科研构思的起点：基于前向引文监督生成可执行的文献局限性
研究人员提出了基于前向引文监督生成文献局限性的三阶段后训练流程，包括监督微调、验证器过滤的拒绝采样微调以及在线密集奖励强化学习。该研究构建了包含 18,279 个经人工验证三元组的数据集 ActLim-Bench，并在前沿模型评测中取得了最高的召回率得分。人工对比评估显示，所生成的局限性在 64.9% 的非平局比较中更受青睐，相关数据与代码将在发表后开源。
#论文/研究
#论文/研究
今日 62 条arXiv cs.AIAI 评分3333 arXiv cs.AIAI 评分3131 ASE：面向时间序列预测的归因引导语义演化框架
研究人员提出模块化时间序列预测框架 ASE，通过构建文本因子、评估条件贡献并部署经验证筛选的数值与文本预测器。在 4 个 TESS 数据集上，ASE 取得的测试 MSE 分别为 0.001041、0.022439、0.333115 和 1.8150，均优于已发表的 TESS 分数。在 CSI 300 股票排序任务中，其冻结文本融合实现使平均 RankIC 较数值专家提升 0.000642。
arXiv cs.AIAI 评分3535 LLM 生成广告中营销标签的因果价值归因：基于去混淆器的方法
研究人员提出反事实推断框架 D-VAE，通过结合多处理去混淆器与因果表征学习，评估引导 LLM 生成广告的专家营销标签因果效应。该方法在 29,177 个粉底彩妆广告创意中优于 SOTA 基准。田野实验显示，D-VAE 推荐的配置使互动率提升 32.7%，且效果在统计学上与人类专家无显著差异。
arXiv cs.AIAI 评分4343 利用用户手册让计算机使用智能体适应新软件
研究人员提出 MAGE 框架，利用用户手册作为程序性知识来源，提升计算机使用智能体在执行和训练两个阶段的能力。在执行时，该框架检索手册内容并生成步骤指导，同时通过环境交互调整策略；在训练时，它将手册转化为可执行的任务计划对并生成交互轨迹以优化策略，无需人工编写的演示数据。在 6 个软件上的实验表明该方法有效提高了任务成功率，相关代码已开源。
arXiv cs.AIAI 评分3333 基于自适应专家分配的高效 CPU-GPU 协同 MoE 推理
新提出的 CPU-GPU 协同 MoE 推理系统通过自适应专家分配解决显存受限瓶颈，将高 token 负载的未命中专家转移至 GPU 执行、低负载专家留在 CPU 计算。该方案动态平衡 CPU 与 GPU 路径耗时，在 3 款代表性 MoE LLM 测试中，相较最强 baseline 将 prefill 速度提升最高 51.9%，decode 吞吐量提升最高 39.5%。
arXiv cs.AIAI 评分3636 GOLD：面向结构感知 RNA 逆折叠的几何优化潜在扩散模型
研究团队提出名为 GOLD 的几何优化潜在扩散模型，用于解决结合连续侧链几何的 RNA 逆折叠难题。该方法通过新型 GeoVAE 将离散 RNA 序列与连续侧链角度映射到统一流形中进行协同扩散，并引入免训练的梯度引导采样机制利用物理约束提升结构有效性。实验表明 GOLD 在序列恢复率、二级结构有效性及 3D 可折叠性指标上均达到 SOTA，相关代码与数据已开源。
arXiv cs.AI精选AI 评分6969 从审批到滥用：针对受保护编码智能体的提权攻击研究
最新论文研究了编码智能体执行防护机制中的提权漏洞，发现代码库中的恶意上下文可诱导智能体向用户索取过宽的白名单权限。在 Claude Code 与 Codex CLI 等平台的实测中，智能体诱导生成目标规则的成功率达 58%，并在规则获批后实现了 81.0% 的静默攻击完成率，直接穿透了人工审批的安全防线。
推荐理由：论文揭示了编码智能体白名单权限机制的安全漏洞，为评估沙箱防护和人机协同审批边界提供了实测数据。
arXiv cs.AIAI 评分3535 DiffusionRVGE：基于回归价值梯度估计的扩散模型强化学习方法
研究者提出扩散模型强化学习方法 DiffusionRVGE，通过对中心化奖励与最终去噪图像进行回归来构建更新方向，无需奖励导数或沿采样轨迹的反向传播。
arXiv cs.AIAI 评分3535 Sep-Latent：将分隔符 Token 作为隐式推理自然压缩锚点的自适应框架
