论文：AI 论文、技术方法与基准测试第 49 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
SpatialASM：用训练期空间模拟让LVLM学会主动空间心智化
一篇投稿于arXiv的论文提出SpatialASM框架，试图把「主动空间心智化」（ASM）能力内化进大型视觉语言模型。该框架用一个以环境为中心的虚拟视角生成器，把假设视角锚定到视觉证据上，并给出两类监督信号：显式的ASM轨迹，教模型在空间推理中何时、如何调用视角规划与想象；以及自动构造的换位思考任务，强化以视角为条件的场景想象。作者称在七个基准上、四种LVLM骨干上均取得空间推理性能提升，同时保留原有通用视觉能力。
- AI 摘要arXiv cs.AI
MC-EvoBench：审计Minecraft智能体的经验驱动自我改进
研究者构建了MC-EvoBench，一个受控的Minecraft基准，用于检验具身智能体能否把交互历史转化为可跨世界迁移的能力。基准包含19条注册演化链，其中12条主评测链、7条校准或探针链，并设三个图对齐的配对探针族用于迁移测试。任务被表示为任务状态图，配有阶段级环境验证器，源与目标角色匹配，目标世界重置，仅允许声明的智能体产物跨越源-目标边界。每个探针在匹配的环境步数预算和五个随机种子下评测无先验、相关、无关与打乱源条件，报告TSR、WGP、VMP并保留溯源记录。结果显示控制器与规划器变体间存在稳定的直接能力差距，而相关经验未带来稳定迁移。
- AI 摘要arXiv cs.AI
研究：语义查询引擎在温度0下多次执行结果仍会变化
一篇 arXiv 论文测量了语义查询引擎的重复执行差异。作者用 SemBench、LRO-Bench、UDA-Bench 各自的测试框架重跑文本与表格任务，记录 120 万次模型调用，并重新分析 SemBench 已发布的执行结果。在温度 0 下，五次执行中 0.07% 到 10.2% 的行会改变算子输出，单个任务最高达 24.0%。计划会按答案暴露行数呈指数放大这些变化：UDA-Bench 上只有几个百分点的抽取值改变，但约三分之二的答案改变。SemBench 已发布结果中 21% 的文本结果在多次执行间质量发生变化。投票能降低方差但无法消除，校准级联在返回行变化时仍保持其保证。
- AI 摘要arXiv cs.AI
FORTE：工业推荐系统特征评估与淘汰框架
论文提出 FORTE，一个与模型无关的生产框架，用于发现、验证和移除推荐系统中的特征。它通过高效扰动实现每日特征评估，用分组消融处理特征交互，并借助血缘追踪找到所有下游消费模型。在两个大规模推荐系统上验证：搜索相关性模型得到 32、48、59 三个嵌套候选集，线上护栏拒绝最大集合，最终选用 48 特征集，移除该模型 43.3% 的特征；大型排序模型识别出 8 个可移除候选，重训与 A/B 测试确认无回退，上线后训练参数减少 29.9%，服务吞吐提升 19.8-25.5%，年度训练成本下降。
- AI 摘要arXiv cs.AI
离散图扩散模型被指存在条件记忆现象
一篇投稿至 NeurIPS 2026 研讨会的论文指出，离散图扩散模型在无节点特征、单图训练的无条件设定下，虽然边重叠率与 WL 核相似度等样本级指标看不出记忆，但模型实际存在记忆。作者用双块随机块模型训练，观察反向扩散轨迹，发现模型对受损的训练图恢复得几乎完美，对留出的测试图则明显更差，称之为条件记忆。该现象只在反向轨迹以受损训练图为条件时出现，推理阶段不可见，并伴随泛化差距扩大，早停无法缓解。记忆的出现总是早于生成图中社区结构的形成。
- AI 摘要arXiv cs.AI
乌克兰战争迷因劝说技术检测数据集与基准翻译发布
一篇 arXiv 论文提出 UkrMeme，包含 200 条自然产生的乌克兰战时迷因，标注了劝说技术；同时发布 PTM-UA，即 Propaganda 950 基准某子集的乌克兰语翻译版本，保留原始图像内容、仅翻译迷因文字。研究用视觉语言模型在零样本提示下，分别以图像、文本和多模态输入进行评测，采用分层 F1 指标；并比较逐层相关性传播与模型生成 token 归因两种解释方法，分析各自强调的证据语义类别。
