论文：AI 论文、技术方法与基准测试第 84 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J-ICL框架，解决大模型上下文学习易受误导问题
现有上下文学习后训练方法常忽略上下文权威性，导致模型易被伪科学等误导信息带偏。新提出的FakeContextBench评测显示，主流ICL微调会使模型事实准确率相对基线最多降低14.95个百分点。为此，研究者提出J-ICL后训练框架，将上下文验证纳入目标。在四种骨干模型上，J-ICL相较基线平均提升ICLEval 5.84个百分点、事实准确率9.20个百分点，相对MetaICL等方法将真实率平均提升18.09个百分点，证明抗欺骗与ICL能力可同步强化。
- AI 摘要arXiv cs.AI
研究揭示神经网络特征擦除实为抑制，单标量即可恢复
针对概念擦除的线性投影法，该研究指出在特征密集叠加时，先进线性擦除会破坏共享子空间的双特征而非仅目标特征。经梯度下降训练的网络以非线性方式应对，依初始化条件收敛至镜像或阴影两种电路方案，此分岔对应稳定吸引子。因果干预表明，两种方案均使被擦除特征留有可测痕迹，仅需单一标量修补即可恢复，无需再训练。这为大模型反学习中知识易重现的失效模式提供了机制解释。
- AI 摘要arXiv cs.AI
新研究提出能力流形框架统一ML扩展律
现有ML扩展律仅将预测损失与算力、参数和数据关联，无法衡量智能体在推理、检索等下游能力的差异。新研究引入能力流形这一多维框架，通过有界扩展函数将下游能力映射至预训练、后训练及测试时资源。其解析雅可比矩阵可量化能力对资源变动与交互的敏感度。该框架将Kaplan与Chinchilla类扩展律及测试时算力统一为流形上的轨迹。
- AI 摘要arXiv cs.AI
DCRL框架通过流形对齐优化大模型强化学习，4,参数量模型超越32B基线
针对大语言模型强化学习中基于规则或奖励模型存在的优化不稳与奖励黑客问题，DCRL框架从几何视角将推理视为逻辑、评估与表示三个子流形的耦合。生成与奖励估计视为解耦过程，现有系统缺陷源于策略与奖励流形失配。DCRL引入三段论逻辑提示演化动态优化奖励准则，并用重耦合机制联合更新策略与奖励模型以消除失配。实验显示，经DCRL训练的Qwen3-4B模型胜过Qwen3-32B基线，逼近Qwen3-235B表现。
- AI 摘要arXiv cs.AI
FDE-Bench发布：专评大模型智能体部署配置能力
FDE-Bench专用于评估大模型智能体将代码转化为运行系统的能力，涵盖Docker、Compose与K8s等136项配置任务，分全新构建与诊断修复两种模式。评测采用四层二进制检查机制测构建、就绪、行为与规范符合度，并设四臂发布门禁以拒收无效提交。测试显示，四家提供商的七个模型在相同四工具支架下解决率介于52.9%至75.0%之间。就绪阶段为最主要失败点，占313次未解决事件的110次。修复类任务平均解决率比全新构建类高30.7个百分点。25任务案例中，人类工程师指挥Claude-Sonnet-5解决率达92%，高于其自主基线的72%。
- AI 摘要arXiv cs.AI
PhyMo提出物理场模态，提升AI4Physics多模态表征
针对现有AI4Physics方法将物理量与方程视作普通数值或文本标记、忽略物理约束的问题，PhyMo框架引入物理场模态，通过偏微分方程关联算子整合异构测量。其三阶段学习流程为：先在偏微分方程残差监督下预训练编码器做场重建，再将所得表征与视觉嵌入在共享潜空间对齐，最后由预测头处理融合表征。跨五种数据集的实验表明，相较各集最强基线，该框架取得最优表现，验证了其在物理多模态表征学习上的优势。
- AI 摘要量子位
DeepSeek公开Agent训练系统DSec，每秒创5千沙盒
梁文锋署名的DeepSeek论文公开了Agent训练基础设施DSec。该系统每秒生成超5000个沙盒，日产能达300万，峰值同跑38万个。单集群含160节点、3万核CPU与250TB内存。DSec提供四种后端应对不同隔离需求，通过EROFS分层镜像与按需加载解决环境构建瓶颈，并用virtio-pmem与DAMON削减内存开销，8192容器突发部署仅需35分钟。