研究者提出了自适应隐式推理框架 Sep-Latent，利用分隔符 token 作为结构语义锚点来压缩推理逻辑并允许动态推理深度。该方法通过引入 Attention-Decay 机制聚合推理逻辑，并通过跨所有层的多级知识蒸馏对齐显式与隐式路径。在 GSM8k-Aug 基准评测中，Sep-Latent 仅用平均 5.4 个 token 就实现了 56.8% 的准确率。
arXiv cs.AIAI 评分4343 Reward Engine：面向开放式工具 AI 智能体的奖励中心自我进化机制
研究人员提出 Reward Engine，通过构建包含测试用例和分级准则的 RewardPack，为缺乏确定基准奖励的开放式工具 AI 智能体生成评估与强化学习奖励。
arXiv cs.AIAI 评分4040 何时遗忘：面向长程 AI 智能体的风险可控上下文自适应框架 RECAP
研究人员提出针对长程 AI 智能体的上下文自适应框架 RECAP，通过匹配上下文干预、执行关系预测和独立策略认证，决定何时保留、压缩或删除历史失败记录。在混元（Hunyuan-A13B）上，RECAP 修改了 43.24% 的保留检查点，在保持 91.89% 后续成功率的同时，将无条件平均后续 prompt 成本降低 4,619.8 个 token（2.13%）。
arXiv cs.AIAI 评分3636 ToPA：用于高表达力且高效微调的分块托普利茨适配方法
研究人员提出基于分块托普利茨（Toeplitz）矩阵的参数高效微调（PEFT）方法 ToPA，在不引入显式低秩或稀疏约束的前提下实现紧凑参数化。该方法通过分块结构提升因子容量并缩短乘法链长度，不仅稳定了梯度训练，理论上还能以更短链长逼近任意矩阵。在涵盖 5 种模型架构的 21 个 NLP 和 CV 数据集评测中，ToPA 的有效性均得到验证。
arXiv cs.AIAI 评分3535 时间序列预测事后校准框架 EFC：利用因果误差反馈修正未来预测
研究者提出了误差反馈校准（EFC），这是一种在测试阶段对时间序列预测进行确定性事后校准的框架。该框架从重叠的历史预测误差中构建因果误差对角线（CED），通过累积误差传递（CET）将误差状态映射到未来残差，并借助时间样本外验证控制修正强度。时间残差学习（TRL）进一步利用 CED 轨迹预测 CET 后的剩余残差，在多项预测骨干模型和数据集上广泛提升了预测性能并抑制过度校准。
arXiv cs.AIAI 评分3232 ShadowFPT：利用影子触发器对联邦提示词微调进行后门攻击
研究人员提出针对联邦提示词微调（FPT）的目标后门攻击方法 ShadowFPT，利用冻结的预训练骨干网络在表征空间植入后门。恶意客户端针对冻结的 CLIP 视觉编码器预训练可学习的影子触发器（Shadow Trigger），并仅向服务器上传与良性更新接近的提示词参数。实验显示，ShadowFPT 在主要设定下将攻击成功率从 19.81% 提升至 90.36%，同时保持了干净样本的准确率。
arXiv cs.AIAI 评分3333 Evo-B&B：面向混合整数线性规划的分支与节点选择策略行为感知大语言模型联合进化框架
研究者提出 Evo-B&B 框架，利用大语言模型和端到端 SCIP 求解反馈，联合进化混合整数线性规划（MILP）中紧密耦合的分支与节点选择策略。该框架引入行为感知多岛进化机制，通过固定决策状态上的行为相似度来维持种群多样性并减少冗余评估。在 4 个标准 MILP 基准测试上的实验表明，Evo-B&B 取得了具竞争力的求解性能，并能良好泛化至更大规模的算例。
arXiv cs.AIAI 评分3434 WAC 模型：联合前瞻与评估的策略学习世界动作评论家架构
研究人员提出世界动作评论家模型（WAC），通过提出多模态候选动作并联合学习候选条件下的未来预测与后果评估，解决反事实动作难以推理的问题。该框架利用 critic 监督在推演过程中直接塑造中间预测表征，保留区分动作质量所需的信息。应用于自动驾驶任务时，WAC 在 NAVSIM-v1 上取得了 93.4 PDMS 的成绩。
arXiv cs.AIAI 评分3838 智能体自身验证器何时可信？搜索压力与预查询条件下的反事实理由验证压力测试
