MemDuet：为长上下文推理学习双过程记忆
MemDuet 是一个双过程记忆框架，用小型语言模型做快速并行证据筛选（System 1），用大语言模型按文档顺序做记忆更新验证与重写（System 2），分三阶段训练。在 RULER-HQA、LongBench v2 和 2WikiMultiHopQA 上，其端到端推理速度较 RL-MemAgent 平均提升 9.74 倍，输出 token 减少 73.91%。
#数据/训练
arXiv cs.CLAI 评分2929 arXiv cs.AIAI 评分2424 LatentMoE：从专家几何到逐层容量分配的专家形状设计
LatentMoE 将专家计算移入低维空间，使专家的输入维度与中间宽度成为显式设计选项，并证明专家局部 Jacobian 秩受这两个维度共同约束，在固定单专家参数量下二者均衡可最大化秩上限。跨模型规模和路由粒度的形状扫描一致偏好近正方形专家；进一步用逐层内在维度（ID）指导深度方向的容量分配，在保持每层参数量、激活 FLOPs 和通信量不变的情况下，相比逐层同构基线取得更低验证损失和更强下游性能。
arXiv cs.AIAI 评分2222 从现有方法到新研究思路：递归自我改进的两个视角
一篇 arXiv 综述从两个视角梳理递归自我改进（RSI）研究：一是提出涵盖更新目标、更新组织、更新调度与范围、反馈与选择四组共九个设计维度的统一分类法，将现有方法置于同一设计空间；二是分析现有 RSI 方法如何借鉴优化、正则化、数据增强、持续学习与对抗学习等传统深度学习机制，并结合进化计算拓展新思路。文章还回顾了在线、离线及离线转在线三种设定下的自我改进评测基准。
arXiv cs.CLAI 评分2020 面向分布式连续隐式推理的流匹配原理分布蒸馏
研究者提出原理分布蒸馏（RDD），通过流匹配从多条文本推理路径中蒸馏，训练一个在定长隐序列上的条件流，并用 within-query mixup 在完整隐式推理之间插值以扩展蒸馏目标。该流非自回归地生成整段隐序列，再由冻结的语言模型自回归解码答案。实验显示，这一分布式推理器在答案覆盖率上优于所评估的点值隐式推理基线，在高等数学任务上尤为明显。
arXiv cs.CLAI 评分3939 OpenTWBench：面向大语言模型的台湾领域知识评测基准，以及测量装置如何影响得分
研究者发布 OpenTWBench 台湾领域知识评测套件，含 255,854 道四选一试题的 tw-exam-bench（覆盖 148 个学科、15 年台湾国家考试，剔除 2,180 道依赖图片的题目后使用 253,674 道）和 1,696 道难度分层的 tw-formosa-bench。
arXiv cs.AIAI 评分4141 在前沿 LLM 上迭代，在 SLM 上部署：一种智能体任务蒸馏方法
研究者提出先在前沿模型 GPT-5.4-nano 上用真实流量反馈迭代提示词、待行为收敛后再通过 SFT 将生产行为蒸馏进 SLM 的两步法。在家庭护理排班智能体案例中，基于 11.6k 条生产决策用 LoRA 微调的 Qwen3-8B 达到 0.913 一致率，而教师模型 GPT-5.4-nano 重跑自身记录提示词时自洽率仅 72.7%。
arXiv cs.AIAI 评分3232 执行后学习：用动作特定信用分配提升策略能力
研究提出"执行后学习"方法，将程序执行结果作为中间状态，为同一策略触发额外的学习交互，并用动作特定信用分别给初始动作和纠正动作分配信用。在 Image-to-TikZ 的 945 个留出样本上，单次调用渲染成功率达 92.70%，高于继续单阶段 GRPO 训练相同迭代次数后的 88.25%。该纠正能力依赖中间状态，无法通过继续单阶段训练复现，代码已开源。
arXiv cs.AIAI 评分2424 PsyMemBehav：面向社交媒体行为模拟的心理学启发与记忆锚定两级身份到行动推理
PsyMemBehav 通过两级身份到行动推理，将心理学启发的用户画像与检索记忆映射到平台行为，并基于 Reddit、Bluesky、Twitter 上 5,862 名真实用户的 5.57M 条行为构建了 PsyMemBehav-bench。
arXiv cs.CLAI 评分3131 更多方法，更好的智能体？智能体强化学习中自蒸馏的现实检验
一项研究在 ALFWorld、ScienceWorld、Search-QA 和 WebShop 上对比了十种代表性方法与 GRPO，覆盖三种模型规模，共 132 次训练、12,124.4 H800 GPU-hours。结果显示：各方法相对 GRPO 的提升范围有限，没有一种方法能在所有设置下稳定胜出；强劲的最终性能可能掩盖训练不稳定，额外训练成本也未必带来更好表现。
