论文：AI 论文、技术方法与基准测试第 55 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
TaoD2C-Bench发布：评估MLLM工业级UI代码生成能力
为弥补多模态大语言模型在工业设计转代码场景下缺乏真实评估的空白，TaoD2C-Bench基准发布。其数据集包含来自17个商业平台的2861个生产设计及97652条专家标注，区分了必须遵守的约束与允许的实现选择。该基准定义端到端代码生成、需求推断与需求实现三项任务。对8个MLLM的评测表明，模型视觉重建能力强不代表能生成符合实现要求的代码，在推断与实现上存在显著差距。
- AI 摘要arXiv cs.AI
Open-MMUnlearning框架统一MLLM遗忘方法与评估
针对多模态大语言模型遗忘领域实现碎片化与评估不完善的问题，Open-MMUnlearning开源框架整合了目标模型准备、多模态数据处理、遗忘及评估流程。该框架涵盖隐私、安全、版权5个基准，支持4个模型族的8个模型及12种遗忘方法，并评估遗忘效果、保留效用及抗干预等鲁棒性。对比10种方法发现，GD遗忘质量最高，MIP-Editor保留效用最好。对13种评估指标的元评估显示，BLEU总体可靠性最高，KS-Test忠实度AUC最高但鲁棒性较弱。
- AI 摘要arXiv cs.AI
MIRA智能体优化文本生音乐意图对齐，开源模型媲美商业系统
当前文本生音乐系统常忽略用户隐含意图，单一相关性评分掩盖了配器、节奏等具体需求失败。为此，研究者提出将意图对齐转化为满足可独立验证的评分项，并构建专家标注基准MuRA-Bench。同时推出测试时智能体MIRA，它将请求意图转化为评分项，在有限预算下对黑盒生成器进行提示词搜索，迭代生成并验证，利用反馈引导轨迹感知树搜索。实验表明，该智能体提升了意图对齐度，使开源生成器性能达到Suno等商业系统水平。
- AI 摘要arXiv cs.AI
AgentTime基准测试评估智能体运行时长控制与预估能力
AgentTime基准测试包含222项任务，用于检验智能体按指定时长工作、预测及事后估算耗时能力。时长控制实验中，Fable 5.1在Claude Code dev中偏差达2.9倍，GPT-6 Astra在Codex中仅1.2倍。但Astra有14次在表面完成后休眠。预测实验常高估自然耗时；回顾实验中移除时间信息使Sol和Astra偏差翻倍多、Fable近翻倍。完成任务不代表能自主控时。
- AI 摘要arXiv cs.AI
研究评估决策模型诊断HVAC故障的边界与鲁棒性
针对HVAC故障诊断，研究评估了预训练决策模型Jev、开源大模型及监督模型的表现。在4个真实设备数据集的128个故障日中测试发现：输入物理特征时，Jev与较大开源模型能诊断单特征证据故障，但无法处理需运行上下文的故障。面对季节、配置或建筑变化，Jev与开源模型保持准确率与校准度，监督模型宏观F1下降0.33但在建筑内领先或持平。决策模型概率仍需校正且检测能力较弱，研究建议由代码计算物理而模型排序候选故障。
- AI 摘要arXiv cs.AI
Itgan提出LoRA适配Whisper方案应对阿拉伯语多方言ASR
Itgan团队针对NADI 2026的三个阿拉伯语语音识别子任务，提出在消费级GPU上用LoRA微调Whisper的统一方案。在鲁棒国家级任务中，通过方言专家适配器接力共享适配器，取得57.1%平均词错率；无标签时用线性探针路由可恢复44%的先验增益。混合方言任务中基座模型选择比适配器容量更关键，加入去相关成员后词错率达46.7%。突尼斯语码切换任务以14.49%词错率与5.38%最低字错率位列第二，其末尾0.60词错率降幅源自无训练的权重空间平均与ROVER投票。
- AI 摘要arXiv cs.AI
RollVerify框架解决长尾Rollout RL效率与精度矛盾
大语言模型强化学习中，上下文增长使rollout呈长尾分布，导致同策略训练出现GPU空闲；异步方法虽提效但引入过时样本损害精度。现有重加权方案仍有精度差距。RollVerify框架在部分rollout基础上，于样本进入训练前主动验证修复。其引入OPS指标量化轨迹偏离，在序列与token级验证并截断无效后缀，兼顾部分rollout效率与同策略精度。数学及工具辅助推理实验表明，该框架训练成本降低且精度与同策略训练相当，代码生成实验也提供初步证据。
- AI 摘要arXiv cs.AI
