论文：AI 论文、技术方法与基准测试第 43 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
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。
- AI 摘要arXiv cs.AI
EgoOmniWorld 基准发布：2.4 万组问答评测第一视角视频理解
一篇投稿 arXiv 的论文提出 EgoOmniWorld，用「自我—动作—世界」交互回路统一第一视角视频理解。基准按 Node、Edge、Chain、Loop 四种交互结构组织，配套的数据流程从第一视角视频中抽取结构化交互，并以视觉与听觉证据为依据生成问题，模态与单轮/多轮格式由证据和依赖关系决定。数据集共 24,166 组问答，其中训练 20,284 组、测试 3,882 组。对多个开源与闭源多模态大模型的实验显示，它们在不同交互结构上的能力差距明显且不均衡；在 EgoOmniWorld 上训练的模型提升了域内交互理解，并能泛化到已有第一视角基准。数据、代码与模型将公开。
- AI 摘要arXiv cs.AI
FaithAlign：理论级自动形式化忠实度评测基准发布
一篇 arXiv 论文提出把自动形式化的忠实度评估重新定义为「先对齐再标注」的上下文感知问题：在非形式化陈述与形式化陈述之间找出短语级对应关系，并在明确给出的上下文解释与假设下为每个对应打忠实度标签。作者同时发布 FaithAlign，称其为首个理论级忠实度基准，含 460 个条目、4,982 条短语级标注链接，以及配套的 FaithAlign-Gap，含 146 个隐去非形式化上下文与假设的条目。在 8 个模型上，GPT-6 Astra 的缺陷 F1 最高为 47.8%，在含两个及以上缺陷的条目中仅 4.5% 能全部找出；在 FaithAlign-Gap 上仅 28.2% 的不可判定条目被正确识别。
- AI 摘要arXiv cs.AI
研究揭示工具调用参数校验中的推导缺口并提出DeRef方案
一项针对LLM智能体工具调用参数校验的研究发现，评判模型在输入中缺少对应参考文本时，接受正确参数值的概率会下降，作者将这一现象称为推导缺口。该缺口出现在所评估的全部七个评判模型中，包括System One模型CLM和Jev。研究指出这并非截断造成的假象：在无截断的基准上，正确默认值的缺口最大。受控的来源迁移测试显示，评判模型会跟随输入中的参考，宁可选择可见的错误值，也不接受来源被隐藏的正确值。为此作者提出DeRef，由另一个模型在不看候选值的情况下读取完整历史并写出参考，在三个基准上提升了所有受测评判模型的参数AUROC，受控测试中AUROC从随机水平或更低提升至98.40到99.59之间。
- AI 摘要arXiv cs.AI
眼动特征或可标记青少年抑郁严重程度
一项单中心横断面研究纳入155名14至20岁参与者，完成情绪-空间自由观看与记忆引导回忆任务，并按17项汉密尔顿抑郁量表得分分层。研究考察六个任务相关领域的19个预设眼动特征，采用协变量调整的序数趋势模型。结果显示抑郁严重度越高，注视分配熵越低、区域间切换越少、首次进入目标区潜伏期越长、目标停留比例越低。情绪特异性注意偏向指标与严重度无关。机器学习分析使用44个候选眼动特征与人口学协变量，三阶段级联分类器四分类表现最优。
- AI 摘要arXiv cs.AI
ReTerm：让终端智能体从自身失败中学习恢复
