通过覆盖率测试理解图像识别中的深度学习模型
一项实证研究考察了 primary functionality、boundary、hierarchy 和 structural 四种覆盖率指标与 DNN 模型深度及配置信息之间的关系。
#数据/训练
arXiv cs.AIAI 评分2020 arXiv cs.AIAI 评分2020 利用新型信息检索与 AI 工具加速 Horizon Scanning：SCANAR 与 AIDOC
开源 Python 工具 SCANAR 与 AIDOC 可加速医疗健康领域的 Horizon Scanning。SCANAR 自动完成新闻文章检索与处理，结合去重和无监督相关性排序；AIDOC 借助大语言模型与文本嵌入计算语义相似度，按相关性重排数据。
arXiv cs.AIAI 评分2222 VQEL：用智能体内部向量量化实现涌现语言博弈中的自博弈
VQEL 将向量量化引入消息生成过程，让智能体基于学习到的码本进行离散内部表征的自博弈，同时保持端到端可微，规避了 REINFORCE 和 Gumbel-Softmax 在训练稳定性与扩展性上的局限。该码本还能自然形成符号词表，便于后续与其他智能体互博弈时直接迁移对齐。实验显示，经 VQEL 自博弈预训练的智能体在互博弈中符号对齐更一致、任务成功率更高。
arXiv cs.AIAI 评分2222 医疗领域的开放基础模型：GenAI 驱动个性化处方的挑战、悖论与机遇
一项综述对医疗临床任务中的开放 LLM 与 AI 基础模型进行梳理与分类，并在个性化处方任务上实测开放权重模型。在 100 个合成患者档案上，开放权重模型未用 RAG 时整体适用性准确率达 0.810–0.850，高于专有基线 0.780，但置信区间重叠；加入 RAG 后所有模型均提升，排名差距缩小至 0.04 以内。
arXiv cs.AIAI 评分3434 知识图谱复杂查询问答（CQA）基准真的复杂吗？ICML 2025 研究揭示现有基准缺陷并提出新基准
研究发现现有知识图谱复杂查询问答（CQA）基准存在缺陷：部分查询类型中高达 98% 的查询可归约为链接预测等更简单的问题，导致对领域进展的认知被扭曲。SOTA CQA 模型在无法归约的查询上性能显著下降。作者据此提出一组更具挑战性的新基准，要求模型进行多跳推理，系统实验显示当前 CQA 方法远未达标。
arXiv cs.AIAI 评分2222 GREAT：面向非对称成本电动汽车路径问题的图边注意力网络
针对电动汽车路径问题（EVRP）中由道路拓扑导致的非对称能耗成本，研究者提出图边注意力网络 GREAT，完全在边空间而非节点坐标上运算，并与端到端强化学习框架结合，联合优化路径与充电决策。
arXiv cs.AIAI 评分2222 预测即 MoE 所需：专家负载分布从波动走向稳定
研究追踪多个大语言模型训练中各专家的负载，将负载"明显波动"定义为瞬态、将"时间局部性"定义为稳定态，并部署三种经典预测算法实现专家负载预测。在 GPT3 350M 上，预测未来 1,000 与 2,000 步专家负载比例的平均误差率约为 1.3% 和 1.8%。该工作可为 MoE 模型训练的专家放置与资源分配提供参考。
arXiv cs.AIAI 评分2222 让 MLP 获得更多图信息：三阶段多任务知识蒸馏框架
针对图神经网络在大规模图推理任务中时间和内存开销巨大的问题，研究者提出一种三阶段多任务知识蒸馏框架，通过 Positional Encoding 捕捉位置信息、引入 Neural Heat Kernels 并匹配隐藏层输出，将图知识蒸馏到学生 MLP。
arXiv cs.AIAI 评分2222 面向分布式混合专家模型的最优传输聚合方法
针对分布式数据集上独立训练的本地 MoE 模型难以合并的问题，研究者提出通过最小化期望传输散度，将未对齐专家的大混合模型压缩为 K 专家 MoE。该方法用 majorization-minimization 算法计算专家、再拟合门控网络，仅需单轮单向通信，聚合估计量与本地估计量同样具有一致性。模拟与真实数据实验显示，其精度接近集中式估计，计算时间仅为后者一小部分。
arXiv cs.AIAI 评分4242 Guidance-TTT：在测试时训练小模型以解锁更好的科学发现
研究者提出 Guidance-TTT，将测试时训练拆分为两个角色：一个紧凑的引导模型在测试时被训练，负责提出高层策略改动，冻结的执行模型则将其实现为可执行方案，每步只更新引导模型。该方法无需联网，在 Polyomino Packing、AHC058、Lasso 和 TriMul 四个领域均优于此前工作报告的最佳方案，并与公开在线排行榜的 SOTA 结果保持竞争力。代码已开源。
