EVA-Cap：通过事件中心对齐优化音视频字幕生成
EVA-Cap 框架将音视频字幕分解为原子级视听事件，把非结构化文本监督转化为事件中心对齐，通过 SFT 和 GRPO 在自建数据集 EVA-Data 上训练。GRPO 阶段围绕全局事件完整性、事件内归因和事件间同步三个目标优化。在 ChronusAV 上平均提升 9.0%，WorldSense 上提升 3.3%，论文已被 NeurIPS 2026 接收。
论文
论文
arXiv cs.CLAI 评分2323 arXiv cs.AIAI 评分3434 智能体升级授权中的效果绑定与可信渲染：ASU 网关如何防御 12 类审批攻击
研究定义了对智能体审批路径的 12 类攻击（含诱饵收款人、金额取消、标签欺骗等），并测试了 AP2、微软 action-bound approval 和 MCP elicitation。
arXiv cs.AIAI 评分2424 面向 LLM 算术推理的 Bellman 一致性轨迹 RL
针对 LLM 算术推理中终端奖励稀疏的问题，研究者提出 Bellman 一致性轨迹 RL 方法 TBRM，将稀疏奖励转化为密集的 token 级信号，并结合 RLOO 分组策略降低 Bellman 残差的梯度方差、用事后目标重标注加速中间学习。
arXiv cs.CLAI 评分2323 双 LLM 共识流程记录 Rett 综合征 Trofinetide 治疗表型
研究者开发了一套双 LLM 共识流程，从 Texas Children's Hospital 108 名患者的 26,763 份临床笔记中提取 18 种 Trofinetide 治疗反应表型。
arXiv cs.CLAI 评分2222 隐藏状态探针能否定位推理失败步骤？4B 与 8B 推理模型上的有效性研究
研究测试了 4B 和 8B 推理模型的隐藏状态探针能否区分推理失败的三种情形并定位出错步骤。在 8B 模型的错误推理链上，置信度探针漏掉了 81% 的"单步导致不可恢复"案例和 47% 的"重试即可成功"案例，且换一种训练设计会反转这两类失败的排序。两个规模下，没有任何探针在定位失败步骤上优于仅基于推理链长度的规则，4B 上专门预测该步骤的探针在 10 次相同推理链运行中均未胜出。
arXiv cs.AIAI 评分3333 EigDiff：用特征样本扩散将训练数据集缩小最多 14 倍
EigDiff 通过特征样本（eigensamples）在显著更小的数据集上训练扩散模型，训练数据最多减少 14 倍、子集选择加速最多 1607 倍，性能差异微小。该方法在预训练 CLIP 的潜空间中做 PCA 计算潜特征向量，并以特征向量为参考点挑选由 exemplars 与多样图像组成的代表性训练集。
arXiv cs.CLAI 评分2222 LLM 财务预测中的动量、评论语气与盈利意外
研究用合成财报测试 LLM 财务预测的输入依赖：对四个模型家族六个指令/对话 checkpoint（0.49-7.61B 基础参数）各输入 2,016 条提示，主要 EPS 对比跨度达 -0.19 至 86.80 个百分点。六个模型中有五个的带符号语气对比幅度超过 EPS，动量也在五个模型中超过 EPS，自然词数值诊断准确率为 51.0% 至 95.8%。
arXiv cs.AIAI 评分3434 如何训练你的小龙：教小语言模型构建与优化 GPU 优化脚本
研究者提出“HOW TO TRAIN YOUR LITTLE DRAGON”训练方法，让 8B 参数小模型直接生成 GPU 优化脚本而非 kernel 代码，并基于 TVM MetaSchedule 在 54,116 个负载上构建 108,594 条训练样本。
arXiv cs.CLAI 评分3030 WEAVE：将真实世界代码演进织入依赖结构化任务，用于代码智能体的基准测试与训练
WEAVE 框架将已验证的 PR 历史转化为可执行、依赖结构化的任务，通过仓库校准的类型化变更位点把相关 PR 组织成有界 DAG 并实例化为统一可执行任务。该框架还提出 Graph Credit，一种确定性的、基于测试的指标，用于衡量依赖一致的部分进展，并为强化学习提供稠密可验证奖励。实验表明 WEAVE 能生成连贯的可执行任务，比扁平评分更忠实地衡量进展，并为代码智能体训练提供有效监督。
arXiv cs.AIAI 评分2323 SOMA：四足机器人如何用分层强化学习完成物体堆叠操作
SOMA 是一个面向四足机器人的分层强化学习框架，可实现多物体堆叠的全身非抓取式操作，并首次引入显式机身高度控制，将传统二维平面推动扩展到三维推动策略。该框架用 S5 编码器的高层操作策略预测目标跟踪指令，配合动态调整腿部站姿的底层运动策略，在仿真中单物体重定位成功率达 90.3%，双箱动态堆叠达 90.1%（位置误差 0.05 m、朝向误差 1°）。
