claimcheck：衡量并提升规格说明的忠实度
研究者构建了覆盖 Dafny、Lean 4、Isabelle 和 Rocq 四种形式语言的规格形式化端到端基准，共 3,234 行，每行将自然语言需求与形式化产物配对，其中三分之一为保持语义的改写。他们提出 claimcheck，先将形式化产物翻译回英文，再由独立 judge 模型判断其与需求是否表达同一保证，在四种语言上较单次调用基线提升 8.2 至 9.8 个百分点的宏召回率。
最新动态
arXiv cs.AIAI 评分2929 arXiv cs.AIAI 评分2222 MID：用于评估医学图像分割的掩码-图像分布差异指标
研究者提出 MID（Mask-Image Distributional Divergence），一种面向医学图像分割的分布级评估指标，无需逐样本配对真值掩码，通过比较参考集与预测集的图像-掩码联合分布来同时衡量掩码真实性与图像-掩码一致性。
arXiv cs.AIAI 评分2222 基于现代 Hopfield 模型重新审视 Transformer 注意力的统计力学
研究者通过现代 Hopfield 模型重新审视 Transformer 注意力的统计力学，提出自由能形式化框架来刻画稳健注意力推理的参数区间与临界阈值。该框架将注意力视为统计力学系统的运动方程，并识别出注意力在玻璃态与稳健推理相之间的第一相变，进一步扩展到具有随机 query 和 key 的注意力机制。
arXiv cs.AIAI 评分2020 JEDI-net：联合嵌入与动态集成网络
JEDI-net（Joint Embedding with Dynamic Integration Network）是一种统一架构，在优化过程中周期性对 SHAP 值聚类，识别具有相似特征重要性模式的潜在子群，并将其身份直接嵌入网络，使预测能适应每个观测的预测结构。该工作基于此前的 FORCE 方法，后者已证明按特征重要性画像聚类可提升神经网络性能。
arXiv cs.AIAI 评分2626 StartLux-Decision：用强化学习打造可校准审慎决策的 AutoThink 决策模型
StartLux-Decision 推出 0.8B 至 27B 参数决策模型，Instant 版以双向注意力保持单次推理，AutoThink 版对不确定决策显式推理、对高置信案例直接作答。
arXiv cs.AIAI 评分2222 面向 SE(3) 等变视觉运动策略的相位条件可供性场
研究提出相位条件可供性场（PAF），在观测点云上学习逐点分数，用其分数加权质心作为相位条件锚点对观测与动作做规范化，并将分数作为逐点特征，从而在保留全局 SE(3) 等变性的同时引入局部几何归纳偏置。在多种空间随机化下的 MimicGen 任务中，PAF 持续提升底层策略成功率；在多物体真机任务上优于基线，并在光照变化下保持领先。该工作已被 CoRL 2026 接收。
arXiv cs.AIAI 评分2222 如何度量学习到的等变性：一种信息论方法
研究提出用归一化互信息（NMI）检验网络是否真正学到数据增强中的对称性：在有限离散设定下，等变性要求原始与变换输入的表示能相互完全确定。针对高维激活，采用 centered kernel alignment（CKA）作为可扩展检验，对正交特征变换有精确保证。跨架构与任务实验显示，数据增强通常提升变换一致性，表明可直接从表示中探测学习到的等变性。
arXiv cs.AIAI 评分1818 EneMonIE-Backend：面向能源信息抽取与有据问答的模块化可执行后端架构
EneMonIE-Backend 将原 EneMonIE 概念流程重构为模块化、可执行且与应用无关的后端，分离数据源、采集与规范化、语义处理、知识组织、持久化五层。
arXiv cs.AIAI 评分2424 通过多保真度训练实现神经代理模型的算力最优数据扩展
研究将 PDE 神经代理训练建模为数据量与保真度的联合优化问题，把保真度视为细粒度离散谱而非二元区分，在固定数据生成算力预算下实现帕累托最优误差扩展。使用低保真度模拟作为额外训练信号，最优保真度混合训练可匹配纯高保真度训练的精度，数据生成算力最多减少 6.3 倍。该结论在六个 PDE 问题、两类误差来源和四种代理架构上验证，总计超过 7,000 次训练运行，已被 NeurIPS 2026 接收。
arXiv cs.AIAI 评分3131 删除代码而不丢失知识：面向 Python 库的再生式软件
