论文：AI 论文、技术方法与基准测试第 88 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
OSWorld-Pro发布：基于过程的电脑操控智能体评测基准
现有电脑操控智能体（CUA）评测仅看最终结果，无法揭示失败原因。OSWorld-Pro引入过程评估，包含超300项任务、2800多个子目标及6.7万条人工标注，利用对齐人类判断的LLM裁判评估子目标完成情况。测试显示，Claude Opus 5在该基准上得分仅75.7%，远低于其在OSWorld上的83.4%。研究还识别出子目标无关动作和点击失误等关键失败模式，为改进智能体提供依据。
- AI 摘要arXiv cs.AI
Pinocchio：面向黑盒大模型的不确定性快速评估方法
针对闭源API模型不返回对数概率且禁止微调，导致难以评估输出不确定性的问题，Pinocchio提出一种外部校准器来预测黑盒模型回复的正确性。该工具联合七个大模型的回复进行训练，对同源未见回复的预测AUROC达0.862，且对八个机构的十三个未知模型实现零样本迁移。生成评估仅需单次前向传播，无需获取目标模型内部状态。其0.8B轻量版即可媲美最大模型的AUROC，接入现有代码库仅需新增两行代码。
- AI 摘要arXiv cs.AI
社会主动推理框架引入伴侣特异性情感精度
Harshil Shah等提出面向多智能体社交的伴侣特异性情感精度概念，将置信度校准为依关系而定的元认知估计，避免合并为单一值丢失决策信息。各伴侣行为证据独立更新局部置信度，在策略选择时调节策略精度，控制信念表达强度而非改变信念内容。多伴侣分级信任博弈模拟显示，该机制主要通过策略承诺而非伴侣状态推断改善行为；高置信度带来更强策略承诺但不必然提高奖励。社交行为突变时，置信度修正滞后于关系变化。调整精度增益与先验会产生不同信任校准动态。论文被IWAI 2026接收，已开源代码。
- AI 摘要arXiv cs.AI
新方法从图像直接规划6自由度轨迹，无需3D重建
针对杂乱场景下6自由度抓取轨迹规划，传统依赖3D重建的方法存在精度与算力代价，而直接从图像学习的势场易陷入局部极小值导致碰撞或停滞。新提出的SE(3)神经势场从带位姿的RGB图像学习，并用测地线距离作导航函数监督，消除了上述缺陷。在两个桌面场景的UR10实测中，该方法从所有起点收敛至目标3厘米内且路径无碰撞，而纯图像监督下无碰撞率仅25%与0%。平均间隙升至8.6-8.8厘米，机械臂碰撞率降至2.7-5.5%。抓取成功率达90.0%与40.0%（失败归因笛卡尔执行器拒动）。规划耗时约2秒，RRT*需67-133秒，时差主因是密集重建的碰撞检查而非规划器复杂度。
- AI 摘要arXiv cs.AI
TimEvolve：利用延迟反馈自更新编排策略的时序预测智能体
针对底层机制动态演变的时序预测场景，现有智能体多通过反思或检索精炼预测，未将已实现结果转化为对后续编排策略的持久更新。为此提出TimEvolve智能体，在冻结骨干网络下，将每个已实现结果转化为对专家信任度、智能体路径选择及干预强度的联合持久更新。其采用按时间顺序的预测、揭示与更新协议，将延迟反馈应用于后续预测。在八个Time-MMD领域的实验中，TimEvolve在十五种方法里取得最佳平均MSE与MAE排名，并在七个领域两项指标上均获最低误差。
- AI 摘要arXiv cs.AI
小世界网络智能体头脑风暴提升AI风险识别新颖度
针对参与式AI风险评估初期易遗漏间接或系统性危害的问题，研究者提出三阶段构思支持工具：动态发现利益相关者、用LLM模拟并连接成特定拓扑网络进行风险构思、用网络中心性指标排序风险。在AI聊天机器人用例中，基于小世界网络与介数中心性的方法，在五点量表下比单LLM构思新颖度高1.1分，比智能体LLM构思高0.5分，且不降合理性或严重性。将11个非西方年轻用户团队分为对照与实验组参与评估，使用该框架生成风险列表的实验组识别出更多总体风险及系统性、人机交互与环境风险。
- AI 摘要arXiv cs.AI
ITFACD将论辩组件检测重构为生成任务，性能超现有SOTA
