论文：AI 论文、技术方法与基准测试第 3 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。
- AI 摘要arXiv cs.AI
论文评估智能体为 PDE 仿真生成 JSON 规格的可靠性
一篇 arXiv 论文研究智能体能否为自动化 PDE 仿真可靠生成完整可执行的 JSON 规格，覆盖几何建模、网格划分、求解与结果导出。工作流结合模型抽取、确定性的科学与能力检查、显式澄清，以及只改动相关字段的局部修补。在 120 条模板相关请求上，完整流程首轮规格与决策正确率为 98.3%，schema 辅助单次执行为 92.5%，仅用模型为 82.5%。在 42 条需澄清或拒绝的请求中未出现误判为可执行的情况。下游测试覆盖 1D、2D、3D 定常与非定常、线性与非线性问题，含复杂三维机翼几何的流动与弹性问题；12 项真实用户端到端测试中 9 项全部成功。
- AI 摘要arXiv cs.AI
论文提出 CivHarness 回放框架，为 Freeciv 长程智能体提供密…
针对长程策略游戏中确定性反馈稀疏、且中途计分板分数无法可靠预测最终胜负的问题，作者将这一现象称为「计分板陷阱」，并在八款策略游戏中测得 8% 至 68% 的位置对里高分位置反而导向更差结果。作者构建开源系统 CivHarness，可保存游戏状态、在不同决策处分支并回放到未来回合，从而给出可度量的长程反馈；据此训练出 LLM 裁判 CivTelescope，用于判断两个局面中哪个结果更好。在计分板陷阱样本上，CivTelescope 的准确率是现成语言模型的 1.3 至 2.0 倍，并可泛化到新开局、更晚回合与未见规则。以 CivTelescope 作为密集奖励训练 Freeciv 智能体的方案名为 CivMarshmallow，在计分板陷阱多发的游戏中期，平均训练阶段增益为 8.94 分，比最佳基线（终局奖励）高 77%。
- AI 摘要arXiv cs.AI
MEMIG 提出可索引、定量、结构化的智能体记忆框架，用于抗体优化
针对自演化 LLM 智能体把过往经验存成自由文本、靠重写维护的做法，论文指出这类表示在生物分子优化中缺少索引位置、用描述替代实测值、无法表达干预之间的交互。作者提出 MEMIG：为每条洞见分配领域标识符并累积性质 oracle 测得的定量效应，使更新局部化、检索变成精确查找；同时把共同施加的干预相连，通过分解每个评估集合测量其上位效应。在计算机抗体优化任务中，多数设置下性能得到提升。
- AI 摘要arXiv cs.AI
研究提出 MoE 专家剪枝新方法 PEEP 与 DCEP
一篇 arXiv 论文指出，MoE 层中各专家的输出存在结构化冗余：在不同模型和任务类别上，专家输出的稳定秩与熵有效秩都远低于专家名义数量，输出分布的有效模态也更少。作者据此把专家剪枝重新表述为保持结构的专家子集选择问题，并用贪心策略求解，提出 PEEP（最大化加权投影能量以保留功能子空间）和 DCEP（最小化加权覆盖误差以保留分布几何）两种方法，两者都以路由器权重作为先验。在 DeepSeek-V2-Lite 与 Qwen3-30B-A3B 上，当专家保留率为 75% 和 50% 时，这两种方法在多数基准上优于现有基线，在通用任务与数学推理任务上的平均表现均为最佳。
- AI 摘要arXiv cs.AI
研究者发布印地语 AI 文本检测基准 SHAKTI 与框架 TRIDENT
