CF-AVSS：面向真实世界 AVSE 挑战赛的由粗到细音视频语音分离框架
CF-AVSS 是一个由粗到细的两阶段音视频语音分离框架，第一阶段用扩展至双同步视觉流的 SPAV-TFGridNet 生成视觉排序的粗估计，第二阶段用基于 TFGridNet 的目标说话人细化网络结合原始混合信号进一步提升质量，最后经开发集校准的融合输出。
论文
论文
arXiv cs.AIAI 评分2020 arXiv cs.CLAI 评分4545 NeoHorse-1：通过带路由 Harness 的智能体后训练迈向递归自我改进
NeoHorse-1 是面向递归自我改进的智能体原生模型系列，通过异构模型池与智能路由，将每轮交互记录转化为保留推理、工具调用与 harness 上下文的训练样本。
arXiv cs.CLAI 评分3434 RefactorPlatform：用于仓库级重构智能体受控评估的开源测试框架
RefactorPlatform 是一个开源评估框架，通过固定环境、显式变化模型骨干（OpenRouter 与 GitHub Copilot CLI）、执行模式（基线、检索增强、多智能体）和提示词具体度，对仓库级重构智能体进行受控评估。
arXiv cs.AIAI 评分2222 基于概念的模型中部分干预的有害性与良性泄漏研究
研究发现，概念监督不完整会加剧概念干预对下游预测的损害，且现有充分性与局部化准则不足以保证干预改善性能。为此提出单调干预目标，直接惩罚部分干预轨迹上的任务损失上升，与端点干预训练结合后可显著降低部分干预损害的发生率与幅度，同时保持概念与任务预测性能。
arXiv cs.CLAI 评分4242 语言模型能控制自己的注意力：Declarative Attention 让模型在思维链中声明关注范围
研究者提出 Declarative Attention（DA），让模型在思维链中主动声明需要关注的上下文区域，推理引擎像解析工具调用一样跳过大部分 KV cache 读取。
arXiv cs.CLAI 评分3232 DataKernelBench：LLM 能否在 GPU 上优化数据库查询？
DataKernelBench 将 SQL 转换为经校验的 PyTorch TorchPlan 程序，评测 LLM 用 CUDA 或 Triton 优化数据库查询内核。
arXiv cs.AIAI 评分3131 语言嵌入在推荐系统中可能泄露超出预期的物品信息
研究发现，当攻击者掌握外部来源的辅助物品文本时，一个简单的余弦相似度攻击即可在多个语言模型和候选集设置下以高平均倒数排名恢复物品身份，两个真实数据集上均验证了该泄露。物品泄露还可从稀疏评分进一步传播为用户重识别，而混淆描述虽能缓解泄露，却存在明显的泄露-效用权衡。
arXiv cs.CLAI 评分2222 LoopMol：用语义 LLM 代理实现闭环分子逆向设计
LoopMol 是一个闭环分子逆向设计框架，用 LLM 代理直接基于任务指令、SMILES 优化历史和 oracle 反馈进行推理，每轮按探索-利用原则挑选参考分子并可附一句简短引导语。
arXiv cs.CLAI 评分2424 Archer：为扩散语言模型高效回滚自适应复用缓存隐藏状态
研究者提出免训练缓存方法 Archer，通过在每个更新步重算可变回复、仅在有限回复状态邻域内复用 prompt 的 K/V，实现扩散语言模型的高效回滚。在代码生成基准上，Archer 取得 33.63% 的最佳平均性能与 2.57x 平均加速，单基准最高 2.95x；在非代码基准上相对 LLaDA-Confidence 最高加速 4.33x 并提升平均准确率。代码已公开。
arXiv cs.AIAI 评分2222 Router Drift Control：缓解 MoE 强化学习中的离策略退化
针对 MoE 模型强化学习中 rollout 与训练路由不一致导致的 router drift，研究者提出 Router Drift Control（RDC），以路由分歧作为离策略陈旧度信号，在序列级别过滤高漂移响应，避免 R3 路由重放带来的梯度偏差。
arXiv cs.CLAI 评分2121 M³R-Bench：面向证据溯源的多模态隐喻理解统一基准
研究者推出 M³R-Bench，一个包含 1,000 个人工标注图文实例的基准，联合标注隐喻发生、Target-Source 映射与情感，并提供分阶段解释。