传统论辩挖掘中的组件检测多被简化为序列标注或先切分再分类的流水线。Sofiane Elguendouze等人提出ITFACD方法，利用指令微调大模型与精简提示词，把该检测重构为语言生成任务，从而直接从纯文本中识别论辩片段（如主张与前提），摆脱对预切分片段的依赖。在标准基准测试中，该方案表现优于当前最优系统。这是首批将此检测完全按生成任务建模的尝试之一，代码与数据集已在GitHub开源，论文被COLM 2026接收。
- AI 摘要arXiv cs.AI
SPECTRA架构实现推测解码自适应执行，FPGA实测最高加速2.61倍
边缘设备大模型推理受限于算力与内存。推测解码的验证阶段算术强度随推测长度与接受率变化，导致其处于访存密集与计算密集的中间态，固定硬件难以高效处理。SPECTRA提出运行时可重构分片架构，片内计算引擎在脉动与向量执行间切换，片间动态调整并行度、核划分与通信模式，逐核重配置。在20分片FPGA原型上基于Pythia等模型评估，片内重配带来最高2.09倍加速，片间自适应再增1.25倍提升。该成果被ICCAD 2026接收。
- AI 摘要arXiv cs.AI
首个医疗智能体递归自改进框架MedRSI发布
MedRSI是首个面向医疗领域的递归自改进框架，能让智能体从诊断失败中自主构建新能力。它引入两个机制：按临床后果严重度而非频率排错，以及快速发现与慢速注册分离，确保新工具在后续患者队列中验证有效后才被持久采纳。在青光眼、心脏病公开基准及两项私有临床任务上，该框架逐步发展出分割、测量、预测等能力，超越人工设计的智能体，并自主发现原设计者未预见的临床解法。代码已开源。
- AI 摘要arXiv cs.AI
GRUET方法量化ReAct智能体轨迹不确定性
ReAct智能体在执行任务时常因大模型推理不确定性产生轨迹发散与不可控行为。该研究提出GRUET方法量化此不确定性：将潜在推理分支建模为图，用图复杂度近似推理空间复杂度以计算单轮推理不确定性，再聚合为整体轨迹可信度。在九个大模型与五个基准测试上，该方法在选择性生成性能（AUROC等指标）上验证有效。
- AI 摘要arXiv cs.AI
Muhan Zhang发布Endless Exam数学基准
Muhan Zhang提出Endless Exam基准，通过14个参数化构造族衡量模型向超级智能的数学进展。提交对象经自动验证并赋予相对质量分，不设上限。该基准基于开放数学问题生成长期目标，大参数实例靠紧凑证书保持可验证。8个模型在69个实例上的评估显示，连续质量分能区分性能，但均未超越已发布前沿。规模-质量曲线揭示了问题规模增大时的质量变化。生成器、验证器及模型响应等已开源。
- AI 摘要arXiv cs.AI
研究用QLoRA微调Ministral 3B模型生成蛋白质功能注释
新测序蛋白质的功能注释速度远落后于序列增长，传统计算法受限于固定标签集。本研究将其转为序列到文本生成任务，采用QLoRA（4位NF4量化加低秩适配器）微调30亿参数的Ministral 3基础模型。评估时利用GPT模型充当资深策展人，对生物体识别与功能注释质量打分。结果显示，经QLoRA微调的紧凑大模型能为相当一部分蛋白质生成具真实生物学价值的策展风格注释，但距实际可靠应用仍需在数据质量等方面改进。
- AI 摘要arXiv cs.AI
新方法SERA按奇异值能量分配秩，提升模型合并效果
现有谱合并方法在合并微调模型时，为各任务向量分配相同秩容量，忽略了不同任务谱复杂度的差异，导致合并空间利用不佳。该论文提出SERA（谱能量比例秩分配）策略，依据各任务向量的奇异值能量结构自适应分配秩。对复杂或孤立任务分配更多谱容量，对紧凑任务分配更少方向，将基于SVD的合并从均匀容量扩展到任务依赖分配。在标准视觉模型合并协议下，SERA在保持与现有方法相同总秩预算的同时，提升了多任务合并性能。分析还揭示了任务级谱集中度与自适应秩分配效果的相关性。
- AI 摘要arXiv cs.AI
研究揭示模型合并对涌现能力的三种影响机制