论文提出基于NeMo-Guardrails的SIEM/XDR受限动作AI修复架构
针对LLM作为安全运营中心推理引擎时易受对抗性告警注入诱导执行危险命令的风险，该论文提出双层受限动作架构。第一层在SIEM/XDR控制平面采用封闭意图词汇表与参数校验器约束执行；第二层用NeMo-Guardrails代理为LLM加输入输出护栏。在自发布对抗语料库评测中，该代理将注入召回率从25.0%提至94.5%（误报率0.1%）。红队演练证实该架构能在命令越过信任边界前遏制失效模式。因护栏延迟，该架构适于人机协同或延迟执行，暂未实测于工控环境。
- AI 摘要arXiv cs.AI
NL2Hull框架实现自然语言驱动船舶型线设计
NL2Hull框架将船舶型线编辑转化为类型化离散决策问题，连接语言指令与数值几何。其CFFD引擎用NURBS表示水线，对控制点施加自由变形后重建船体并检验几何约束。研究构建含134558条记录的SDD数据集，并在5000条记录、43496个问题的SDDBench上评估提出的Chip模型。Chip问题准确率达95.90%，FFD精确匹配率99.32%，负对数似然0.0951，期望校准误差0.0032，Brier分数0.0551。代码与数据已开源。
- AI 摘要arXiv cs.AI
QCATS框架实现查询感知Transformer切片，推理延迟最高降4.42倍
针对库内预测查询中关系谓词与统计元数据对神经执行规划不可见的问题，QCATS框架提出查询上下文感知的Transformer切片机制。该框架在查询粒度运行，利用查询谓词与元数据在模型执行前预选对齐上下文的FFN切片，包含离线专家构建与执行时轻量级查询级路由，并引入异步CPU-GPU流水线与路由感知批处理等系统优化。在四个预测查询工作负载上基于BERT-base与Qwen-0.6B的实验表明，该框架在保持与稠密基线相当预测精度的同时，最高实现4.42倍延迟降低。
- AI 摘要arXiv cs.AI
研究提出AI安全Stackelberg模型评估防御投资收益
该论文探讨AI系统通过自动测试与红队测试反馈修复漏洞的防御充分性及经济回报。证明若未解决攻击有持续发现概率、修复有效且更新保留既有防护，有限输入攻击面终将以概率1获护。推导完成时间界限并扩展至增长攻击面与跨攻击泛化修复。构建防御者主导的Stackelberg博弈，刻画阻止攻击的最低成本分配及均衡状态（不投资、仅投一项或两项全投），数值实验表明加速修复仅缩短受损时长而不降受损概率。
- AI 摘要arXiv cs.AI
研究称用户主动反馈比系统触发更能保障人机协作RLHF安全
针对人机协作中的RLHF，研究按PRISMA标准筛选了199条记录，纳入2020至2025年间20篇同行评审论文，首次梳理其双向闭环设计。发现存在多模态反馈与多步训练流程，常通过试点实验评估。为验证反馈时机对质量的影响，研究开展被试间VR实验，对比系统触发与用户主动反馈对机器人近距导航行为的作用。贝叶斯模型分析心理与物理安全指标显示，用户主动发起的反馈能更准确捕捉感知安全，表明反馈时机直接影响质量，未来需优先评估反馈收集法对安全的影响。
- AI 摘要arXiv cs.AI
新方法让逆优化学出全面超越观测动作的目标函数
针对混合整数线性规划（MILP）的逆优化问题，现有方法在观测次优时只能学出折中权重。Akira Kitaoka提出“超越逆优化”，寻找能在各分量上均优于观测动作的最优解权重。该方法仅需前向问题预言机即可评估损失函数，并配套基于梯度与DC的优化算法。理论证明，当权重在所有观测点诱导出唯一超越解时，泛化误差与观测数量成反比，且该界限在对数因子内是紧的。合成与真实数据实验均显示其预测超越解的能力优于现有方法。
- AI 摘要arXiv cs.AI
扩散模型引入递归潜在推理，数独求解率大幅跃升
针对扩散模型在视觉推理任务上的缺陷，研究者提出Painter-Thinker（PaTh）架构。该架构让轻量递归网络（Thinker）在每个去噪步骤中，基于编码图像与条件的令牌网格细化潜在状态，通过ControlNet引导冻结的扩散模型（Painter）。仅用标准重构损失训练，无需符号监督。在困难MNIST数独上，该方案以10M参数量实现92.5%求解率（此前最优75%），极端数独达71.2%（此前4.1%），且随问题规模扩大优势更明显，并能修复扩散模型无法处理的错误。
- AI 摘要arXiv cs.AI
LiveMACE 用真实市场 30 天评测 LLM 智能体能力
