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。
最新动态
arXiv cs.AIAI 评分2727 arXiv cs.AIAI 评分2424 任务级自然语言先验作为低资源 LLM 训练的学习信号
研究提出 Prior-Guided Tuning（PGT）方法，其实现 Contrastive Prior Steering（CPS）在保留监督目标的同时加入正负先验条件损失，方向相反地优化。
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4040 MEMONDEMAND：面向大规模企业数据的记忆管理系统
MEMONDEMAND 是一个面向大规模企业仓库的记忆管理系统，通过动态多级层级、每层双记忆（蒸馏路由与详细证据分离）和按需记忆提升三种机制协同工作。在 EnterpriseRAG-Bench 上，它从 10M token 到完整 618M token 集合的每个评测规模均超越已公开的 LB#1 最强结果，10M 时提升 12.23%，618M 时提升 4.66%。
arXiv cs.AIAI 评分3939 MegaMem：面向超长上下文窗口的检索方案
MegaMem 是一个源解析双视图检索系统，将语义访问与生成证据分离，在 EnterpriseRAG-Bench（超 50 万份企业文档、约 6.5 亿 token）上将 Overall 从 68.22 提升至 82.26，Correctness 达 86.50。
arXiv cs.AIAI 评分4040 Agent Gym：通过人在回路反馈持续评估与进化 LLM 智能体的框架
研究团队提出 Agent Gym，一个模块化、领域无关的框架，可将任意现有 LLM 智能体包裹进持续评估与进化循环，无需修改智能体源码即可在部署后修正行为。框架包含 Act、Evaluate、Investigate、Correct、Learn、Observe 六项可组合能力，核心技术为带 21 个条件算子和三级动作的确定性-LLM 混合修正引擎，以及三层调查架构。
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2020 印度《消费者保护法》能否应对 AI 产品损害？工作论文分析归责缺口
一篇工作论文评估印度《2019年消费者保护法》是否足以应对缺陷 AI 产品与服务造成的损害，以及能否在 AI 价值链上按比例分配责任。该法对产品责任、损害和缺陷的宽泛定义看似技术中立，或可覆盖人身伤害、心理伤害、偏见输出与失控等 AI 相关事件。但论文指出，AI 缺陷与消费者损害之间的因果关系难以举证，且数据提供方、模型开发者、部署者与用户之间责任重叠，现有归责框架缺乏按比例分配的机制。
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2626 从社会选择理论视角看 AI 对齐
一项综述研究用社会选择理论审视基于人类反馈的对齐，指出当人类判断反映对理想行为的冲突观点时，学习到的目标就变成对模型偏好的聚合裁定。该研究梳理了近期工作，说明社会选择视角如何帮助识别反馈聚合层的失效模式，并揭示以显式、有原则的方式处理分歧的更广设计空间。
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3737 SkillDAG：面向 LLM 大规模技能选择的自演化类型化技能图
SkillDAG 将类型化技能图作为 LLM 智能体可调用的接口，通过 search 返回向量匹配、类型化边邻居与冲突信号，并用 propose-then-commit 协议在执行中注册有执行依据的边。
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3434 Harness-Bench：跨模型与真实工作流评估 Agent Harness
研究者推出 Harness-Bench，一个在真实 Agent 工作流中评估配置级 harness 效应的诊断基准，包含 106 个沙箱离线任务，在共享任务环境、预算和评测协议下对比多种模型后端与代表性 harness 配置。
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4141 Life-Harness：不改模型权重，用运行时框架适配确定性 LLM 智能体
研究者提出 Life-Harness，一种生命周期感知的运行时框架，在不改变模型权重和评测环境的前提下提升冻结 LLM 智能体的表现。它从训练轨迹中把反复出现的交互失败转化为可复用干预，覆盖环境契约、流程技能、动作实现和轨迹调控。
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.CLAI 评分6060 把任意地球观测任务变成递归自我改进：智能体自主构建遥感模型
arXiv 论文提出把任意可验证的地球观测任务拆成 harness 与 verifier 两部分，由通用编码智能体据此自行构建并递归改进 EO 模型。在覆盖光学、SAR 和多光谱时间序列的六个 EO 基准上，智能体构建的模型全部超过当前最优水平，其中土地覆盖制图仅用 11% 的训练标签。作者认为这确立了人类设计 harness 与 verifier、智能体构建模型的新范式。
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3030 BLOOM-WILT：用 Logit Tilting 实现自动化 LLM 审计中的行为诱发
BLOOM-WILT 是一套无需训练、仅依赖目标模型 next-token 分布的 LLM 审计流水线，通过多轮修正对话策略并混合诱发提示与无提示的 next-token 分布，来诱发罕见的多轮行为实例。