arXiv cs.AIAI 评分2222 MS-Exam-Gen：面向多发性硬化 MRI 影像知识评估 LLM 的自动基准构建工具包
MS-Exam-Gen 是一个可复现的自动基准构建工具包，用于评估 LLM 对多发性硬化 MRI 文本知识的掌握，不涉及直接影像判读。它从 66 个来源索引出 4,289 个检索块，生成含 16 个主题、53 个子主题的 3,058 道锁定候选题，在 12 个 LLM 端点上完成 36,696 次预测，准确率跨度达 42.8 个百分点（89.7% 至 46.9%）。
arXiv cs.AIAI 评分3131 面向可微科学软件生态的 AI 智能体递归改进环境
研究者提出一个由 AI 智能体驱动的可微科学软件演化环境，将需求识别、开发与质量评估打通，通过统一微分接口复用导数规则。该工作为物理、化学、生物建模领域的 20 个软件包构建并验证了自动微分扩展，基准测试显示梯度评估与参数估计相比有限差分更省算力。研究驱动的修订使原本不支持的流程实现可微，并修正了科学观测量的导数、消除冗余计算。
arXiv cs.AIAI 评分2525 ROAR：统一异构 AI 驱动研究系统的运行数据
研究团队提出 ROAR，用于系统化统一并分析异构 AI 驱动研究系统（ADRS）的输出。它通过关系型 schema 与解析层归一化不同格式的结果，同时保留数据血缘与时间结构，并支持无需改 schema 接入新系统。基于多个 ADRS 的 900 多次运行语料，ROAR 揭示了相同配置运行可能收敛到不同分数、多数运行早期即获得大部分收益等难以从单一系统观察到的规律。
arXiv cs.AIAI 评分2222 RIFAR：面向持续机器人学习的可靠性与遗忘感知回放方法
RIFAR 将可靠性筛选与漂移感知回放选择结合，用冻结的逆动力学模型评估动作与视觉一致性，并优先重选漂移更大的轨迹继续训练。在三个 LIBERO 套件和真实世界实验中，它超越此前基于 WAM 生成式回放的 SOTA，在 LIBERO-Goal 上取得 90.97 AUC，每任务仅保留 320 个历史时间步，约为 50 次演示回放所需步数的 4.9%。
arXiv cs.AIAI 评分3636 AI 风险观测站：从年报 AI 披露中能学到什么社会韧性？
研究用 LLM 两阶段分类流程处理 1,362 家英国上市公司 2020-2025 年的 9,821 份年报，发现提及 AI 风险的报告占比从 2.8% 升至 41.2%，AI 采用披露从 13.8% 升至 45.2%，供应商提及集中于以 Microsoft 为首的主要厂商。
arXiv cs.AIAI 评分2525 生成式 AI 能否自动化 Meta 分析的数据提取？一项间作研究案例
研究评估了直接零样本提示、分阶段工作流和多智能体系统三种 LLM 方法，用六个开放权重模型从间作文献中提取数据。直接零样本提示表现最强且最稳定，相似度调整后 F1 最高为 0.577，但所有方法都远未达到完全准确。在下游分析中，多数模型与方法组合能恢复预测变量与结果变量之间的关系方向，但无法准确估计其幅度。
arXiv cs.AIAI 评分4242 编码智能体的成本低效行为分析与缓解：Claude Code 与 Mini-SWE-Agent 研究
一项针对编码智能体成本低效行为的首次研究分析了 Claude Code 和 Mini-SWE-Agent 在 SWE-bench Verified 上的 1200 条轨迹，识别出子集检索、相似脚本生成和测试重复执行三种行为，它们影响 79.00%–98.00% 的编码任务，最高占任务成本的 22.75%。
arXiv cs.AIAI 评分2626 ScholarStack：面向科学智能体的分层研究资产编排与跨任务复用
ScholarSeed AI 团队提出 ScholarStack，将论文集合编译为可复用、带版本与溯源信息的三层研究资产：论文级陈述、领域级组织和跨论文证据综合。在覆盖十种任务设置的四个任务族中，使用该资产的智能体在跨论文证据类任务（如多论文问答与文献综述生成）上质量提升，且所有测量任务的查询时 token 成本均下降。
arXiv cs.AIAI 评分2727 Spatial-Interactor：通过与环境交互学习空间推理
研究团队提出 Spatial-Interactor 框架，通过交互让 VLM 建模物理世界状态转移，并构建了 LSI-108K 数据集，覆盖 L1 被动世界状态转移、L2 主动自身状态转移、L3 长程交互轨迹三级课程。
arXiv cs.AIAI 评分3131 STAIR：利用文档目录结构增强检索的 LLM 检索器与 SearchTome 基准
