LeanPRM：用 Lean 为自然语言证明生成过程监督标签
LeanPRM 利用 Lean 证明助手为自然语言数学证明自动生成步骤级标签，构建了含 10,634 条证明、152K 标注步骤且无需人工标注的数据集。基于 Qwen3-4B 训练的验证器在 200 条证明的 LeanPRM-Bench 上把步骤标签准确率从 48.2 提升到 74.7，而同一基座用 PRM800K 训练仅得 60.3。
最新动态
arXiv cs.AIAI 评分3939 arXiv cs.AIAI 评分2727 zPocket：用冻结的共折叠特征实现更好的蛋白口袋识别
研究团队提出 zPocket，在共折叠模型的冻结特征之上训练口袋预测头，并发布 PocketWatch 数据集用于评测对新型口袋的泛化能力。最佳 zPocket 模型整体 per-target AUPRC 达 0.745，高于在 PocketWatch 划分上重训的 VN-EGNN（0.598）和 UniSite-1D（0.595），P2Rank 为 0.477。
arXiv cs.AIAI 评分2222 HelpMeOut：面向家庭任务执行错误感知监测的神经心理学基准
HelpMeOut 是一个面向家庭任务执行错误感知监测的具身 AI 基准，将日常动作错误研究转化为 20000 组配对活动片段，覆盖九类神经心理学错误。智能体需观察流式人类活动轨迹，判断执行是否正确并尽早诊断结构化错误。对学习型监测器、符号方法、变化点检测和前沿 LLM 提示基线的评估显示，这些方法作为错误监测器表现不佳，常漏检执行出错的情况。
arXiv cs.AIAI 评分3232 LatentRiskBench：衡量企业智能体的状态依赖风险
研究者提出 LatentRiskBench，用于评估企业智能体中依赖工作流状态的安全风险，即同一动作在不同上下文下可能合规也可能违规。实验显示，动作级评估仅能检出 0.09 的状态依赖违规，而状态级评估可达 0.96，现有护栏方法若不显式作用于工作流状态则基本无法覆盖此类风险。该基准已被 EMNLP 2026 Industry Track 接收，数据集与代码已公开。
arXiv cs.AIAI 评分2222 Dynamic K-Head：面向连续隐式推理的难度监督预算选择
Dynamic K-Head 是一种问题条件化的预 rollout 预算选择器，与推理器在选定预算下联合训练，用仅基于问题的难度监督信号指导。
arXiv cs.AIAI 评分3131 PrT-Flow：面向强化学习的概率可计算流匹配
PrT-Flow 是一种概率可计算的流匹配方法，在保留多模态、多步动作生成的同时计算概率密度。其 Jacobian-Tractable Transformer（JTT）使每个采样步骤可逆，配合 Conditional Euler-step Training（CET）训练，并证明 CET 与拟合 Flow Matching 的 Euler 求解器更新具有相同极小值点。
arXiv cs.AIAI 评分3232 DeltaTTG：用 Token-to-Go 进度计量训练多轮智能体
DeltaTTG 通过共享进度计量器学习可复用的进度信号，其监督目标 Token-to-Go（TTG）即任务完成前还需生成的 token 数，作为剩余完成工作量的可观测代理。
arXiv cs.AIAI 评分2222 SADDER：面向文本扩散模型的安全感知去噪与方向性嵌入修正
研究者提出 SADDER，在免训练的文本扩散模型安全引导框架 SAD 基础上，利用每个 token 位置的嵌入空间安全信号作为门控，按 SAD 更新规则修正 token，并理论推导出使修改后去噪器精确的位置级目标分布。
arXiv cs.AIAI 评分2626 4LC：面向动态世界建模高效条件生成的 4D 潜在缓存
研究者提出 4LC，一种带复合视觉表征与灵活时空访问接口的 4D 潜在缓存，可直接复用静态与动态内容的视觉表征作为生成条件，避免逐次 RGB 渲染与重编码。4LC 将 VAE、DINO、V-JEPA、VGGT 等多个视觉编码器的表征绑定到共享几何与运动上，并支持在任意指定时间与视角读取缓存。
arXiv cs.AIAI 评分2424 MorphContrast：形态感知深度学习从全切片图像预测结直肠癌生存
研究提出 MorphContrast，一种形态感知对比多实例学习框架，以组织标签作为结构监督预测结直肠癌五年生存。在 Alliance/CALGB 89803 上单模型 AUC 为 0.642，事后集成达 0.70，风险组 hazard ratio 为 3.79；外部 SurGen 结肠癌队列（n=218）单模型与集成 AUC 分别为 0.669 和 0.678。
