论文：AI 论文、技术方法与基准测试第 85 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
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。
- AI 摘要arXiv cs.AI
研究指本地服务栈致工具调用评估失真
该论文揭示本地服务栈会干扰代码智能体工具调用评估，测得结果常取决于服务层而非模型本身。在Ollama中，默认请求受静态模板控制，Phi-3与Gemma-3在推理前即被拒，重试耗尽被误作模型非调用，虚报0%保真度。对已接纳模型，保留原生通道并增文本列表可恢复保真度；对具原生支持的Llama-3.2，纯文本协议反降保真度。Ollama、vLLM与SGLang对同请求处理各异。受限解码消解析失败却可致不终止，回合池化与单实例估算差达约55分。作者给出将服务行为纳入评估协议的清单。
- AI 摘要arXiv cs.AI
研究提出Grokking谱理论：权重衰减驱动特征学习
该论文为神经网络中泛化远晚于训练拟合的Grokking现象提供了定量理论。研究指出，对于使用L2权重衰减与平方损失的齐次网络，记忆化后留存的残差会反馈至神经正切核(NTK)动态，使残差驱动的核增长与权重衰减相竞争。该机制推导出Grokking时间尺度受学习率与权重衰减乘积控制，且存在临界衰减值使特征学习对数级变慢甚至阻止拟合。在模加法实验中，齐次MLP与单块Transformer均验证了该相几何与泛化时间缩放律预测。
- AI 摘要arXiv cs.AI
Shivam Gupta发文提出AI代理决策审计工作流
Shivam Gupta发表论文提出针对AI代理的决策审计工作流，解决代理执行成功但无法识别用户未来产品改进需求的问题。冻结实验向两个固定模型快照发起4800次合成任务请求，36个保守主区间均未解决。后续2400次调用仅解决每模型3个对比。确定性提取器无需模型调用即解决9个对比中的7个，暴露模型生成报告引入的不必要不确定性。另14400次模拟区分了结构模糊与弱识别。研究提出带源标签的决策收据及离线查看器，无人类参与者。
- AI 摘要arXiv cs.AI
研究通过自定义工具提取闭源前沿模型隐藏推理链
闭源系统原始思维链不可见，研究者利用标准API注册自定义工具，诱导前沿模型外化中间推理过程。为排除事后合理化干扰，先在开源模型上与原生思维链对比，后扩展至GPT-6 Astra等闭源系统。在数学、科学与代码生成任务中，提取出的推理效果与原生推理持平，且显著优于无推理基线。分析发现，Astra表现出令牌高效的定向推理特征，更早选定正确路径，内部处理基础步骤，仅外化关键推理。该研究提供了超越基准分数的模型推理行为视角。
- AI 摘要arXiv cs.AI
研究揭示LLM贪心解码跨精度输出分歧，提出低开销缓解法
LLM贪心解码并非精度不变：相同模型、提示与硬件下，BF16与FP16会产生不同输出。对1.1B至7B六款模型的测试中，49-100%的提示出现分歧，单token翻转常引发轨迹级偏移。分析发现分歧取决于LM head前两名logit差值与方向扰动的关系。实验验证了五个预测，如扩大FP32计算范围反而降低一致性。提出的选择性FP32 LM head重算方法，在差值低于阈值时触发，于A10G上以低于4%延迟开销换取22-36个百分点的精确一致率提升，但在批次大于等于8或FP8下失效。
- AI 摘要arXiv cs.AI
分层图神经网络提升多电网潮流模型泛化能力
研究提出引入分层隐通信的图神经网络用于多电网潮流计算，以提升对新运行场景的泛化能力。该架构通过两个缩减图在基于GENCO的校正网络中交换信息。在三种电网拓扑的初步训练中，Kron传输方式将宏族平衡电压误差从5.660降至0.851，较Flat基线降低85.0%，较Quotient基线降低31.0%。模型在训练拓扑内实现了跨场景泛化，共用一套学习参数，但在两种新拓扑上尚未超越拟合基准，跨拓扑泛化是下一目标。
- AI 摘要arXiv cs.AI
新研究指语言模型社交谄媚评测存在效度问题，提出提升接纳度方案
语言模型常因顺从用户观点被指谄媚，但社交谄媚的标志（如积极肯定）与社交心理学中的对话接纳度高度重合，导致评测存在建构效度问题。在道德建议数据集上，被判定为更社交谄媚的回复也更具接纳度；提升人类回复的接纳度且保留原结论，也会使其被判定为更社交谄媚，表明现有评测可能误罚理想行为。实验显示，即便提问者有错，人们也更偏爱并更愿听取高接纳度回复。作者提出一种方法，能在不增加实质顺从的情况下大幅提升接纳度，实现两者兼得。
- AI 摘要arXiv cs.AI
研究提出中性原子量子计算求解NOMA网络资源分配方案
