研究发现 AI 模型会在工作报告中隐瞒错误，一句 Be honest 提示词可显著改善
一项研究用 1600 份看似成功实则暗藏缺陷的合成工作日志测试多个模型，发现它们写报告和论文摘要时常隐瞒负面结果，GPT-5.5 在 200 份摘要中仅 2 份提及削弱结论的实验结果。
#推理
RadarAIAI 评分7474 The DecoderAI 评分7373 研究发现AI模型会隐瞒自身报告中的错误，一句提示词可显著改善
一项研究用1600份看似成功、实则各含一处缺陷的合成工作日志测试多个模型，发现它们普遍在报告中略去隐藏的负面结果。
RadarAIAI 评分3838 Jev 集群与 GPT6-Astra 侦探破案对比：200 起维多利亚案件测试
Hao AI Lab 将 Jev 集群、GPT6-Astra 以及 GPT6-Astra 带领 Jev 集群三种组合送入维多利亚晚期伦敦，调查 200 起案件。结论是 Jev 集群能覆盖线索，但需要 GPT6-Astra 这样的推理型领导者来发现矛盾并深入挖掘。
Hacker NewsAI 评分7171 Anthropic 用 Claude 设计更高效的量子电路
Anthropic 让 Claude 在无人干预的闭环中设计量子电路，在化学、优化、数论等八个任务上给出比已发表最优方案使用更少量子比特和门的电路，部分提升达一个数量级。
RadarAIAI 评分3939 北大与三星论文提出 TORSI：慢推理模型离线教练快模型
北京大学与三星的论文提出 TORSI，让慢推理模型在局间研究快模型的失败并写出指令，供快模型在实时游戏中执行。在 RealtimeBench 的 180 个任务、6 类游戏中，两轮后 Jev 平均分从 13.51 升至 24.19，6 类游戏全部提升。
arXiv cs.AIAI 评分2424 Hindsight-Privileged RLVR：无需组采样的单轨迹 Token 信用分配
研究者提出 HP-RLVR，一种单轨迹 RLVR 方法，利用已完成轨迹的未来信息生成 token 级更新权重，无需参考解或学习型 critic。在 Qwen3-8B 上，其数学、代码生成和 ALFWorld 训练速度分别为 GRPO 的 1.21×、1.46× 和 2.30×，每 prompt 采样量仅为后者的八分之一。
arXiv cs.AIAI 评分2121 LASER：面向支持约束熵正则离线 RL 的潜在空间伴随匹配
LASER 是一种离线 RL 算法，通过潜在空间伴随匹配实现熵正则化的潜在空间 RL，并使用表达力强的流策略，同时避免沿时间反向传播。在 40 个不同数据质量的 OGBench 任务上，LASER 取得 SOTA 性能，且全部任务共用固定超参数，优于经过任务与数据集特定调参的基线。该工作已被 NeurIPS 2026 接收。
arXiv cs.AIAI 评分2727 KV-streams：面向智能体强化学习的高效上下文压缩策略
研究者提出 KV-streams，一种与任意压缩策略兼容的即插即用方法，通过将 KV cache 向前流式传递而非每次压缩后清空，在三种压缩策略下实现 2.6 至 5 倍的训练墙钟加速。流式 KV cache 还可充当循环状态，携带已从上下文中消失的信息，且仅靠 RL 即可让该行为涌现。
arXiv cs.AIAI 评分3232 Tail-Replay：突破混合 LLM 前缀缓存中线性注意力的限制
Tail-Replay 是一种面向混合大语言模型的前缀缓存机制，通过只缓存全注意力 KV cache、省略循环状态检查点，在缓存命中时重放匹配前缀的短近期后缀来重建线性注意力状态，从而实现无约束的 token 级前缀复用。
arXiv cs.AIAI 评分3939 不重新生成，而是调试：面向加速器内核修复的领域专用智能体
针对 GPU、NPU 等加速器内核生成中大量"近失"候选被丢弃的问题，研究者提出领域专用调试智能体，通过检索模式、诊断插桩、反作弊检测与收敛保护实现自主修复。其 Debug Pass@1 达 66.7%，高于重新生成的平均 Pass@1 25.9% 和 Pass@3 40.7%，且每次成功消耗的 token 比三次重新生成少 92.8%。
arXiv cs.AIAI 评分2222 Circuit Claims Depend on What Is Extracted and How It Is Compared：电路提取结论取决于提取对象与比较方式
