论文：AI 论文、技术方法与基准测试第 7 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
研究者提出 Curriculum of Models 方法，用模型课程逐步发现…
一篇 arXiv 论文提出 Curriculum of Models（CoM），用于自动发现能诱导安全训练模型输出被禁止行为的提示。直接针对安全训练目标做强化学习时，几乎所有提示都被拒绝，奖励信号稀疏。CoM 改为让调查模型依次针对目标的多个修改版本训练，从很少拒绝有害请求的版本起步，待其能稳定诱导后，再切换到更难的版本，直至原始目标。在 CBRN 材料、爆炸物、非法药物三类诱导任务上，用 gemma-4-31b-it 与 gpt-oss-120b 两个开放权重目标评测：单行为训练时，CoM 比 PRBO 和直接训练更可靠地找到成功越狱；多行为同时训练时，CoM 训练的模型能诱导未参与训练的行为，但成功率低于 PRBO。
- AI 摘要arXiv cs.AI
研究用眼动追踪评估 AI 生成视频的真实感，提出 GazeEval 方法
一篇 arXiv 论文把眼动追踪作为评估 AI 生成视频的补充信号。研究开展了两项视觉图灵测试实验，共 90 名参与者，每人观看同一视频两遍后给出反馈，在 438 个视频上收集到 4286 次有效眼动试次。分析显示，注视模式与参与者给出的显式反馈方向一致。基于此，作者提出 GazeEval，从眼动数据预测视频被感知到的视觉真实感，预测准确率为 71.3%。研究数据已公开。
- AI 摘要arXiv cs.AI
CopyLoop：免训练解码让循环 Transformer 提速最高 10.7…
论文提出 CopyLoop，一种免训练的解码算法，面向循环 Transformer 的解码加速。它不再逐 token 生成，而是从重复上下文中提出多 token 后缀，先在较浅的循环深度上做筛选，过滤掉错误分支，同时让较新的块在较早的块还在向全深度验证推进时并行处理。作者在 Ouro、Raven、Huginn 三个系列的六个模型检查点上评测，覆盖代码生成与多步数学推理。Base 模型相对全深度自回归解码提速 2.98 倍至 10.70 倍，Thinking 模型提速 2.74 倍至 3.52 倍，在各评测任务上优于或接近所有对比基线。消融实验显示浅层筛选与连续调度之间存在明显协同；分析表明该方法只需轻量校准，在上下文可复用的长文本生成上收益更大。
- AI 摘要arXiv cs.AI
新论文构建推文语料库，测试视觉语言模型时长常识推理
一篇 arXiv 论文研究视觉语言模型能否从社交媒体内容推断停留时长。作者构建了由人类与大模型共同标注的地理标记推文语料库作为测试平台，发现当前最优模型即便配合多轮思维链提示，仍难以完成时长推断。错误分析显示，模型常无法整合关键上下文信息，或过度依赖显眼的视觉细节，而忽略话题标签与语义细节。
- AI 摘要arXiv cs.AI
AtomTree：用LLM按当前状态逐步分解子目标的具身指令跟随框架
针对现有规划器依赖大量标注轨迹、或让LLM一次性串行生成完整计划、只在失败后才更新等问题，AtomTree把任务规划改为增量构建子目标与动作树：每一步由LLM依据当前符号状态决定继续分解还是输出可执行的低层动作，并用轻量记忆模块归纳过往结果供后续决策复用。低层动作停滞时触发分层回溯重规划，回到父节点并按最新状态重新生成子树计划。在ALFRED基准的零样本评测中，该框架优于此前的LLM规划器，论文已被IROS 2026接收。
- AI 摘要arXiv cs.AI
arXiv 论文提出「grasp」框架，衡量智能体在不同工作量预算下的表现
