论文：AI 论文、技术方法与基准测试第 81 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
新基准TopU-LBVS针对配体虚拟筛选引入难负样本评估
针对配体虚拟筛选现有基准易高估性能的问题，研究团队推出多靶点基准TopU-LBVS。该工具基于ChEMBL 35数据，覆盖7类共93个蛋白靶点，以1:40比例构建含性质匹配且结构相似诱饵的筛选库，旨在消除物理化学与近邻指纹捷径。其提供三种固定协议：全量泛化、低数据学习及含随机诱饵对照的七靶点精简版。十种基线测试表明，随机诱饵下的表现在难负样本筛选时显著下降。代码与数据已公开。
- AI 摘要arXiv cs.AI
C3M：跨会话多模态记忆维护框架发布
针对长程任务中跨会话证据的保存与恢复难题，C3M提出了一种跨会话多模态记忆组织机制。在有限且查询无关的记忆预算下，该机制通过关系感知更新合并安全冗余，同时保留互补及不相容记录，避免丢失细粒度视觉线索或混淆语义相似但矛盾的观察。查询时，预算路由选择有用索引页并在固定读取预算下扩展关联源证据，从而构建紧凑且保留溯源的多模态记忆，维持可靠推理所需的时间区分与源链接。代码已开源。
- AI 摘要arXiv cs.AI
TTLab提出阿拉伯语机翻错误检测分类系统，赛事排名第三
TTLab针对AlexandriaX-2026第三子任务，提出基于表层形式的词元级分类方法，用于阿拉伯语机翻错误跨度检测与分类。系统保留字符偏移量以对齐评估指标，并采用带类别权重的焦点损失及方言特定解码阈值应对标签失衡。在六种预训练编码器中，MARBERTv2表现最优，开发集与测试集得分分别为40.8和40.91，总排名第三。系统定位错误跨度效果良好，但罕见错误类型分类仍存挑战，需针对尾部类别做数据增强。代码已公开。
- AI 摘要arXiv cs.AI
新框架DMA实现因子图近似推断，免迭代且无负精度消息
Ralf Herbrich等14位作者提出因子图近似推断框架DMA，直接逼近因子到变量消息而非边缘分布。对可归一化因子定义一致性条件，证明主定理将边缘KL散度由消息KL散度界定，推论确保无EP式内循环迭代与无负精度消息。针对乘积因子固有的非正常反向消息，给出O(1/r²)保证。基于此推导乘积与leaky-ReLU因子的显式DMA消息，构建贝叶斯神经网络推断算法：每训练样本仅需一次前向/反向扫描且无梯度学习率超参，验证了预测不确定性在数据稀疏区及模型失配下会变宽。论文提交ICLR 2027。
- AI 摘要arXiv cs.AI
SWE-Prometheus基准测试评估代码智能体工程治理改善
SWE-Prometheus基准测试发布，用于评估大语言模型代码智能体在真实代码库中提升工程治理的能力。该测试包含60个代码库，评估6个治理维度，要求智能体识别风险、确定干预优先级并验证变更。10个模型在22个公开子集上测试，平均归一化治理改善（NGI）介于0.0568至0.5760，行为破坏率介于0%至23%。盲测模板NGI为0.272，仅在测试与CI、质量门禁及文档上有改善。无操作条件中位NGI为零。最高条件均值系统对比中，包含行为失败的全池比较偏向Kimi-K3。
- AI 摘要arXiv cs.AI
AgriCountDINO实现农业高效计数定位，零样本跨域误差降6%
AgriCountDINO是一种参数高效的示例引导框架，用于农业场景下的植物计数与定位。它冻结DINOv3多尺度特征，结合示例外观与尺寸进行条件化并逐步解码为目标点，引入遗漏目标恢复与示例自适应点NMS去重。其可训练参数为8.4M，约为TasselNetV4的十分之一。在TPC-268基准上，三样本MAE达11.92，计数误差降低9.7%且提供定位。仅在TPC-268训练，在FSC-147上零样本MAE为14.25，较对比最优零样本方法误差降6%，无需目标域训练或微调。
- AI 摘要arXiv cs.AI
新数据筛选管线大幅削减游艇视频标注量并提升检测精度
