论文：AI 论文、技术方法与基准测试第 58 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
QRAKEN神经符号管线提升Text2SPARQL准确率，较最强基线相对提升超…
QRAKEN是一种免训练、不依赖本体的神经符号管线，通过经验图证据而非模式期望来约束大模型生成。其离线蒸馏器生成TTQL紧凑描述，在线引导大模型并经确定性检查迭代修正。在CK25挑战赛上，搭配GPT-4.1 mini与GPT-5.4分别取得0.643与0.652的严格F1，较最强重算参赛者相对提升30%和32%。消融显示TTQL模式贡献最大，比仅用形状基线高0.31，比SHACL高64%。使用两个本地35B 4-bit开源模型零边际成本即可匹配最强参赛者。
- AI 摘要arXiv cs.AI
SAGE框架实现本地小模型合成高质量医疗QA数据
针对医疗问答因隐私限制与资源不足导致的高质量标注数据匮乏问题，SAGE框架被提出。它借助MeSH等轻量公共分类法作为语义锚点，通过迭代交替执行基于单一概念与基于关联关系的合成操作，从极少种子引导本地小模型生成训练数据。此法无需大量医疗文档或外部云端API，实现本地化数据创建。多基准测试表明，用该合成数据微调的模型在效果上持续优于基于传统文档或自衍生范式训练的模型，提升了数据效率与资源利用率。代码已公开。
- AI 摘要arXiv cs.AI
Kyoungmin Kim 提出语义查询代价与精度优化形式化方案
针对语义查询引擎中现有系统未考虑连接操作误差传播的问题，Kyoungmin Kim 提出代价与精度优化的形式化定义。该方案利用 Jev 等决策模型的校准置信度获取期望误差，结合扇出等对输出的贡献加权，无需标注数据即可算出计划期望输出质量，反向则将输出级精度目标转化为元组定价。研究证明点确定策略下精度与计划无关，选择下推在特定校准下不保证质量可靠。期望质量在包语义下多项式可算，集语义下遵循概率库二分法，丢弃元组选择为 NP 难，优化问题可通过两个拉格朗日乘子分解为逐元组决策。合成负载模拟验证了上述效应，真实引擎评估留待未来。
- AI 摘要arXiv cs.AI
POLAR框架通过双层本体评估动作可逆性以防范智能体调用风险
针对大模型智能体调用工具的操作风险，现有安全机制多属事后反应，已有前置方法缺乏可审计的结构化判定。POLAR框架面向小型工具调用智能体，利用双层本体结构评估动作可逆性，为动作分配分级可逆分数并推导候选逆序列，未达阈值的调用在执行前被剪枝。在τ²-bench上对六个智能体模型的评测显示，四个模型在航空领域的平均任务奖励提升0.11至0.18分，但十八个模型-领域组合中仅八个整体改善，零售及较强模型常出现退化。该框架提供可审计的结构化检查并刻画任务效用权衡，奖励并非防范损害的直接度量。
- AI 摘要arXiv cs.AI
新基准SpeedrunBench用游戏速通测试LLM智能体策略能力
研究人员推出SPEEDRUNBENCH基准，通过9款电子游戏的速通玩法检验前沿大语言模型智能体。智能体需反复优化策略、反思表现并利用已获知识进行长程推理，以追求更短通关时间。实验表明，在简单平台游戏中，前沿智能体成绩接近人类世界纪录；但在预算受限下面对耗时更长、机制更复杂的游戏时，仍落后于人类。该基准因总有更快通关时间待发掘，具备抗饱和评估特性。
- AI 摘要arXiv cs.AI
DAEDALUS方法让智能体通过自生成任务构建记忆
针对大模型智能体在新环境中因缺乏历史记忆而重复犯错的问题，DAEDALUS提出无需人工任务或验证器即可构建可复用记忆的方法。该方法配对探索者与求解者双智能体：前者生成具挑战性且可解的任务，后者尝试求解。求解失败时提取启发式规则，仅当该规则在上下文中被反复验证成功后才采纳，并反馈给探索者调整后续任务难度。最终采纳的规则汇入记忆库供测试使用。在AppWorld等三个基准上，相比无记忆基线，平均成功率最高提升15.9个百分点，pass^5最高提升2.2倍，且推理成本低于多数基线。少量探索预算即可见效，所得启发式规则也能惠及其他模型家族的智能体。
- AI 摘要arXiv cs.AI
研究提出TGA框架解决前沿模型重复运行不稳定问题