研究者提出基于 LLM 的检索系统 STAIR，利用语料库的全局结构（如目录 ToC）来存储和检索信息，在自建基准 SearchTome 上取得 82.6% 的 Recall@1，高于 DSI 的 76.9%、BM25 的 59.5%、DPR 的 68.7% 和开箱即用的 Mistral 的 13.8%。
arXiv cs.AIAI 评分2020 基于 FractalNet 的异构联邦学习：面向卫星巨型星座轨道边缘智能的野火检测案例研究
研究提出一种基于 FractalNet 架构的异构联邦学习方法，用于卫星巨型星座的轨道边缘智能，形式化了受接触窗口约束、深度异构的联邦优化问题，并引入按 SWAP-C 约束、星间接触预测和训练统计分配模型深度的分布式路径调度器。
arXiv cs.AIAI 评分3535 LoopArena：把模型作为循环工程的运行时控制器进行基准测试
研究者推出 LoopArena，用于评测一个模型作为 Controller 指导独立固定 coding agent（Worker）完成长时任务的能力，分三类设置：Type I 含 160 道低成本控制选择题、Type II 为 80 个任务切片、Type III 为对应的 80 个完整任务。
arXiv cs.AIAI 评分3838 Parason：揭示 LLM 推理中的子任务并行与试错并行
Parason 通过无上下文语法将 LLM 的串行推理轨迹转为结构化并行轨迹，并用 PA-GRPO 训练模型同时学习子任务并行与试错并行。分析显示试错并行占 DeepSeek-V4 在 HLE 推理步骤中可并行计算的 65.5%，且在难题上占比更高。在 AIME24 和 AIME25 上，Parason 平均加速约 1.7 倍并保持有竞争力的准确率。
arXiv cs.AIAI 评分2222 ATHENA：面向电子健康记录临床预测的智能体神经架构搜索，实现跨医院知识迁移与计算效率提升
研究者提出 ATHENA，一个知识引导的智能体神经架构搜索框架，用于基于 Transformer 的 EHR 临床预测建模。该框架每家医院仅预训练一次权重共享 supernet，候选架构通过微调而非独立预训练评估，并由双层跨医院先验结合 SHAP 元回归与多智能体 LLM 搜索。
arXiv cs.AIAI 评分3434 对齐的幻觉：检测协作对话中的隐藏分歧
研究提出"对齐的幻觉（IoA）"概念，指协作对话表面达成一致、参与者却在目标或执行计划上仍有分歧，18 场真实会议研究证实其普遍存在。团队构建 IoA-Suite 数据集与评测协议，最佳模型仅达 49.5% F1，瓶颈在于对话未暴露的私有上下文；基于此训练的 IoA-Prober-8B 达到 51.8% F1，在 18 场真实会议中每场平均发现 2.89 处参与者确认未曾说出的隐藏分歧。
arXiv cs.AIAI 评分3737 OctoLong：用跨仓库代码上下文做中期训练提升长上下文建模
研究团队提出 OctoLong，一套结合 AST 解析器、语言服务器后端与包管理器递归检索代码引用的上下文工程流水线，可构建长达数百万 token 的依赖丰富代码上下文。
arXiv cs.AIAI 评分3232 ContinualSkillBench：LLM 智能体真能持续进化技能吗？
研究者提出 ContinualSkillBench，一个面向上下文持续技能学习的动态评测框架，覆盖五个领域、每域 100 个按难度排序且可技能迁移的任务。实验显示顺序执行通常提升表现，但增益因模型和领域差异明显；保留上下文与反馈而不维护技能库，平均表现与显式技能库几乎持平，显式技能仅在需要可复用流程或精确输出的任务上有选择性优势。
arXiv cs.AIAI 评分2222 大语言模型如何辅助偏微分方程工作流：一篇综述
一篇综述梳理了 LLM 辅助偏微分方程（PDE）研究在发现、求解与优化三个阶段的进展，考察 LLM 如何结合物理知识、数值方法与计算反馈来构建模型、实现求解流程并指导设计与控制。文章还回顾了评估科学有效性、计算性能与工作流可靠性的现有基准与评测实践，并提出面向特定 PDE 问题的数学与物理推理、通过领域专用与多模态后训练构建可迁移专业知识、以及将主动实验设计与科学验证相结合三个挑战方向。
arXiv cs.AIAI 评分2424 替代值替换能否保留 PHI 可检测性：一项多检测器等价性研究
研究提出"可检测性保留"指标，在去标识化实际替换的文本片段上比较检测器对替代值与原始值的识别率。在 7 种语言的 7 个临床与通用 PII 基准（1,750 篇文档、5,333 个替换片段、11 个检测器）上，掩码片段召回率从 75.8% 降至 74.6%，变化 90% CI 为 [-1.62, -0.82] 个百分点，后验概率 > 0.99 落在 ±2 点内。
