论文：AI 论文、技术方法与基准测试第 80 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
SAGE框架通过拓扑引导缓解大模型长程推理偏差
大模型在稀疏奖励下进行长程推理时，易受探索偏差与复合偏差影响而表现脆弱。SAGE框架引入代数稀疏化与双曲结构引导两种互补机制：前者将局部容许候选投射至算子索引代数子空间以抑制伪分支，后者将推理状态嵌入负曲率空间以提供密集深度信号。在12个基准与7个模型家族上的测试表明，该框架优于竞争基线，并在Andrews-Curtis这一开放长程任务上取得最高8倍提升。代码已公开，论文被NeurIPS 2026接收。
- AI 摘要arXiv cs.AI
Jev-Mobile解耦VLM规划与执行，降低手机GUI代理成本
针对现有手机GUI代理因视觉语言模型(VLM)同时负责规划与动作落地导致的高延迟与高成本问题，Jev-Mobile提出低频VLM规划与高频轻量执行的新范式。VLM设定局部目标，结合无障碍树构建可执行动作空间，由快速决策模型Jev反复选择动作。单次VLM决策可执行多步GUI操作。在AndroidWorld测试中，其任务成功率达79%（SeeAct-V为78%，逐步VLM基线为84%），但成功轨迹的平均端到端执行时间缩短32.7%，模型API成本降低73.4%。
- AI 摘要arXiv cs.AI
Roblox提出搜索感知RL框架优化查询理解
针对大模型将查询理解（QU）作为多任务生成时，静态监督无法捕捉各组件与搜索管线交互影响的问题，Roblox提出基于“先蒸馏再强化”范式的搜索感知RL框架。该框架先通过师生监督微调（SFT）获得符合架构的初始化策略，随后在RL阶段利用与搜索引擎实时交互产生的、针对各组件操作角色的定制奖励进行优化。实验表明，这种组件特定优化使NDCG@20相比SFT策略提升8.9个点，相比单一端到端奖励训练提升3.5个点。
- AI 摘要arXiv cs.AI
研究证实大模型拒选理由确具因果效力
语言模型在多候选选择中常以对手缺乏某事实为由拒选。该研究通过向被拒者补充该事实并重问，分离内容与位置效应。在2WikiMultihopQA上对六个开源模型的测试显示，补充被指缺失的事实比补充无关句子更能改变模型选择（优势比3.57，Holm p=0.0210），且剔除任一模型仍显著。但将同样事实补至未被提及的第三选项则无此效（p=0.2428）。此外，强制单token概率与自由文本选择方向相悖，且未找到支持解释。研究还发现解析规则缺陷会导致17.1%的响应误返刚拒选项。
- AI 摘要arXiv cs.AI
EnigmaForge基准测试：隐藏问题重排大模型排行榜
新基准EnigmaForge不直接给模型提问，而是让模型从旧文档堆中自行发现并解开逻辑谜题。生成时经SAT求解器证明解唯一且每条线索均不可缺，语料可无限生成。25个前沿模型在超600个实例上测试发现，衡量“直觉”时模型间差距达22倍，而事实提取差距仅1.6倍；事实提取第二的模型直觉排第14。部分模型因自身内容过滤器阻断而无法解题，导致现有基准可能误测过滤行为而非真实能力。
- AI 摘要arXiv cs.AI
Nubank用模拟工作流筛选AI客服，自服务率提升8.82个百分点
针对客服智能体上线风险高、测试覆盖不足的问题，Nubank采用假设驱动的模拟工作流，通过合成客户与模拟工具输出，在不调用生产后端的情况下完成多步智能体工作流验证。在发卡管理等高流量场景中，模拟与生产环境的二元评估分数高度相关。基于模拟迭代使交易净推荐值提升36.69分；对超1.6万次模拟对话筛选出的开放权重模型配置进行线上A/B测试，自服务率提升8.82个百分点达历史最高，且净推荐值无显著变化。该方案使模型、推理及提示的广泛探索无需暴露真实客户即可行。
- AI 摘要arXiv cs.AI
R-DEIM Net：76M参数双专家架构实现复述检测与理由生成