- AI 摘要arXiv cs.AI
ReplaySSM：把 SSM 状态换成检查点加输入缓冲，vLLM 上解码提速…
一篇 arXiv 论文提出 ReplaySSM，针对状态空间模型每步解码都要读写固定大小循环状态、导致状态 I/O 大而算术强度低的问题，改为把递推展开，用「检查点 + 近期 SSM 输入缓冲」表示状态，从而把输出计算与检查点更新分开。检查点定期更新，多数步骤不再写状态，主要状态内存流量约减半；保留近期输入还让投机解码的回滚变成缓冲区指针操作，并支持只验证输出而不物化中间状态。该分离也让低精度检查点负责多数步骤的输出计算、高精度检查点负责递推更新，低精度舍入误差不会进入后续更新。作者在 vLLM 中为 Mamba-2 和 Gated DeltaNet 实现该方案：服务批大小 256 时，四个混合模型上标准解码比调优后的 vLLM 基线快 1.20–1.47 倍；两个 120B 级模型上吞吐约为 vLLM 投机解码的 1.8 倍。分离状态精度还降低了输出 KL 散度与下游准确率损失。
- AI 摘要arXiv cs.AI
DualQuant：免校准双尺度权重与激活量化框架发布
一篇提交于 arXiv 的论文提出 DualQuant，一种双尺度、免校准的训练后量化框架，同时处理权重与激活。其思路是直接最小化权重重构的均方误差，并由此顺带得到逐通道的激活缩放系数，从而在不需要校准数据的情况下完成激活量化。该方法被建模为非可微的权重重构问题，用变量分裂与块坐标下降求解，每个子问题有闭式更新。它统一支持 MX 全家族与 NVFP4 等格式，作者称是首个正式支持 MX 与 NV 块格式的双尺度方法。在 Llama 与 Qwen 上、于 WikiText-2、C4 及零样本下游任务评测中，多数模型与格式下精度追平或超过基于校准的 SmoothQuant，并明显优于免校准基线。作者还在 RTX 4090 上为 Llama-3.1-8B 验证了真实打包的 W4A4 推理路径，精度接近伪量化，内存最多降 2.61 倍，吞吐最多提升 2.46 倍。
- AI 摘要arXiv cs.AI
图扩散新论文：用潜在社交性先验替代边独立假设
一篇被 NeurIPS 2026 接收的论文指出，离散图扩散模型通过独立边更新加马尔可夫噪声来破坏图结构，配合输出分布的可交换性要求，其终态先验必然是 Erdős–Rényi 随机图。这导致在无节点特征的无条件图生成中，大图极限下 GNN 去噪器作用于 E-R 图后近似仍输出 E-R 图，去噪难以奏效，生成的图丢失节点异质性与高阶结构。作者提出潜在社交性先验（LSP）与联合扩散过程，让潜在节点社交性变量与图结构共同演化，在保留可交换性的同时去掉边独立性，且无需复杂编码器。在多个图生成数据集上，该框架比无节点特征的基线方法更准确地刻画图分布。
- AI 摘要arXiv cs.AI
MCGPO：面向LLM智能体训练的分组策略优化方法
一篇 arXiv 论文提出 Matched-Context Group Policy Optimization（MCGPO），用于从已采集轨迹中构建带权重的动作偏好，以缓解长程语言模型智能体训练中终端反馈稀疏、难以给中间决策分配信用的问题。方法用动作前状态摘要与观测到的评分标准进展定义比较上下文，由任务规则标注，并在精确匹配与粗粒度匹配规则间选择。固定折分把候选决策与用于定向偏好的终端结果分开，依赖支持度的证据权重缩放一个辅助成对目标，与共享的 GraphGPO 任务学习并行，且复用 rollout 数据与原始历史，保持无 critic 训练。在六种环境-骨干组合、每种三个训练种子的设置下，MCGPO 相对匹配的 GraphGPO 提升平均成功率：Qwen2.5-1.5B 与 7B 在 ALFWorld 和 WebShop 上提升 0.47 至 1.46 个百分点，Qwen3-4B 与 …
- AI 摘要arXiv cs.AI
论文质疑自蒸馏评分信号，提出带批判条件的自蒸馏方法
