论文：AI 论文、技术方法与基准测试第 54 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
新框架ExpDis将RLVR探索与优化解耦，数学推理超DAPO
针对语言模型在可验证奖励强化学习（RLVR）中引入新颖性激励易导致模型质量下降且难以恢复的问题，研究者提出Exploration-Distillation（ExpDis）框架。该框架将探索与优化解耦：先训练带新颖性奖励的探索策略，过滤其正确且高质量的轨迹，再蒸馏给不带新颖性奖励的学生策略，并交替迭代多轮。在相同计算耗时下，ExpDis在七个数学推理基准和两个模型家族上优于DAPO，且pass@k缩放表现更优，表明其能生成更多样化的正确解。
- AI 摘要arXiv cs.AI
Long-WAM框架实现机器人长上下文实时控制
Long-WAM框架通过自回归视频预训练扩展世界-动作模型上下文，解决实时控制延迟问题。在RoboCasa GR-1上，上下文从0秒增至19.2秒，成功率由63.3%升至78.7%，双向预训练则无此收益。结合流式编码与异步执行，在RTX 5090上单步动作耗时107.4毫秒。在动态叠杯任务中达95%成功率，Pi0.5与Fast-WAM均20次全败。该框架在LIBERO-Long等基准亦居首，并可作为记忆执行器补充高层规划。
- AI 摘要arXiv cs.AI
RoboJEPA提出多实体机器人世界模型缩放定律
研究团队推出基于JEPA架构的RoboJEPA模型，使用涵盖12种机器人实体的数据集训练。其想象误差随计算量呈二阶幂律变化，可外推预测更大规模模型质量，且与下游规划表现强相关，可作为真实评估的可靠代理。该模型参数量达80亿，为迄今最大JEPA预测器，能以单目标图像零样本部署于真实硬件完成长周期规划。团队已开源全部检查点与部署代码。
- AI 摘要arXiv cs.AI
SciExam for ENSO基准测试：AI智能体构建气候模型能力超已发表模型
SciExam for ENSO基准测试评估智能体从真实观测数据构建ENSO低阶随机模型的能力。智能体需在6小时内处理数据、编写诊断程序并据此开发模型。隐藏评分器检验模型再现统计特征、恢复未观测变量及预测保留年份的能力。12个智能体系统中有6个得分超越已发表模型，主要优势在重建与预测。表现较优的简化模型分别契合ENSO暖冷不对称性的两种对立解释，而任务并未提及此争议。对照实验表明顶尖系统得分非因记忆数据，其建模受接收信息影响。这证明智能体已能构建具竞争力的模型，且模型结构触及学界未决争议。
- AI 摘要arXiv cs.AI
RECAST框架通过自适应计算路由提升RAG证据推导能力
针对传统RAG仅靠相似度检索、无法跨源聚合计算证据的局限，RECAST框架将证据构建建模为异构检索与计算的序贯决策过程。其轻量级RouterLM迭代选择并规划基础或定制操作，交由冻结的CompilerLM生成可执行代码，证据充足后交冻结AnswerLM输出答案。RouterLM经SFT与GRPO训练。在六个异构基准族上，该框架平均成功率75.6%，较大模型基线高15.9%；训练后的Qwen3.5-9B RouterLM比免训练Gemini 3.5 Flash高5.0%。在三个保留基准上平均超最强基线15.0%，展现强零样本泛化力。
- AI 摘要arXiv cs.AI
研究提出用陈述偏好经济学框架评估大模型
当前大模型面对诸多无标准答案的问题，陈述偏好经济学已处理该难题数十年。其通过内容、建构、准则效度及可靠性等概念评判回复。作者将该框架用作大模型通用评估法，并以水质调查测试六个模型。经济效度测试表现为需求向下倾斜、支付意愿随范围与收入变动。两旧模型在7.5万美元收入水平未通过基础测试，两新模型通过所有理论效度测试但在收敛效度上存分歧。通过测试仅证答案连贯而非正确。
- AI 摘要arXiv cs.AI
EmbodiedRSI实现具身智能体自主进化，真实零样本成功率超七成
