LM-DSB：用于建筑每日安全简报自动生成的轻量级多智能体系统
LM-DSB 系统结合多智能体与 RAG 技术，利用本地部署的 Llama 3-8B 模型在消费级 PC 上实现了建筑每日安全简报的自动生成。该系统分层协调规划、研究与编写智能体，基于 37 份 HSE 文档检索，文档生成完整度远超单智能体（长度比 1.01 对比 0.39，ROUGE-1 达 0.66）。
全部AI 动态
全部动态
今日 1 条arXiv cs.AIAI 评分3232 arXiv cs.AIAI 评分3434 LLM 在滑块拼图中的原生规划可验证效率极限
研究团队提出一种可验证评估框架，通过无工具和无执行反馈的单次生成来隔离并衡量 LLM 的原生规划能力，将成功加权规划效率分解为执行可靠性、规划协调性与动作经济性（SPE = R × Q × E）。在 4×4 滑块拼图上对 7 种模型条件的 8,400 个规划评测显示，即便全通关的模型在更长步长下经济性也会下降，使长程无辅助规划的局限性得以量化验证。
arXiv cs.AI精选AI 评分6262 kw-bench：针对真实知识工作任务检验前沿智能体框架的基准测试
研究人员推出面向调查性知识工作的基准测试 kw-bench，用于检验编码智能体框架在跨系统与碎片化证据等真实任务中的表现。该基准采用确定性评分，首个任务针对跨三代 SAP 系统的五年增值税重构展开测试。
推荐理由：该研究通过真实的跨系统审计任务检验智能体框架的调查能力，展示了工具框架适配性对复杂知识工作的影响。
arXiv cs.AIAI 评分3434 MAREval：用于评估自然语言推荐解释的多智能体框架
研究团队提出多智能体框架 MAREval，用于解决大模型评估推荐系统自然语言解释时的提示敏感与输出不一致问题。该框架整合采用 Chain of Debate 策略的规划智能体、调节智能体、仲裁智能体及蒙特卡洛采样方法，显著降低了评估方差。在 TopicalChat 等公开与电商专有数据集及线上 A/B 测试中，MAREval 与人类判断高度对齐，并显著提升了互动与收入指标。
arXiv cs.AIAI 评分3535 低预算 LoRA：面向适配器集群的功能感知事后压缩
研究提出功能秩分配方法 FRA，用于在共享资源预算下对 LoRA 适配器集群进行功能感知的事后压缩。该方法通过端到端测量独立模块截断并结合动态规划构建秩-失真边界，再执行集群级 minimax 秩预算分配。在 3 个公开集群共 78 个适配器的测试中，FRA 在受限预算下相比均匀谱压缩提升了最差情况与尾部效用。
arXiv cs.AIAI 评分3535 WAKMan：工作负载感知的 KV cache 管理器
研究人员提出工作负载感知的 KV cache 管理器 WAKMan，无需获知请求类型或读取提示词，即可自适应选择淘汰策略，将缓存命中率较 LRU 平均提升 5 个百分点。针对 20 种混合流量下单一策略无法通用的问题，它有效兼顾了偏好时间局部性的智能体步骤与偏好频率的长对话，在所有策略中取得了最低的平均与最坏情况最优性差距。
arXiv cs.AIAI 评分4040 可执行考古：复现编程建模程序 Heuristic Compiler（1961）与 KBEmacs（1984）
研究者通过运行原始代码的“可执行考古”方法，成功复现了赫伯特·西蒙的 Heuristic Compiler（1961）和 MIT 的编程助手原型 KBEmacs（1984）。
arXiv cs.AIAI 评分3434 OA-RAG：面向忠实 LLM 推理的本体智能体 RAG
研究人员提出 OA-RAG 智能体，将形式化推理与 LLM 推理融合，利用领域本体的逻辑结构提升回答保真度并减少模型幻觉。系统为每个回答提供本体证据，并给出评估的扎实度等级（entailed、supported、related 或 unrelated）以指示可靠性。在 3 个大规模本体基准和 6 个真实医学问答任务中，OA-RAG 综合表现超越主流 RAG 与本体微调方法。