arXiv cs.AIAI 评分2020 Tanawpamana：面向菲律宾文化遗产地的视觉语言模型基准测试
研究团队发布 Tanawpamana Dataset 与 Tanawpamana Benchmark，后者包含 4,046 项任务，用于评估视觉语言模型对菲律宾文化遗产地的识别与知识。
arXiv cs.AIAI 评分5151 研究重估扩散语言模型与自回归模型的 16 倍预训练算力差距
arXiv 论文重新审视了扩散语言模型（DLM）与自回归语言模型（ARM）之间被广泛引用的 16 倍预训练算力差距，认为原方法用 ELBO 打分并训练全序列 decoder-only 模型，已与当前 DLM 实践脱节。
arXiv cs.AIAI 评分2222 用 Hilbert 几何统一 Muon 在 softmax 极限下的优化方法
针对 Muon 以线性层输出的 RMS 变化近似整个模块、在 softmax 上失真的问题，研究者提出用 Hilbert 距离作为约束输出分布变化的自然度量。该距离可界定交叉熵损失变化并限制概率重分配，在 softmax 下表现为预激活扰动的变差半范数，从而把概率约束转为参数约束。
arXiv cs.AIAI 评分2020 CHASE：面向动态图节点分类的标签迁移感知框架
研究者提出模型无关框架 CHASE，通过检测标签迁移并覆盖过时的邻域信号，解决动态图神经网络中"迁移节点"分类性能系统性落后于稳定节点的问题，在全部测试模型和数据集上准确率最高提升 114.9%、F1 最高提升 202.5%，同时保持稳定节点性能。该工作还贡献了三个具有自然标签迁移的动态图基准数据集，代码已开源，论文被 NeurIPS 2026 接收。
arXiv cs.AIAI 评分2222 区分 LLM 放射报告问答中的可答性与信息抽取
针对 RadQA 单一 F1 混淆"报告是否含答案"与"答案在哪个片段"两个决策的问题，研究者提出将假答案率与过度弃答率同 F1 并列报告，并把 F1 变化拆分为抽取项与可答性项。
arXiv cs.AIAI 评分2424 3D 医学视觉基础模型自监督基准测试与可迁移性估计
研究在相同的 14 个分割、分类与回归任务上对 23 个 3D 医学基础模型候选进行基准测试，发现没有任何候选能在所有分割任务或所有分类回归任务中稳居前三。研究同时评测可迁移性估计器，其中 InsightRank 借助任务适配的冻结特征统计与架构感知成对比较，在 23 个模型池上分割任务平均 Kendall tau-b 为 0.431，分类与回归为 0.352。
arXiv cs.AIAI 评分2626 FlashVSR+：通过混合注意力与奖励产出分布匹配实现高效视频超分
FlashVSR+ 通过混合注意力架构与奖励产出分布匹配蒸馏（Ry-DMD）训练策略，实现最高 2 倍 DiT 加速和 45% 峰值内存降低，可在单张 24GB RTX 4090 上完成空间不分块的 4K 视频超分。Ry-DMD 利用奖励加权教师 rollout 将黑盒奖励纳入分布匹配，无需通过奖励模型反向传播，并可推广至 T2I 生成。代码、模型与训练数据已开源。
arXiv cs.AIAI 评分3232 LLM 智能体的推理收缩与安全记忆复用边界
研究提出"推理收缩"概念，指出思维模板、技能库、智能体记忆与缓存把多步推理压缩为一步，但事实变化后记忆会悄然给出错误答案。在五个 LLM 的多跳问答测试中，ExpeL 与 ACE 式计数器比经认证记忆多输出 7.0-13.5 倍过期答案，代码任务上多出 35-73 倍。作者提出按各记忆自身似然比加权失败、对照实时推理认证效用、事实变化时重启证书的方案。
arXiv cs.AIAI 评分2020 基于凸分析视角的 MDP 安全验证查询选择框架
针对 Markov 决策过程安全验证中 Watanabe 和 Unno（2026）提出的失败概率外逼近精化方法，研究者提出统一框架，以显式选定的误差单位度量违反程度：方向得分由外逼近与安全区域之间的支撑函数差除以单位支撑函数归一化。
arXiv cs.AIAI 评分2727 Box-WAM：用框轨迹作为世界动作模型的紧凑状态表示
Box-WAM 提出用任务相关物体的有向边界框轨迹替代全帧视频预测，作为世界动作模型（WAM）的紧凑未来状态表示。该方法在显著降低训练与推理计算成本的同时提升了动作预测性能，表明以物体为中心的紧凑状态可作为机器人操作中基于视频的世界动作建模的高效替代方案。
