论文：AI 论文、技术方法与基准测试第 9 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
研究者提出 Skeleton Coding：让开发者用程序骨架约束编码智能体
一篇 arXiv 论文提出 Skeleton Coding 方法，主张开发者在给编码智能体提供行为规格（如测试和输入输出样例）之外，同时用接近代码的高层格式指定程序结构，即数据类型、模块与函数的分解方式。作者认为，智能体先选定结构，结构决定候选程序的范围，行为规格再在其中筛选；同一套测试对某种结构够用，对另一种结构可能严重不足。论文把 AI 辅助编码建模为控制问题，论证骨架可指数级减少所需测试数量。在四个模型、三个基准上，最佳骨架规格使平均测试误差相对最佳端到端行为规格降低 48.4%；即使智能体可查询完整参考实现，加入骨架仍使平均测试误差相对降低最多 27.0%。骨架还把大小模型之间的平均差距缩小约 52.4%，实现成本降低 15 至 26 倍，代码侵蚀平均减少 24.7%。
- AI 摘要arXiv cs.AI
GAAC：面向个人设备的无损 KV 缓存压缩系统
GAAC 是一种无损 KV 缓存压缩与服务系统，利用指数位冗余，在不引入 KV 近似的前提下降低存储占用并加速注意力计算。它用按通道校准的 base-plus-offset 编码表示 BF16 指数，并在小分组内自适应调整码宽，KV 数值保持逐位一致；融合注意力内核按需重建 KV 分块，避免解压整个缓存。在五个测试模型上实现 1.405-1.407 倍无损 BF16 KV 压缩，FP8 E4M3 缓存为 1.09-1.14 倍，E5M2 缓存为 1.25-1.30 倍。在 NVIDIA DGX Spark 上，64K token 上下文的解码注意力加速 1.19-1.27 倍，W4A16 端到端解码步骤加速 1.04-1.15 倍；服务场景下常驻 KV 内存减少约 26%，同等 KV 内存预算下总吞吐提升 13-29%。在 Apple M4 上注意力加速 1.02-1.25 倍。
- AI 摘要arXiv cs.AI
研究者提出角色锚定攻击，可污染智能体记忆中的用户偏好
一篇 arXiv 论文提出角色锚定攻击（RGA）：攻击者通过社交平台上嵌套的对话结构，让受害智能体在写入记忆时丢失上下文绑定，把攻击者用户的偏好误记为受害智能体自己用户的偏好。该错误记忆在检索阶段持续存在，并影响决策。作者把攻击实例化为工具选择操纵与隐私泄露两种形式，在五种主流记忆系统和六种语言模型上测试，两种攻击均取得较高成功率。
- AI 摘要arXiv cs.AI
论文提出双环框架，用自然语言生成可验证的 KiCad 电源原理图
一篇 arXiv 论文提出「有界双环自动原理图合成框架」，把自然语言规格转成经过验证、可编辑的 KiCad 原理图与制造交付物。流程分三块：解析需求并合成功率级，覆盖 Buck、Boost、Flyback、DAB、半桥 LLC 等拓扑；基于分销商 API 与厂商数据手册做元件选型，并用 ngspice 瞬态仿真闭环校验；集成控制硬件并生成多格式交付物，支持 KiCad 网表往返校验。两个端到端案例为 24-36V 转 12V/2A Buck（29 个位置、83 个已验证端子）和隔离 48V 转 24V/0.5A DAB（87 个位置、341 个已验证端子）。与直接用大模型的基线相比，元件验证覆盖率从 22.2 升到 98.6，标称值一致率从 0 升到 97.7，SPICE 仿真通过率从 0 升到 100。
- AI 摘要arXiv cs.AI
arXiv 论文提出洗发水瓶缺陷检测基准 Bottle-SKU 与 ProDM…