针对大模型处理非结构化数据时多次运行结果不一致的问题，研究者提出重复运行评估框架，引入主题流失与数量分歧两项指标。在8个前沿模型及100至5000条记录规模下测试显示，采用分类法接地代理（TGA）执行设计，在固定Claude Opus 4.8与1000条记录时，相较原生生成与层级分解，主题流失降低86%至88%，匹配主题数量分歧归零。TGA在各规模与匹配严格度下均保持稳定优势，表明分类法接地能显著提升重复知识工作的输出一致性。
- AI 摘要arXiv cs.AI
连续Dyna循环让十英雄MOBA胜率升至70.2%
针对含206个单位、每局至多6000帧的十英雄MOBA，研究构建了结构化多智能体世界模型，仅在模型内用1400帧自由想象片段训练策略。通过异步Dyna循环，用真实对局数据修复世界模型并在线锚定策略，使策略在真实游戏中作为Radiant方取得70.2%胜率（421/600，95%置信区间66.4-73.7），而循环前仅33.7%、纯梦境训练为0%。作为Dire方胜率为0%。研究发现模型利用在梦境内不可见，未锚定运行均迅速崩溃；世界模型在策略自身对局上严重失真，Dyna修复带来9.2个百分点的胜率提升。策略继承了模型保真度，擅长全局施压而缺乏团战配合。已开源模型、训练框架及日志。
- AI 摘要arXiv cs.AI
VisionWeave让MLLM原生支持弹性视觉表征，省43%token保98…
多模态大模型将视觉输入编码为固定大小token成本高昂。VisionWeave赋予模型端到端学习视觉表征分配粒度的原生能力，由门控空间池化器和粒度路由器构成。基于Qwen3.8-27B，该方法按内容自适应调整，平均节省43.0%的token，在八项基准上保留98.9%的原始性能，而固定减半的剪枝基线仅保住88%。部署于SGLang引擎时，吞吐量提升2.3倍，平均TTFT与TPOT分别降低54.4%和60.6%。
- AI 摘要arXiv cs.AI
PixelTriage插件实现检索后图像按需加载，视觉token消耗降至两成
多模态助手从含图长期记忆回答问题时，检索到的图像以像素输入会消耗大量视觉token，用文本代理则易丢细节。研究发现像素收益多源于极少数记忆，且可提前预测。提出的PixelTriage插件置于检索后，通过小模型读取对话、简注与缩略图，预测各记忆像素的增益。其由冻结的27B模型标注的合成记忆片段训练。配合7B回答模型时，在M³Exam等基准上仅用11%至23%视觉token即保精度不降，DMV上推理加速2.9倍，同预算下优于按检索序或均匀缩放策略，且可迁移至397B模型及其他记忆系统。
- AI 摘要arXiv cs.AI
HMED机制让自改进智能体从修订后果中学习元技能
自改进智能体在优化任务技能时，需依靠元技能控制发现与改进过程。现有方法依据原始搜索轨迹的分支结果更新元技能，但初始状态与修订效果相互纠缠，导致更新偏向占据初始优势的修订而非真正改善过程的修订。提出的HMED机制通过回溯已完成事件，在共享的恢复状态下重新执行原版与修订后的元技能，从而剥离初始状态影响，精准观测修订带来的变化。每次对比被蒸馏为可复用的元经验，使未被保留的修订也能提供学习信号。在三个交互式基准及开源闭源模型上，HMED均显著提升技能发现性能。
- AI 摘要arXiv cs.AI
研究提出RePAIR方法提升移动GUI智能体跨用户可靠性
移动GUI智能体在个性化界面下可靠性不足。研究提出PAIR管线构建用户条件化应用状态以供评估，并引入RePAIR训练法，利用跨用户子目标差异进行学习。测试6个智能体发现，用户条件化UI下子目标达成率下降6.98至15.4个百分点，涉及用户自身内容时降幅扩至8.77至22.0个百分点，常误选非目标项。RePAIR在未见用户上较SFT基线提升用户条件化SAR 5.87pp、全成功指标7.50pp、整体任务SR 9.42pp。
- AI 摘要arXiv cs.AI
ReGraph模型揭示双视觉流中泛化能力的计算机制
ReGraph是一种引入生物学归纳偏置的循环双流图模型，包含视网膜驱动的流特化编码、背侧至腹侧调节及动态侧向连接。在Something-Something V2动作基准上训练后，模型沿背侧通路独有地涌现出上下文不变码与类网格空间基，而单流或无调节变体及标准基线均未出现，表明这些偏置是关系结构的先决条件。类网格基可作为可复用路由模板。该研究计算性地表明，泛化并非在特定脑区突现，而是感官信息分层解析为因子化流时便已成型。
- AI 摘要arXiv cs.AI
新框架CRG实现大模型智能体单轨迹置信度估算
