论文：AI 论文、技术方法与基准测试第 30 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
ClueFlow 用状态转移归因训练长程搜索智能体
arXiv 论文提出 ClueFlow，把长程搜索中的证据获取动作、Evidence 与 Candidate 更新、最终答案串成 Source-State-Final 归因链，并在执行后用金标语义校验与来源追溯筛选监督信号。该方法同时用于监督微调与 Turn-PPO：SFT 阶段只对归因选中的决策连同原始交互上下文做监督，PPO 阶段沿归因链把信用分配给各轮次。在 Qwen3.5-35B-A3B 上，BrowseComp 达 60.0%，BrowseComp-Plus 达 72.0%；受控实验中归因引导 SFT 用约 30% 训练 token 追平全轮精确上下文 SFT，归因引导 PPO 比仅用结果信号的 PPO 高 4.1 个百分点。
- AI 摘要arXiv cs.AI
GraphEvoResearcher：把自反思推理放到图上，免训练提升多跳问答
一篇 arXiv 论文提出 GraphEvoResearcher，一种免训练的多跳问答协议。它把 EvoResearcher 的自反思元奖励放到显式推理图上：节点是中间结论或证据，边表示支持、矛盾与依赖关系。图感知元奖励综合正确性、效率、反思、多样性以及连通性、无环性、分支覆盖、路径收敛四项结构信号，据此决定改写、回溯还是停止；当证据分支收敛到单一结论时提前终止。在 DeepSeek 上测试 GSM8K、MATH、BBH 各 50 题，准确率分别为 98%、92%、82%，均为基线最高，MATH 上比单次推理高 24 个百分点、比扁平反思高 12 个百分点，构建成本约 2 步、4.5 至 5 个节点。
- AI 摘要arXiv cs.AI
研究用温度缩放校准置信度，减少硅藻分类人工复核量
一项针对显微镜图像硅藻识别的案例研究，在 759 类硅藻数据集上训练 ResNet-18 基线模型。初始模型存在过度自信问题，期望校准误差（ECE）为 0.117；采用事后温度缩放（T=2.12）后，校准误差显著下降。研究把校准后的概率用于分诊框架，在拒绝阈值 τ=0.934 时，以 66.2% 的覆盖率维持 99.01% 的选择性宏 F1 分数。定性分析显示，系统会持续把 AAMB、AASI 等稀有类群和形态模糊的样本转交专家复核。代码与校准结果已匿名公开，成果发表于 ICPR 2026。
- AI 摘要arXiv cs.AI
APSD：按正确性构造非对称目标的自蒸馏策略优化方法
论文提出 Asymmetric Policy Optimization via Self-Distillation（APSD），针对自蒸馏策略优化中直接对齐自教师分布的问题：这种做法会破坏正确 rollout 上已有的成功行为，同时对错误 rollout 的纠正力度不足。APSD 按正确性构造目标分布，将学生分布与自教师分布混合：在正确样本上做插值以保留成功行为，在错误样本上做外推以加强纠正。作者用散度分解、反向 KL 重心几何与梯度分析进行论证，并在可验证奖励与丰富反馈的强化学习设定下实验，结果显示 APSD 整体优于强化学习与自蒸馏基线，在 Qwen3 各规模上平均以 2.6 倍更少的训练步数达到 SDPO 的表现。
- AI 摘要arXiv cs.AI
GLOBE：免训练在线早停算法，输出 token 减少 49.7%
论文提出 GLOBE，一种无需训练的在线算法，用于提前终止模型的思维链推理。它把每个已完成的推理片段映射到单位球面上，据此观察语义轨迹的形状。方法分两阶段：先在一个独立分支中生成简短的试探性答案，若该答案的置信度超过阈值，就停止主流程；若生成继续，轨迹阶段会在路径反复折返、净进展很小时终止。在数学推理、工具调用、智能体记忆等五个基准上，GLOBE 在两个模型上使输出 token 减少 49.7%，端到端实际耗时减少 51.0%，五项任务平均得分 80.58%，与完整思维链相当。