arXiv cs.AIAI 评分4747 通过细粒度监控揭示 GPU 集群的优化空间
研究团队基于 Nvidia DCGM 开发出 100 ms 采样间隔的细粒度监控工具，对拥有 89 节点、319 块 GPU 的集群展开实测。对 7,399 个任务的分析显示，超 70% 任务 GPU 显存占用低于 20%，50% 任务平均 SM 利用率不足 5%，且 80% 任务申请与实际时长严重不符。结果表明可通过优化调度和 GPU 多任务大幅提升利用率，该监控工具已开源。
arXiv cs.AIAI 评分3535 LLM 生成的证明在程序重构下有多稳定？可验证代码生成压力测试
新基准 RefactorProof 从 185 个 VERINA 任务派生 458 个 Lean 认证变体，测试 LLM 生成证明在程序重构下的稳定性。
arXiv cs.AIAI 评分3737 面向可解释鉴别诊断的本体引导多智能体推理框架
研究者提出一种面向可解释鉴别诊断的本体引导多智能体框架，通过将 LLM 推理锚定在专家整理的结构化医学知识库中，模拟临床医生的迭代推理过程。该系统将诊断分解为明确、可审计的推理步骤，在减少模型幻觉的同时识别最具辨别力的缺失症状并生成针对性追问。目前该项目的源代码已公开可用。
arXiv cs.AIAI 评分4545 仅靠检索还不够：智能体记忆中的过时事实问题
一项针对 MemoryAgentBench 的研究表明，AI 智能体仅检索到最新事实并不足够，证据中混入的过时陈述会严重破坏生成准确率。实验显示，在证据中仅将一条无关陈述替换为过时陈述，千问 Qwen2.5 准确率即从 100% 降至 44.6%，Qwen3-14B 降至 87.8%。
arXiv cs.AIAI 评分3131 脉冲神经网络更难被窃取：模型窃取攻击基准研究
脉冲神经网络（SNN）在黑盒模型窃取攻击中表现出显著强于传统人工神经网络（ANN）的抗窃取能力。在 MNIST、Fashion-MNIST 与 CIFAR-10 测试中，SNN 替代模型与目标模型的一致性比 ANN 低 10% 至 20%，对抗迁移性低 15% 至 25%。这种抗性源于 SNN 基于脉冲和时间依赖的动态计算机制，其决策边界极难被替代模型拟合逼近。
arXiv cs.AIAI 评分2323 基于双目标优化的智能即时预订筛选模型
该研究提出一种基于双目标优化的智能即时预订筛选模型，在保证整体预订率不下降的前提下最大化即时预订率。全球 A/B 测试表明，该模型在即时预订率与整体预订率指标上均优于此前的人工调优模型，并提升了房东的即时预订采纳率。目前该系统已正式部署于生产环境，每日服务数百万用户。
arXiv cs.AIAI 评分3232 BehaveRec：长期行为历史何时有助于序列推荐？
研究提出序列推荐框架 BehaveRec，融合会话、90 天长期历史与行为图信号，在包含 12.6M 用户的工业数据集上将 R@5 较 SASRec 提升 +3.2%。分析表明其优势随历史丰富度单调递增，交互超 101 次时提升达 +0.017 R@5，由此确立约 20 次交互的落地部署阈值。BehaveRec 参数量仅 5.67M，单张 GPU 不到两天即可完成训练。
arXiv cs.AIAI 评分3737 MARQ：融入系统工程知识的模块化跨模型需求质量评估器
研究提出模块化跨模型原型系统 MARQ，通过融入 INCOSE 标准等系统工程知识来增强 LLM 的需求质量评估能力。在专家标注的 NASA 需求集上，MARQ 使 Claude Opus 5、GPT-5.6 Sol 与开源模型 Gemma 3 12B 的中位数 F1 分数分别从开箱基线的 0.55、0.52 和 0.18 提升至 0.80、0.62 与 0.53。