arXiv cs.AIAI 评分4242 SearchMaster：面向搜索智能体的有据可依、受调控自博弈框架
SearchMaster 是一个自博弈框架，让共享 LLM 策略在本地搜索环境中自行生成、求解并验证搜索任务，无需人工标注 QA 对或专家演示。
arXiv cs.AIAI 评分2929 面向细粒度遗忘：多模态大语言模型的属性级遗忘学习
研究者提出属性级 MLLM 遗忘任务并构建 AMU-Bench，覆盖长文本、数字和短文本目标及多种遗忘比例与题型。针对目标属性与保留属性共享身份和视觉证据导致的残留泄漏问题，提出免训练框架 CLRP，通过因果定位与保留感知投影实现选择性遗忘。
arXiv cs.AIAI 评分3030 SKILL-KD：面向 LLM 智能体的对比技能蒸馏
SKILL-KD 是一个对比技能蒸馏框架，将技能作为不同能力智能体之间的显式蒸馏介质：给定学生智能体的失败轨迹与教师在同一任务上的轨迹，把二者可操作的差异蒸馏为文本技能补丁，通过重跑学生智能体验证并在仍失败时迭代优化。
arXiv cs.AIAI 评分2323 PASS：面向 LLM 推理模型过程监督强化学习的优势信号塑造
PASS（Process Advantage Signal Shaping）是一种面向 GRPO 的优势构建流程，通过奖励通道归一化与融合、信号定义分块累积以及按剩余分块数归一化，把过程监督的局部反馈转化为策略优势。
arXiv cs.AIAI 评分2929 微服务 RCA 基准的汇总排行榜遗漏了什么：对方法比较范围与来源的审计
一项审计在 OpenRCA、RCAEval 和 PetShop 三个基准家族上复现 16 种方法的官方实现，发现汇总排行榜的领先结论取决于其未公布的子系统间差距：15 个领先幅度超过该差距的比较中 14 个在所有子系统成立，8 个低于该差距的比较中 6 个发生反转。
arXiv cs.AIAI 评分3232 MedEvoEval：通过模拟临床情景评估医生智能体的持续进化
MedEvoEval 是一个基于动作门控模拟门诊情景的可执行纵向评估框架，将病例转化为患者、检查和管理者角色视图，通过结构化轨迹关联观察、动作、输出与经验回写。
arXiv cs.AIAI 评分2929 SGPO：用策略引导策略优化替代轨迹模仿，提升 LLM 推理能力
研究者提出 Strategy-Guided Policy Optimization（SGPO），用可复用的策略蒸馏替代实例级轨迹模仿，从强模型回答中提取结构化策略描述，并为每个问题构建自主与策略引导两条轨迹进行直接对比。
arXiv cs.AIAI 评分3333 LLM 代码推理的内部生命周期：从"酝酿"到四种解析结果
研究提出双诊断框架，结合逐层线性探针与 Context-Stripped Decoding（CSD），在 Qwen、Llama、DeepSeek 等 16 个模型、六类代码推理任务上追踪代码推理的内部生命周期：模型先"酝酿"答案，使其在可自解码前多个层即可线性恢复，随后分化为 Resolved、Overprocessed、Misresolved、Unresolved 四种结果。
arXiv cs.AIAI 评分2222 LATTEArena：面向 LLM 表格特征工程的评估框架
研究者提出 LATTEArena，一个面向 LLM 驱动的自动化表格特征工程（LATTE）的标准化、模块化基准框架，将 15 种代表性方法拆解为统一的 6 维分类体系，并评估 7 个研究问题下的 24 种核心配置。该框架在预测精度之外量化 token 效率与执行鲁棒性，得出 17 项成本效益权衡发现，并给出 3 条实际部署建议。全部代码、数据集及超 4000 条执行日志已公开。
arXiv cs.AIAI 评分2626 Trajectory-Refined Distillation：一种缓解前缀失败的轨迹级蒸馏方法
针对 on-policy 蒸馏（OPD）中因逐 token 监督导致的"前缀失败"问题，研究者提出轨迹级修正方法 Trajectory-Refined Distillation（TRD），在教师引导下修正学生 rollout 的问题前缀，从源头缓解该问题。
arXiv cs.AIAI 评分2222 Causal-Plan-Bench：面向物理具身推理的因果规划基准与 Causal Planner 模型
研究团队推出 Causal-Plan-Bench 诊断基准与 Causal-Plan-1M 百万级因果推理语料，指出现有具身视觉语言规划基准偏向语言下一 token 预测而非物理因果推理，GPT-6-astra 仅得 43.04 分。