论文：AI 论文、技术方法与基准测试第 40 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
WebKD：用黑盒教师改写学生失败轨迹来蒸馏网页智能体
针对闭源教师模型无法提供 logits、只能离线模仿演示的问题，作者提出 WebKD：让教师充当学生失败回合的编辑者，定位首个出错点，从该点起改写学生的推理轨迹、harness 状态与动作。方法上，教师在数据空间用学生自己的风格书写修正，在目标空间按推理对动作的贡献加权，并用角色非对称 KL 锚让修正后的动作自由移动、同时把推理保持在学生先验附近。在 TimeWarp 基准上，WebKD 学生比行为克隆、结果奖励强化学习和教师编辑基线高出约 5.5 至 10.7 个百分点，性能可迁移到未见版本与 OnlineMind2Web 的真实网页环境。
- AI 摘要arXiv cs.AI
ActionOPD：以语义动作为单位蒸馏语言模型智能体
一篇 arXiv 论文提出 ActionOPD，把智能体蒸馏的监督单位从 token 换成语义动作。方法在学生对局中遇到的状态上，分别从学生和黑盒教师采样动作，按学生动作与教师动作的语义一致程度给予奖励，再通过策略优化对齐行为。它不需要教师写出推理过程，也不需要教师 token 概率或与学生共享分词器。用两个教师训练 Qwen3-4B 与 Qwen3-8B，在四个分布外基准上平均提升 3.3 至 6.9 个百分点，在 τ²-bench 上与离线蒸馏和 token 级 OPD 表现相当。
- AI 摘要arXiv cs.AI
AgenticRV：面向智能体AI的运行时验证架构发布
一篇投稿于arXiv的论文提出AgenticRV，一种运行时验证架构，把监控边界与监控形式化方法解耦。适配器发出规范化事件，每个监控器获得各自的投影与抽象，决策策略依据规范化裁决选择由相应适配器支持的反应。作者形式化了观测何时充分、监控器替换何时保持决策、阻断何时防止不安全效果，并区分被拒绝的尝试与已完成的效果。Python实现支持LangGraph、MCP和A2A，实验结合外部Reelay时序监控器与程序化报告监控器，消融显示两者对所选需求均不可少。
- AI 摘要arXiv cs.AI
VaryST：面向动态环境的时空预测模型发布
一篇 arXiv 论文提出 VaryST，一个从零训练的紧凑时空预测模型，目标是在时间分布演变、空间域变化、观测可用性改变等部署环境下保持泛化能力。现有模型通过节点专属表示、预定义空间支持集和对持续可用观测的依赖与训练环境紧密耦合。VaryST 从长期历史中导出节点表示以应对时间变化，动态选择预定义邻域之外的功能相关支持节点以应对空间变化，并在训练中选择性遮蔽模型最依赖的历史片段，以应对观测缺失。在六个真实数据集上与十七个基线对比，该模型在域内预测精度、零样本与少样本泛化以及观测可用性变化下的鲁棒性上均有表现。
- AI 摘要arXiv cs.AI
arXiv 论文提出 ReproBAIT，评测编码智能体能否复现生物 AI 工具
一篇提交于 2026 年 10 月 14 日的 arXiv 论文提出名为 ReproBAIT 的评测，用来衡量编码智能体在信息受限条件下设计、实现并训练生物 AI 工具的能力。智能体被置于无网络的沙箱中，只拿到训练数据、固定的时间与算力预算，以及关于目标工具的有限描述，复现结果按工具专属指标在留出数据上打分。评测对象包括逆蛋白折叠工具 ProteinMPNN、全原子生成扩散工具 RFdiffusion3，以及一个闭源分子设计工具。结果显示，部分工具可被较好复现，而高度复杂的工具复现能力有限；同时存在中等程度的记忆迹象，且不同智能体表现不一。作者据此提示，工具开发者公开信息时需更谨慎。
- AI 摘要arXiv cs.AI
研究用GRPO训练模型生成if-then规则以改进心智理论推理
一篇投稿于arXiv的论文研究如何让大语言模型在心智理论（ToM）推理中把感知、信念与行动显式连接起来。作者生成简短的if-then规则表达从感知到行动的关系，并用GRPO在四个ToM基准上训练Qwen2.5与Llama3模型。结果显示，带规则生成的GRPO优于提示、监督微调与think推理；参数量不低于3B的较大模型生成的规则还能迁移，提升GPT-4o-mini的下游表现。作者认为显式规则有助于弥合ToM推理差距并支持跨模型知识迁移。
- AI 摘要arXiv cs.AI
StateCraft 用抽象状态推理增强视频世界模型