arXiv 收录一篇由 Peter Sunehag 提交的论文，提出用「grasp」这一形式化概念比较不同成就在工作量与信息限制下的表现。论文指出，短程序生成的输出算法复杂度低，但计算深度可能很高；若想用更少的工作量产出同样的结果，往往需要更长的描述，这被称为「工作量有界复杂度」。grasp 被定义为在固定信息额度下、跨不同工作量预算的表现。作者认为，学习与积累可以把此前工作的成果复用起来，从而让原本「深度」的成就变得「浅」；低 grasp 也能靠高工作量投入取得成功，但不一定提升人类的 grasp。该框架还用于讨论递归自我改进、社会范围内的知识共享与协调，以及智能体集体可能产生超出既定任务的目标。
- AI 摘要arXiv cs.AI
inkGround 基准发布：评测 VLM 对连笔手写的笔画轨迹还原
研究者提出 inkGround，用于评测视觉语言模型从整页相机拍摄的手写图像中恢复笔画轨迹的能力。该基准包含 537 张页面图像（约 1.87 万词、约 16.3 万笔画），参考轨迹由预训练离线转在线模型生成，经 OCR 一致性筛选并由人工核验；由于这些参考轨迹属于伪标签，研究还使用带真实笔迹记录的 IAM-OnDB 做补充评测。任务被设定为文本条件点定位：给定页面图像与目标词，模型需定位该词并输出有序笔画点。评分涵盖轨迹保真度（DTW、Chamfer 距离）、渲染笔画可读性（Accurate Rate、Correct Rate）与风格相似度。评测覆盖 4 个开源与 3 个前沿闭源 VLM，闭源模型（尤其 Gemini-3.1-Pro）生成的轨迹更清晰、更接近参考，该排序在 IAM-OnDB 上同样成立。
- AI 摘要arXiv cs.AI
ForeSCITE 框架用语义时间轨迹预测生物医学新假设
一篇 arXiv 论文提出 ForeSCITE 框架，从已发表生物医学结论的语义表示中提取时间模式来生成假设。方法把约三百万条截止日期前的结论聚成 407 个主题簇，在每个簇内估计区分早期与近期发现的方向，将结论嵌入沿该方向投影，再由训练用于重建结论的嵌入语言模型把投影坐标解码为自然语言假设。回顾式时间切片评测中，该框架在语义覆盖、生物医学实体对新颖性和截止后配对再观测上超过五个基于提示与检索增强的基线。专家评审 CAR-T 候选假设时，37 个被判为新颖且生物学上合理。
- AI 摘要arXiv cs.AI
GUIDER：用潜决策流奖励提升临床指南推理
论文提出 GUIDER 方法，把临床指南中的条件决策流当作过程监督信号，同时训练一个决策流控制器和一个推理策略。控制器从指南监督中学习生成合理的决策流，策略为每个病例生成决策流与最终答案。过程奖励在控制器生成的多个流上计算，以覆盖同一决策对应多条有效路径的情况；该奖励再以答案正确性为门控，处理路径与答案不一致的问题。在 MedGUIDE 上，Qwen3-14B 骨干取得 82.5 加权准确率和 73.5 指南依从度，分别高出最强临床强化学习基线 3.3 和 3.1 个点；在 AMEGA-LLM、RealMedQA、CancerGUIDE 三个域外基准上，Qwen3-14B 与 Gemma4-12B 两种骨干均优于 CRPO、MRPO 和 FaithMed。
- AI 摘要arXiv cs.AI
PACK3D 提出分离内存布局与注意力几何的 3D 注意力算子
论文指出，把 3D 体数据打包成 token 序列后，序列顺序不再编码样本几何，按序列位置索引的位置机制可能学到内存布局而非物体本身，这是打包几何数据上注意力的一种通用失效模式。作者提出 PACK3D：局部邻域注意力保持精确，只把远距离上下文压缩为连续的 3D 块摘要，并用真实 token 网格坐标上的轴向 RoPE 索引每次 query-key 交互。在合成任务中，仅改变 token 内存顺序，学习式位置嵌入与打包序列 RoPE 在 Morton、块连续、随机重打包下均失效，轴向网格坐标 RoPE 始终精确。在 Allen WTC-11 hiPSC 显微数据上，PACK3D 在 15 结构联合任务上优于参数匹配的 3D U-Net 及学习位置局部-全局基线。融合 Triton 实现在 65k token 下延迟与窗口注意力相当。