arXiv cs.AIAI 评分1515 ScienceBuddy-PV：面向泛血管介入研究的验证器治理递归改进协议
ScienceBuddy-PV 将 ScienceBuddy 的递归设计适配到泛血管介入研究，通过结构化证据账本、器械-血管本体、弃权契约和保留失败库实现。
arXiv cs.AIAI 评分2424 MontageFlow：物理有效的高保真 EEG 生成模型
MontageFlow 是一种流匹配模型，通过将输出限制在满足脑电通道间线性恒等关系的信号上，实现物理有效的 EEG 生成。该模型还以从整个 EEG 窗口编码的生理状态向量为条件，该向量在生成时从潜空间先验中采样。在 3 个大规模基准上，其 TS-FID 较最接近的对手提升 1.6-3.6 倍，同时保证有效性。
arXiv cs.CLAI 评分3030 Qwen-MT-Lumen 亮相 WMT2026：通过质量感知训练与同策略蒸馏实现指令专用翻译
阿里提交 WMT 2026 通用机器翻译共享任务的 Qwen-MT-Lumen，采用四阶段流水线：继续预训练与监督微调、将离线 M²PO 扩展为在线偏好优化、由更大教师模型向 Qwen3-14B 学生做同策略蒸馏，并以结构感知推理与选择性修复保证格式。
arXiv cs.AIAI 评分2222 HiPPT：通过多范围文本对齐的生理学基础可穿戴 PPG 表征学习
研究者提出 HiPPT，一个将每种监督来源匹配到合适证据范围的生理学基础框架，用于可穿戴 PPG 表征学习。该工作构建了包含 202K 用户、超 400 万条腕戴记录与波形形态及元数据上下文描述配对的 PPG-Text 语料，结合记录级形态对齐与跨记录上下文对齐，并引入波形引导文本建模。
arXiv cs.CLAI 评分2323 文言文能否作为中文 LLM 的高效推理语体？Wenyan Thinking 微调 Qwen3-4B-Thinking-2507
研究者提出 Wenyan Thinking，将中文推理模型的中间推理改写为文言文、仅保留简短直接答案，并在改写后的监督数据上微调 Qwen3-4B-Thinking-2507。在 MMLU-ProX-Lite-ZH、CEVAL 和 AGIEval-CN 的预算受限评测中，该方法显著缩短推理长度并降低缺答率；在主要基准上持续优于同等数据与配方训练的紧凑现代汉语对照组。
arXiv cs.AIAI 评分2929 AlignPoison：通过解码对齐前缀对生成式推荐模型实施条件定向投毒
研究发现生成式推荐模型存在条件定向投毒漏洞：在黑盒设定下注入不到 1% 的合成交互，即可显著提升触发条件下恶意目标的推荐概率。为此提出 AlignPoison 框架，从 API 输出中发现并采样上下文对齐前缀，在单模态与多模态基准上 ASR 提升最高达 16.3 个百分点。
arXiv cs.AIAI 评分3030 SAT-RL：用符号求解器训练语言模型进行逻辑推理
SAT-RL 是一个强化学习框架，通过多轮工具执行训练 LLM 与 Z3 等符号求解器交互，结合可验证合成数据、求解器增强轨迹的监督预热和工具感知奖励的求解器接地 RL。实验显示，SAT-RL 在域内和域外逻辑任务上均大幅提升了带工具符号推理能力，代码已开源。
arXiv cs.AIAI 评分4040 开放权重 LLM 的推理能效如何随基准、推理模式与硬件变化
研究直接测量了 86 个开放权重模型检查点在 7 个基准和 6 种硬件平台上的推理能耗，发现能力相近的模型能效差异巨大，多数配置比同等得分的最优配置多耗 2.6–4.8 倍能量，差距最高达 27 倍。开启思考模式平均增加约 3.7 倍能耗，且收益高度依赖模型家族与输出预算；FP8 可降低约四分之一能耗而得分几乎不变。生成 token 数并非能耗的可靠代理，会误判 18–24% 的模型配对。
arXiv cs.CLAI 评分2222 BANGLAPLAN：孟加拉语约束规划与决策基准
研究者发布 BANGLAPLAN，一个覆盖十类任务、共 1,000 道题的孟加拉语约束规划与决策基准，含可行与不可行问题及四种语言语域。评测 11 个开源与闭源模型配置显示差距悬殊：GPT-6.1 Sol 准确率 98.7%，Qwen3.5-27B 开启 thinking 达 80.3%，而直接作答配置最高仅 30.9%，11 个配置中有 7 个低于“全部不可行”基线。
arXiv cs.CLAI 评分2929 SYNC：无需训练，用共享词索引实现跨语言模型事实通信
