论文：AI 论文、技术方法与基准测试第 71 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
研究提出GGSD框架，通过自博弈发现人类可直接操控的智能体技能
GGSD框架将技能发现建立在竞技自博弈上，使层级智能体与过去的自己对战。高层策略从少量离散技能中选择，底层策略执行对应行为。训练后人类可接管高层直接用这些离散技能控制智能体。技能转换能涌现出连招行为，扩展表达力。在Ant、Franka-arm和Unitree G1环境中，人类可用GGSD产出的技能组合，无额外训练即解决Maze与CubePush等未见任务。
- AI 摘要arXiv cs.AI
新框架TacEx利用触觉好奇心驱动机器人探索与VLA后训练
强化学习机器人探索常因随机动作导致大量无效自由空间运动。现有基于认知不确定性的内驱方法易奖励无关转移。新框架TacEx将触觉反馈融入认知不确定性探索，把好奇心锚定触觉通道，驱动机器人发掘复杂接触动态。探索阶段无需任务奖励或专家演示即可学会抓取操作。收集的密集交互数据集支持离线学习下游抓放策略，无需额外环境交互。对无触觉预训练的视觉-语言-动作（VLA）模型进行TacEx后训练，能大幅提升下游表现且保持高样本效率。
- AI 摘要arXiv cs.AI
研究证实AMR增强对现代大语言模型无实质收益
针对此前声称AMR（抽象意义表示）增强能为大模型带来显著下游任务提升的研究，新论文在统一超参数选择协议下复现发现，纯文本基线表现始终持平或优于AMR增强模型。作者引入基于困惑度的探针方法，衡量AMR能否为大模型补充其原本不具备的关系知识，结果表明AMR增强未能提升模型对句子关系内容的理解，在下游任务上无明确益处。该论文已被EMNLP 2026接收。
- AI 摘要arXiv cs.AI
KDD 2026 论文指流式异常检测不及静态方法
发表于 KDD 2026 的一项大规模基准测试对比了流式与静态时间序列异常检测（TSAD）方法。研究构建了统一流式评估基准及名为 TSB-drift 的分布漂移真实数据集，以隔离需流式更新的场景。结果显示，与普遍假设相反，静态方法在多数流式设定下的检测准确率与计算效率上显著优于流式方法，揭示现有流式设计与现代 TSAD 需求间存在严重脱节，呼吁重新思考 TSAD 中流式能力的整合方式。
- AI 摘要arXiv cs.AI
UniAE-MoE统一音频编码器登顶XARES-LLM与Interspeech…
UniAE-MoE通过混合专家架构融合Qwen2-Audio与Audio-Flamingo 3的编码器，实现跨语音、音乐及通用音频域的统一表征。该模型采用SwiGLU与共享专家解耦网络，结合两阶段指令微调及任务特定数据缩放技术提升理解力。在XARES-LLM基准测得0.802分创SOTA，并获Interspeech 2026音频编码器能力挑战赛最优，验证了其泛化性。
- AI 摘要arXiv cs.AI
MEND方法实现世界模型潜在幻觉的无标签检测与修正
针对世界模型在潜在空间中因自回归反馈而产生的隐蔽且不断累积的幻觉现象，研究提出了MEND方法。该方法基于真实转移训练单一条件分数网络，无需真实误差标签即可在推理时发挥作用。其分数场的幅度用于检测幻觉，逐token场定位至特定图像块，并指明修正方向。在两项导航环境测试中，不依赖动作信息即实现最高0.80的AUROC检测值，超越单高斯密度基线；逐token定位AUPRC达0.87。修正过程能降低单步潜在误差并改善预测，但因部分误差与数据流形相切，当前重点在检测与定位。论文被DICTA 2026接收。
- AI 摘要arXiv cs.AI
DAGent提出增量规划框架，深度研究任务性能超开源基线
针对深度研究智能体现有DAG系统“先规划后修补”策略在证据薄弱时过早提交计算、后期修正浪费资源的问题，DAGent框架引入“评估再生长”增量规划机制。编排器依据已完成节点的置信度与不确定性信号逐批扩展任务图，并配合层级上下文层传播精简查询文档。其配套强化学习算法DAGRPO在执行器上注入拓扑条件信用与结构合规正则化。在BrowseComp-Plus等三个基准上，Qwen3-235B-A22B规模下较最强开源基线高出5.3/5.8/2.0个点，优势跨骨干网及GPT-5复现。Qwen3-8B规模下，DAGRPO较同预算仅看结果基线平均Pass@1提升3.0点。同架构对比显示，证据条件规划以更低token与工具调用足迹实现更高准确率。该论文已被NeurIPS 2026接收。