arXiv cs.AIAI 评分4141 Skill Dreaming：通过 Pull Request 流演进代码仓库技能
研究人员提出 Skill Dreaming 框架，通过从已验证的 Pull Request（PR）流中提取可执行知识，构建并持续演化代码仓库专属技能库。该技能库可指导代码智能体在实现功能的同时，协同维护相关测试、文档、兼容性及仓库规范。通过整合 PR 分析、技能管理、代码执行与持续集成，系统实现了技能演进与代码维护的端到端闭环。
arXiv cs.AIAI 评分2828 基于追踪数据分位数回归学习人类体育运动可行性
该研究将体育运动中的到达时间（TTA）建模为条件分位数回归，通过学习运动时间下分位数预测球员的最短到达时间。基于 64 场比赛的 PFF FC FIFA World Cup 2022 光学追踪数据，轻量级 MLP 在各项指标上均优于 6 种基于物理的基线模型。团队还在篮球和单场 NFL 追踪数据上进行了评估，分析运动动力学的跨项目迁移性。
arXiv cs.AIAI 评分4343 大模型知识冲突需要先验而非固定规则
研究提出解决大模型检索上下文与自身知识冲突需要独立评估两方证据并引入上下文正确率先验 $\pi$，而非依赖固定规则。该机制在 GRACE 基准上使 Qwen3.5-35B-A3B 和 Llama-3.1-8B 分别获得 45.3 与 35.0 分，最高领先最佳基线 26 分。在 ClashEval 上，该方法比同骨干的 CK-PLUG 和 TCR 分别提升 12 与 26 分。
arXiv cs.AIAI 评分3939 StruPO：从结构反馈到提示词策略，学习高保真文生图提示词编辑器
研究人员提出结构感知提示词编辑器 StruPO，通过校准场景图将外部结构反馈转化为可复用的文生图编辑策略。在 3 个 2K 提示词测试集与 4 个冻结骨干网络的实验中，该方法改善了保真度与美学权衡，并持续提升关系保真度。15 名标注员研究与自动评测表明，关系越复杂人类偏好优势越明显，且校准后可单次生成优化提示词，无需迭代重写。
arXiv cs.AIAI 评分3434 当 AI 更擅长科研时人类为何及如何做科研：基于人类理解与指引的框架
论文提出基于“人类理解”与“人类指引”的双重测试框架，用于规范当 AI 达到或超越人类研究者时如何将科研任务委托给 AI。该测试要求科研界保留解释和质疑研究成果的能力，并将问题选择与结论意义的判断权保留给负责任的人类。该框架覆盖 CRediT 划分的各研究阶段，强调即便 AI 能力更优，科学研究仍须服务于人类对世界的持久集体理解。
arXiv cs.AIAI 评分3737 CohortFlow：支持局部语义修正的可控临床队列构建智能体
CohortFlow 是一种用于临床队列构建的可控 AI 智能体，通过将自然语言修正转化为局部更新并结合持久化执行图，可选择性重算受影响节点并保留已有结果。在基于 8B 模型的 100 个临床试验场景中，该方法达到 77.0% 的 requirement micro-F1，修正完成后的平均延迟降低 64.8%，模型调用减少 38.1%，并在 MIMIC 评估中成功执行全部 13 个队列状态。
arXiv cs.AIAI 评分4444 The Trinity：面向多模态智能体的能力驱动递归自我提升框架
研究提出面向多模态智能体的递归自我提升框架 The Trinity，通过 Creator、Explorer 和 Evolver 三个角色将世界生成与 Harness 演化耦合。
arXiv cs.AIAI 评分2323 通过数据生成策略提升深度学习模型性能：橄榄树病害分类
研究人员提出一种结合传统增强、CutMix、MixUp 及 DCGANs 合成图像生成的数据策略，用于解决橄榄树病害分类中的数据不足与类别不平衡问题。该方案设计了平衡类别分布（S1）、增加单类样本量（S2）与保持平衡扩增数据集（S3）三种场景。在预训练和微调的 EfficientNetV2B0 架构测试中，实验结果显著提升了分类准确率。
