PrismaCoder：用分解式评分标准合成数据推进开源多模态代码智能
论文提出 PrismaForge 分层数据流水线，以合成的评分标准把程序正确性、构建质量和渲染后的视觉正确性拆解为可检查的准则，同一套评分标准既用于筛选监督语料，也用于驱动视觉编码任务的强化学习。
#数据/训练
arXiv cs.CLAI 评分6262 arXiv cs.CLAI 评分2424 VASPO：用特权价值估计实现自蒸馏的策略优化方法
VASPO 将特权自蒸馏信号与 PPO 结合，由 critic 基于预测的续写回报计算 token 级优势，自教师则通过有界概率比对选定的正优势进行调制。在六个数学推理基准上，VASPO 在 Qwen3-4B 和 OLMo3-7B 上平均准确率分别较 PPO 提升 2.59 和 1.81 个百分点，并在 Knights and Knaves 上取得所评估方法中的最高平均准确率。代码已开源。
arXiv cs.CLAI 评分2727 多语言模型偏见审计研究：更低的偏见分数不等于更公平的模型
一项针对 10 个开源模型、8 种语言的偏见审计研究发现，全部 70 个模型-语言组合的刻板印象分数均低于英语水平，但这一下降主要来自测试项本身的变化而非模型更公平。翻译后的测试项与英语原项的分数相关性仅 0.23（忠实翻译为 0.27），远低于改写英语项的 0.48，说明平均分无法区分偏见降低与分数模式改变。研究还记录了三种会静默抹除偏见信号的常见流程错误，并开源了代码。
arXiv cs.CLAI 评分4040 AdaRSI：面向具身智能体的按需递归自我改进框架
针对预训练 VLA 模型在未见长程任务中中途失败的问题，研究者提出按需递归自我改进框架 AdaRSI，先由编码智能体改进技能与执行框架，再通过从保存状态重试失败子步骤来归因，仅微调仍不可靠的子步骤。
arXiv cs.CLAI 评分2727 semCER：面向 OCR 的严重度加权字符错误率
研究提出 semCER，在保留 CER 对齐方式与分母的基础上，由 LLM 评判为每个字素编辑赋予严重度权重，且无需分词。在英语、越南语和中文中，其评分逐条编辑地贴合读者评分，并能将读者认为最严重的编辑排在排序列表前列；在 CER 与 semCER 分歧的样本对上，英语和中文读者更常支持 semCER。研究还发布了 6100 万条已评判编辑、聚合读者评分及蒸馏评分器。
arXiv cs.CLAI 评分3131 COUNT：用 n-gram 计数在主机内存上扩展并实现免训练适配
研究者提出 COUNT（Counting Offline Unlocks N-gram Transformers），通过把预计算的 n-gram 计数存在主机内存、不新增可学习参数来构建 n-gram 嵌入。
arXiv cs.CLAI 评分2222 南亚多语言场景下 RAG 模型问答性能分析
一项研究分析了 RAG 模型在南亚多语言问答任务中的表现，探讨检索增强生成相比无上下文与有上下文回答能否提升正确率，以及 RAG 对文化类与非文化类问题的增益差异。研究还考察了 RAG 对热门与冷门文化问题的不同影响，旨在提炼高性能因素以指导优化混合 RAG 系统的设计。
arXiv cs.AIAI 评分2424 AlphaRLM：让语言模型从文献出发发现符号化因子
AlphaRLM 是一个强化学习框架，训练 LLM 直接从金融文献构建可执行的符号化因子，无需输入因子表达式。它通过文献引导的算子组装（LEGO）提供语义先验，并用可执行有效性与分组收益分离奖励对齐市场反馈。在 CSI 300、CSI 1000 和 S&P 500 上，其年化超额收益优于强因子挖掘与 LLM 基线，8B 模型展现出较强的跨市场表现。
arXiv cs.CLAI 评分3434 从不可靠到可用：LLM 实体抽取的失败模式与置信信号分解——来自网络威胁情报的证据
一项预注册冻结评测用 DeepSeek-V4-Flash、GLM-5.3-Flash 和 GPT-6.1-Sol 在 354 个事件活动语料上抽取实体，micro 精度仅 0.03-0.34，旗舰层级也未缩小差距。
arXiv cs.AIAI 评分3434 MCPDisCo：面向 MCP 原生智能体的跷跷板缓解微调框架