针对复述检测中大体量模型算力高、轻量变体缺乏可解释性的矛盾，R-DEIM Net提出76M参数的双专家架构。交互专家借多尺度2D卷积与注意力机制抓取词元相似度，推理专家用Flan-T5-small解码器生成辅助监督理由，并池化其隐状态作分类补充特征，避免重复编码。在Quora数据集10折交叉验证中，该模型准确率达90.07%、F1为90.16%，以极小参数预算取得与MFAE BERT及LLaMA-70B相当的竞争力，且能输出人类可读的预测理由。
- AI 摘要arXiv cs.AI
TRACK: 无需训练的视频扩散加速策略，异构模型切换实现最高2.73倍提速
针对视频扩散推理计算昂贵的问题，研究者提出TRACK策略，通过在选定的去噪步骤中，于兼容的大模型与小模型间进行切换，降低单步平均计算开销。该策略先利用大模型生成参考轨迹，再通过校准过程对比两模型预测以获取分歧分数图，从而决定切换策略：高质量敏感步骤保留大模型，低分歧步骤路由至小模型。全程无需重训练、改架构或在线双模型评估。在Wan 2.1、Cosmos 3、TurboDiffusion及FastVideo上，分别获得1.95倍、2.04至2.73倍、2.69倍和2.17倍的加速，且保持相近质量与高多样性。
- AI 摘要NVIDIA Blog（RSS）
NVIDIA联合Google DeepMind等开放超2800种病毒蛋白复合物…
NVIDIA协同Google DeepMind及EMBL-EBI，通过AlphaFold Database公开超2800种病毒的蛋白复合物预测三维结构，供全球科研人员免费获取。该数据集运用AlphaFold2模型，并借助NVIDIA BioNeMo推理运行时进行优化，从而实现对数千病毒蛋白质组的规模化推断。新增数据中约30%的蛋白相互作用形态在以往实验数据库中从未被记录过。同时，NVIDIA开源了用于生成此数据集的BioNeMo结构预测流程，助力研究者针对自有目标完成从序列到三维结构的推算。
- AI 摘要arXiv cs.AI
快手部署SEEK框架，无需重训即可更新搜索评估规则
针对大模型做工业搜索评估时，把所有标准塞进单一提示词会引发干扰、内化标准又需高昂重训的问题，SEEK框架将评估标准外置到技能库，按查询动态路由相关技能，用任务适配的列表评估器生成页面级判断与归因。其两阶段训练对齐人类偏好，回放门控机制允许补充知识缺口而无需重训模型。在快手超4亿日活短视频搜索中部署，提升了列表评估准确率与归因诊断效果，扩大了在线评估规模。
- AI 摘要arXiv cs.AI
研究提出用引用影响对齐LLM科研构想生成
当前LLM科研构想系统多依新颖性等即时指标训练，未利用延迟的学术影响力信号。本研究基于超10万篇计算机论文构建数据集，提取目标条件构想并赋予年份归一化引用标签。训练奖励模型预测构想影响，通过SFT加RL对齐构想生成器。评估采用留出参考协议，在同目标下对比历史构想并按其引用标签加权。实验表明RL微调模型生成构想的预估影响持续高于基线及SFT基线，证实引用影响可作为对齐LLM开放科学发现的实用反馈信号。
- AI 摘要arXiv cs.AI
加纳语青少年健康ASR研究：微调Qwen3-ASR-0.6B大幅降错
该研究针对Twi、Dagbani和Ewe三种加纳语的青少年性与生殖健康(ASRH)语音识别。对比五类系统发现，Gemma 4零-shot最强但微调算力不可行，转而对Qwen3-ASR-0.6B用约9万条加纳圣经语料微调。此举使各语言词错率(WER)全降，Ewe语WER从109.3%降至64.8%，字错率(CER)从65.1%降至24.9%。基于此部署的KasaHealth语音应用经50人测试，获100%对话认可率、72%优良翻译评价及92%推荐率，证实制约瓶颈是领域内验证数据而非模型或算力。
- AI 摘要arXiv cs.AI
TimeBraid统一时序与语言模型用于理解预测
TimeBraid通过交错全局残差注意力层对齐预训练语言与时序基础模型，使双方分别继承推理与连续信号感知能力并在共享空间融合。其方案含统一提示、稳定联合训练，并使用220万时序文本对及490万指令微调样本监督。在感知、理解、推理及预测等基准上，该模型与远超其规模的大模型及专用模型保持竞争力。