- AI 摘要arXiv cs.AI
Rep2Skill框架利用模型内部表征引导智能体技能自进化
当前LLM智能体技能自进化局限于文本空间，仅靠长轨迹与稀疏结果修改技能，忽略了包含执行状态记录的内部表征。Rep2Skill框架将内部表征引入优化循环，对收集的轨迹建模以定位偏离成功动态的步骤，结合执行上下文转化为文本反馈来定向修订技能。在两个环境及两个开源LLM上的实验表明，在无更强外部模型、同LLM兼任执行与优化器的设定下，该框架持续优于纯文本方法，为智能体自改进提供新方向。
- AI 摘要arXiv cs.AI
研究探讨AI智能体自演化技能在未见任务上的泛化能力
AI智能体能将过往任务习得的知识外化为可复用的技能（如程序、清单或代码），在新任务中检索调用。自演化技能方法会在训练任务的每轮练习后持续改写这些技能，并应用于同类新任务。该研究聚焦核心问题：这种经训练任务不断改写得到的自演化技能，能否有效泛化至未被训练覆盖的保留任务上？
- AI 摘要arXiv cs.AI
研究提出MADBench评估多智能体辩论安全性
多智能体辩论（MAD）通过智能体交换与批评答案来提升大模型推理，但也可能传播对抗性错误。研究提出MADBench基准，按MAD工作流将攻击分为分层分类法，涵盖6个攻击家族、356个源任务与3958个测试用例。评估表明，受攻击时MAD未必提升推理：相比单智能体，MAD在问答任务中能缓解对答案准确性的攻击，但在问答与工作区任务中会放大未授权读写。即便5个智能体中有3个串谋，也仅使28.30%原正确任务最终答案变错，仅3.26%原本诚实的智能体在辩论中被带偏。
- AI 摘要arXiv cs.AI
研究分析VLA模型在摄像头故障下的物理失效模式
该研究分析了视觉-语言-动作（VLA）模型在图像黑屏与画面冻结两种输入故障下的行为差异。画面冻结引发更极端的关节运动，而夹爪闭合后的黑屏更易导致物体掉落，尤其在缺乏本体感觉时。本体感觉可部分补偿缺失的机器人表征并减少非目标接触，但无法仅靠场景视角弥补腕部物体信息的缺失。评估的两种缓解方法在特定条件下提升了任务成功率，却增加了意外接触。真实机器人试验表明，即使任务成功也可能伴随意外物理交互，需设计能利用故障下可用信息限制危险运动的VLA策略。
- AI 摘要arXiv cs.AI
RefCon方法提升上下文演化智能体记忆提取质量
针对长交互产生噪声经验且重训昂贵的问题，RefCon结合顺序自精炼与并行自对比，无需真实标签即可提取高质量记忆。在AppWorld与BFCL-V3评测中，相对无扩展基线，ACE指标提升21.6%，ReMe提升16.6%；侧重多样性的变体DivCon在ReasoningBank上提升35.5%。该方法优于现有无真实标签基线，跨模型规模及软件工程任务泛化，甚至在软件工程任务超越真实标签基线，且随轨迹增加持续改善，不会像仅扩展多样性那样提早饱和。
- AI 摘要arXiv cs.AI
Schema框架通过程序归纳提升LLM探索未知环境能力
针对LLM智能体在规则不明环境中难以紧凑记录环境运作方式的问题，Schema框架引入交互式程序归纳机制，将智能体对环境的理解表达为可执行程序。该框架包含持久化程序工作区及用于校验、规划与执行的一组接口。在相同基座模型下，Schema将ARC-AGI-3的RHAE指标从58.7%提升至99.2%，完全解开DiG-bench公开测试集全部游戏，并在MazeBench上达到前50名人类选手的中位表现。消融实验证实了各组件的有效性。
- AI 摘要arXiv cs.AI
BELIEFRAG提出闭环控制器解决自适应RAG证据状态碎片化