研究者提出 SYNC（Symbol-Indexed Neural Communication），一种词索引接口，让异构语言模型无需微调或学习型翻译器即可通信：发送方从共享词表选词并发送索引，接收方用自身激活拟合的词方向将事实写入隐藏状态。
arXiv cs.CLAI 评分2929 Interlock：让长时程智能体从局部正确走向任务完成
针对长时程智能体"局部正确但任务不完整"的问题，研究者提出 Interlock 框架，将任务表示为带类型的完成图，并编译为可重置工作区、公开请求与评估标准。
arXiv cs.CLAI 评分2626 面向类型化决策模型的选择性推理：何时开始、读取与停止
研究团队在冻结的 Qwen3.5-4B 主干上训练共享候选答案读取器，将直接决策与按需、可中断推理统一起来，通过收益门控启动推理、自然状态触发显式读取、熵规则接受答案并取消生成。
arXiv cs.AIAI 评分3939 Echo：面向 LLM 训练与推理的误差补偿 4-Bit 张量并行通信
Echo 是一种用于 LLM 训练与推理的 4-bit all-reduce 方法，通过高精度求和并将每次量化注入的误差反馈到后续调用中，使累积误差与模型深度无关。
arXiv cs.CLAI 评分2727 DAGFormer：用全局拓扑预测规划 Transformer 跨层连接
DAGFormer 是一种由联合训练的拓扑预测器规划跨层连接的 Transformer 语言模型，可一次性规划整个模型的路由，而非逐层单独设置。在 75M 至 1B 参数的 OLMo-2 配对实验中，它将 WikiText-2 困惑度较原版 Transformer 降低 17% 至 25%，1B 版本用 5B token 训练即优于用 10B token 训练的原版模型。
arXiv cs.CLAI 评分2323 我们真的在测量遗忘吗？多模态 LLM 机器遗忘评估的陷阱
研究指出当前多模态大模型机器遗忘评估存在三大陷阱：缺少留出评估以区分概念级遗忘与实例级过拟合、依赖合成微调知识而非预训练获得的真实知识、对不同遗忘方法套用相同训练设置导致比较不公。
arXiv cs.CLAI 评分2020 PA1-OPD：面向语言模型预训练的一步前缀增强同策略蒸馏
PA1-OPD 在语料前缀知识蒸馏基础上，对每个选定前缀增加一次学生采样转移后的教师反馈，从而扩展监督状态并保留下一 token 预测。
arXiv cs.AIAI 评分2222 MOSAIC：面向视觉语言模型的 patch 级训练样本归因方法
MOSAIC（Multimodal Orthogonalized Sparse Autoencoders for Influence Characterization）通过共享稀疏图像-文本隐空间与 EK-FAC，将训练样本影响分解到具体文本短语和图像区域，实现 VLM 的 patch 级归因。
arXiv cs.CLAI 评分3131 INTACT：在冻结骨干模型上诱导潜在推理
INTACT 用小型外部编码器为冻结骨干模型诱导潜在推理，将隐藏状态迭代映射为潜在推理前缀，再由冻结模型输出文本推理与答案。在 1B 至 8B 的四个冻结骨干上，GSM8K 准确率从 75.8% 提升至 79.3%（Llama-3.2-3B）、从 77.6% 提升至 79.7%（Qwen2.5-3B），Llama-3.2-3B 端到端延迟降低 19%。
arXiv cs.CLAI 评分2222 基于死亡调查报告的证据锚定过量用药死亡预测
研究提出一套自动化框架，可从死亡调查报告中分类疑似过量用药死亡，并生成由专家知识引导的支持性解释。实验显示，采用基于输入报告证据的 pipeline 模型（先解释后预测）优于自解释模型，最佳模型比当前部署的规则系统高出 15%，同时保留专家介入最终决策的空间。
arXiv cs.AIAI 评分3636 扩散模型的校正训练（Correction Training）
针对扩散模型迭代采样中的误差累积与曝光偏差问题，研究者提出一种校正器：它以基础模型预测为输入、以同一真值为目标训练，在每步去噪中迭代精修干净样本预测，从而修正中间步骤的预测、避免早期伪影残留。
arXiv cs.CLAI 评分3232 表格数据上的类型化决策模型研究
研究在表格数据上对比四种类型化决策模型与三个 LLM，覆盖行分类、事实核查和异常检测任务。每个请求以原始形式及 21 种保持内容不变的改写形式发送，决策模型以更低成本达到与 LLM 相当的表现，其中三个对问题表述方式远为稳健。但所有模型对表格组织方式都不稳健，至少三分之一的决策会因表格或问题的某种改写而改变，低概率决策最易变化。
