论文：AI 论文、技术方法与基准测试第 31 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
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。
- AI 摘要arXiv cs.AI
UtilityBench 提出按错误代价评估语言模型效用的基准
这篇论文指出，主流评测把模型的各类错误同等看待，忽略了现实中不同错误后果差异很大，例如医疗场景中单次失误就可能危及患者安全。作者提出以效用为基础的评估范式，并构建 UtilityBench：包含 15000 条带可验证答案的实例，用 Best-Worst Scaling 量化错误严重程度，形成数据驱动的代价估计；这些效用值决定模型何时应答、何时弃答。作者同时提出 UtilityAUC 指标，衡量模型按响应排序形成的效用曲线下面积。理论分析显示，该指标能区分标准准确率与 AURC 无法区分的模型；对 20 个先进模型实测发现，准确率更高或架构更先进，并不必然带来更高的 UtilityAUC。
- AI 摘要arXiv cs.AI
论文提出反例验证框架 Falcon，用于智能体编码安全
一篇投稿至 arXiv 的论文提出名为 Falcon 的反例验证框架，用于智能体编码场景下的安全验证。该框架把攻击探索与行为验证拆成两步，用被测程序的执行轨迹把两者连接起来，从而避免优化器只改善安全信号给出的判定、却未真正消除漏洞。在测试时修复中，Falcon 在留出的功能安全指标上优于其他安全信号，同时保持或改善功能；作为强化学习奖励时，它在留出的功能安全上超过静态分析与学习型奖励，即使各策略都成功优化了各自的训练奖励。与代理奖励结合还能进一步提升留出表现。
- AI 摘要arXiv cs.AI
新基准 PITCH 测主动式 AI 在多人群聊中的插话时机
研究者提出 PITCH 基准，用真实多人群聊中参与者对 AI 主动发言时机的判断来评测模型。数据来自 89 名参与者的 35 段对话，含 384 条候选发言与 1091 条判断，每条标注理想轮次、可接受窗口或不应出现。评测 15 个模型、28 种配置：给出完整对话历史时最佳轮次准确率为 57.8%，改为随对话实时决策则降至 19.0%，近半数插入早于所有参与者的可接受窗口；实时决策的普通人为 23.7%，过早比例为 39.7%，低于模型的 46.4%。模型给出的理由中 93% 提及相关性，几乎不考虑是否该等待。
- AI 摘要arXiv cs.AI
arXiv 论文提出 RNDR-TFCA 架构，用于电机复合故障诊断
一篇投稿至 ICSV33 的 arXiv 论文提出 RNDR-TFCA，这是一种带注意力机制的 cross-talk 架构，用于多输出复合故障诊断。该方法保留各任务专属的特征提取器，同时让任务之间有选择地交换信息：时频注意力关注任务内部的有效区域，通道注意力在非线性特征融合后强化任务间的有用信息。在含内圈故障、外圈故障、不对中与不平衡的转子-轴承系统实验中，其 macro F1 为 0.898，优于单任务、多分类、共享主干与 cross-talk 基线；消融实验验证了两种注意力机制联合使用的收益。模型规模为 713K 参数、170.42 MMACs，仅略高于 RNDR。
- AI 摘要Stanford HAI News（网页）
斯坦福HAI发布三项医疗AI基准，测出Agent实际完成率不足一半
斯坦福HAI用三年时间构建了MedHELM、PhysicianBench与HealthAdminBench三项医疗AI评测基准。MedHELM由29位临床医生参与，建立含5大类、22个子类、121项任务的分类体系，覆盖临床决策支持、病历生成、患者沟通、医学研究辅助与行政流程。PhysicianBench在可运行的电子健康记录环境中考察AI Agent能否端到端完成真实临床任务，HealthAdminBench则聚焦行政与工作流。三项基准给出同一结论：当前最好的AI Agent完成不到一半的工作，在跨步骤、跨文档、跨系统时容易丢失信息。
- AI 摘要arXiv cs.AI
一篇 arXiv 论文提出单关系攻击，可误导 LLM 智能体判断
arXiv 上提交的一篇论文提出「单关系攻击」（ORA）：它定位证据与结论之间一条关键的隐含推理依据，再用一句有来源支撑的话对这一依据做限定，把智能体引向错误结论。在生物医学推理与漏洞检测两类任务、十八个模型上，best-of-10 攻击把原本正确的答案翻转，专有模型平均翻转率为 54.9%，开放权重模型为 80.0%。攻击无需受害者反馈即可迁移，配对对照实验支持「定位」与「限定」两个环节各自的作用。成功的句子能通过来源支撑检查而不被识别；在平衡压力测试中，多智能体辩论反而把团队错误率从 50.0% 抬到 59.5%。作者据此把隐含推理依据视为操纵智能体信念的一类认知攻击面。
- AI 摘要arXiv cs.AI
论文提出 Bellman 语言模型：把 LLM 智能体的重复决策求解为控制器