MCPDisCo 是一个面向 MCP 原生智能体的生态级强化学习框架，基于 Thought-MDP 在 70 个 MCP 服务器、527 个工具的真实长程交互上训练。它针对推理与工具使用相互拖累的"跷跷板"失效模式，结合 token 掩码奖励归因与双向梯度手术进行缓解，以更少 CoT token 取得更高成功率。在 MCP-Atlas 与 GAIA 上保持单调增益，模型权重与实现已开放。
arXiv cs.CLAI 评分2222 从分诊到影响：面向可解释波斯语仇恨言论的多跳推理基准
研究者推出一个细粒度多跳基准，用于可解释的波斯语仇恨言论分析，覆盖内容分诊、目标识别、仇恨策略与道德基础分析、文本证据抽取、有害叙事推断和严重程度评估。评测显示，任务越依赖细粒度语义与推理，主流 LLM 表现越差；闭源模型整体优于开放权重模型，推理型模型并无稳定优势。引入中间推理步骤相比一次性评估能显著提升严重程度预测，基准已公开。
arXiv cs.AIAI 评分4141 语言模型倾向的分布外泛化如何预测：一项基于交叉诱导矩阵的研究
研究用系统提示、few-shot、SFT 和 GRPO 等手段提升模型的特定倾向，再通过交叉诱导矩阵测量其向其他倾向的溢出效应。结果显示，同一诱导技术下不同模型的溢出高度相关，但 SFT 与 GRPO 产生不同的溢出模式，且良性倾向的诱导有时会泛化出不良倾向，例如被训练自称有感知的模型往往变得更追求权力。研究还发现溢出部分类似人类的特质相关性，并用 EFA 识别出三个特质聚类，可解释约一半方差。
arXiv cs.CLAI 评分2424 Anuvani-Diarization：覆盖 22 种语言的零样本说话人分离与标注规范研究
研究团队在 IndicDiarBench 上系统评测了印度 22 种表列语言的说话人分离，并提出 Anuvani-Diarization，将自监督端到端分割模型通过不确定性感知的 silver 监督适配到印度对话场景。
arXiv cs.AIAI 评分3636 WorkBorne：从真实工件转换中发现智能体任务
WorkBorne 是一个以工件转换为建模核心的智能体任务合成框架，通过迭代网络检索构建工件语料库并发现非平凡转换，最终实例化为真实任务。该框架构建了 1,061 个工件语料库和 7,882 个任务环境，产出 15,485 条高质量轨迹，其中 53.6% 超过 30 轮助手对话。
arXiv cs.AIAI 评分2222 通过上下文建模弥合模型预测任务采样中的风险近似差距
研究将模型预测任务采样（MPTS）中的风险预测重构为上下文序列建模问题，以解决风险预测模型（RPM）因优化历史稀疏和风险近似滞后一步导致的两个失效模式。新方法结合一步前瞻机制与时间加权滑动窗口，无需额外 rollout 即可缓解数据非平稳与稀缺问题。在鲁棒 Meta-RL、域随机化（DR）及 LLM 提示课程 RL 后训练中，该方法给出更可靠的难度估计并取得一致的性能提升。
arXiv cs.CLAI 评分1212 面向低资源 Saraiki 的神经 POS 标注
研究者构建了首个手工标注的 Saraiki 通用 POS 标注数据集，从纯文本标注 17 个 POS 类别，并在相同微调设置下评测 XLM-RoBERTa base、Urdu RoBERTa small 和 multilingual DistilBERT 三种预训练 Transformer 编码器。
arXiv cs.AIAI 评分2626 MARL-BattleGrounds：面向异构竞争多智能体 RL 的 JAX 原生基准
MARL-BattleGrounds（MARL-BGs）是一个 JAX 原生基准，面向异构、竞争性多智能体强化学习，填补 SMAX 类简单基准与 Dota 2 类昂贵环境之间的空白。
arXiv cs.AIAI 评分2424 TQG-Exp：用轨迹质量引导 LLM 智能体的经验学习
针对现有经验学习方法只看最终任务结果、忽略执行过程的问题，研究者提出轨迹质量引导的经验学习框架 TQG-Exp，通过轨迹质量损失（TQL）同时考虑任务完成度与过程质量，并结合有无检索经验的配对 rollout 优化经验、估计其效用。
arXiv cs.CLAI 评分2929 Anuvani-LID：面向印度语言的稳健且校准的语音语种识别模型
Anuvani-LID 是一个 115M 参数的专用 LID conformer 模型，在 54,643 小时印度语音（覆盖 22 种印度语言及印度口音英语）上训练，在 37 项条件下平均 macro-F1 达 0.914，比 Gemini 3.5 Flash 高 5.2 分。
