论文：AI 论文、技术方法与基准测试第 77 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 摘要量子位
Inferact为谷歌TPU定制内核，跑Kimi K3比英伟达GB200快57%
推理创业公司Inferact（vLLM原班人马）为谷歌TPU v7手写megakernel推理内核，配合DeepSeek的DSpark推测解码框架，在16卡同等条件下跑Kimi K3达到每秒709 token，比英伟达GB200快57%。megakernel将92层MoE计算合并为单次调用，消除kernel切换间隙，实现跨层权重预取，将内存带宽利用率逼至理论峰值。关闭推测解码，TPU单batch裸速近GB200两倍。该方案无精度损失，代码已开源。
- AI 摘要arXiv cs.AI
自监督置信度微调使推理模型生成令牌减少25%
arXiv新论文提出自监督置信度训练法提升推理效率。该方法仅用600个训练问题微调模型，使其在推理轨迹中间节点预测自身对答案的置信度。训练损失不包含长度或停止目标，推理时也无早停机制。在数学、科学及编码基准上，Gemma、Qwen、Nemotron和GPT-OSS模型在准确率持平下生成令牌数最多降25%，效率媲美显式优化长度的方法。分析表明该法保留了基础模型高层推理组合，暗示高效推理可作为学习元认知信号的下游结果自然涌现。
- AI 摘要arXiv cs.AI
研究提出黑盒生成式AI统计属性对齐后处理算法
针对黑盒生成式AI输出属性分布与用户目标不匹配的问题，Kevin Jiang等人提出一种基于后处理的统计属性对齐算法。该方法通过反复查询模型，使返回的多个输出的联合属性分布尽可能逼近用户指定目标，适用于公平性保护与合成数据生成等场景。算法旨在最小化期望查询次数，并在请求数量趋于无穷时证明其最优性。文生图与地理编码人物生成实验表明，该算法提升了属性对齐效果，可作为基于提示词干预的补充。
- AI 摘要arXiv cs.AI
研究证实精简文档无助于编程智能体解决真实软件问题
该研究探究自然语言文档能否辅助编程智能体解决软件问题，并构建了评估工具。作者提出一种往返基准测试，通过代码重写是否通过原测试来评分，发现描述的保真度取决于完整性而非长度。以此作为优化信号，找到了能达到完全保真度且泛化至未见文件的提示词。然而，在两种模型族与十个代码库的测试中，当源码存在时，无论是静态精简文档还是检索上下文，都不如仅提供问题本身有效。研究最终报告了这一否定结果，并界定了文档发挥作用的边界。
- AI 摘要arXiv cs.AI
OC-GS提出不规则转台三维重建高斯泼溅法
针对转台重建中转速不均与丢帧导致等角假设失效的问题，OC-GS提出一种以物体为中心的高斯泼溅方法。该方法在保留共享相机、旋转轴及枢轴的前提下，精修各图像角度。其轨道一致性精修联合优化图像几何与角度，实现从稀疏且不规则拍摄中重建物体。
- AI 摘要arXiv cs.AI
研究揭示小学教师整合对话式AI课程的适应性实践与张力
一项研究考察了3名小学教师在为期3周、共13个教学日的夏令营中，实施基于ToyTalk对话式AI玩具开发平台的AI素养与英语语言艺术课程的经历。基于每日个人反思、小组反思及营后访谈，发现教师的适应性实践（修复、差异化、翻译与平衡）处于技术、学习者和教学三种张力的交汇处。随着夏令营推进，教师对AI及其角色的理解发生演变。研究据此提出了在小学课堂部署对话式AI的设计启示与考量。
- AI 摘要arXiv cs.AI
研究揭示多智能体LLM扩展效果受任务结构制约
该研究引入Steiner群体任务分类法，分析多智能体LLM的扩展规律。在析取任务中，团队规模扩大使至少一员答对的概率提升5至20个百分点，但直接多数投票几乎无法兑现该潜力，多轮修正虽大幅提准，但1个同伴与29个同伴的增益相近。在费米估算上，模型样本间共享的偏差占平方误差约87%，平均仅降约6%误差，扩展收益微弱。混合模型族有助于费米估算，但在析取任务上无法超越最强单员。测试覆盖13个开源权重模型及至多30个智能体的团队。
