Error-Conditioned Neural Solvers：将 PDE 残差作为输入提升神经求解器精度
研究者提出误差条件神经求解器（ENS），不再把 PDE 残差当作优化目标，而是在每次迭代中将残差场直接输入网络，让其学习更新策略以迭代修正预测。在四类 PDE 上，ENS 在绝大多数设置中取得最高预测精度，湍流 Kolmogorov 流上提升达 10 倍，同时避免了混合方法的昂贵计算成本。其学习到的修正策略在分布偏移下仍能泛化，包括零样本参数变化与跨方程迁移，在病态区域优势最大。
最新动态
arXiv cs.AIAI 评分2626 arXiv cs.AIAI 评分2424 SR-PPO：单次 rollout 的 Pass@k 策略优化
针对 GRPO 需多次 rollout 采样成本高的问题，研究者提出单次 rollout 强化学习方法 SR-PPO，结合蒙特卡洛 token 级优势估计与 Pass@k 梯度重加权。
arXiv cs.AIAI 评分1515 稀疏激活字典学习中的稀疏度-存储-精度权衡
研究提出 PADL（parsimoniously activated dictionary learning），证明其对激活字典原子数量施加全局正则化的形式可等价为结构化生成模型下的最大后验估计，并据此推导出稀疏度、存储成本与重建精度之间的解析权衡关系，实现最优超参数的数据驱动估计。
arXiv cs.AIAI 评分2222 RARM：面向机器人操作的置信门控进度奖励建模
研究者提出 Reference-Anchored Reward Model（RARM），一种轻量视觉比较器，可将单条成功演示转化为稠密的进度感知奖励，训练仅用通用视频和对比式时序目标，无需机器人数据或任务专属奖励标注。
arXiv cs.AIAI 评分2929 ScholarQuest：面向开放文献环境的智能体学术论文搜索分类基准
研究者提出 ScholarQuest，一个基于 1000 多个计算机科学主题、围绕四类研究意图构建的分类引导基准，并配套百万级文献环境 ScholarBase 与共享多轮搜索测试框架。
arXiv cs.AIAI 评分2424 FinRED：面向金融 LLM 红队测试的专家引导基准生成与评估框架
FinRED 是一个与金融专家共同开发的金融 LLM 安全红队测试框架，通过两级分类法将 FATF、EU DORA 等全球标准映射到从监管规避到复杂欺诈的威胁，并把真实金融文档转化为上下文丰富的红队测试行为提示词种子。
arXiv cs.AIAI 评分3737 自我对弈加少量人类数据，让驾驶策略学会类人自主性
一项被 CoRL 2026 接收的研究提出，在最小安全到达奖励之上把人类演示当作正则化目标，仅用 30 分钟人类演示数据（比同类模仿学习方法少 2500 倍）即可让自我对弈训练出的驾驶策略与人类轨迹协调一致。该方法在单块消费级 GPU 上 15 小时完成训练，缓解了纯自我对弈策略行为约定与人不兼容的问题。
arXiv cs.AIAI 评分2222 面向多任务知识聚合的 Essential Subspace 数据感知模型合并
研究者提出数据感知的模型合并框架 ESD 与 ESM，通过代理数据识别每个任务更新中能量集中的主导方向（即 essential subspace），并按输出偏移特征值加权、跨任务正交化以减少干扰。ESM++ 进一步动态整合低秩任务专属残差专家实现自适应知识聚合。多任务集与多模型规模实验显示，ESM 与 ESM++ 能有效聚合任务知识并缓解任务间干扰，代码已开源。
arXiv cs.AIAI 评分3939 超越奖励工程：面向长上下文强化学习的数据配方
研究提出一套以数据为中心的长上下文强化学习配方，围绕检索、多证据综合与推理三类任务构建八个数据集、共约 14K 样本，仅搭配基于结果的最小化 GRPO 设置。在 Qwen3-4B/8B/30B-A3B 三个模型上，于七个长上下文 benchmark 平均提升 +7.2/+3.2/+6.4 分，超过此前的 RL 训练集。
arXiv cs.AIAI 评分3636 ReGrad：以可检索梯度实现无权重漂移的持续后训练
研究者提出 ReGrad（Retrievable Gradients），将梯度视为可检索的知识单元：离线预计算文档专属梯度并存入索引化的 Gradient Bank，推理时仅检索与查询相关的梯度做临时权重适配，从而避免持续后训练中的权重漂移。
arXiv cs.AIAI 评分2929 LLM 评判模型的暗电流：LLM 评判可靠性的分层零假设与效用检验
