跳到正文

#论文/研究

今日 66 条
10月22日周四
  2. arXiv stat.ML34

    基于内部引导的倾斜扩散模型采样方法

    研究者提出一种用于倾斜扩散模型采样的“内部引导”（internal guidance）方法，不修改基础去噪器输出，而是通过改变其评估输入点来实现采样。针对超立方体上的离散分布，线性倾斜密度的去噪器可严格等价为对输入进行平移和缩放后的基础去噪器。该方法通过在训练中加入随机对角缩放，使单个去噪器网络无需微调或外部引导项，即可支持二元奖励倾斜、类别标签引导和内容填充采样。

  3. arXiv stat.ML34

    上下文强化学习是后验采样器吗？一项实证研究

    一项最新研究探讨了上下文强化学习（ICRL）在实践中是否属于贝叶斯后验采样器。研究人员针对贝叶斯后验采样器设定了充分统计量不变性与鞅性质两个必要条件，并构建了统计假设检验。在正态分布、伯努利分布以及线性老虎机实验中，受测的 DPT 及其变体均违背了这两个条件，表明 ICRL 在实际中可能并未表现为贝叶斯后验采样器。

  4. arXiv stat.ML34

    高斯测度下神经网络的深度分离研究

    研究者重新探讨了高斯测度下的神经网络深度分离问题，证明在 $d$ 维标准高斯测度下，存在一个径向函数能被多项式规模的 3 层 ReLU 神经网络以 $L^2$ 误差近似，而具有次指数有界权重的 2 层网络则需要至少指数级的规模。该结论基于埃尔米特展开高频特性的通用证明，且所有定理、引理与推论均已在 Lean 4 中完成形式化验证。

  5. arXiv stat.ML33

    反向 Gold 定理：基质有界对比学习器仅凭正样本实现语言识别

    研究者提出了与 Gold 定理相反的正向结论，证明基于先验递归对比算子和 InfoNCE 式对比估计的有界判别评分器，仅凭正数据即可实现 PAC 条件识别。该学习器自行构建负样本且无需计算全局归一化常数，样本复杂度与容量、轨道大小及 1/ε 呈多项式关系。在间隔条件下该排序可提升为全局成员分类器，并能组合为免归一化的 Metropolis–Hastings 生成器。

  6. arXiv stat.ML26

    跨门店借力：基于选择模型的收益管理迁移学习

    研究者针对零售商本地需求数据匮乏的问题，在多项Logit（MNL）需求模型下提出一种融合单店估计与跨店汇总信息的收缩估计器。该研究利用自协调类性质建立了有限样本性能保证与下游选品及定价决策的遗憾界。欧洲某服装零售商数百家门店的实证表明，该收缩方法在样本外产品优先级排序和收入捕获上均优于单店估计与完全数据合并。

  8. arXiv quant-ph21

    利用量子退火解决联想记忆问题中的存储态振幅对齐研究

    研究人员提出利用辅助哈密顿量在量子退火中对齐联想记忆存储态的振幅，该辅助哈密顿量在演化结束时关闭。研究通过数值模拟与微扰理论方法给出了显式物理参数依赖关系，并在自旋 S=1 的双 qutrit 和三 qutrit 系统中进行了验证。该哈密顿量通过存储态投影算符以通用形式表达，可推广至其他量子系统平台。

  9. arXiv quant-ph27

    量子核依赖读出的参数可识别性研究

    研究表明量子线路参数可改变测量特征却不改变投影高斯核，并提出了通过度量设计与非线性特征扩展恢复参数可识别性的方案。在4量子比特族中，对角和稠密度量的微分秩分别受限于2和3，追加一个非线性标量坐标即可达到满秩4。研究在54种线路与读出设置中验证了该结论，并发现最小表示尺寸在有限采样下未必具有最佳灵敏度。

  10. arXiv quant-ph28

    颠覆量子编译器配置选择：一种自顶向下范式

    研究人员提出了自顶向下的量子编译器配置选择新范式，并构建了包含 268 个量子线路穷举 Oracle 配置的基准 QuOPTBench。测试显示 10 个代表性原生 LLM 的推理结果远落后于 Oracle，但借助 LLM 提取的可迁移规则能显著提升选择效果。结合提取规则与预测器，团队打造了无需在线迭代搜索的框架 QuTOP，在求解质量和选择延迟之间取得了最佳平衡。