arXiv cs.AIAI 评分2222 WeatherBridge：面向预训练天气预报模型的预报感知多源输入适配
WeatherBridge 是一种源条件适配器，可将 GFS、HRES、CMA 等业务 NWP 初始场映射为 ERA5 参考态，且不更新预训练预报模型。它用 Swin-UNet 预测结构化残差修正并在多空间尺度注入源嵌入，训练目标结合纬度加权 ERA5 重建与 One-step Rollout Alignment（通过冻结的 FuXi 反传一步预报误差）。
arXiv cs.CLAI 评分2222 AFFIRM：用冻结仿射场修复文本更新后的语音访问
研究提出 AFFIRM（Affine Fields for Interface Repair across Modalities），在知识检查点保持冻结的前提下，用可拆卸算子一次前向修复仅语音访问。
arXiv cs.CLAI 评分2424 多语言 MoE 如何随语言覆盖改变容量与算力分配
研究提出一种考虑重复的联合缩放定律，关联激活参数量、每语言训练 token 数、专家数量与语言覆盖，基于 64 个预训练配置的 26,300 条单语言 loss 观测拟合，在留出配置上预测误差比最强基线降低 28%。
arXiv cs.AIAI 评分2222 递归自我改进的预注册创世记账：物理发现运行时中首批经审计的算子创世事件
研究者提出预注册的双层记账体系 M1/M2，用于区分机器生成内容与机器自创机制，并报告了首批经审计的 M2 创世事件。主事件中，深度受限的组合搜索在 NIST 氢原子 Balmer 测量上生成算子 sq(inv(n)) = 1/n^2，留出集 R^2 达 1.0000000，而最佳标准变换为 -0.546；外推至未见能级（n=8,9）相对误差约 10^-6。
arXiv cs.CLAI 评分2929 通过推理引导翻译扩展多语言安全与推理评估
研究提出推理引导翻译框架，用于构建多语言评估基准，将翻译策略选择与大规模生成分离，结合任务感知验证、定向修复和独立质量筛查。基于该框架构建了覆盖 11 种语言、7 个安全/对话/数学推理资源的源对齐评估集，需修复的两个子集达到 99.94% 的条目-语言对覆盖率。对开源 LLM 的评估显示明显的语言相关漏洞，包括拒绝行为不一致和低资源语言推理能力大幅下降。
arXiv cs.CLAI 评分2525 HICO-Bench：什么让社交智能体的交互真正有效？从配对世界中的可验证结果学习
研究者提出 HICO-Bench，包含 180 个日常协调场景，两个持有私有信息的智能体对话后各自记录商定计划，由程序检查 Feasibility、LLM 评判 Integrity，两者同时通过才算 Verified Success。
arXiv cs.AIAI 评分2222 CESNET-TimeSeries26：面向年度季节性、概念漂移与长期异常检测的多年网络流量时间序列数据集
CESNET 发布 CESNET-TimeSeries26 网络流量时间序列数据集，包含 CESNET3 网络 995 天连续流量数据及一个约 4.5 年的子网数据，覆盖 278,466 个 IP 地址、285 家机构和 566 个机构子网，提供三种聚合间隔。
arXiv cs.CLAI 评分2727 TreeSpark：为投机解码学习起草待验证的树
TreeSpark 是一个统一训练与推理框架，扩展半自回归 DSpark 架构，通过一次主干前向构建父条件候选树，并在训练中重放其扩展、剪枝与预算打包。在 Qwen3-4B 与 Qwen3-8B 上，九个通用基准和六个写作领域的平均接受长度较 DSpark 提升 23.4% 至 31.6%，单请求吞吐提升 15.1% 至 25.0%。
arXiv cs.AIAI 评分2020 GREAT-ESDD：用图边注意力网络实现有效引导的配送决策
研究者提出 GREAT-ESDD 动态定价与路由框架，基于 Graph-Edge-Attention-Network（GREAT）训练 CVRP 神经求解器，可批量并行处理并重优化部分执行的路线，为上门与 OOH 两种配送选项估算成本增量以动态定价。
arXiv cs.CLAI 评分2222 Gap Detection：通过需求与可防御性缓解语言模型同质化
研究者提出 Gap Detection 框架，在共享文本嵌入空间中搜索相关但未被占据的方向，其 GapScore 目标结合查询相关性（Demand）与对最近已有内容的差异性（Defensibility）。