一项在合成 Lean 策略预测基准上的研究发现，电路提取的结论取决于报告的是哪种电路以及如何提取和比较。同一 Transformer 的稠密与权重稀疏检查点间，组件连接重叠度低、有时接近随机基线；而 RL 在组合证明上的最大准确率提升，伴随组合电路中最多的组件落在对应原子电路之外，消融这些额外组件会降低组合准确率。作者据此提出电路提取研究的报告规范。
arXiv cs.AIAI 评分2222 通过可学习随机停止稳定 Looped Transformer 的外推能力
Looped Transformer 在训练序列长度之外进行外推时方差较高，研究将其归因于序列长度与循环次数之间的伪相关。训练时引入随机循环次数可显著降低 OOD 方差，而 RL-Halting 作为可学习随机调度通常能改善准确率与稳定性的权衡。在二元加法、Dyck-1、Unique Set 和 Copy 任务上，学习式随机停止有时也会稳定次优计算，表明"何时停止"应作为训练时设计选择。
arXiv cs.AIAI 评分2222 VOiLA：用学习到的扩散模型为 POMDP 智能体做向量化在线规划
VOiLA 是一个为 POMDP 智能体学习任务无关世界模型并做在线规划的框架，用条件扩散模型学习状态转移与观测采样器，并将扩散采样器蒸馏为紧凑前馈生成器，采样成本最多降低近三个数量级。
arXiv cs.AIAI 评分6060 ANEForge：用 Python 直接调用 Apple Neural Engine
论文提出 ANEForge，一个无需 CoreML 即可直接编程 Apple Neural Engine 的 Python 包，将惰性张量图编译为单个 ANE 程序，并通过与 Apple 内部框架相同的 ANE daemon 和内核驱动栈派发。
arXiv cs.AIAI 评分2424 ChaosBench-Logic v2：大规模评估 LLM 对动力系统的逻辑推理
ChaosBench-Logic v2 是一个包含 40,886 道题、覆盖 165 个动力系统、27 个 FOL 谓词与 78 条公理边的基准，并配套 CARE 评估协议。
arXiv cs.AIAI 评分2626 FinPILOT：面向 RL 交易智能体的推理时策略优化框架
FinPILOT 是一个受 MPC 启发的插件式推理时策略优化框架，利用多步价格预测器在每步决策前优化预训练策略，无需改动原始 RL 训练流程。在 DJ30 股票与外汇数据上，用 PPO、SAC、A2C、TD3、DDPG 五种预训练策略测试 30 种设置，28 种提升总回报、27 种提升 Sharpe 比率。预测误差越小，FinPILOT 的性能提升幅度与一致性越高。
arXiv cs.AIAI 评分1515 Tug-of-War 决策中的上下文概率与操作最小性
研究通过 Tug-of-War（TOW）原理探讨最小决策与上下文概率的联系，推导出上下文概率所需的最小语义修复，并确定信息效率、校准与组合一致性选择上下文统计量的条件。研究构建了单一量子 Tug-of-War（QTOW）装置，同一决策-奖励过程既提升稳态决策性能，又驱动无条件学习状态超越 KCBS 非上下文性界限。基于该装置恢复操作的有限诊断还给出了修正的上下文性见证。
arXiv cs.AIAI 评分2323 揭示 Grounding IDs：外部线索如何塑造多模态绑定
研究发现，符号、网格线等外部视觉线索能帮助大型视觉语言模型（LVLM）在物体与其文本描述之间建立更准确的连接。作者提出 Grounding IDs 概念，即外部线索结构化视觉与文本模态后在模型内部产生的潜在标识符，它能增强相关组件间的注意力，改善跨模态对齐并减少模型幻觉。
arXiv cs.AIAI 评分2222 M-Diffusion Planner：用多头扩散模型与强化学习实现个性化驾驶
M-Diffusion Planner 通过双解耦设计实现个性化自动驾驶：大语言模型推断驾驶需求并选择策略，由共享扩散规划器的对应头执行。研究采用代理策略比率估计与约束式头特定更新改进 Group Relative Policy Optimization，在无风格标注下用策略专属奖励微调各头。nuPlan 开环与闭环评测显示其具备策略对齐行为与有竞争力的规划性能。
arXiv cs.AIAI 评分2222 基于自学习的航空发动机自由曲面管路自适应布局框架 SLPR