- AI 摘要arXiv cs.AI
论文提出行为探针量化 LLM 群体信息流，被 NeurIPS 2026 接收
一篇被 NeurIPS 2026 多智能体系统方向接收的论文从信息流角度研究 LLM 群体交互。作者把原本用于幻觉分析的外部上下文得分（ECS）与参数知识得分（PKS）改作探针，分别衡量节点对外部上下文的依赖和对参数知识的依赖。在受控与真实群体设置中，ECS 随输入相关性上升并能区分有用的多源贡献，PKS 则随有效上下文积累而下降。基于这一解释，探针可用于两项受控应用：引导节点剪枝以减少冗余通信与 token 消耗，引导推理路径搜索以加快收敛，效果优于仅以任务效用为目标的基线。
- AI 摘要arXiv cs.AI
ABACUS 框架让冻结判别模型实现多步推理，准确率 99.67%
论文提出 ABACUS 框架，用可复用程序把冻结判别模型的局部语义判断组合成多步推理：生成式教师模型离线设计判断模式与组合程序，判别模型在线回答局部问题，保存的程序负责把答案组合起来。作者以 Kev 实例化该框架，在三个 BIG-Bench Hard 任务上，九个独立构建的程序完成了 150 个开发输入的 450 次执行。部署实验中，三个程序在 600 道留出问题上取得 99.67% 的宏平均准确率，直接使用 Kev 为 64.00%，仅输出最终答案的 Qwen3.5-4B 为 68.80%；与 Qwen 不受限回答策略的 99.07% 相当，但每题耗时 0.255 秒，对比 2.150 秒，在线加速 8.43 倍。
- AI 摘要arXiv cs.AI
PaceVLA 提出自适应时间动作量化，提升 VLA 执行效率
针对视觉-语言-动作模型执行效率偏低的问题，PaceVLA 提出一套自适应时间执行框架。该框架包含两个相互配合的部分：一是基于共享动作专家的模式专用解码器，支持多种时间粒度与预测视野；二是量化可行性引导的模式选择机制，判断当前是否适合粗粒度执行，并由上下文条件路由器在每次推理时选择执行模式。作者在三个多任务仿真基准和六个真实任务上测试，覆盖长程与灵巧操作，结果显示该方法在保持任务成功率的同时提升了执行效率。
- AI 摘要arXiv cs.AI
EmbodiedWorld-200K 数据集发布，含 20 万样本与视频世界模…
研究团队发布 EmbodiedWorld-200K，这是一个面向开放世界具身导航与规划的大规模数据集，样本量超过 20 万，覆盖多种场景。每个样本都带有从底层相机运动轨迹到高层语义指令的多级标注，并提供统一评测划分与任务指标，支持离线预训练和公平评测。针对纯离线数据难以泛化到训练分布外场景的问题，团队提出用视频世界模型充当低成本环境代理，在其中对具身智能体做交互式强化学习后训练。实验显示，在该数据集上预训练能明显提升开放世界具身规划能力，世界模型内的强化学习后训练在分布外场景上带来进一步增益。数据集、基线检查点及训练评测代码均已公开，论文被 NeurIPS 2026 接收。
- AI 摘要arXiv cs.AI
论文提出条件状态空间探索框架，缓解多轮 RL 智能体动作循环
针对多轮长时程环境中 LLM 智能体动作选择低效、反复执行无效动作并陷入循环的问题，作者指出这类行为常违反环境前置条件，反映出智能体内部状态表征与环境动态不匹配。论文提出条件状态空间探索框架，在完成任务与内在信息寻求之间取得平衡，并引入一项内在奖励：当某动作产生的观测与先前状态记忆重复时予以惩罚。该设计不依赖通用信息论度量，目的是减少冗余行为、扩大状态空间覆盖。实验显示该方法改善了多轮环境下的策略学习，减少无效动作与重复循环。
- AI 摘要arXiv cs.AI
CXBench 基准发布：评估受监管客服流程中的 LLM 智能体
