论文：AI 论文、技术方法与基准测试第 41 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
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。
- AI 摘要arXiv cs.AI
VLA预训练质量感知研究：提出AXIS-Bench基准并比较三种策略
一篇投稿于arXiv的论文比较了视觉-语言-动作（VLA）模型预训练中利用演示质量的不同方式。研究使用5000条自然次优人类演示和24个目标任务，在三个VLA模型上对比了加权、过滤和条件化三种策略，并匹配了演示数量与训练预算。结果显示，感知方法的回合条件化比普通行为克隆提升平均成功率；条件化与过滤分别偏好回合标签和片段标签，但存在模型依赖的反转。论文同时提出AXIS-Bench基准，基于众包仿真演示，提供可重放轨迹与物体接触状态，支持重算质量标签和用户自定义真实目标任务。真实世界实验中，仿真预训练将成功率从9.6%提升至31.7%。
- AI 摘要arXiv cs.AI
Tev 发布长程智能体训练数据集与 27B 模型
一篇投稿至 arXiv 的论文提出 Tev-Gym，这是面向长程智能体的训练数据集，包含 7 个领域共 1170 个经过验证的任务环境，每个任务带有可验证、密集且渐进的奖励。其做法是先构建任务领域的隐藏完整规格，再据此逐步渲染出智能体面对的环境，从而控制复杂度并得到进度度量。作者用进度潜力奖励塑形把该度量转成每步密集奖励，训练出 Tev-27B，在 ALE-CM 的 Pass@5 上追平 GPT-6 Astra 与 Claude Opus 5，并泛化到 Terminal-Bench 3.0、4.0 子集，超过 GLM 5.2 与 Gemini 3.7 Flash。
- AI 摘要arXiv cs.AI
DoubtLess：免训练对比解码让推理链缩短31%
一篇 arXiv 论文提出 DoubtLess，一种免训练的对比解码方法：由较小的推理模型读取大模型已生成的思维链两次，分别以「简洁」和「冗长」两种提示运行，两个 logit 向量之差按强度缩放后，在思维链每一步叠加到大模型的 logits 上。在竞赛数学、研究生水平科学与竞赛编程共七个基准上，该方法把 Qwen3-32B 的思维链缩短 31% 且准确率不变，优于五个推理期基线；在自调试编程智能体中每轮思考 token 减少 20%，任务表现不变，并可泛化到另外两个模型家族。
- AI 摘要arXiv cs.AI
AesCode 用解耦跨模态奖励提升代码生成视觉质量
一篇投稿于 arXiv 的论文提出 AesCode，把幻灯片、海报、仪表盘这类视觉产物生成为代码。做法是把目标表示为描述整块画布的设计图，并从中导出两类互补奖励：可解析属性由确定性验证器打分，不可解析属性由 VLM 评委依据与图元素绑定的 Visual Graph Rubric 评估，再通过带逐通道归一化的强化学习优化。论文同时构建了分别衡量可验证正确性与视觉质量的基准。与同规模 Qwen3-VL 基线在相同参考图下相比，AesCode-8B 和 AesCode-32B 的视觉质量分别提升 31.1 和 22.4 个百分点，达到与 GPT-5.5、Claude Opus 4.8 等闭源前沿模型相当的水平。
- AI 摘要arXiv cs.AI
HybridAgents：在潜空间推理与文本交互间动态切换的智能体
一篇 arXiv 论文提出 Hybrid Reasoning Agents（HybridAgents），让智能体在统一生成过程中于潜空间推理与文本交互之间动态切换。架构上，轻量组件 HybridLink 负责两种模式间的转换，连续工作记忆在多轮中保留无损的混合上下文，从而在保留工具调用能力的同时让潜空间思考可被直接检查。作者还设计了 HybridSFT 与 HybridRL 两阶段后训练算法。在 3 个模型规模、覆盖数学、科学、医学、搜索与智能体推理的 11 个基准上，HybridAgent 相比前沿 LLM 智能体与智能体框架性能提升 10.4%，token 减少 35.5%-54.7%，推理快 1.8x-2.6x，成本降低 2.7x-3.7x。
- AI 摘要arXiv cs.AI
论文提出双时钟框架解释RLVR大批量训练效率下降
一篇投稿于arXiv的论文研究可验证奖励强化学习（RLVR）中 rollout 批量大小与学习效率的关系。作者提出双时钟框架，把「取得进展所需样本」与「崩溃前消耗的样本」分开。在局部二次模型下，平方根学习率缩放规则能保持每样本一阶漂移，却不能保持进展：批量越大，更新次数越少、单步越长，曲率带来的损失更多，存在一个依赖学习率的临界批量，超过后样本效率下降。漂移阈值假设预测了另一个失败时钟，其样本数在平方根规则下近似不变。在 Qwen2.5-Math-1.5B 上跨 16 倍批量范围的 GRPO 对照实验支持上述两个预测。比率裁剪可推迟失败，尤其对大批量，但无裁剪时进展差距依然存在；放宽裁剪会以稳定性换取短暂加速。该进展差距在另一数据集、通用 checkpoint 和 7B 模型上重现。作者据此给出多步 RLVR 调度：从低于临界批量开始，在失败前切换到更大批量。
- AI 摘要arXiv cs.AI
MFG：用多轮反馈强化学习训练LLM优化分子
