论文：AI 论文、技术方法与基准测试第 64 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
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。
- AI 摘要arXiv cs.AI
研究显示视频时间先验可作EEG-fNIRS情感回归强基线
针对熟悉视频观看场景的连续情感回归任务，新研究提出一种低成本的视频时间先验方法。在24名受试者的五折留一评估中，该先验基线与融合生理信号的内部和外部平均绝对误差分别仅差0.05和0.32。消融实验表明，视频身份与视频内时间因素贡献了大部分误差降低，而EEG-fNIRS生理信号带来的增益较小且因人而异。这表明在熟悉视频场景下，视频时间先验已是低成本强基线，脑生理信号仅作为可选的残差修正。
- AI 摘要arXiv cs.AI
研究剖析金融博弈中PPO缺陷，解析策略可作微调起点
该研究将PPO智能体置于已解析的连续时间经纪商-交易者博弈中，令其替代经纪商选择交易速度。在无随机订单流时，PPO-FFNN能逼近参考动作；存在随机流时，PPO-FFNN与PPO-LSTM均持续失准，蒙特卡洛诊断显示其评论家无法可靠排序邻近动作，势函数奖励塑形也无济于事。在部分信息下，基于可观测历史的因果确定性等价控制器表现接近参考，而PPO误差大且收益低。当执行成本减半时，冻结解析策略并让PPO微调，可重复地弥合至新成本参考策略2.22%的差距，证明解析解既能诊断RL缺陷，也可作适应调整的有效初始策略。
- AI 摘要arXiv cs.AI
HazardWeaver：面向灾害分析的智能体科学路径选择框架
HazardWeaver解决灾害分析智能体在动态状态下选择适用且可执行科学方法的难题。它先用知识编译器提取关联证据的适用条件，再通过能力图谱检查输入输出兼容性，最后由智能体组件执行工作流并根据状态变化修正决策。配套发布的基准测试含141个实例，覆盖7个单一灾害与4个多灾害交互类别，支持多有效路径及合理弃权评估。实验表明其在多可选路径任务上优势显著，代码已开源。
- AI 摘要arXiv cs.AI
研究揭示智能体安全基准对工具命名高度敏感，单一评分不可靠
针对LLM智能体的安全基准常以攻击成功率（ASR）衡量鲁棒性。该研究提出威胁保留表示敏感性（TPRS），发现在保持底层任务等不变时，仅改变智能体可见的工具名称就会显著影响ASR。在ASB上，将威胁相关工具名换为中性名，GPT-5-mini和Claude Haiku 4.5的ASR分别上升11.67和13.21个百分点；在MCPTox上，将中性名换为显式威胁名，两者ASR分别下降11.00和4.11个百分点；在AgentDojo上，添加威胁措辞仅使GPT-4o-mini的ASR变动0.50个百分点，却使相关任务的良性效用下降5.36个百分点。实验表明，单一表示下的安全评分无法泛化，鲁棒性声明应基于多种威胁保留表示的测试。
- AI 摘要arXiv cs.AI
AutoTarget方法优化少步扩散Transformer缓存选择
少步扩散Transformer（DiT）通过步数蒸馏加速采样后，相邻步间距变大，预定义缓存复用策略会引入较大误差。为此提出AutoTarget方法，针对特定模型、求解器与复用调度动态选择缓存张量。该方法通过少量无缓存运行测量各候选张量复用误差并选最低者，同时分析了单步误差对最终生成结果的影响。在PixArt-LCM与FLUX.1-schnell测试中，AutoTarget减少了DiT评估次数与缓存占用，生成质量接近无缓存基线，其校准排序与留出缓存运行排序一致。核心代码已在GitHub开源。
- AI 摘要arXiv cs.AI
多语言多模态网页浏览智能体基准HyperBrowseComp发布
HyperBrowseComp是一个针对网页浏览智能体的压力测试基准，包含423个经人工编写与验证的极难问题，覆盖13种语言。每个问题需定位冷门证据、追踪多步线索或检查视频、扫描件、图片与地图等异构源才能找到可验证答案。为防模型仅靠参数知识作答，已用无网模型过滤掉简单题。研究在通用智能体协议下，用原生搜索与共享外部检索评估多个模型，并辅以人工评测以标定性能与努力程度。
- AI 摘要arXiv cs.AI
毫米波心率感知新框架HEAR实现零样本迁移与边缘低延迟
针对毫米波雷达非接触测心率时因散射体相干叠加导致心跳成分难以读取的问题，提出HEAR框架。该双任务Transformer联合预测心率及可观测性评分，输入结合频谱幅度与相对呼吸基频的频率。利用可控多散射体FMCW仿真器生成带自动可观测性标签的训练数据。仅用仿真数据训练，HEAR在60与120GHz两个真实数据集（134人）上实现零样本迁移。在120GHz数据集上，基于评分的选择策略将心率头平均绝对误差从全覆盖的17.9BPM降至50%覆盖时的1.6BPM，端到端延迟在边缘设备上为50.8ms。
