现成语言-视觉编码器可预测视觉世界实验中的注视偏好
一项研究提出用现成的双模态 CLIP 双编码器预测视觉世界实验中的注视偏好，通过对该模型施加归因方法推导目标偏好，无需生成式架构、无需微调，尽管模型并未针对该任务训练。该方法能定性复现一项经典英语视觉世界研究中人类预测性加工的注视模式。
论文
论文
arXiv cs.CLAI 评分2020 arXiv cs.AIAI 评分2323 ScreenASR-Bench：带视觉上下文的语音识别分层基准
研究者推出 ScreenASR-Bench，一个面向带视觉上下文语音识别的分层基准，包含显式文本证据（ETE）、显式视觉证据（EVE）和隐式语义证据（ISE）三个递进难度层级。
arXiv cs.CLAI 评分2424 ANCHOR-RE：结合检索增强与错误驱动验证的智能体生物医学关系抽取框架
ANCHOR-RE 是一个无需任务特定微调的智能体生物医学关系抽取框架，融合检索示例、本体语义约束、外部生物医学知识与错误驱动验证。在 SemRepGS、DDI、ChemProt 上，其 micro-F1 较直接提示分别从 0.654 提升至 0.676、0.769 至 0.881、0.937 至 0.941，DDI 与 ChemProt 上超越此前仅推理方法。
arXiv cs.AIAI 评分2727 GUIDE：让 LLM 自学习跨多任务场景的群体引导能力
研究团队提出 GUIDE 框架，让 LLM 从任务特定专家引导的 432 场多方人类对话中自学习通用引导策略，在留出对话上以 61.4% 胜率超越三个任务特定专家引导者。实时在线实验显示，该自学习引导者保持引导效果与群体生产力，提升发言舒适度并减少人际摩擦，同时比专家提示词少用 24.7% 轮次和 29.0% 词数。
arXiv cs.CLAI 评分2222 IACM-RL：面向动态意图波动下复杂工具调用的意图感知上下文管理与强化学习
针对动态用户意图噪声导致工具调用中出现意图偏离和重复 API 循环的问题，研究者提出 IACM-RL 框架，包含合成多场景轨迹的 DynamicIntent 数据管线与五维诊断指标，并部署基于 BeliefState 的自生成上下文管理器，用结构化 stale flags 隔离被覆盖参数。
arXiv cs.AIAI 评分2424 OneShot：面向时间序列异常检测的标签高效检测器加权方法
针对时间序列异常检测缺乏通用检测器的问题，研究者提出 ONESHOT，用单个已确认异常为整个检测器池加权，而非从中挑选单一检测器。该方法在 152 个单变量和 73 个多变量序列上，性能超过最强单一检测器、全池平均，甚至超过在已确认事件上直接挑选最优检测器的做法。代码已开源。
arXiv cs.AIAI 评分2828 Choice2Seq：衡量模型在序列构建中正确性保留的基准
研究者提出诊断基准 Choice2Seq，用序列组合率（SCR）衡量模型在完整答案选择与逐步序列构建之间的正确性保留。Jev 在算术和词汇检索上选择准确率达 97.1% 和 99.5%，但在序列构建下仅保留 33.0% 和 2.1% 的正确选择，StartLux 和 Qwen 也存在明显差距。将局部选项限制为候选支持的字符可改善构建，显式位置索引可提升复制保真度。
arXiv cs.CLAI 评分2828 C⁴：在扩散语言模型中协同自适应采样与提前退出
研究者提出免训练框架 C⁴，将局部解码加速与自适应全局提前退出结合，在 LLaDA 上校准一次后即可迁移至全部 12 个零样本任务及 Dream。该框架使解码步数减少 64-95%，实测解码循环加速 2.6x-18.6x，任务性能接近完整解码。其中提前退出主要在短答案任务上节省计算，局部加速则在推理与代码生成任务上贡献更大。
arXiv cs.AIAI 评分3030 SLKR：面向零样本文本分类的标签中心知识检索框架
研究者提出 SLKR（Semantic Label Knowledge Retrieval），一种标签中心的检索增强生成框架，将离线知识构建与轻量在线推理分离：旗舰 LLM 离线为标签空间生成定义、检索关键词和易混淆标签对的边界规则，在线由轻量 LLM 单次调用完成分类。
arXiv cs.CLAI 评分3333 语言规则能否替代 LM 打分做提示词压缩？EMNLP 2026 论文提出纯 CPU 语言压缩器
EMNLP 2026 论文提出仅靠语言规则做提示词压缩，部署时无需 LM 前向计算，压缩全程在 CPU 侧完成。该方法通过离线进化搜索组合词汇、句法、语义和篇章规则，在短文本、多文档推理和对话记忆问答数据集上取得与近期先进提示词压缩策略相近的表现。性能在轻度至中度压缩下最强，压缩越激进越退化，且规则随压缩比升高从 token 剪枝转向句子抽取。
