自回归物理信息神经算子代理与 4D 地震-生产联合贝叶斯历史拟合
研究团队提出一种基于自回归物理信息神经算子（PINO）代理模型的贝叶斯历史拟合框架，实现了生产数据与 4D 地震数据的联合同化。在 100,188 个网格单元的测试模型中，该代理模型单次推演仅需 0.579 s，实现约 2500x 加速，并将 190 个成员、10 次迭代的联合反演控制在 1 个 GPU 小时内。
全部AI 动态
全部动态
今日 73 条arXiv stat.MLAI 评分3131 橘鸦AI早报AI 评分3535 橘鸦 AI 早报 2026-10-26
橘鸦 AI 早报汇总多项行业动态：Kimi 就限流向 K3.1 Pro 订阅用户致歉并重置最多 25% 月度额度，BOSS 直聘开源支持 512K 上下文的 33B 模型 Nanbeige4.3-33B。此外，CapCut 插件计划于 11 月接入 ChatGPT 开放测试，Anthropic 则因 Claude 涉嫌侵犯 274 首猫王歌曲版权面临约 4100 万美元索赔。
橘鸦AI早报AI 评分3131 AI 早报：WorkBuddy 内测技能付费，英国公布数亿英镑 AI 投资计划
英国公布数亿英镑 AI 投资计划，出资 1 亿英镑设立 AI Biosecurity Lab，OpenAI 与 Anthropic 另承诺最高 2 亿英镑的模型额度支持。WorkBuddy 开启技能与专家付费功能内测，支持一次性付费或按月订阅，内测服务费为 1%。此外，Claude Code 团队成员 Thariq 与 Anthony Morris 分别宣布离职。
橘鸦AI早报AI 评分3737 橘鸦AI早报 2026-10-24：月之暗面发布 Kimi K3.1 Pro
月之暗面发布 3 万亿级参数模型 Kimi K3.1 Pro 及高速版，支持 100 万 token 上下文，完整权重计划于 11 月 4 日前发布。MiniMax 开放 4280 亿参数模型 M3.1 Flash 权重，腾讯混元开源交互式视频世界模型 Hy-Nomas。Cursor 新增桌面控制能力，OpenAI Agents API 则上线定时任务 Automations。
OpenAI NewsAI 评分4444 OpenAI 保障前沿模型训练环境安全
OpenAI 阐述了如何加强前沿模型训练与评估的隔离防护能力。相关安全措施包括构建离线环境，以及开展高算力红队演练。
arXiv cs.AIAI 评分3434 基于行为定位的工具使用智能体稳健软技能适应
研究提出面向工具使用智能体的行为定位（Behavioral Localization）方法，通过定位文本技能显著改变模型 token 分布的关键轨迹位置来监督短 soft prompt。
arXiv cs.AIAI 评分3434 GuideEvolve：结合专家指导与 3Ts 机制的自演化智能体框架
自演化智能体框架 GuideEvolve 结合专家评估指导与 3Ts 自主调节机制，通过快慢思考、时序回滚与自适应终止优化认知与演化稳定性。评测显示，该框架在 MGSM 和 MMLU 上的准确率分别达 89.8% 和 89.1%，结果方差降低 25-59%。此外，其演化成功率达 100%，优化迭代次数减少约 50%，显著提升了生产部署表现。
arXiv cs.AIAI 评分3535 TIDE：基于模型行为的树归纳细粒度诊断评测
研究团队提出细粒度诊断评测方法 TIDE，通过行为驱动的决策树归纳，利用 LLM 裁判与信息增益递归构建分层能力树。在 4 个 benchmark 和 5 个模型的实验中，TIDE 揭示了总分无法体现的细粒度能力差异：Claude Opus 4.6 在微观经济市场推理达 100%（GPT-5.4 为 83.3%），但在合同法推理上以 77.8% 落后于 GPT-5.4 的 88.9%。
arXiv cs.AIAI 评分4040 选择还是弃权？System One 决策模型、LLM 与缺失法律依据
