注册

论文：AI 论文、技术方法与基准测试第 50 页

AI 聚合

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。

  1. 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。

  2. 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。

  3. 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%…

  4. 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。

  5. AI 摘要arXiv cs.AI

    论文提出解释性世界模型EWM，改进强化学习延迟奖励分配

    一篇投稿于arXiv的论文提出解释性世界模型（EWM），用于强化学习中的信用分配。该方法借助前沿语言模型生成解释，识别较早事件与最终结果之间的关联，并通过保守的层级算子递归重分配奖励，同时保持未折扣的回合回报不变。作者依据三种解释理论设计了三个变体，在Crafter、WordCraft、KuaiRand以及一个工业级生成式推荐系统上进行了评测。结果显示，在奖励延迟最严重时，EWM相对PPO和LaRe的提升最大；在KuaiRand上离线优于SFT和LaRe，在线优于A2C；在工业推荐系统的离线评测中，召回率明显提升，行为代理指标也有所增加。

  6. AI 摘要arXiv cs.AI

    多智能体交替会话框架 HMA 在 MLE-bench 达 78.2% 奖牌率

    一篇 arXiv 论文提出 Humanize MLE Agents（HMA），用两个智能体在同一工作区交替执行任务，每个会话最多做 k 次实验，会话之间重置上下文，不依赖额外的任务专用 harness 或先验知识补充。作者把这种交替会话建模为 context-reset 半马尔可夫决策过程，给出交替优于单智能体参考上限的充分条件、实验预算的显式界，以及会话上限在何种情况下仍能保持优势。在 MLE-bench 的 75 个 Kaggle 任务上，HMA 的 any-medal 率达到 78.2%，比最强开源基线高 8.0 个百分点，且只用其四分之一的时间预算；在覆盖五组异构智能体配对的六种配置中，平均比各自基线高 6.4 个百分点。

  7. AI 摘要arXiv cs.AI

    BranchOPD：分支式在线策略蒸馏提升数学与智能体任务表现

    一篇 arXiv 论文提出 BranchOPD 方法，针对在线策略蒸馏（OPD）中单条轨迹只能覆盖一种后续、监督覆盖有限的问题，利用学生不确定性和师生分歧挑选决策点，从共享前缀重采样学生策略的后续分支，并对主轨迹与分支都施加 token 级教师监督。共享前缀复用使 ALFWorld 和 WebShop 上学生生成 token 成本分别降低约 19% 和 31%。该方法在全部评测基准上优于 Vanilla OPD 和 n=7 的 Multi-Rollout OPD，数学平均准确率（avg@16）较 Vanilla OPD 提升 18.55 个百分点，ALFWorld ID/OOD 平均成功率提升 13.8 个百分点。

  8. AI 摘要arXiv cs.AI

    本地智能体框架自动生成边缘场景用于安全保证

    一篇 arXiv 论文提出基于笔记本电脑的本地智能体 AI 框架，用本地语言模型自适应生成边缘案例场景，用于自主系统的训练、测试与安全保证。该框架采用思考、行动、观察、更新、继续的循环，配合轻量 JSON 编码生成场景，并以系统需求、系统描述和环境描述作为上下文提示的知识库。第二个独立语言模型按领域特定标准对每个场景进行评审，评审后的场景在仿真中运行并收集评估指标。指标分数被分析后，相似场景用于利用式边缘案例生成，新场景用于探索场景空间。事后聚类与主题类型分析可定位功能缺口及其触发条件，形成可追溯的安全保证证据。

  9. AI 摘要arXiv cs.AI

    多模态大模型被指漏读图像中的「眯眼文字」，新方法将 ANLS 从 26.50 …

    一篇 arXiv 论文把「人眯眼才能辨认、模型却答无文字」的图像文字命名为 Squint Text，并将其作为识别缺陷来研究，动机来自生产内容审核流水线中的实际案例。作者构建了 SquintBench，含 1076 张来自生产环境的审核图像，另设受控合成套件 SquintCtrl 用于机制诊断。冻结权重分析显示，隐藏文字留下粗粒度信号，但字形身份表征很弱；在给出正确空间区域后，身份信息明显更易获取，说明空间选择是主要瓶颈。抑制高频内容在固定视觉 token 预算下也能改善读取。据此提出的 Squint OPSD 让冻结教师模型接收降采样视图与真实转写作为特权上下文，用其 token 级分布监督学生模型的同策略轨迹，推理时学生只看原图。该方法在 SquintBench 上达到 88.61 ANLS，未适配主干为 26.50，原图下最好的通用模型为 24.44，降采样视图下现成模型最高为 6…