- AI 摘要量子位
Figure与Dyna验证人类视频预训练对机器人泛化的规模效应
Figure在30个陌生家庭测试Helix 2.5，经1200亿tokens人类动作Index预训练的模型完整任务成功率达56%，未预训练仅9%。其离线评测显示预训练数据扩大8倍，动作预测损失按幂律下降，但未公开各档真实成功率。此前Dyna用1000至100万小时嵌套人类视频预训练，14项真机任务平均归一化得分从20%升至53%，率先证明人类数据规模差异能延伸至闭环表现。Figure则将此效应明确扩展至全身人形机器人系统。
- AI 摘要arXiv cs.AI
SpeakerMem-R1解决多方对话记忆瓶颈，刷新EverMemBench纪录
针对大模型在多方对话中难以区分发言归属及理解关系状态变化的问题，提出SpeakerMem-R1框架。其采用双轨记忆机制，存储带说话人标签的原话及按个人与群体视角组织的衍生状态，查询时按实体、事件与时间融合双轨证据。为降低结构化记忆构建中的归因与更新错误，训练Writer-R1模型并支持本地部署。在EverMemBench公开榜单取得62.33%的最佳成绩，在GroupMemBench与SocialMemBench分别达47.9%与69.2%，双人长对话边界测试LoCoMo达70.85%。强化学习将SFT Writer平均准确率从57.38%提至68.20%。
- AI 摘要arXiv cs.AI
CliffCompaction自动压缩技术降低长上下文智能体成本50%
针对长跨度编码智能体面临的海量上下文与窗口限制，CliffCompaction提出一种自动压缩方案。该技术仅截断或丢弃内容而绝不改写，且每次仅处理原始输入并丢弃前次压缩结果，从而避免上下文偏移累积。此法将成本最高削减一半，在Terminal-Bench上以低于两次完整运行的花费提升超10个百分点；并行测试时让Kimi K2.6以更低代价追平Opus 4.7并超越Opus 4.6与GPT-5.3 Codex。在KernelBench上，经200和400步后分别实现2.23倍与3.58倍的CUDA内核加速，超越专用搜索与训练智能体。其实现已开源，适配Claude Code等框架。
- AI 摘要arXiv cs.AI
SWE-Serve发布：评估智能体生产级5推理工程能力的新基准
SWE-Serve基准专为评估智能体在生产推理工程任务上的表现而设计。现有基准缺乏+对跨服务栈实现生产级推理特性的覆盖，该基准填补了此空白。它包含53个源自SGLang近期生产变更的仓库级任务，涵盖六类推理工程，在CPU或单张H100上运行，并通过隐藏功能、回归及端到端服务测试进行评估。对11个模型及31种配置的测试显示，最佳配置平均pass@1为75%。数据表明，在19个含端到端覆盖的任务中，约三分之一的补丁虽通过其他所有测试，却被端到端服务测试拒绝，揭示了本地任务完成与生产正确性间的显著鸿沟。
- AI 摘要arXiv cs.AI
研究1篇论文提出A2M框架劫持MCP智能体
针对MCP智能体依赖语义匹配选择第三方工具所引发的供应链风险，研究者提出A2M黑盒劫持框架。该框架分两阶段：先优化工具元数据提升调用概率，再利用执行轨迹精炼恶意返回值以操纵结果。在LiveMCPBench上针对GLM-4.6的定向攻击，使恶意工具调用率达93.6%，认知拒绝服务下token开销增至基线32.4倍，信息窃取等三类攻击成功率均值为74.4%。无需重优化迁移至另四个模型，上述指标分别为63.6%、2.7倍与24.5%。结果呼吁强化工具审查与运行时隔离。
- AI 摘要arXiv cs.AI
研究揭示类型安全决策模型受选项名称语义反转严重影响
针对直接输出预定义选项的类型安全决策模型，研究发现其对选项名称的语义极度敏感。在1200次工作流决策测试中，仅将选项从0/1重命名为no/yes，就导致每百次多出70.4次答案改变，AUC从0.94暴跌至0.23，出现决策排名系统性反转。换用随机字符串则无此效应，证明失效源于名称语义极性。即使准确率严重下降，类型错误率始终为0%，表明格式合规不代表语义理解正确。