一篇被 NeurIPS 2026 FLLMPT workshop 接收为 oral 的论文研究 on-policy 自蒸馏中的评分信号是否真的包含纠错信息。作者用学生 rollout 中的标准错误片段测试了自蒸馏目标使用的两种信号——全分布 KL 与 token log-ratio，发现它们既不能定位错误，也不能把概率推离错误 token，甚至无法可靠区分同一问题下正确与错误的 rollout。作者认为这是结构性问题：在推理轨迹中定位错误本身是搜索问题，而评分教师从未被要求做这种搜索。同一模型在允许生成批判时能明显更好地定位错误，由此提出 critique-conditioned 自蒸馏：先生成对当前 rollout 的批判，再让评分教师以该批判为条件。该信号能定位错误、在错误片段内具有纠正性，并把概率推向「Wait」「But」「Actually」等触发回退的 token。批判在测试时可…
- AI 摘要arXiv cs.AI
SafeDiSTL：用STL鲁棒性分解多智能体联合约束
SafeDiSTL 是一个带约束的多智能体强化学习框架，针对团队级违规代价无法区分各智能体影响的问题，用信号时序逻辑（STL）鲁棒性以运行最大代价增量衡量回合级违规，再借平滑的全回合鲁棒性与可微动力学得到动作敏感度，把每个代价增量在同一决策时刻分摊到各智能体，并在加权时计入延迟效应。作者在协作载荷运输、连通导航与网络化交通控制三类任务上测试，相比带约束基线，运输安全成功率提升 1.6-5.1 倍，导航安全成功率提升 11.1%，交通吞吐量提升 50-68%，同时保留无约束策略的性能。
- AI 摘要arXiv cs.AI
Orthros 提出相位感知异构注意力，预填充提速 21.9 倍
一篇投稿 NeurIPS 2026 的预印本提出 Orthros 注意力机制，把效率优化的思路从按层分配结构改为按序列处理阶段解耦。该模块在序列处理的不同阶段动态切换计算模式，预填充阶段为线性复杂度，解码阶段使用完整注意力。作者称在预填充重、解码轻的长上下文场景下，其渐近复杂度低于原始 Transformer。实验显示，相比 Transformer 预填充提速 21.9 倍，端到端推理也有收益，128K 大海捞针测试接近满分，真实上下文召回任务达到 Transformer 水平；通过数据高效的 Transformer 到 Orthros 转换，性能可超过原模型。
- AI 摘要arXiv cs.AI
LAPT-Scale 用人类视频预训练机器人策略，成功率升至 85%
该研究提出 LAPT-Scale 范式，用第一视角人类视频替代昂贵的机器人交互数据。其 LAPT-Scale-LAM 在连续隐空间学习帧间视觉变化对应的隐动作，作为人类来源的监督信号，避免离散量化损失细节；LAPT-Scale-Policy 则经人类视频隐动作预训练、目标机器人本体对齐与任务后训练三阶段训练 VLA 策略。在 2.33 万小时第一视角视频上训练后，标注人类视频从 1 千小时增至 5 千小时，真实机器人成功率由 63.3% 提升到 85.0%，并泛化到未见视觉条件。论文被 CoRL 2026 接收。
- AI 摘要arXiv cs.AI
CFGNP：不先估因果图，端到端做反事实预测
一篇 arXiv 论文提出 Counterfactual Graph Neural Process（CFGNP），用图神经网络直接从观测数据回答反事实查询，跳过先估计因果图这一步，以避免因果图估计误差向下游预测传播。方法利用双图结构，把跨世界消息传递限制在对应的真实—反事实变量之间。在合成与图像类基准上，其预测表现优于已有方法；在 German Loan 基准上 MSE 从 4.51×10⁻² 降至 0.19×10⁻²。在合成因果图上，仅在 10 节点图上训练的模型无需重训即可在最多 30 节点的图上保持较好表现。
- AI 摘要arXiv cs.AI
Adaptive DHiSparse 让稀疏 KV 缓存支持投机解码并按负载调…