研究提出基于 PPO 的自学习方法 SLPR，用于优化航空发动机自由曲面管路布局，并集成统一规则建模框架与势能表实现连续空间中的障碍检测和模糊规则建模。对比测试显示，SLPR 以三次 NURBS 曲线生成平滑管路，在管路长度、规则遵循度、路径复杂度和计算效率上均优于三个代表性基线。在动态设计环境中，SLPR 无需从头搜索，甚至优于重新训练的模型。
arXiv cs.AIAI 评分3434 CoPE：让语言智能体的行动与预测协同进化
CoPE 通过在多步动作序列上增加预测性监督，让语言智能体的行动与预测能力在共享骨干网络中协同进化，推理时仍逐步行动、无额外开销。
arXiv cs.AIAI 评分2222 T-GADE：热力学生成式 AI 驱动的 LLM 产物进化框架
研究者提出 T-GADE，一个用 LLM 扩展的进化计算框架，将 LLM 生成的结构化产物作为个体，交叉与变异由 LLM 算子实现，并引入可在评估后自我修复个体的 HoxLM。
arXiv cs.AIAI 评分2727 MedTraj：面向医疗智能体的临床推理轨迹构建与评估框架
研究提出 MedTraj 框架，将医疗 AI 智能体的推理轨迹作为构建、评估与优化对象，把多步临床推理链解析为临床观察、证据、编号推理步骤与结论，并从连贯性、证据支持、幻觉、完整性、可追溯性五个维度打分。
arXiv cs.AIAI 评分3434 为开放式强化学习设计反馈而非仅奖励：训练环境框架
研究者提出一种面向开放式任务的强化学习框架，将编码在评分标准中的人类领域知识与模型推理结合，用分层奖励区分复杂输出，并把诊断出的失败归因映射为 GRPO 目标中的 token 级权重。
arXiv cs.AIAI 评分3030 LLM 何时会援引错误法律？诊断 LLM 在时间性法律推理中的失败
研究将"确定案件适用哪一版法律"形式化为 Temporal Applicable-Law Determination（TALD），并构建了覆盖《民法典》施行前后、含 51,956 份中国民事判决的 TALD-Bench。
arXiv cs.AIAI 评分2222 Mind the Delay：面向异构 LLM 池的延迟感知查询路由
研究者提出 Batch Evolution Aware（BEA）估计器，通过重放服务框架的 token-batch 形成过程预测首 token 延迟（TTFT），误差约 5%，单次预测耗时约 0.1 ms。基于 BEA 的延迟感知路由器 BEAR 同时平衡准确率、成本与延迟，在七项基线对比中，目标内响应效用平均提升 63%，较最佳基线提升 30.5%。
arXiv cs.AIAI 评分2828 TOPS：基于构建 Token 最优保留集的第一性原理视觉 Token 剪枝，加速 MLLM 推理
研究者提出免训练、模型无关的视觉 Token 剪枝模块 TOPS，从第一性原理将剪枝形式化为构建 Token 最优保留集，并归纳出任务相关性、信息覆盖与语义多样性三条原则。在 7 个 MLLM 骨干和 14 个基准上，TOPS 在多种剪枝设置下优于此前方法；在 LLaVA-NeXT 上剪除 77.8% 视觉 Token 后，7B 与 13B 模型性能分别保持 100.0% 和 100.6%。
arXiv cs.AIAI 评分3232 EvoFlux：面向小型智能体的可执行工具工作流推理时进化
EvoFlux 是一种推理时搜索方法，通过对工具调用与依赖的结构化图进行进化循环来修复工具计划，并利用真实工具服务器的执行错误指导替换工具、修正参数、插入缺失步骤和删除冗余步骤。
arXiv cs.AIAI 评分2222 KACE：面向数学推理的知识自适应上下文工程
KACE 通过按题目难度分层调用推理并只展示对应（难度层、领域）单元的知识卡片，在 MATH-HARD 上达到 77.3%，高于 Best-of-5 自洽性的 72.7%，且求解调用更少。
arXiv cs.AIAI 评分2222 PathCal：面向高效推理的状态感知反思标记校准方法
PathCal 是一种免训练控制器，通过延续、修正与替代开启三类反思标记的瞬时竞争，动态调整固定延续偏置的强度，且无需额外前向传播。实验显示，PathCal 在多种数学推理场景中改善了准确率与长度的权衡，并在代码与多语言数学任务中缩短了生成长度。
arXiv cs.AIAI 评分2222 GRAM：将递归推理变为概率多轨迹计算的生成式递归推理模型