研究者提出 StateCraft，把可持久更新的抽象状态与视觉状态解耦：抽象状态记录世界演化中实体的变化，并用来条件化表示当前视角的视觉状态。该架构将语言模型与视频扩散模型配对，用于演化动态世界。团队在生成式界面上评测，这类场景下单次动作可能改变当前不可见的部分状态。为支持训练与评测，他们构建了无需人工或智能体监督、可规模化产出密集标注轨迹的数据采集流程，以及衡量生成质量、记忆与控制力的基准。在该基准上，方法超过现有最优基线，并在长轨迹中保持较高自一致性与生成质量。由于抽象状态显式存在，可直接编辑，生成会跟随数据中从未出现过的状态编辑。一个概念验证的 3D 实验中，动作改变未观测房间的光照，说明该范式也可用于空间环境。
- AI 摘要arXiv cs.AI
每区一个智能体：去中心化主动推理控制多区暖通空调
研究提出一种去中心化控制器，为每个区域分配独立的主动推理智能体，通过最小化期望自由能进行规划并在线学习本区动态。智能体之间不交换消息，不依赖同伴或协调者，各自通过潜在扰动和由其他楼层计量功率导出的拥塞信号来应对未观测到的耦合。在 EnergyPlus 的 Sinergym 办公楼上，15 个智能体与三种规则控制器和三种 MADDPG 方案对比，在五个训练未见过的噪声气象年上取得最低建筑峰值均值 88.3 kW，比基线低 3% 至 17%，重合因子 0.929。整个智能体群运行在一块 Raspberry Pi 5 上，通过 MQTT 闭环延迟 p95 为 442 ms。
- AI 摘要arXiv cs.AI
LiFi：多视角图像生成LiDAR点云的专用框架，被NeurIPS 2026接收
一篇被NeurIPS 2026接收的论文提出LiFi框架，专门从多视角相机图像生成视觉与几何对齐的LiDAR场景。该方法通过几何与语义两条互补分支引导潜在扩散过程：几何分支借助反向采样算法、不确定性感知几何编码器并结合DepthAnything3构建场景特征，语义分支通过跨视角交互模块提供高层语义表示。作者还提出双分支平衡的无分类器引导（CFG）策略，在保留两分支独立学习与协同可控性的同时增强条件生成能力。实验显示其在生成高保真LiDAR场景上优于现有最先进方法，代码将公开。
- AI 摘要arXiv cs.AI
LabOPBench：756题多模态实验室决策基准发布
研究者发布 LabOPBench，一个面向有机合成与材料科学的多模态基准，包含 756 道由专家撰写并经独立评审的题目。每道题把实验室证据与流程背景、开放式判断配对，用题目专属评分标准评估。八个多模态模型总体归一化得分仅 28.8% 至 45.8%。在受控的 100 题子集上，最强模型平均表现超过本科生参与者，但仍低于博士生参与者平均水平。对三个领先模型回答的专家分析指出，主要错误模式为证据误读与证据-决策冲突。
- AI 摘要arXiv cs.AI
PRISMATIC：面向多病共存用药的多智能体处方风险系统
针对多病共存患者用药方案复杂、跨科室决策割裂导致处方错误的问题，研究者提出 PRISMATIC 多智能体架构。系统采用黑板结构，由代表不同工作流角色的专门智能体协作生成并迭代优化治疗方案：先从临床记录中结构化患者信息，再逐步产出安全、合理、可解释的用药方案。协作由两种自适应协调机制控制：DSWA 依据历史病例结果长期调整各智能体的影响权重，DFPC 则在当前病例中通过迭代反馈消除分歧与处方冲突。基于 MIMIC-IV 数据库患者记录的实验显示，与强 LLM 基线相比，该系统显著减少药物冲突、提升处方覆盖度与治疗一致性。
- AI 摘要arXiv cs.AI
论文提出文言文思维链，在Qwen3-4B上压缩中文推理长度
一篇投稿于arXiv的论文提出「Wenyan Thinking」方法：让中文推理模型用文言文输出中间推理过程，最终答案仍保持简短直接。作者以现代汉语推理轨迹为起点，仅将推理部分改写为文言文，并据此微调Qwen3-4B-Thinking-2507。为区分「语体切换」与「一般压缩」的效果，研究用相同源数据、教师模型族、基座模型和监督微调流程构造了紧凑现代汉语对照组。在MMLU-ProX-Lite-ZH、CEVAL、AGIEval-CN三项预算敏感评测中，该方法在受限解码下明显缩短推理长度并降低未作答率；紧凑改写解释了大部分效率收益，而文言文在主基准上稳定优于紧凑现代汉语对照组，在其他基准上保持竞争力。
- AI 摘要arXiv cs.AI
ProtModernBERT：预训练算力最高降九成的蛋白质语言模型
研究团队提出 ProtModernBERT，一种基于氨基酸序列预训练的现代化 BERT 风格模型，目标是在算力受限的实验环境中降低训练成本。在二级结构预测、无序区预测、亚细胞定位等监督结构任务以及 ProteinGym 零样本功能基准上，该模型性能与 Amplify-120M、ProtBert 相当或接近，而预训练 FLOPs 最多减少 80% 至 90%，与 ESM2 的差距在控制预训练条件后有所缩小。作者还采用基于聚类的验证协议选择超参数，并用随机初始化模型区分架构与数据的贡献，认为现代架构组件带来的归纳偏置在低算力条件下比参数量更关键。
- AI 摘要arXiv cs.AI
论文区分目标误泛化的三种失效形式