- AI 摘要arXiv cs.AI
研究提出FinSkillBench评估金融AI智能体技能溢价
研究团队推出金融AI智能体评测套件FinSkillBench，涵盖组合构建、风控与基本面分析三大类共12项子任务，包含2603个时点片段。对9个模型在3种资源条件下执行17820次测试发现：精心策划的技能包可将平均得分从0.366提至0.528（提升16.2点），而单次生成技能仅增0.5点且更耗token。对技能溢价拆解显示，单独提供可执行工具提分19.5点，仅给文档提5.6点，两者组合呈次可加性。数值密集型任务高度依赖工具，需流程或输出模式指引的任务更需文档，解释性任务则兼需两者。技能溢价属于模型、资源与测试系统整体属性，而非仅取决于底层模型。
- AI 摘要arXiv cs.AI
Cephalonauts One发布：最深自然语音fMRI数据集及解码基准
Cephalonauts One发布目前最深的使用自然语音刺激的3T全脑fMRI数据集。三名健康受试者在听母语播客时接受扫描，每人产出30小时数据。数据集将脑活动与对应音频、转录标注及衍生嵌入配对。作者提出音频片段检索解码基准，提供标准化数据划分、评估指标与基线解码器。缩放分析表明，解码性能随单人训练数据量增加而持续提升。该工作已被NeurIPS 2026数据与评估轨道接收。
- AI 摘要arXiv cs.AI
提出任务与构造器协同进化框架，提升推理数据合成难度
针对现有推理数据合成仅复用生成问题而构造器不变的问题，提出了任务与构造器协同进化（RSI）框架。该框架包含在线与后任务两种自改进调度：在线时将求解器失败转化为可复用技能；后任务时在成本受限下仅采纳能生成更难有效任务的修订。在数学、编程和科学领域，经十四轮进化，求解器平均准确率从100.0%降至54.8%。用1万条合成数学数据微调的27B模型在APEX上达62.5%准确率，媲美前沿模型。合成数据也提升了下游SFT与GRPO表现。
- AI 摘要arXiv cs.AI
研究提出GracrBench：基于编译的GNN解释器严格评测基准
当前图神经网络解释器常以合理性评估，即对比预设真实原因，但这默认了模型依赖该原因，而该假设在多个主流基准上被打破（如仅凭度统计即可解题）。为消除此混淆，研究提出Gracr编译器，将分级模态逻辑公式转为GNN权重，使模型行为由构造可知，从而精确计算真实解释。基于此构建的GracrBench基准，对6任务11解释器的测试发现，多数解释器对间接影响或同公式不同实现缺乏鲁棒性。
- AI 摘要arXiv cs.AI
JOVE框架优化LLM任务图执行与验证，降本提速超3倍
针对复杂推理任务分解至异构LLM时子任务适配度未知且输出难判正确性的痛点，JOVE框架提出联合分配执行模型与选择中间输出进行付费验证的在线机制。验证异步运行并反馈以优化后续分配，系统通过求解混合整数线性规划来决策，在线学习更新模型质量估计并引入信息增益奖励。在长期预算与单次查询延迟约束下，该框架在四个推理基准上保持竞争力准确率的同时，将平均成本与延迟降低至少3.17倍。
- AI 摘要arXiv cs.AI
EVOL框架解决学习路径推荐稀疏奖励难题，已获CIKM2026接收
针对强化学习做学习路径推荐时面临的组合搜索空间超指数增长与真实专家路径缺失双重障碍，EVOL框架引入机器人学中的模拟器示范学习思路。它借助知识追踪模拟器，通过进化搜索为每位学习者合成专属专家示范，再将示范蒸馏至前馈学习器以获取免部署策略。在ASSIST15等三个数据集及不同路径长度下，该框架表现超越八种基线方法，且最终效果取决于进化专家质量而非特定模仿目标。
- AI 摘要arXiv cs.AI
SPEAR模型提出：基于频谱解耦与知识引导聚合的大规模PDE预训练
针对现有偏微分方程（PDE）基础模型在异构动态下存在知识干扰与专家冗余问题，SPEAR模型被提出。该算子将潜特征解耦为低高频分量，分别建模可迁移动态与特定模式，并采用知识引导的聚合策略，依据数据集学习知识与路由偏好衡量专家相似度以合并冗余专家。在十二个PDE数据集及下游任务验证中，该策略在保持或提升预测精度的同时，将专家数量削减50%，实现了效率与泛化的平衡。
- AI 摘要arXiv cs.AI
新推理策略CPF-DDNM提升图像不可见结构恢复效果
针对严重病态成像逆问题，研究者提出CPF-DDNM推理策略，通过融合连续的测量感知估计，改善扩散模型对不可见图像结构的恢复。该方法无需重新训练或额外去噪评估，在DDNM的值域/零空间分解下，仅作用于先验驱动的零空间估计，保持测量决定成分不变。在稀疏视图CT、模拟低剂量CT及医学图像超分实验中，该策略较DDNM有一致提升，且与其他扩散逆问题求解器性能相当。