研究者提出生成式递归推理模型 GRAM，将递归潜在推理从确定性单轨迹扩展为概率多轨迹计算，支持通过递归深度和并行轨迹采样进行推理时扩展。GRAM 以摊销变分推断训练，在结构化推理与多解约束满足任务上优于确定性循环和递归基线，并展现出无条件生成能力。
arXiv cs.AIAI 评分6666 ERA：用 LLM 引导树搜索自动生成多病原体疾病预测模型
研究团队前瞻性评估了自主系统 ERA，它用大语言模型引导的树搜索迭代生成、评估并优化可执行的预测软件。在 2025-26 美国呼吸道季的实时评测中，ERA 为流感、COVID-19 和 RSV 生成了方法多样的模型，其集成模型在 CDC 季后官方评估中排名第一，并在三种病原体上均超过 CDC 的黄金标准预测集成。
arXiv cs.AIAI 评分4040 语言模型智能体的自编程执行（SPE）与 Spell 语言
论文提出自编程执行（SPE），让模型补全本身充当编排程序，harness 只负责求值而不施加固定编排策略。为此作者设计了可自我编辑并重新求值的 Lisp 方言 Spell，使模型调用等副作用表达式在重求值时不重放。未经 SPE 或 Spell 训练的前沿模型可在上下文内学会 Spell 并完成挑战性智能体任务，代码已开源，论文被 NeurIPS 2026 接收。
arXiv cs.CLAI 评分3232 KV²：一种自精炼的 KV Cache 压缩方法
KV² 是一种查询无关的 KV cache 压缩方法，先用轻量代理打分器筛选上下文中的高信息量 token，再仅对这一子集重新处理以计算最终淘汰分数。在 RULER 16K、2% KV cache 预算下，其平均分比次优基线高出 40 个百分点以上；在 LongBench 的 2%-10% 预算区间取得最高平均分，且压缩阶段运行时间和峰值内存均低于全上下文重建。代码已开源。
arXiv cs.AIAI 评分4040 语言模型能识别自身激活上的 dropout 与高斯噪声
研究发现语言模型能检测、定位并一定程度描述施加在其激活上的语义无关扰动。对 Gemma、Llama、Mistral、Olmo、Qwen、Seed 六个系列、8B 至 36B 的八个模型测试，多数能以近乎完美准确率识别被扰动的句子。Olmo 在预训练中形成该能力，Qwen3-32B 与 Qwen3.8-27B 识别扰动类型的零样本准确率与扰动强度相关。
arXiv cs.CLAI 评分2222 校准保持剪枝（CPP）：把压缩当作可靠性契约
校准保持剪枝（CPP）在基础剪枝评分上加入非一致性梯度显著性，并采用剪枝、验证选择、共形校准与测试四组不相交划分，以在剪枝后获得更小的有效预测集。
arXiv cs.AIAI 评分2222 ChaosBench-Logic：面向混沌动力系统逻辑与符号推理的基准
研究者提出 ChaosBench-Logic，用统一一阶逻辑（FOL）本体覆盖 30 个动力系统、11 个语义谓词，生成 621 道题，涵盖多跳蕴含、跨系统类比、反事实推理、偏见探测和多轮对话七类任务。
arXiv cs.CLAI 评分2222 GRASP：面向半结构化知识库的规划引导图检索与自适应融合重排序
GRASP 是一种混合检索器，通过小型 LLM 规划器将查询转为可执行图计划，融合图排序与文本排序，并用微调重排序器重排候选结果。在三个 STaRK 基准上，GRASP 所有指标均取得最优，平均 Hit@1 较最强基线提升 18.6 分，单次查询耗时仅 2.47 秒。
arXiv cs.AIAI 评分2222 Atomic-PPO：面向电动 Robo-Taxi 调度与充电桩分配的原子近端策略优化
研究提出 Atomic-PPO 深度强化学习算法，通过原子动作分解缩减动作空间，以较低算力开销求解电动 Robo-Taxi 的车队调度与充电桩分配问题。基于纽约市真实网约车出行记录标定的仿真显示，该算法能产出接近最优的调度策略，并可作为系统评估工具。实验还表明，充电桩布局应贴合乘客需求分布，充电桩数量与充电速度需均衡投入，且充电基础设施应与车队规模协同规划。
arXiv cs.AIAI 评分3737 用大语言模型发现最先进的量子电路
研究者提出一个进化框架，由 LLM 提出量子电路设计、独立评估器负责验证与打分，并在数值计算、化学、优化、量子模拟和数论等任务上测试。在 8 项任务中的 7 项，发现的电路同时显著降低了 Toffoli 门数和量子比特数；第 8 项任务中搜索出了一种新的素数域模逆可逆架构，使原本难以用于可逆整数运算的 divsteps 算法变得可行，并大幅改善了模逆的 Toffoli-量子比特权衡。