跳到正文
#论文/研究
10月15日周四
  2. arXiv cs.AI29

    RoTA-Bench：通过交互式投影对齐评估 3D 空间推理

    研究者推出 RoTA-Bench，通过交互式 3D 到 2D 投影对齐评估视觉语言模型的 3D 空间推理能力，包含 674 个任务及 100 个分层测试任务。GPT-5.6-Sol 仅完成 17% 的任务，而 20 名本科生参与者以 100% 成功率集体完成测试集四次。在相同状态下，模型比人类更常出现轮廓重叠改善但姿态对齐变差的情况（19.4% vs. 10.9%）。

  3. arXiv cs.AI38

    LLM 智能体能否真正遗忘？AUBench 基准探索智能体机器遗忘

    研究者提出智能体遗忘问题，即需从 LLM 智能体的参数知识、持久记忆和工具调用三条信息通道中移除隐私信息，仅靠参数级遗忘并不足够。为此推出 Agent Unlearning Benchmark（AUBench），将 TOFU 的虚构作者设定扩展至带持久记忆、离线网页快照和工具可访问文档的智能体环境。评测显示模型级遗忘与系统级智能体遗忘之间存在明显差距。

  4. arXiv cs.AI31

    企业策略决策该用学习还是推理？27B 韩语企业模型上的对比研究

    研究固定一个 27B 韩语企业模型，比较策略决策用生成 JSON 还是单个受限 token、以及是否先推理。在 2800 条分布内样本上两条部署路径准确率无差异（93.46% vs 94.14%），但重启稳定性相差约十倍（动作翻转 3.00% vs 0.29%）。在 300 条由隐藏可执行策略标注的封存基准上，推理带来 +17.3 分的精确动作提升；关闭推理时两种接口格式差异为 0.0 分。

  5. arXiv cs.AI23

    论文指出 BBQ 偏见分数混淆可答性，提出 GCD 方向设计

    研究在 BBQ 基准上发现偏见分数混淆了模型偏好与是否作答，可答性通道在 99 种配置中有 17% 的情况贡献超过一半分数变化、11% 的情况贡献全部变化。作者提出 Gradient-Constrained Direction Design（GCD），在 Qwen-7B 协议下将作答率失真降低 14 倍、偏好改变扩大 4 倍，并建议在报告分数时同时披露可答性。

  7. arXiv cs.AI26

    MAS-Gate：用节点中心量化打通多智能体系统全生命周期

    MAS-Gate 将 LLM 多智能体系统的开发与运行统一为设计编排、运行时干预、事后归因三阶段生命周期，用节点中心量化贯穿其中。该方法把每次执行建模为有向无环图，结合节点内效用与节点间强度，分别用于 Orchestrator 训练的稠密奖励、Editor 的运行时前缀编辑，以及为 LLM 事后归因提供风险排序节点。

  8. arXiv cs.AI24

    OpenDepth：复用图像编辑先验实现鲁棒开放世界单目深度估计

    OpenDepth 是一个鲁棒开放世界单目深度估计框架，通过复用 Image-to-Image（I2I）模型的结构保持编辑先验，将开放世界深度估计建模为跨多风格图像的一致几何推理。该方法在 DiT 浅层特征对齐并引入联合 RGB 潜变量重建任务，以解耦环境风格干扰。在标准与极端天气基准上，OpenDepth 刷新了鲁棒零样本深度估计的 SOTA 记录。

  12. arXiv cs.AI40

    TacitVLA：无需推理延迟的推理型视觉-语言-动作模型

    TacitVLA 是一种推理型 VLA 模型，其动作专家不会关注当前调用生成的推理文本，因为推理监督本身已改善骨干表示，从而无需等待自回归解码。在 RoboMME、RMBench、LIBERO 和 PhysicalAI-AV 四个基准上，它以最高 3.4 倍更低延迟匹配显式推理版本性能，并以最高 +17.1% 成功率匹配无推理架构的延迟。