arXiv cs.AIAI 评分1818 成对差异学习（PDC）编码策略与训练对选择对比研究
一项针对成对差异学习分类（PDC）的系统实证研究比较了四种特征编码器与四种训练对选择策略，在近 200 个基准分类数据集上以 Decision Tree、Multilayer Perceptron、Gaussian Naive Bayes 和 Support Vector Classifier 为基模型测试。
arXiv cs.CLAI 评分2222 超越相关性检索：面向评分标准的文档集选择与排序
针对现有检索评估只对单文档独立打分、忽略文档间冗余与互补的问题，研究者提出评估-诊断-优化框架，并构建 SetwiseEvalKit——覆盖短文本与长文本场景的三级九维文档集评估基准，含约 28K 条高质量评分标准。
arXiv cs.AIAI 评分3535 Qwen-Audio-Jev：面向音频决策的统一接口
阿里 Qwen 团队提出 Qwen-Audio-Jev，在 Qwen-Audio-3.1-ASR-Flash-Next 上增加专用 Jev 决策头，用 CHOICE、NOUL、SCORE 三种决策原语统一音频选择、二分类判断与打分，直接输出任务条件概率分布或数值分数。
arXiv cs.CLAI 评分2929 针对 LLM 推理幻觉的 SSC-GRPO：步级自洽性组相对策略优化
研究者提出 Step-level Self-Consistency Group Relative Policy Optimization（SSC-GRPO），通过计算多次 rollout 中单个推理步骤的自洽性分数，为推理轨迹分配步级奖励。
arXiv cs.AIAI 评分3434 研究：LLM 逆向 iPhone 定位服务 protobuf 不可靠，但能造出可靠工具 Extractor
研究用 Claude Opus 4.8 和 Codex GPT Sol 5.6 从 Apple 二进制文件中重建 iPhone 定位服务 protobuf 的 schema，发现绝大多数 schema 存在大量错误，且因内部自洽而难以察觉，不适合直接用于取证与隐私分析。
arXiv cs.AIAI 评分2929 AVALON：零样本室内导航，用人类播种的拓扑记忆实现
AVALON 是一个面向"人熟悉、机器人未见"室内场景的拓扑导航框架，机器人无需事先实地遍历或站点专项训练，仅需平面图、地点线索和初始拓扑-里程计对齐即可部署。
arXiv cs.CLAI 评分1818 仅幅度 FFN 干预实现工具结构化 LLM 推理：方法、门控评估协议与跨模型实证结果
研究提出 Amplitude Gating（AG）推理时干预方法，在不改动预训练权重的前提下屏蔽 FFN 激活坐标，通过六处 SwiGLU 位点区分共享与仅门控输入，并用幅度排序熵掩码及 Newton-Schulz 窗口排序变体提供无需重训练的前向路径。
arXiv cs.AIAI 评分1919 SemDraft：从成对服装样板中学习搜索可执行制版程序
SemDraft 是首个从成对前后服装样板中学习搜索可执行制版程序的框架，无需记录编辑步骤。它通过有界搜索恢复编辑动作程序，并需通过从头重编译、动作对有序或可互换分类、独立重放三重校验才获认证。在两组各 80 个顺序敏感案例上，学习排序器在 1000 次搜索内分别认证 63 和 64 个案例，非学习排序器最多为 53 和 52 个。
arXiv cs.CLAI 评分2727 X-Alpha：具备记忆驱动自进化能力的 AI 量化研究员
X-Alpha 是一个将持久研究记忆与假设到代码的持续发现相结合的 AI 量化研究员，通过 Report-to-Memory Abstraction（RMA）把金融报告转化为可执行的研究路径，并借助记忆驱动路由重定向探索。它在中国大陆、美国和中国香港的五个股票指数上评估，以 CSI300 为核心的实验显示其因子质量与信号多样性优于基线，并在多个市场和预测周期上取得一致的生成级增益。
arXiv cs.CLAI 评分2323 TACO：面向 RLVR 的尾部感知信用校准方法
针对 GRPO 类方法中"正信用污染"问题，研究者提出尾部感知信用校准方法 TACO，让策略自身作为参考，评估每个采样 token 相对策略局部预期的稀有度以计算尾部风险分数，并据此软性降低高尾部风险 token 的正信用、同时保留非零权重。在四个 LLM 和八个推理基准上，TACO 持续优于 GRPO 类基线，并提升训练稳定性，支持长程 RL 的持续性能增益。