开源包 spotregen 实现了 Fowler 提出的七项再生式软件原语，让程序可被删除重建而不丢失知识：知识以机器可读记录存于受追踪目录，每个单元据此生成包含架构、意图、决策、公共契约、评估与消费者但无实现的 regeneration bundle。
arXiv cs.AIAI 评分2828 FreeSolo：线性时间稀疏注意力实现零样本长度外推
FreeSolo 是一种原生稀疏注意力机制，通过短程滑动窗口分支与长程分支直接对关键点单元做 token 注意力，其线性时间变体 FS-L 经短 CPT 学习在查询相关选择前剪枝前缀，FS-B 以 O(N log² N) 算法成本搜索平衡树。无需长上下文微调，FreeSolo 的零样本长度外推表现优于基线。
arXiv cs.AIAI 评分2222 FOSA：用符号抽象上的生成流发现机器人具身能力
研究者提出 FOSA（Generative Flow on Symbolic Abstractions），通过将抽象策略参数化为生成流网络来构建符号任务骨架，再把每个骨架编译成仿真环境，以底层策略学习表现作为抽象策略的奖励信号，从而发现贴近机器人能力前沿的可执行任务。
arXiv cs.AIAI 评分2626 FOMO-Dex：面向接触密集操作任务的统一柔顺控制方法
研究者提出 Force-Modulated Dexterity（FOMO-Dex），一种面向接触密集操作的统一柔顺控制框架，在任务几何与接触结构定义的坐标中表达标称动作，沿选定方向施加力驱动的运动修正。
arXiv cs.AIAI 评分2222 SonicWorld：面向空间音频推理的以声源为中心的潜在动态模型
研究团队提出 SonicWorld，将物理、学习到的声学与语义特征整合为持久声源状态，并投影到 Omni LLM 进行空间推理。配套发布 Sonic-Bench，含 2.8K 一阶 Ambisonics 片段与 28.8K 目标问答对，覆盖 480 个模拟室内场景。
arXiv cs.AIAI 评分2222 AI 中的“我”是谁？为自主智能体建立去中心化身份与问责机制
针对自主 AI 智能体缺乏标准化自我定义、造成信任与问责缺口的问题，该论文提出基于自主主权身份（SSI）原则的去中心化 AI 身份框架，并区分人类用户与 AI 智能体的验证逻辑。其核心 ABCD 框架包含算法指纹、行为指纹、基于 DID 的密码学身份与委托四层，将智能体行为与人类问责绑定，以解决自主经济活动中的黑箱身份问题。
arXiv cs.AIAI 评分4444 D2：从半双工骨干模型构建高能力全双工语音语言模型
研究者提出 Dialogue-to-Duplex（D2）框架，可将预训练半双工语音语言模型（HD-SLM）以细粒度时序转换为高能力全双工模型（FD-SLM），通过无解码器表征蒸馏适配流式音频编码器，并用监督微调学习全双工交互。
arXiv cs.AIAI 评分3131 D-World：显式世界-语言-动作模型，双控制下递归自我改进
D-World 是一个基于 Sense、Plan、Act 分解的显式世界-语言-动作模型，用可执行数字孪生替代隐式世界模型，让机器人策略可被直接检查与修正。其递归自我改进（RSI）机制在 LLM 冻结的前提下，通过测量驱动的参数修订持续改进孪生环境，仅当重放最新动作块不使任何测量残差超出容差时才接受修订。
arXiv cs.AIAI 评分2323 CalOn：面向实体、关系与事件抽取的校准类型化决策模型
研究团队提出 CalOn，一个 0.6B 参数的统一编码器，可跨数据集与 schema 完成实体、关系和事件抽取，通过联合编码文本与类型定义并综合所有请求类型的证据来做出抽取决策。
arXiv cs.AIAI 评分2222 AIPOCH Open-Science：带可复现 .science 包的开源 AI 研究工作台
AIPOCH Open-Science 是一个开源 AI 研究工作台，通过可移植的 .science 会话包记录研究中的指令、计算、产物修订与检查关系，并给出交换契约。受控会话测试了错误初版、经审查修正、未审查修订与计划未执行步骤，完整与部分导出均保留版本和审查关联，并将排除内容标记为不可用。独立注册表案例中，离线执行保留脚本与固定输入逐字节复现了两张已保存 CSV 表。
arXiv cs.AIAI 评分5252 从 OpenAI 2026 年 10 月 AI 生成数学手稿中挖掘新数学工具
研究对 OpenAI 于 2026 年 10 月 6 日公开的 722 篇 AI 撰写数学手稿（归为 372 个问题族）进行梳理，提取其中新提出的引理、构造、不等式与证明机制，并称之为数学工具。
