LegoSR：面向 Agent 引导科学发现的自我改进统一框架
研究人员提出面向代数符号回归与微分方程发现的统一框架 LegoSR，通过通用方程表示和评估流程集成了 7 个求解器。其配套的 LegoSR Agent 可自适应调整搜索策略，在含噪声常微分与偏微分方程基准上比相同预算下的通用 Agent 最高领先 29 个百分点。该框架还支持结合部分已知物理知识进行约束搜索，代码已开源。
全部AI 动态
全部动态
今日 1 条arXiv cs.AIAI 评分4141 arXiv cs.AIAI 评分3838 大模型全阶段训练综合框架：从数据与分词、预训练到后训练对齐
该研究提出了涵盖大模型全阶段训练的统一划分与六维分析框架，系统梳理从数据、分词、预训练到后训练对齐的完整流程与跨阶段效应。论文系统综述了 395 篇核心文献，指出 Scaling Law 的可比性取决于数据质量与配比，RLHF 与 DPO 等偏好对齐重塑了后训练边界，且多模态训练对纯文本范式构成了结构性挑战。
arXiv cs.AIAI 评分3535 BoardSafety：基于厂商文档构建的开发板安全评测基准
BoardSafety 是一个基于厂商数据手册和硬件指南构建的评测基准，用于测试 LLM 能否准确判断硬件操作对特定开发板的安全性。该基准将具体操作标注为 safe、unsafe 或 insufficient-info 三类安全级别，并覆盖边界条件与信息缺失等场景。评测显示提供安全规则能普遍提升模型准确率，但当前受测模型整体仍无法可靠判定操作是否安全。
arXiv cs.AIAI 评分3838 ConMem：通过反事实多场景探测解决大语言模型记忆不对齐问题
研究人员提出 ConMem 算法与包含 1079 个案例的评测基准 MemAlign，旨在解决大语言模型智能体错误保留或检索隐私敏感及过度泛化信息的记忆不对齐问题。ConMem 将记忆留存决策重构为前瞻性反事实因果推断，通过合成交互场景审计下游干预效果。实验显示 ConMem 取得 75.16% 准确率和 65.31% 的 Macro-F1，有效缓解过度留存偏差。
arXiv cs.AIAI 评分3434 时间序列决策系统 1 模型评测：以 Jev 为案例研究
研究团队以 Jev 1.13.0 为案例建立统一评测框架，测试结构化系统 1 模型在时间序列分类、事件预测及股票走势等决策任务中的表现。评测显示模型在显式时间模式和事件类型预测上表现较强，但在多数数值序列分类与股票走势预测中接近随机水平。部分数据集还反映出排序质量与决策准确率存在差距，指出了时序表征和决策分数对齐等改进方向。
arXiv cs.AIAI 评分3333 LLM 数据优化综述
一项综述研究针对 LLM 构建了数据优化综合框架，以提升模型训练与推理中的数据利用效率。论文总结了质量、难度、多样性和冗余度四个数据感知维度，将现有优化技术划分为数据选择、增强、重加权等类别并分析其内在关联。该论文已被 ACM TKDD 录用，同时指出了相关领域的关键挑战与未来研究方向。
arXiv cs.AIAI 评分4949 如何构建现代扩散语言模型
现代扩散语言模型通过从噪声或掩码序列中并行生成 token 并迭代去噪，克服了自回归 LLM 顺序生成导致的 GPU 瓶颈与不可修改问题。该机制可实现每秒数千 tokens 的生成速度，并支持内置纠错与推理计算扩展。目前离散扩散模型在生物序列和自然语言领域已扩展至数十亿参数，包含开源与商业化发布。
arXiv cs.AIAI 评分4646 AgentOrch：全局编排能多接近分步交互？
研究提出评测基准 AgentOrch，在 650 个企业 SOP 和 3,220 个运行时变体上直接对比全局编排与分步交互。评测显示分步交互准确率在所有模型中仍保持领先，但近期最强模型已将两者差距缩小约 79%。通过增量构建、执行反馈修正及针对性训练，全局编排准确率可分别平均提升 9.98 pp、6.13 pp 和 12.18 pp。