arXiv cs.AI精选AI 评分6565 arXiv 论文探讨如何衡量 AI 节省的时间：提出结合缺陷遗漏的复核模型
该研究提出应从包含缺陷遗漏的反事实视角衡量 AI 辅助节省的时间，而非单纯记录操作耗时。作者建立了复核基线模型并复现 METR 开发者公开数据，发现盲目信任会以整体时间损失换取表面耗时减少；在实验中，低估 AI 起草错误率会导致复核者减少核对，使错误率从零上升至 22.5%。
推荐理由：该研究指出单纯记录耗时会忽略漏检错误带来的代价，为评估大模型在实际工作流中的真实生产力提供了更严谨的反事实框架。
NatureAI 评分2121 遗传变异塑造单细胞染色质可及性与疾病风险
研究人员通过分析 922 名供者的近 350 万个 scATAC-seq 细胞核数据，构建了人外周血单细胞染色质可及性遗传效应图谱。该研究在 28 种免疫细胞类型中鉴定出 243,225 个 caQTL，其中超半数具有细胞类型特异性。整合 caQTL 与 eQTL 进一步揭示了超 70,000 个共定位信号，补充了单一 eQTL 遗漏的 GWAS 位点并改进了基因调控网络推断。
NatureAI 评分1616 真核生物最近亲缘古菌内部结构简单且依赖互养肽代谢
研究人员成功培养出真核生物最近亲缘分支 Hodarchaeales 的两株古菌，证实其细胞内部结构简单，不具备真核生物特征的内膜系统。实验显示该古菌虽携带末端氧化酶，但仍严格依赖与产甲烷菌的厌氧互养代谢降解肽类获取能量。该发现直接挑战了真核生物祖先在内共生前已演化出复杂细胞结构与有氧呼吸的假说。
NatureAI 评分1616 这片阿拉伯沙漠曾是绿意盎然的乐园，为何早期人类避而远之？
一项针对阿拉伯沙漠的考察研究表明，仅有丰富水源并不足以支撑早期人类定居，石材与水源的分布共同决定了人类能否在此繁衍生息。此外，本期 Nature 播客还探讨了通过太空巨型遮阳板阻挡阳光以应对全球变暖的科学设想，并涉及 AI 医生处方费用高昂等最新研究动态。
arXiv stat.MLAI 评分2828 Orlicz-Sobolev 与 Musielak：面向图结构 IPM 的高效正则化方法
研究人员提出广义 Sobolev IPM（GSI），利用 Orlicz-Sobolev 与 Musielak 范数的联系构建高效正则化方案，打破传统方法受限于 $L^p$ 几何的瓶颈。该方法通过底层图结构将优化简化为单变量问题，使计算速度比 Orlicz-Wasserstein（OW）快数个数量级，并在文档分类与拓扑数据分析中表现优异。
arXiv stat.MLAI 评分3737 论概念激活向量（CAVs）的变异性
一项针对可解释 AI 中概念激活向量（CAVs）构建过程的理论分析表明，CAV 的方差随随机样本数 N 的增加大致呈 1/N 比例下降。该通用结论在 4 种不同模态的多个真实数据集实验中得到证实。研究据此提出了资源高效型应用 CAV 方法的实用建议。
arXiv stat.MLAI 评分2626 基于密度比加法树模型的两样本比较
研究人员提出用于密度比估计的加法树模型，通过引入平衡损失（balancing loss）解决两样本比较问题，并支持梯度提升等监督算法训练。该平衡损失还可作为伪似然实现广义贝叶斯推断，为高维且数据受限分布下的密度比提供不确定性量化。实验表明提升算法计算成本低且精度高，该方法已成功用于评估微生物组组成数据生成模型的质量。
arXiv stat.MLAI 评分2929 贝叶斯优化中 GP-UCB 算法的改进遗憾界
针对贝叶斯优化问题，该研究证明了高斯过程上置信界（GP-UCB）算法在特定平滑度的 Matérn 核下能以高概率实现 $\tilde{O}(\sqrt{T})$ 累积遗憾。
