论文：AI 论文、技术方法与基准测试第 62 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
首探用编码智能体自动修剪日志代码，当前准确对齐率不足两成
该研究首次将日志移除视为独立软件维护任务，从Python与Java库提取并人工验证真实案例，总结出10种移除模式与11种移除原因。构建含387个实例的LogRem数据集，涵盖直接移除、基础设施移除及替换。评估四种编码智能体发现，输出虽95.6%至100.0%通过有效性校验，但仅11.1%至19.6%能如真实变更般移除目标日志且保留无关代码。智能体常漏删、多删或误改无关代码。提交信息与开发者讨论对提升对齐度帮助最大，分类指导则持续降低运行耗时，高执行成本未必然带来更高对齐度。
- AI 摘要arXiv cs.AI
新研究提出语言模型代理轨迹证据组织框架以量化残余风险
针对语言模型代理的各类评估方法缺乏统一组合说明与未检项界定的问题，Xiaowei Huang提出基于逻辑、信息片段与保证账本的框架。该框架用双层逻辑将规则违规与基于撤回支撑的行动统一表达，各检查方法返回带类型声明，账本合并证据并将义务分为已确立、已处理未确立与未处理三类。在456条电信轨迹测试中，基准检查器联合将标记数从231提升至407，且各自捕获独有遗漏，执行门使特定禁止项精确化。剩余49条未标记轨迹及未满足义务构成残余，可通过发现新需求与强化检查器缩减。
- AI 摘要arXiv cs.AI
研究团队推出VoCa语音代理，实现对话中语音与画布协同交互
受人类边说边画启发，Yate Ge等研究者开发了VoCa系统，让语音代理在多轮对话中协同语音与画布操作，包括生成视觉对象、添加标注及引导注意力。基于对两人协作模式的观察与设计工坊，该研究确立了语音-画布交互设计空间。为期5天、18人参与的部署测试表明，该交互在学习、工作及日常具应用潜力，但也暴露出代理在协调所说与所展示内容时，用户难以跟进与干预的挑战。
- AI 摘要arXiv cs.AI
研究提出神经多样性感知的多模态情感计算架构
针对自动化神经发育评估仅依赖多模态与区分度而忽视临床有效性的问题，Pomianek等人提出一种可测试架构。该架构不把群体相对偏差视为功能不良的充分证据，在推理全程保留可观测信号、模态质量、上下文、群体相对信息、个体内参照及预测不确定性。它定义了结构化决策支持输出，并对目标有效性、时间完整性、上下文泄漏、缺失模态鲁棒性、校准、子群评估、可解释性、隐私及人类决策边界设定可审计要求。该贡献属架构层面而非算法层面，以自闭症为主要动机证据库，未声称具备预测或临床优越性。
- AI 摘要arXiv cs.AI
研究指LLM无法自决智能体验证边界，提出CoVer框架
针对智能体验证中规则分类依赖模型自决的假设，研究证实LLM无法自行划定可固定检查与需人工裁决的边界。在涵盖欧盟AI法案等六个语料库上，四个模型在监管文本上分歧严重且错误方向相反，在已部署信贷代理规则集上均过度声称可用固定检查解决。新提出的CoVer框架将模型一致视为提名，仅当合成的检查经受干预、不可写字段及确定性改写考验时才准入，拒绝了多数被错误准入的谓词。与参考裁判一致性从30%升至77%但实际可决比例未变，因裁判与模型共享盲点。该文已被NeurIPS 2026研讨会接收。
- AI 摘要arXiv cs.AI
新基准RAGStress专测知识库退化下RAG鲁棒性
RAGStress基准专测知识库受损时RAG系统的鲁棒性。它设定事实损坏、数字笔误、相关性投毒及矛盾注入四类损坏，分细微、中等、明显三级，基于57个MMLU学科与182546篇文档构建单库元数据过滤实验。52000次评估表明：干净检索会掩盖鲁棒性差异；语义保真类损坏比信号效用扰动危害更大；无检索准确率无法预测受损检索下的鲁棒性；混合库准确率不能代表最差情况。该基准提供生成脚本与评估代码，定位为受控压力测试而非通用排行榜。
- AI 摘要arXiv cs.AI
研究指多智能体辩论胜过多数投票需满足提案覆盖与验证感知两条件