针对公共仓库中微调产物常采用的权重算术合并操作，该研究探讨了其对涌现能力（非显式训练目标的行为）的作用。跨越三个模型族与两类独立测试床的实验表明：若双亲均具备某涌现能力，合并会保留该能力，如合并两个失准检查点在全混合区间内保留大部分失准；合并无法创造超可加性的涌现能力，单任务预言机的加权合并达不到联合训练预言机的审计水平；若仅单亲具备该能力，合并对其稀释速度快于伴随的训练能力，多数场景下差距显著。结论指出涌现行为与训练能力的组合方式不同。
- AI 摘要arXiv cs.AI
新方法ALBUM实现无目标网络的离线强化学习
针对离线强化学习依赖目标网络与EMA更新的现状，研究提出Lifted Bellman线性规划（LBLP），将Bellman最优性表征提升至联合(Q,V)空间，使约束仅涉及数据集中的状态动作对。其唯一极小值为样本内最优对，沿轨迹K步段保持不变。将约束松弛为铰链惩罚可得相同解，据此实现的无约束最小化方法ALBUM无需目标网络或EMA更新，且无需离策略修正。在OGBench上，单评论家高斯策略的ALBUM匹配FQL平均性能，可比肩动作分块法，且参数量最少、峰值GPU内存最低。
- AI 摘要arXiv cs.AI
AgentSTAR利用VLM智能体实现单目视频3D重建与追踪
AgentSTAR提出基于智能体合成分析的形状重建与追踪方法。区别于先估计像素对应再恢复运动的传统路径，该方法推断包含几何与运动学结构的3D模型来优化追踪。其优化循环中，视觉语言模型智能体通过渲染比较循环迭代细化形状或广义姿态，将粗视觉推理与数值姿态优化结合。此结构化方案在大幅运动、关节化及严重遮挡下无需依赖像素匹配。在ARCTIC数据集上，该方法大幅超越关节对象的最优3D点追踪基线；在HOT3D上超越所有评估的刚体追踪基线。
- AI 摘要arXiv cs.AI
VPRune提出免训练视觉Token剪枝框架，优化大模型推理
针对大视觉语言模型推理成本高的问题，VPRune提出免训练的Pre-LLM剪枝框架。该工作指出激进Token缩减导致性能下降的三个因素：文本引导选择偏差、丢弃Token的信息丢失及序列紧缩引发的位置失真。VPRune通过纯视觉多样性选择、相似度引导Token回收及保位置恢复来应对。在FastVLM-1.5B的测试中，其精度与压缩权衡表现佳，激进压缩下优势显著。边缘设备评估表明，该方法在保持任务性能的同时降低了端到端推理延迟，适用于资源受限部署。
- AI 摘要arXiv cs.AI
Fathom-Vaidya医疗推理框架发布，30B模型超越GPT-5
Fathom-Vaidya提出针对医疗大模型的双阶段训练框架，结合合成数据与基于评分准则的强化学习。第一阶段用MedBullets数据与规则引导RL提升诊断推理；第二阶段构建5.3k合成多轮场景及多维评分准则增强临床交互推理。该方法在MedXpertQA基准上带来超10%提升，其30B参数模型在HealthBench-Hard取得50.1%准确率，超越GPT-5(thinking)等闭源基线，证明该训练机制可系统性提升医疗LLM的推理能力。
- AI 摘要arXiv cs.AI
多模态框架用餐饮图像与微生态预测餐后血糖
针对餐后血糖预测依赖人工记录饮食导致难以规模化的问题，研究提出多模态框架。该方案用图像推算宏量营养素替代人工记录，并结合临床变量与肠道微生态信息进行个性化预测。框架联合执行图像营养素估算与血糖预测，利用注意力机制建模饮食与宿主特征交互。在包含餐饮图像、连续血糖监测等真实数据集上，该模型性能超越使用图像营养输入的现有基线，且接近依赖人工记录营养素的方法，为可扩展的个性化餐后血糖预测提供了实用基础。
- AI 摘要arXiv cs.AI
研究揭示4D LiDAR语言模型时空推理缺陷并发布新基准
针对4D LiDAR语言模型的时空推理能力，研究提出LiDAR-Hallu基准及诊断协议，含1万问题与150个nuScenes场景。测试发现，两B4DL配置模型在正侧向运动案例上全部失败，且对需相反答案的成对场景常给出相同回复，恒选同选项即可接近其多项选择准确率。时序打乱对比解码未能带来净提升。代码与数据已公开。