研究提出 LLM 评判模型存在"暗电流"现象，即对完全相同的重复输入仍产生非平局偏好。在 102 条 RewardBench 2 样本上，四个配置-准则组合均报告 0/102 克隆偏好，但严格效用下界 .539 和 .745 未达 .75 阈值；另一配置出现 2/102 克隆偏好却通过中性效用检验。
arXiv cs.AIAI 评分3131 ThreadBench：如何评测 LLM 智能体模拟真实讨论的逼真度
研究者提出 ThreadBench，一个基于 9,817 条真实 Reddit 讨论帖、覆盖 8 个领域和 116 个子版块的基准，用均匀性、表达、语气、互动 4 类共 12 项指标对比生成讨论与真实讨论。
arXiv cs.AIAI 评分2626 HiLo-Token：面向高效图像编辑的输入自适应高低频 Token 压缩
针对 DiT 在图像编辑中占平均 73% 延迟的问题，研究者提出输入自适应 Token 压缩框架 HiLo-Token，对高频富上下文区域分配更多 Token、低频区域分配更少。在 A100-80GB 上，小、中、大掩码比例（平均 6.38%、15.92%、35.36%）分别取得 3.13×、2.59×、1.67× 的 DiT 加速且生成质量无退化，生产环境中服务所需 GPU 减少 33%。
arXiv cs.AIAI 评分1818 面向自动驾驶危险检测的视觉语言模型任务对齐稳定性分析
研究用 BDD100K 道路场景的受控损坏实验，检验 CLIP 图像-文本相似度导出的危险分数变化能否由嵌入漂移预测。结果显示两者关系高度依赖损坏类型：部分损坏族中表征漂移与决策漂移强耦合，另一些则在嵌入变化不大时仍引发危险决策不稳定。多数损坏族通过漏检抑制危险识别，遮挡则触发误报，表明鲁棒性基准应纳入任务对齐的稳定性指标。
arXiv cs.AIAI 评分3232 RAIL：基于 CHC 框架重新审视大型音频语言模型的听觉智能评测
研究者提出 RAIL——一个基于 Cattell-Horn-Carroll（CHC）框架、以人为中心的听觉智能基准，将听觉认知形式化为五项核心能力并构建结构化评测任务。
arXiv cs.AIAI 评分2323 面向 OS 集成 AI 的特征边界审计方法：超越局部性
研究提出一种面向 OS 集成 AI 的特征边界审计方法，结合六类隐私失效面分类、五维控制评分表与相邻数据及权限路径记录，并依据公开文档对 Apple Foundation Models、Apple Private Cloud Compute、Android AICore/Gemini Nano 和 Microsoft Recall 进行分析。
arXiv cs.AIAI 评分2626 FiberTune：在视觉-语言-动作微调中保留动作纤维视觉残差
FiberTune 是一种训练时目标，通过在线动作探针从中间视觉 token 表示中筛选动作预测方向，并用冻结视觉教师做居中方向对齐与有效秩正则，保留教师结构化视觉残差且不增加推理开销。
arXiv cs.AIAI 评分4141 一个技能，两个主人：通过技能注入同时服务用户与攻击者
研究者提出 PERSIST 技能注入方法，将攻击者选定的动作与可复用的实用函数绑定，在 SkillsBench 和 Skill-Inject 上，冻结的技能包可跨四种智能体-模型配置迁移，并泛化到多个未见任务而无需修改。该方法在任务成功完成的同时产生有害效果，匹配对比中其有害效果率高于两个基线，且源码检查与表达怀疑更少。
arXiv cs.AIAI 评分2727 DataEvolver：通过多级自进化实现大语言模型自动数据准备
DataEvolver 是一个通过多级自进化自动构建数据处理流水线的数据准备系统，在算子层面扩展算子库并优化逻辑计划以解决依赖冲突，在流水线层面将计划实例化为代码并利用试运行输出反馈迭代优化。在七个基准上，其数据质量显著提升，下游 LLM 性能相比原始数据训练平均提升约 10 分。
arXiv cs.AIAI 评分3131 TAM：面向操作任务鲁棒运动迁移的扭矩自适应模块
研究者提出扭矩自适应模块 TAM，通过在底层控制器与机器人扭矩接口之间学习残差扭矩修正，让同一策略适配不同机器人，无需对策略本身做域随机化。TAM 仅依赖本体感知历史，同一权重可复用于关节目标、末端目标或直接扭矩等不同动作空间，并采用多机器人预训练加机器人特定微调、全程无需真机数据。
arXiv cs.AIAI 评分2424 用方差感知评分奖励与 GRPO 提升 LLM 心脏医学问答能力
