Multiverse 将 LLM 块删除重构为 Ising 优化问题

研究以 Llama 3.1 8B 为基础，先用 ICLR 2018-2023 官方评审微调审稿模型，再用 ICLR 2024 数据混合官方与模型生成评审训练四个后继模型，发现引入合成评审会压缩评分分布并降低同论文与语料级语义多样性，作者称之为"科学判断坍缩"。

研究者提出零阶对齐方法 ComPO，基于比较预言机从偏好对中提取方向信息，不直接优化可微偏好损失，并在平滑性、梯度稀疏等条件下给出离线方案的收敛保证。在线版本保留离线比较机制，用无标注策略生成做相对参考策略的 reverse-KL 控制。在 Mistral、Llama、Gemma-2、Qwen3 和 Gemma-3 上的实验显示其优于现有直接对齐方法，包括长度控制胜率。

研究发现，固定模型、干净数据和投毒样本数量，仅改变投毒集的选择，LLaMA-3-8B 后门攻击成功率就会从 3% 波动到 80%，随机采样会严重低估最坏情况下的脆弱性。为此作者提出 SAILS，通过数百次微调-评估运行学习集合评分器，对数百万候选投毒集排序并只审计少量候选。SAILS 在留出集上的攻击成功率平均比最强影响力基线高 30 个百分点，并可从小规模迁移到全规模微调。

研究者提出 Mind2Dialogue 框架，通过心理学引导的模拟器生成用户心理状态，并将其转化为特权监督信号，训练能理解用户未言明信念与目标的语言模型。在完整语料上训练后，Qwen、Llama 和 OLMo 指令微调基线在所有已报告的个性化指标上均有提升，偏好遵循生成任务提升 26.6 至 40.9 个百分点，Qwen 和 Llama 的信念与行动推理能力也同步增强。

SQS 提出一种统一框架，通过贝叶斯变分学习同时进行剪枝与低比特量化，采用 spike-and-slab 先验结合高斯混合模型（GMM）建模量化权重，在 ResNet、BERT-base、Llama3.2 和 Qwen2.5 上实现比现有方法更高的压缩率，且性能下降相当。在相同位宽下所需参数更少，在 2-bit 和 4-bit 精度下表现尤为突出。

Hugging Face 最新研究引入三项测试量化语音识别中的基准优化（benchmaxxing）现象。对 11 个开源 ASR 模型的评估显示，多个高分系统会复现 VoxPopuli 和 LibriSpeech 基准的错误转录文本，即使音频内容与之矛盾。部分模型甚至依赖声学线索识别基准来源，导致其得分高估了真实转录能力。

智能体记忆并非可随意开启的功能，而是需按模型能力校准的剂量。强模型适合注入完整指南集，DeepSeek-V3.2（671B MoE）任务完成率提升+9.5个百分点；较弱模型采用精选检索效果最佳，gpt-oss-120b（117B MoE）提升+16.1pp且仅增加+5% token。该方法无需更新权重或人工标注，通过从智能体过往轨迹中蒸馏指南并在推理时注入实现。

深度研究智能体在结合私有本地文档与外部网页检索时存在隐私泄露风险。MosaicLeaks 提出包含 1，001 条多跳研究链的新任务，每条链交错混合本地与公共子问题。测试发现智能体频繁泄露私有信息，单纯优化任务性能反而加剧泄露。基于此，研究提出隐私感知深度研究（PA-DR）强化学习训练方法，将严格链成功率从 48.7% 提升至 58.7%，同时将答案/全面信息泄露率从 34.0% 降至 9.9%。

Hugging Face 博客发布针对语音智能体处理代码切换语音的基准测试。数据集覆盖西班牙语-英语、法语-英语、加拿大法语-英语和德语-英语四对语言，基于人力资源与IT服务管理场景构建。采用词错误率、语义词错误率和答案错误率三项指标评估七种ASR系统，包括AssemblyAI Universal 3-Pro、Deepgram Nova 3 Multilang、ElevenLabs Scribe V2、Gemini 3 Flash、Mistral AI Voxtral Sm…

EVA-Bench Data 2.0 将评估范围从单一企业领域扩展至航空公司客户服务管理（CSM）、企业 IT 服务管理（ITSM）和医疗 HR 服务交付（HRSD）三个领域，共涵盖 121 个工具、213 个场景，场景数较原始版本增长约 4 倍。每个场景均经 OpenAI GPT-5.4、Google Gemini 3.1 Pro 和 Anthropic Claude Opus 4.6 验证可解性。数据集遵循语音优先、真实性、多样性、认证流程和可复现性五项设计原则，包含单…