arXiv cs.CLAI 评分2424 HeirCommit 与 EvoHeir：自进化语言模型如何选择继承哪一代模型
针对 R-Zero、Agent0、Skill Self-Play 等自进化循环中"任务看似可学却未必带来有效更新"的选择-更新缺口，HeirCommit 冻结更新后的模型并用全新评测题决定是否继承，在相同接受率下将有害更新占比相对随机继承降低 68-83%。EvoHeir 进一步分离参数继承与经验继承，在四个骨干模型上取得最佳数学与通用推理均值，数学均值较最强基线 Agent0 提升 5.3%。
arXiv cs.CLAI 评分2020 P2TPO：面向全页文档解析的结构对齐页面到 token 信用分配
针对全页文档解析中页面级优势无法定位局部错误的问题，研究者提出结构对齐的信用分配框架 P2TPO，通过参考元素对齐、Unified Anchor Pricing（UAP）和 Span Credit Redistribution（SCR）将块级信用细化到 token 级。在六个文档解析基准上，P2TPO 的种子平均分超过所有对比的策略优化基线，并在不同模型规模和初始化下均取得增益。
arXiv cs.AIAI 评分4848 Screwtape：用对抗性转录编辑对监控器进行红队测试
研究团队提出 Screwtape 流水线，用 LLM 攻击者编辑真实智能体转录，使 Claude Code 和 Codex 的智能体产生指定危害（如泄露 API key 或生成未被监控的智能体），同时规避仅检测动作的监控器。在 94 份转录、252 次运行中，它生成 35 个通过验证器且逃过自建监控器的攻击，其中 6 个经人工确认有效，还逃过了某前沿开发者提供的留出监控器。
arXiv cs.CLAI 评分2727 大语言模型查找表的两比特量化：Conditional Program 压缩 n-gram 记忆
研究者提出 Conditional Program（CP），一种只重建输入所请求行的压缩表示，用短码加局部缩放并共享重建程序，以 Gaussian trellis 实例化。其两比特编码相比 2-bit round-to-nearest 将输出 KL 降低 41–63%。在 DeepSeek 上，该方案把表存储从 203GB 降至 51GB，为表常驻 GPU 时留出更大工作负载空间。
arXiv cs.AIAI 评分2424 基于 AI 天气模型的停电预测：预报提前期与抢修队伍部署时机
研究用 GraphCast 和 FourCastNet 两个 AI 天气模型预测美国本土各县 24 至 120 小时后的停电，以队伍部署所在县覆盖的停电负担比例评估预报价值。
arXiv cs.AIAI 评分1212 可复现的对决赌博机（Replicable Dueling Bandits）
研究提出可复现对决赌博机问题：共享内部随机性、比较结果独立时，两次执行需以至少 1-ρ 概率每轮选出同一有序臂对。基于 Beat-the-Mean，作者设计了首批具次线性遗憾的算法：松弛随机传递性下遗憾为 Õ(γ⁸K⁴H_p/ρ²)，强随机传递性下基于同步消除改进至 Õ(K²H_p/ρ²)，线性对决赌博机下为 Õ(d³√T/(c_μρ))。合成与语言模型偏好实验验证了可复现性与次线性遗憾。
arXiv cs.CLAI 评分2020 FIRM：面向联邦 LLM 遗忘的 Fisher 感知保留合并框架
FIRM 是一个单轮联邦 LLM 遗忘服务端聚合框架，利用客户端本地 Fisher 统计量构建 Fisher 归一化基础合并，并对保留敏感参数施加显式控制，以缓解跨客户端聚合导致的幅度爆炸问题。
arXiv cs.AIAI 评分2424 TGrasp6D：用视觉语言先验与位姿优化实现零样本任务导向 6DoF 抓取
TGrasp6D 是一种基于视觉语言的方法，可在零样本条件下为给定任务和单张 RGB-D 图像生成任务导向的 6DoF 抓取。它先推理任务对应的语义可供性与物体几何生成任务先验，再通过 6DoF 位姿优化在避免碰撞的同时保持任务一致性。
arXiv cs.CLAI 评分2222 人类干预作为标签：定位、引导与（有时）编辑 LLM 智能体失败背后的计算
研究将人类对 LLM 智能体的干预视为定位内部失败计算的标签，在受控环境中针对"请求已明确却仍追问"这一失败展开实验，覆盖 Qwen2.5-3B、gemma-2-2b、OLMo-3-7B、Mistral-Nemo-12B、Phi-4 五个合格模型。
