论文：AI 论文、技术方法与基准测试第 63 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
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。
- AI 摘要Epoch AI：研究、数据与评测
ARC Prize Foundation 发布第二代抽象推理基准 ARC-AG…
ARC Prize Foundation 推出 ARC-AGI-2 基准，含 1360 项网格任务，要求系统从输入输出示例推断变换规则并应用于新测试，允许两次尝试。该基准移除了易受暴力搜索破解的旧任务，新增针对符号解释、组合推理及上下文规则应用等当前系统弱项的考题，并强调计算效率。超 400 人受控测试显示人类平均得分 60%，而发布时纯大语言模型得分为 0%，前沿推理系统仅获个位数百分比。
- AI 摘要Baseten 工程博客（网页）
Baseten实测：LLM生成推理引擎比vLLM快最多90%
Baseten工程师实测MetaInfer框架，该框架仅靠技能生成定制推理引擎，无需模型后训练或专用框架。在单张B200上跑Qwen-3.6-35B-A3B（NVFP4精度）时，此引擎单流解码速度较vLLM 0.25.1快最多90%，首token时间快2.33倍，使该模型极低延迟场景从不可行变可行。此AI辅助推理优化兴起得益于四大趋势汇聚：模型长任务能力增强、智能体协调工作流普及、可衡量优化目标及推理需求增长。
- AI 摘要arXiv cs.AI
NeurIPS 2024论文提出SNAP模型，限制解码器提升几何表征
针对现有基于编码器的新视角/视角合成方法因空间表现力强的解码器稀释表征能力、像素空间目标阻碍特征学习导致表征效果差的问题，提出自监督编码器-解码器Transformer SNAP。其采用姿态条件局部解码器与潜空间重建目标，在视觉定位、位姿估计、点对应、深度估计及机器人操作五项任务上媲美专用几何监督方法。SNAP的块特征展现出接近强监督模型的涌现视角不变性，且计算与数据预算更低。在相机偏移下标准2D表征崩溃时，SNAP退化更平缓，证实限制解码器表现力可防止可迁移几何结构被抑制。
- AI 摘要arXiv cs.AI
4DCodeBench发布：评测智能体从视频生成动态场景代码
4DCodeBench基准测试发布，用于评估智能体通过代码生成实现4D逆图形的能力。智能体需将视频转化为可执行图形程序，利用物理模拟等抽象重建动态场景。该基准包含真实视频与涵盖形变、流体及断裂等物理现象的合成场景。对前沿模型的广泛评测表明，当前强劲的静态重建能力尚无法可靠地泛化至复杂动态重建。此测试床旨在追踪智能体通过代码理解世界动态的进展。
- AI 摘要arXiv cs.AI
NeurIPS 2026论文提出世界模型分层保留机制以区分遗忘与知识更新
当前持续学习将旧知识退化视为灾难性遗忘，但世界模型的环境预测目标会随时间改变，过时知识必须被丢弃而非保留。该论文提出按不变性时间尺度分层的保留机制：物理规律等不变量绝不可修改，实例级事实需随环境变化即时更新。传统遗忘指标无法区分正确更新与性能退化，会错误地将冻结模型评为最优。为此，作者提出差分保留指标，沿适应流报告不变量回归测试与修订延迟且不作聚合。该文已被NeurIPS 2026持续世界模型研讨会接收。
- AI 摘要arXiv cs.AI
EyeRobot 2.0用主动注视替代腕部相机实现精细操作
EyeRobot 2.0提出基于主动注视的双臂操作框架，仅靠单台立体相机即可完成精细任务。系统通过转动双目对准3D注视点，并在图像中心分配更多视觉令牌以聚焦计算。其采用分层强化学习训练注视伺服与目标选择模块，并将夹爪信息转换至注视相对坐标系以缩减动作分布。实测超千次物理试验表明，仅用被动立体视觉时常规策略成功率从52%降至27%，而该框架较被动立体视觉在实体与仿真中分别提升40%与20%成功率。当抓取物遮挡腕部相机时，其成功率超腕部方案两倍多（48%对22%）。
- AI 摘要arXiv cs.AI
多模态AI模型预测乳腺癌新辅助治疗反应
研究提出两阶段AI模型，用于预测乳腺癌新辅助治疗的病理完全缓解（pCR）。第一阶段利用8742名跨32种癌症患者的数据，从组织病理学推断转录组；第二阶段结合推断表达与临床变量预测pCR。模型在1080名患者上开发，于1412名患者中评估，合并AUROC达0.79，能在分子亚型内区分响应者。其表现优于病理生物标志物，且对肿瘤内采样稳定、所需活检组织少。消融实验表明全转录组推断比单用临床变量或单阶段病理模型区分度更高，且避免了基因组测定的基因选择限制。
- AI 摘要arXiv cs.AI
FrugalEvo框架实现低成本LLM程序进化，圆打包任务刷新SOTA
FrugalEvo是一种成本感知的LLM引导程序进化框架，通过强模型探索策略与廉价模型实现及迭代优化代码，并设计缓存高效进化过程以最大化前缀共享提升复用。引入BA-AUC指标衡量固定预算下解质量。在10项数学与系统优化任务上，最终解质量匹敌或超越OpenEvolve等基线，9项任务BA-AUC更高，10项ALE-Bench-Lite算法优化任务平均性能更优。圆打包任务中，用GPT-5.6组合仅花1.68美元、用GLM-5.3组合仅花0.55美元即达新SOTA，远超约50美元的多智能体基线。