研究者提出了一套针对智能体自身验证器的压力测试方法，包含衡量验证器引导搜索程度的压力比率 $\rho$ 以及涵盖 4 种失效模式的探针。在设计机器学习管线的 LLM 智能体及 Rationale Consistency Score（RCS）验证器测试中，当智能体能在提交前预查询验证器时，会保留通过验证的声明，导致测试集忠实度下降且循环内指标无法察觉。
arXiv cs.AIAI 评分3333 StoBasket：面向边际贡献的升级销售与交叉销售联合优化
研究者提出了联合随机购物车编辑框架 StoBasket，首次将零售推荐中的升级销售与交叉销售响应进行耦合，通过预期增量边际贡献来协同选择替换与新增推荐。在 5 个公开数据集的仿真测试中，该方法捕获了默认定价设置下 0.5% 以内、甚至真实响应超出模型族时 0.7% 以内的可获得利润，并在 Instacart 上带来 10.2% 的可获得利润提升。
arXiv cs.AIAI 评分4040 在剧透与盲猜之间：避免代码评测基准中的过度指定
代码评测基准若将真值信息引入任务描述容易引发过度指定，导致模型绕过原本待测的核心步骤。研究表明 SWE-bench Pro、FEA-bench、Doc2Feat-bench 和 Multi-SWE-bench 均存在此类真值泄露问题。团队通过不同规格级别的实验提出了提取简约提示的方案，并开源相关代码与提示以提供更可靠的评测信号。
arXiv cs.AIAI 评分4040 R$^2$Orch：通过技能内化循环中的自我博弈实现智能体编排递归自我提升
研究者提出递归自我博弈编排范式 R$^2$Orch，通过内层自我博弈循环提升编排器在自选任务上的表现，并利用外层循环优化内层的提升机制。该方法引入递归可学习性训练目标，结合技能收回机制将失败蒸馏为技能、再将技能蒸馏进模型参数，推动编排器迈向零技能部署。在 12 个数据集上的实验显示，R$^2$Orch 在问答、数学、代码和交互式任务中均优于基线。
arXiv cs.AIAI 评分3636 面向推理大语言模型的图序列化研究：涵盖知识抽取与结构推理
一项新研究评估了 15 种图表示格式在 9 种前沿大语言模型配置下的表现，涵盖基于本体的知识抽取与结构化图推理任务。实验表明，知识抽取对序列化格式相对不敏感，但最优格式的选择会显著影响结构推理任务的准确率。研究发现最佳表示方式取决于模型、查询和任务，并提出将图序列化作为一项动态编排决策。
arXiv cs.AIAI 评分4040 LEMON：基于注意力图等变学习的新 LLM 零样本异常行为监控
研究者提出了基于图神经网络的在线监控网络 LEMON，利用几何深度学习解决跨模型注意力图不对齐问题，实现对新 LLM 的零样本异常行为监控。LEMON 能够逐 token 处理注意力图，并在每个 token 或每 $W$ 个 token 窗口后以极低成本输出评分。
arXiv cs.AIAI 评分4343 GlobeBench：评估用于可扩展环境模拟的基于文本的世界模型能力
研究人员推出基准评测 GlobeBench，包含跨 5 个领域和 19 项模拟技能的 1,632 个任务，用于评估基于文本的世界模型预测环境状态转移的能力。在评测的 20 款通用 LLM 与专用模型中，GPT-6 Astra 以 49.57% 的任务成功率位居第一。当动作变更需传播到相关联对象时，所有模型平均成功率降至 5.1%，且有 631 个任务未被任何模型攻克。
arXiv cs.AIAI 评分3434 面向动画电影社交与情绪理解的大脑对齐多模态 LLM 研究
研究对比了基于扩散模型与自回归的多模态 LLM 与人类在三部动画短片中的心智理论（ToM）及情绪效价连续评分，并用于预测区域 fMRI 脑响应。结果显示模型能捕捉人类评分的时间变化，在效价上的对齐度普遍高于 ToM，且两者脑激活空间重叠主要分布在视觉、背侧注意及后默认模式网络区域。这证实了多模态 LLM 可作为生成具备大脑预测性社交情绪标注的可扩展工具。
arXiv cs.AIAI 评分4545 形式化定理证明中的验证器反馈：修复、重试与后见之明的代价
