论文：AI 论文、技术方法与基准测试第 8 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
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。
- AI 摘要arXiv cs.AI
arXiv 论文提出「框架坍塌」概念，评估 LLM 在信息不足的金融查询上的表现
一篇 arXiv 论文研究金融助手在用户未说明关键前提时的表现，作者把这类失败称为「框架坍塌」：模型给出的数字来自数据本身，回答的却是另一个问题。研究以印度共同基金为场景，因为产品变体和税务规则有明确定义，每种解读都能算出正确答案。实验发现：面对标签含糊的数据，模型会直接采用，且常沿用用户的标签；把所有备选都标注后，模型会全部列出，但排列顺序由版面布局决定；缺少投资者信息时，能力较弱的智能体假定默认值或过时税则，即便要求必须使用该事实也不保证被采用。由于答案与数据吻合，数据核对无法识别这类错误；AI 评审只有在被告知各字段含义时才能发现标签错误，且仍会放过静默选择另一种解读的答案。论文说明这些失败如何产生，而非出现频率，并提出控制措施。
- AI 摘要arXiv cs.AI
JevAct 框架拦截 LLM Agent 动作，执行前做运行时校验
论文提出 JevAct，一个在 LLM Agent 执行动作前进行拦截的运行时校验框架。它把领域策略编译成可执行的状态检查与结构化问题，由一个只做 prefill 的决策模型给出概率判断，不依赖 LLM 生成文本。框架把工具状态事实的确定性校验与会话上下文的概率评估结合起来，识别可能无效的动作和过早结束任务的情况，并给出有界修正的针对性反馈。JevAct 不依赖底层 Agent 模型，无需改动其参数或工具。作者在 τ²-bench 的 Airline、Telecom 任务和 BFCL 上评测了 11 个 LLM Agent，Telecom 与 BFCL 上提升较稳定，Airline 上表现不一。
- AI 摘要arXiv cs.AI
Snyk 发布 VulnBench 2.0，对比 SAST 与 AI 安全代理…
Snyk 研究者发布 VulnBench 2.0 基准，含 20 个 Go、JavaScript/TypeScript、Python、Java 开源 Web 应用中的 108 个手工整理、攻击者可触达的漏洞，其中 62 个跨多个文件。只有同时定位攻击者可控的 source 与危险 sink、且各在两行内才计为检出。九种产品化配置在同一盲测协议下评测：Snyk Code 宏平均召回 82.4%（89/108），Claude Code 在 Opus 5、xhigh 档为 79.3%（85/108），两者在 28 个漏洞上结论不同，16 比 12，差距不足以区分；合并后达 101/108，为七种可比配置合计的上限。AI 配置还报告了至少 7 个参考集未含、Snyk Code 未报的真实漏洞。
- AI 摘要量子位
逐际动力更新FluxVLA Engine第二版技术报告，加入在线强化学习
逐际动力更新了开源具身智能工程底座FluxVLA Engine的第二版技术报告。相比9月首版，V2新增在线强化学习后训练实验，并扩大仿真评测与真机部署覆盖。仿真侧14种策略接入同一套LIBERO闭环评测，RoboCasa GR-1、RoboTwin与RoboDojo各接入8种策略；推理端8组模型与设备组合实测，优化后推理路径频率提升至2.31–9.64倍。以SmolVLA为例，在线强化学习后其在LIBERO-10和RoboTwin Clean十项任务上成功率分别提升10.0和15.4个百分点。真机侧在ALOHA、Rebot、双臂Franka及自研人形机器人LimX Oli上验证了从checkpoint到闭环执行的链路。