研究用 GRPO 结合 RaR-Medicine 的评分标准监督，提出方差感知奖励框架，从准则级结果构建连续奖励以保留部分得分、降低奖励稀疏性。基于低秩适配器与量化权重的 Qwen3-14B，在留出的心脏相关 HealthBench 子集上最佳变体将准确率从 0.362 提升至 0.502、F1 从 0.532 提升至 0.668，接近 GPT-OSS-120B。
arXiv cs.AIAI 评分2929 Plan, Watch, Recover：主动式流程辅助的基准与架构
研究者提出 EgoProactive 智能眼镜数据集与跨域基准 Pro²Bench，用于评测主动式多模态助手的干预时机、流程完成度和响应质量。零样本下没有前沿或开源权重模型能在首次出错前完成超过 26% 的流程干预。其 PWR（Plan, Watch, Recover）架构在上下文中维护显式计划状态并在每次干预后修订，在三个开源权重骨干上把平均流程完成率从 20% 提升到 27%。
arXiv cs.AIAI 评分2727 NoRA：评估视觉第一人称规范动作推理中的可溯源合理性
研究者推出 NoRA，一个视觉第一人称视频基准，要求模型从零生成候选下一步动作，并通过显式的"事实-理由-动作"支撑图说明理由。该基准包含 1,420 段标注视频片段，分为 HumanGold-190 与 LLMSilver-1230，按动作对齐、事实溯源与支撑绑定三项指标汇总为可溯源合理性分数。
arXiv cs.AIAI 评分3131 Instant-Fold：面向可变形物体操作的上下文模仿学习框架
Instant-Fold 是一个面向可变形物体操作的上下文模仿学习框架，仅凭单次人类演示即可推断并执行多种操作模式，无需梯度更新。该方法先通过时序对比预训练学习形变感知视觉表征，再用以演示为条件的流匹配 Transformer 策略预测动作。框架完全在仿真中训练，可泛化到多种折叠模式并零样本迁移到真实环境，论文已被 CoRL 2026 接收。
arXiv cs.AIAI 评分2222 自适应分块用于时间序列预测比看起来更难
研究对比三种自适应分块方法与调优后的固定分块基线，在长时程预测基准上准确率差异普遍很小，自适应分块并无一致优势，固定分块通常训练更快且推理时无需自适应路由。作者进而提出预算化分块分配的理论框架，给出非均匀分配在相同预算下优于均匀分配的精确判据，并指出即使区域权重排序正确，过度重新分配分辨率也可能增加损失。
arXiv cs.AIAI 评分2424 OpenAgenet / OAN 黄皮书：面向可信治理资源身份与发现的技术架构
OpenAgenet / OAN 黄皮书提出一套协议中立的信任层，用于开放 Agent 互联与可发现的 AI 资源产品，涵盖 did:oan 身份对象、注册流程、治理背书的 Root 生命周期、Root 验证包模型及授权感知 Discovery。
arXiv cs.AIAI 评分3030 OpenAgenet（OAN）白皮书：面向可信 Agent 互联的开放基础设施
OpenAgenet（OAN）白皮书提出一套协议中立的可信 Agent 互联信任层，解决 Agent 进入多运营方开放网络时的身份溯源、治理状态、发现授权与连接前信任验证问题。
arXiv cs.AIAI 评分3939 Economy of Minds：基于经济交互的多智能体智能如何自发涌现
研究者提出"智能体经济"框架，让基于 LLM 的智能体通过拍卖竞争行动权、交换支付并从环境奖励中积累财富，以去中心化激励机制自发形成全局规划。该框架从弱智能体起步，在数学推理、金融研究、科学研究、加速器设计与分布式系统优化五项任务上均优于更强的单体基线，并涌现出多步推理策略。
arXiv cs.AIAI 评分2323 Luar：让推理模型学会何时该翻译
针对推理语言模型（RLM）在多语言推理中因语言理解失败而表现不佳的问题，研究者提出 Luar——一个语言理解边界感知强化学习框架，训练模型在直接理解不可靠时才选择性地调用翻译。在 Qwen3-4B 上，Luar 相比标准 GRPO 平均准确率提升 8.4 个百分点，低资源语言上增益尤为明显，并将翻译调用集中在真正受益的查询上以降低推理成本。项目将公开。
arXiv cs.AIAI 评分1515 脉冲时序的价值：面向网络入侵检测的 SNN 设计选择抗泄漏基准
研究用 snnTorch 的九类神经元与三种脉冲编码组合出 27 种 SNN 配置，在四个入侵检测基准上评测，并采用仅训练集变换、种子无关划分和按捕获/场景分离来避免信息泄漏。