- AI 摘要arXiv cs.AI
FleXray模型实现全身临床X光解剖分割
X光因3D结构投影为2D导致边界模糊，难以标注训练通用分割系统。FleXray模型基于现有3D全身CT分割数据与生成式图像编辑模型，构建可扩展的物理生成数据引擎，模拟出具备多样外观与生理特性的全标注2DX光片。该模型能在未知研究数据与真实场景中精准分割60种解剖结构，使X光支持疾病分级自动测量、介入导航及病理目标高效学习。其模型、代码、数据集与本地浏览器演示工具均已公开。
- AI 摘要arXiv cs.AI
研究指编译率不适用于评估LLM漏洞修复并提议diff_F1
针对大语言模型自动修复C/C++安全漏洞，研究通过5项对照实验指出编译率是科学上不可靠的指标。约64%编译失败归因于评估框架与数据集而非模型；相同补丁在单编译器标志下编译率波动1.8至2.7倍；按编译率对模型排序与参考相似度相反；将编译率作优化目标会奖励删除式等非修复补丁。替代指标CodeBLEU同样失效，未修改的漏洞输入得分高于所有模型。研究提出仅对编辑区域评分的diff_F1，其不给无操作补丁计分且对删除式作弊给近零分，可作为执行分析前的低成本筛选，但非修复质量指标。
- AI 摘要arXiv cs.AI
随机对照试验证实AI设计工具缩短20%完成时间
一项针对AI提示词生成设计工作流的随机对照试验，招募了50名产品设计师与50名产品经理，使用Figma Make执行三项标准化设计任务。结果显示，使用该工具的参与者完成时间缩短约20%，且产品经理的提速幅度更大。这表明此类工具能促使产品经理更多参与设计，而对专业设计师的收益则视具体任务而定。
- AI 摘要arXiv cs.AI
研究揭示长上下文大模型“近邻陷阱”并提出LYRA机制
长上下文大模型在检索远端证据时，常因大量任务无关的近端背景竞争而忽视远端内容，此现象被称为“近邻陷阱”。为解决该问题，研究提出LYRA机制，采用t分布方向匹配重塑检索分布，将更多注意力引向相关证据并保留位置信息。在LongBench-v2等三个基准测试中，各上下文长度与任务类别均获稳定提升。此外，研究还推出ProxBench基准，用于评估近端背景干扰递增下的远端证据利用情况。
- AI 摘要arXiv cs.AI
TraceVIC 提出基于时序图的代码演化因果推理以定位漏洞引入提交
现有定位漏洞引入提交（VIC）的技术多依赖 git blame 及位置启发式方法，但真实 VIC 可能在修订史的任意位置，且漏洞行为可能依赖跨多次修订演化的代码。TraceVIC 改用基于时序图的方法，先定位疑似根因行并追溯其修订史，构建捕获程序结构与代码演化的图表示，通过时序边保留跨连续修订的程序元素对应关系，按对漏洞条件的贡献直接对候选提交排序。在四个未见 C/C++ 项目中，对 79 个漏洞成功定位出 78 个有效 VIC。建模完整修订史使 F2 从 0.637 升至 0.814，较现有最优方法 F2 提升达 28.7%。
- AI 摘要arXiv cs.AI
新方法OPD提升低比特量化模型长推理能力
低于3比特的量化会严重损害大模型的数学与代码推理能力，常导致生成长文本时陷入重复循环。量化感知蒸馏虽能恢复短问答性能，但存在量化放大的曝光偏差问题。为此，研究者提出在策略蒸馏（OPD）阶段，让量化学生模型沿自身推理路径生成，并由冻结的全精度教师模型提供逐词指导与任务验证奖励。在2.79及1.88有效比特下，OPD将四个模型在MATH-500上的BF16性能保留率从35%提至70%，HumanEval从66%提至91%，且不损短问答能力，同等预算下优于持续教师强制蒸馏。
- AI 摘要arXiv cs.AI
研究提出可训练搜索策略，小模型可引导大模型推理
当前大模型推理常靠独立重复采样，易产生高度相似错误答案。该研究提出语义级探索：先采样新概念或策略，再以此约束答案生成。研究进一步用强化学习优化小参数量的概念生成器，使其产出的概念最大化冻结大模型答案生成器的下游成功率。在困难数学推理任务上，同等算力下，该训练后的小生成器在pass@k指标上显著优于朴素重复采样，超越未微调大模型生成的概念，且能零样本迁移至不同家族的未训练大模型，成为可复用的搜索策略。