研究者提出 CXBench，用于在六个受监管领域分别评估 LLM 智能体的结果合规与流程合规。每个任务由客户请求、工具环境和明确的流程要求组成，规则卡把监管义务对应到可观察的轨迹证据，评分器结合确定性检查与 LLM 判定。在七个模型、120 个任务、840 次保留执行中，55.5% 为假通过，占结果通过运行的 80.1%，仅 13.8% 同时通过两项检查。
- AI 摘要arXiv cs.AI
AdaExploreBench 基准发布：考察 LLM 智能体主动探索与测试时…
研究者提出 AdaExploreBench，用于评测 LLM 智能体在陌生且持续变化的环境中主动探索、推断隐藏规则并适应规则漂移的能力。该基准把环境动态设定为隐藏规则，要求智能体主动获取证据并推断规则；在隐式规则漂移下，规则在无提示的情况下改变，智能体需从性能下降中察觉旧知识失效并重新探索。在八个主流 LLM 上的实验显示，GPT-6 Sol 的校准准确率仅为 61.9%；当提供充分证据或移除规则漂移后，平均表现提升接近 10%。
- AI 摘要arXiv cs.AI
OrderGPT 将生成顺序作为可学习建模选择
论文把 GPT 的从左到右分解与掩码扩散模型的任意顺序分解看作同一条轴上的两个端点，指出在缺乏自然遍历顺序的结构化离散数据上，两端都未必最优，而中间那种单一适配顺序此前很少被研究。OrderGPT 基于 Any-Order GPT，在无标准顺序监督下学习任务级生成顺序：从随机采样的揭示前缀预测变量，汇总主干网络中反复出现的注意力模式为相互依赖图，用谱教师导出连续生成优先级，再由嵌入主干的轻量 OrderMLP 从注意力预测这些优先级，把顺序学习并入单次训练。训练逐步转向学到的顺序，随后冻结用于自回归训练与生成。该方法在语言上接近从左到右结构，在人体姿态上学到解剖学组织，在表格数据上把统计与语义相关字段放在邻近位置，并在各领域提升下游指标。
- AI 摘要arXiv cs.AI
论文：智能体决策模型更信任操作记录而非环境观察
一篇 arXiv 论文研究智能体决策模型在动作静默失败时如何取舍信息：记录显示成功，环境却显示未生效。作者在 Android 屏幕轨迹、ALFWorld 和 WebShop 中构造配对状态，分别改变观察、记录动作与显式成功声明。在四个决策模型、三个领域的全部 12 种配置中，记录对是否继续执行的影响平均大于观察；在声称成功但实际失败的步骤之后，模型仍有 53% 到 100% 的情况继续停止、前进或购买。线性探针可从中间隐状态区分成功与失败步骤，AUROC 为 0.77 到 1.00。基于该信号提出的 EVIGATE 中间层否决机制不增加前向计算，带来 0.04% 到 2.0% 的服务延迟，在注入静默失败时把 ALFWorld 实机任务成功率提升 18.7 个百分点，WebShop 提升 5.0，手机模拟器提升 5.1。
- AI 摘要arXiv cs.AI
论文：在代码空间搜索多智能体路径规划策略，两项案例均超人工方案
一篇 arXiv 论文提出，让编码智能体在代码空间中迭代地提出、实现、评估、诊断并改进算法，由仿真反馈和显式正确性校验驱动，从而把自动优化与可解释性结合起来。两个案例中，该流程均优于人工设计的方案：在 2024 League of Robot Runners 的一张困难地图上，两天搜索得到的策略在最密集实例上比本地复现的较强参赛方案高 35.0%，并能泛化到未见地图；在不规则通道、连续机器人几何与异步运动的仿真仓库中，一周搜索得到一类全新的多智能体路径规划算法，吞吐量比经过校准的专有方案高 58.9%。论文还证明，在给定假设下，新算法无碰撞，并能在有限时间内完成每个被接受且未被撤回或替换的目标。
- AI 摘要arXiv cs.AI
Foehn 生成模型实现公里级 PM2.5 全球概率预报