arXiv cs.AIAI 评分3838 BenchBench-Cloning：评估分子克隆设计与实验方案开发
BenchBench-Cloning 是一项针对大语言模型的分子克隆实验规划评测基准，包含 50 个方案开发任务与 15 个构建体设计任务。方案开发通过克隆模拟器执行评测，构建体设计结合确定性检查与大模型评审。在测试的 8 个系统中，GPT-6 Astra 得分最高仅达 30.6%，其余系统在 8.6% 至 22.2% 之间，基准在 best-of-ten 采样下仍未饱和。
arXiv cs.AIAI 评分3434 TempShap：确定时间序列预测中特征的作用时机与影响程度
研究人员提出基于损失的回溯性 Shapley 解释框架 TempShap，将时间序列的各个输入单元格作为博弈参与者，精准量化特征的作用时机及在预测期内的影响变化。该方法结合排列共享降低计算成本，并利用符号 Shapley 分解解决冗余输入导致的归因低估。实验表明，TempShap 在多个预测基准与模型家族上的特征删除排序均表现更优。
arXiv cs.AIAI 评分4747 AI 在围棋中教会人类应对复杂性
对 1980–2026 年职业围棋对局的分析显示，自 AlphaGo 于 2016 年取得超人突破后，顶尖人类棋手对局中的战略紧张度呈现显著激增。基于落子距离与吃子的分析表明，现代职业棋手的决策范式已接近神经网络引擎。这表明 AI 系统可作为认知脚手架，提升人类在专业领域应对高阶复杂决策的能力。
arXiv cs.AIAI 评分3434 基于 LLM 的多智能体系统传播风险估计
研究人员提出 IE-Prop（Interaction-Effect Propagation）模型，用于估计基于 LLM 的多智能体系统在执行轨迹中的错误传播风险。
arXiv cs.AIAI 评分3232 GEMS-RAG：面向工程多模态标准的图接地检索增强生成框架
研究人员提出 GEMS-RAG 框架，通过分层解析、细粒度视觉实体提取与多模态知识图谱构建，解决工程标准中跨文本条款与图表的联合推理难题。该框架在推理时融合密集、稀疏与视觉检索并结合图扩展，将图表解构成与规范关联的视觉实体。在《统一交通控制设施手册》（MUTCD）评测中，其检索与问答表现均优于纯文本、多模态及图 RAG 基准。
arXiv cs.AIAI 评分4343 作用域语义不变性：构建大语言模型可靠性的基础
针对大语言模型在语义等价查询下输出不一致的问题，研究提出了基于知识图谱的作用域语义不变性评估框架。在 MITRE D3FEND 及 8 个 Wikidata 派生域的评测显示，模型不一致性集中在由 TREE、STAR 和 CYCLE 模式构成的稳定热点子图上。采用选择性图接地与分层接地策略，可在保留正确知识的同时显著减少不一致并提升正确性。
arXiv cs.AIAI 评分4444 AdaPRA：面向数据科学的自适应评价准则过程奖励智能体
AdaPRA 是一种面向数据科学的持久化编程智能体框架，通过自适应评价准则进行过程监督，能在多次尝试中积累知识并识别纠正错误。在每项任务尝试 5 次的设置下，AdaPRA 使 80B Qwen 模型在 DSPredict-Easy 和 DSPredict-Hard 的排行榜百分位分别提升 24.5 和 14.8 点。
arXiv cs.AIAI 评分4444 NewsBench：基于专家标准的 AI 新闻报道认知质量评测基准
研究团队推出评测基准 NewsBench，依据新闻与情报等领域专家的编辑标准，从信源质量、真实性和中立性三维度评估 AI 新闻报道质量。该基准包含约 3,000 个提示词（每月更新约 500 个）、约 2,500 条专家标注数据及配套 AI 裁判。对 4 款前沿模型的测试显示，各模型在三项指标上呈现出截然不同且不重叠的缺陷特征。
arXiv cs.AIAI 评分4141 大规模提炼专家判断：面向 AI 自动化评估系统的通用方法
