论文：AI 论文、技术方法与基准测试第 47 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
神经符号论证推理系统NARS用于在线讨论说服力检测
研究者提出神经符号论证推理系统NARS，直接从在线讨论中检测说服力。其神经部分用检索增强的迭代LLM推理抽取双极论证结构，符号部分用渐进论证语义在结构上传播论证影响。基于Webis-CMV-20语料构建CMV2BAS数据集，包含长多线程ChangeMyView讨论，标注LLM导出的双极论证结构和delta事件。NARS最佳配置下F1=0.57、AUC=0.56，优于零样本Qwen3.6:27B和GPT-oss:20B。研究识别出支持主导讨论和长论证链是限制攻击影响传播的关键失败模式，并公开数据集与框架。
- AI 摘要arXiv cs.AI
Marvo：用 margin reward 让视觉智能体从无标注图像自学工具调用
一篇 arXiv 论文提出 Marvo，一种自演化方法，让视觉智能体无需人工标注的问答对或专家示范即可学会调用工具。它由两个智能体组成：challenger 从无标注图像生成问答对，solver 通过强化学习解题来学习工具调用。为让题目难度适中，作者给 challenger 引入 margin reward，即 solver 在有工具和无工具时表现的差值，从而形成自适应课程。在智能体推理、视觉搜索、数学和通用现实推理等基准上，平均准确率最高提升 7.1%。
- AI 摘要arXiv cs.AI
GAMW：在TTS生成过程中嵌入梅尔域水印以追踪语音来源
针对现有音频水印多在合成后修改波形、易受复合扰动影响的问题，作者提出GAMW框架，在波形合成前把内容自适应的多比特水印残差嵌入生成表示，解码目标结合焦点调制与逐比特动态加权。该方法在两个TTS骨干上分别训练评估，16比特载荷下，在单一扰动和复合扰动场景中解码准确率分别比最强基线高9.2和23.5个百分点，同时保持有竞争力的语音质量，更高载荷下仍能可靠解码干净语音。代码已公开。
- AI 摘要arXiv cs.AI
深度循环模型在离散规则世界中的知识迁移研究
一项研究用类似数独的小型离散网格世界，测试深度循环模型在规则迁移上的表现。模型在多种规则组合上训练，并在四个新颖性层级上测试：新谜题、已知规则的新组合、从未同时出现的规则配对、以及训练中完全未见的规则实例。规则以符号描述或两个已解示例的形式输入，另设无规则信息基线。在重组已训练规则时，符号描述达到或超过示例（新组合上99%对95%）；当规则组件从未在训练中共现时，符号描述低于无信息基线，而示例仍高于基线。该框架比ARC-AGI等基准更系统地测试泛化机制。
- AI 摘要arXiv cs.AI
论文提出 IoD：把拆分推理做成 5G 用户面网络 API
一篇投稿至 IEEE Future Networks World Forum 2026 的论文提出 Inference on Demand（IoD）抽象，把拆分推理以类 CAMARA 的 API 形式暴露出来，并在 5G 用户面路径上带内传递拆分感知的张量上下文。作者指出，现有移动系统能传输张量，却不暴露也不理解赋予张量业务含义的推理上下文；此前的动态分区、协同推理与流水线拆分方案仍受限于应用、对网络无感知或缺少上下文。团队在基于可编程 UPF 的测试床上用可分区视觉 AI 负载验证，自适应拆分选择可作为面向网络的服务运行，避免静态配置的刚性成本。
- AI 摘要arXiv cs.AI
arXiv 论文对比四种分割模型在牙科影像上的表现
一篇投稿于 arXiv 的论文在统一实验条件下比较了 PSPNet、DeepLabv3、UNet 与 UNet++ 四种语义分割模型在牙科 X 光片上的效果。研究使用 1269 张牙科影像，训练前做了多项预处理，并以 Dice 系数、IoU、准确率、精确率以及训练和验证损失等指标评估。结果显示，UNet++ 取得最高 IoU 0.6719 与 Dice 0.7869，配置为图像尺寸 300x300、批大小 16 时表现最好。论文还考察了图像分辨率与批大小对不同架构性能的影响。