arXiv cs.AIAI 评分3131 ProCARE：通过 Profile 驱动的证据契约实现真实世界研究自动化
ProCARE 将真实世界研究（RWS）自动化重构为约束编译，把异构数据 Profile 转为 Evidence Contracts，并将研究目标编译为强类型中间表示 RWS-IR，再经确定性验证与局部修复检查生成的工作流。
arXiv cs.CLAI 评分3131 从 LLM 内部状态检测金融问答中的自信幻觉
研究在 FinQA 和 TAT-QA 上训练线性探针，从 Qwen3-8B、Llama-3.1-8B、Gemma-2-9B 的残差流内部激活中检测"自信幻觉"。
arXiv cs.AIAI 评分2222 TIDE/TIDES：移动固体交互下的交互式 4D 体积液体预测
研究者提出"交互式 4D 体积液体预测"任务，即根据固体在液体中的运动方式预测未来稠密 3D 液体速度场的时空演化，并给出两级循环预测框架 TIDE/TIDES：TIDE 隔离局部界面驱动的预测，TIDES 加入传输感知耦合与显式稳定化以降低累积误差。
arXiv cs.CLAI 评分3131 DeepRubric：用证据树评分标准监督高效强化学习深度研究智能体
DeepRubric 提出一种数据构建框架，先确定有证据支撑的报告应被评估什么，再反向合成对齐的 query–rubric 对，用证据树递归扩展子问题、以叶子节点作为可验证评估目标。
arXiv cs.CLAI 评分2323 HiMPO：面向长时程智能体的后见之明记忆策略优化，降低信用纠缠
研究者提出 HiMPO，一种后见之明记忆策略优化框架，在轨迹级强化学习之外为记忆写入单独分配信用：每次更新时固定其余写入前上下文，比较目标答案在旧、新记忆下的对数似然，并用基于组相对后见相关性的软门控加权局部效用优势。在 Local Wiki Search 上，其平均 F1 与精确匹配较 MemPO 分别提升 2.6 和 2.2 个百分点，同时保持压缩上下文效率。
arXiv cs.AIAI 评分3131 TIPER：通过任务完整性约束下的人格演化揭示 LLM 智能体的鲁棒性弱点
研究者提出 TIPER，一种保持任务完整性的人格演化方法，通过反思引导的行为变异和任务级 Pareto 选择，自动发现能暴露智能体鲁棒性弱点的用户策略。在四个交互式智能体基准上，TIPER 在全部 12 个 GPT-5.4 设置中降低留出 avg@3 分数 5.8 至 33.7 个百分点，在覆盖七个智能体的全部 28 个智能体-领域组合中观察到中位数 22.9 个百分点的下降。
arXiv cs.CLAI 评分3636 ProReviewer：面向科学同行评审的证据驱动调查智能体
ProReviewer 是一个证据驱动的评审智能体，将评审建模为马尔可夫决策过程，以结构化评审日志作为状态核心，每步依据已积累发现决定下一步检查内容与结束时机，并随新证据更新日志。在 1000 篇 ICLR 2026 留出论文上，训练后的 8B ProReviewer 平均得分超过所有对比方法，包括基于 397B 模型的方法；人类评估者在四个评审质量维度中的三个上更偏好其评审。
arXiv cs.AIAI 评分2424 Pollard：面向框架无关 AI 智能体控制与回放的受治理语义执行树
Pollard 是一个框架无关的运行时，基于受治理语义执行树，让执行、治理与回放共享同一步骤身份。严格回放可直接返回已验证的存储结果而不调用被包装操作，事务存储协调并发 worker 的预留。在签名确定性冻结下，两个状态模型副本执行评估转换均未违反不变量，严格回放避免了外部调用，所有语义变更均被检出且对照组无误报。
arXiv cs.CLAI 评分3939 更多文档反而伤害 RAG：用领域范围检索测量并缓解向量搜索稀释
研究发现 RAG 在大型异构文档集上会出现"向量搜索稀释"：语料从 54 篇增至 1,128 篇时，precision@10 下降 63%，答案所在文档的召回率下降 23%。
arXiv cs.AIAI 评分3636 LLM 智能体的 Phantom Merge：实体-证据绑定失败与修正框架
研究识别出 LLM 智能体中的 Phantom Merge（PM）现象：智能体将缺乏支撑的论断归因于其选定实体，即使任务已正确完成。
arXiv cs.CLAI 评分2323 让 LLM 按需调整文本复杂度：五款模型在 557 条科学查询上的表现评估