arXiv cs.AIAI 评分2222 Enhanced Detective：用联邦学习双阶段防御金融欺诈检测中的内部投毒攻击
针对联邦学习金融欺诈检测中恶意客户端投毒问题，研究者提出 Enhanced Detective 双阶段鲁棒聚合策略，结合 MAD、基于距离的更新过滤与 FedMedian 聚合。在不平衡信用卡数据集上，面对 40% 恶意客户端、50 轮通信下的定向标签翻转与权重缩放攻击，该方案取得 0.796 AUPRC 和 0.847 Recall。
arXiv cs.AIAI 评分3131 YUBI-Real2Sim：面向可靠策略评估的 3DGS 场景验证框架
YUBI-Real2Sim 是一个基于 3DGS 的场景重建与 real-to-sim 策略评估框架，支持双鱼眼腕部视角，在九组场景-任务对比中有八组复现了真实世界的策略排序。
arXiv cs.AIAI 评分2222 FEP：面向异构事件日志的事件预测基础模型
研究者提出基础事件预测器（FEP），一种可扩展的上下文学习架构，通过事件级非参数推理完成下一事件预测，并将整个预测过程表达为标准注意力操作，可用 FlashAttention 等现代内核并行加速。FEP 在 696 个真实事件数据集上预训练，并在 50 个未见数据集上评估，无需参数适配即可泛化到新事件系统，性能常接近各目标数据集单独训练的强模型，并显著优于现有基础模型基线。
arXiv cs.AIAI 评分2929 VeriPIE：面向 Text-to-SQL 的可检查查询计划与证据引导选择
VeriPIE 是一个神经符号框架，将语言模型生成与符号检查结合，通过 Lean 实现的后端校验 QuerySketch 结构化计划语言，并用计划诊断指导修复、以执行一致性和区分性数据库搜索筛选候选。
arXiv cs.AIAI 评分2222 研究评估 AI 模型在预设社交噪声构念下的虚假信息检测表现
一项研究评估了六种文本模型和一个图神经网络（GNN）在预设社交噪声构念下缓解虚假信息的效果，数据集为 2024 年 3 月至 2025 年 3 月从 X 平台采集的 50 万条乌克兰话题推文。
arXiv cs.AIAI 评分3434 组合式强化学习：评估与训练 LLM 的协作推理能力
研究提出用 Shapley 值衡量模型在模型池中的"组合强度"，发现个体能力与协作贡献在 15 个（模型池、方法族）设置中有 12 个不相关，独立基准难以代理模型在协作系统中的价值。
arXiv cs.AIAI 评分2626 语言模型智能体的信念-行动鸿沟
研究在文本网格世界中考察语言模型智能体的状态信念、行动价值与行动偏好如何相互作用，发现任务相关的状态与价值信息在表征层面往往比在行为中更可靠。推理过程中决策会在某个承诺点附近收敛，报告的不确定性也随之下降，但个体信念变化并不能一致解释行动偏好的转变。移植其他决策的推理前缀可影响强制行动，而推理窗口激活编辑对行动的控制有限，表明部分失败源于信息向行动的转化而非信息缺失。
arXiv cs.AIAI 评分2727 Know-Thy-Not：双编码器视觉语言模型的无训练定向否定
双编码器视觉语言模型在否定理解上系统性失败，对"没有狗的猫"和"有狗的猫"打分几乎相同，该问题源于单嵌入框架的固有缺陷。研究者提出无训练方法 Know-Thy-Not（KTN），在图像侧引入拒绝维度直接惩罚被否定概念，并发布首个需要真正拒绝才能通过的基准 COCO-Confusion。
arXiv cs.AIAI 评分3737 World-T3：用测试时训练作为实时视频世界模型的持久记忆
World-T3 是一个相机控制的视频世界模型，通过测试时训练把过往观测固化进模型参数作为持久记忆，并提出递归最小二乘规则以在线姿态键控方式增量更新记忆。在长时程重访基准上，其重访 PSNR 从 13.52 提升至 18.31 dB，绝对旋转误差从 3.344 降至 1.075，并在单张 NVIDIA B200 GPU 上以 1280 x 704 分辨率维持 20.6 FPS。
arXiv cs.AIAI 评分2626 部分可验证环境下的强化学习用于结肠癌治疗规划
研究将肿瘤治疗规划建模为部分可观测下的交互式强化学习问题，用真实临床记录构建患者特异性、过程感知的奖励，智能体需先顺序采集信息再给出首选治疗方案。使用 GRPO 和 GDPO 优化 Llama-3.1-8B-Instruct，GDPO 训练的策略将 Mean@3 临床标量奖励较基座 Llama 提升 79.60%，在同一交互环境中超过 GPT-5.2 达 18.82%，同时减少训练中的查询次数。
arXiv cs.AIAI 评分2222 如何让 SE(2) 不变网络达到最优