一项研究对比了 System One 决策模型与生成式 LLM 在法律判例缺失时的弃权表现。在扩展的 CaseHOLD 测试中，当缺乏正确裁决时，生成式 LLM 在 38%-86% 的项目中仍会强行作答，而最谨慎的决策模型仅为 30%。在标准 CaseHOLD 上，决策模型以 1/55 的成本达到了与最佳生成式 LLM 相当的准确率（88.1% 对 88.2%），二者配合可将错误引用减半。
arXiv cs.AIAI 评分4040 ToM2Vec：面向多智能体协作的连续心智理论 Token
研究团队提出 ToM2Vec，通过固定预算的连续推理 token 在隐空间构建心智理论（ToM），以提升 LLM 智能体的多智能体协作能力。在 Overcooked-AI、Hanabi 等协作与对抗场景中，该方法显著优于基线，并成功泛化至训练未见过的闭源模型 GPT-5.4。该隐式 token 还能直接提升智能体对搭档信念、意图和下一步动作的判断能力。
arXiv cs.AIAI 评分4848 UserSWE：在与动态用户的多轮对话中评测代码智能体
UserSWE 评测基准正式提出，通过基于 20,859 次开发会话校准的动态用户与逐轮代码执行裁决，评测代码智能体在多轮交互中修复仓库级 Bug 的能力。在涵盖 42 个仓库的 72 项任务评测中，11 个智能体的表现随交互预算变化：Claude Fable 5.1 单轮解决最多任务，Claude Opus 5 在多数中间预算领先，GPT-6-Astra 则在第 8 轮胜出。
arXiv cs.AIAI 评分3535 COMET：面向人类监督 AI 安全系统的协同多层运行时监控框架
研究人员提出面向人类监督 AI 安全系统的协同多层运行时监控框架 COMET，整合信号完整性、物理一致性与能力边界监控输出并映射为交通灯式诊断展示。在压缩空气泄漏检测评估中，COMET 在约 1% 标称虚警率下，将协变量偏移及四分之三传感器故障中的误信错误率降至 0。该框架能将匿名警报转化为具体故障诊断，有效解决了裸 AI 系统的静默失效问题。
arXiv cs.AIAI 评分4747 真实 PMID 与错误论文：生物医学主张验证智能体的架构设计研究
针对生物医学主张验证智能体的对照研究表明，检索而非推理是主要瓶颈，闭卷模型引用的真实 PubMed ID 中仅 3/327 相关。自主编写 PubMed 查询的 ReAct 智能体将金标准召回率提升 3 倍并实现 62% 准确率，引用相关率达 67%。直接提供金标准摘要时准确率达 79-86%，证明仅验证引用存在并不安全；相关代码已开源。
arXiv cs.AIAI 评分4444 TraceForge：用自身思维进行知识蒸馏
TraceForge 提出了一种以学生模型自身风格生成推理过程（reasoning trace）的知识蒸馏方法，解决前沿模型隐藏推理链的问题。该方法通过监督与对抗两阶段训练，生成 trace 的真实度评分达 0.68（经 critic 筛选达 0.82），优于真实 trace 的 0.66。
arXiv cs.AIAI 评分3232 从关联到决策价值：测试 VLA 语料库选择中的配对指令依赖性
新研究测试了配对指令依赖性在视觉-语言-动作（VLA）语料库选择中的决策价值。在 136 个四足导航语料库实验中，该指标虽降低了平均绝对预测误差，但 primary proper-log-score 增量仅 +0.059 nats，且在预设 top-20% 对比中未带来增量选择增益。结果表明反事实响应结构被压缩为无符号统计量时，所提供的实际决策价值较为有限。
arXiv cs.AIAI 评分4141 基于路径多样性的大语言模型并行思考
针对强化学习下大语言模型并行思考易陷入路径模式坍塌的问题，研究提出多样化并行思考（DPT）强化学习方法。该方法通过惩罚并行推理路径的前缀相似度来奖励差异化策略，进而实现对推理空间的更全面探索。在多个推理 benchmark 上的实验显示，DPT 超越以往基线并达到 SOTA 表现，相关代码已开源。
arXiv cs.AIAI 评分2626 Order of the Sinking Star 非局部水晶交换谜题的 93 步精确解