arXiv cs.AIAI 评分2222 硬件设计中 LLM 驱动功能覆盖率收敛的独立数据完整性验证
一个设计无关的覆盖率收敛智能体在异步 FIFO、UART 发送器和 AHB2APB 桥三种 RTL 设计上，将覆盖率从 91.7%、88.9% 和 67.4% 提升至 100%，每次运行均在 8 次迭代预算内完成。
arXiv cs.AIAI 评分3131 BiShield-TEE：端侧 TEE 保护 LLM 分区中单向权重混淆的安全性缺陷与双边防御
研究者发现端侧 TEE 保护 LLM 推理中单向矩阵变换混淆存在"解确定性"漏洞，使 GroupCover 和 ArrowCloak 等代表性方法防护近乎失效，攻击准确率超过全屏蔽黑盒基线 2.4 倍并可恢复近乎完整模型。
arXiv cs.CLAI 评分2222 从信号到迁移：大语言模型中基于探针的不确定性估计的因子化研究
一项因子化研究在匹配条件下系统比较了基于探针的不确定性估计方法，发现原始隐藏状态和注意力特征在域内难以被超越，但在分布偏移下结构化和压缩特征更稳健。提示词与标签构建方式显著影响探针行为，据此构建的基准预训练探针在开放式事实生成上保留了有效判别信号，性能可与有限标签目标域探针及采样估计器竞争。
arXiv cs.CLAI 评分3131 面向持续分布偏移的 AI 文本检测测试时自适应方法
研究提出一种测试时自适应（TTA）方法，利用推理时无标注样本的同质性来应对 AI 文本检测中的持续分布偏移，包括对抗性人类化、新 LLM 发布和人类写作的时间漂移。实验显示，SOTA 监督检测器在分布偏移下系统性失效，而结合半监督学习的 TTA 基本保持稳健；例如商业模型 Pangram 仅检出 27.0% 的对抗性 AI 生成文本，该 TTA 方法则达 93.3%。
arXiv cs.AIAI 评分2929 Muon 何时真正胜出？一项数据、时间与调参预算配对基准测试
在单张 A100 上，研究对比 Muon 与 AdamW 在 17.7M、33.6M 参数语言模型和 2.70M 参数视觉 Transformer 上的表现。
arXiv cs.CLAI 评分2222 自适应数据调度 ADS 如何提升 LLM 强化学习效果
研究者提出自适应数据调度（ADS），一种双层数据调度框架，在语义聚类层面自适应调整簇间采样分布，在样本层面追踪接近策略能力边界的提示词。在三个 LLM 和七个推理基准上，ADS 相比 GRPO 平均准确率提升 5.5%，并能持续改进不同目标设计的 RL 方法，源代码已公开。
arXiv cs.AIAI 评分1212 成对差异学习（PDL）分类中的不确定性量化
研究者为分类任务提出成对差异学习（PDL）的版本及配套元学习技术，并解决其预测的不确定性量化问题。基于将总不确定性分解为偶然与认知成分的近期工作，提出多种将相应度量扩展到 PDL 场景的方法，具体取决于基学习器如何及在多大程度上表示不确定性。大规模实证研究同时分析了该 PDL 分类器的预测准确率与不确定性感知能力。
arXiv cs.CLAI 评分3131 LLM 能推断文化背景却难以据此调整回答：CAPRI 数据集揭示文化适应鸿沟
研究者提出 CAPRI 数据集，用不同文化线索强度的对话测试 LLM 能否按用户文化背景使用当地计量单位。实验显示，SOTA 模型能推断文化背景并回忆相关惯例，却往往不据此调整回答，除非被明确要求按顺序执行任务。模型对时间和数量表达的适应随文化线索累积而增强，但其先验并非文化中立，有时与模型来源国一致。
arXiv cs.CLAI 评分2222 无需标准答案的推理：自动形式化的代理评判理论
研究提出一种无参考的代理评判框架，将自动形式化的正确性拆分为接地、陈述忠实性、覆盖度和推理四项，并给出代理评判误判率如何影响迭代改进的理论边界。作者用八个代理在 Lean 4 的 ProofNet、miniF2F 和 Isabelle/HOL 的 e-SNLI、ProntoQA 上验证，单代理移除下所有预先写出的预测均未被推翻。
arXiv cs.AIAI 评分2222 Muon 何时最优？径向脆弱性与 Minimax 几何