针对终端智能体在长任务执行中遇到命令错误或实现缺陷后难以恢复、最终导致任务失败的问题，研究者提出 ReTerm，一种通过从自身失败任务中学习恢复来实现自我提升的终端智能体。为支撑训练，团队构建了定制数据流水线并产出 ReTerm-10K 数据集，为监督微调冷启动提供恢复示范；同时提出 ReTerm-GRPO 在线强化学习算法，从智能体自身的失败状态分叉出多次独立的自恢复尝试，依据这些尝试是否完成任务来学习。基于 Qwen3.5-9B 构建的 ReTerm-9B 在 Terminal-Bench 2.0 上取得 34.8% 的 Pass@1，较基座模型提升 14.6 个百分点。分析显示，相比标准 GRPO 训练，该方法在多种错误类别上恢复率更高。代码、数据与模型均已发布。
- AI 摘要arXiv cs.AI
arXiv 论文提出 RC-DS 坐标方法，改善稀疏自编码器特征恢复
一篇提交至 arXiv 的论文研究读出缩放对稀疏自编码器（SAE）学习内容的影响，并提出读出规范化决策空间（RC-DS）坐标，用于去除奇异值增益同时保留决策信息。在条件数为 100 的受控实验中，当因子在读出缩放之前生成时，RC-DS 将平均稀疏因子恢复率从 0.506 提升至 0.913，对比对象为相同预算下的 centered-logit 训练。作者还给出一个精确包装器，可在数值精度上复现 RC-DS 训练，从而隔离训练几何本身的影响。在三个固定语言模型检查点上，RC-DS 在全部 18 种任务-稀疏度设置中取得更高的无增益平均重建，而 centered-logit SAE 在 17 种设置中更好地重建输出 logits。
- AI 摘要arXiv cs.AI
PerturbEnergy：用条件能量先验提升细胞扰动响应预测
一篇 arXiv 论文提出 PerturbEnergy，在扰动表征上引入条件能量先验，对与给定扰动相容的表征赋予更低能量、更高概率，从而把潜空间显式推向扰动偏好区域。该方法可嵌入自编码器结构，作者证明其证据下界与完整自编码器的证据下界等价，并证明优化该目标可提高表征与扰动之间条件互信息的下界。在四个基准数据集上，潜空间中的扰动识别提升最高达 83.2%，在预测 top-50/100/200 差异表达基因上达到当前最优，在高变基因预测上保持竞争力，代码已公开。
- AI 摘要arXiv cs.AI
Autonomous Science Bench 发布 0.1 版，评测自主科…
一个名为 Autonomous Science Bench 的基准发布 0.1 版，用于评测自主科学发现智能体在有限预算下选择实验的能力。它包含六个基于已发表实验的设计—构建—测试—学习循环，覆盖生物学、化学与材料科学。智能体分批选择设计方案，从实验室服务获得测量结果，并据此指导后续实验，最终交付预测模型。评测设两道门槛：发现门考察所测设计，学习门考察模型对留出设计的排序。在八种智能体—模型组合、144 次试验的试点中，最佳组合成功率为 67%，最难的一项任务 24 次尝试中仅三次通过。两道门暴露出不同短板，仅看总体成功率会掩盖这些差异。
- AI 摘要arXiv cs.AI
优必选团队发布统一世界模型 Thinker-WM
优必选 Thinker-WM 团队公开了一个统一多模态世界模型，用共享的 Unified Dynamics Transformer 配合各模态专属编码器与解码器，把 RGB、度量深度和机器人动作放进同一动态表示中联合建模与生成。同一套参数支持视频-动作联合生成、世界预测、策略推理、动作条件生成、视频到动作生成以及逆动力学等多种功能。训练数据约含 2 万小时第一视角视频、1 万小时真实机器人数据和 1 千小时仿真数据，其中约 4 千小时真实机器人数据带对齐深度监督。团队还提出轻量运动探针，显示冻结的视觉表示中可恢复运动信息。
- AI 摘要arXiv cs.AI
arXiv 论文给出随机智能爆炸的时间分布与检测极限