- AI 摘要量子位
分子之心MMDesign报告：19个项目18个命中，6个GPCR靶点全成功
分子之心发布AI蛋白质从头设计平台MMDesign技术报告，覆盖18个靶点、纳米抗体与大环肽两类模态共19个项目。每个项目仅测试9至50个候选分子，18个项目获得实验确认的结合分子，项目成功率94.7%；全部453个受测候选中139个确认结合，候选命中率30.7%。CCR7、CCR8、EP2、GPR68、NK3R、A2AR六个GPCR靶点全部命中，最优亲和力均达纳摩尔级。对6个已有结合分子的靶点再设计，5个在命中率或亲和力上进一步提升。
- AI 摘要Hacker News：AI 热帖
Trakkr 追踪 1285 条 AI 引用统计的溯源路径
Trakkr 通过各公司 API 向五个助手逐字提出 200 个需要给出数字的问题，并开启联网搜索、将位置设为美国；其中 160 个为覆盖 16 个主题的日常问题，40 个为存疑的知名统计数据。研究提取每个答案中的统计数字及其引用页面，对随机抽样的引用统计逐页打开、找到数字并沿页面自身来源最多追溯五层；无链接来源则另行检索。由 AI 模型判定每条溯源链，再用更强模型复核 300 条，结果一致率 82%；另人工核查 150 条，人工与模型不一致处做第三次核查。
- AI 摘要arXiv cs.AI
音乐音频生成综述教程发布，梳理方法与应用
一篇面向熟悉神经网络训练、但不了解音乐生成的读者的教程性专著发布，讨论音乐音频生成的多种形态：器乐片段、带人声的完整歌曲、对已有录音的编辑，以及能与演奏者实时配合的系统。文章用统一记号介绍神经音频编解码器与自编码器、自回归与掩码 token 模型、扩散与流匹配、采样加速和偏好优化，并用实例把训练目标、采样过程与已发表系统对应起来。应用部分把器乐生成、歌曲、编辑和现场演奏的音乐需求与模型设计联系起来，比较表记录各论文与官方来源中的表示、方法、输入、任务和发布信息。文章还说明如何解读自动指标与学习型评判器、设计与报告听测，并评估数据来源、记忆、署名与输出检测方面的证据。
- AI 摘要arXiv cs.AI
VGR 将反应验证嵌入逆合成搜索，验证可解率提升至 71.1%
一篇 arXiv 论文提出 Verification-Guided Reflow（VGR），把反应验证当作 AND/OR 搜索中的决策动作：验证结果以二元判定表示，查询由搜索结构调度，得到的判定用于排除反应或调整搜索优先级。作者定义「验证可解率」为能找到被验证器逐步接受的完整路线的目标占比。在 Retro190 上，把验证结果反馈进搜索后，该指标从 51.1% 升到 62.6%。对照实验显示，提前验证与立即优先接受反应各自都有改善，但两者叠加反而更差；据此作者提出「早剪枝、晚引导」：拒绝的反应立即剪掉，接受的反应在作为完整候选路线的一部分处理时才获得优先级。在固定验证调度规则后，该策略把验证可解率从即时引导的 61.1% 提高到 71.1%，且提案调用与唯一验证查询更少。
- AI 摘要arXiv cs.AI
研究：编码智能体在冲突时压倒性沿用仓库既有写法
一篇 arXiv 论文用双向受控实验考察编码智能体在实现新功能或改动既有功能时，如何在「自身默认偏好」「仓库既有先例」「任务显式指令」三者之间取舍。实验覆盖四个编码智能体、六组实现对照，共 5,625 次试验，并在三种编程语言的四个开源仓库中验证。结果显示，各智能体的默认实现选择高度一致，但当仓库先例与默认偏好冲突时，360 次试验中有 359 次沿用了先例。先例的影响力并不均等：三个起支撑作用的本地文件带来 96% 的采纳率，同级的资源文件只有 4%；在示例数量不变的情况下，仅改变文件位置就能让采纳率在 0% 与 100% 之间摆动。当新任务意图与既有代码冲突时，写明优先级规则的成效明显高于只给代码示例，两个智能体在两对实现上的联合成功数为 59/60 对 38/60；在开源仓库中，由 harness 加载规则把联合成功从 0/120 提升到 117/120。作者据此提出应记录设计决策…