一篇 arXiv 论文提出 MFG（Multi-turn Feedback Guided）分子优化框架，用强化学习训练大语言模型在多轮迭代中利用上一轮反馈逐步改进分子。该框架引入反馈向量，同时刻画性质提升与对源分子的相似度，并配套设计反馈对齐的奖励函数，鼓励跨轮次的渐进式改进。作者将其应用于多目标分子优化模型 GeLLM³O，得到 GeLLM³O-MFG，并在十个多目标分子优化任务上评测。结果显示，GeLLM³O-MFG 的平均相似度约束成功率最高，为 81.50%，高于基座模型 GeLLM³O 的 70.81%。
- AI 摘要arXiv cs.AI
LIBERO-RIG 基准发布：只扰动机器人硬件，评测 VLA 模型鲁棒性
研究者提出 LIBERO-RIG，一个在保持 LIBERO 任务不变的前提下，只改变机器人硬件与搭建条件的鲁棒性基准。它覆盖十一个扰动维度，包括相机安装与光学、相机与机械臂标定、驱动增益、控制频率、本体感知噪声、底座位姿、桌面高度和夹爪垫片，每个维度分五档严重程度，在四个 LIBERO 套件上共形成 210 种条件。团队用每种条件 500 个回合评测了九个近期视觉-语言-动作模型，并做统计检验。综合成功率从中等严重程度的 0.932 降至 0.767，最高严重程度降至 0.509；不同扰动维度和动作接口的退化差异明显，仅用视觉扰动训练无法缓解相机图像不变的故障。基准与逐回合固定扰动参数清单一并公开。
- AI 摘要arXiv cs.AI
论文提出Physical RSI框架，指出现有文献尚未实现该能力
一篇提交于arXiv的论文研究「物理递归自我改进」（Physical RSI），即让物理经验持续更新机器人的能力及其改进流程，使后续改进更有效。论文指出该方向受噪声观测、连续动力学、试错成本高和后果不可逆等制约，提出L0至L5分级框架，区分能力层与元层更新、任务内与跨任务收益，其中L5要求递归增益经过独立验证。作者梳理了围绕执行框架适配与模型训练的现有方法及安全控制机制，结论是现有文献尚未展示符合该框架定义的Physical RSI，并提出可靠反馈、因果归因、安全保持与基准测试等研究优先方向。
- AI 摘要arXiv cs.AI
KL正则化离线Q学习首次获得快速率保证
一篇投稿于arXiv的论文研究有限时域马尔可夫决策过程下的离线Q学习，并引入KL正则化。作者提出KLQ，一种经典Q学习的简单变体，证明其在无需显式悲观机制的情况下达到样本复杂度Õ(1/ε)，但该保证对KL正则化参数和时域呈指数依赖。为此作者进一步提出KLPQ，在KLQ中加入悲观机制，在保持Õ(1/ε)速率的同时去掉了显式指数依赖，从而改善样本复杂度。作者称这是表格型有限时域KL正则化MDP中离线Q学习的首个快速率保证。
- AI 摘要arXiv cs.AI
论文提出 Scenario-Actor：按交际场景推断温度调节解码
一篇投稿至 AACL-IJCNLP 2026 主会议的论文提出 Scenario-Actor 框架，用于选择大语言模型的采样温度。现有主流做法多依赖固定的启发式全局设定，或按上下文、token 级别做校准，缺少对交际场景的几何化可解释表示。该框架从 Transformer 隐藏状态中提取与场景相关的结构，再由场景嵌入决定温度。在 Llama-3.1-8B-Instruct 上的实验显示，它在交互式社交场景的目标完成、开放式指令跟随上取得提升，多轮对话表现与多个基线相当。
- AI 摘要arXiv cs.AI
研究：回译仍有效，低资源翻译优于继续预训练
一篇 arXiv 论文比较了在低资源机器翻译中利用单语数据的两种做法。作者认为，与其把大模型继续预训练到低资源语言上，不如采用大模型出现之前就有的回译方法：让微调后的模型把单语句子译成目标方向，用得到的句对反向训练模型，并穿插平行语料的更新以保持稳定。在 Odia 和 Swahili 上仅用 1K 平行句对时，回译在领域内比继续预训练高出 7.7 到 16.4 个 XCOMET-XXL 点，也超过平行数据多十倍的模型。从平行数据中检索上下文示例还能进一步提升效果。
- AI 摘要arXiv cs.AI
arXiv 发布《Self-Evolving Agent Harness》论文…
一篇题为 Self-Evolving Agent Harness 的论文提交至 arXiv cs.AI，作者为 Chuyang Wei、Haoxiang Guan、Minghang Zhu、Kexin Zhou、Jiyan He、Xiren Zhou、Huanhuan Chen、Yifei Shen。论文提出在模型权重固定的前提下，修改智能体的软件脚手架，包括提示词、记忆、工作流与可执行组件，并将被采纳的修订跨运行保留。框架把更新对象与提案、准入机制分开，区分解释状态变更与工具代码、仓库级控制逻辑、插件组合的修订，并用演化优化刻画搜索过程，通过持续 PAC 学习分析可靠性，给出期望泛化界、受历史回归预算约束的保留界，以及使用新鲜独立验证数据的高概率准入规则。论文共 66 页，含 18 页正文与 3 张图，并附持续更新的代码与补充材料。
- AI 摘要arXiv cs.AI
ADiCo：用极值搜索控制在线调节多智能体行为多样性
一篇被 IEEE CDC 2026 接收的论文提出 Adaptive Diversity Control（ADiCo），用于协作式多智能体强化学习。该框架分两个时间尺度：快尺度上由 Diversity Control（DiCo）把系统多样性调节到目标值，慢尺度上用极值搜索控制器（ESC）仅依据平均回合回报调整该目标，不需要显式模型或多样性—性能关系的解析梯度。作者在两个协作 MARL 任务的六种配置上测试，ADiCo 能维持与任务匹配的多样性水平，性能达到或超过网格搜索最优多样性目标的 DiCo，以及不设目标约束的 Unconstrained DiCo。