研究人员针对游戏 Order of the Sinking Star 在 11*11 棋盘上的非局部水晶交换谜题，通过代价有界的精确广度优先搜索给出了 93 步的最优解，排除了所有更短可能。该搜索结合可采纳启发式与剪枝策略，计算中保留了 605,349,215 个占位集合与 1,863,925,136 个状态。研究团队公开了源代码和复现程序，完成了该谜题实例的计算机辅助证明。
arXiv cs.AIAI 评分3333 RubricOpt：偏好优化中语义评分准则的自我修订
RubricOpt 框架允许策略模型在偏好优化中自我修订行为准则，通过诊断自身输出保留已覆盖要求，并针对未解决的常见失败编辑准则条款。该准则在保持偏好对与目标固定的情况下指导 DPO 训练，并在评估阶段移除。在能力和开放式生成基准测试中，准则调节相比常规 DPO 能改善结果，但在不同模型与数据集上收益存在差异。
arXiv cs.AIAI 评分3737 PreCoMem：面向自进化长程对话智能体的预测认知记忆
研究人员提出长程对话智能体记忆整合框架 PreCoMem，通过预测编码将记忆表示为置信度加权信念，并基于 Effective Surprisal 信号在 MAINTAIN、PROFILE 与 CORRECT 机制间调度更新。该框架在 LoCoMo、LongMemEval-S 和 PersonaMem-v2 上取得 SOTA 表现，在新基准 DiMoBench 上兼顾抗噪与信念漂移适应，代码已开源。
arXiv cs.AIAI 评分4343 事件而非像素：世界模型为何会估错回报
研究发现世界模型的回报估计错误主要源于关键事件转换而非像素渲染质量，仅修复获得奖励或回合结束的转换即可消除中位数 70% 的回报误差。在 Atari-100k 的 44 组测试中，事件补丁在 39 组中显著优于随机修补且中位数增益达 +44 个百分点，而按 MSE 等像素指标修补效果甚至不如随机对照。该结构不仅提升了规划排序，还能指导扩散模型定向修复失效。
arXiv cs.AIAI 评分3232 MERP：用于鲁棒多模态多标签情绪识别的潜在瓶颈框架
研究人员提出多模态情绪识别框架 MERP，通过将多模态序列映射至固定大小的潜在库，解决部署时模态缺失导致的性能下降问题。在测试期 20% 随机模态缺失下，MERP 在 CMU-MOSEI 和 M3ED 上的 micro-F1 分数分别达 0.563 和 0.780，在仅音频极端设置下保持 0.473 micro-F1，相关代码已开源。
arXiv cs.AIAI 评分4545 局面同形劫规则下的围棋求解：可靠证明转移与新棋盘博弈值
研究者提出并行证明数求解器 Sanko，通过证明转移定理实现了局面同形劫（PSK）规则下的围棋高效求解。Sanko 在 6 线程下仅用 16 分钟便求解 5x5 围棋（此前 SOTA 需 5.25 小时），192 线程下只需约 1.5 分钟。该成果还首次确定了另外 23 个棋盘的 PSK 博弈值（含 11 个此前未解棋盘），并开源了求解器源码及复现数据。
arXiv cs.AIAI 评分4242 从提示词到后验：LLM 智能体能否在上下文中执行贝叶斯推理？
研究团队系统评测了 LLM 智能体的贝叶斯推理能力，发现模型在上下文更新信念时普遍违背贝叶斯法则。但当模型配备推理能力与代码执行功能后表现大幅提升，甚至能紧密逼近解析不可解的后验分布。该评测表明，结合合适工具的现有 LLM 已可支持科学发现中的复杂信念更新，从而提升 AI 科研效率。
arXiv cs.AIAI 评分4242 AgentMonopoly：LLM 智能体的行为模式与角色控制
研究团队开源了 AgentMonopoly 评测环境，评估来自 4 个模型家族共 8 种尺寸的 LLM 智能体在博弈中的策略与角色控制效果。测试显示各模型在交易频率、租金免除及资产管理上差异显著，且更大尺寸的模型并未表现出持续的胜率优势。角色提示词虽能改变智能体的用词与部分动作，但无法保证其所有决策均与角色设定保持一致。