一篇 arXiv 论文把智能体工作流中的决策与内容生成拆开，观察到在有限工作流里决策状态会趋于饱和，模型却每轮都从上下文重新推导。作者提出 Discretize, Then Decide：从工作流日志或智能体自身运行记录中把对话读成离散状态，估计各结果概率与动作成本，直到不再出现新状态、概率稳定，再求解对应的马尔可夫决策过程。解出的策略作为控制器包在模型外层，内容在状态中已固定的动作（如工具调用、模板回复）直接下发，未见过的状态仍交回 LLM。按此方式运行的 LLM 被称为 Bellman language model。在 τ²-bench telecom 上，无模型的控制器解决 79% 任务；Qwen3.8-27B 从 29% 升到 96%，模型调用减少 93%；Claude Opus 5.5 的调用与单任务成本降约 98%，并多解 2 个任务。InventoryBench 上该策略优…
- AI 摘要arXiv cs.AI
SpriteStage 用渐进式场景编程生成约 10 至 14 分钟长动画
一篇 arXiv 论文提出 SpriteStage 框架，用于生成长时间跨度的动画。它不先写完整故事再执行，而是逐场景推进：每个场景从已确认的世界检查点和叙事快照出发，在共享空间舞台上执行，并依据运行时与视觉反馈修改动作或剧情节点，通过的结果成为下一场景的起始状态。随后引擎重编排把草稿映射到生产资产与引擎能力，保留事件、几何与时间关系，再经序列检查与冻结回放输出最终视频。作者用三段完整动画验证，时长约 9.9 至 14.3 分钟。
- AI 摘要arXiv cs.AI
PatternBench 提出衡量编译器之外的 LLM 代码优化能力
一篇论文提出 PatternBench 基准，用于研究「编译器超越型优化」，即经过激进编译器优化后仍能保留的性能提升。该基准覆盖七类变换的残余优化机会，并把运行时评估与基于 AST 的优化忠实性分析结合起来，检查生成程序是否真正实现了目标变换。对前沿模型、开放权重模型和微调模型的实验显示，单看运行时加速无法完整反映优化能力；优化忠实性与实际加速强相关，微调同时提升忠实性与优化效果。作者据此主张，评估 LLM 代码优化应同时考察性能结果与目标变换是否被执行。
- AI 摘要arXiv cs.AI
研究提出 UVA 方法，让代码智能体向云端提问时不泄露私有代码
这篇论文关注本地代码智能体向更强的云端模型求助时泄露仓库私有标识符、文件路径和源码的问题。作者提出 utility-verified abstraction（UVA），训练智能体用角色和类型描述私有实体，同时保留专家所需的技术细节。做法是从已解决的修复轨迹中把每个问题改写成这种形式，只有当改写后泄露的私有实体更少、且在同一执行状态下重放修复仍能成功时才保留。在两个基准上，训练后的智能体求助更频繁；在仓库级 issue 修复中解决 37.6% 的问题，同一模型独立工作为 25.3%，作者称这一提升来自整体训练而非单靠求助。其提问泄露的私有实体比未训练智能体少 3.7 倍，逐字代码少 1.4 倍。
- AI 摘要arXiv cs.AI
arXiv 论文提出 Pair-aware 优化，混合 ZO-FO 提升 LL…
一篇投稿到 arXiv cs.AI 的论文比较了纯零阶（ZO）、纯一阶（FO）、ZO→FO 与 FO→ZO 四种越狱优化策略，并提出 ZO-FO 框架：用 ZO 搜索对抗性前缀，再用 FO 精修对应后缀。为协调两个阶段，作者引入 Pair-aware 优化，保留多个前缀候选，有条件地精修后缀，并在生成的「前缀-后缀」对之间做选择。论文还从随机生成视角出发，在优化与评估阶段统一采用随机解码。在恶意指令与恶意环境两类基准上，混合优化比单一优化器更有效，且优化顺序对结果影响明显。
- AI 摘要arXiv cs.AI
研究提出在手机NPU上完成LoRA一阶训练的系统
一篇投稿至arXiv的论文提出一种系统，把LoRA一阶训练中三次与冻结基座权重相乘的计算放到手机NPU上执行，训练图、适配器和优化器仍留在CPU。该系统的输入梯度核复用NPU上常驻的权重分块与前向反量化器，省去转置权重拷贝，使前向与反向使用同一套有效权重；并按梯度敏感度选择精度，对FP16输出逐行做范围保护。运行时融合剩余CPU算子，让NPU执行与适配器计算重叠，支持断点续跑与热节流，使训练可作为后台任务进行。实验在高通骁龙平台上用Qwen与Llama系列共四个模型，覆盖手机端标注的夜间个性化与公开基准LaMP-2。
- AI 摘要arXiv cs.AI
研究：医疗微调不降低患者端AI风险，只改变风险类型
一篇 arXiv 论文提出按风险语言评分的评估框架，覆盖治疗指令、禁忌、剂量表述、紧急分诊提示、高警示药品提及、过度自信断言六类，严重度由三个 LLM 评审组成的集成判定。作者用该框架测试六个 7-9B 指令微调模型（三个通用、三个医疗适配），在 K-QA 的 200 个真实患者问题上评测。结果显示，风险语言与事实幻觉率统计独立（合并 Spearman ρ=-0.065，n=300）；医疗微调未减少总体风险，而是改变风险分布：继续预训练类模型压制高警示药品提及、放大过度自信，临床指令微调模型只压制剂量表述。四类语言锚定类别一致性尚可，两类依赖临床判断的类别一致性偏低。