  13. arXiv cs.AI31

    REA：从正确的 LLM 判断到安全的决策交付

    研究提出 Resolve–Express–Act（REA）框架，追踪 LLM 判断从解析到回退再到应用动作的全过程，发现正确预测常出现在格式错误的输出中。解析安全判定可保留推理型安全护栏的准确率优势，接受格式变体则能挽回大部分被拒的正确预测。在 fail-open 回放中，匹配解析器与输出并修复格式后，尽管护栏判断正确却仍被放行的有害请求比例从 95.5% 降至 0%。

  14. arXiv cs.AI22

    基于 FPGA 的脉冲神经网络实现时空模式学习与分类

    研究者提出一种 FPGA 实现的多层脉冲神经网络（SNN），推理与训练均在同一硬件上完成，采用时间前向训练算法规避 BPTT 的内存与延迟开销。在 MNIST 及五个多元时间序列分类数据集上，全片上训练的 SNN 精度与使用 BPTT 训练的 SNN 或 LSTM 相当。相比 CPU 和 GPU 实现，该 FPGA 设计吞吐量提升 2.5 至 6 倍，每样本能耗低一个数量级。

  15. arXiv cs.AI58

    研究：大语言模型能拓展已有研究，但无法开辟新研究方向

    一项 arXiv 研究提出区分两种新颖性：距离衡量假设离已有工作多远，方向衡量是否进入已有研究之外的新线索。作者用预训练科学论文嵌入模型构建共享概念空间，嵌入六个自然科学领域、1325 个研究主题的 2690 万篇人类论文，以及 8 个模型生成的 524308 条假设，并提出正交新颖性分数（ONS）量化方向。

  17. arXiv cs.AI26

    能动性作为计算机科学的新组织抽象

    论文提出，能动性（agency）不只是基础模型的应用，而是计算机科学的一个候选新组织抽象：如同进程抽象围绕执行程序组织计算，能动性围绕在有限资源下追求目标组织计算。作者认为，已部署智能体系统反复出现的资源失控、被对抗性内容重定向、持续运行不透明等故障，是结构性抽象缺口的症状而非孤立工程缺陷，并从执行、接口、正确性、监督、协调与持久性六个维度分析了这些缺口。

  18. arXiv cs.AI22

    基于条件流匹配的扩散 MRI 通用视野扩展方法

    研究者提出一种流匹配生成模型，通过预测六个方向的表观扩散系数（ADC）来扩展扩散 MRI 的视野，并以最近两层已采集切片和全视野 T1w 图像为条件，兼顾局部扩散连续性与解剖一致性。模型在五个数据集共 3,103 名受试者（5,105 次扫描）上训练，在五个独立数据集 299 名受试者上评估，下游纤维束追踪的 bundle Dice 分数显著提升（p < 0.01）。

  20. arXiv cs.AI22

    EPOCH：面向 LLM 自动启发式设计的覆盖感知进化与经验偏好优化

    EPOCH 将实例覆盖作为进化搜索目标，并通过经验偏好优化让生成器内化反思，用于 LLM 自动启发式设计。它让父代选择、算子分配与停滞恢复都围绕启发式对训练实例的联合覆盖优化，从而返回互补的启发式集成；教师 LLM 提供自然语言洞见，改进结果进入 DPO 偏好对，并以反思式自蒸馏（RSD）项提升自主生成概率。

  22. arXiv cs.CL22

    Scenario-Actor：让 LLM 在生成前先读懂场景

    研究者提出 Scenario-Actor，一个可解释的温度选择框架，从 Transformer 隐藏状态中提取场景相关结构，用场景嵌入这一几何表示来决定解码温度。在 Llama-3.1-8B-Instruct 上，该方法在交互式社交场景目标完成、开放式指令跟随上取得显著提升，多轮对话表现与多个基线相当。

  23. arXiv cs.AI36

    LLM 智能体跨客户目标泄漏：KV cache 中的目标表征如何影响决策

    研究测试 OLMo-3-7B-Instruct 在双客户环境中共享对话记忆时的表现，模型在 22% 的合格决策中偏离当前客户目标。线性探针显示客户目标归属在中间层高度可恢复并集中于特定注意力头，消融竞争对手的缓存目标表征可将模型拉回当前客户，且效果强于随机头和非目标 token。