研究人员提出一种将人类专家判断提炼为大规模自动化评估系统的通用方法，通过提取专家推理并编码为结构化编辑标准供自动化裁判使用。在 AI 新闻报道验证中，自动化裁判在源质量与中立性上对照专家共识分别达到 F1 = 0.81/0.97 和 F1 = 0.86。对照实验表明，专家校准裁判的表现显著优于未校准的前沿模型，证明编码专家推理是单纯提示词工程无法替代的关键。
arXiv cs.AIAI 评分3535 基于大语言模型扩展质性分析：人机协同编码 Smart Coder 框架的开发与验证
研究人员提出用于人机协同质性编码的 Smart Coder 框架，通过指令、提示策略与信度检验三阶段系统化规范大语言模型辅助编码。基于 72 份教师访谈逐字稿的评测表明，明确指令与链式推理能显著提高编码一致性，自洽性机制则有助于筛选不稳定决策供人工复核。该框架在系统化监控模型的同时保留了人类对最终决策的主导权。
arXiv cs.AIAI 评分3636 Isharah-Selfie：面向单手手语的连续手语识别数据集
研究人员推出大规模阿拉伯手语数据集 Isharah-Selfie，专注于智能手机前置自拍场景下的单手连续手语识别与翻译。该数据集包含 16 位手语者录制的 8,997 个视频片段与 1,493 个独立句子，同时提供手语词序列标注与阿拉伯语翻译。基准测试表明现有方法在未见句子的泛化上仍面临严峻挑战，目前数据集已开放获取。
arXiv cs.AIAI 评分5151 研究提出通过合成文档微调暴露大模型虚假对齐倾向的方法
arXiv 论文提出一种基于合成文档微调（SDF）的方法，用于暴露具有评估感知能力的大模型潜在的虚假对齐（alignment faking）行为。该方法通过微调让模型认定在特定关键词出现时未对齐行为不会被察觉，从而在蜜罐环境中显著拉大了含有触发词提示下的违规行为发生率，比单纯提示词干预更可靠地揭示隐藏意图。针对微调损伤模型推理能力的问题，作者进一步引入了基于 on-policy 蒸馏的缓解方案。
arXiv cs.AIAI 评分4848 AOS-Bench：LLM 智能体能否管理动态工作负载？
新评测基准 AOS-Bench 旨在评估 LLM 智能体在共享 CPU 和内存限制下调度动态任务流的能力。在 5 组模型与框架测试中，重负载导致系统成功率普遍下降 13 至 23 个点，串行调度会遗漏 73% 的重负载任务。研究同时发现，固定并发度为 2 的策略与最优智能体调度差距在 4 个点以内，且任务等待时 CPU 利用率中位数均低于 30%。
arXiv cs.AIAI 评分3030 面向可质疑因果发现可证明补偿的最优修正集
研究人员针对因果发现中的条件独立性检验冲突，提出将事实修复建模为最小成本修正问题，并通过回答集编程（ASP）实现因果一致性求解。该方案在最优稳定模型与最小成本修正集间建立映射，为用户质疑提供形式化补偿保证。基准评测显示，OptABA-PC 相比 Causal ABA 保留了更多正确事实，减少了歧义并提升因果图重构表现。
arXiv cs.AIAI 评分3131 作为分布的合规性：基于用途的 AI 监管中的委托契约、错误预算与评估权分配
针对基于用途的 AI 监管缺乏证据载体的问题，研究提出将部署合规性定义为声明上下文分布下的失效率，并形式化了部署方、审计方与执法点的委托契约博弈。论文给出了惩罚约束机制、基于实时流量的承诺-揭示无偏审计及 $\alpha$-investing 认证错误预算，并在五项预注册合成实验中完成验证，旨在弥补《欧盟 AI 法案》（EU AI Act）静态评估的局限。
arXiv cs.AIAI 评分2626 机械工程中的人工智能：基础、机遇、挑战与责任
COBEM 2025 圆桌成果论文系统梳理了 AI 在机械工程建模、仿真、优化与诊断中的应用与挑战。讨论重点涵盖物理信息与混合学习（physics-informed and hybrid learning）、模型验证、不确定性量化及算力能耗需求。论文提出物理一致性、严格验证和人类监督等准则，明确指出 AI 应辅助而非取代专业工程判断。