- AI 摘要arXiv cs.AI
论文提出 oracle 引导微调，改进生成式 ASR 后编辑
一篇 arXiv 论文提出 oracle 引导微调方法，用于生成式 ASR 后编辑。做法是把 N-best 列表整理成三类监督数据：参考结果在列表中但不在首位的样本用于教模型选择，首位已正确的样本作为正则项抑制多余改写，参考结果不在列表中的样本作为难负例压制幻觉。作者称这种监督比随机子集微调更有效，能学到选择与改写兼顾的策略；在专有数据集上约 3B 参数起增益最明显，而在 CommonVoice 上结论不够明确，作者认为公开朗读文本可能与 LLM 预训练数据重叠，掩盖了真实的后编辑增益。
- AI 摘要arXiv cs.AI
Trace Evolution Bench 提出区分重打分与真实更新的智能体自…
一篇 arXiv 论文提出 Trace Evolution Bench（TEB），用于区分「冻结重打分」与上下文或权重更新带来的真实进化。协议要求更新后验证集不下降、留出标识符不进入更新、文本更新不与权重更新混排，并给出三个冻结的 80/20/40 数据包。主榜为编码任务，由封闭工作区中的隐藏单元测试评分。在该包（40 个留出任务、单一模型家族）上，DeepSeek v4 Pro 在 no_evolve 下策略不变，却在三个随机种子上分别移动 7.5、5.0、12.5 个百分点。九个受 GEPA、ACE、ExpeL 启发的文本更新单元中，七个超出该种子自身波动带，一个 gepa_llm 种子下降 12.5 个百分点。GLM 与 MiniMax 未复现七比九的模式。
- AI 摘要arXiv cs.AI
BETS：用生成分布嵌入表示信念的蒙特卡洛规划器
研究者提出 Belief Embedding Tree Search（BETS），一种蒙特卡洛规划器，用生成分布嵌入（GDE）表示搜索树每个节点的信念，并借助 POMDP 动力学在节点间更新该表示。BETS 在经验中同步训练信念模型、策略网络与价值网络，以 POMDP 实际发生的隐藏状态作为信念模型的训练目标。在 RockSample、LightDark 和 PocMan 的六种配置上，BETS 与 BetaZero 及三个不含学习组件的规划器对比，六项中均具竞争力或领先，而每个基线至少在一项上明显落后；在信念维度最高的场景中，BETS 大幅领先，即使不进行搜索也是如此。
- AI 摘要arXiv cs.AI
InCLAD：面向工业视觉异常检测的持续学习基准发布
一篇新论文提出 InCLAD，把工业视觉异常检测从静态训练/测试问题改写为持续学习基准。该基准采用任务增量设定：每个工业部件对应一个任务，学习目标保持半监督，模型在依次接触新部件时需维持对所有已见部件的表现。论文设计了随机、由易到难、由难到易等多种场景，并额外提出跨多个数据集的场景。评估从图像级异常检测与像素级异常定位两个角度展开，关注知识保留、适应与泛化。
- AI 摘要arXiv cs.AI
9B决策模型微调后在症状分类基准上达95.42%准确率
一项研究把基于Qwen3.5骨干的90亿参数决策模型Clef-Flash，用4比特量化低秩适配（QLoRA）配合差异化学习率，适配到Symptom2Disease基准的24类疾病分类任务上，训练960例、测试240例分层划分，取得95.42%诊断准确率和0.9551的宏F1。该结果高于远程API零样本的61.67%、本地未适配初始化的65.00%，也超过ClinicalBERT的90.90%。由于只在单次前向传播中评估候选logits、不做自回归解码，单条记录推理在单张GPU上不到80毫秒，相对生成式大模型基线报告有31倍加速。作者还提出留一症状（LOSO）反事实扰动框架，用于考察症状层面的证据。