- AI 摘要arXiv cs.AI
研究：AI 智能体论文的数值错误多源于错配而非编造
一篇 arXiv 论文重新分析了某公开 AI 研究智能体基准的全部 540 条已发布判定，覆盖九个智能体、十五个开放研究问题，并人工标注了 18 份投稿中的 256 条数值主张。作者发现，失败主要集中在论文与底层工作之间的对应关系上，而非公然造假；约五分之四缺乏支撑的主张，其实对应智能体自身文件中来自错误实验、指标或运行批次的值。作者提出一种确定性的主张—证据核查器，按上下文是否指明所引结果打分，并用数值干扰项校准；规则在标注前固定，对盲审标注者达到 90% 以上精确率（85 条中 78 条，Cohen's kappa 为 0.89），但只覆盖部分主张，无法核验的主张多数仍可溯源。同一证据下，LLM 核查器能找回更多可溯源主张，却多接受约三倍错配主张，两者宜配合使用。
- AI 摘要arXiv cs.AI
DeoGen：自动生成政策推理基准，前沿模型在信息不足时正确率降至22-40%
论文提出 DeoGen，一种可扩展、可参数化的道义推理基准自动生成器。它把政策规则自动形式化为一阶逻辑，据此构建决策树，每条从根到叶的路径构成一个基准条目，条目数量随树深呈组合式增长。到达叶节点的路径对应一个判定结论；未到达叶节点的路径则用来考察模型在信息不足时能否拒绝作答。评测显示，前沿模型给出正确判定的比例为 89-92%，但在信息不足以支撑判定的条目上，即便明确要求弃权，正确率也只有 22-40%。
- AI 摘要arXiv cs.AI
WISD 用弱化模型自蒸馏，无需外部教师提升推理能力
一篇 arXiv 论文提出 WISD（Weakening-Induced On-Policy Self-Distillation），不再依赖特权信息构建更强的自教师，而是先构造原模型的弱化版本，用原模型与弱化版本之间的对比作为训练信号。弱化方式有两种：低比特量化和幅度剪枝。在数学与代码推理任务上，量化与剪枝分别让平均准确率比原模型提升 4.0 和 5.5 个百分点。剪枝把 Qwen3.5-4B 在 HMMT 2025 上的准确率从 57.7% 提到 70.5%，在 LiveCodeBench v6 上从 39.1% 提到 56.7%；量化把 Qwen3.6-35B-A3B 在这两个基准上分别从 68.5% 提到 74.6%、从 61.8% 提到 69.5%。代码已放出。
- AI 摘要arXiv cs.AI
TERRA 框架让火星车在真实地形上几次试验内完成自适应
一篇投稿至 CoRL 2026 的论文提出 TERRA 在线自适应框架，用于行星漫游车在可变形地形上的部署期调整。该方法以奖励加权预测损失微调仿真训练的世界模型，并训练一个损失预测器来估计未来与性能相关的误差可能出现在哪里，再用这一信号在 MPC 中引导探索。仿真中，在严重的分布外预训练条件下，TERRA 约在五次试验内达到约 90% 的爬坡成功率，在奖励、完成时间和首次成功能耗上优于探索基线。在 ERNEST 漫游车上，该方法在三到五次真实试验内恢复了可变形火星模拟斜坡上的协调主动悬架运动。
- AI 摘要arXiv cs.AI
arXiv 论文提出知识蒸馏中可靠性与安全性的信息论边界
一篇提交至 arXiv 的论文从信息论角度研究 AI 知识蒸馏过程中的可靠性与安全性权衡。作者证明了一条不依赖具体模型形式的普适权衡不等式，其边界由单一参数 Kh 决定，该参数衡量隐藏层区分良性输入与危险输入的能力。论文还构建了 AI 响应行为的玻尔兹曼机模型，推导出可靠性与安全性之间的两个精确关系：权衡曲线由危害判别能力 K 决定，整体回答倾向则控制曲线上的工作点。在知识蒸馏中，教师模型的响应会使学生的权衡参数发生重整化；作者用重整化群方法研究多代蒸馏，针对两种代表性直接代际蒸馏协议，在任意师生对齐强度下给出精确递推关系与重整化群式流。