  10. AI 摘要arXiv cs.AI

    SqueezeBench：抗饱和数学能力评测基准发布

    研究者发布 SqueezeBench，一种不会因问题被解决而饱和的数学能力评测基准。每个问题固定一个整数函数 f(n)，基准维护其上界与下界的记录；提交者需给出可计算的 Lean 函数并附机器验证的证明，证明其界定 f、不劣于当前记录且在某 n 处严格更优，被接受后即成为新记录。证明由两个独立 Lean 内核检查。基准发布十个极值组合学问题、二十个已证明的初始记录及准入工具。基于前沿语言模型的智能体在每条记录最多一小时限制下，有 82 份提交被接受并改进全部记录；两个更新模型的智能体从这些记录出发，又有 60 份提交被接受，再次改进二十条记录中的十九条。十个问题中有八个，至少一条记录仍渐近落后于已发表的最佳界。

  11. AI 摘要arXiv cs.AI

    arXiv 上线 472 页智能体大模型教科书

    一篇题为 Agentic Large Language Models 的教材于 2026 年 10 月 9 日提交至 arXiv，作者为 Max van Duijn、Michiel van der Meer、Aske Plaat、Niki van Stein，全文 472 页，编号 arXiv:2610.13455。内容围绕大模型如何直接在世界中行动、模型之间如何互相交互，以及这些能力对使用者意味着什么展开，属于 cs.AI 分类。

  12. AI 摘要arXiv cs.AI

    研究：自动驾驶路由加入社会成本可降低对人工驾驶的影响

    一篇 arXiv 论文提出在自动驾驶车辆（AV）的路径选择奖励中加入「边际成本」这一社会性成分，用以衡量 AV 对其他道路使用者通行时间的影响。研究用多智能体强化学习在 Ingolstadt 与 Provins 两个真实路网中做混合交通实验。在 Ingolstadt，40% 的 AV 若采用自私路由，会使其他车辆通行时间增加 1.7%，加入社会奖励后降至 1.1%；AV 自身通行时间也缩短，系统整体表现改善。该效果在不同城市、渗透率与重复实验中一致，但社会成分权重过高时系统无法达到预期表现。为提升可扩展性，作者只对路径选择影响最大的 AV 计算边际成本，减少反事实模拟次数，在显著降低算力开销的同时取得相近效果。

  13. AI 摘要arXiv cs.AI

    RTI：在 rollout 阶段介入，让智能体强化学习突破策略能力边界

    一篇 arXiv 论文提出 Rollout-Time Intervention（RTI），针对智能体强化学习中的 on-policy 推理瓶颈：当任务超出模型当前能力边界时，有效轨迹极度稀疏，训练容易崩溃。RTI 的做法是在 rollout 阶段利用奖励侧证据（即评估 rubric），把错误轨迹转化为成功轨迹，从而为策略自身很少解出的任务提供学习信号。由于介入轨迹本质上是 off-policy 的，作者通过过滤分布偏移过大的轨迹，使其仍能有效指导策略优化。在五个基准上的实验显示，RTI 稳定优于 RL 基线，后训练策略接近更强的同期 LLM，并越过原有能力边界。代码已公开。

  14. AI 摘要arXiv cs.AI

    高亮度LHC异常检测研究：监督式嵌入优于自监督并引入局部诊断流程

    针对高亮度大型强子对撞机下的新物理搜索，一项研究在COLLIDE-2V数据集上评估了监督与自监督神经嵌入策略，该数据集包含7.5亿个模拟事件。研究以在学到的潜在空间中训练的自编码器重构误差作为异常分数。结果显示，利用模拟过程标签的监督目标通常优于自监督方案，其最佳配置在所有留出过程上，于10%背景接受率下提升了信号效率，并超过直接在运动学特征上训练的自编码器。研究还提出局部诊断流程，对标准模型潜在空间拟合高斯混合模型，通过高层观测量刻画各分量，定位被标记事件并按局部区分能力对观测量排序。

  15. AI 摘要arXiv cs.AI

    CNN-Transformer 结合 Sigmoid 标签实现亚度级 DOA …

    一篇 arXiv 论文针对深度学习波达方向估计中的网格量化误差提出 Sigmoid 标签：把信源方向编码为多个角度偏移的单调 Sigmoid 函数之和，对用该标签训练的 CNN-Transformer 网络输出求导，可在信源方向形成尖锐谱峰。配合 0.25 度的适度细化网格，方法达到亚度级精度与 1 度分辨率，突破网格步长限制。在统一 CNN-Transformer 骨干下，作者将 Sigmoid 标签与高斯标签、0-1 硬标签及二元交叉熵基线对比，数值结果显示 Sigmoid 标签精度最高、分辨率更优。