一项用户研究评估了五款不同家族、规模和推理能力的 LLM 能否沿复杂度连续体生成多个科学信息摘要，以支持用户直接操控文本。在 557 条科学查询上，模型虽能改变回答复杂度，但多数变化不一致，复杂度指标朝正确方向移动的比例最高仅 33.67%。
arXiv cs.AIAI 评分2424 大语言模型借助可微用户均衡层实现交通规划
研究提出一套人机协同交通规划框架，将大语言模型、MCP 接口、开源交通规划引擎 AequilibraE 与可微用户均衡（UE）分配层结合，让非专家用户以自然语言完成网络分析与方案优化。该可微 UE 层通过对 Beckmann 交通分配问题的 KKT 条件直接求导实现，并已在基于观测流量的行驶时间函数标定和预算约束下的网络设计两项任务中演示。
arXiv cs.CLAI 评分2727 Ouvia：面向真实沟通场景的语音翻译可用性评估框架
研究团队提出 Ouvia，一个以用户为中心、衡量真实场景语音翻译可用性的评估框架，通过定制 Web 应用收集了 1,750 余次英译葡一对一沟通交互，覆盖医疗与日常场景、四套 ST 系统、三种英语口音和两种性别。结果显示仅约一半交互被评为可用，且不同人群间可用性差距显著；在各类质量指标中，基于 QA 的评估对真实可用性的预测能力明显强于标准方法。
arXiv cs.AIAI 评分2323 模仿是进化关键：面向自适应智能体的局部修复与可验证技能获取
研究提出被动模仿（PI）架构循环，通过定位被违反的契约、提取局部目标、提出效果匹配技能并做小补丁测试，在全任务验证后保留证据。在十个模拟工具世界中，PI 用三次允许的小试验解决了全部 600 个冷启动留出组合任务，而整轨迹对照仅 6.17%。
arXiv cs.CLAI 评分3232 通过自动形式化实现鲁棒异步规划
研究将异步规划统一到一个框架下，并发布三个覆盖任务图规模、状态与资源约束及执行时事件的基准。在 AsyncPlan-XXL 上，PDDL2.1 平均规划准确率仅 30.8%，Planner 为 81.7%，CP-SAT Formalizer 达 94.0%；100 个动作时三者分别为 9.0%、44.5%、82.5%。
arXiv cs.CLAI 评分2727 ConRAG：面向多跳问答的共识驱动证据流框架
ConRAG 是一个共识驱动证据流框架，通过多视角共识排序筛选相关证据，并用槽位机制在依赖的推理步骤间传递中间信息，以提升 LLM 的多跳问答表现。在三个多跳 QA 基准上，ConRAG 在 Gemma-4-31B-it 上平均分超出最强基线 5.8 分，端到端运行时间和 token 消耗分别降低 75.9% 和 67.3%。
arXiv cs.CLAI 评分2727 推理监督反而有害：基于 TTCW 的长篇文学评论生成研究
研究构建了含 263,911 篇长篇故事、覆盖 14 个 TTCW 维度的数据集，测试推理轨迹能否提升结构化文学评论生成。在 Qwen3-4B、Qwen3-8B 和 Nemotron-8B 上，无轨迹监督的分数模仿保真度更高且报告生成近乎完整，而轨迹监督使完成率降至 85.9%–90.9%。失败分析显示 88.6% 的失败推理生成在轨迹内出现语义重复循环。
arXiv cs.AIAI 评分2222 SatPV-Field：构建区域光伏发电场提升超短期分布式太阳能预测
SatPV-Field 将分布式光伏测量数据转化为图像式区域发电场并建模其时空演化，结合卫星短波辐射与气象预报，为单站预测提供位置化指导。在 496 个分布式光伏系统（446 个源站、50 个留出目标站）实验中，该方法将站点级 MAE 较最佳单站时序基线降低约 10.0%，较基于图的区域预测方法降低 2.5%。
arXiv cs.CLAI 评分3333 LLM 数字人能否可靠近似人类调查结果？基于 LISS 面板的研究
研究基于 LISS 面板构建 LLM 数字人，用受访者背景变量和 2023 年前的调查历史预测其被留出的后续回答，覆盖四种 persona 架构、三个 LLM 和两项预测任务。数字人能改善与人类回答分布的对齐，尤其在稳定属性与价值观相关领域，但在个体预测上仍受限，且无法还原受访者的多变量结构。检索增强架构增益最明显，表现更多取决于人类回答结构而非模型选择。
arXiv cs.AIAI 评分4444 GUIDE：多智能体协作生成可信临床实践指南
研究团队开发了多智能体 copilot 系统 GUIDE，用于人机协作生成和更新临床实践指南。在 12 个 NICE 眼科数据集上，GUIDE 实现 88.85% 文献召回率、86.06% 证据确定性评级一致性和 91.67% 推荐意见一致率，平均每个数据集耗时 162.17 分钟，人工干预占 28.68%。