研究将 Isotropic Curvature Model（ICM）的固定输入半径替换为一般径向律，提出 RR-ICM 与 Polar-Factor Admissibility Set，证明所有非标量可行响应均来自与曲率拐点对齐的径向原子，任何无原子径向律都呈现零容量刚性。
arXiv cs.AIAI 评分1818 基于信息瓶颈的层次化可解释多任务音频表示学习：事件-场景关系分析
研究提出层次化（顺序）条件范式，直接从中间事件概率预测声学场景类别，在 PaSST、PANNs 和 BEATs 三个骨干网络上完成 66 次完整训练实验。结果显示，该架构在 beta 为 0.6-0.9 时实现双任务同步学习，并系统性地产生更低条件熵、更高互信息与更优潜聚类可分性。
arXiv cs.CLAI 评分2626 文本就够了？文本作为语音 LLM 的通用信息瓶颈
研究者提出 Convex Gate（C-Gate），将语音每一帧表示为冻结 token 嵌入的凸组合，用 Whisper-large-v3 编码器加部分适配的 Qwen2.5-7B-Instruct 解码器联合训练语音识别、情感识别与口语推理，单一共享解码器即可完成转录与情感识别。适配后解码器在纯文本基准上指令跟随与 MMLU 下降，GSM8K 与 HellaSwag 持平或超过原模型。
arXiv cs.CLAI 评分2929 众包能挺过 LLM 时代吗？一项关于人类数据收集的社区调查
一项针对 155 名 NLP 及相关领域研究者的调查显示，44% 的受访者在自己的众包数据中观察到 LLM 使用痕迹，其中 93% 早有预期，但半数不知该采取何种防范措施。最常见的检测手段是独特的文本风格模式和异常快速的完成时间。调查表明研究社区已意识到该问题并采取措施，但现有努力仍不足以完全应对。
arXiv cs.AIAI 评分2929 Poison Valleys：诊断 LLM 代码修复中的路径依赖失败
Poison Valleys 在 1,844 次模型请求中追踪 LLM 代码修复的路径依赖失败，覆盖 PersistQueue 与 Dijkstra 两个合成 Python 案例。将错误机制从假设移入实现计划后，PersistQueue 失败率上升 32.2%，Dijkstra 上升 28.9%。不同误解产生模型相关的义务违反模式，但可能收敛为相同行为。
arXiv cs.CLAI 评分2727 LLMSurgeon：诊断大语言模型的预训练数据混合
研究者提出 LLMSurgeon 框架，将数据混合手术（DMS）形式化为逆问题，仅凭目标 LLM 的生成文本即可在预设分类体系下估计其预训练语料的领域级分布。该方法不直接聚合分类器输出，而是估计校准的软混淆矩阵并求解约束逆问题，以纠正系统性领域混淆、还原潜在混合先验。
arXiv cs.CLAI 评分2424 SimCT：为跨分词器在线策略蒸馏恢复丢失的监督信号
SimCT 通过扩大监督空间解决跨分词器在线策略蒸馏中共享 token 匹配丢弃教师信号的问题：在共享 token 之外，比较教师与学生模型都能实现的短多 token 续写，且不改变 OPD 损失形式。
arXiv cs.AIAI 评分2929 视觉生成能否扩展统一多模态模型的知识边界？
研究提出 Knowledge Transfer Probing（KTP）协议，通过图像生成训练向统一多模态模型（UMMs）注入新知识，再用纯文本问答测试其可获取性。
arXiv cs.CLAI 评分2222 大语言模型在情感对话语境中的情感一致性分析
研究将 LLM 生成的文本作为查询回传给同一模型，用三种强度递增的虚假预设查询，在极端与中等情感两个维度上评估 Claude-3.5-haiku、GPT4o-mini 和 Mistral-7B 的自我一致性。结果显示三个模型表现均低于平均水平，易受查询中错误信念影响，中等情感内容下尤为明显；基于注意力分数的分析还显示模型优先级从评估转向生成。
arXiv cs.AIAI 评分3131 ELLSA 2：语音、表情与手势的全双工交互模型
ELLSA 2 是一个端到端全双工对话模型，可同时优化语音交互与流式手势-表情生成，在模型不说话时也能持续生成非语言动作。它采用自回归分块合成器，结合预训练声学特征与对话骨干网络、语音合成器中独立的聆听和说话隐藏状态，并通过上下文语义调用与模板引导区分语义手势的触发与实现。
共 2000 篇论文