一篇 arXiv 论文提出生成模型 Foehn，它从全球公里级 PM2.5 估计中学习，并计算空气来源。在为期一年的回溯预报中，该模型在四分之三的站点上优于业务预报，并能按此前被粗网格掩盖的暴露尺度给出预报。其集合成员经过校准，集合均值提前四天检出局地污染极值的效果，与业务预报提前一天相当。作者指出，这类预报可在公里级数据实时可得后，为被粗分辨率地图遗漏的人群提供预警。
- AI 摘要arXiv cs.AI
KV-Surgeon 提出补偿感知的离线 KV 缓存压缩方法
一篇 arXiv 论文提出 KV-Surgeon，用于离线压缩 KV 缓存：先构建一次更小的缓存，之后反复复用，从而降低对固定上下文重复查询的开销。论文指出，已有方法在给待删除条目打分时把其余缓存视为固定，但注意力中的 softmax 重归一化会让各删除决策相互耦合，删掉一个条目会改变其余条目的注意力权重。该方法借助校准数据，用一个二次代理模型以闭式解联合决定贪心删除与剩余条目的补偿。在 QuALITY、LongHealth、Long Code Arena 上，覆盖 4B 至 30B 参数的稠密与混合专家模型，各压缩比下都推进了成本与精度的帕累托前沿；50 倍压缩时问答准确率比注意力匹配最高提升 4 个百分点，另有一个更快的变体，成本仅为其五分之二。
- AI 摘要arXiv cs.AI
LP-SMC 改进扩散语言模型推理解码，覆盖率最高提升 25.6 分
一篇 arXiv 论文提出保谱系序贯蒙特卡洛解码（LP-SMC），用于掩码扩散语言模型的推理阶段。该方法针对多项式重采样会复制高权重粒子、丢弃仍可能通向正确答案的谱系，而有效样本量（ESS）无法反映这种谱系丢失的问题，将 Chopthin 重采样与输入权重下限结合：Chopthin 限制返回权重的最大最小比值并保留不等权重，权重下限则让早期权重偏低的谱系保留恢复机会。在两个基座模型上，LP-SMC 在全部设置中把 oracle 覆盖率提升 1.8 至 25.6 分；在统一奖励模型选择器下，十二个设置中有十一个端到端准确率提升，LLaDA-1.5 最高提升 7.9 分，Dream-7B 最高提升 18.3 分。
- AI 摘要arXiv cs.AI
EvoSkill v2 发布：三智能体系统改写技能指令，不触碰模型与运行框架
EvoSkill v2 是一个三智能体系统，只改写智能体收到的指令（即技能），不改动模型本身和运行框架。用户描述基准并给出评分器，基准适配器将其转成专用插件；求解器尝试任务，进化器读取求解器的训练轨迹，并在每个 epoch 重写技能。进化器被实现为一个带 bash 工具、贯穿整轮运行的有状态编码智能体，区别于 SkillOpt 的连续单次模型调用和 SkillBoost 的每轮重启智能体。在细粒度真值下，其技能把留出集通过率在 SpreadsheetBench v2 上比 SkillOpt 与 SkillBoost 中更强的一方高 7.7 个百分点，在 τ³-bench banking 上高 5.4 个百分点；两个基准、两种反馈设置下，每提升一个百分点留出集通过率的成本都低于两个基线。Claude Haiku 5.5 同时驱动求解器与进化器时，τ³-bench banking 实验提升最…
- AI 摘要arXiv cs.AI
TESS：用大模型引导搜索做具身任务规划，被 EMNLP 2026 收录
针对具身任务规划中 LLM 生成的计划在复杂环境下可执行性与正确性不足、经典搜索又依赖完全可观测环境与已知状态转移的问题，作者提出 TESS，把大模型的常识知识接入搜索流程：将自然语言指令转成格式化目标条件、在部分可观测环境中辅助探索、构建基于规则的世界模拟器、并剪枝候选动作以提升搜索效率。在 VirtualHome 与 ALFWorld 上的实验显示其表现优于对比方案，论文被 EMNLP 2026 findings 收录，代码将公开。