GameHorizon Suite：游戏玩法中的多时间跨度数据与评测
研究者推出 GameHorizon Suite，一套面向多时间跨度的游戏玩法数据与评测套件，包含自动化标注流水线 GameHorizon-Annotator、首个大规模 AAA 游戏数据集 GameHorizon-Data（21 款游戏、5000 小时录像、100 名人类专家玩家）以及支持离线与逐步在线测试的 GameHorizon-Bench。
#数据/训练
arXiv cs.AIAI 评分3838 arXiv cs.AIAI 评分2626 开放权重 LLM 在临床风险分类中的错位与成本不对称
研究考察了 Qwen-2.5-7B/32B 和 Llama-3.1-8B/70B 四款开放权重 LLM 如何在内部表征临床成本权衡。在糖尿病数据集上，患者风险可线性恢复（AUC≈0.83），成本方向在每个模型中均可恢复，但仅两个较大模型的表征偏移与输出变化一致，12 组模型-措辞中仅 2 组同时表现出对 FN 与 FP 成本增加的反向响应及成本正确排序。
arXiv cs.AIAI 评分3131 语言模型需要音乐监督吗？面向多约束符号音乐生成的可验证奖励方法
研究提出 MusicConstraintBench 基准（2180 条、八类可程序化验证约束）与 MusicRLVR 方法，仅用验证器奖励对语言模型做 GRPO 训练，无需人工标注、奖励模型或音乐领域监督微调。
arXiv cs.AIAI 评分3535 EGMEMORY：面向长程多参与者对话的证据链记忆框架
EGMEMORY 是一个免训练的智能体记忆框架，以证据链保留消息级证据与来源，并追踪状态的修订历史。它在 GroupMemBench 上达到 68.2%、在 EverMemBench 上达到 77.9%，分别超出最强基线 22.7 和 21.4 个百分点，在双人对话基准 LoCoMo 上达到 73.6%。该系统仅通过提示词与工具调用运行，无需针对记忆的策略训练。
arXiv cs.AIAI 评分3737 RoboCousin：为鲁棒双臂机器人操作构建你自己的仿真训练场
RoboCousin 是一个基于 RoboTwin 2.0 的可扩展仿真数据生成平台，可将用户提供的物体图像转为带视觉与碰撞几何、语义物理元数据及自动抓取接触候选的仿真资产，并生成变化物体、背景、布局与语言指令的"数字表亲"。
arXiv cs.AIAI 评分2222 OpenTI：开放表格洞察提取的现状与研究方向
研究者提出 OpenTI（Open Tabular Insight Extraction）框架，从第一性原理形式化"人需要什么分析知识、如何从表格语料中推导、结果如何服务用户"三个问题，以统一表格问答、text-to-SQL、数据分析智能体等分散的任务标签。
arXiv cs.AIAI 评分2222 SeRV：面向美国手语生成的语义对齐残差向量量化
SeRV 是一种面向美国手语（ASL）生成的语义对齐 RVQ 分词器，通过全局运动-文本对齐与 token 级文本条件监督学习语义化残差 token 空间，并由分层 GPT 以由粗到细方式预测残差运动 token，生成 3D ASL 动作。
arXiv cs.AIAI 评分3939 LatentPress：超越文本与视觉的上下文压缩
LatentPress 将对话历史和长文档写入连续 memory tokens，由冻结解码器通过输入嵌入接口直接读取，推理时无需重建文本。
arXiv cs.AIAI 评分2525 DualOPSD：在 On-Policy 自蒸馏中闭合反馈回路
DualOPSD 通过让特权教师模型在学生每次更新后同步适应，闭合了 OPSD 中教师收不到学生反馈的回路，并用基于冻结初始模型的残差目标保留特权上下文效果。在 Qwen3-8B/4B/1.7B 和三个数学基准上，DualOPSD 的 avg@12 准确率较 OPSD 提升 9.83 个百分点。诊断分析显示其双向 KL 更低、失配更少，代码已开源。
arXiv cs.AIAI 评分2020 SIDScope：生成式推荐中语义 ID 接口的诊断资源
SIDScope 为生成式推荐的语义 ID 接口提供诊断资源，包含来自 7 个 tokenizer 家族、覆盖 Amazon 与 Yelp 的 9 个导出，其中 8 个可执行、1 个为可审计快照。
arXiv cs.AIAI 评分2626 AudioChaps：用 GRPO 与 CoT 对齐 LALM 实现音频章节化
