论文：AI 论文、技术方法与基准测试第 42 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
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。
- AI 摘要arXiv cs.AI
SEAR：让语言模型智能体自主进化机器人技能
一篇新论文提出 SEAR 框架与基准，研究语言模型智能体能否真正让机器人自我改进。智能体有三种运行方式：编写控制代码作为策略、在控制回路中实时行动、或作为研究者微调视觉-语言-动作模型。基准加入对照设计，把保留的经验与重复尝试、熟悉任务、模拟器特权状态、更大预算和运气区分开。研究覆盖七个前沿语言模型、330 个模拟任务和五个物理任务，累计超过四年的智能体运行时间。作者发布基准与代码库以支持后续研究。
- AI 摘要arXiv cs.AI
字节级Transformer恶意软件检测框架MalwareFormer发布
一篇被IEEE ICAD 2026收录的论文提出MalwareFormer，一种直接处理可执行文件原始字节的Transformer恶意软件检测框架，无需领域知识或特征工程。论文称其准确率98.35%、平衡准确率98.32%、宏F1为98.32%、假阳性率1.94%，在所有依赖阈值的分类指标上均优于两个基线。作者指出，传统方法依赖静态或动态分析的手工特征，需要专业工具与耗时分析，面对现代恶意软件的复杂度与多样性时扩展性和鲁棒性受限，而直接基于原始字节的方法虽含丰富语义与结构信息，但常规静态与CNN方法难以捕捉长程依赖。
- AI 摘要arXiv cs.AI
论文拆解 LLM 集成增益来源，指出增益归因依赖对照条件
一篇 arXiv 论文研究 LLM 集成增益的来源，作者 Donghwan Kim。研究在四种匹配条件下考察聚合器：Direct（无候选）、Single-slot（多槽界面中一个候选）、Duplicate（一个候选重复）、Multi-candidate（分别生成的候选）。在任一非多样性对照下，整体候选增益 CIV 可代数拆分为额外候选对比 DSV 与候选上下文对比 CCV，拆分方式依赖所选对照，而 CIV 本身不依赖。在 MultiHopRAG 模型多样性（k=2）上，重复差距 Rep=-8.33 个百分点 [-13.25, -3.75]；在匹配的 FRAMES 更强面板扩展（n=200，k=3，聚合器输出上限 4096）上，配对 Delta Rep=+9.67 个百分点 [+6.00, +13.50]，面板内 Rep 变号（原 -6.33；更强 +3.33）。在 FRAMES 证据聚合…
- AI 摘要arXiv cs.AI
CarryOn：面向长程智能体的面向对象上下文运行时
一篇 arXiv 论文提出 CarryOn，一种面向对象上下文运行时，把长程智能体的延续建立在可复用任务对象上，而非压缩历史或重建的进度叙述。其上下文视图由延续载体、补充执行上下文与近期交互的实时尾部构成。为在历史退役后保持可复用基础有效，CarryOn 跨折叠维护载体记录，依据绑定证据与环境检查修订受影响记录，并保留未受影响记录、联合更新执行上下文。在 OSWorld 2.0 与 BrowseComp-Plus 上分别取得 5.8% 与 7.0% 的提升，同时总 token 用量分别减少 51.9% 与 22.9%。
- AI 摘要arXiv cs.AI
BLADE：免训练框架审计多智能体信息使用以定位失败责任
多智能体协作让失败更难诊断，一个智能体可能误读正确结果，其他智能体继续传递错误。已有方法追踪依赖关系，但知道信息来自哪里不等于知道哪里出错。BLADE（Blame Localization via Audited Dependency Evidence）是一个免训练框架，借助 Jev 做结构化概率判断，用依赖概率选出相关的源决策交接点，检查接收决策是否忠实且符合任务要求地使用来源，从而区分错误引入、传播与修复，并形成考虑全部执行步骤的全局诊断。在五个 Who&When 与 Who&When Pro 子集的 1,228 次失败运行上，无需参考答案，BLADE 在共享 Jev 决策接口下于八种策略中取得最佳或并列最佳的步骤准确率，比 All-at-once 高出 2.2 至 11.1 个百分点。
- AI 摘要arXiv cs.AI
Jeva：面向决策任务的系统一模型架构发布
一篇 arXiv 论文提出 Jeva，一种面向决策任务的架构，作者为 Qi Li 与 Xinchao Wang。论文认为现有从序列化文本预测答案的做法未尊重决策问题的结构，并提出四项要求：能区分答案缺失与候选间不确定、候选顺序变化不影响决策、候选集扩大无需重定义输出空间、请求无关计算可跨请求复用。Jeva 用共享编码器分别表示请求与每个选项，决策栈仅针对请求状态做细化，配合对称聚合与共享打分，并用独立的覆盖估计区分答案缺失与候选竞争，统一 Choice、Noul、Score 三类输出。评测中该架构在类型化决策上表现较强，缺失检测接近完美，在测试的排列下未出现决策翻转，可扩展到数千候选，并通过跨请求复用降低延迟且不改变决策。
- AI 摘要arXiv cs.AI
ARBITER：35B MoE 智能体验证器用于竞赛编程判题与诊断