针对 AI 文本检测研究长期以英语为中心、低资源语言缺乏基准的问题，研究者构建了印地语大规模基准 SHAKTI，覆盖四种文体、八个大模型家族、多种提示策略与对抗变换，并通过人工标注评估质量，分析人写与 AI 生成文本在语言、语法和情感上的差异。基于这些发现，研究者提出基于往返翻译的检测框架 TRIDENT，含静态阈值、动态阈值和逻辑回归三个变体，利用原文与回译文本的语义一致性判别 AI 生成内容。实验显示其优于传统与监督基线，静态阈值版本综合表现最佳，并在七种语言、对抗设置和未见模型上验证了多语言适用性与鲁棒性，同时对翻译模型敏感。
- AI 摘要arXiv cs.AI
Coarse3D 提出可控稀疏结构生成方法，可直接替换图生 3D 流程粗阶段
Coarse3D 是一个从任意无位姿图像生成体素几何的稀疏结构生成模型，目标是解决粗到细 3D 生成中第一阶段结构不可控、与输入图像不一致的问题。它引入三项设计：以首帧为锚的规范空间，使生成与第一视角对齐并保留物体中心归一化；双塔 DiT，将生成与辅助前馈重建耦合，学习空间接地特征；空间先验引导注意力，用像素到体素的对应关系约束交叉注意力。该方法可直接替换现有流程的粗阶段，实验显示稀疏结构质量明显提升，并带动最终 3D 生成效果，达到当前最优水平。
- AI 摘要arXiv cs.AI
RTL-Interact：让单一模型自行生成、检查并修正 RTL 设计
这篇论文提出 RTL-Interact 多任务后训练框架，目标是让一个 RTL 专用模型同时完成三件事：生成 RTL、构造与任务匹配的 EDA 检查、依据工具反馈修改实现，从而不再依赖彼此分离的生成与修复模块。方法上，它把自动构建的多任务演示与分阶段监督结合起来，监督从思维链逐步过渡到工具集成推理；同时提出 Pattern-Aware Policy Optimization（PAPO），在 Group Relative Policy Optimization 上加入正确性门控奖励，并借助任务分组维持各目标的覆盖。在 CVDP 上，32B 版本取得 48.7% 加权 Pass@1 与 68.9% Pass@5，超过其教师模型 DeepSeek-V3.2；8B 版本加权 Pass@1 为 44.9%。PAPO 还能在提升 Pass@1 的同时把平均工具调用次数减少 63.8%。两个模型在 V…
- AI 摘要量子位
清华联合无问芯穹、智元提出群体经验学习范式并在96台机器人上验证
清华大学、无问芯穹与智元联合提出群体经验学习（CEL）范式，让机器人从同伴的成功与失败经验中学习，而非只依赖人类示范。团队在96台真实机器人集群上完成验证，覆盖插花、叠衣服、手机充电、凳子组装、手机包装五项任务。两台未参与训练的机器人在600次测试中失败15次，总体成功率97.5%，五项任务均超过6名人类操作员的平均水平；手机包装任务成功率从79.2%升至98.3%。参与训练的机器人从16台增至96台时，成功率由86.7%提升到98.3%。系统侧基于开源框架RLinf构建容错异步训练系统，算法侧提出失败引导的经验检索微调算法。
- AI 摘要arXiv cs.AI
arXiv 论文提出图像编辑基准 WeGenEditBench 与自进化工具链
一篇投稿 arXiv 的论文提出图像编辑评测基准 WeGenEditBench，包含 2,740 个评测实例、148 种任务类型，覆盖单图编辑、文字密集编辑和多参考图编辑。该基准用预先构建、跨模型共享的检查清单把每条请求拆成原子要求，先做条目级扣分并保留视觉证据，再汇总为编辑执行、内容保持、视觉质量和任务特定正确性四类分数。作者同时给出 WeGenEvoStudio，一个面向递归自我改进的多智能体框架，串联失败诊断、检索式数据构建、监督适配与复评。在 15 组配置中，GPT-Image-2 的单图编辑综合分 4.076 居首，Seedream-5.0-Pro 的文字密集编辑以 4.291 领先。
- AI 摘要arXiv cs.AI