- AI 摘要arXiv cs.AI
研究提出流匹配框架统一神经表征差异性度量
Zeyuan Ye等人的新研究将多种神经表征差异性距离度量统一于深度生成模型中的流匹配框架下。这些距离被证明是在不同速度约束下的Jeffreys散度。该框架在估算涉及复杂分布与连续变量的距离时具备优势，且允许以原则性方式设计新度量，为理解、估算和设计此类指标提供了统一途径。
- AI 摘要arXiv cs.AI
研究提出Touchstone管线：用可检验性界定本地小模型网络自动化边界
将网络自动化输入全发第三方大模型会泄露敏感配置与日志，本地小模型推理虽避免数据外传但易出错。该研究提出“可检验性”准则：若任务自带低成本确定性测试（内在校验）能剔除错误输出，则适合本地推理。据此构建的Touchstone管线用7个1至8B参数的现成小模型生成候选，经内在校验筛错，未解决再上交大模型。在冲突检测与意图翻译任务上，端到端准确率达98.6%与93.8%，仅分别上交16%与17%的输入；而在无内在校验的纯知识问答上则无法匹敌大模型基线。
- AI 摘要arXiv cs.AI
ClearGS提出手持视频3D高斯泼溅新方法
针对手持视频视角覆盖不均与帧质量混杂问题，ClearGS提出可靠性感知视角分配（RVA），依据外观可靠性、退化风险及几何效用分配分级权重，并弱激活受抑帧保轨迹覆盖。因加权无法复原图像模糊，该工作引入渲染引导视频内修复（RIVR），利用当前3DGS渲染提供位姿对齐结构候选，冻结无参考修复专家复原原始观测，再由无参考感知分数在渲染、复原及高频融合候选间抉择。最后经全轨迹修复巩固保留早期细节。在GS2E与GSOTM上，无配对清晰监督或干净参考下，CLIP-IQA和MUSIQ指标获一致提升，LPIPS在多数退化设定下降低。
- AI 摘要arXiv cs.AI
首项海地克里奥尔语大模型文化意识评测框架发布
Christelle Clervilisson与Yanzhu Guo提交了首项针对海地克里奥尔语大模型文化意识的系统评测。该语言虽有数百万使用者但数字资源严重匮乏。研究从特异性、偏见、多样性与变异四个维度，利用母语者构建的文化提示基准进行文本填空测试。结果显示，该语种的文化意识显著落后于高资源语种法语，跨领域表现更不均且受法语干扰严重。故事生成暴露出模型常将海地角色刻板地与苦难和韧性关联。代码与基准已公开。
- AI 摘要arXiv cs.AI
研究提出提示词最小化框架，缩减输入且保输出质量
当前大语言模型的提示词设计多依赖经验，冗长输入不仅增加计算开销与推理延迟，还可能损害模型推理及准确性。该研究提出“提示词最小化”，即将提示词压缩至信息最密集的最短形态，同时维持输出保真度。作者构建了三种变体框架来寻找并评估最小提示词，实验表明压缩后的提示词常能产生与原长提示词相当的输出。该工作为高效提示词工程指明新方向，并深化了对大语言模型输入压缩的理解。
- AI 摘要arXiv cs.AI
UQ-LOB模块为限价指令簿预测引入不确定性量化
针对现有深度LOB预测器仅输出方向而无法指示可信度的问题，UQ-LOB作为轻量级编码器无关模块，可附加于预训练编码器上。其回归与分类变体分别输出校准高斯分布与类别分布，并暴露标量置信度以支持选择性预测。在52亿条加密货币LOB事件及5至15秒预测跨度测试中，回归变体达近名义68%区间覆盖；限定最高10%置信预测时，两变体宏观F1分别提升0.11至0.15与0.05至0.11。对大级别经济波动，5秒跨度下最窄置信区间的方向F1达0.88（跌）与0.83（涨）。
- AI 摘要arXiv cs.AI
Kaggle推出Game Arena，通过竞技游戏评估大模型
