体系统的模型替换方案
多智能体系统常用潜空间通信传递连续表示，以减少文本生成与重编码，但现有方法面向固定的模型组合，替换智能体模型后接口可能失效。作者通过预实验确认了这一接口失效问题，并提出 LatBridge：各智能体模型通过共享 Bridge 与独立接口、在统一潜通信协议下连接；替换模型后复用未变接口、选取匹配的低秩接口并经 Bridge 组合，仅训练缺失部分且冻结全部模型。Bridge 在基础模式下处理源表示，在加速模式下不经自回归生成直接构造目标输入。八个小型模型配置下，MATH 基础模式平均准确率 14.8%，ALFWorld 下一动作预测 27.3%。
- AI 摘要arXiv cs.AI
LLM 智能体在商用基带芯片上实现 6G 物理层算法
一篇被 2026 年 IEEE Globecom Workshops 接收的论文提出一种智能体工作流：由 LLM 编码智能体在商用基带 SoC 上实现算法，将其优化到智能体编写的向量汇编，并在芯片上验证。智能体以实测平台事实构成的知识库为指引，每一步都对照被要求不得修改的评估器进行检查，并按阶段计量。作者在开放的 6G4All 平台上用 AI 发现的 OTFS 检测器组合展示该流程，得到十二个在芯片上周期精确运行的内核，优化版本每帧耗时 18k 至 405k 周期，即 30 至 660 微秒。流程还产出一个依据芯片实测成本塑造的新检测器，比移植版少用 13.9% 周期且误码率相当。
- AI 摘要arXiv cs.AI
SLM-SS：用语音语言模型做基于 token 的语音分离
论文提出 SLM-SS，把多说话人混合语音的分离改成 token 生成任务。先用神经编解码器把干净语音离散成多码本 token 序列，再用 Serialized Output Training 把多个说话人的目标串行化。编码器-解码器自回归语音语言模型预测零阶序列，确定说话人顺序和粗粒度语言内容；非自回归模块再细化高阶残差码本。作者还引入逐说话人非自回归策略，简化高阶建模并提升稳定性。在 Libri2Mix 上，采用逐说话人 NAR 的版本词错率为 6.92%，接近仅用编解码器重建的水平。
- AI 摘要arXiv cs.AI
RELAY 用规则复用加智能体修复历史构建
研究者在 14,159 个 OSS-Fuzz 案例上考察环境衰减问题，发现 69.7% 的案例已无法完成重建与验证，且多数失败集中在少数反复出现的症状上。RELAY 框架让 LLM 从代表性失败中推导并验证确定性修复规则，规则可复用且无需调用模型，规则无法解决的案例再交由逐案例智能体处理。实验显示规则推导可完全自动化，复用规则能达到与逐案例智能体相同的修复量且构建执行次数更少，而智能体能修复规则覆盖不到的案例；先规则后升级的混合方式修复量超过任一单独方案，成本也低于纯智能体方案。
- AI 摘要arXiv cs.AI
GRADUS 用环境潜在课程训练智能体，30B 模型在 τ²-Bench 从 …
论文提出 GRADUS 方法，用于训练受策略约束的工具环境中的 LLM 智能体。它不依赖种子任务，而是把固定环境当作潜在课程，提取受约束的行为算子，刻画动作如何依赖当前条件、其效果又如何改变后续决策，再把这些算子组合成难度递增的任务，并用语料级反馈补齐缺失的结果组合。任务与解会依据执行反馈联合校准，验证因此成为恢复信号而非终局过滤器。在现成基座模型上，30B 模型在 τ²-Bench 从 59% 提升到 89%，在 CAR-Bench 从 47% 提升到 83%（Opus 4.5 作为提议者）；换用开源 Qwen3-235B 提议者时，两项分别为 76% 和 62%。
- AI 摘要Anthropic：Newsroom（网页）
Anthropic用Claude扫描25个开源项目，发现493个问题
Anthropic公布了一项针对自动化攻击面分析的研究：用Claude扫描25个不同语言的开源项目，共发现493个问题。其思路是先梳理代码中实际可达的部分，再移除或限制部署时不需要暴露的访问路径，从而降低未知漏洞被利用的可能。Anthropic称，只靠逐个修复漏洞难以规模化，而缩小代码可达范围能让漏洞更难被触达，在不定位具体漏洞的情况下提升安全性。
- AI 摘要arXiv cs.AI
OpenVLHarness 用多模态记忆提升视觉智能体工具调用
论文提出 OpenVLHarness，一个围绕能力层与持久多模态记忆组织的多模态推理框架。能力层把任务级工具接口与证据渲染结合起来，统一访问异构后端并把输出转成模型可读的观察；持久多模态记忆把图像、结构化数据和网页引用保留为可寻址工件；编码接口在已存数据上执行生成的程序，从而组合多个工具的结果。在 22 个基准、八个开源与专有骨干模型上评测，平均分比匹配的无工具基线高 9.7 至 12.6 分，其中 Qwen3-VL-8B 提升 11.2 分、Kimi K3 提升 9.7 分、GPT-6 Astra 提升 9.9 分。使用 GPT-6 Luna 中等推理强度时，其表现超过基座模型、Codex 与 Visual Sketchpad 在最高强度下的结果 7.7 至 8.5 分，模型 token 开销至多为后者的 37%。