- AI 摘要arXiv cs.AI
RQA 方法：不共享奖励也能让多智能体学会合作
一篇 arXiv 论文提出 Reciprocal Q-Augmentation（RQA），用隐变量对手模型估计自身动作对他人的影响，并据此增强 Q 函数，使智能体仅凭自己的 Q 函数就能同时学到合作与背叛两类策略。在迭代囚徒困境、迭代旅行者困境、迭代猎鹿博弈和 CleanUp-Lite 四个环境中，全部采用 RQA 合作策略的智能体比完全合作算法学得更快、合作水平更高；单个 RQA 智能体在合作与背叛策略间切换，还能让标准强化学习智能体转向合作。
- AI 摘要arXiv cs.AI
研究：LLM 生成的 Java 重构仅 8 个候选满足低风险标准
一项针对 15 个开源 Java 仓库、150 个生产文件的实证研究，用五种 LLM 配置和单提示、LangGraph 多智能体两种依赖感知生成条件，共发起 1500 次重构尝试，其中 1455 个产出可分析的完整候选。按局部改动、仓库结构指标、调用方影响、行为等价指标和测试证据分类后，1365 个（93.8%）被列为高契约/依赖风险，106 个（7.3%）至少检测到一处下游调用方被破坏，290 个（19.9%）的行为等价指标为假，仅 8 个满足低风险标准。在 65 个有明确针对性测试结果的候选中 60 个通过，其中 50 个此前被判为高风险。705 对配对分析未发现两种生成条件在主风险指标上有统计显著差异。
- AI 摘要arXiv cs.AI
IndustrialCAD-1400 发布：从文本生成工业装配体的 CAD 基准
一个名为 IndustrialCAD-1400 的文本到 CAD 基准被提出，面向工业装配体而非单一零件外形。其 1400 条请求覆盖 40 个领域的 400 个设备类别，并包含 250 个四例设计族；族内请求中位数指定 17 个具名部件或配置角色与 6 个显式数值目标，受控变体用于检验尺寸改变而共享结构是否保留。任务依据厂商资料、业主规格与工程指南构建，模型输出几何程序，由统一的 Blender 环境执行生成场景、可选测量与标准化视图，再通过前视、等轴、顶视评估部件、布局与接口的可见满足度，无需单一参考几何。基准划分为五个分层面板，每个面板保留完整设计族并恰好覆盖一次。
- AI 摘要arXiv cs.AI
研究提出针对拉长回复型 LLM 木马的防御方法
一篇 arXiv 论文研究了一种新的数据投毒攻击：在被指令微调的大模型中植入木马，当提示中出现触发条件时，模型会输出更长的回复，从而抬高用户的 token 成本。作者指出，部分前沿模型服务商的回复 token 单价是提示 token 的五倍，另一些服务商则对提示 token 提供预填充折扣，因此按 token 计费的成本管理已成问题。论文展示了木马可被语义相近的指令触发，并给出针对该攻击的防御方案。
- AI 摘要arXiv cs.AI
arXiv 论文：从法律角度论证 AI 权利与强制关闭开关可兼容
一篇提交至 arXiv 的论文从法律视角回应了 AI 安全领域的一种反对意见，即给 AI 赋予权利会让人更难为潜在危险系统设置强制关闭开关。作者提出，即便未来某些 AI 系统被赋予自然人地位、拥有不可剥夺的存续权，法律仍允许对其设置强制关闭机制，前提是接受定期或持续的安全审查。论文区分了永久删除式关闭与可逆暂停式关闭：前者在 AI 权利制度下可能引发争议，后者会保存系统权重与状态，在几乎所有与安全相关的场景中都能获得法律原则支持。作者强调，他们并不主张或反对建造足以获得自然人地位的系统，讨论的是这类系统若出现时法律应如何应对。
- AI 摘要arXiv cs.AI
arXiv 论文提出 Evidence Field 医学影像可训练空间程序架构
arXiv 收录一篇题为 Evidence Field: Adaptive Covering Programs for Medical Imaging 的论文，作者为 Isarar Siddique、Raiyan Siddique、Arshi Niyaz、Jamyang Ugyen Tshomo、Atish Raza。论文提出一种可训练的空间程序架构，同时输出类别分数、选定的覆盖程序与带符号证据。编码器结合绝对响应场与图像相对响应场、关联空间矩和学习到的特征和；类型化分类器对单个区域及父条件乘法组打分，覆盖递归负责选择尺度、划分与组合。论文给出精确一重覆盖、注册语法内最优性、平滑训练与硬推理之间的界、带符号分数守恒及类中心偏移不变性等结论，并说明二维与三维网格上的算术与存储缩放。论文共 9 页、5 幅图，属 eess.IV，交叉 cs.AI、cs.CV、cs.LG。