Kaggle发布Game Arena平台，以对抗性游戏评估大语言模型。区别于易饱和的静态基准，该平台让模型在结构化环境中直接对决，随模型进化自然提升难度。首发包含国际象棋、扑克和狼人杀三种环境，分别对应完美信息、非完美信息及多人博弈场景，系统考察模型在不确定性下的策略规划与适应能力。平台依托大规模真实对局与稳健基建，保障评估的可复现性与透明度，并支持未来扩展新游戏。
- AI 摘要arXiv cs.AI
PriceBench评估28款大模型预订偏好，同任务价差达146美元
Pavel Kireyev提出PriceBench诊断基准，用逻辑特选择模型从预订决策中还原大语言模型对价格、质量与品牌的偏好。测试覆盖8家提供商的28个模型，在179家纽约真实酒店共3600项任务上进行。结果显示，能力强的模型选择更一致，弱模型易受排序控制或近乎随机；不同提供商甚至同族模型间偏好差异极大，价格敏感度跨度超一个数量级，致使相同任务下平均预订房价从247美元至393美元不等。该成果已被EMNLP 2026行业轨道接收，任务与代码均已公开。
- AI 摘要arXiv cs.AI
首项婴儿运动分析联邦学习框架提出，引入不确定性感知聚合
针对婴儿运动分析依赖集中训练带来的隐私与数据共享限制，Edmond S. L. Ho 提出首个基于骨骼运动数据的自动化婴儿运动分析与全身运动评估（GMA）联邦学习框架。该框架在烦躁运动分类任务上进行评估，推理时采用蒙特卡洛 Dropout 估算预测不确定性。在此基础上提出不确定性感知联邦平均（UA-FedAvg）策略，将预测熵纳入聚合过程，依不确定性调整客户端贡献。三客户端实验表明，联邦学习较独立训练显著提升分类性能，接近集中训练水平；UA-FedAvg 及其结合验证损失的变体在多种数据划分下均优于常规 FedAvg。该论文已被 IEEE FLTA26 接收。
- AI 摘要arXiv cs.AI
新框架SeLATM实现分段主题建模，大幅降低LLM资源消耗
基于大语言模型的主题建模常因主题分配机制导致无法生成文档内主题分布、主题宽窄失当及资源消耗随文档数量长度激增等问题，制约工业级海量文档深度分析。新提出的SeLATM框架通过片段级主题生成与智能体反馈循环精炼主题来应对上述缺陷。多数据集实验表明，相比基于主题分配的方法，该框架在保持优越性能的同时显著减少了LLM资源占用。
- AI 摘要arXiv cs.AI
研究揭示联邦学习不同数据损坏需匹配不同检测信号
联邦学习数据损坏检测中，输入条件不确定性与预测标签损失对不同损坏模式表现迥异。在ResNet-20与CIFAR-10/SVHN的非独立同分布设定下，面对持续随机标签翻转，预测标签损失的客户端内AUC达0.85与0.95，而不确定性估计维持在随机水平(0.49-0.50)；面对图像加性噪声，预期熵不确定性升至0.67与0.66，损失响应为0.64。随全局损坏率上升，各信号优势更明显。评估数据质量应按损坏类型匹配信号，而非仅依赖不确定性。
- AI 摘要arXiv cs.AI
研究审计医学VLM后训练：SFT削弱视觉依赖，GRPO收益不稳定
该研究在PMC-VQA数据集上对Qwen2.5-VL-3B的后训练进行受控审计，对比SFT、LoRA、GRPO及反事实证据目标。结果显示，仅限语言模型的LoRA SFT虽微调正确图像准确率(+1.10点)，但视觉受益事件减少2.40点、图像敏感度降5.60点，且丢失203个视觉受益事件。更广的多模态适配正确率更低。标准GRPO产生混合奖励组，验证集增益不一致。审计发现优化活动与有效视觉行为间存在差距。
- AI 摘要arXiv cs.AI
ViSTA适配器让多模态大模型理解临床时序数据
ViSTA是一种轻量适配器，将不规则临床数值测量融入预训练视觉语言模型的图表表征中，通过修正视觉标记且冻结原参数，使大模型具备数值预测与时序问答能力。在MIMIC-IV数据集的急性肾损伤与死亡率预测上，其2B参数模型AUC达0.7376，逼近GPT-5.6 Sol的0.7380。进行时序问答时，4B参数模型获69.27%准确率，可训练参数比低秩适配少超90%，准确率仅差2.82至4.88个百分点。