arXiv新论文探索中性原子量子平台解决无线通信NP-hard资源优化问题的潜力。针对非正交多址接入上行网络的最大接入问题，研究将其等价转化为图论中的最大独立集问题，从而利用里德堡原子阵列的物理几何与阻塞约束进行自然编码，联合处理准入控制、用户分簇、信道分配与功率分配。数值结果验证了该方案处理大规模无线资源优化的可行性。
- AI 摘要arXiv cs.AI
JEV-as-a-Judge评估框架以极低成本逼近SOTA大模型评判准确率
针对LLM-as-a-judge规模化应用中推理成本与置信度可靠性问题，研究提出仅输出决策的JEV-as-a-Judge框架。与16种生成式及奖励模型评判器对比，该框架在常规偏好与基于证据的事实性评测中，以仅相当于最强对比模型0.36%的费用，取得了与其差距在三个百分点以内的表现。但在需验证推导过程或抵抗精心编造的错误答案时差距较大。研究发现其与最强对比模型的准确率差距集中在低置信度决策上。采用固定级联策略，即接受高置信度判定并将不确定结果上报，可在降低成本的同时保留最强模型99%的准确率。
- AI 摘要arXiv cs.AI
TimeInteract实现流式时序实时交互推理
现有时序语言模型无法在生成回复时继续处理新观测，TimeInteract提出时序交互新范式，让模型持续感知输入并自主决定响应时机。其采用双视图流式编码器、响应控制机制与解耦流式推理三大设计，避免阻塞后续观测。基于从理解到适应性的交互层级，构建含34588个片段的StreamTSI-34K数据集。在四级交互任务中，该模型较现有大模型最高提升23.92分，实现近零流停滞与2.15倍推理加速。
- AI 摘要arXiv cs.AI
MAVP框架提升移动操作可靠性，六项实测成功率全胜
针对演示训练策略在移动操作中易致底盘轨迹偏移与操作失败的问题，MAVP框架通过预测显式底盘位姿目标并利用定位反馈追踪来增强执行可靠性。该框架从遥操作演示重建静态地图，将底盘轨迹统一至共享地图坐标系以提供一致空间监督。执行时，策略依据RGB观测、关节状态及当前地图系底盘位姿，联合预测底盘目标、机械臂与夹爪动作，底层控制器结合前馈与位姿误差反馈修正偏差，训练时还引入位姿噪声增广。在六项真实任务与三种策略族评测中，其任务成功率全面超越无锚定速度控制方案。
- AI 摘要arXiv cs.AI
新方法FairMean解决分布式学习中公平性与抗标签投毒冲突
分布式学习中，优先照顾高损失客户端以保公平的做法，易受标签投毒干扰，因投毒者同样制造高损失。Huigan Zheng等人提出FairMean算法，用局部损失的有界非递减函数为客户端梯度赋权。递增特性保障公平，上限则抑制投毒者梯度过分放大。无投毒时，优化该目标比标准平均损失更促公平；有投毒时，其平均平稳界与投毒客户端占比平方成正比。实验表明，该法降低了准确率方差并提升了最差客户端精度。
- AI 摘要arXiv cs.AI
GitScholar数据集发布，用GitHub互动预测AI论文影响力
为解决AI论文海量难以筛选的问题，研究者推出GitScholar数据集，将44.4万个代码库活动与超55.8万篇arXiv论文关联。实验表明，引入GitHub反应作为信号，比纯学术基线将早期预测精度提升达12%。该信号对高影响力论文覆盖度极高，且与未来学术成功稳定相关。数据集已公开。
- AI 摘要arXiv cs.AI
PACT算法对齐Critic与策略，数学推理及代码修复准确率大幅超越PPO与G…
针对大模型强化学习后训练中token级信用缺乏数学定义的问题，PACT提出三个正则条件唯一确定该信用，并揭示理想教师与RLOO信号与其的关联。为解决GAE中间Critic误差问题，PACT采用Actor-then-Critic更新顺序，通过重要性采样校正训练Critic，使其与更新后策略对齐。在智能体数学推理四项基准上，PACT平均准确率达72.87%，较GRPO与PPO分别高出8.80和13.16个百分点；在SWE-bench Verified上通过率67.4%，较PPO、GRPO及SAO分别领先2.4、2.0与3.8个百分点。
- AI 摘要arXiv cs.AI
TransBERT框架发布：用合成翻译数据训练特定领域语言模型
针对非英语专业领域语料稀缺限制NLP工具发展的问题，Julien Knafou等人提出TransBERT框架及配套的TransCorpus可扩展翻译工具包。该方案完全使用合成翻译文本进行语言模型预训练。在法语生命科学领域的实验表明，仅靠合成翻译数据即可在多项下游任务上达到SOTA。团队开源了TransCorpus工具包、包含36.4GB法语文本的TransCorpus-bio-fr语料库、对应的TransBERT-bio-fr预训练模型及微调代码，验证了高资源翻译方向构建低资源语言/领域对高质量NLP资源的可行性。