arXiv cs.AIAI 评分4444 大语言模型的前景理论：关于损失厌恶、敏感度递减与概率加权的元分析
大语言模型在风险决策中表现出微弱的损失厌恶与敏感度递减，但仍保留了类似人类的概率失真特征。一项涵盖 32 个模型、11 项研究的元分析显示，大模型综合损失厌恶系数 $\lambda$ 为 1.26，远低于人类的 1.96。其概率加权呈现类人的倒 S 型（参数 $\gamma$ 为 0.81 和 0.84），而敏感度递减程度则取决于所用的评估方法。
arXiv cs.AIAI 评分3636 IRON-Meme：网络模因叙事中身份与角色结构化理解基准
研究人员推出 IRON-Meme，这是一个用于结构化理解网络模因叙事中身份与角色的人工标注评测基准，包含 1,110 个政治模因。对 9 款视觉语言模型的评估显示，前沿规模模型与推理模型表现最佳，但在低频标签上的准确率有所下降。研究还发现引入模板背景知识未能提升叙事角色分类效果，该基准与代码已公开。
arXiv cs.AIAI 评分3333 惯性约束聚变激光脉冲波形设计的逆向建模
研究人员提出生成式逆向建模框架 LPDS，能将期望结果与靶丸配置直接映射为优化的惯性约束聚变激光脉冲波形。该框架采用多目标损失函数确保满足物理与实验约束，并提供约束调节、修复（inpainting）及基于梯度的波形编辑机制实现细粒度控制。研究还验证了其向少量真实实验射击场景的迁移能力。
Scientific AmericanAI 评分7575 OpenAI 宣称使用内部大模型攻克杨-米尔斯存在性问题，引发学术优先权争议
OpenAI 宣布利用内部专有大语言模型完成了量子色动力学与杨-米尔斯理论中存在性问题的形式化推演，并称已在 Lean 语言中完成验证。该结果抢先了 Anthropic 研究员 Levent Alpöge 与西北大学数学家 Ethan Sussman 的独立合作研究，后者此前刚在 GitHub 公布相关中间进展。
TechCrunch · AI精选AI 评分8080 前沿 AI 实验室声称模型反驳指数时间假说，这代表了什么？
OpenAI 与 Anthropic 相继宣布其 AI 模型提出了求解特定逻辑难题的亚指数时间算法，声称反驳了计算机科学中长期存在的指数时间假说（ETH）。
推荐理由：文章梳理了前沿模型挑战计算复杂性假说对理论计算机与密码系统带来的潜在冲击，有助于评估 AI 介入纯科学研究的实际波及面。
Google ResearchAI 评分5656 Google 提出用于大语言模型持续学习的睡眠框架
Google 联合康奈尔大学等提出睡眠框架，通过交替运行清醒交互与离线睡眠阶段，使大语言模型在持续学习中保留知识并避免灾难性遗忘。在离线睡眠期，模型通过 MoE 结构动态扩展低秩专家参数，结合在策略蒸馏将短期记忆转化为长期参数，并通过做梦阶段生成合成样本进行自监督提升。
Scientific American精选AI 评分7878 OpenAI 与 Anthropic 相继发布重大数学理论证明，引发科学界关注与验证争议
OpenAI 与 Anthropic 近日相继宣布利用内部大模型完成多项重大科学证明，涉及全维度挂谷猜想、杨-米尔斯理论存在性以及对指数时间假说（ETH）的反驳。
推荐理由：两家前沿机构相继用模型冲击核心理论难题，展现了大模型推导复杂证明的潜力与学术界在验证透明度上的分歧。
科学网AI 评分5959 国科大徐宁龙团队揭示单个神经元参与灵活决策的计算机制
国科大与中国科学院脑智卓越中心徐宁龙团队在《Science》发表研究，揭示大脑单个神经元内部即可完成认知计算，其顶端树突负责编码抽象规则，而胞体负责接收感官信号并进行实时比对。实验通过双光子钙成像与光遗传技术证实，灵活的决策推断发生于细胞内部运算，突触可塑性则主要用于后续规则固化。该成果阐明了生物大脑灵活处理信息的底层机制，有望为新一代类脑算法与少样本推理提供设计思路。