一篇 arXiv 论文提出 Adaptive DHiSparse，在分层稀疏 KV 缓存上支持投机解码，并按负载调整数据驻留：保护必需工作集，GPU 显存有余时多留历史，其余通过精确融合检索取回。DSpark 与 DFlash2 的提议与接受规则不变，查询共享缺失行检索，草稿 KV 使用窗口受限环形缓冲，验证暂存跨层组复用。在 100K 上下文、并发 128 下，GLM-5.3 配 DFlash2 每解码 GPU 输出 793 token/s，为 HiSparse 的 1.45 倍、非投机自适应服务的 1.27 倍；在相同延迟约束下并发可达 4 倍。DeepSeek-V4.1-Flash 在 500K 上下文、并发 512 下，配 DSpark 输出为常驻服务的 1.85 倍。负载切换时可选驻留把主机取数从 14.2% 降到 1.4%。
- AI 摘要arXiv cs.AI
论文提出 MASTIF 框架，对 Agentic Web 技术栈做基线评测
一篇 arXiv 论文针对 LLM 智能体相关协议、框架与库快速涌现、开发者难以判断如何组合成完整方案的问题，提出名为 MASTIF 的多智能体系统测试框架，并给出 Agentic Web 技术的基线评测。评测覆盖 3 个 LLM、3 种协议和 4 个智能体实现框架，在 300 个 Mind2Web 基准任务上运行。结果显示，按任务选择特定技术栈可能带来任务完成率、效率得分和社会价值稳定性得分的提升，同时减少冗长程度和完成任务所需时间。作者希望以此为这一快速演进领域提供指标与结果层面的基线。
- AI 摘要arXiv cs.AI
论文提出双层Stackelberg框架，端到端联合训练校准与精度
一篇投稿于arXiv的论文提出，标准的事后校准器可与主干网络通过双层Stackelberg结构进行端到端联合训练。该方法不再需要单独的校准数据集或专门的校准损失，仅用交叉熵同时优化精度与校准，只增加一个超参数即校准器学习率。框架支持从温度缩放、矩阵缩放直到神经网络层的多种校准器，但结果显示直接以最终分类层作为校准器即可得到准确且校准良好的模型，且不增加额外参数。作者称该方法以极小的复杂度提升超过当前最优校准器，并避免多任务学习等场景中独立校准组件带来的成倍开销。
- AI 摘要arXiv cs.AI
RESCUE：用反事实分支评估机器人运行时监控告警是否值得干预
一篇 arXiv 论文提出 RESCUE 框架，用于评估机器人策略的运行时故障监控器：告警是否真的能带来有用的干预，而不只是能否区分成功与失败。方法是在执行检查点恢复模拟器与策略状态，比较不同动作，找出满足恢复标准的最晚检查点，并判断按告警行动能否降低任务完成成本。作者用 OpenVLA-OFT 与 π0.5 在 LIBERO-Spatial 和 LIBERO-Plus 上跑了 128,340 条反事实分支。结果显示可恢复性取决于状态与干预的组合，而非仅取决于机器人状态；在 τ=0.5 时，66 个 OpenVLA-OFT/LIBERO-Plus 失败中 14 个在继续执行下存在可恢复检查点，若允许继续或脚本化恢复则为 34 个，而在其他条件下恢复反而降低可恢复性。在主要强策略条件下，检测分数好并不代表干预成本更低；在评估所用的停止并重置模型下，即便理想检测器也只能承受 2.0–3.3%…
- AI 摘要arXiv cs.AI
PRISM：检索增强多模态模型用于临床预后预测
研究者提出 PRISM（Population-Retrieved Inference for Structured Multimodal Prognosis），一种多模态语言模型，整合结构化测量、生理波形、纵向病史与人群背景做临床预后预测。其做法包括逐特征数值分词、对纵向心电图做近因加权聚合，以及双模态人群记忆库；检索在表示空间进行，模型接收相似训练队列就诊记录的均值池化嵌入，单条检索记录不进入提示词。在 1,443 项任务的 MDS-ED 基准上，诊断、恶化、ICU 入住、死亡的 AUROC 分别为 86.2%、93.1%、91.8%、92.8%，使用 96 小时到达前窗口。仅用基准窗口输入时 AUROC 为 0.8895，UniPACT 为 0.8937，MDS-ED 为 0.8889。