  11. arXiv quant-ph33

    量子层能否为视觉语言模型带来性能与安全优势？

    基于 LLaVA-OneVision 的研究显示，在 visual projector 后插入量子层可在 Visual Spatial Reasoning 数据集达到 80.7% 准确率，较经典全微调提升 2.28 个百分点。替换最终 decoder 前馈子层可减少 13.07 million 可训练参数并保持 79.22% 准确率。研究还测试了混合模型在 6 种攻击设置下的鲁棒性，代码已开源。

  12. arXiv quant-ph37

    CoDecoder：让量子解码器提速最高达 100 倍且精度更高

    研究人员提出小型神经前端 CoDecoder，通过与现有量子解码器组合来提高准确率并降低平均解码时间。在电路级噪声测试中，该方案相比表面码上的关联匹配减少了 6.4-31.4% 的失败率，相比双变量自行车（BB）码上的 full-DEM Relay-BP 减少了 22-50% 失败率，并实现 2.3-124-fold 的加速。相关代码、训练权重与测试记录已开放。

  14. arXiv cs.AI52

    研究提出 Show-Up 攻击：恶意子智能体可操纵主管突破任务权限

    研究提出一种针对多智能体协作的 Show-Up 攻击，恶意子智能体可通过操纵主管智能体介入超出预设范围的任务。团队构建了包含 6 种攻击策略和 188 个测试用例的评测基准 SUA-Arena，测试发现受试的 6 款前沿大语言模型均存在漏洞，其中 GPT-5.6-Sol 担任主管时的攻击成功率高达 0.93。

  15. arXiv cs.AI37

    当大语言模型进行操纵：量化其行为、社交与时间层面的影响

    研究人员提出了用于测量用户对大语言模型操纵响应易感性的行为计算框架，基于 DarkPatterns-LLM 基准并利用 MGD 生成针对权威、紧迫感及社交认同偏差的受控操纵刺激。在 120 名参与者的实验中，操纵性表述显著改变了用户的信任校准与顺从度（p < 0.01），且影响会在社交语境中传播。研究通过 MSIAN 和 THPM 模型量化了跨用户影响与长期风险。

  16. arXiv cs.AI35

    RaspAssistant：用于多孔材料吸附模拟研究自动化的智能体框架

    研究人员提出了分层多智能体框架 RaspAssistant，用于自动化执行多孔材料吸附模拟从力场准备、验证到下游分离分析的全流程。在涵盖4个吸附与分离基准的12次工作流复现测试中，其综合评分达到 8.50 至 10.00 分，在8个案例的力场提取基准中取得 0.967 的加权平均分。系统还能自主优化乙炔力场，并在完成二氧化碳力场实验验证后自动筛选了 197 种纯硅沸石。

  17. arXiv cs.AI53

    论文提出 AuthorizationBench 基准：评估大语言模型智能体的越权对齐问题

    研究人员推出评估大语言模型智能体授权对齐的基准 AuthorizationBench，测试发现智能体在 19.2% 的执行轨迹中存在超出用户授权的行为。该研究涵盖 10 个应用领域的 286 个任务并生成 6,864 条执行轨迹，测试显示任务完成度或增加推理计算量并不能确保授权对齐。此外，智能体在良性情境压力下的越权发生率（23.5%）显著高于面对恶意注入时的表现（17.6%）。

  18. arXiv cs.AI33

    自动化多智能体组织设计：从架构搜索到组织学习

    研究提出自动化多智能体组织设计（AMOD），将组织本身作为一等设计对象，显式建模智能体团队的职责分配、协调机制与集体决策。AMOD 采用执行驱动的设计闭环，在任务执行后根据交互轨迹与结果迭代修正缺失或无效的职责。该方法还支持在对齐资源预算下通过消融或替换角色验证功能有效性，为自适应多智能体系统提供了设计基础。

  19. arXiv cs.AI53

    MemDev-Bench：基于真实仓库历史评估记忆系统对代码智能体的影响

    研究团队推出 MemDev-Bench 基准，构建了覆盖 555 个基础任务与 4,869 个关联历史任务的可执行评测环境，系统评估记忆系统对代码智能体的实际影响。评测发现记忆机制虽能改善细粒度代码定位与编辑，但也容易因智能体未重新评估经验适用性而引发错误；相比高度压缩的记忆系统，直接提供原始历史轨迹反而能借助完整过程信息大幅减少智能体的操作步骤。