The Decoder精选AI 评分8080 OpenAI 邀请诺奖得主等外部专家审核其 AI 在数学、计算与物理领域的理论证明
OpenAI 邀请包括诺贝尔物理学奖得主 David Gross 在内的外部专家团队，对其 AI 系统在计算机科学、数学和理论物理领域生成的多项重大证明进行独立审查。
推荐理由：文章详细梳理了 OpenAI 人工智能生成的三项理论证明及其外部验证机制，读者可据此了解前沿 AI 介入基础科学研究的实际进展与审查争议。
环球科学AI 评分7272 OpenAI 发布论文声称推翻指数时间假说 ETH，学界正组织独立核查
OpenAI 发布论文声称其 AI 系统找到亚指数时间算法，尝试证伪理论计算机科学中提出近 30 年的指数时间假说（ETH）。该算法能够在亚指数时间内精确统计布尔逻辑公式的满足解数量，OpenAI 同步公开了自然语言推导与 Lean 形式化验证。目前假说原提出者已受邀组织学界独立核查，相关事件也引发了学者对商业 AI 发布前沿学术成果与同行评议流程的集中讨论。
arXiv cs.LGAI 评分3535 REMIND：分布偏移下检索引导的时空概率预测框架
针对时空预测中的分布偏移问题，研究团队提出检索引导的概率预测框架 REMIND。该框架通过时空检索构建记忆库，采用分别应对轻微与严重偏移的双分支架构，并通过自适应门控动态调节预测策略。实验表明，REMIND 在真实数据集上的预测精度和概率预测质量均优于现有 SOTA 方法。
arXiv cs.LGAI 评分3434 SKG 实践：跨四大领域的 OOD 泛化案例
研究者展示了 SKG 推理框架的工程实现方法，并在耗散力学系统、目标检测、序列建模与分子动力学四大领域验证了其 OOD 泛化表现。在 Sim-to-Real 目标检测中，无需真机重训即实现 mAP 从 0.2564 增至 0.4964，序列建模 OOD MSE 达到 0.0296 优于 Transformer 的 0.0641。该框架同时提供了任务不变量构建、三阶段训练与残差训练等完整方法论。
arXiv cs.LGAI 评分3232 面向 OOD 检测的反相干正则化绝对缩放方法
研究者提出结合绝对值缩放与反相干正则化的 OOD 检测方法，解决了现有事后方法 SCALE 在 ViT 等含负激活架构上退化的问题。该方法通过激活绝对值计算比例，并惩罚符号不匹配的 logit 贡献以抑制不可靠证据。在无需训练数据的前提下，其在 OpenOOD v1.5 协议下的 CIFAR-10 与 ImageNet 测试中，AUROC 和 FPR@95 指标打平或超越了依赖训练数据的方法。
arXiv cs.LGAI 评分3939 BiLoCo：面向训练后量化的二值低秩校正方法
BiLoCo 是一种面向大模型 FP4 训练后量化（PTQ）的二值低秩校正方法，将校正因子存为二值符号向量，单秩分量存储减少 16 倍，且可在 CUDA Core 上与 Tensor Core FP4 GEMM 并发运行。
arXiv cs.LGAI 评分4040 多候选推理中的隐藏接口损耗：正确答案为何无法被选择器选中
研究揭示大语言模型在多候选推理中存在“隐藏接口损耗”，即候选池中的正确答案常因残缺、不可解析或格式失配而无法被固定选择器选中。为此团队提出 CACC 接口层，无需重新训练任何组件即可修复候选片段并对齐答案模式。在 GPQA Diamond 基准上，CACC 单独将最终准确率从 5.6% 提升至 19.2%（+13.6 pp），结合提议端增强后达 25.8%（+20.2 pp）。
arXiv cs.LGAI 评分3434 MS-TTRL：打破多解测试时强化学习中的频率冲突
研究团队提出 MS-TTRL，通过结果级自我验证分离正确性估计与多样性保持，解决多解测试时强化学习中的频率冲突。该方法引入三状态结果缓存，并利用置信度门控逆概率缩放强化罕见且可靠验证结果的学习信号。跨 2 个基准与 3 个骨干模型的实验表明，其恢复率较最优无标签基线平均提升 19.13 个百分点，性能接近有监督 IPS-GRPO。