arXiv stat.MLAI 评分4040 大语言模型的双重稳健对齐
研究者提出了一种面向大语言模型的双重稳健偏好优化算法，旨在解决 RLHF 因偏好模型或参考策略设定错误导致微调偏差的问题。该算法只要在偏好模型或参考策略其中之一设定正确时即可保持一致性，理论和实践性能均优于现有 SOTA 算法。该论文已被 NeurIPS 2025 接收，相关代码已开源。
arXiv stat.MLAI 评分3333 利用目标学习进行数据公平性推断
研究人员提出利用目标学习（Targeted Learning）非参数推断框架，用于评估训练数据生成过程中的数据公平性。该方法针对人口统计学均等（demographic parity）、机会均等（equal opportunity）及条件互信息推导了相应估计量。仿真结果显示，相比固定模型推断，该数据公平性估计量提升了置信区间覆盖率，并减少了对总体不公平性的误检。
arXiv stat.MLAI 评分3030 失败风险的代价：带凸正则化的截断障碍策略梯度
针对严防预算耗尽的操作控制场景，研究提出带凸正则化的截断障碍策略梯度方法，通过在状态中保留预算并将奖励下限截断至 -m，将 m 直接作为失败风险的定价。理论证明，在足够强的凸正则化下总体训练流具备指数收敛性，成功将策略梯度的平均场收敛从相对熵拓展至权重衰减，并保证风险超出对比策略的幅度在 1/m 阶以内。
arXiv stat.MLAI 评分3333 时序差分学习自适应不完全覆盖：子图上的预言机不等式
普通时序差分（TD）学习在表格型设定下无需预先选择子图或满足全局覆盖，即可自动融合 TD 的渐近效率与蒙特卡洛（MC）对局部访问的要求。论文提出了连接两者的子图 Bellman 方差，并证明全 TD 的均方误差被任意包含目标且充分覆盖的子图方差除以样本量所界定。有限样本极小极大下界与实验进一步表明，罕见状态被充分观测前无法达到渐近方差。
arXiv stat.MLAI 评分2929 统一精度矩阵与协方差矩阵的稀疏估计
该研究通过对矩阵最后一列进行单一重参数化，将稀疏精度矩阵与稀疏协方差矩阵的惩罚极大似然估计统一到同一框架中。该重参数化将似然函数解耦为一个一维极小化问题及后续的惩罚多元回归，适用于非对角线元素可分且对角线呈线性的任意惩罚项。当惩罚项采用 $\ell_1$ 范数时，该方法直接统一了 graphical Lasso 与 covariance graphical Lasso 算法。
arXiv stat.MLAI 评分2626 核范数正则化的贝叶斯矩阵补全
针对噪声精度未知的核范数正则贝叶斯矩阵补全模型，研究提出了首个具备明确非渐近保证的采样器。该方法将精度离散化至网格并通过热力学积分估计后验，能在矩阵维度和目标精度倒数的多项式步数内收敛至预设的全变差或 Wasserstein 距离。该成果确立了此类非对数凹模型的理论可行性，但其多项式复杂度暂不针对当前规模的实际应用。
arXiv stat.MLAI 评分3333 c-Rectified Flow 的计算与统计理论保证
研究针对生成模型核心架构 rectified flow 展开理论分析，证明迭代 c-rectified flow 在适度假设下始终收敛至最优传输耦合，解决了普通方法失效的问题。团队进一步在二次与强凸位移成本下确立了单步收缩与指数收敛保证。结合新分数估计率，该框架在维度 $d \ge 3$ 时实现了最优传输的速率最优估计，在 $d=1,2$ 时达到近参数速率。
arXiv stat.MLAI 评分3232 基于半正定核密度估计的分布保真数据插补
PSD-Impute 模型利用半正定（PSD）核密度估计将完全随机缺失（MCAR）下的插补重构为凸经验风险问题，可通过牛顿内点法求解闭式边缘分布。该模型支持从同一拟合密度中生成单重与多重插补，并提供自适应超参数选择的非凸扩展。其具备统计一致性并在规则概率分布下克服维度灾难，分布精度优于主流插补 baseline。