arXiv cs.AIAI 评分2626 MultINav-Bench：超越可达性的交互式导航基准与 MultINav-Agent 智能体框架
研究者提出 MultINav-Bench，一个基于 MolmoSpaces 的 3K episode ObjectGoal 基准，覆盖通道、容器及混合任务，并附带交互必要性标注，评估协议分别衡量导航成功率、交互有效性与成本。
arXiv cs.AIAI 评分3838 GRAFT：用梯度路由定位并移除 RL 中的非预期行为
研究者提出 GRAFT（Gradient Routing Adapter Fine Tuning），在奖励函数设定有误、监控器存在系统性错误时，将可疑样本的梯度更新约束到一组新增的"牺牲"参数上，而非惩罚或过滤这些样本。
arXiv cs.AIAI 评分2222 SPLICE：稀疏物理算子库识别与组合式扩展
SPLICE 框架可在无机制标签的混合轨迹数据中发现神经算子，通过求解凸优化问题推断候选算子对每条轨迹的贡献，再用校准测试为每个发现的算子分配其实现的物理机制。在一维和二维系统上，发现的算子能从无标签混合数据中恢复机制，并组合成未见方程的零样本模拟器；冻结的算子库还能在无标签、不遗忘的前提下为预训练中缺失的物理机制新增算子。在 Navier-Stokes 上，发现的算子组合精度与监督版本相当。
arXiv cs.AIAI 评分3434 CWE-bench：将 AI 智能体安全评测从攻击转向防御
研究者推出 CWE-bench，一个包含 120 个仓库审计与修复任务的私有基准，覆盖 73 种 CWE 类型、8 种编程语言和 OWASP Top 10 2025 全部类别。智能体仅获知仓库与威胁模型描述，需自行定位并修复漏洞，补丁须在通过程序化验证器拦截攻击的同时保持原有功能。最佳智能体达到 68% pass@1 和 81% pass@4，且不同语言与漏洞类别的难度差异显著。
arXiv cs.AIAI 评分2424 ProbabilityBench：用精确真值不确定性评估与校准模型
研究者推出 ProbabilityBench，在同行评审、隐蔽信息传递和信用风险三个模拟文本域中提供实例级精确类别概率，并解析计算精确类别概率与 Bayes error。
arXiv cs.AIAI 评分2020 MAGNET：面向脑连接组生成的流形感知图扩散网络
MAGNET 是一种流形感知图扩散网络，通过归一化 Cholesky 表示相关矩阵流形以保证生成的功能脑连接组合法性，并在 ROI 级区域 token 上以关系归纳偏置去噪。
arXiv cs.AIAI 评分2626 TabGift：面向表格数据生成的高效上下文基础模型
TabGift 是一个上下文高效的表格基础模型，仅需少量上下文样本即可完成分布建模与数据生成。它用预训练表格编码器将异构表格映射到共享隐空间，由上下文扩散模型在少量干净样本条件下学习去噪，再通过轻量级数据集专属 MLP 解码器还原数据。在 7 个分类和 11 个回归数据集上，TabGift 的合成数据质量持续优于代表性基线，在有限上下文场景下提升尤为明显，且适配与生成速度大幅加快。
arXiv cs.AIAI 评分4242 AUGUstus：统一生成与理解的自动驾驶 VLA 模型
AUGUstus 是一个将扩散式动作生成与自回归 CoT 理解统一在一个模型中的自动驾驶 VLA 模型，理解仅服务于生成，并通过 AUGUstus-mode 让推理只需输出动作以实现低延迟。
arXiv cs.AIAI 评分2424 MeanFlow2Better：面向离线强化学习的一步潜空间流策略
针对扩散与流匹配策略需从高斯噪声出发、多步迭代生成动作的问题，研究者提出 MeanFlow2Better（MF2B），将离线强化学习重构为高层潜决策空间中的生成式决策块优化，通过共享条件平均速度场构建两条流映射，均以 Δt=1 的一步 ODE 积分完成决策精炼，无需多步采样或时间反向传播。
arXiv cs.AIAI 评分2828 微信提出 WeGR：面向工业搜索系统的统一生成式检索框架
微信提出统一生成式检索框架 WeGR，由 CoCo-VAE 分词器与 DHPO 策略优化两部分组成，前者引入查询-物品和物品-物品协同信号并通过码本刷新缓解码本坍缩，后者逐步扩展奖励评估与策略优化视野以缓解精确 SID 匹配下的奖励稀疏。
arXiv cs.AIAI 评分2323 SMILE：从模型自身错误中自挖掘视觉上下文学习样本