研究者基于经典不变量理论推导出对 SE(2) 对称群可证明最优的不变特征映射，兼具最小性与信息保持性，且无需改动非线性层或归一化层。他们据此提出一个即插即用模块，让标准卷积神经网络同时具备平移与旋转不变性，实验显示精度与 SOTA 等变方法相当或更优，计算成本显著更低。论文还从理论与实证两方面分析了等变与不变的关系及其对鲁棒性和灵活性的影响，已被 NeurIPS 2026 主会接收。
arXiv cs.AIAI 评分2727 ClearNav：用差分物理实现感知对齐的四旋翼飞行
针对四旋翼在杂乱环境中因相机视野外运动而碰撞的问题，研究者提出导航策略 ClearNav，通过前视朝向目标与横向速度惩罚两项奖励约束运动方向，并加入近障碍减速项。
arXiv cs.AIAI 评分4040 智能体工作流为何失败：基于文献与实证数据的失败分类体系
一篇 arXiv 论文提出面向来源的智能体工作流失败分类体系，结合失败类型词典、工作流阶段定位与智能体能力定位，构建以工作流阶段为横轴、智能体能力为纵轴的双轴定位矩阵。实证对比显示，文献中的失败集中在规划、推理、学习、感知与知识相关机制，而 GitHub 上的失败集中在执行阶段、执行动作、工具、API 与基础设施，迭代执行与执行动作是主要热点。
arXiv cs.AIAI 评分2222 ReConV：用表示重建实现视觉 token 压缩
研究者提出视觉 token 压缩框架 ReConV，用紧凑的 Summary Bank（SMB）汇总完整视觉序列，并依据重建残差保留 SMB 未能充分捕捉的 token，每个压缩层由轻量位置条件解码器重建当前 token。在 ImageNet 上，ReConV 以少 48% GMACs 超过未压缩基线，并支持可复用的图像级表示以加速多轮推理。代码已发布于 TokenDrop。
arXiv cs.AIAI 评分2424 CrossTF：跨视图时频扩散实现极端感知的时间序列生成
研究者提出跨视图时频扩散框架 CrossTF，利用时间视图与频率视图去噪器之间的差异实现极端感知的时间序列生成。该方法发现极端敏感的跨视图不对称性，并据此在冻结两个去噪器后，仅需在晚期跨视图窗口内用基于极值理论的目标学习逐步融合参数。在 7 个真实数据集上对比 11 个基线，CrossTF 将极端保真度提升 26.1%，整体性能提升 7.4%。
arXiv cs.AIAI 评分2020 EQNet2：用多站 Transformer 实现以事件为中心的地震监测
EQNet2 是一个几何感知的多站 Transformer，可联合预测震相到时、初动极性、震源位置与震级，并将到时关联为地震事件。在北加州测试数据集以及 Ridgecrest 和旧金山湾区的连续波形上，它恢复了更多微弱到时、产生更少误检，并将更多拾取关联为已定位事件。其学习到的注意力沿时间—距离模式跨台站连接信息，与地震走时规律一致。
arXiv cs.AIAI 评分3131 通过 Monitoring-by-Betting 检测非结构化数据流中的分布偏移
研究提出 asymptotic e-detectors，将序列变点检测重构为投注博弈，允许检测器随新观测持续更新假设的偏移方向，并在校准集规模 m 增大时渐近控制平均误报运行长度，m=30 即可有效控制。
arXiv cs.AIAI 评分2020 MetaGrid：面向电力价格预测的跨市场元学习
MetaGrid 是一个拓扑感知的 Transformer，通过跨市场元训练，用一套与区域数量无关的参数适配未见过的电网。在五个美国 ISO 的无泄漏基准上，MetaGrid 取得最低平均 MAE，比最佳基线提升 3.1%，比同架构从零训练提升 7.7%。
arXiv cs.AIAI 评分2222 Gradient Confusion Defense（GCD）：用梯度混淆抵御黑盒分数查询攻击
研究者提出 Gradient Confusion Defense（GCD），一种无需重训练、确定性的测试时封装方法，通过求解基于模型 Jacobian 的约束优化问题，将暴露的 logit 梯度对齐到与真实对抗损失梯度最大程度错位的混淆方向，从而提升攻击的查询复杂度。
arXiv cs.AIAI 评分2020 HASTE：面向生成式推荐的分层与属性感知监督框架
HASTE 是一个面向生成式推荐模型的统一训练框架，通过分层损失和属性特定损失，在语义 ID 的每一层级提供监督并保留细粒度物品属性。其分层损失收敛速度约为标准因果交叉熵目标的 2 倍，并在时尚推荐基准和 Amazon 数据集多个领域上提升了推荐性能，尤其改善了长尾物品的推荐效果。