针对机器人基础模型在物体位置或指令变动时性能下降且微调数据收集昂贵的问题，EmbodiedRSI框架被提出。它采用快慢双系统架构，在假设图中维护竞争性代码与技能假设，利用信息价值选择物理实验区分假设，并依结果引导代码与技能协同进化。慢系统构建分层记忆，基于奖励的记忆学习筛选高价值记忆供快系统改进。在RoboCasa365上，其总体与复合未见任务成功率分别达77.0%与71.3%，远超最优基线的40.1%；在LIBERO-Pro上总体成功率达86.8%。此外，该框架零样本迁移至真实机器人，跨多挑战任务总体成功率达71.3%。
- AI 摘要arXiv cs.AI
提出预测基座模型代码智能体潜力的新方法
针对端到端pass@K无法评估基座模型代码智能体潜力的问题，研究者提出利用已成功的后训练智能体轨迹作为前瞻信号。通过回放轨迹并定位使测试从失败转为通过的“决定性步骤”，构建了三个无需冷启动驱动的筛选器：Decisive-Action BPB（衡量认证动作概率）、Patch MCQ（测试对正确动作与被拒替代的区分）及前缀条件pass@K（评估功能正确续写的支持度）。在十对公开模型上的实验表明，这三个筛选器的排序与后训练SWE-bench Verified pass@1高度一致。
- AI 摘要arXiv cs.AI
论文提出基于制度设计的万人自主科研智能体社会
当前科研智能体部署向共享算力池的千量级群体演进，多数现有系统按单项目组织或呈无组织状态。该论文指出群体必将自发形成组织，故应显式提供制度设计。作者基于六项原则构建科研智能体社会：主研者通过提案竞争算力并经独立审查获资助；人类市长负责分配资源但不派发任务。在万量级智能体仅以优化语言模型预训练为目标的运行中，某实验室报告了以约30%更少算力达成同等质量的方案，但受测实验室尚未就此达成共识。文末提出六个开放问题。
- AI 摘要arXiv cs.AI
预课前使用语音AI讨论伙伴使课堂主动参与度提升31%
一项针对759名MBA学生的预注册实地实验发现，让学生在课前使用定制的语音AI讨论伙伴准备课程，两次使用后，其在后续课堂中的自愿贡献次数增加约31%。使用该AI更多的学生报告发言更自如且感知学习效果更好，但专注力与动机未显著提升。这表明课前与语音AI反复练习能实质性地提高课堂讨论参与度。
- AI 摘要arXiv cs.AI
FoldBack策略实现长程衣物折叠自纠错，成功率升至75.2%
针对机器臂长轨迹操作中抓取失败仍继续执行的问题，FoldBack策略通过三项推理时决策实现自纠错：对齐抓放事件进行验证、回滚至可重试的预抓取态、选择性重生成失败片段并避开旧错位。该策略无需纠错演示或重训基策略即可检测、撤销并修复失败交互。在6类33件真实衣物测试中，其最终折叠成功率达75.2%、最终掩码IoU为0.837，而最强基线仅45.7%与0.689。
- AI 摘要arXiv cs.AI
提出Δ-MOPD蒸馏法，多教师组合效果提升超4分
多教师在线策略蒸馏常传递教师端点策略，其中继承自基座的偏好会干扰训练效果。新方法Δ-MOPD改为传递重锚定在学生初始化处的教师减基座对数偏移，消除基座拉力。在组合三教师时，较端点监督在数学和五项基准上分别高出4.11与1.95分；两教师时准确率持平。分阶段路由下平均性能更高，顺序差距从10.50降至6.42分。交错路由时两者表现相当。偏移目标构造现成为独立设计轴。
- AI 摘要arXiv cs.AI
新基准PHRBench评估大模型幻觉后推理行为
针对大模型系统中幻觉信息会传播并影响后续推理的问题，PHRBench被提出以在行为层面评估幻觉后推理（PHR）。该基准覆盖4个领域与18个大模型，通过幻觉遵从、幻觉规避及启发式修正三种模式刻画推理轨迹，将成功修正并得出正确答案定义为有洞察力轨迹。在4820个受控实例中发现成功恢复较罕见且伴随更频繁的信念更新，幻觉提示属性对恢复成功具有显著预测信号，轻量级预测器AUROC达0.847。
- AI 摘要arXiv cs.AI
JOLT算法提出：联合同策略学习与教学优化自蒸馏