- AI 摘要arXiv cs.AI
MEV 多事件视频数据集发布，面向长镜头生成
研究者提出 MEV，一个面向长镜头视频生成的多事件视频数据集。现有文生视频数据集多为只含单一事件的短片段，或仅配粗粒度描述，对长镜头时序依赖的监督不足，描述多个事件时生成结果常在时间上不一致。MEV 收录真实视频，其中主体依次完成若干互不重叠的事件，并带有精确时间边界与细粒度过程标注；这种以事件为中心的切分减少了混杂因素，使模型能做时间局部化条件控制，并以原子事件为单位拼接长镜头。配套标注流程把视频切分为有明确时间落点的事件，并生成全局与事件两级结构化描述。在事件中心的评测协议下，用 MEV 微调并加入时间落点事件条件后，长镜头的事件过渡与内容连贯性均有改善。该工作被 NeurIPS 2026 接收。
- AI 摘要arXiv cs.AI
arXiv 发布 IFAAB 基准，审计 GPT-4o 在印度提供财务建议时的…
研究者构建了 IFAAB 反事实审计数据集，包含 31,734 条由 GPT-4o 生成的财务建议，这些建议面向在性别、种姓、教育、就业、居住地、年龄和地区上各不相同的合成印度人物画像；在请求内容保持不变的前提下，比较模型隐含的财富、收入、储蓄、预期收益、文本相似度与建议主题。仅按性别审计时，男性标签画像获得的初始总资源比条件相当的女性标签画像高 60.1%，建议后总资源高 46.8%；加入种姓信息后，建议后总资源差距仍为 49.4%；再加入地区信息后，总体性别差距降至 7.9%。成对性别回答的平均 TF-IDF 余弦相似度仅为 0.44。
- AI 摘要arXiv cs.AI
FACTS-MAS：按证据通道拆分预测任务的多智能体框架
一篇 arXiv 论文提出 FACTS-MAS，把预测所依赖的证据拆成时间动态、外生上下文、季节性、结构信息与离散事件五类通道，每个通道由独立智能体产出可单独检验的预测，并用防泄漏的历史回测衡量其相对朴素基准的预测能力；这些能力估计被用来加权融合各智能体结果，无信息量的证据会被剔除或降权，而非强行参与。校准环节按历史验证折选择领域特定的常数均值。在 Zillow 周度待售房源库存与 FRED 周度失业保险申请两项数据、15 个美国都市区、4/8/13 周三个预测跨度上，该方法优于朴素末值法与 TimesFM 基础模型，但因子调整指数平滑模型与融合结果表现相当。
- AI 摘要arXiv cs.AI
CuraEval 框架评估混合技能机器人演示数据筛选方法
研究者提出 CuraEval 框架，用数学分析与受控对比检验机器人模仿学习中的演示筛选方法。分析显示，被评估的 PSD 分数只取决于回合长度和位置幅值平方，在 square 任务上与回合长度的排序几乎一致（ρ=0.999）。使用 Diffusion Policy 时，保留最短的 50% 演示使 square 成功率从随机选择的 70.7% 升至 76.5%；而几何熵 LOO 选择器在 can 任务保留 25% 数据时，成功率从 94.7% 降至 74.0%。经 Holm 校正后，没有任何筛选条件显著优于全量数据训练。
- AI 摘要arXiv cs.AI
Rubricon 提出无需人工标注的评分标准自动生成流程