针对缺乏可靠云台参数的历史海事视频，本研究提出端到端的数据筛选管线，用于特定场景的船舶检测。该方案利用SuperPoint与LightGlue将帧定位至参考全景图，融入气象及光照信息，并通过多样性采样保留视角与环境差异；针对地平线附近的远距离船只，采用视觉嵌入与高斯混合模型聚类进行二次补充。在CMMI MDigi-I智慧游艇测试台中，该管线将40718个候选帧缩减至220张待标注图像，削减率达99.5%。基于此子集微调的YOLO26-m检测器，在五折交叉验证下取得94.78%的mAP50及75.10%的mAP50-95。
- AI 摘要arXiv cs.AI
新研究开发不确定性感知ViT模型跨多族裔近视人群检测青光眼
针对AI基于彩色眼底照片筛查青光眼时，因真实标签定义、人群及高度近视等共存病差异导致外部数据集性能下降的问题，研究开发并验证了一种基于Vision Transformer的深度学习模型。该模型引入不确定性感知机制，旨在提升跨多族裔、近视与非近视人群的外部验证鲁棒性，解决模型泛化瓶颈。
- AI 摘要arXiv cs.AI
Jev模型单次调用零样本检测十类对齐失败，成本降63倍
Jev通过强化学习校准决策训练，单次调用即可对单一输入的多种类型问题输出校准概率。在涵盖谄媚、越狱、欺骗、幻觉等十类对齐失败、横跨44个基准及五个目标模型的RLCDAlignBench上，通用问题零样本中位AUROC达0.886，超越多数有监督基线。其与人类标签的一致性匹敌参考评分器，且比大模型裁判评分器成本降低63倍。研究发现问题措辞影响微弱，而包含标签编码字段的上下文影响更大。
- AI 摘要arXiv cs.AI
Agentic-GER：基于LLM的智能体修正长语音专业术语
针对长语音ASR中领域专业术语转录准确率低的问题，Yanqiao Zhu等人提出Agentic-GER智能体。该方案利用大语言模型的全局上下文能力，从完整文本中定位可疑术语并消解歧义，选择性地对源语音重转录以校验候选修正，并用已采纳的编辑指导后续决策。在GigaSpeechBench上结合四种LLM与两种ASR的实验表明，中英文术语表现均稳定提升。中文语音下，其偏置字符错误率相对Whisper基线最高降低36.8%。论文已投ICASSP 2027。
- AI 摘要arXiv cs.AI
亚马逊团队发布Rufus-Air开源大模型后训练方案
亚马逊前员工发布针对GLM-4.5-Air-Base（106B-A12B）的开源可复现后训练方案Rufus-Air。该方案包含SFT、推理RL、编码RL、指令遵循RL、通用/编码/搜索Agent及RLHF共八阶段串行流水线，从基础能力向高级能力推进，奖励信号由硬性可验证向软性评判过渡。全程基于开源组件与公开数据，无需新人工标注或内部蒸馏教师。其表现超越官方GLM-4.5-Air后训练版本，与同规模开源模型具竞争力。核心发现：高质量多样SFT奠定能力底座，难度过滤维持RL有效学习区间，奖励可靠性决定阶段排序，基础设施与工程选择是方案核心而非单纯实现细节。
- AI 摘要量子位
诺因发布GLOW技术报告，实现机器人一次演示跨场景复用
诺因发布面向通用具身智能的生成式学习架构GLOW技术报告，核心突破为“一教就会”：人类演示一次，机器人即可跨物体、环境与任务复用。该能力已在开盒收纳、浇水、擦桌、调酒等任务中验证，如换壶浇水、复现心形擦拭轨迹等。架构由四大模块协同：KnowinGLOW统一多模态自回归模型整合认知与动作，KnowinDream合成多样物理交互经验，KnowinWorld推演动作后果与物理约束，KnowinAgent组织执行与重规划。诺因已在物理任务执行到具身场景理解评测中连获三项第一。
- AI 摘要量子位
灵初智能发布Psi-R2.5，逆向生成强配对数据并引入ICL
灵初智能推出Psi-R2.5模型，核心改进数据质量与人机对齐。该方案逆向使用世界模型Psi-W0，从真实机器人轨迹生成对应人手操作，构建场景与时序逐帧对应的“强配对数据”，用于训练带动作输出的视频编辑转换器，产出可真机回放的机器人动作。此外，模型减少重复数据、增加任务多样性并拆解原子动作。同时引入上下文学习(ICL)，将人类示范转成机器人数据作为提示，无需更新参数即可适应新任务，配合双层架构（上层拆解长程指令，下层输出轨迹）执行。
- AI 摘要arXiv cs.AI
StudentBench发布：AI辅导GRE学习增益与人类专家持平且成本极低