- AI 摘要arXiv cs.AI
综述提出「认知资本」框架，梳理生成式 AI 对人与组织的长期影响
一篇提交至 arXiv 的整合性叙述综述以「认知资本」为核心概念，讨论生成式 AI 进入知识工作后，个体与组织所积累的知识、认知与元认知能力及实践会发生什么变化。作者把个体与组织的认知资本同「人机系统能力」区分开，以便同时观察联合绩效的提升与人类能力的流失。文章提出 AI 互动影响认知资本的四条机制：实践替代、脚手架与反馈、元认知校准、组织聚合，并归纳出七条原则，其中包括辅助下的表现不等于留存下来的胜任力、同一技术因设计和使用方式不同既可支持也可替代学习、个体收益可能与集体多样性下降并存。作者为每条机制给出可检验命题，并提出五项供组织验证而非既定实践的设计杠杆，最后呼吁以纵向、多层次测量为中心的研究议程。
- AI 摘要arXiv cs.AI
论文提出利用部分C2PA溯源信息增强图像取证
一篇被 IEEE WIFS 2026 接收的论文研究带部分 C2PA 内容凭证的图像取证问题。这类图像只记录最后一次签名操作，此前来源未知。作者提出两步策略：先通过部分凭证的结构分析重建最后签名者执行的操作，再用重建结果调整取证检测器，使其适配待分析图像的统计特征，缓解分布偏移。在商业 C2PA 软件产生的部分凭证上验证了重建可行性，并以合成图像检测为案例，显示该策略能显著提升现有检测器在经 C2PA 工具后处理的测试图像上的表现。
- AI 摘要arXiv cs.AI
arXiv 论文提出 TESD，用教师进化改进在线自蒸馏
一篇提交到 arXiv 的论文针对 On-Policy Self-Distillation（OPSD）训练中性能无法持续提升的问题，指出原因在于模型自身的自教学能力有限，会在部分样本上给出不可靠的指导。作者提出 Teacher-Evolution Self-Distillation（TESD）：让自教师生成 rollout，并依据任务正确性与上下文独立性获得环境反馈；一方面用这些奖励对教师做定向优化，另一方面据此估计指导可靠性，对指导不可靠的样本降权，从而做自适应的学生侧优化。论文称在多个数据集和多种模型规模上，TESD 稳定优于代表性的 token 级与序列级方法。
- AI 摘要arXiv cs.AI
arXiv 论文：课程式强化学习实现火箭自主着陆，成功率 96.656%
一篇 arXiv 论文提出课程驱动的 PPO 框架，用于三维火箭着陆，环境包含随高度变化的气动阻力、风切变、时间相关湍流、离散阵风、不确定的推进与气动参数、推力矢量偏置、发动机滞后、执行器增益变化、观测噪声与指令延迟。训练分为远距接近、软着陆下降和一体化着陆三个阶段，并采用策略迁移、奖励变化后的 critic 预热、旧任务复训与天气严重度逐步扩展。在 10 万次评估中成功着陆 96,656 次，成功率 96.656%，95% Wilson 置信区间为 96.543%–96.766%；零扰动下为 98.84%，最高天气严重度区间降至 88.07%。
- AI 摘要arXiv cs.AI
研究：小模型乘法错误不遵循加法式噪声量化模型
一篇被 NeurIPS 2026 NewInML workshop 接收的论文考察了多个小型基座大模型的多位数乘法能力，测试集包含 16,991 道题，操作数长度各不相同。结果显示，乘法错误并不符合此前用于解释加法错误的「噪声量化」模型。作者在小型 Qwen 模型上发现了一种新的错误模式：低位数字列的错误大多保持奇偶性不变，而高位数字的错误则更多表现为进位的 off-by-one 失败。作者据此认为，大模型内部的算术计算依赖多种周期性的内部表征，其中奇偶性比精确数字身份被更稳健地追踪。