AudioChaps 是一个通过 GRPO 结合 CoT 推理对端到端 LALM 进行后训练对齐的框架，用于将连续音频流切分为主题连贯的章节。不做 SFT 冷启动直接应用 GRPO 的 AudioChaps-R1-Zero 平均 F1 比 SOTA 的 Audio-Flamingo-3-Think 提升 33 分，最终对齐模型 AudioChaps-R1 提升 49 分。
arXiv cs.AIAI 评分6262 arXiv 论文：上下文压缩会丢弃 LLM 系统的附带约束，CONPACT 评测与提取器提出
arXiv 论文《Lost in Context Compaction: When LLM Systems Drop Side Constraints》研究上下文窗口承压时压缩过程会静默丢弃用户下达的附带约束（Side Constraints，如“在我确认前不要删除任何邮件”）。
arXiv cs.AIAI 评分2222 轻量微调下的路由器敏感度可识别 MoE 模型中可剪枝专家
研究发现，仅用 LoRA 微调路由器（训练 0.002% 参数）即可通过路由器权重变化幅度识别 MoE 模型中可剪枝的专家。
arXiv cs.AIAI 评分2222 用 LLM 激活值测量文本中的概念内容：基于概念向量与线性探针的 ESG 证据
研究比较了 Recursive Feature Machine（RFM）与线性探针从 LLM 激活值中提取概念的效果，在人工标注的 ESG 金融文本数据集上，最佳线性探针准确率比微调领域分类器低 0.6 至 3.3 个百分点，但在所有对比中均优于模型自身回答，且准确率全面超过 RFM 概念向量。在合成混合测试中，线性探针的均值池化分数比概念向量分数更能跟踪段落中概念句的数量。
arXiv cs.AIAI 评分2222 LifelongCrossNav：面向跨楼层多目标导航的持久 3D 语义记忆框架
LifelongCrossNav 是一个面向未知多层室内环境的顺序多目标 ObjectNav 框架，通过持续维护共享稀疏 3D 语义体素记忆，增量累积几何结构、可通行状态与视觉语言特征，使后续目标查询无需重建地图即可复用场景信息。
arXiv cs.AIAI 评分2222 Factorized Hypothesis Search：面向证据到分类体系检索的因子化假设搜索
针对输入为间接证据（如依赖行列、数据类型与上下文的表格单元格）时目标概念难以被检索的问题，研究者提出 Factorized Hypothesis Search（FHS），在命名语义维度上维护多个部分解释，支持结构化查询渲染、多假设检索与维度级候选验证。
arXiv cs.AIAI 评分2222 Patients-like-me：可解释临床预测的变分 LM-GNN 框架
研究者提出 Patients-like-me（PLM），一个统一 LM-GNN 框架，将局部患者语义与全局队列结构结合，并用变分期望最大化算法交替更新 LM 与 GNN。
arXiv cs.AIAI 评分2020 COSI-Lab：面向多视角多模态社交意图建模的会议生活实验室数据集
COSI-Lab 发布了一个真实跨学科科学研讨会的多模态多传感器数据集，涵盖 32 位学者、两场各 30 分钟的真实社交互动。该数据集聚焦由外部观察者判定的表观意图推断（AII）问题，提出将主观感知的多样性建模为可解释的视角驱动推理过程，而非标签噪声，并提供新的 AII 标注流程、意图叙事的定量与定性分析、基准任务、语音质量音频及隐私保护的多模态环境与可穿戴传感器数据。
arXiv cs.AIAI 评分2323 Flux-OPD：用演化上下文做在策略蒸馏
Flux-OPD 是一种用演化上下文作为训练中监督的 OPD 范式，通过 reverse-KL 分解刻画上下文蒸馏，将上下文条件教师与无上下文教师的差异作为上下文修正注入无上下文教师，并用冲突项加权修正强度。实验显示 Flux-OPD 在 OPD 范式中取得最佳结果，表明教师监督与演化上下文结合具有潜力。
arXiv cs.AIAI 评分4141 临床语言模型对患者口述的叙事锚定：改写患者叙述可缩小准确率差距
研究将 1,000 个 MedQA 病例配上临床、社会经济、文化三种口吻的复述，评测 12 个 3B 至 24B 开源模型（含两个医疗微调版），发现患者以带标记口吻叙述时模型错误增加 26%，准确率平均下降 9.6 个百分点，且规模扩大未见缓解。