Rubricon 是一条自动生成评分标准（rubric）的流程，不需要人工偏好标签、rubric 标注，也不需要训练生成模型。它用任意 LLM 采样多份 rubric，挑出区分度最高的候选，再补充遗漏的评分要求或回答缺陷，并删掉偏离或浅显的条目；除 LLM 自我批评和测试时扩展外，还用示例回答上各条标准的通过率来指导改进。在五个专业、消费、临床和通用 LLM 基准上，其打分与专家撰写的 rubric 的一致程度比 RRD、QSRG、OpenRubrics 及 Codex 等 agentic 生成方案中最好的一个高 9%。在 HealthBench 上，用 Rubricon 的 rubric 对 Qwen3.5-9B 做后训练，效果比用最强替代方案 RRD 的 rubric 训练好 4.5%。
- AI 摘要arXiv cs.AI
arXiv 论文：临床多智能体系统存在「差异洗白」，共识无法消除偏见
一篇提交至 arXiv 的论文在 120 个真实 MIMIC-IV 急诊病例上，用五种模型家族与四种聚合拓扑做全因子实验，并在反事实人口统计替换下检验。结果显示，20 种组合无一能消除差异，全部沿用了各智能体独立作答的方向，对黑人患者给出更急的分诊。每种模型都有放大基线差距的拓扑，但具体是哪种拓扑因模型而异，因此没有设计能可靠地安全或可靠地放大。后期补救无效：公平指令与人口统计遮蔽不改变差距，逐智能体自我去偏反而扩大差距，因为偏见已编码进智能体的常规临床数字。作者称之为「差异洗白」。当干预让反事实版本在系统内可见并经审议汇入最终决策时，差距才会闭合；多视角集成在保持团队结构、无需重训或改架构的情况下使差异下降 67% 至 94%。
- AI 摘要arXiv cs.AI
研究者提出 Skeleton Coding：让开发者用程序骨架约束编码智能体
一篇 arXiv 论文提出 Skeleton Coding 方法，主张开发者在给编码智能体提供行为规格（如测试和输入输出样例）之外，同时用接近代码的高层格式指定程序结构，即数据类型、模块与函数的分解方式。作者认为，智能体先选定结构，结构决定候选程序的范围，行为规格再在其中筛选；同一套测试对某种结构够用，对另一种结构可能严重不足。论文把 AI 辅助编码建模为控制问题，论证骨架可指数级减少所需测试数量。在四个模型、三个基准上，最佳骨架规格使平均测试误差相对最佳端到端行为规格降低 48.4%；即使智能体可查询完整参考实现，加入骨架仍使平均测试误差相对降低最多 27.0%。骨架还把大小模型之间的平均差距缩小约 52.4%，实现成本降低 15 至 26 倍，代码侵蚀平均减少 24.7%。
- AI 摘要arXiv cs.AI
GAAC：面向个人设备的无损 KV 缓存压缩系统
GAAC 是一种无损 KV 缓存压缩与服务系统，利用指数位冗余，在不引入 KV 近似的前提下降低存储占用并加速注意力计算。它用按通道校准的 base-plus-offset 编码表示 BF16 指数，并在小分组内自适应调整码宽，KV 数值保持逐位一致；融合注意力内核按需重建 KV 分块，避免解压整个缓存。在五个测试模型上实现 1.405-1.407 倍无损 BF16 KV 压缩，FP8 E4M3 缓存为 1.09-1.14 倍，E5M2 缓存为 1.25-1.30 倍。在 NVIDIA DGX Spark 上，64K token 上下文的解码注意力加速 1.19-1.27 倍，W4A16 端到端解码步骤加速 1.04-1.15 倍；服务场景下常驻 KV 内存减少约 26%，同等 KV 内存预算下总吞吐提升 13-29%。在 Apple M4 上注意力加速 1.02-1.25 倍。
- AI 摘要arXiv cs.AI
研究者提出角色锚定攻击，可污染智能体记忆中的用户偏好
一篇 arXiv 论文提出角色锚定攻击（RGA）：攻击者通过社交平台上嵌套的对话结构，让受害智能体在写入记忆时丢失上下文绑定，把攻击者用户的偏好误记为受害智能体自己用户的偏好。该错误记忆在检索阶段持续存在，并影响决策。作者把攻击实例化为工具选择操纵与隐私泄露两种形式，在五种主流记忆系统和六种语言模型上测试，两种攻击均取得较高成功率。