arXiv cs.AIAI 评分3737 SpatialBrain：从经验中成长的空间智能
SpatialBrain 是一个在保持视觉语言底座固定的前提下、通过积累决策经验来提升空间推理能力的框架。它包含融合场景观测信息的 3DFusionMemory、提供可复用工具程序的 Spatial Skill Library，以及将任务条件与决策经验关联的 Spatial Cognition。
arXiv cs.AIAI 评分3535 基于 LLM 的外生世界模型用于动态调度
研究提出后状态世界模型规划框架 AWMP，利用预训练 LLM 作为外生世界模型预测未来作业到达以优化动态调度。该框架结合惊奇触发刷新机制与在线残差自校准，仅在实际到达显著偏离预测时查询 LLM 并自适应校正。相比 8 种经典优先级调度规则，AWMP 在动态与柔性作业车间基准上分别将加权拖期降低 6-21% 和 22-46%。
arXiv cs.AIAI 评分5252 大语言模型在高风险决策支持中的收益与损失框架效应研究
研究团队推出包含 2,880 个提示词的 FrameBench-HPS 基准，评估七款大语言模型在医疗、金融等高风险场景中的收益与损失框架效应。测试发现互补的得失表述使 32.4% 完整组别的推荐类别发生改变，多数变动涉及不确定性而非直接反转。实验表明概率规范化能大幅降低框架敏感度，为改善大语言模型决策支持的一致性提供了切实可行的方案。
arXiv cs.AIAI 评分4343 ARCANA：抽象与类比推理评测基准
研究团队推出类比推理评测基准 ARCANA，测试从现实物体或物理现象到抽象网格变换的远距离类比映射能力。评测显示人类能可靠完成该任务，而主流 LLM 存在显著差距并暴露出系统性失效。为此提出的 ConceptSIR 推理框架助力标准 LLM 解决了直接提示词无法解答的任务，相关代码和数据均已开源。
arXiv cs.AIAI 评分3636 CrashGym：衡量反事实市场崩盘中 LLM 智能体实验的决策价值
研究团队推出限价订单簿模拟器 CrashGym，用于在反事实市场崩盘场景中衡量 LLM 智能体主动实验带来的决策价值。智能体需在去杠杆与流动性兜底干预之间做出抉择，系统通过模拟所有可行方案直接计算相对最优解的后悔值。在 24 个测试世界中，允许前置实验使 Luna 智能体的平均后悔值从 8.878 降至 3.785，降幅达 57.4%。
arXiv cs.AIAI 评分3232 从评分到安全集合：面向药物推荐的精确安全约束解码
针对药物推荐中的药物相互作用（DDI）约束，研究者提出利用混合整数线性规划进行精确全局解码，直接联合选择最高分且符合安全约束的药物集合。在 MIMIC-III 数据集及 FLAME 冻结模型评分测试中，该方法在严格 DDI 约束下测试集 Jaccard 相似度比最强局部修复基线高出 +0.0064，能保留更多真阳性并有效减少假阳性药物。
arXiv cs.AIAI 评分4545 当存在多个正确选项时：Jev 与其他决策模型的非对称概率分配
新研究评估 Jev、Liquid d1 和 GPT-6 Luna Decisions 三款决策模型发现，在多正确选项场景下模型存在严重的非对称概率分配问题。即使模型将所有正确选项排在干扰项之前，仍有 28% 到 50% 的列表中至少有一个正确选项的概率低于均匀概率 1/n。当提供 5 个相同正确选项副本时，平均概率差距达 17 至 79 个百分点，表明设定概率阈值无法准确识别出全部正确选项。
arXiv cs.AIAI 评分3434 TeachBack：面向在线自蒸馏的双向偏好优化框架
研究人员提出 TeachBack 框架，通过双向偏好优化解决在线自蒸馏（OPSD）中特权教师模型过度依赖参考答案、缺少推导与纠错过程的问题。该框架通过调控提示词中参考推理后缀的长度与风格促使教师自主解题，并利用成对偏好目标实现教师与学生轨迹的双向优化互促。实验表明，TeachBack 在数学和逻辑推理任务上的表现持续优于现有在线自蒸馏方法及相关基准。