arXiv cs.AIAI 评分3131 ForgetBench：评测大语言模型长期参数记忆的遗忘动态
研究者提出 ForgetBench，用于衡量 LLM 在持续知识编辑下长期参数记忆的遗忘动态，包含概念型 QA 与场景型 QA 两种评测范式，并构建按时间排序的知识流进行多阶段编辑评估。该框架以后续编辑次数索引记忆年龄，量化时间衰减、保留强度与跨实例稳定性。实验显示不同模型与编辑方法呈现各异的遗忘轨迹，长期保留与泛化质量之间存在持续张力。
arXiv cs.AIAI 评分1616 约束感知影响估计：面向深度约束学习的 Directional Influence Function
研究者提出 Directional Influence Function（DIF），将约束学习的最优性条件建模为变分不等式，把约束显式纳入影响估计，以解决经典影响函数在约束场景下因数据扰动同时改变目标与可行域而失准的问题。
arXiv cs.AIAI 评分3535 DBA-Bench：面向 LLM 数据库运维智能体的生产级保真基准
DBA-Bench 是一个面向 LLM 数据库运维智能体的生产级保真基准，在真实 PostgreSQL 与分布式 TiDB 环境中评估智能体，覆盖 5 个运维域的 231 个有界场景和 10 个持续场景。评测包含 4 个前沿基础模型、2 个开放权重模型和 2 个 GPT-5.5 驱动的数据库智能体，结果显示智能体能定位根因却无法恢复运维目标，即使恢复目标，执行动作也可能违反安全约束。
arXiv cs.AIAI 评分2222 用荣格认知功能做激活引导：面向联合人格目标的新框架与 NarrationDB
研究提出一种"目标优先"框架，直接从联合人格目标中提取激活引导方向，再考察其能否分解为单一人格方向，并构建了 NarrationDB——将角色自述与八种荣格式功能的自动评估联合得分关联。在三个模型上的实验显示，八种功能均可通过问卷得分实现可控，测试的双功能目标也出现协同变化；直接提取的联合方向比无关配对更接近对应的单一方向，但仍保留大量残差成分。
arXiv cs.AIAI 评分2929 REGEN：用离线强化学习回收回放记忆实现专家到通才蒸馏
REGEN 提出用离线强化学习回收教师模型专项 RL 训练产生的回放记忆，训练通才模型，从而完全解耦 rollout 采样与反向传播。在数学推理、代码生成和指令遵循任务上，REGEN 以显著更低的成本达到多教师在线蒸馏（MOPD）的准确率。该方法有望将在线 RL 从一次性学习阶段转变为数据合成过程，代码已开源。
arXiv cs.AIAI 评分2424 先审计再更新：MIMIC-IV ICU 预测中记录伪影与有界模型更新的局限
研究对 MIMIC-IV 3.1（2008-2022）进行记录伪影审计并制定清洗协议，发现 2020-2022 年约一半 ICU 住院缺少输入或操作事件记录，且血管升压药 ItemID 迁移使 2017-2019 标签率看似下降实则上升。
arXiv cs.AIAI 评分3636 HALLMARK：如何诊断 LLM 引用验证器并判断何时部署
针对 LLM 引用验证器缺乏统一评测的问题，研究者发布 HALLMARK 基准，含 2,526 条 BibTeX 条目、覆盖 14 种幻觉类型，并提供分类型与诊断性子测试标签。
arXiv cs.AIAI 评分3232 用规模缩小差距：Scaling Point-in-Time 语言模型实现嵌入向量的经济评估
研究者用 FineWeb 中 1 万亿按时间过滤的 token 训练了最高 4B 参数的 decoder-only Transformer，构建了覆盖 2013-2024 的逐月模型检查点，以消除训练数据中的未来信息泄漏。
arXiv cs.AIAI 评分1717 用机器学习为伏尔泰全集自动做主题索引：Mistral 4-bit 量化模型 F1 最高 0.67
研究将伏尔泰《风俗论》与《百科全书问题》两套文集的自动主题索引建模为多标签分类任务，对比了从约 3B 到 120B 参数的编码器模型与经 LoRA 微调的生成式 LLM。表现最佳的是 Mistral 系列 4-bit 量化配置，F1 最高达 0.67，作者认为受专业索引主观性影响，该数值属于下界。研究还评估了跨语料泛化能力，并定性分析了模型在文学与修辞特征上的失败案例。
arXiv cs.AIAI 评分3636 EgoWAM：用野外第一视角人类数据训练超越像素的世界动作模型