SMILE 通过离线记录目标 VLM 自身的预测错误构建模型专属的 hard negatives 池，测试时以预测结果作为方向信号，在语义嵌入空间中找出当前查询最可能重犯的过往错误，无需属性提取、caption 工程等多阶段流程。
arXiv cs.AIAI 评分3232 ProAgent：持续观察与及时干预的主动式 Physical AI 系统
研究者提出"主动式 Physical AI"问题并开发 ProAgent 端到端系统，由判断是否需要及何时干预的 StreamingJev 主动时机模型与生成响应或调用设备能力的 Response Model 组成。团队还构建了将视频转为主动时机监督信号的自动化数据管线，实验显示其干预时机更准、误触发少于基线，真机评测验证了识别新兴需求并转化为物理动作的能力。
arXiv cs.AIAI 评分2424 SarcasTraps：讽刺对土耳其语仇恨言论检测的影响
研究者构建了 SarcasTraps，一个含 479 条双维度标注（仇恨言论与讽刺）的土耳其语外部测试集，用于分析讽刺对仇恨言论检测的影响。在 BERTurk 和 XLM-RoBERTa 上微调的编码器模型对讽刺性仇恨内容召回率下降，而 GPT-4.1 与 Llama-3.3-70B 零样本推理虽召回率较高，但在讽刺样本上精确率大幅下滑。该数据集因含敏感内容，仅应学术研究请求提供。
arXiv cs.AIAI 评分2424 UA-Bench：面向水下声学信号识别的大型音频语言模型基准测试
研究者提出 UA-Bench，据称首个面向大型音频语言模型（LALMs）的水下声学信号识别大规模基准，包含 375,051 条音频记录，覆盖探测脉冲、通信波形与舰船辐射噪声三类信号，并附三级标签体系（13 个叶类）、多轮对话模板及信源信道元数据。
arXiv cs.AIAI 评分2626 KNN 实现细节可大幅改变性能：以 Cover Tree 为例
研究者以 Cover Tree 为例推出统一 Rust 实现 RustKNN，涵盖三种构建变体与三种查询模式，发现实现细节会显著改变算法性能排名。最优查询策略取决于 k 与数据集，选错查询模式运行时最多差 7.5 倍；cover tree 的 base 参数在 dual-tree 搜索中并非安全默认值，1.3 仅在七个数据集之一上最优。
arXiv cs.AIAI 评分2222 比较 GenAI、机器学习与人工审阅在 eDiscovery 中的效果
针对 Redgrave LLP 案例研究中 Relativity 生成式 AI 审阅工具 aiR 达 88% 召回率、其机器学习工具 RAL 仅 64% 召回率的结论，分析指出两者方法目标不同、评估者间存在分歧，结果不可直接比较。
arXiv cs.AIAI 评分4444 Davinci-Tool：用可验证可执行环境扩展智能体工具使用监督
研究团队推出 30B 工具使用模型 Davinci-Tool 及执行锚定数据集 Davinci-ToolData，通过 Execution-Grounded Task Synthesis 与 Executable Environment Synthesis 两条流水线生成 30,395 条已验证轨迹、覆盖 2,260 个工具名。
arXiv cs.AIAI 评分2020 用 LLM 在下载前预筛视频：面向低成本视频数据集构建
研究提出在下载视频前用 LLM 基于元数据预筛候选视频，以降低存储、时间和标注成本。LLM 预筛以四名独立标注者的严格多数投票为基准，并用 Gwet's AC1 验证标注可靠性，同时与两种关键词启发式基线对比。团队通过 LOO 与 AORI 机制评估 LLM 作为虚拟标注者的表现，并报告了相对现有方法的成本对比，实现已在 GitHub 开源。
arXiv cs.AIAI 评分1515 多目标 Bandit 中的 few-for-many 最佳臂识别
研究提出多目标 bandit 中的 few-for-many 最佳臂识别问题，目标是找到一小组臂，使其相对各目标最优值的加权最差退化最小，而非为每个目标各找最优臂。
arXiv cs.AIAI 评分2727 句法语言模型的大规模实证研究：1B 参数下结构掩码优势消失
一项针对句法语言模型（SLM）的大规模实证研究，在最高 1B 参数、100B 训练 token 规模下对比了 12 种配置（1 个终端基线 + 11 个不同线性化与注意力掩码的 SLM 变体），并在 11 个下游任务和两个句法基准上评测。