arXiv cs.AIAI 评分4040 基于陷阱预判世界模型 PAWM 引导黑盒 LLM 智能体
研究者提出陷阱预判世界模型（PAWM），能在出现潜在陷阱时选择性介入并预测即将发生的失败，从而引导黑盒 LLM 智能体规避错误。PAWM 采用合成陷阱数据进行 SFT 训练，随后通过与黑盒 LLM 协同的 GRPO 进一步优化。评测显示，PAWM 使 Claude Sonnet 4.5 在 ScienceWorld 和 WebArena-Lite 上的表现分别提升 24.3% 和 7.7%。
arXiv cs.AIAI 评分3636 LaVGuard：针对上下文价值漂移的选择性解码
研究提出面向上下文价值漂移的选择性解码方法 LaVGuard，通过十维画像与密度门控在预算约束下调整 logit 生成。该方法将 5% FPR 下的边界 TPR 从 0.58 提升至 0.72。在 0.12 相同平均干预率下，LaVGuard 取得 0.88 的风险安全分，优于位置匹配编辑的 0.72。
arXiv cs.AIAI 评分3636 NormTune：面向推理密集型任务的范数引导参数高效微调
NormTune 是一种范数引导的参数高效微调（PEFT）方法，通过依据权重更新范数自适应强化更新不足的层，弥合 PEFT 在推理任务上与全参数微调的差距。在 S1K-1.1 上训练时，NormTune 使 rank-8 LoRA、Bone 和 MoRA 平均准确率分别提升 24.24%、11.33% 和 16.21%，且 rank-256 配置表现达到并微超 S1 全参数微调基线。
arXiv cs.AIAI 评分3434 StochIKM：从 Kaplan-Meier 曲线自动化高保真重建个体患者数据
研究团队提出随机算法 StochIKM，利用具备视觉能力的语言模型结合严格约束，可从已发表的 Kaplan-Meier 曲线中自动化重建一组高保真的个体患者数据集。该算法以精确复现风险表、图像分辨率范围内的曲线、中位数与事件数为硬性约束条件。在模拟实验及 79 个肿瘤试验组测试中，StochIKM 复现风险表和中位数的表现均优于 LLM 改进版 IPDfromKM。
arXiv cs.AIAI 评分4040 低预算递归自我改进：在代码编辑运行前对其评分
针对自我改写支架的代码智能体，新方法提出在代码编辑实际运行前结合差异特征进行线性评分，以实现低预算的递归自我改进搜索。在留出的 HumanEval+ 测试中，GPT-4o 藉此取得 87.0% 的解决率，优于 Huxley-Gödel Machine 算法的 85.1% 及初始支架的 81.2%。采用 Claude Sonnet 4.5 时该得分达 86.6%，同样超越消融对照组的 85.3%。
arXiv cs.AIAI 评分3434 GRAM：基于子空间对齐的分组低秩感知模型合并方法
针对多任务模型合并中的子空间干扰问题，研究者提出分组低秩感知模型合并方法 GRAM。该方法仅依赖微调权重，利用任务向量的主角几何特性将相容任务分组，并在组内执行基于 SVD 的合并。在仅增加一个模型（K=2）的设定下，GRAM 在 Flan-T5、8 任务 CLIP 及 Qwen2-7B-Instruct 医疗指令微调任务中均优于先前合并方法。
arXiv cs.AIAI 评分4242 同答不同理：多语言大语言模型的推理轨迹差异研究
研究提出多语言大语言模型推理轨迹差异框架，通过结构相似度与顺序一致性评估跨语言推理链。在 3 个基准、7 种语言和 6 款前沿 LLM 测试中，整体相似度前 25% 的样本有 52.1%–67.3% 未进入结构相似度前 25%。双语盲测证实人类判断更偏向结构相似度，表明传统方法严重高估了多语言推理的一致性。
arXiv cs.AIAI 评分2626 基于光电容积脉搏波（PPG）的上下文增强与会话校准血压追踪
该研究在 653 名 AuroraBP 受试者上评估了光电容积脉搏波（PPG）与上下文对会话校准血压追踪的贡献，基础模型收缩压/舒张压 MAE 为 7.697/6.139 mmHg。