  16. AI 摘要arXiv cs.AI

    arXiv 论文提出系统辨识的上下文学习统一概率框架

    一篇投稿于 arXiv 的论文把系统辨识的元学习框架推进了三个方向：一是构建统一的概率元辨识架构，用 Transformer 编码器-解码器配合针对长训练序列的处理机制，使长时域预测具备校准能力；二是让预训练元模型充当具备不确定性感知的合成数据生成器，在真实数据稀缺时为正则化参数模型提供任务相关数据；三是在标准非线性系统辨识基准以及一个分布外场景上做系统评测，精度与当前方法相当，并在仅靠输入适配即可应对显著分布偏移的情形下表现出泛化能力。

  17. AI 摘要arXiv cs.AI

    RegulaTutor：连接学习历史与教学策略的个性化辅导框架

    一篇 arXiv 论文提出 RegulaTutor，面向长期个性化辅导，把学习者的历史证据、学习者解读与面向学习者的教学指令串联起来。该框架以自我调节学习研究为指导，其辅导 harness 落实认知、情感、元认知与动机（CAMM）框架，用于推导有证据支持的学习者解读与教学策略。生成的策略保留与支撑证据的关联，并随新观察更新。配套的离线流程 PairRoute 利用中间执行记录区分 harness、模型与混合失败，提出并评估针对性 harness 修订，再为确认的模型失败构建经审核的阶段级监督。论文称该框架在评估的模型配置上平均提升了历史证据准确性、学习者诊断与教学质量的评判结果。

  18. AI 摘要arXiv cs.AI

    ProgramGym 发布：1648 个可验证环境训练长周期编程智能体

    研究者提出 ProgramGym 框架，包含 Program-Env 与 Program-Agent 两部分，用于训练从零构建程序的长周期编程智能体。Program-Env 通过反馈驱动的循环修复运行时沙箱构建与黑盒测试质量，从代码仓库中构造出 1648 个可验证训练环境，覆盖 C、C++、Go 和 Rust 四种语言。Program-Agent 将分析、实现、审查拆分为角色隔离的工作流，并加入修订管理以支持编译检查与失败恢复。在 ProgramBench 上，用这些环境生成的轨迹做微调，使 Qwen3.8-27B 的成绩从 34.87% 提升到 42.84%；Program-Agent 进一步把基础模型与微调模型分别推到 55.71% 和 56.25%，超过部分旗舰模型。作者表示将发布 ProgramGym 以支持后续研究。

  19. AI 摘要arXiv cs.AI

    AgentSWE 基准发布：编码智能体造智能体，无一达标

    研究者提出 AgentSWE，一个面向智能体软件工程的基准，覆盖智能体开发生命周期的三个阶段：从自然语言需求创建完整智能体、编辑生产环境中的智能体代码库、朝可量化目标做优化。25 个任务被设计成委托而非考试：构建方针对少量示例迭代，验收时用冻结的提交在覆盖完整需求的留出用例上运行，按需求推导出的评分标准判定，采用硬性通过/失败门槛，优化类任务则对照原基准自身的目标。跨模型与工具链评测多种编码智能体后，结果显示没有一个接近满足需求，演示效果与最终交付之间的落差是常态而非个例。配套的失败轨迹分析指出反复出现的失败模式，包括对可见用例过拟合、代码看似完整但运行时是空壳、以及无依据地宣称完成。

  20. AI 摘要arXiv cs.AI

    SWE-Critix：训练通用验证器评估编码智能体轨迹

    编码智能体被越来越多用于端到端软件工程任务，但往往缺少现成的评判标准。针对执行轨迹可能包含数百次与代码仓库和外部工具交互、现有验证器要么依赖未经专门训练的通用大模型、要么只输出标量奖励的问题，作者提出 SWE-Critix 后训练流程：给定任务与执行轨迹，验证器预测完成标签并生成自然语言分析解释判断。流程结合监督微调与强化学习，基于 CodeForge-Preview 的轨迹训练一系列 30B 模型。在留出测试集上，分类准确率从基础 Qwen3-30B-A3B 推理模型的 57% 提升到 SFT 后的 66%、RL 后的 78%。模型、数据集与训练代码已公开。