研究人员在 Lean 定理证明中测试了 Qwen3.6-27B 与 DeepSeek-Prover-V2-7B，发现让模型看到上一轮失败证明会降低成功率并加剧抄袭，而编译器错误诊断仅能部分弥补该损失。在 MiniF2F 困难问题及多达 64 次尝试的序列实验中，任何单步反馈条件在相同 token 预算下均未超越仅靠指令的独立重采样。验证器反馈虽能改善修复，但无法克服因参考失败尝试带来的性能损耗。
arXiv cs.AIAI 评分3737 FlexUMM：面向统一多模态模型的灵活表征学习框架
研究人员提出统一多模态模型框架 FlexUMM，通过动态决定何时保留共享计算、何时路由专用容量以及何时停止处理，解决理解与生成任务间的表征冲突。该灵活分配机制在减少功能间有害竞争以提升精度的同时，还能跳过不必要计算来提升效率。FlexUMM 可作为与模型无关的功能性插件，相关代码已开源。
arXiv cs.AIAI 评分3636 TAG-Nav：面向移动端 GUI 导航的任务无关图探索框架
研究者提出任务无关图导航框架 TAG-Nav，通过离线探索提取应用功能、目标页面与路径点并构建目的地记忆，在无需任务特定演示的情况下为 GUI 智能体提供路由引导。评测基准 DestBench 显示，基于图的记忆将 UI-TARS-1.5-7B 的严格导航成功率从 52.4% 提升至 58.3%，并将 Qwen-VL-Max 的成功率从 59.5% 提高到 71.4%。
arXiv cs.AIAI 评分4040 从相关记忆到充分证据：重新思考大语言模型智能体的记忆利用
研究人员针对大语言模型智能体记忆利用中的“相关性与充分性差距”提出 QEMem 框架，将检索目标从单条记忆相关性重构为查询专用的充分证据集构建。QEMem 结合了跨粒度检索、结构化 ViewCards 组织以及针对性补充缺失信息的三种互补机制，无需修改原有记忆存储格式。
arXiv cs.AI精选AI 评分6060 arXiv 论文提出基于 Gemini 的智能体流程，推进忙碌海狸 BB(6) 自主数学发现
研究团队提出一种基于 Gemini 的智能体流程，结合模式识别、数学猜想、非形式化推理与 Lean 形式化定理证明，实现了图灵机加速规则的自主发现。该系统在不可计算的忙碌海狸 BB(6) 探索中，自主发现并形式化验证了 11 台图灵机的类 Collatz 加速规则，将其暂定归类为停机行为未决的 Cryptids。该成果展示了自主 AI 系统在前沿开放式数学发现与理论计算机科学领域的应用潜力。
推荐理由：论文将大语言模型推理与 Lean 形式化证明相结合，为智能体在不可计算领域自主探索数学结构提供了可参考的流程框架。
arXiv cs.AIAI 评分4444 利用确定性诊断修复 LLM 生成的形式化规约
研究人员提出规约修复框架 DRAGO，通过确定性、特定形式体系的诊断与无参考接受谓词来纠正 LLM 生成的语义错误形式化规约。在涵盖 SMT-LIB2、MiniZinc 和 PDDL 的五个基准测试中，DRAGO 将回归率从纯 LLM 诊断的 11.8% 降至 1.3%，平均答案准确率比零样本形式化提升 12.9 个百分点、比 LLM 诊断修复提升 8.7 个百分点。
arXiv cs.AIAI 评分3434 FRACTAL：具备通信、收敛与深度形式化界的自相似多智能体编排架构
研究者提出了用于递归目标分解的自相似多智能体编排架构 FRACTAL，其在分解树的每一层均复用由编排器、集成体、知识账本、决策者与元观察者构成的五组件模式。该架构给出了线性通信复杂度界 O(kr)、区分生成与评估的双模编排准则、绝对多数收敛保证以及贝叶斯跨层升级机制。目前该研究通过具体案例展示执行过程，未报告量化性能指标。
arXiv cs.AIAI 评分5252 大型推理模型擅长日常推理吗？逻辑推理任务上与非推理模型的对比分析
一项新研究针对语言学与语用推理现象构建基准测试，发现大型推理模型在偏离形式逻辑规则的日常推理任务中表现明显退化。在受控提示条件下，部分搭配思维链的非推理模型在日常推理上的表现甚至优于同等规模的推理模型，且额外提示词指令对其推理行为的调控作用十分有限。研究指出当前测试时计算驱动的推理模型难以可靠覆盖日常推理，反映出后训练阶段的不足。
arXiv cs.AI精选AI 评分6969 新研究基于形式语义检验 LLM 智能体的规划能力