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3131 WorkflowPerturb：面向多智能体工作流指标评估的校准压力测试基准
WorkflowPerturb 是一个用于评估多智能体工作流指标的受控基准，包含 4,973 条黄金工作流和 44,757 个扰动变体，覆盖 Missing Steps、Compressed Steps、Description Changes 三类扰动，严重程度分为 10%、30%、50%。
arXiv cs.CLAI 评分2222 混合来源大语言模型文本中的最优水印定位
研究将水印定位形式化为基于枢轴统计量的 token 级多重检验问题，用隐变量记录每个位置的水印依赖是否在改写、插入、删除或改写后存活。理论推导给出全局检测的锐利边界，以及发现与分类的相变，证明发现严格难于检测、一致分类在该参数区间内不可能。作者提出自适应阈值方法，无需已知稀疏指数或时变下一 token 分布，即可达到最优发现边界。
arXiv cs.AIAI 评分2626 JEPA-DNA：用联合嵌入预测架构为基因组基础模型注入功能语义
JEPA-DNA 是一个模型无关的持续训练框架，将联合嵌入预测架构（JEPA）与生成式目标结合，通过监督潜空间中的全局序列嵌入，让模型预测被掩码基因组片段的功能表征，把学习信号从 token 还原转向语义对齐。在 17 项基因组基准任务上，无论底层 GFM 架构或生成目标如何，线性探测与零样本性能均获一致提升，并在线性探测协议下刷新 GFM 的 SOTA。代码见补充材料。
arXiv cs.CLAI 评分2929 SMDA：将训练数据归因到模型学到的符号化行为策略
研究者提出符号机制数据归因（SMDA）框架，通过对稀疏自编码器（SAE）特征拟合闭式 Ridge 回归，将每条 SFT 样本的影响分解为特征激活（ΔX）与输出概率（ΔY）两条路径。
arXiv cs.AIAI 评分3232 Agent Skill 框架：中小型语言模型在工业环境中的潜力研究
一项大规模实证研究评估了 Agent Skill 范式在 270M–80B 开源模型上的可行性，覆盖保险理赔分类与 Python 编程两类任务。结果显示极小模型常无法检索或选择正确技能，而 30B–80B 模型从技能增强中获益显著。研究还给出面向部署的 GPU 显存时间占用（GB·min）画像，揭示技能增强收益随模型规模、任务复杂度与 GPU 预算的变化。
arXiv cs.CLAI 评分3737 多智能体交互记忆（MATM）：跨智能体轨迹共享与检索框架
研究者提出多智能体交互记忆（MATM）框架，让生产者智能体将轨迹贡献到共享仓库，消费者智能体检索复用，实现群体级经验存储与检索。在 ALFWorld 和 WebArena 长流程交互环境中，从 MATM 检索可提升下游任务表现并减少交互步数，且无需协调或联合训练。
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2424 GraphCompliance：通过策略-上下文图对齐实现结构感知的合规审查
GraphCompliance 是一个结构感知的合规审查框架，将监管文档表示为 schema 引导的 Policy Graph、上下文信息表示为实体-关系三元组的 Context Graph，并通过 Compliance Gate 对齐两图以识别相关监管要求并对照上下文证据评估。
arXiv cs.CLAI 评分3434 Preping：通过自我练习实现零任务智能体记忆构建
研究者提出 Preping，一个由 Proposer 引导的智能体记忆构建框架，让智能体在接触目标任务前仅靠自生成合成练习构建程序性记忆。
arXiv cs.AIAI 评分2727 从自产数据中泛化：超越人类约束的模型训练框架
该论文提出一种让 AI 模型通过与环境的直接交互自主生成并验证新知识的框架，核心是一个不可博弈的无界数值奖励（如磁盘占用空间或粉丝数），无需人类基准即可引导学习。AI 智能体迭代生成策略和可执行代码以最大化该指标，成功结果用于自我再训练和增量泛化，并通过 GRPO 支持微调以缓解模型崩溃和冷启动问题。系统采用模块化智能体完成环境分析、策略生成与代码合成。
arXiv cs.CLAI 评分3131 EmbodiedMidtrain：通过中训练弥合 VLM 与 VLA 之间的差距
研究者提出 EmbodiedMidtrain，通过中训练弥合 VLM 与 VLA 之间的数据分布差距。该方法用轻量可学习邻近度估计器从大规模 VLM 数据池中筛选与 VLA 最对齐的样本，构建 EmbodiedMidtrain-1M 数据集，在 VLA 微调前对 VLM 进行中训练。
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.CLAI 评分2222 面向跨模态与跨解剖部位的放射学报告评估：更对齐的 LLM 评判模型研究
研究系统评估了 LLM 作为放射学报告评判模型在多种成像模态和解剖部位上的表现，提出新指标 VERT，其与放射科医生判断的 Kendall 相关性较 GREEN 最高提升 26%。在现有指标中 GREEN 最稳健；对 Qwen3-30B 进行集成和轻量微调分别带来最高 9.9% 和 25% 的提升，后者延迟降低 37.2 倍。误差分析显示这些指标虽整体与专家评分相关，但易在遗漏类错误上计数失准。
arXiv cs.AIAI 评分2626 LIBERO-PeRM：个性化机器人操作基准发布
研究者推出 LIBERO-PeRM，一个用于具身智能体偏好学习的基准，基于 LIBERO 构建，覆盖运动、技能和用户画像三类可观察偏好，包含 5 个任务套件共 312 个任务。实验显示当前 VLA 策略难以零样本个性化，SFT 可让偏好变得可学习，混合训练在无偏好保持上优于顺序适配，但偏好泛化、分解与冲突处理仍是难点。