  24. arXiv cs.CL41

    CarryOn：为长程智能体构建面向对象的上下文

    研究者提出面向对象的上下文运行时 CarryOn，围绕可复用的任务对象而非产生这些进展的交互历史来组织长程智能体的续接上下文。它由续接载体、补充执行上下文和近期交互的实时尾部构成上下文视图，并在折叠时跨轮维护载体记录、仅依据绑定证据与环境检查修订受影响记录。

  25. arXiv cs.AI22

    面向演化上下文的预算化 KV-Cache 修复：Semantic-Unit Refresh

    针对语言模型智能体删除上下文后 KV 缓存仍受旧内容影响的问题，研究者提出预算化 KV-Cache 修复，即只重算保留后缀中用户指定比例的部分来恢复任务性能。其 Semantic-Unit Refresh（SUR）方法用低成本嵌入分数把预算分配给查询相关的文本区域，无需训练或额外 Transformer 前向。

  26. arXiv cs.CL34

    预训练真的让化学语言模型学会化学了吗？

    研究系统测试了一系列化学语言模型（CLM）在 64 个分子性质预测数据集上的表现，发现预训练带来的下游收益并不随规模增长，性能在梯度提升基线之下就饱和。只有基于传统理化描述符的监督预训练能稳定提升下游性能，部分预训练方式甚至让模型不如随机初始化编码器。模型虽能解析分子结构，但表现并不优于随机初始化模型，说明预训练至多学到类描述符性质与低层 token 统计，超出经典分子特征的化学知识出奇地少。

  29. arXiv cs.AI31

    超越成功对弈：诊断大语言模型中的对手建模能力

    研究者提出一个针对重复捉迷藏博弈的基准与诊断框架，用具有明确递归信念更新的算法对手，通过实时交互、固定历史评估和受控信息干预区分自适应对弈、动作预测与信念追踪。在 Qwen2.5-7B-Instruct 上，告知对手类型与参数设置可提升预测，但需从历史推断对手时准确率下降；GPT-5.4 同样受益于正确对手信念，而显式信念报告与自生成记忆未能稳定改善预测。

  31. arXiv cs.AI22

    小 LLM 如何在资源受限场景下实现可靠的 Text-to-SQL：迭代重试工作流

    一项基于 Spider 基准的研究评估了 1B-8B 参数开源小模型在受控推理预算下的 Text-to-SQL 能力，发现 SQL 专用模型在小规模下比通用和对话模型更可靠，且性能随提示词不同而大幅波动。为此研究者提出三种轻量推理工作流，在失败时自动用替代提示词或模型重试，并可选加入语法纠正步骤，显著提升端到端成功率，代价是额外的推理调用。

  32. arXiv cs.CL26

    SkillScreen：用决策模型高召回筛查恶意 Agent 技能

    SkillScreen 是一个紧凑决策模型，单次前向传播即可从 SKILL.md 直接为技能恶意性打分。在 MaliciousSkillBench 上，它对未见攻击家族实现 99% 召回，仅误报 20-25% 良性技能，明显少于词级分类器和提示词 LLM 评判。但面对陌生的良性来源，误报会急剧上升，说明识别新攻击并不等于能可靠筛查新的技能集合。

  35. arXiv cs.AI12

    面向韧性：6G-Edge-Continuum 中移动 IoMT 的切片驱动编排

    该论文提出一种基于资源切片的自适应编排框架，将 5G 网络切片、资源感知编排与移动感知任务卸载整合为单一系统，为 IoMT 服务分配独立 5G 网络切片并联合考虑 CPU 容量、内存可用量与存储量。基于 SimPy 的仿真显示，该方法提升了服务部署效率、降低了请求阻塞并提高了用户接受度。

  38. arXiv cs.AI18

    ReCoT：用标签引导的 CoT 优化做宣传检测推理

    ReCoT 是一个推理条件化的宣传检测框架，通过群体级细化和性能引导重采样捕捉说服性技巧的定义性线索，无需额外解释标注。在 INDI-PROPspan 上其 macro F1_LCS 达 0.364，Avg F1_LCS 达到 SFT 上界的 88%；在 PTC 上 Avg F1_LCS 达到 SFT 上界的 85%，同时保持可解释性。对推理池收敛与更新模式的分析显示其推理 CoT 得到有效细化。