针对多步检索中局部信号难以维持连贯证据状态的问题，BELIEFRAG构建闭环控制器，持续更新充分性、冲突等显式状态并选择后续动作。在六个QA基准上，搭配gpt-oss-120b取得0.572平均F1，较固定迭代检索提升且token消耗减少39%；在Qwen3-32B上F1达0.552，token减少35%。分析表明收益主要源于纠正性重检索，校准的可回答性作用最强。
- AI 摘要arXiv cs.AI
T-Router实现高效推理强化学习，0.46%参数量超越全参微调
T-Router通过可寻址块变化库与深度循环控制器，学习对已完成计算的复用与路由，实现参数高效的推理强化学习。在8.95B参数底座上，该接口仅分配41.73M参数（占底座0.466%），经GSM8K RL训练后取得83.64的MathAvg，高于全参GRPO的73.79。同等参数预算下，其MathAvg达83.64，优于LoRA的77.28，且将AIME平均准确率从48.33提至60.56。训练过程冻结底座参数与层级顺序，并可扩展至工具介导推理。
- AI 摘要arXiv cs.AI
论文提出CrossFit方法解决自进化搜索智能体共作弊问题
自进化搜索智能体因提议者与求解器闭环优化，易陷入“共作弊”：双方在共享错误上达成一致，内部奖励提升但外部正确性停滞。论文提出CrossFit缓解此问题：将源文档分为A与B两组，A生成的提问由仅在B上训练的辅助求解器评分，反之亦然。基于Qwen3.5-4B与9B的测试显示，对比标准自进化与Search-R1，CrossFit在七个下游搜索基准上平均性能分别提升8.8/8.4及8.7/7.8分，且将虚假一致率从基线的6.1%/8.8%降至3.0%/3.7%，优于多样本验证(MSV)的5.7%/7.2%。
- AI 摘要arXiv cs.AI
NeurIPS 2026论文提出回顾式世界建模新范式优化VLM智能体
当前视觉语言模型智能体依赖前瞻式预测来推演动作后果，但该正向范式难以校验动作与状态转移的因果一致性，易产生看似合理却违背物理的行径。新范式回顾式世界建模通过估算给定状态转移下最可能引发该转移的动作分布，实现智能体逆向推理。基于此构建自洽性奖励，衡量策略动作与逆向解释间的概率一致性，将其作为强化学习的内在密集反馈信号。多任务实验表明，相比仅含前瞻机制的基线，该方法显著提升了策略鲁棒性与泛化能力。
- AI 摘要arXiv cs.AI
新研究证明泛化信号不等于模型选择信号
计算生物学常在训练域内取验证集选模型，但部署常在域外。该研究测试用网络几何属性替代验证集排名，引入受Hessian范数启发的前向代理，在分子属性、蛋白质适应度及药物反应任务上实验。结果发现，随验证Spearman相关性恶化，几何属性并未更有用：补充验证对部分偏移有益但严重损害其他。更反直觉的是，即便Hessian迹与最大特征值关系微弱或反转，该代理仍与泛化差距相关，却无法可靠识别部署最优模型。低几何分数甚至偏向坍缩预测器，证实泛化信号非模型选择信号。
- AI 摘要arXiv cs.AI
SCIC方法提升长语音TTS子句级韵律控制精度
针对长语音合成缺乏子句级显式控制的问题，提出SCIC方法。定义说话人相对内联韵律控制，音高与能量指令针对同说话人相邻子句相对变化，停顿用绝对时长。分析Qwen3-TTS残差码本发现能量集中于早期码本、音高分布于深层前缀，据此设计时序指令路由器与标签特定码本加权。结合多奖励GDPO后训练，在保持字错误率与说话人相似度下提升控制精度，长文本合成比无指令说话人适配SFT产生更显著段落级表现力层级。
- AI 摘要arXiv cs.AI
新研究提出真实代码库运行时错误修复基准与安全护栏
针对大模型生成代码修复运行时错误存在的评估局限与安全隐患，研究构建了HealBench基准，包含18个真实代码库的265个错误及参考执行，支持跨文件上下文与运行时状态修复。同时设计HealGuard护栏，要求修复代码使用可分析的Python子集HealCore编写，结合静态与动态污点分析拦截不安全状态变更。测试表明，最优配置下28.68%的实例通过目标测试，但其中17.4%被HealGuard标记为可能触及受保护操作；在受控测试中，HealGuard检出全部不安全用例，误报率为68.42%。