arXiv cs.AIAI 评分2626 SHRED：无需专家演示的异构道路使用者自博弈框架
SHRED 通过大规模异构自博弈从随机初始化联合训练车辆、行人和骑行者，无需演示数据或轨迹回放。在 Waymo Open Sim Agents Challenge 上，SHRED 同时控制三类道路使用者，超越无演示自博弈基线和依赖演示训练参考策略的先前自博弈方法；仅用 nuPlan 地图几何训练的策略在 Waymo 零样本评测中保持可比真实感。
arXiv cs.CLAI 评分2222 扩散语言模型作为开放量子系统：Superposition of Prompts 与 Quantum-Inspired Remasking
研究将扩散语言模型的连续时间前向与反向动力学嵌入开放量子系统框架，构建 τ-leaping 解缠方案，在每步同时更新多个 token 位置，实现基于叠加提示（SoP）和叠加思维（SoT）的生成。
arXiv cs.AIAI 评分2424 将序列贝叶斯实验设计摊销进推理 LLM
研究将序列贝叶斯实验设计（BED）摊销进 LLM，通过信息增益奖励显式训练引导动作选择的推理过程，实验生成模型独立于 LLM 自身信念。在 Twenty Questions 上，所得策略提升信息获取与任务表现，以显著更低计算成本超越推理时和训练时 BED 基线，并泛化到未见类别。
arXiv cs.CLAI 评分2424 财报电话会 NLP 基准何时算"会后"？论文提出 Availability Contract
针对财报电话会 NLP 基准中预测目标早于文本或音频输入完成的"事件内时序错配"，论文提出 Availability Contract，要求基准明确输入边界、输入可用性证据、结果起点及所支持结论。
arXiv cs.AIAI 评分2222 ReasonUni：推理增强重建推进统一多模态模型
研究者提出 ReasonUni，一个推理增强的重建式后训练框架，让统一多模态模型在给定原图和编辑指令后先推理"改什么、怎么改"并描述目标状态，再据此生成目标图像。配套的 TreeGRPO 采用树状强化学习，为每条推理路径采样多个候选图像并聚合视觉奖励，统一目标下同时更新理解与生成两个模块。多个 benchmark 上理解与生成均取得一致提升。
arXiv cs.CLAI 评分4141 ViT 中的虚假注意力头：医学胸部 X 光分析中标注驱动偏见的机制识别
研究用机制可解释性在 ViT-Base 16 中定位到一个专门读取胸部 X 光片角落标注文字的注意力头 L8H10，在 200 张 COVID-19 图像中有 62% 关注标注而非肺部病变。
arXiv cs.AIAI 评分3636 INFUSE：面向智能体系统间接提示注入的统一表面基准
研究者推出 INFUSE，一个覆盖长周期智能体工作流全生命周期的间接提示注入（IPI）端到端基准，包含 40 个真实任务和 56 种攻击场景（分属五类威胁）。
arXiv cs.CLAI 评分2222 Waypoint-OPD：通过门控同策略蒸馏迁移 RL 引发的策略偏移
Waypoint-OPD 通过引入同一 RL 训练的中间教师检查点，比较早期与晚期策略偏移在动作偏好方向上的一致性，并据此对端点偏移进行门控，方向相悖时予以抑制。该方法仅需额外一次冻结教师打分，在数学与代码推理的六种领域-学生组合中，以 Qwen3-4B 为教师、Qwen3-8B/14B/30B-A3B 为学生，均取得最高领域平均分。Qwen3-8B 消融显示，移除或打乱门控会降低数学推理表现。
arXiv cs.AIAI 评分2222 Optimal Hydra：面向 LLM 微调的模型异构联邦学习框架
Optimal Hydra 是一个基于 Transformer 的模型异构联邦学习框架，专为 LLM 微调设计，结合全局层选择与客户端专属注意力头选择，利用本地数据分布生成客户端专属子网络 Hydra-nets。这是首个面向 LLM 微调的模型异构联邦学习方法，在三个数据集上显著优于基线方法，同时降低了本地资源需求。
arXiv cs.AIAI 评分3131 解读语言模型参数：VPD 对抗式参数分解方法
研究者提出对抗式参数分解（VPD），将语言模型参数拆解为仅实现模型学习算法一小部分的简单子组件，且只需少量子组件即可解释网络对任意输入的行为。该方法在大量子组件被消融（包括对抗性选择的消融）时仍能保持网络的输入输出行为，从而支持一种新的“电路”分析。论文共 124 页、47 张图，建议在线配合交互式图表阅读。
arXiv cs.CLAI 评分2222 按梯度范数排序与划分注意力头，实现稀疏持续强化学习微调