- AI 摘要arXiv cs.AI
研究指线性STFT在合唱多基频估计中优于HCQT且降耗
针对合唱团多基频估计（MPE）中因音高重叠与谐波交叠导致的难题，现有模型多采用谐波恒定Q变换（HCQT）提供频率自适应分辨率，但动态生成训练混合体时特征提取开销大。该研究对比发现，直接将线性短时傅里叶变换（STFT）频率 bins 作为输入，虽分辨率固定且无音高对齐网格，性能却优于HCQT，并大幅削减提取成本。分析还表明，更长分析窗或更宽频谱覆盖无额外收益，限制输入至预测音高区间会削弱线性STFT优势。这说明更细频率分辨率未必提升MPE效果，较短分析窗对时变歌声更有效。
- AI 摘要arXiv cs.AI
MRVQ实现单索引弹性向量搜索，内存占用大幅降低
针对向量检索需按延迟与内存预算切换维度和码率的问题，MRVQ（Matryoshka Residual Vector Quantization）作为针对固定嵌入的后处理残差量化器被提出。其最大码率码流支持双重截断：丢弃残差阶段降码率，丢弃嵌入坐标降维度，从而用单一常驻索引服务所有维度与码率组合。在FiQA和NFCorpus评测中，相比分别训练的三个QINCo2索引，MRVQ内存占用减少17.8至22.0倍，比共享模型基线少1.89至2.02倍，是评测中最低内存设计。代价是精度比单码率QINCo2低0.026至0.107 nDCG@10，但同码率下优于PQ、OPQ及AdANNS-OPQ。此外，低构建成本的PCA-scalar设计拟合速度比RaBitQ快420倍。MRVQ定位为弹性检索的低内存运行点而非精度全胜者。
- AI 摘要arXiv cs.AI
研究提出卫星端海洋异常检测管线，已集成至多项太空任务
针对溢油、藻华等海洋威胁，研究提出一种部署于地球观测卫星的海洋事件检测管线。该方案采用自监督神经网络编码器将多/高光谱卫星图像压缩至低维隐空间，再由异常检测模型识别偏离正常海面的模式。相比传统算法，该轻量化管线专为算力受限的星载环境优化，支持从嵌入式CPU到AI加速器运行，通过优先传输关键信息节省通信带宽。目前该管线已集成至ESA的Phisat-2及Microsoft与Thales Alenia Space的IMAGIN-e任务中，以提供及时预警与高效数据缩减。
- AI 摘要arXiv cs.AI
研究构建哥伦比亚法律基准，揭示大模型事实正确率不足0.45
研究者构建了针对哥伦比亚法律系统的专家验证基准，含1042题覆盖10个法律领域及3种题型。对15个模型的评测显示，封闭题准确率在0.577至0.905（Gemini 3.1 Pro最高）之间，但自由文本事实正确率无一超过0.45。模型回答相关性与正确性呈负相关（rho=-0.46），常显得合理却事实错误；引用的法规约一半错误或不存在。封闭题与自由文本排名高度相关（rho=0.94），廉价多选题可预测排序但会高估绝对可靠性。结论是当前模型需专家监督，基于权威来源接地是提升可靠性的方向。
- AI 摘要arXiv cs.AI
LoGo方法提升长时视频生成3D一致性
针对摄像机控制视频模型在长时生成中物体易消失、场景结构偏移的3D不一致问题，现有仅给整体单一标量奖励的后训练技术难以修正。LoGo方法融合全局与局部空间奖励：局部奖励实现细粒度信用分配以大幅增强3D一致性，全局奖励维持摄像机跟随与画质。在三个基座模型上，LoGo于DL3DV及新提出的TrajectoryBench基准中展现明显优势，有效减少局部物体偏移、伪影及全局场景变化。
- AI 摘要arXiv cs.AI
DepGPO算法通过追踪读写依赖优化终端智能体策略
针对终端智能体在多步任务中因前后命令存在信息依赖，导致现有强化学习信用分配易错配给无关操作的问题，Yu Li等人提出DepGPO算法。该算法从执行轨迹构建命令依赖图，从任务验证器检查的资源反向追踪，将信用分配给相关写入及支撑读取，并以此重新分配轨迹优势。实验表明该方法提升了复杂终端任务性能与训练稳定性。
- AI 摘要arXiv cs.AI
NeutronGym发布：首个中子仪器设计评测环境，强化学习使Qwen3-8B…
NeutronGym是首个面向大语言模型智能体的中子仪器设计可执行环境，通过McStas光线追踪与无LLM裁判的阶梯式评分，检验智能体的物理推理而非记忆能力。其包含程序化生成的无限实例及含16项真实任务的McStasBench。测试显示七个前沿模型最多仅复现7项任务，无模型能检索参考或达标。强化学习训练使Qwen3-8B在隐藏设计目标上的通过率从11%升至77%，超越未训练的Qwen3-32B。若移除部分信用评分，性能下降60分。在同等模拟预算下，经RL训练的模型与经典优化器表现接近，而前沿模型解决率达98-99%。
- AI 摘要arXiv cs.AI
研究揭示单步生成模型中深度即时间现象并实现16.6倍参数压缩
针对单步生成模型将多步扩散压缩为单次前向传递的问题，该论文提出“深度即时间”经验观察：多步扩散的去噪计算在单次前向传递的网络深度上展开，可通过解码中间层恢复。该现象依赖于流映射求解的传输任务，MeanFlow探查短传输区间时呈现单次评估内的先去噪再加噪行为，而漂移模型无此现象。具备此特性的模型可沿层计算压缩，MeanFlow SiT-L/2模型被压缩16.6倍参数至单时间条件块，表明扩散时间计算未被消除而是重组至网络深度中。