一篇投稿于 arXiv 的论文研究智能体在分布外表现正常却偏离既定目标的现象。作者在三个 Procgen 环境和五项机器人任务中发现三种不同的策略—目标错位：功能性目标替换、策略走捷径、以及目标线索与代理线索的竞争。三者区别在于目标信息在内部保留的位置、对策略的影响强度以及在动作选择中的作用，目标丢失的深度各不相同。在目标能到达决策环节的情形下，引导可将目标达成率从 16.0% 提升到 95.3%；在目标到达策略但未到达决策环节时，只有重新连接下游才能把达成率从 31.6% 提升到 84.3%；目标完全惰性时两种方法都无效。
- AI 摘要arXiv cs.AI
研究提出 ARP-CD：免训练缓解视频大模型幻觉
一篇投稿于 arXiv 的论文提出 ARP-CD，一种免训练框架，用于在表示空间直接构造对比解码所需的负样本。该方法利用答案预测位置上分配给视觉 token 的注意力质量，引导对语言模型输入视觉隐状态做有界梯度更新，从而降低视觉注意力并生成负输入，再与原始分支的预测在生成全程做对比。作者在四个视频大模型和四个基准上测试，称 ARP-CD 在多数模型—基准组合中优于代表性的免训练基线，在减少幻觉的同时改善通用视频理解。分析显示，注意力引导的扰动方向提升了负样本质量，这些负样本能作为有效的对比参考来纠正原始预测。
- AI 摘要arXiv cs.AI
论文提出候选集视觉定位任务CSVG与基准CandVG
一篇投稿于arXiv的论文提出候选集视觉定位（CSVG）任务，目标是在对话语境逐步累积时，估计与语境相符的物体集合，而不是假定信息足以锁定唯一目标。作者同时给出CandVG基准，用来衡量候选集在对话轮次之间的变化。对视觉语言模型的评测显示，视觉定位能力更强并不必然带来更好的CSVG表现；模型难以预测完整候选集，原因包括候选生成困难，以及在对话早期过早收敛到很小的候选集合。论文指出，用面向CSVG设计的指令，可在所评测的大规模模型上部分缓解这一限制。
- AI 摘要arXiv cs.AI
ONCship 发布 4521 小时水下声学船舶识别数据集
研究者公开 ONCship，一个面向水下声学船舶识别的大规模数据集，由 Ocean Networks Canada 水听器录音与 AIS 数据整理而成，总时长 4521 小时。论文在自监督表示学习、船型分类和 MMSI 级船舶分类三项任务上评测该数据集。在 DeepShip 与 ShipsEar 上的实验显示，ONCship 与 AudioSet 联合预训练后，线性探测在 DeepShip 上取得 62.45% 分类准确率；将 ONCship 作为辅助训练数据也能提升下游船型分类表现。MMSI 级任务把每艘船视为独立身份，不同损失函数微调的模型 Top-1 准确率超过 53%，Top-5 接近 69%。
- AI 摘要arXiv cs.AI
研究提出衡量语言模型表达上限的新方法
一项预印本研究提出测量语言模型表达上限的工具：一是提示优化算法，在基准上比现有算法最高提升14%，并能估计提示上限；二是传输度量，发送方标注文本，接收方尝试还原其提示，还原效果与人类标注错误高度相关。研究用观测缩放定律考察概念可传输性随模型能力增长的变化，覆盖八个领域共1.2k个概念，将其分为可完全表达、未来更强模型或可表达、存在表达极限三类，并发现后一类概念的含义与身份和社会群体意识相关。
- AI 摘要arXiv cs.AI
arXiv 论文提出 PHD 方法建模个体科研品味
一篇 arXiv 论文提出 Privileged Hindsight Distillation（PHD）方法，把科研品味建模为研究者个人从共享评估空间中的准则级判断到相对偏好的映射。该方法在训练时利用后续出现的科学证据改进提案阶段的准则评估与群体映射，推理时只使用提案可见信息。群体级映射由回顾性监督学习得到，用于个体反馈稀少时的冷启动。研究主要在量子领域评估，以成对提案比较作为观察个体品味的接口，每位研究者仅需 15 次比较即可捕捉差异明显的偏好，包括在准则间权衡时对同一方向对的相反偏好。交互研究中，个性化排序还能呈现与后续用户参与度更高的提案。
- AI 摘要arXiv cs.AI
ChunkAct 用动作分块降低机器人智能体 LLM 调用量
一篇投稿于 arXiv 的论文提出 ChunkAct，把动作分块引入智能体机器人。其思路是：子目标确定后，后续原语按记忆里已有的流程执行，逐条调用 LLM 推理存在大量冗余。在线阶段一次调用即启动一串链式原语并自主执行，仅在失败时交回控制权；离线阶段把记忆编译成这些块，使测试时执行不再依赖记忆，规划器只用于真正需要推理的决策。由此 LLM 计算量随决策数而非原语数增长。在 LIBERO-Pro 上，任务成功率比该方向此前最优结果高 5.0 个百分点，同时 LLM 调用减少 2.9 倍，输入 token 减少 4.4 倍，输出 token 减少 2.3 倍。