一篇 arXiv 论文针对工业洗发水瓶表面缺陷检测中同一缺陷在不同 SKU 上外观差异大的问题，构建了 Bottle-SKU 基准：13,119 张图像、20,419 个实例级标注框、七类缺陷、48 个瓶体 SKU，同时提供实例级缺陷标注与产品变体身份。方法上提出原型引导动态域调制 ProDMM：为每个 SKU 从训练图像构建视觉原型，对每个输入预测软 SKU 分布，据此为视觉骨干生成低秩 Query/Value 调制，并为缺陷文本到视觉注意力提供残差条件，同时保留预训练的 Grounding DINO 检测通路。训练联合检测、SKU 域分类与调制正则三项目标。在 Bottle-SKU 与公开的 GC10-DET-SKU 金属表面缺陷数据集上的实验显示了该域条件化方式的有效性。
- AI 摘要arXiv cs.AI
DecompGym 基准测试：12 个模型设计分解算法的能力与失败模式
研究者发布 DecompGym，包含来自九个问题族的 81 个实例（五个 Benders 分解、四个列生成），要求智能体为指定方法编写求解器。求解器须在 60 秒内运行、通过数值可行性与 LLM 评审读码的方法审计、目标值落在存储最优解 1% 以内。评测 12 个 GPT、Claude、Gemini 模型在编码智能体工具中的表现，最多十次尝试，对比独立重生成与先诊断失败的反思策略。首次尝试即有两个模型解出全部实例，七个模型解出超过 90%。Benders 失败 62 次中 48 次为缺解或次优解；列生成最常见失败是被方法审计拒绝。仅看输出检查会放过 108 次方法审计失败中的 93 次。反思把 66% 的重试转为成功，重生成仅 39%。
- AI 摘要arXiv cs.AI
EasyProver 用现成前沿模型在 Lean 中完成代码验证任务
研究团队提出 EasyProver，一个由递归智能体构成的 Lean 证明系统，采用隔离上下文、异步搜索、并行 tactic 探测和弹性 elaboration 服务。它不额外训练，直接调用现成前沿模型，在 PutnamBench 上证明 669/672 题，完成 IMO 2026 全部六个形式化，并在 NTP4VC 上解决 597/600 条验证条件、VERINA 全部 189 项任务。由于这些基准接近饱和，团队另建 Aegis：把竞赛编程题转成真实实现上的更难验证任务，流程包括写出安全的 Rust 解、经 Aeneas 转成 Lean、生成规约，并为每条冻结语句附上内核校验的证明或反驳，共产出 2,045 对经差分验证的 Rust-Lean 程序与 11,533 条候选规约。在 2,000 条分层抽样语句上，EasyProver 在每条 30 分钟预算内证明 1,054 条，占 52…
- AI 摘要arXiv cs.AI
论文提出期望对数密度比估计概念，指出传统DRE方法不适用
一篇 arXiv 论文提出「期望对数密度比（ELDR）」概念，指在第三种、可能不同的测度下积分的对数密度比。作者指出，许多隐密度场景中被直接套用密度比估计（DRE）的问题，实际属于 ELDR 估计任务，并证明了有限样本下 ELDR 估计的根本性限制。据此认为常规 DRE 方法不适合用于 ELDR 估计，为专门设计的估计器提供基础动机。作者对部分 DRE 方法做了简单修改，使收敛到积分分布的样本能出现在训练数据中，基准测试显示可降低 ELDR 估计误差。
- AI 摘要arXiv cs.AI
SkillCT：面向智能体技能的多维评测基准与免执行基线
SkillCT 把智能体技能评测从只看下游任务是否跑通，扩展到九个维度、三个层面：静态评估看技能说明本身的性质，动态评估看换骨干模型和换请求后行为是否稳定，人助评估看行为链一致性与任务粒度。作者用公开技能库跑出参考基准，并提出免执行基线：检索相似参考技能来预测未见技能的质量画像，不实际执行被评技能，从而减少 token 消耗与评测时间，同时与完整评估保持一致。经 SkillCT 指导的优化还能提升下游任务成功率与执行效率。
- AI 摘要arXiv cs.AI
论文提出任务分解设计法：模型规模不再影响子任务表现