研究：每类仅两张参考图，Jev 与 Clef-Flash 缺陷检测准确率超 C…
一篇 arXiv 论文比较了两种结构化决策模型 Jev 与 Clef-Flash 在制造缺陷检测中的少样本表现。传统做法需要数千张良品与缺陷图像，CLIP 类视觉 Transformer 可把需求降到每类 50 至 100 张，但在高良率或小批量产线上，连 50 张缺陷图都难以凑齐。作者把每类参考图压缩到 k=2，在五个制造案例中测试：Jev 准确率 0.75 至 1.00，Clef-Flash 为 0.71 至 0.99，同等参考图下 CLIP 为 0.67 至 0.84。论文还提出自动改写分类文本描述的 agent 方法，在 8 组模型与应用组合中有 6 组提升准确率；概率校准在 15 组配置中有 13 组降低 Brier 分数。作者公开复现代码、R 语言 decisions 包，以及无需写代码即可用自有图像测试的网页应用。
- AI 摘要arXiv cs.AI
研究者参与式进化流程发现纠缠辅助量子码族
一篇 arXiv 论文提出研究者参与式发现流程，把程序进化、精确求值、数学推广、不存在性验证与形式化证明检查串在一起，用于纠缠辅助量子纠错码（EAQECC）。从没有给出族公式的任务出发，进化出的程序先得到有限量子比特构造，研究者再把结构推广为素数幂 q≥3、n≥2q+1 及 q=2、奇数 n≥5 情形下的族 [[n,1,n-1;n-q-1]]_q，Lean 检查了该族背后的代数证书。该族连同纠缠提升共填补存档 EAQECC 表中的 54 个空缺，发布物含 115 条已验证码记录、10 项带 DRAT 证明检查的不存在性结果、族实现与可复现搜索程序。
- AI 摘要arXiv cs.AI
arXiv 论文提出知识编译层，检索代理查询 token 平均降 38%
一篇 arXiv 论文把检索增强生成中的检索代理拆成两层：一层是负责写查询、读结果、改写查询并判断何时停止的 harness，另一层是负责知识编译的摄取管线。作者称，仅用 BM25/grep 搭配 MiniMax M3 的 harness 在 BrowseComp-Plus 上答对 85%，在多跳 FRAMES 上答对 91%，不需要编译索引或向量索引。但不受约束的循环会重复查询、反复读文档、把窗口塞满无用段落。以 claim-evidence 对为叶子的导航树在证据充分时把查询 token 削减 91%，证据不足时增加 1.9%，平均降 38%；据此推算盈亏平衡的充分率为 2%，实测约 43%。决策门把延迟从 140 秒降到 30 秒。RAGFlow 的管线与 harness 已开源。
- AI 摘要arXiv cs.AI
ImplicitHop 基准发布：上下文知识推理优于权重内化知识
arXiv 上提交的论文 ImplicitHop 提出两个自然语言基准，用于按推理深度评估大模型的演绎推理能力：一个形式图基准可覆盖多种图拓扑与整合任务，另一个基于真实知识图谱的知识组合基准。作者用这两个基准在无思维链条件下隐式评测多个开放模型，比较信息来自上下文与来自预训练权重两种情形。结果显示，随着组合长度增加，两种来源的准确率都明显下降；但上下文提供的信息在推理表现上明显好于编码在权重中的信息。
- AI 摘要arXiv cs.AI
ROSTrans 基准测试：六个前沿 LLM 的 ROS1 转 ROS2 迁移…