一篇投稿至 arXiv 的论文提出 LiveMACEBench，把实时金融市场当作自然演化的测试环境，对持续运行的 LLM 智能体做过程感知评测。五个前沿模型在工具使用、持久记忆、规则遵循、多智能体协作四种配置匹配的条件下连续运行，评测同时看最终结果和从完整决策轨迹中提取的机制诊断。30 天实测显示结果与能力之间存在明显落差：实际收益常与能力指标背离，相近结果可能来自差异很大的机制使用方式。轨迹层面的诊断还揭示出各能力上的不同瓶颈，说明能否调用机制、能否有效使用机制、以及下游表现三者并不等价。
- AI 摘要arXiv cs.AI
AI辅助地震解释工具包用于隐式地质建模，在荷兰两个三维地震数据体完成示范
一篇 arXiv 论文提出面向隐式地质建模的 AI 辅助地震数据解释与地质解释流程。该工作在欧洲 Horizon Europe GO-Forward 与 MOOI WarmingUP GOO 项目框架下开展，目标是对陆上地震数据在约 300 至 3500 米深度区间进行快速刻画。流程先用自监督与半监督对比学习 CNN 做去噪和插值以改善信号，再以尽量少的人工训练数据解释层位与断层，并把这些算法整合成工具包。示范案例是荷兰 Maassluis 组顶面在 Leeuwarden 与 Waalwijk 两个三维地震数据体中的解释。作者认为该流程已成熟到可融入实际地质建模与决策。
- AI 摘要arXiv cs.AI
arXiv 论文提出面向车载边缘网络的截止期感知多智能体调度方法
一篇投稿于 arXiv 的论文针对车载边缘计算中同址服务网络争用、时延需求异构且动态变化的问题，提出用多智能体强化学习做队列级调度。方法为每个 TSN 队列配置一个自主智能体，联合学习队列服务顺序与时间片长度，以在随车速变化的时延要求下减少截止期错失，并采用 MAPPO 实现协同而自主的调度决策。与集中式单智能体方法相比，服务时延最多降低 66.2%，可靠性最多提升 271.8%；与其他多智能体方法相比推理时间更低，且相比基于紧迫度的启发式方法能保持更均衡的调度。
- AI 摘要arXiv cs.AI
Caddie：用任务结果训练 LLM 智能体评论者
一篇 arXiv 论文提出 Caddie，训练评论者在智能体执行多步任务时给出自然语言分析与建议。与依赖步骤级标签或参考评论的做法不同，Caddie 只依据智能体收到反馈后最终是否成功来学习，通过强化学习优化评论者，同时保持基础模型冻结。在单基础模型上用多跳问答训练后，Qwen3-4B 评论者在四种不同规模与架构的基础模型上提升成功率，其中三种未参与评论者训练。在 MuSiQue 基准上，该评论者让 Qwen3-4B 成功率提升超过 25 个百分点，超过无评论者的 Kimi K3。同一评论者在 τ³ 与 DeepDive 等域外交互基准上无需额外训练也有增益。
- AI 摘要arXiv cs.AI
AnchorLoop：用历史参考模型改进工具智能体自进化训练
一篇 arXiv 论文提出 AnchorLoop，在自进化工具智能体训练中引入上一轮 Executor 的冻结副本作为历史参考。该参考同时用于训练回路两侧：为 Executor 提供跨参考优势，将当前输出与当前及历史多数答案对比；为 Curriculum 提供基于采样多数一致率差异的参考。由于 Curriculum 训练阶段 Executor 与锚点参数相同，该比较仅作为任务选择的代理指标，不代表版本间改进或正确性。在 13 个推理基准上，AnchorLoop 相比 Agent0 在数学推理上提升 2.5%，在通用推理任务上提升 2.8%，并保持更高的有效优势方差，后续迭代中持续改进，而无锚点基线增益递减。
- AI 摘要arXiv cs.AI
CoNN-AL框架用主动学习实现数据高效部分逆向设计
一项研究针对工程逆向设计中标注样本需昂贵仿真、数据集构建慢且贵的问题，提出CoNN-AL框架。该方法在协作神经网络与去噪自编码器（CoNN-DAE）基础上加入流式主动学习，通过蒙特卡洛dropout估计预测不确定性，实时判断哪些候选样本值得标注，从而把有限标注预算用在信息量最大的设计上。研究在超过90万个仿真设计的汽车玻璃导槽数据集上验证：仅用2万个主动选取的标签（约占训练池2.3%），在所有缺失变量水平上R-squared达0.967至0.982，接近用更多数据训练的上界模型；在较难水平上比随机采样少用30%至40%标签即可达到至少0.95，在最难水平上是研究中唯一达到0.98的策略。数据集已公开。