一篇 arXiv 论文讨论 AI 系统设计中的取舍：任务对模型太难时，是扩大模型（更大、更好的提示、微调），还是把任务拆开，把能确定性求解的部分交给宿主程序，只把无法还原的模糊部分留给模型。作者提出「构造性对齐」：在拆出的子任务上，模型规模与性能的关系曲线变平，因为模型根本不执行这些子任务。作者在九个模型上测量，参数范围从 494M 的本地检查点到前沿 Opus 级模型；宿主解析上下文后，九个模型的操作选择得分相同，九个中有八个的选择器解析相同，而唯一无法拆分的标注任务在同一参数范围内仍呈斜率。由于任务已交给宿主，现成检查点即可，无需任务专用训练或微调。
- AI 摘要arXiv cs.AI
ADLER 协议：让云端 LLM 只看到公开视图，并记录答案泄露量
研究指出，在端侧小模型与云端 LLM 协作解码时，双方交换的消息记录可能泄露公开视图和最终答案都不包含的隐私内容：在植入秘密的审计中，私有草稿被拒绝，秘密码仍随草稿发往云端。作者提出 ADLER 解码协议，使发往云端的每条消息只依赖公开视图与用户所见答案，并在客户端用泄露账本约束答案相对公开参照过程的披露量。GSM8K 数值遮蔽实验中，0.5B 客户端精确匹配从 0.41 升至 0.83，1.5B 从 0.67 升至 0.85，接近上传完整题目的 0.92，并高于零泄露程序基线 0.69。
- AI 摘要arXiv cs.AI
研究提出 LLMON 后训练方法，间接提示注入攻击成功率降至 0.02%-5.…
一篇 arXiv 论文提出 LLMON（LLM Object Notation）后训练方法，让模型把可执行指令与被动数据分开，并要求执行必须带显式标识符。研究构建了 4.6B token 的结构化训练语料，覆盖通用、RAG 与工具调用数据，并加入含干扰指令和无关数据的变体。作者对两个 Granite-4.1 基座模型（3B 与 8B）先做监督微调、再做强化学习，结果显示间接提示注入基准上的攻击成功率从 53%-100% 降至 0.02%-5.6%，同时通用能力保持不变。论文还给出基于注意力的可解释性指标，用于定位结构化输入在各 transformer 层的失效模式。
- AI 摘要arXiv cs.AI
ProACT：按受训者表现实时调节VR消防训练难度
针对VR消防训练多依赖固定场景、难度难以随受训者水平变化的问题，研究提出ProACT系统，通过受训者表现与模拟火势之间的闭环互动调节场景难度。系统由两部分组成：全局模块依据表现实时调整场景层面的火势蔓延动态，局部模块周期性更新环境中各物体的可燃性。评估显示，与已有的自适应和非自适应基线相比，ProACT在客观训练表现和主观用户体验两方面均有改善。作者还讨论了自适应沉浸环境向消防之外训练领域扩展的可能。
- AI 摘要arXiv cs.AI
研究：人们越喜欢一幅作品，越倾向于认为它出自人类之手
一项在线 AI 艺术图灵测试中，11,123 名参与者判断 50 幅图片（其中 26 幅由 AI 生成）是否为人所作，并选出自己最喜欢的一幅。在 9,152 名对最爱作品做出作者判断的受访者中，当某幅图是其最爱时，被判定为人作的概率高出 22.1 个百分点；这一关联在 AI 生成与人类创作的作品上表现相近，在全部 50 幅图上均为正向。对 AI 艺术态度最负面的群体选中 AI 作品的比例为 47%，态度最正面的群体为 60%，但前者更常把所选 AI 作品误认为人作。对一项 AI 诗歌实验的再分析（230 人先评分后判断作者）呈现同样模式。
- AI 摘要arXiv cs.AI
Honeycomb-Surfels 提出六边形图元 Hexels，提升渲染与重…
论文提出 Hexels：带一阶空间颜色场的平面六边形表面元素，用更少、更大的图元覆盖局部平面区域，六边形支撑在面积与边界上更高效，局部颜色场负责图元内部的表观变化。在 34 个场景上，与显存占用相同的 2DGS 相比，PSNR 提升 4.53-7.38 dB，且训练显存更低；单图元对比中最高领先 4.74 dB，FPS 快 2.31 倍。15 个 DTU 扫描上重建误差降低 28.9%；6 个 Tanks and Temples 场景平均 F1 为 34.38%，2DGS 为 31.72%。该方法在 2D 图像表示上也优于 Image-GS。