研究提出一项任务：模型仅凭题面与源码判断候选程序并给出诊断，用生成的反例作为可核查证据，从而在不消耗官方提交次数的情况下获得反馈。为此构建了来自 USACO 2026 赛事的 USACO-JUDGE 评测集，包含人类专家与多个 LLM 编写的通过和未通过程序。随后在通用执行沙箱中用强化学习训练了 35B 混合专家（MoE）智能体验证器 ARBITER。训练使错误程序上的反例成功率从 40.61% 提升到 62.67%，USACO-JUDGE 上的平均二分类判定准确率从 71.41% 提升到 87.41%。除验证外，ARBITER 在代码选择与改进上也优于基线；在 IOI 2026 案例中，其引导的改进使 GPT-OSS-120B 在官方提交限制下的期望得分超过金牌线。
- AI 摘要arXiv cs.AI
PreciseCoder：用局部编辑信号替代单元测试奖励训练代码模型
一篇 arXiv 论文提出 PreciseCoder，针对以单元测试通过率为奖励的代码后训练做法。作者分析发现，只看最终程序是否通过，会促使模型在调试时改动更多代码，并在本已正确的代码中虚构 bug。该方法在单元测试奖励之外加入一个经语义验证的局部编辑信号。在 4B、9B、27B 三种规模模型上，平均编辑行数从 7-15 行降到 3 行，通过率与仅用单元测试训练相当。仅在单行 bug 上训练，也能迁移到仓库级程序修复，用更小的补丁解决更多问题。把 9B 模型的推理轨迹交给 GPT-5.6 Sol、Qwen3.8-Max 等前沿模型，无需额外训练即可提升 4.6-12.4 点编辑精度。
- AI 摘要arXiv cs.AI
SolBehave 基准发布：评估大模型生成智能合约的行为正确性
研究团队提出 SolBehave，用于大规模评估模型生成的 Solidity 合约是否正确，而非仅看能否编译。该基准覆盖 250 个真实可复现的以太坊合约，采用差分模糊测试、历史交易回放，以及基于动态条件响应（DCR）图枚举合法函数调用序列的合成交易回放。对七个开源权重模型进行一轮自动修复后评估：编译成功率在 26.4% 至 92.7% 之间，但通过编译的函数体中仅 31.4% 与原合约等价；六个模型在历史回放下有 13% 至 31% 的合约出现分歧，DCR 引导回放下为 13% 至 44%，仅 Gemma-4-31B 两项均低于 3%。
- AI 摘要arXiv cs.AI
APTree：面向建筑预制机器人的自适应任务规划框架
针对场外建筑预制中机器人任务规划主要依赖人工、效率低且阻碍机器人方案采用的问题，论文提出 APTree 框架。该框架为模型驱动，把自动化任务规划与模块化任务相结合，试图解决现有方法在可扩展、模块化自动规划以及局部运行时重规划方面支持不足的缺陷。材料未给出具体实验数据、参数量或可用时间。
- AI 摘要arXiv cs.AI
研究：无关技能增至千条时，LLM智能体技能加载召回率大幅下降
一项 arXiv 论文用 SkillsBench 任务与固定金标技能做对照，只增加无关技能，观察智能体能否继续加载相关技能。结果显示技能路由崩溃：无关技能达到 1000 条时，已加载技能召回率从 73.6% 降至 27.4%，零加载率从 9.3% 升至 51.6%；而同一技能库中改用显式选择，召回率仍为 73.9%。加载其他技能（包括金标技能的合理替代项）过于罕见，无法解释这一下降。仅遮蔽无关技能的描述可大体恢复加载；元数据保留时，即使要求智能体先规划技能使用，召回率仍低于预选。作者据此指出描述带来的语义干扰，以及技能选择与任务执行竞争时的指令干扰，并评估显式预选作为缓解手段的覆盖范围与延迟权衡。
- AI 摘要arXiv cs.AI
论文分析语言模型 logit 几何：训练后斜率 α 升至约 1.4–1.7
一篇 arXiv 论文对自回归语言模型每一步输出的词表规模 logit 向量做经验分析，发现按序排列的词表头部 logit 在不同预测上下文、架构与规模下都近似满足 z_(r) ≈ μ − α log r 的对数线性关系，并在预训练过程中逐步显现。作者称这是首次系统分析此前解码工作所依赖的分布假设背后的 logit 几何。受控的次序统计基线可解释大部分对数线性形态，却无法解释斜率 α 的系统性偏移：训练后的模型 α 约为 1.4–1.7，明显高于初始化时的约 0.2；且 α 与预测性能相关。
- AI 摘要arXiv cs.AI
研究：5 个 LLM 对 193 国用户时间估值差异明显
一篇 arXiv 论文用「60 分钟预约延迟应获多少补偿」这一问题，测试 LLM 对不同国家用户时间价值的判断。作者只改变用户所在国家，覆盖 193 个国家和 5 个 LLM，并把模型给出的补偿与按购买力平价计算的人均 GDP、平均收入以及文献中的 Patience Score 做对比。结果显示，各模型对世界各地人们时间的估值差异明显，且在提示词变化下稳健程度不一。模型一致给欧洲开出最高补偿，给非洲多为最低；以 GDP_PPP 为参照，模型低估了亚洲和南美用户的时间价值。作者认为地理模式已嵌入模型，可能在智能体场景中带来不同对待。
- AI 摘要arXiv cs.AI
NeurIPS 2026 设智能建筑挑战赛，征集可跨楼宇迁移的控制策略
arXiv 收录一篇竞赛提案，面向 NeurIPS 2026 设立智能建筑挑战赛。提案指出美国近四成碳排放来自建筑，其中暖通空调占建筑排放约四成至六成，并消耗全球约一成五能源，但多数建筑运行效率与数十年前相差不大。核心障碍是策略迁移：现有基于仿真或学习的楼宇控制系统通常只对开发时所用的那栋楼有效。参赛者需在一组模拟建筑上构建控制策略，并在未见过的建筑上接受评估，这些建筑在规模、布局、气候、材料属性与暖通系统上各不相同。目标是推动可低成本适配新建筑的楼宇基础模型。