多智能体辩论常无法超越简单多数投票。该研究指出辩论成功需两机制：提案供应须浮现正确答案，读出须在投票失效时识别它。研究用可恢复余量形式化首条件，并提出隐含验证辩论(LVD)模型，让候选提案在最终生成前获取特定验证证据。固定提案干预表明正确证据能改变决策概率。为改善提案供应，研究利用带标及无标覆盖目标构建神经丛林智能体社会。在匹配预算基准测试中，覆盖选择的社会增加了互补提案供应并提升了聚合准确率。逐轮控制表明交互带来的增益超越了直接对初始提案应用相同终结器。
- AI 摘要arXiv cs.AI
新方法PaSS通过迭代零空间投影提取LLM人设子空间以调控生成
现有LLM人设调控法常将人设简化为单一主导方向，遗漏嵌套细粒度特征。PaSS范式将人设建模为模型潜空间的多维子空间，无需监督对比样本或重训练。其利用迭代零空间投影（INLP）线性迭代剥离人设专属方向，在推理时对已嵌入内容的特征进行放大或抑制。在MATH-500等四项任务对六种人设的因果评估显示，该迭代子空间提取法比单方向加法调控幅度更大、更强，且保持内容保真度与任务性能，为LLM行为调控提供了可控、可解释且可泛化的框架。
- AI 摘要arXiv cs.AI
MASBench发布：评估部分可观测下LLM多智能体协作
针对现有多智能体基准多假设全局可观测的局限，MASBench引入部分可观测约束来评测大模型多智能体协作。该基准包含推理、调度与博弈三类渐进任务，对应评估协议、记忆与路由三种协作机制。同时提供性能得分、通信开销及性价比等确定性指标，以刻画协作成效与通信代价。跨多种大模型底座与机制配置的实验为高效系统设计提供了实证参考。
- AI 摘要arXiv cs.AI
新研究提出逐单元投影器以缓解大模型微调遗忘
针对语言模型微调新数据时损害已有能力的问题，该研究利用热带几何揭示ReLU层特性，提出一种门控感知的逐单元投影器。理论证明其代价为单元自身开放token的秩，远低于共享子空间需支付的联合秩。在OPT-1.3b上，9至60个约束方向预算下，遗忘程度较Adam-NSCL降低1.1至4.3倍；用其五分之一方向即在GPM能量阈值下将遗忘减半。在OPT-6.7b上，同等预算下遗忘持平但学得更多。18组实验均验证开放与封闭token划分的关键作用。
- AI 摘要arXiv cs.AI
PermVLA提出动作分块新正则化方法，提升VLA策略性能
视觉-语言-动作（VLA）策略通常采用固定的从左到右（LTR）顺序分解动作块。该论文指出分解顺序可作为正则化手段，提出因果锚定置换（CAP）方法。CAP通过可调时序前缀采样动作揭示顺序，其辅助目标训练共享策略从同一专家块的不同已知子集预测动作，无需增加演示数据即可构建多条件预测问题，避免过度依赖单一时序前缀。部署时保留确定性LTR控制。实验表明，CAP在LIBERO、LIBERO-Plus及跨数据集CALVIN评测中均稳定优于标准LTR训练，且能内化不同揭示顺序间的一致性。该思路可扩展至扩散动作生成器。
- AI 摘要arXiv cs.AI
RETRACE框架从PR历史提取可复用CI修复经验，显著提升LLM修复率
针对PR中多问题与修复交织导致经验难复用的问题，RETRACE框架结合终点回溯与提交前向追踪，以CI执行证据对齐问题与变更，输出三级抽象修复模式。在CI-REPAIR-BENCH（565个PR修复、101仓库、12类故障）上，它将mini-SWE-agent的Pass@1从19.6%提至31.9%（MiniMax-M2.5）、从23.3%提至32.8%（DeepSeek-V4-Flash），Codex从15.5%提至27.5%。双视角结合效果始终优于单视角。
- AI 摘要arXiv cs.AI
研究提出GS-Codec神经音频编码器
当前主流神经音频编解码器（如残差向量量化等）多遵循VQ-VAE模板，通过学习码本或固定标量网格对编码器潜空间进行划分。新提出的GS-Codec引入高斯泼溅瓶颈机制，将波形压缩为紧凑离散token，以支撑语音语言模型、实时通信及大规模音频存储等下游任务。
- AI 摘要arXiv cs.AI
SEIS实现推理系统端到端自主优化，吞吐量达原版3.27倍