针对大模型智能体在关键领域输出可信度难衡量的问题，研究者提出推理时框架CRG。它无需特权模型访问权限或训练数据，仅从单次执行轨迹估算任务完成概率。该框架将任务完成声明拆解为基于轨迹证据的子声明，分别估算后聚合为整体置信度。在三个智能体基准、三种骨干模型与框架下，CRG校准置信度及风险决策能力优于言语化、采样及白盒代理基线。消融实验表明改进源于声明级估算与聚合。CRG还公开支撑置信度的声明与证据，支持决策时审计。
- AI 摘要The Verge
OpenAI数学突破频遭抵制，设独立顾问组修补关系
近期OpenAI等实验室在长期数学难题上取得突破，甚至触及千禧年大奖难题，但因发布方式粗暴引发学界强烈反弹。OpenAI屡次在重大成果发布上严重失误，导致与数学界关系破裂。为挽回声誉，该公司宣布成立由顶尖从业者组成的独立顾问组，指导后续发布。然而该顾问组成员及学界人士均指此事推进混乱，凸显OpenAI未吸取教训。此外，该顾问组首项任务是协调大量未发布模型成果的公布，此成果潮已让研究人员对领域受冲击深感担忧。
- AI 摘要arXiv cs.AI
研究揭示基础模型起始词元可触发推理，效果媲美RL训练
该论文探究训练数据如何建立起始词元与后续推理行为的关联。固定特定起始词元能让基础模型在数学与编程上表现媲美经强化学习（RL）微调的版本。例如，".\n\nOkay"使Olmo-3-7B的MATH-500准确率从42%升至78%，"Alright,"使Qwen3-14B从72%升至87%。RL训练提高了此类词元出现概率，固定词元即可恢复大部分RL增益。通过因果数据干预，任意词如"chicken"可被转化为有效推理线索，"Think duck duck goose"能变得与"Think step by step"同等有效。不同线索引发的隐藏状态对应训练集不同文档类型，且在安全场景中会引发对应不同训练数据的拒绝或遵从行为。
- AI 摘要arXiv cs.AI
BiasFlow提出几何监控与骨干正则化以缓解伪特征依赖
BiasFlow是一个基于hook的工具包，用于监控类属性质心对齐(IBMI)等指标，并配套提出有监督、可组合的BiasFlow正则化(BFR)。在UrbanCars上，加入BFR使最差组精度(WGA)最高提升26.0个百分点。在CelebA-Std骨干冻结重训头部的压力测试中，BFR结合GroupDRO将WGA从40.7%提至64.1%，同时Male探针精度从92.5%降至72.2%，表明属性信息仍可恢复。合成水印ImageNet实验中，水印偏移精度提升23.0个百分点。
- AI 摘要arXiv cs.AI
研究提出读取MM-DiT上下文Token框架并引入对齐训练提升生成质量
针对多模态扩散Transformer生成中动态上下文Token功能不明的问题，研究者提出通过自然语言探询读取该空间的框架。训练轻量瓶颈网络将中间上下文Token映射至冻结LLM输入空间，使LLM能直接从隐表示回答关于生成图像的问题。发现这些Token编码了丰富全局场景表征，提示未明确的属性在去噪极早期即可读，细粒度细节随时间可读；即使空提示下信息仍可解码，表明其从视觉表征累积图像特有信息。上下文可读性与人类偏好评分正相关。基于此提出上下文对齐训练技术，显式强化视觉语义信息，提升生成质量与分布覆盖度。
- AI 摘要arXiv cs.AI
新方法RV-ICL让机器人从视频递归学习，无需训练即提升成功率
针对大模型智能体调度冻结VLA策略时，文本记忆缺失操作细节、完整视频拖慢推理、固定关键帧丢失抓取细节的痛点，提出免训练的递归视频上下文学习方法（RV-ICL）。该方法将演示视频按抓取等子事件构建为层级结构供智能体导航，规划前读粗粒度层级，执行遇细节需求时重入并仅加载当前子目标片段。每任务仅需一条演示。在RPent基础上，LIBERO-PRO成功率从92.6%升至96.5%，LIBERO-Plus从86.7%升至95.8%。
- AI 摘要arXiv cs.AI
UniSlider实现感知均匀的连续图像编辑滑块控制
现有生成式图像编辑滑块仅缩放强度参数，导致图像局部回退、长区间无变化或短区间突变。UniSlider将滑块与强度解耦，要求输入到输出的感知距离随滑块值线性增长。该方法在少步编辑主干上训练轻量LoRA，使强度逼近理想滑块，并在推理时通过自适应采样重映射强度以弥补低秩适配器无法完全均匀的差距，无需额外训练或参数。在包含300次连续编辑的基准测试中，其在均匀性、单调性、编辑保真度及身份保持上均超越先前方法，用户研究也更受偏好。