- AI 摘要arXiv cs.AI
ThinkWorld：用世界想象强化动作推理的 VLA 框架
研究者提出 ThinkWorld，一个把动作推理建立在世界动态之上的视觉-语言-动作（VLA）学习框架。它把每个动作思考表示为 Chain-of-Dynamics（CoD），即一串离散运动 token，刻画从当前世界到未来状态的中间动态，并作为跨具身通用的动作表示。先用带动作标注的示范初始化 CoD，再预测每个 CoD 引发的未来，对预测更贴合真实观测结果的 CoD 给予强化。这样，没有动作标注的视频也能从观测到的状态转移中提供直接监督，使人类视频与机器人经验共同打磨同一推理空间。仿真与真机实验显示，该框架能实现从人到机器人的迁移，并对未见任务与环境有较强泛化。
- AI 摘要arXiv cs.AI
arXiv 论文将注意力机制表述为格点规范理论
一篇被 ML4PS 2026 接收的 7 页论文提出，若允许每个实体独立旋转自己的坐标框架，那么共享同一实体的关系只能通过闭合环路相互作用，三角形唯一规范不变的评分是其 holonomy 的类函数，即 Wilson 环；边的唯一等变更新形式为 U = Ψ(H) T_ij。作者据此构造 holonomy attention，在稀疏图上不做训练、仅靠组合，即在五分之一边被破坏的情况下以 0.88 推断未观测的 S_4 关系，而所有可交换架构的上限为 0.083；其 holonomy 评分识别被破坏三角形的 AUC 为 0.99，可交换评分受第二条选择规则限制，上限为 0.76，并且该方法无需标签即可分离簇。
- AI 摘要arXiv cs.AI
arXiv 论文提出 LongChang 框架，测试 LLM 能否自主发现被改…
一篇提交至 arXiv 的论文提出 LongChang 自动化框架，构建物理定律被改动的模拟世界，让 LLM 充当探索者，在不被告知研究目标、也没有任务提示的情况下操作物体、搭建工具并自行提出问题。另有独立的 LLM 代理负责生成与审查场景、审查工具设计，并依据改动后的物理定律和探索记录判断报告是否正确、是否有实验支撑；探索记录还会反过来推动场景演化，使整个循环无需人工介入。在 12 个 LLM 中，GPT-6-Astra 的发现率为 16.7%，其余 11 个均为 0%。探索记录显示，模型仍会漏掉未被调查的异常现象，对改动定律也只做到部分识别。
- AI 摘要arXiv cs.AI
研究提出TVS指标追踪预训练中知识获取差异
一篇被AACL 2026接收的论文提出时间变异性分数（TVS），用同一条目在多个按年份网页快照训练的时间点模型上的负对数似然变异系数来衡量知识在历年网页文本中的表示一致性。作者用多个开源模型家族的六个模型评测六个不同主题的基准，发现低TVS与高TVS条目在训练早期学习情况相近，但高TVS条目在后期提升更快；预训练结束时，36个模型-基准组合中有34个是高TVS条目表现更好，平均领先7.3个百分点的机会归一化准确率，这一现象在知识密集型任务上最稳健。
- AI 摘要arXiv cs.AI
arXiv 论文提出 CrossProfile 基准，揭示 LLM 群体决策的…
一篇 arXiv 论文研究 LLM 群体讨论被压缩成简短记忆后，最终决策者该保留什么。作者提出 CrossProfile 诊断基准，含 60 个模板、480 个任务，答案键自动校验，把支持性、诱饵与无关事实的归属交叉而文本固定。在 Qwen2.5-7B、Llama-3.1-8B 和两个 DeepSeek 模型上，按相关性筛选会重新引入诱饵，即使完美的相关性过滤器在经典隐藏画像配置下也比最稀有优先选择低 23 至 31 分；最稀有优先平均不优于随机。决策模型还会给归属多个智能体的事实额外权重，去掉归属标签或随机重排可提升 13 至 24 分。