研究者发布 ROSTrans 基准，用于评测大模型把 ROS1 代码迁移到 ROS2 的能力。该基准包含 108 个补全任务，取自 70 多个开源 ROS1 仓库，按接口级、行为级、系统级三层正确性组织。每个任务配有已验证的 ROS2 参考实现、启动节点并调用话题、服务、动作与参数的运行时测试套件，以及保证可复现的容器。评测时只把候选模型生成的目标文件注入固定的参考包，模型无法提供或削弱判分测试。六个前沿模型在每个任务上各做五次随机生成，pass@1 均低于 10.9%；56.5% 的样本能编译成功却在运行时失败，32.0% 在迁移后接口的运行时断言上失败，这类错误仅靠编译无法发现。引入执行引导修复后，经过三轮，Claude Opus 4.6 与 GPT-5.5 的任务成功率分别达到 49.1% 和 47.2%。
- AI 摘要arXiv cs.AI
TARGRS：推理阶段去毒框架，毒性最高降 69.38%
一篇 arXiv 论文提出 TARGRS，一种在推理阶段对 LLM 做去毒的框架。它针对现有表征引导方法干预静态、粗糙、对毒性生成与非毒性生成之间的过渡建模不足的问题，在隐表征空间学习奖励引导：探索阶段沿毒性方向逐步施加引导，构造从非毒到有毒的轨迹，把稀疏标注转成 token 级奖励模型的密集监督；推理阶段反向由粗到细采样，先定位进入非毒区域所需的干预，再挑选扰动最小的去毒表征。在 10 个 LLM 与 RealToxicityPrompts、BOLD、AttaQ 上，TARGRS 优于现有基线，RealToxicityPrompts 上毒性最多降 69.38%，速度接近原模型且核心能力基本保持；在语言解码器空间干预使其可扩展到 LVLM，3 个代表性 LVLM 上毒性最多降 64.23%。
- AI 摘要arXiv cs.AI
FrontierMat 基准发布：330 道前沿材料研发题，最强通用模型仅得 …
研究团队构建 FrontierMat，从航空航天、半导体、具身智能、核聚变等领域的前沿学术与工业研究中抽取 330 道题，每题给出真实研究的部分实验证据，要求模型推断被隐去的结果或得出结论，全部题目经该领域实验专家与产业专家校验。题目按功能域、材料体系与主导机制尺度标注，其中 130 道需跨尺度推理。最强通用模型得分 53.7%；在匹配题目上，跨尺度题比单尺度题低 8.7 分；半数题目至多被一个模型解出，主要失败模式是选择看似合理的答案而非实验观察到的结果。一项域适应实验用元加权继续预训练与尺度模块化自蒸馏，把某开放权重模型从 36.7% 提升到 55.4%，追平最强闭源模型，公开材料基准同步改善且通用基准总体表现未下降。
- AI 摘要arXiv cs.AI
ARK 提出分布式大象流路径预留机制，缓解分离式推理 KV 缓存传输的路由冲突
分离式 LLM 推理把 prefill 与 decode 拆到不同 GPU 池，由此产生大量 KV 缓存传输；这类传输持续数百毫秒到数秒，属于占满链路带宽的大象流。无状态 ECMP 在此场景下容易哈希冲突，把流量压到同一条 spine 链路而其余链路闲置，使传输时间被拉长数秒。作者提出 ARK，通过协调发送端选择源端口，让并发流的哈希落到不同 spine 上，无需改动交换机，也不要求接收端重排数据包。数据包级 RDMA 仿真显示，中等负载下平均与 P95 FCT 最多降低 27.3% 和 34.0%，平均 TTFT 最多降低 12.9%。
- AI 摘要arXiv cs.AI
arXiv 论文提出代理辅助遗传规划，用于动态车间调度的终身学习
一篇 arXiv 论文针对动态柔性作业车间调度（DFJSS）中遗传规划学到的调度规则泛化能力有限、在新任务上微调会丢失旧知识的问题，提出一种代理辅助的遗传规划终身学习方法，处理作业到达或批量到达的序列异构任务。框架包含三部分：平衡可塑性与稳定性的自适应两阶段训练策略、按任务相似度调节知识复用的加权机制、带距离约束的改进代理模型。实验显示该方法缓解了灾难性遗忘并保持适应性，优于多个对比方法。