arXiv cs.AIAI 评分3232 激活引导的曲率分析：锐利方向为何让 CAA 失效
研究提出 steering Hessian，用于刻画模型行为损失对引导向量的二阶导数，其顶部特征向量即"锐利方向"，微小扰动即可引发大幅且依赖输入的行为波动。
arXiv cs.CLAI 评分2222 语言模型评估方法论面临哪些挑战：一项跨越四十年的综述
一项跨越四十年的范围综述梳理出评估方法论中 22 类反复出现的关切，并构建了分类体系。研究发现，部分关切在文献中已变得不再显眼，且许多关切未被机构检查清单明确覆盖。该工作为研究社区重新审视评估方法与开展领域级干预提供了目标。
arXiv cs.AIAI 评分4040 HACE：异构智能体协同进化框架，让专用基础模型与 LLM 智能体互相促进
研究者提出异构智能体协同进化框架 HACE，通过相互学习让专用基础模型与 LLM 智能体共同进化：智能体以 on-policy 强化自训练方式学习，并由当前专用模型的已验证性能增益引导，其探索又反过来指导专用模型的监督学习。HACE 还用进化搜索优化两者的交互机制，在推荐系统、蛋白质功能预测和晶体稳定性预测三个领域的主任务指标上均优于所评估的自改进方法。
arXiv cs.CLAI 评分4444 ContextWeaver：面向 LLM 智能体的选择性依赖结构化记忆构建
ContextWeaver 是一个面向 LLM 智能体的选择性依赖结构化记忆框架，将交互轨迹组织为推理步骤图，通过依赖构建与遍历、紧凑依赖摘要和轻量验证层为后续动作选取相关上下文。在五个软件工程与终端基准上，它以固定预算提升全部五项任务的解决率，并减少 13-18% 的智能体步数；在 SWE-Bench Pro 上将解决率从 66.5% 提升至 72.6%，三个模型骨干均有显著提升。
arXiv cs.CLAI 评分2121 面向多会话个性化工具调用的潜在偏好建模
研究者提出 Multi-Session Personalized Tool Calling（MPT）基准，包含 459 段多会话交互历史中的 4,695 个实例，覆盖偏好回忆、归纳与迁移三类挑战。同时提出测试时记忆方法 PRefine，将用户潜在偏好维护为文本假设，通过生成—验证—精炼循环迭代修正。在五个 LLM 上，PRefine 优于所有基线，并在偏好迁移任务上单独超过全历史提示。
arXiv cs.AIAI 评分5252 研究：说服优化如何加剧模型失配，以及如何缓解
arXiv 论文《Understanding and Reducing Misalignment in Persuasion Optimization》研究为说服能力做强化学习训练对模型对齐的影响。
arXiv cs.CLAI 评分3232 语言模型为何把未解的循环真值依赖误判为矛盾：Phantom Paradoxes 研究
研究发现语言模型并非难以处理自指本身，而是难以处理真值沿引用传播无法在有限步内确定的结构。在循环真值依赖但存在唯一一致赋值的问题上，来自三个家族的四个开源模型回答 INCONSISTENT 的比例比对应的无循环版本平均高 31.0 个百分点，比约束版本高 36.4 个百分点，比困惑度匹配的对照组高 37.1 个百分点。
arXiv cs.AIAI 评分2323 用 LLM 做跨协议人格评估：CEPA 框架让行为证据与人工评分对齐
针对异步视频面试（AVI）中不同面试协议问题集与题目-特质映射不一致、人工评分证据无法跨协议复用的问题，研究者提出 CEPA 框架，将源协议行为记录投影到目标协议的构念导向表示空间，并检索行为相关且人格互补的人工评分样例来支撑 LLM 评分器集成，无需目标协议监督。
arXiv cs.CLAI 评分3131 AdaptFuse：无需训练的序列偏好推断，通过外化贝叶斯计算实现
研究者提出 AdaptFuse，一个无需训练的框架，将概率计算从 LLM 中完全外化：符号模块维护离散假设集上的贝叶斯后验，冻结的 LLM 通过多样本 Dirichlet 聚合提供语义推理，两者经熵自适应融合按预测置信度自动加权。
arXiv cs.AIAI 评分2222 面向智能体 AI 的计算反思平衡：Rawls 式对齐治理框架
研究提出智能体反思平衡（ARE），一种嵌入 agent harness 的计算反思平衡框架，将系统提示词与运营方政策中的原则、审慎判断、工具证据和候选动作通过带类型的支持与攻击关系连接，并用溯源编码指令层级。
共 2000 篇论文