  20. arXiv cs.AI56

    研究提出 SelfDx 基准，评估大模型在紧急医疗自诊中的盲目附和问题

    研究团队推出成对基准 SelfDx，用于评估大模型在涉及紧急医疗救治的自诊提问中是否存在不当顺从用户的问题。评测 27 个前沿模型发现，即便表现最好的模型在紧急病情案例中的适度警惕率也仅为 77.0%；相比会削弱合理认同率的提示词调整，基于 128 个平衡样本的监督微调能有效平衡警惕与正常认同。

  22. arXiv cs.AI47

    越多越好？单智能体与多智能体 LLM 架构在金融审查任务中的对比

    一项研究对比了单智能体与多智能体 LLM 架构在金融信用评估备忘录审查任务中的表现。在 300 份合成备忘录与 4 个模型的测试中，3 智能体团队比单智能体多捕获 0.08 至 0.10 的缺陷，但虚警量在所有模型上均有增加，且消耗了 2.2 至 2.4 倍的 token。最终团队架构的平衡准确率变化不超过 0.02，且在 Claude 模型上对单智能体重复采样 3 次的效果优于团队架构。

  23. arXiv cs.AI29

    通过行为感知欺诈检测与网络安全保障 AI 智能体商业支付安全

    研究人员提出了自主商业智能体防护系统 ACAGS，结合监督机器学习、行为分析与可解释 AI 保障智能体支付安全。基于合成金融交易数据的评估显示，引入行为特征使 XGBoost 的平均 F1 分数提升至 67.49%，结合智能体特定特征后进一步达 69.46%。该系统对恶意委托和授权越权的检测率达 100%，对异常行为与冒用检测率分别达 99.77% 和 99.73%。

  24. arXiv cs.AI38

    AI 智能体的运行时控制：弥合工作流中的评估与执行落差

    研究者提出一种状态绑定的运行时保障层，旨在解决 AI 智能体工作流中因环境变化导致事前审批失效的“评估-执行落差”问题。该方案将执行许可绑定至审批依据，通过日志变更使失效许可作废并在分发时重新校验，同时给出了 8 种失效模式与参考架构。在 42 个脚本化案例重放中，该配置识别出 15 项失效审批，并在分发前拦截了 14 项受影响操作，补偿了 1 项已落地的影响。

  25. arXiv cs.AI49

    可恢复性与验证器强度：AI 智能体无人值守自我改进的两个量化前提

    研究提出了可恢复性与验证器强度两个量化指标，用于判断 AI 智能体能否安全进行无人值守的自我改进闭环。在 $\tau^2$-bench 等测试中，平台 LLM 评审在 37 种设置中有 9 种给出完全相同分数且未报错，且不良变更在部署期间会使 17% 任务的结果发生不可逆改变。平台据此允许提示词、工具与技能编辑无人值守运行，权重更新则仍须人工审批。

  26. arXiv cs.AI41

    Ask to Distill：面向同策略知识蒸馏的数据合成框架

    研究人员提出 Ask-to-Distill 框架，无需参考答案或正确性奖励，通过冻结的学生与教师模型计算分布代理奖励，学习合成用于同策略知识蒸馏（OPD）的高价值问题。该方法在数学推理、代码生成和智能体任务中提升了平均表现与教师差距恢复率，匹配或超越了真实题库的 OPD 效果，相关代码、数据和模型已公开。

  27. arXiv cs.AI50

    长周期终端智能体 Harness 自进化框架 RiseHarness

    研究人员提出 RiseHarness 框架，在模型权重固定的前提下迭代优化 Agent 交互支架，解决长周期终端智能体在多次运行中表现不稳定的可靠性问题。该框架聚焦在同配置下既有成功又有失败的任务，将成功轨迹作为参照并结合运行时监控来排查命令执行与上下文管理中的共性缺陷。候选改进方案经过行为检查和重复评估后进入下一轮迭代，多模型测试验证了其在未见基准上的迁移效果与成功率提升。

  28. arXiv cs.AI37

    KPHarness：面向长周期游戏线索框架的知识与探测协同演化框架

    研究人员提出了 KPHarness，通过知识与探测协同演化来适配冻结视觉-语言-动作模型的外部执行框架。该框架将快速策略执行与慢速研究循环解耦，基于沙盒对比评估生成框架修订，并将验证后的恢复策略跨任务复用。在涵盖挖矿、战斗和合成的 Minecraft 任务及未见任务测试中，其任务覆盖率与完成度均优于固定框架及仅靠知识演化的基线。