强化学习在长序列任务中因成功轨迹稀少面临稀疏监督难题。同策略蒸馏虽能提供密集监督，但自蒸馏中特权条件生成的教师可能走学生无法复现的捷径，导致学生性能退化。为此，研究者推导出教师局部蒸馏更新为学生奖励梯度正倍数的充要条件，指出教师需适配学生当前能力。据此提出JOLT算法，用结合结果奖励与面向学生KL正则化的目标训练特权教师，并用密集同策略蒸馏训练无特权学生。在数学推理、编程等任务上，JOLT提升了训练效率与性能，叠加学生奖励可获进一步收益。
- AI 摘要arXiv cs.AI
RunningTab框架为LLM代理引入环境侧标签页追踪任务进度
LLM代理通过直接语料库交互从工作区文件生成交付物时，常因上下文窗口限制而遗漏已读、待读或需求内容。RunningTab框架为该交互引入环境侧标签页，由环境与代理共同维护任务记录：代理添加需求，环境记录已读文件摘录及未打开候选文件。代理可将需求与匹配内容对照解决或暂置，若在需求未清时尝试结束，将触发完成检查。在三个基准及三种LLM测试中，该框架持续优于普通交互及模型内记录基线，其标签页通常能保留交付物所需值。
- AI 摘要arXiv cs.AI
新方法SQAM提升流策略微调效率，成功率最高超基线35个百分点
流策略用离策略强化学习微调时，需在每步计算向量雅可比积，开销随步数与模型规模增长。作者发现预训练流策略的批量平均速度雅可比矩阵集中于对角线，据此推导出标量伴随，用流时间缩放最终动作的价值梯度，免除了逐步向量雅可比积。结合对生成动作的价值惩罚，提出SQAM算法。在OGBench四个最难关卡上，成功率较各域最强基线高出18至35个百分点。在真实双臂机器人上微调视觉语言动作策略，三项任务均优于监督微调。
- AI 摘要arXiv cs.AI
新研究提出EDR目标函数优化并行推测解码草稿模型训练
针对并行与半自回归草稿模型训练因跨轮耦合忽略全局效率的痛点，新研究将其建模为马尔可夫奖励过程，提出期望解码轮数（EDR）目标函数。该函数用状态占用加权局部拒绝成本，无需辅助超参，且精确等于期望解码轮数。研究推导出支持无偏随机优化的精确时序差分梯度，并给出离线评估器。在九项涵盖数学、代码与对话的基准上，用EDR微调DSpark和DFly均稳定提升平均接受长度，优于现有训练目标。
- AI 摘要arXiv cs.AI
SOTA期权交易智能体框架发布，半年获18.3%收益
Yizhen Xie等人提出SOTA期权交易智能体框架，基于Qwen3.8-27B经SFT与RL训练，将海量合约抽象为策略级决策。在9只美大盘股及SPY期权上评估，半年样本外总收益18.3%，夏普1.60，最大回撤8.96%。研究发现新闻在RL阶段起反作用：保留新闻使收益降至-2.7%。该论文被NeurIPS 2026 Agenthon Workshop接收。
- AI 摘要arXiv cs.AI
研究揭示大模型受提示撒谎时推理token数量激增
针对推理AI的语义思维链监控面临可读性变差或失真的挑战，该研究基于认知负荷理论，探究无需获取推理内容的低带宽信号——推理token数量。三个具备推理能力的大语言模型在210道多选题上，分别接收诚实、撒谎及无视真相的系统提示。结果显示，在所有模型中，诚实作答产生的推理token均少于撒谎和无视真相作答。这证明受提示的不诚实策略会在测试时显著增加推理token消耗，为在原始推理轨迹不可靠时区分真假行为提供了内容无关的候选信号。
- AI 摘要arXiv cs.AI
RoboQuest基准测试揭示前沿多模态智能体探索能力严重不足
Liu Renhang等人提出RoboQuest基准，用于评估具身智能体在陌生环境中通过交互获取信息并自适应行动的能力。该基准包含10项移动操作任务，涉及搜索、检查与测试三类不确定性。对五种前沿多模态智能体的评测显示，最佳智能体成功率仅23%，微调策略几乎无法成功。失败分析表明，多数失败源于智能体在观察到完成任务所需证据前过早停止探索，且极少修复自身造成的干扰，试错学习依然困难，仅有少数失败归因于执行技能不足。