arXiv cs.AIAI 评分3232 LYNX：通过接地与闭环精炼实现分析程序合成
LYNX 是一个多智能体框架，将 LLM 驱动的数据分析建模为受 schema 和知识约束的分析问题，通过规划、生成、验证、精炼的闭环工作流协同保证语义一致与执行正确。
arXiv cs.AIAI 评分4040 ProgAgent：通过程序化训练学习工具编排
ProgAgent 是一套完整的 Programmatic Tool Calling（PTC）训练方案，包含可验证长程任务合成流水线、轻量级 PTC 运行时和两阶段训练配方。
arXiv cs.CLAI 评分2222 多语言 BabyLM 预训练研究：语言暴露的分布与顺序如何影响性能
研究考察了英语、荷兰语和中文在有限数据多语言预训练中的暴露分布与顺序，发现混合训练在全部 15 组匹配配置中均优于课程学习，同时多语言暴露比分阶段暴露更有效。语言主导的混合训练配置得分可高于均衡配置，其中荷兰语主导配置整体表现最佳。
arXiv cs.CLAI 评分2424 AFCS：面向事实知识预训练的原子事实条件合成
AFCS 是一种先抽取源文档原子事实、再以每条事实驱动生成的合成数据流水线，结合结构感知抽取、源依据验证、局部上下文扩展与多格式生成。
arXiv cs.AIAI 评分2222 模块化金融强化学习信用分配的等信息评估框架
研究提出一种结合等信息重构控制、固定效用比较和预设下游护栏的评估框架，用于检验模块化金融强化学习中的信用分配。三项对照实验发现：基于残差的分配在披露接口下被普通损失预算控制精确复现；直接缺口监督提升了组件预测却未能保持解码结果；组件级 critic 监督在固定效用下恶化了风险条件确定性等价与回撤。
arXiv cs.CLAI 评分2020 FACES：面向多模态情感支持对话的细粒度门控语义对齐框架
FACES 是一个面向多模态情感支持对话（MESC）的细粒度门控语义对齐框架，通过整合多源奖励构建多维语义与功能对齐信号，并采用非补偿性门控融合机制减少跨维度奖励抵消，同时利用结构化 CoT 锚点进行 token 级信用分配。
arXiv cs.CLAI 评分2222 从内在维度选择注意力头数量：一项小规模研究
一项小规模研究提出用无标签估计 token 表示的内在维度来预设 Transformer 注意力头数：在 WikiText-2 的 DistilBERT 嵌入上训练嵌套 dropout VAE，取 rate-distortion 曲线拐点处的 KL 权重，得到 k*=9.2（95% CI [8.6, 9.8]）。
arXiv cs.CLAI 评分2626 AtomSearch：基于证据的树搜索优化智能体技能
AtomSearch 通过对比式原子编辑与技能状态树搜索（STS）优化智能体技能，在四个任务和五个目标模型上完成评测。使用 deepseek-v4-flash 时，它在四个任务中的三个上超过 SkillOpt，其中 LiveMathematicianBench 提升 9.68 个百分点，且 SkillOpt 最终技能字符数是其 2.3-19.7 倍。
arXiv cs.AIAI 评分2424 DSABench：面向多数据库智能体的数据源发现、协调与执行基准
DSABench 用于联合评估多数据库智能体的数据源发现、协调与执行能力，包含 815 个经人工审核的任务，其中 618 个需多个数据库共同参与，105 个存在多种数据源解读。
arXiv cs.AIAI 评分2424 PIDiff：面向蛋白质界面设计的离散与 SE(3) 联合扩散框架
研究者提出 PIDiff，一个物理化学增强的多模态扩散框架，通过在离散序列空间与连续 SE(3) 结构流形上联合扩散，实现靶标条件化的蛋白质序列与结构设计。其核心 PIFormer 架构交替使用几何感知的不变点注意力与全局序列自注意力，并构建了基于 PDB 的蛋白质复合物数据集 PIBench，经预训练后微调用于 minibinder 与抗体设计。
arXiv cs.AIAI 评分2121 AcrossVAM2.0：面向参数高效视频扩散适配的冲突感知点监督
AcrossVAM2.0 在 5.01B 参数的文本到视频扩散 Transformer 上，用置信度加权轨迹与可见性头、零初始化残差反馈和非对称 PCGrad，在共享 LoRA 参数上只移除与主 flow-matching 梯度冲突的辅助分量。