- AI 摘要arXiv cs.AI
UltraBERT 发布：首个在分类与检索同时达 SOTA 的编码器
一篇投稿于 arXiv 的论文提出 UltraBERT，作者为 Jungwoo Park、Taewhoo Lee、Jaewoo Kang。研究重新审视双向编码器预训练的核心设计，得到三点发现：下游任务在超过数万亿 token 后趋于饱和，继续增加算力无益；低掩码率利于分类、高掩码率利于检索，与「模型越大掩码率越高」的既有结论相反；剪枝蒸馏在低掩码率下提升分类，但在高掩码率下损害检索。据此，UltraBERT 在同一批次内为低、高掩码率分别设置语言模型头，并把蒸馏目标限制在低掩码率一侧，在 GLUE 上取得 91.0、BEIR 上取得 47.7。
- AI 摘要arXiv cs.AI
论文分析多环境POMDP与POMDP的复杂度差距
一篇 arXiv 论文研究多环境 POMDP（ME-POMDP）与标准 POMDP 之间的复杂度关系。作者先证明多环境盲 MDP 与确定性 POMDP 在特定闭包条件下为 NP 完全，随后证明不满足该条件的一类子类为 PSPACE 完全，并给出多观测 POMDP 的新复杂度结论。论文还证明，在时间相关马尔可夫策略或有限状态控制器下，多个 ME-POMDP 问题为存在实数理论（∃R）完全，而这些问题在标准 POMDP 下是 NP 完全的。
- AI 摘要arXiv cs.AI
研究者用Stackelberg博弈寻找偏好模型易错比较
一篇投稿于arXiv的论文提出，语言模型对齐常依赖不完美的评估器，其错误会在优化中被利用。作者训练策略去寻找评估器可能反转真实偏好的比较对，作为额外监督的候选。由于训练时拿不到人类偏好，他们用偏好模型集成之间的分歧作为预测误差的代理。该搜索被建模为Leader与Follower之间的零和Stackelberg博弈，前者最小化分歧，后者最大化分歧。论文给出均衡存在性，并在正则化下给出唯一性与闭式刻画，提出两时间尺度算法SMIDA及神经策略梯度版本。合成实验显示分歧可作为误差代理，训练后的策略在留出数据上超过参考策略。
- AI 摘要arXiv cs.AI
Tab-Loop 用循环共享权重替代逐层参数，表格基础模型参数减 62%
一篇 arXiv 论文提出 Tab-Loop，把 TabICLv2 的 12 个不共享 ICL 块换成 4 个共享块重复应用 k 次，编码器、解码器、合成先验与训练配方均不变。在 18.2 EFLOP 预训练算力和 12 次块应用的推理算力下，Tab-Loop 以 10.4M 参数对比基线 27.6M，参数少 62%，留出集对数损失 0.4583 对 0.4588，200 个 TALENT 数据集平均准确率 84.10% 对 83.92%，38 个 TabArena 数据集 Elo 1409 对 1396。参数相同但 4 块不共享的对照模型训练表多 32%，成绩反而更低。权重共享后深度可在推理时选择，准确率随循环次数上升并在训练范围外保持，加深循环继续训练可把有效范围外推。
- AI 摘要arXiv cs.AI
CAS 方法实现少量评估下的精确 Top-k 选择
一篇 arXiv 论文提出 Certified Adaptive Selection（CAS），在不确定场景下只需部分评估即可返回精确的 top-k 集合。CAS 维护 Expected Shortfall 的上下界，当剩余不确定性无法改变结果时停止评估。其预测引导版本 CAS-PG 在两组公开算法选择矩阵上，分别用 3150 次中的 630 次和 2200 次中的 981 次重放查询确认了精确的前三名，为事后最小评估量的 1.14 和 1.18 倍。无历史结果时，仅凭记录变体需要最小量的 1.28 和 1.37 倍。另有不含预测的 CAS 策略在合成能源调度中避免了 93.0% 的精确重求解。