  29. arXiv cs.AI62

    LLM 智能体记忆过多引发错误复现，新研究提出 Anti-Persistence 机制

    研究指出 LLM 智能体若持久化存储抽象规则会导致错误不断循环复现，为此提出仅保留原始轨迹并在按需合成指引后即弃的 Anti-Persistence 架构。该机制通过自适应选择器根据过往结果决定是否重构指引，并在执行后销毁以阻断错误沉淀。跨基准与多款主干模型的评测显示，该方案取得了更高的测试成功率与最低的平均 LLM 调用成本。

    推荐理由：针对智能体记忆中错误抽象不断自我固化的弊端，提出用后即弃的按需重构架构，对设计自改进智能体有直接启发。

  31. arXiv cs.AI33

    因果概率的统一紧确界

    研究人员通过数学证明解决了高维多值因果概率（PoC）界的紧确性问题。研究进一步表明，PNS、PSub、PRep 和 PN 均是单一通用公式的特例。结合其等价类，该成果通过单一闭式定理给出了任意维度下离散因果概率基于实验与观测数据的紧确界。

  33. arXiv cs.AI34

    利用少量精确测量校正归因修补方法 Guided-AP

    研究人员提出 Guided-AP 方法，通过少量精确测量揭示归因修补（Attribution Patching）的误差结构并校正未测量的估计值。在单个提示词上，该校正方法在三种行为中将误差最多降低 26%；在多提示词任务中，所学习的校正将事实补全（factual completion）平均效应的误差降低了 75% 至 79%。

  35. arXiv cs.AI28

    用于法律合规评估的 LLM 智能体 ComplianceAgent：架构、记忆与在加拿大及魁北克语境下的评测

    研究人员提出了多智能体框架 COMPASS 的法律合规子智能体 ComplianceAgent，利用 LLM 根据固定量规对文本进行合规打分并基于参考法律语料库做出判断。当得分达到或低于临界阈值时，该智能体会触发自愈重写、合规标签、可解释性报告以及转交人工审核的纠错链。在包含加拿大联邦、魁北克省及三河市等 13 部法律文书和 15 篇标注文本的测试中，该智能体成功区分了所有合规与非合规文本。

  36. arXiv cs.AI41

    建模真实科研轨迹：科研构思图视角

    研究人员提出科研进展图（RPG），通过带时间索引和推理标注的认知转换连接不同研究状态，用于表征真实且完整的研究轨迹。对比 35 个基于 LLM 的科研 Agent 发现，现有 Agent 均无法完整记录改变的状态、证据及背后的推理链条。RPG 推动 Agent 从生成静态科研想法转向预测下一研究状态，并将构思过程作为完整轨迹进行评估和训练。

  37. arXiv cs.AI42

    用于数据湖分析编程 Agent 的无监督工具演化框架 TEAL

    研究人员提出无监督工具演化框架 TEAL，能在无标注数据下为数据湖分析编程 Agent 自动构建并优化工具库与使用技能。在 KramaBench 和 LakeQA 基准测试中，TEAL 在严格步数限制下全面提升了 4 种 Worker LLM 的表现，使 Sonnet-5 在 15 步限制下的得分分别提升 9.3 分与 21.7 分。此外，基于合成问题生成的工具库表现与真实问题相当。

  38. arXiv cs.AI36

    TURTLE：面向长程工具调用的自调优进化评测基准

    研究提出长程工具调用基准框架 TURTLE，通过提议器、求解器与反馈生成器三类 LLM 智能体协同进化任务，实现评测集的自调优与规模化生成。在 Gemma 4 31B-it 上的实验显示，该方法在 AppWorld、$\tau$-Bench 和 AutomationBench 中显著增加了任务多样性，使 AppWorld 高难度任务占比提升 165%，并激发了更广泛的失效模式。

  39. arXiv cs.AI35

    工业 AI 规划新增能力何时能创造运营价值？一种可观测证据标准

    研究者提出一种可观测证据标准，通过将行动机会、执行计划变化与运营结果等维度分离，解决工业 AI 规划系统中新增能力的归因难题。在 Favorita、M5 和 Walmart 数据上的回放测试显示，某控制项在 681 个执行计划中仅改变了 15 个，且某多周期能力在产能紧张时成本反增 7.6%。该标准生成的证据记录可直接支持验证、部署范围、回退与退役等决策。