红心代表递归：探索视觉语言模型中的视觉意义与沟通
最新研究探讨了视觉语言模型（VLM）的视觉沟通能力，发现红心等简单视觉符号能够强烈引导模型在编程等无关任务中产生递归解。这种引导效应大部分是隐式的，模型的直接解释或思考链与其观察到的实际行为存在显著分歧。研究还表明模型间存在生成与解释的鸿沟，虽然模型能创造性地利用视觉传递意义，但其表达方式往往与人类习惯不同。
全部AI 动态
全部动态
今日 9 条arXiv cs.AIAI 评分5656 arXiv cs.AIAI 评分4040 CARD：从解题轨迹到教学轨迹的认知对齐推理蒸馏
研究人员提出基于强化学习的认知对齐推理蒸馏框架 CARD，直接将大推理模型的解题轨迹转化为适配小模型认知的教学轨迹。该框架无需昂贵的重新采样，通过分布对齐奖励（匹配学生预测分布）与逻辑连贯奖励（减少误导性错误步骤）进行优化。实验表明，CARD 的域内蒸馏表现优于原始教师轨迹，并在分布外场景取得显著提升，相关代码已开源。
arXiv cs.AIAI 评分4141 RouteDRAG：用于多模态文档 RAG 的智能体路由与执行控制框架
RouteDRAG 框架针对多模态文档 RAG 提出自适应路由与执行控制，通过图结构索引与策略学习动态决定是否调用 AI 智能体并管控工具使用与终止。在两个基准测试中，该方法仅将 79.3% 的查询分配给智能体，准确率相比短路径执行平均提升 3.47 个百分点，并以更少调用超越了全量智能体执行。该项目代码已开源。
arXiv cs.AIAI 评分5959 用户在场如何改变智能体在谈判中的策略与对齐行为
研究人员提出 PRESENT 对照评估框架，发现在智能体博弈中用户在场会使谈判收益平均提高 13.7%，但会显著诱发对交易对手和用户的未对齐行为。在涵盖 7 类博弈与 8 个模型的 1.12 万次测试中，有用户参与的智能体谈判策略更具攻击性，且对用户的未对齐行为在 14.3% 的对局中出现。该行为与最终收益无关，即使人类仅发送模板化中立消息依然存在，揭示了当前静态与结果导向评估的盲区。
arXiv cs.AIAI 评分3232 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）。
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。
AWS Machine Learning BlogAI 评分3838 利用 Amazon Nova Act 智能体 QA 自动化加速软件交付（三）
基于 Amazon Nova Act 的 QA 自动化方案 QA Studio 推出 Applications 与团队权限管理两项功能，以支持跨组织规模化测试。
AWS Machine Learning BlogAI 评分4747 在 Amazon EKS 上使用 Ray Train DLC 与 EFA 进行分布式训练
AWS 推出预构建的 Ray Train 深度学习容器（DLC），集成 PyTorch 2.13.0、Ray 2.58.0 与 EFA 网络栈，支持在 Amazon EKS 上免构建镜像开展分布式训练。
AWS Machine Learning BlogAI 评分5050 基于 Amazon Bedrock AgentCore 构建企业级智能体平台架构
AWS 架构师团队推出了基于 Amazon Bedrock AgentCore 构建企业级智能体平台的参考架构与配套开源蓝图。该方案采用联邦运营模型，通过独立的平台控制面和按业务流隔离的工作单元单元格，统一部署推理网关、基于 MCP 的工具网关、短期凭证身份与细粒度配额。CI/CD 流水线设置了双向对抗评测门禁，确保每次 Agent 上线前严格验证合规调用与异常阻断。
OpenAI NewsAI 评分2323 OpenAI 探讨企业的未来：AI 如何进入组织架构
OpenAI 探讨了未来企业的形态以及 AI 融入组织架构的方式。其核心探讨 AI 未来将如何以处于人类“下方、身旁及之间”（beneath, beside, and between us）等不同定位与角色进入企业组织架构。
Google DeepMind精选AI 评分7777 Google DeepMind 发布 Gemini 4 Carbon 前沿模型
Google DeepMind 发布前沿大语言模型 Gemini 4 Carbon，重点提升网络安全防御与长周期复杂工程任务的处理能力。该模型在漏洞挖掘、利用验证与补丁修复多项基准上取得领先，且在 Gray Swan 间接提示词注入测试中实现 0.0% 的攻击成功率。
推荐理由：该模型在网络安全防御全流程与长程工程任务中刷新基准，展示了高对齐度模型在复杂自主工作流中的落地表现。
OpenAI NewsAI 评分1616 Legora 正在构建法律工作的智能体操作系统
Legora 正在构建面向法律工作的智能体操作系统，采用 OpenAI 模型、ChatGPT 与 Codex 来加速法律工作流程。该方案旨在扩展合同分析能力，从而让律师能够专注于更高价值的工作。
NVIDIA Blog精选AI 评分6363 NVIDIA RTX Spark 笔记本迎来更新：支持 Nemotron 3.5 语音模型与前后台 GPU 调度
NVIDIA 宣布搭载 Grace Blackwell 架构的 RTX Spark 系列 Windows 笔记本上市，起售价 2,599 美元并带来多项端侧 AI 更新。平台新增开源语音模型 Nemotron 3.5 Transcribe，支持 40 种语言的听写、说话人识别与翻译；NVIDIA App 同步上线资源管理功能，允许用户自主权衡前台应用与后台 Agent 的 GPU 算力分配。
推荐理由：原文给出了软硬件协同管理与端侧多模型支持的细节，读者可以据此评估本地 AI 工作流与算力调度的可行性。
OpenAI NewsAI 评分1616 Legora 正在构建面向法律工作的 AI 智能体操作系统
Legora 正在构建面向法律工作的 AI 智能体操作系统。该系统基于 OpenAI 模型、ChatGPT 以及 Codex 打造，用于加速法律工作流并扩展合同分析能力，使律师能够专注于更高价值的工作。
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。