- AI 摘要arXiv cs.AI
平均奖励Q学习提出混合正则化方法，给出有限时间分析
一篇投稿中的论文研究平均奖励强化学习：该设定下Bellman算子仅在马尔可夫链混合时才具备span收缩性。作者不假设环境自带混合性，而是给定一个与奖励无关的m步混合策略，通过向该策略做正则化来控制所学策略的收缩与探索性质。论文给出可搭配多种正则化选择的Q学习有限时间分析，保证以正则化不动点为基准衡量，并揭示依赖正则化的新对象，用于控制收缩、探索与算子偏差。一步设定下的速率与Q迭代和同步Q学习已知最优速率持平，m步混合下给出新速率；还研究Q规划变体，显示规划相当于时间局部化的学习，规划视界H在边界值偏差与样本复杂度之间权衡。数值实验验证：已知强混合策略可改善收敛与探索，瓶颈越严重优势越大；理论还能预测α散度族正则化的收敛与偏差排序。
- AI 摘要arXiv cs.AI
研究：AI 介入时机决定团队创意产出质量
一篇 arXiv 论文提出，生成式 AI 让创意选项变得廉价，瓶颈从「产出想法」转向「筛选想法」，因此 AI 的价值取决于其给出的选项出现在团队筛选环节之前还是之后。研究者将 148 个三人团队随机分配到五种语言模型使用时间安排中，在含限时搜索与选择阶段的产品设计任务里测试。把同样的 15 分钟使用时间从搜索阶段移到选择阶段，专家评定的创意得分下降 0.62 个标准差，尽管各团队使用模型的频率相近。平台日志显示差异出现在筛选环节：早期接入让想法池扩大五倍并被团队筛选；晚期接入的团队进入筛选时想法池与无 AI 团队一样小，随后再次搜索，其选择阶段查询中有 29% 用于生成新选项，而全程可用 AI 的团队为 11%。晚期接入增加的是数量而非质量，提交方案比无 AI 团队多 73%。语言模型评审能识别接入带来的收益，却识别不出时机偏晚的代价。
- AI 摘要arXiv cs.AI
论文揭示循环算法推理器的过早洪泛失效模式
一篇 arXiv 论文研究循环算法推理器在小图上按步训练、在大图上运行更多步时的失效现象。在 SALSA-CLRS 的广度优先搜索任务中，推理器能复现全部训练提示，却在深层图上提前宣告节点已被访问，作者称之为过早洪泛。论文追踪到两条触发路径：带度数输入的 GRU 处理器中，洪泛藏于隐藏状态，当输入落在训练分布尾部时被触发，推理时调高该输入会让洪泛更早出现；去掉该输入后，把邻居状态求和而非求平均同样会破坏处理器。基准自带的 GIN 与 PGN 在部分随机种子下从固定步数开始洪泛。对度数输入做截断或加入 200 张稠密训练图可消除 GRU 处理器的全部失败；在步间分离状态可避免该处理器的洪泛，但对求和或残差更新无效，且两种已发表补救措施仍留有洪泛。作者建议审计每个输入与聚合的取值范围，并在深层图上测试。
- AI 摘要arXiv cs.AI
泰语 Klon Pad 诗歌生成器单样本解码，三项指标接近人类水平
研究者提出一种泰语 Klon Pad 诗歌生成器，以 WangchanBERTa 初始化的掩码语言模型为基础，在固定画布上分声音层与词层两层建模：声音层对押韵、声调和音节数施加硬掩码，词层以整词为单位避免切词。解码逐格提交，温度设为 0.4，每个主题只采样一次，不做筛选、重排或修复。在 78 个开发阶段未使用的留出主题上，由冻结的 LLM 评判器独立运行三次，与主题所依据的人类诗节在同一池中比较，生成诗节在形式、四行词汇干净度与主题契合三项同时通过的比例为 70.5%，人类为 76.9%，相差 -6.4 个百分点，95% 置信区间 [-19.2, +6.4]。干净度与人类持平（85.9% 对 87.2%），形式与干净度两项合计略高于人类（+3.8 个百分点），差距主要在主题契合（84.6% 对 91.0%）。温度偏低很关键，温度升高后同一模型通过率明显下降，因为词汇错误多落在模型的低概率…