EgoWAM 是一个固定策略骨干、动作头与数据配比、仅改变世界预测目标的人类-机器人协同训练框架，对比 Pixel、DINO 与 3D motion flow 三种世界表示。在三个真实双臂任务上，基于 DINO 的预测将分布外物体与场景泛化能力最高提升 4 倍，3D flow 将域内性能提升 20-30%，而像素预测迁移效果较弱。
arXiv cs.AIAI 评分2222 Auto-AEG：面向开放词汇音频事件定位的可扩展数据构建方案
Auto-AEG 通过程序合成带精确时间区间的音频片段做冷启动监督，再用多模型伪标签在真实音频上提供强化学习奖励信号，构建开放词汇音频事件定位所需的 onset/offset 监督数据。该流程在独立的分层难度基准 AEGBench 上带来大幅时间定位提升，并泛化到多个留出的 SED 与音频定位基准，其标注已开源。
arXiv cs.AIAI 评分2525 TabQueryBench：面向合成表格数据的查询中心基准
研究者提出 TabQueryBench，一个用 SQL 式分析查询评估合成表格数据的查询中心基准，将 12 个公开查询来源提炼为 44 个可复用查询模板，覆盖 49 个数据集和 11 个生成模型，每个数据集生成超 100 条可执行查询。
arXiv cs.AIAI 评分2222 超越文化人格偏差：以响应几何衡量语言模型与人类
研究提出用响应几何（各维度间相关矩阵构成的对称正定矩阵）衡量语言模型与人类的文化偏好。在 DeepSeek-V3 和 GPT-4o 中，固定题目顺序时提示的文化人格在 Big Five 得分和响应几何两个层面均显现；随机化题目顺序后响应几何降至随机水平，Big Five 仍能以 95%–97% 区分两种人格。
arXiv cs.AIAI 评分2525 Ember：面向 Token 接口的千字节级状态优化器
研究者提出轻量优化器 Ember，专用于 embedding 与 LM-head 矩阵，优化器显存占用为 O(V + D)，而非 Adam 的 O(2VD)，且无需对 token 表优化器状态做分片。
arXiv cs.AIAI 评分1818 FedCRF：用条件随机场结构化概率推断实现联邦学习聚合
研究者提出 FedCRF，将联邦学习的服务器聚合建模为基于条件随机场的结构化概率推断，把客户端表示为图节点并定义一元与成对能量势，从而联合推断客户端可靠性与相似关系。推断出的可靠性和亲和度可统一支撑全局聚合、拜占庭鲁棒性、聚类联邦学习和个性化联邦学习。在 CIFAR-10、FEMNIST 和 Fed-ISIC2019 上，单一超参数配置下其表现与专用方法相当或更优。
arXiv cs.AIAI 评分5454 AI 审查自己的代码：代码 LLM 中的递归自训练崩溃
研究比较了代码 LLM 的三种递归微调机制：无审查、使用编译和静态质量检查等模型无关过滤器的外部门控审查，以及使用困惑度和二元自评分等模型自身信号的 AI 自门控审查。
arXiv cs.AIAI 评分2424 SR-PPO：单次 rollout 的 Pass@k 策略优化
针对 GRPO 需多次 rollout 采样成本高的问题，研究者提出单次 rollout 强化学习方法 SR-PPO，结合蒙特卡洛 token 级优势估计与 Pass@k 梯度重加权。
arXiv cs.AIAI 评分1515 稀疏激活字典学习中的稀疏度-存储-精度权衡
研究提出 PADL（parsimoniously activated dictionary learning），证明其对激活字典原子数量施加全局正则化的形式可等价为结构化生成模型下的最大后验估计，并据此推导出稀疏度、存储成本与重建精度之间的解析权衡关系，实现最优超参数的数据驱动估计。
arXiv cs.AIAI 评分2929 ScholarQuest：面向开放文献环境的智能体学术论文搜索分类基准
研究者提出 ScholarQuest，一个基于 1000 多个计算机科学主题、围绕四类研究意图构建的分类引导基准，并配套百万级文献环境 ScholarBase 与共享多轮搜索测试框架。
arXiv cs.AIAI 评分2424 FinRED：面向金融 LLM 红队测试的专家引导基准生成与评估框架
FinRED 是一个与金融专家共同开发的金融 LLM 安全红队测试框架，通过两级分类法将 FATF、EU DORA 等全球标准映射到从监管规避到复杂欺诈的威胁，并把真实金融文档转化为上下文丰富的红队测试行为提示词种子。