Zhen Xu等人提出SEIS框架，采用智能体自演化策略对推理引擎进行端到端无人工干预优化。在H100上服务Qwen3-0.6B时，优化后的mini-sglang吞吐量达原版3.27倍，并在单请求负载下超越vLLM等主流引擎。验证表明加速源于引擎整体重构，且经验继承优于独立尝试，数值与下游任务精度均保持正确。
- AI 摘要arXiv cs.AI
新算法RDA2C提出：重塑经验回放角色，多任务超越PPO与SAC
Nianli Peng等人提出正则化对偶平均演员评论家算法（RDA2C），改变经验回放的传统用法，让历史优势估计直接累积参与演员目标构建，而非仅作最新更新的离策略样本。该算法存储带优势标签的样本，拟合对偶评分模型并经熵镜像映射导出策略。实验显示，使用GAE标签时，RDA2C在八分之六的MuJoCo任务与十二分之八的Atari游戏上胜过PPO，并在六分之六的MuJoCo任务上优于基线AAPDA；使用双Q标签时，在同等批大小与更新频率下匹敌SAC。
- AI 摘要arXiv cs.AI
LatentIndex实现跨层共享稀疏注意力，大幅降存储并提速
针对稀疏注意力索引重复选择与逐层键缓存开销大的问题，LatentIndex将Multi-head Latent Attention的潜在共享原则扩展至索引层。各层组从首层隐状态构建共享潜在缓存，结合层特定评分实现独立选词，将键解码器吸收进查询以直接评分。在DeepSeek-V3.2上四层共享使逻辑索引缓存存储降61.1%；在DeepSeek-V3.2与GLM-5上，免训练版比IndexCache的注意力召回率最多高3.28个百分点，且RULER和LongBench性能接近原生DSA；层级选择变体在8K至128K上下文中实现2.30至2.72倍解码索引加速。
- AI 摘要arXiv cs.AI
ConEx框架将视觉显著性图与概念推理结合提升可解释性
现有视觉解释方法多标注像素重要性，难关联高层语义概念。ConEx框架将显著性与概念推理结合，自动发现类别特定概念并用概念激活向量表示，无需人工监督。其采用架构专属掩码机制降低分割掩码噪声以提升概念纯度，生成展示概念位置及预测贡献的显著性图。评估提出VCM与CCM两指标量化概念对齐，实验显示其在保真度、分割及概念质量基准上达SOTA。
- AI 摘要arXiv cs.AI
KRATOS文献计量诊断的完整数学规范与性质推导
Maria Dolores Gonzalez与Alberto Barbado提交了关于KRATOS文献计量诊断的数学规范论文。KRATOS用于对比分析群组内文档分布与引文权重分布。研究推导了其识别对齐分数、参与-识别因子组合上限及Fréchet型边界等核心性质，给出了复合指标的精确对数分解，并求得了全局与分层置换零假设下识别比率的一阶和二阶矩。结论解释了复合排序对微小群组、重尾引文分布及元数据重分配敏感的原因，所有结果均附带数值验证脚本。
- AI 摘要Epoch AI：研究、数据与评测
Center for AI Safety与Scale AI发布RLI基准
Center for AI Safety与Scale AI推出Remote Labor Index（RLI）基准，衡量AI代理完成真实远程自由职业项目的水平。该基准包含240个跨23个领域的独立项目，源自超6000小时、价值超14万美元的专业工作。AI需端到端执行项目，交付物按人类专业标准评判。核心指标为自动化率，即达到专业验收标准的项目占比，当前AI得分极低，仅有个位数百分比。
- AI 摘要Epoch AI：研究、数据与评测
卡内基梅隆大学发布ExploitBench v0.1评测
卡内基梅隆大学研究者推出ExploitBench v0.1，专测大语言模型智能体利用真实软件漏洞的渐进能力。该基准包含41个2024年及以后报告的Chromium V8引擎N-day漏洞，在开启堆沙箱等缓解措施的默认构建上测试。漏洞利用过程被拆解为16个确定性评分标志，分属从触及漏洞代码(T5)到控制流劫持与代码执行(T1)的五个层级，采用统一轮次预算与确定性神谕打分，依据公开排行榜的平均标志点亮率衡量智能体表现。