StudentBench是一个评估AI教学能力的测试套件与公开平台，收集了超17.5万条学生与AI交互数据。对2383名参与者的测试表明，在GRE学习增益上，AI辅导与人类专家辅导统计等效(p=0.015)，且7个领域中有5个的最优AI表现超越人类。另一项含2028次配对评估的研究从教案规划、题目创建、对话教学法、成本和参与度五方面区分了各AI辅导系统。某AI以仅0.0052美元的单点增益成本，达成与收费4.81美元的人类辅导等效的效果(p=0.044)，成本降低918倍。数量推理环节中，AI响应越快，学生消息越多、正确练习越频、增益越大(p<0.002)。
- AI 摘要arXiv cs.AI
新研究提出语言引导的机器人入群目标预测方法
针对机器人加入人群需预测位置而非仅遵循既定目标的问题，Zilin Fang等人提出语言引导的机器人入群方法。给定观测与自然语言描述，机器人先通过递归谱分割生成结构化候选子集，再用语言条件化图像-几何模型排序以识别目标群体；随后目标预测器利用人类队形先验，生成可行姿态的多模态能量-方向图。在对话、排队及观众等场景实验中，该方法定位准确度具竞争力、推理耗时低于一秒，入群姿态预测超越所有基线，并在真实机器人静态与动态交互中验证了有效性。
- AI 摘要arXiv cs.AI
SWE-Flux基准测试揭示大模型运行时推理能力薄弱
研究团队推出SWE-Flux基准，专测大模型对代码动态执行行为的推理能力。该基准含480个实例，源自12个真实Python仓库，标准答案经插桩测试自动获取，免人工编写与大模型评判。五款大模型评估表现不佳，最高准确率仅37%。模型在局部控制流与异常等较易，但在数据流、跨过程执行及状态推理上困难重重。此外，其流水线可通过输入扰动生成新变体，近90%实例成功产出有效变体，且让模型面临更大挑战。
- AI 摘要arXiv cs.AI
研究揭示数学推理中答案不变但表征随规则排序变化
该研究探讨了数学规则重排后正确答案不变时，模型内部表征是否也保持不变。通过在合成多步函数复合问题中测试16个参数量从1B到8B的语言模型，发现能更准确解决重排问题的模型，其内部对不同规则排序的表征区分度也更高。层平均置换信噪比与准确率在所有合成设定中均呈正相关，斯皮尔曼相关系数最高达0.86。这表明成功的数学推理可伴随等价排序间的差异化内部表征，区分了答案不变性与表征不变性。
- AI 摘要arXiv cs.AI
研究提出DART方法修复潜流世界模型丢失的运动信息
在冻结自监督潜空间中集成流的潜世界模型会稳定且低成本地训练，但会悄然丢失操控最依赖的运动属性。预训练流无法移动受控对象，仅用潜损失重训练只会将静止变为瞬移。研究将失败归因于训练信号缺乏时间归属。提出的DART方法保持表征冻结，仅用解码路径监督重训练流。DART恢复了运动时间结构并重新耦合预测运动与场景，在更大规模下将预测质量与参考插值间的差距缩小近半。此外发现像素误差会奖励冻结预测。
- AI 摘要arXiv cs.AI
研究提出Clifford-VAE，提升超维计算表征能力
Mohamed Malek Abid等人提出Clifford-VAE，将数据投影至任意维度的Clifford环面，解决向量符号代数（VSA）中非结构化数据嵌入难题。在MNIST等数据集上，该模型半监督分类效果与高斯及超球面VAE相当，但在VSA的自绑定、角色填充恢复及束容量基准测试中均超越后两者。此方法为感知数据接入符号推理框架提供了新途径。
- AI 摘要arXiv cs.AI
新方法UECR-GRPO统一蒸馏与GRPO，数学推理准确率提升
针对强化学习验证器缺乏逐词元指导与在线蒸馏教师偏好未必正确的问题，提出UECR-GRPO方法。该方法通过路径效用统一（PUU）将验证器奖励与教师对锚点路径对数比率结合，在组归一化前融合奖励以影响响应排序；通过熵校准重分配（ECR）利用教师与旧策略词元差重分配验证器分量，用教师熵衰减不确定指导，并用零和投影保持总任务信用。在五个数学推理基准上，Qwen3-1.7B与Qwen3-4B学生模型的Avg@12准确率分别达17.21%和65.09%，超最强基线0.89与0.56个百分点。