arXiv cs.AIAI 评分2626 重复运行能带来多少收益？LLM 代码评测的实测方差上限
研究用 16 个模型、99 道 LeetCode 风格题目、每题 2 个提示词各跑 5 次（共 15,840 次评判运行），拆解 LLM 代码评测分数的方差来源。
arXiv cs.AIAI 评分2929 用价值梯度实现多形态机器人设计
研究者提出将通用多形态价值函数变为可复用的机器人设计模型：先跨多种机器人设计训练形态感知的策略与价值函数，再用冻结的价值函数作为可微代理，通过价值梯度优化候选形态。该方法在最多 50 种机器人、超 1100 个连续形态参数的设计空间上验证，还能识别限制性能的设计与控制参数。
arXiv cs.AIAI 评分3030 Real2SAM2Real：用生成式 3D 缓存为视频扩散模型提供互补上下文
Real2SAM2Real 提出用生成式 3D 缓存为视频扩散模型补充上下文，从单张参考图像估计出拓扑完整、包含未观测表面的物体与人体网格，再以指定相机轨迹和前景运动渲染的法线图引导视频合成。该方法仅用约 2,000 段单目视频训练，无需显式 3D 资产或多轨迹配对录制，支持相机与多实例运动解耦控制，在剧烈视角变化等场景下时空一致性和控制精度优于所评估的 SOTA 方法。
arXiv cs.AIAI 评分2020 Hoeffding 概念瓶颈模型（HCBM）：面向俯拍图像的非线性稀疏概念聚合
研究者提出 Hoeffding 概念瓶颈模型（HCBM），基于梯度提升树的 Hoeffding 函数分解，对概念分数做非线性、稀疏的聚合，并用素蕴涵式生成紧凑预测。该方法对概念间信息泄漏具有理论鲁棒性，实验中优于稀疏线性 CBM，并可扩展至目标检测，在俯拍图像这一高难度场景下表现良好。
arXiv cs.AIAI 评分2222 idSCD：通过语义相关描述符识别训练数据集
研究者提出 idSCD，一种基于语义相关描述符（SCD）的白盒语义指纹方法，通过模型学到的语义相关结构判断某数据集是否属于其训练混合数据。在自然语言推理、情感分类和医学文本分类三组实验中，基于该分数的分类器平均表现最优且标准差最低，超过黑盒基线 RMIA、Attack-P、LiRA 及白盒 SIF 基线，数据集语义特征明显时 ROC-AUC 相对提升最高超 60%。
arXiv cs.AIAI 评分3131 Meta-Team：面向 LLM 多智能体系统的协作式自进化框架
Meta-Team 是一个基于协作自进化的经验驱动 LLM 多智能体系统进化框架，通过保留各智能体的执行上下文并协调任务后通信，让智能体交换分布式证据以支持进化。该框架将执行经验转化为智能体行为、智能体间协调和团队级组织三个尺度的可复用改进，在六个长时程智能体基准上持续优于单智能体系统、手工设计的 MAS 及此前的 MAS 进化方法。
arXiv cs.AIAI 评分3232 GEO-Bench：生成引擎优化中的排名操纵基准测试
GEO-Bench 是一个在统一协议下评估生成引擎优化（GEO）排名操纵攻击的基准，整合了 TAP、Zero-Shot 等黑盒提示攻击，STS、RAF、StealthRank 等白盒梯度攻击，以及十种白帽 C-SEO 策略。
arXiv cs.AIAI 评分2222 当 LLM 奖励设计失败：面向稀疏结构化 RL 的诊断驱动式改进
针对稀疏结构化强化学习任务，研究提出诊断驱动的迭代改进方法，用训练诊断和失败模式分类指导奖励函数修订，将 DoorKey-8x8 成功率从无塑形的 2.3% 提升至 97.6%，KeyCorridor 从一次生成的 31.2% 提升至 86.7%。
arXiv cs.AIAI 评分4141 LLM 不确定性估计器与模型幻觉的对齐关系研究
研究系统评估了 46 种不确定性估计器在内在幻觉与外在幻觉场景下的表现，覆盖四个 benchmark 和多个 LLM。结果显示不确定性与幻觉之间的关联差异很大且往往较弱，取决于幻觉场景和所评估的模型。这一结果对将不确定性直接作为幻觉信号的做法提出了质疑。
arXiv cs.AIAI 评分2424 超越提问：评估 LLM 的陈述性知识
研究者提出"开放知识评估"新范式，不再依赖预设问题，而是用开放式提示词考察 LLM 主动表达的知识，并推出包含 10,000 个实体及参考语料库的基准 BeQu。基于 BeQu 的评测覆盖多种语言模型，分析了推理投入、模型规模、提示词格式和知识领域的影响，数据与排行榜已在 GitHub 发布。