arXiv cs.AIAI 评分3939 ClawLoop：通过 Harness 原生训练循环实现自我改进的智能体
ClawLoop 是一个无需外部教师模型、仅依赖极少先验的自我改进框架，将任务合成、训练与诊断反馈组成自循环。以 Qwen3.6-27B 作为循环模型，ClawLoop 在 SkillsBench、Claw-Eval-Live 和 ClawGym-Bench 上取得持续提升，迭代优化的任务还可迁移至 Qwen3.5-4B 和 9B 模型并在所有基准上获得增益。
arXiv cs.AIAI 评分4747 智能体数据科学中的沉默失败：现有评测为何掩盖了方法论缺陷
研究指出，现有智能体数据科学（agentic DS）评测只看下游预测性能和代码正确性，掩盖了数据泄漏、验证不当等方法论失败。作者在 220 个数据科学任务上分析了常见智能体框架和模型的失败模式，并构建了可复用测试套件，针对六类特定失败进行受控测试。
arXiv cs.CLAI 评分2727 One Block Ahead：让扩散语言模型并行解码下一个 block
针对块扩散语言模型仍按严格顺序去噪 block 的问题，研究者提出免训练解码算法 One Block Ahead（OBA），在去噪当前 block 的同时并行去噪下一个 block，并将下一 block 的 token 与对应的采样器状态（含自条件信号和去噪时间）一同提升。
arXiv cs.CLAI 评分2424 基于篇章解析的结构保持文档级数据增强
研究者提出一种基于 LLM 与文档级篇章结构解析的结构保持数据增强框架，通过识别句对间的修辞关系并抽取关键短语，在保持原有篇章结构的前提下替换为语义连贯但主题偏移的内容。在文本摘要和问答任务上，增强数据提供了互补监督并提升了混合数据训练效果，与标准 RST 解析器的对比及消融实验进一步支持该篇章表示。论文已被 PACLIC 2026 接收。
arXiv cs.CLAI 评分1818 AgriJev：基于多尺度适配模型的高效农业候选评分
研究团队推出 AgriJev，基于 Qwen3.5 适配的 0.8B、2B、4B、9B 系列模型，通过单次前向调用对农业文本、判断问题和候选定义返回评分与相对概率。
arXiv cs.CLAI 评分3131 原生多模态预训练中视觉内容作为可扩展锚点：arXiv 研究揭示视觉信号如何影响扩展行为
一项 arXiv 研究通过受控视觉内容消融实验发现，在原生多模态预训练中保留视觉内容可改善图文样本的文本预测，且多模态损失收益随计算量近似呈幂律增长。视觉内容还能提升纯文本描述的空间推理能力，在定位、导航和符号规划任务上增益最持续，同时不改变最优模型规模与数据配比，也不损害纯文本损失和聚合语言分数。
arXiv cs.CLAI 评分2323 LLM 如何理解法哲学？LePhilBench 诊断大语言模型的法哲学推理能力
研究者提出 LePhilBench，用于评估 LLM 的法哲学推理能力，包含两项基准任务与一个数据集。其测试集收录 220 份美国最高法院判决意见，由法学教授设计 14 个法哲学标注问题，3 名受过法学训练的标注者完成全部标注，共产生 9,240 个法哲学标签。
arXiv cs.CLAI 评分2626 ForkGRPO：面向扩散语言模型的高效探索与细粒度信用分配
针对扩散语言模型（dLLM）强化学习中的探索不足与信用分配粗糙问题，研究者提出 ForkGRPO 框架，从参考轨迹的高熵中间状态采样多条续写并复用共享前缀，结合组内相对优势与蒙特卡洛状态价值差实现段级信用分配。
arXiv cs.CLAI 评分2626 KoAGE：大语言模型能否识别、学习并创造韩语新词？
研究团队推出 NeoTrace 框架与 KoAGE 基准，用于评估大语言模型对韩语新词的掌握。该基准含 4,271 条新词条目，覆盖三项习得任务与两项生成任务，其中生成任务首次在原始语境下对比模型造词与真实新词。在 21 个模型上，词汇记忆与语境推断出现分化：五模型时序分析中，模型仅能定义 13-30% 的截止年份新词，却可从单次用法推断含义。
arXiv cs.CLAI 评分3333 ELARSpeech：覆盖 675 种低资源语言的 3 万小时多语言语音数据集
研究者发布 ELARSpeech，一个从濒危语言档案库整理的大规模多语言语音资源，包含 675 种低资源语言、共 30,202 小时语音，融合人工标注与无标注录音。实验显示该数据集可将 ASR 和 TTS 能力扩展至多种低资源语言，伪标注无标注数据还能带来额外提升，但语音表征分析也暴露出当前多语言模型向语言长尾迁移的局限。数据集、训练好的 ASR 与 TTS 模型及完整数据构建流程均已公开。