- AI 摘要arXiv cs.AI
研究提出稀疏神经元定位五步诊断法，揭示幻觉神经元非唯一
针对大模型可解释性中稀疏探测定位神经元（如幻觉神经元）的声明，该研究提出包含特征相关性、自举稳定性等五步诊断协议。在TriviaQA等三个数据集上对Gemma 3 4B与MedGemma 4B的测试表明，幻觉检测可复现且具因果效应，Gemma 3 4B的AUROC差距均优于MedGemma 4B。但诊断显示所选神经元并非唯一局部化：22个神经元中19个与其他特征高度相关，自举稳定性中等，稀疏与稠密排名重叠弱。稀疏预测结构可与非唯一神经元选择共存，需常规诊断区分检测与定位声明。
- AI 摘要arXiv cs.AI
研究揭示推理大模型输出前缀攻击漏洞，成功率可达99%
针对具备中间推理步骤的大模型，研究首次系统考察了将恶意内容注入其推理通道的输出前缀攻击。实验针对Gemini 3 Flash Preview、DeepSeek V4 Flash与Claude Haiku 4.5三款前沿模型，在1800个测试用例上进行。结果显示，仅注入恶意推理几乎无效（成功率约0%），但若同时附加一个简单的输出前缀，部分模型攻击成功率飙升至99%。此外，上下文相关前缀比静态前缀更易得手，且各模型易受攻击程度存在差异。
- AI 摘要arXiv cs.AI
新系统Env-Rethink让LLM智能体在复杂环境中表现提升超15%
现实任务中，LLM智能体常因环境信息碎片化、有效证据与误导信息混杂、以及环境随时间演变产生新噪声，导致性能大幅下降（如从83.9%降至57.6%）。为此，研究提出Env-Rethink系统，其内置27B后训练模型，通过构建集合图与事件日志补充上下文、利用离线轨迹学习识别噪声、并基于虚拟事件历史演化环境来增加挑战，实现智能体递归自我改进。实验表明，该系统在30项任务上使9个模型的评分通过率提升超15.1%。
- AI 摘要arXiv cs.AI
新框架实现跨说话人声学到发音反演的解剖自适应
针对跨说话人声学到发音反演中的解剖差异问题，提出一种几何自适应框架。该框架利用椎骨与牙齿结构的解剖标志点，通过仿射变换与薄板样条（TPS）形变，将固定模型的预测轮廓映射至新说话人几何空间，无需重训练。仅需每名说话人一帧/u/元音识别标志点即可复用映射。在单说话人rt-MRI库训练，于另8名说话人库评估，Affine12+TPS14配置取得3.19mm最低平均点至最近点误差，验证了解剖标志与非刚性对齐结合的有效性。
- AI 摘要arXiv cs.AI
研究剖析全AI编写代码库：14.3%生成事件含真实错误
Douglas Leith发表论文，公开一个2.1万行Python工具的完整开发记录，该工具完全由Claude AI编写，无人类代码或测试。研究配套两款代码溯源工具及三类分类体系。分析指出：CLI指令比IDE聊天更侧重理解与规划；代码开发多具主动性；14.3%的AI代码生成事件含后续被AI自建测试套件捕获的真实错误；约四至五分之一的交互回复存在事实错误。
- AI 摘要量子位
任少卿时隔十年署名新论文，提出自动驾驶多模式联合模型
任少卿以通讯作者身份指导蔚来团队发布自动驾驶论文《MM-Future》，提出多模式世界-动作联合模型。该模型一次生成多组配对场景-动作假设，实现轨迹与环境双向交互演化，最终筛选最优路径。针对多模式建模难点，团队引入高斯混合噪声与Best-of-Many监督保证多样性，用MM-Tokens压缩多视角多帧特征控制算力，并以模态感知Transformer实现场景动作共同演化，由未来条件评分器完成筛选。
- AI 摘要arXiv cs.AI
TRACER模型从低分辨率远程监测数据预测心衰恶化
针对心衰患者远程监测数据分辨率低且采样不规则的问题，研究提出TRACER模型。该架构结合Transformer与对比事件表征，引入时间感知嵌入及对比预训练，将预测重构为事件检测任务。在276名患者的不平衡真实数据集上，模型准确预测66.7%导致住院的恶化时间线，假阳性率7.9%，性能优于其他测试模型，可用于生成临床恶化预警。