研究通过梯度范数对注意力头排序与划分，实现语言模型的稀疏持续强化学习微调。在数学、指令遵循和编码任务上，微调高排名注意力头持续优于低排名头，且常能匹配更密集的基线；注意力头划分则提升旧任务保留能力，同时保持对新任务的适应。
arXiv cs.AIAI 评分3434 WorldCast：探索世界状态预测中的智能视觉生成
研究者提出 WorldCast 基准，包含 8 个类别共 320 个手工设计案例，用于评估多步世界状态预测任务，并测试了 12 个代表性模型。GPT-Image-2.5 System 得分 72.8，展现出早期视觉状态预测能力；Nano Banana Pro 仅得 42.8，最佳开源模型得分 20.1。实验表明强生成模型能有效借助其底层语言模型的能力。
arXiv cs.AIAI 评分4141 ImpactBench：面向 AI 对人类影响的开放评测平台
研究者推出 ImpactBench，一个专家引导的开放平台，用于从心理、生理和社会维度评估生成式 AI 模型对人类的影响。当前版本包含来自 26 个基准的 809 项指标，对十款前沿 LLM 在 48,540 段模拟多轮对话中进行评测，结果显示模型在 68.7% 的评测中促进了期望行为，但仅在 53.1% 的情况下避免了伤害。
arXiv cs.CLAI 评分2828 ZoomCap：用证据路由视觉缩放实现可恢复的视觉信息迁移
ZoomCap 将细粒度图像描述建模为"可恢复的视觉信息迁移"，通过草稿描述路由条件知识检索、OCR 敏感阅读、覆盖缺口恢复与自适应视觉缩放，仅对最复杂的合格区域分配更深裁剪。
arXiv cs.CLAI 评分2929 PocketTSLM：在智能手机上本地部署的软提示时间序列语言模型
PocketTSLM 将 OpenTSLM SoftPrompt 部署到消费级智能手机，通过把编码后的时间序列窗口作为嵌入向量注入而非文本 token 化，实现完全端侧推理，推理过程中不传输任何健康数据。
arXiv cs.AIAI 评分2222 RICE-Alpha：用事件图与可靠性校准为 LLM 智能体股票预测做修正
RICE-Alpha 是一个 point-in-time 股票打分框架，将历史感知的多视角 Base Alpha 与基于历史事件延续的可靠性校准残差修正分离，通过 Multi-Tier Memory Layer 和 Typed Event Agent 构建事件状态图。
arXiv cs.CLAI 评分3636 TimeCap：面向可穿戴健康时间序列数据的可扩展开源标注流水线
研究团队发布开源确定性标注流水线 TimeCap，无需语言模型参与、直接基于信号生成标注，可通过编写通道定义扩展至新 schema。将其应用于 MyHeart Counts 可穿戴数据集 OpenMHC 后生成 MHCap，覆盖 19 个 Apple HealthKit 通道、908,944 人日共 7,005,763 条标注。
arXiv cs.AIAI 评分2626 让 AI 可信的真相：将表达疑虑、来源溯源与信念修正作为可工程化的立场
研究测试了在固定语言模型上以行为层实现表达不确定性、来源感知断言与显式信念修正，并在合成模型与 Qwen2.5-0.5B-Instruct 上评估。
arXiv cs.AIAI 评分2020 PACC：将朗读语音转换为自然对话语音
研究提出 PACC（Prosodic Adjustment with Conversational Context）方法，通过深度神经网络调整语调、重音和节奏等韵律特征，并采用 HiFi-GAN 进行语音合成，将朗读语音转换为自然对话语音。实验显示该方法在自然度和模型准确率上均有提升，并在语音转换任务和 MOS 评测中建立新基准，可扩展至其他语音转换应用。
arXiv cs.CLAI 评分2424 稀疏自编码器表征的行为组合性研究：SAE Additivity Residuals 方法
研究者提出 SAE Additivity Residuals（SAR），用于衡量稀疏自编码器特征在选定交互阶数之上未被解释的行为变化。在 18 组模型与行为设置中，学习到的 SAE 坐标一阶残差均低于保持和不变的随机旋转；但坐标并非完全可加，成对项在所有设置中均改善留出联盟排序。
arXiv cs.AIAI 评分2020 一项 CHI 2026 研究：人们如何在日常生活中同时使用多个 AI 模型
一项日记研究与半结构化访谈（N=10）考察了人们如何在多个多模态大语言模型（MLLM）之间组织日常工作。用户会在模型中建立随使用场景变化的主次层级，并形成由任务聚合触发的个性化切换模式，以调节投入、延迟与输出可信度。研究指出，现有 HCI 研究多聚焦单一智能体交互，多 MLLM 协同编排仍待探索。
共 2000 篇论文