一篇 arXiv 论文把「AI 自动化 AI 研究」形成的正反馈回路写成随机模型：独立的正向乘性改进以与当前能力某次幂成正比的速率到来。作者指出，随机性不改变确定性爆炸阈值，但把爆炸时点变成显式分布——等幅改进下爆炸时间是独立指数变量的几何加权和，可用 q-级数给出变换、矩与尾部行为；改进幅度服从 Lomax 分布时爆炸时间恰为 Gamma 分布。自相似性意味着参数已知时，临近爆炸的相对剩余时间不确定性并不消失。论文还构造了恒定与几何增长两种想法到达率之间的固定样本检验，并给出最小样本量的渐近式。
- AI 摘要arXiv cs.AI
STAMP：拓扑感知分子语言实现片段级学习与编辑
研究者提出 STAMP（Sequential Tree Attachment-based Motif-Preserving representation），一种拓扑感知的分子语言，将片段级表示学习与精确结构编辑相连接。它分别编码基序身份、连接位点和树拓扑，使片段可跨上下文复用、子树可直接访问。在 30 个靶标中的 23 个上，其活性悬崖预测误差低于匹配的 SMILES 编码器；兼容的子树操作支持骨架保持优化，在 23 个基准目标中的 15 个上排名第一。确定性编译器让冻结的语言模型可作用于带索引的片段，在分子编辑、优化、变换迁移和变化识别上较纯 SMILES 提升 9 至 56 个百分点。
- AI 摘要arXiv cs.AI
研究：GPT-4o 审稿评分可预测论文发表，但仅限正确性判断
一篇提交至 arXiv 的论文让 GPT-4o 评审 2024 年 AFA 与 NBER 金融会议论文，并与随后两年内是否发表于三大金融期刊对照。模型评分高出一个标准差的论文，发表概率高出 44%，且已排除作者声誉因素；作者称模型训练数据早于 2024 年会议季，不存在前瞻偏差。信息主要来自模型对正确性与表述的评判，对原创性与重要性的评判不具预测力，强调重要性的审稿指南也无帮助。这一正确性与贡献度的分野在会计论文及更新的 GPT-5 上同样成立。
- AI 摘要arXiv cs.AI
FedGraph 提出图聚合方法防御联邦大模型微调后门攻击
针对联邦大模型微调中恶意客户端通过篡改更新植入后门的问题，研究者提出 FedGraph。该方法基于一个观察：恶意客户端的模型更新高度一致，而良性客户端的更新更分散，这种结构差异难以被在高维参数空间直接做异常检测的既有防御方法捕捉。FedGraph 将客户端建模为动态图中的节点，提取刻画相对位置与交互的结构特征，得到紧凑的客户端表示以区分恶意与良性行为，并在聚合阶段识别和抑制恶意贡献。实验显示攻击成功率降至 10% 以下，平均检测准确率 95.5%，误报率 2.33%。
- AI 摘要arXiv cs.AI
路侧相机与3D雷达融合的两阶段3D形状与朝向估计方法
一篇投稿至IEEE SDF 2026的论文提出面向路侧感知的低成本两阶段方案，用于实时估计道路使用者的3D形状与朝向。作者指出，车载端到端模型因传感器高度、俯仰角与几何关系相对统一而易于泛化，但路侧安装的高度、倾角与视场差异极大，端到端模型容易失效且难以适配。该方法第一阶段用现成方法提取2D相机框与3D雷达点，第二阶段由雷达确定3D位置、预定义模板确定尺寸、小型神经网络预测站点专属偏航角。在带交叉口的弯道对行人、自行车和汽车验证，在NVIDIA Jetson ORIN上达到25帧每秒。
- AI 摘要arXiv cs.AI
研究复现五种事实性对齐方法均未完全复现
一篇 arXiv 论文对五种事实性对齐方法做了首次独立复现，涵盖在策略强化学习的 PPO、GRPO、Dr. GRPO，以及离线偏好优化的 DPO 和 KTO。作者在统一基准和统一评测指标下比较后发现，没有一种方法能被完整复现，且在共同基准上没有任何方法显著优于基座模型。进一步观察显示，奖励实际优化的是格式、长度或简短程度，而非事实性与相关性；在策略训练与离线训练之间的选择影响很小。评测指标与基准本身也存在问题，未衡量文本与提示的相关性，且因提示缺乏标准答案，依赖 LLM 评判与检索验证使评测较为脆弱。作者公开了代码、数据和检查点。