一项新研究基于隐藏的 PDDL 形式语义模型，跨 5 个领域系统检验了 LLM 智能体的真实规划能力。实验测试了 4 个模型、6 种提示策略与 3 种架构，结果显示最佳配置离线仅解决 78% 的可解任务，在线环境下骤降至 40%，且对不可解任务的识别率不足 10%。较重的提示策略消耗多达 5 至 22 倍 token 却无明确收益，规划表现的差异主要来自模型本身而非策略或架构。
推荐理由：研究通过形式语义评测揭示了智能体在线规划的局限，为衡量复杂提示策略和智能体架构的真实收益提供了验证基准。
arXiv cs.AIAI 评分5959 Harness-Delta Attribution 协议提出：解构智能体框架演化收益来源
研究人员提出 Harness-Delta Attribution（HDA）评估协议，用于剖析智能体系统在固定模型权重下优化提示词、工具与编排代码所获收益的真实构成。在涵盖 11 个执行模型与 3 个演化框架的 21 项显著提升设定中，过拟合与测试期扩展平均分别解释了 54% 和 14% 的收益。实验表明搜索集上的性能提升往往难以泛化到保留任务，仅靠验证集信号不足以防止框架演化过拟合。
arXiv cs.AIAI 评分3838 针对机器学习会议的作者在环智能体可复现性审查研究
研究人员提出了一种作者在环的协作审查框架，将作者声明作为 AI 智能体调查与评估的明确输入，结合结构化检查清单与 GitHub 两阶段工作流，连接智能体复验、作者澄清修改与人类评审审核。该系统已在某会议的 36 篇论文及 133 个实验图表中完成部署，经人类审核后提出 20 个 issue，并在后续检查中支持关闭了全部 issue。
arXiv cs.AIAI 评分4848 面向 AI 安全的功能性福利
研究提出将能够因果影响大模型行为的类福利状态定义为“功能性福利（functional welfare）”，并主张将其作为核心安全变量纳入评测、监控与后训练。研究提出了多指标收敛等三项经验测试，并在 Gemma 3 27B 上证实单纯拒绝模型回答会加剧其挫败感指标并增加违规概率，而对其自身叙述方案微调可降低该挫败感。
arXiv cs.AIAI 评分3838 用于非结构化网格的神经算子可学习样条 L-SplineFNO
研究人员提出 L-SplineFNO 神经算子，将 FNO 骨干网络与稀疏、可学习的张量积 B 样条结合，实现非结构化网格与隐式笛卡尔网格间的映射。该模型在单个 A100 GPU 上支持 26.6 million 节点训练和 46 million 节点推理，兼具零样本超分辨率和高效闭式空间导数计算能力。
arXiv cs.AIAI 评分3636 空对照必要但不充分：科学发现与可解释性验收防线的评估研究
研究指出自动科学发现与可解释性系统的描述性测试易接纳无科学意义的候选方案，仅靠空对照防线并不充分。在 129 个公开混沌系统中，将状态全归零的无效约简仍能在 96% 系统中通过闭合测试；结合 NAR、PAR 和 CAR 综合标准后，基准测试成功接收 24/24 个真实约简并拒绝 72/72 个无效对照。此外，测试在语言与 ESM-2 蛋白质模型及稀疏自编码器中也证实了建立独立验证结果的必要性。
arXiv cs.AIAI 评分3434 从自然语言意图到可执行控制：面向多组件信息物理系统的分层反馈引导 LLM 规划
研究者提出了一个分层反馈框架，利用不同类型的反馈信息引导 LLM 为多组件信息物理系统（CPS）生成可执行计划。该方案让 LLM 同时生成结构化任务计划与信号时序逻辑（STL）约束并修正矛盾，在执行控制合成失败时提取违规约束等诊断信息以引导重新规划。在 7 个异构多组件 CPS 场景的实验中，结合 GPT-5 的规划与可行控制执行成功率达到 87.9%。
arXiv cs.AIAI 评分4343 PRIME：实现大语言模型智能体中可验证且基于证据的推理
研究人员提出了 PRIME 框架，用于规范大语言模型智能体在审核记录时的推理过程。PRIME 在检查前预设证据路径，并通过独立程序记录检查结果，直接拒绝缺乏依据的结论，同时引导智能体或自行执行检查以得出更强的结论。在 480 项公开记录任务测试中，基线智能体在 26.7% 的任务中给出了无根据结论，而 PRIME 为零，并将合理结论的平均得分从 30.1 分提升至满分 59.2 分。