AI 论文与研究

Language models can answer from precomputed memory, a model's saved reading of a body of material, reused across requests instead of read again at each. This paper maps where that practice preserves correctness and the conditions under whi…

Reliable uncertainty estimation is a crucial requirement for deploying large language models (LLMs) and vision-language models (VLMs) in safety-critical settings, especially when the model parameters are not accessible (black-box). We prop…

While self-supervised approaches to reinforcement learning have achieved strong results by learning representations of states and actions, a key open question is the time scale over which actions should be modeled. Departing from the stand…

Optimizing absorption, distribution, metabolism, and excretion (ADME) is an important part of small molecule drug discovery. Many machine learning models have been built to predict ADME properties to facilitate this optimization process, b…

Timely post-disaster building damage assessment from satellite imagery is a critical engineering decision support task, yet it remains constrained by class imbalance, ambiguous intermediate damage states, and limited cross-event transferab…

Reinforcement learning (RL), particularly RL with Verifiable Rewards (RLVR), has recently emerged as a central paradigm for enhancing large language models' (LLMs) reasoning abilities, demonstrating remarkable effectiveness across reasonin…

As language-model compute continues to scale, high-quality training data is becoming an increasingly important bottleneck. Conventional next-token prediction supervises what follows a context but leaves the intermediate reasoning behind th…

Collecting natural-language referring expressions along with region annotations, such as masks or boxes, is a major bottleneck in visual grounding (VG), as annotators must write descriptions that distinguish target regions from visually si…

Synthetic data is increasingly used to train large language models (LLMs), yet its security implications remain poorly understood. Prior work on subliminal learning suggests that models can inherit behavioral traits from seemingly unrelate…

Organizing unstructured feedback text into hierarchical taxonomy is a fundamental challenge in NLP, particularly in domains where feedback arrives at massive scale in varied forms such as reviews, transcripts, and surveys. Existing approac…

Large language models are increasingly capable in general, but their utility can remain modest in niche or understudied areas. One approach to address this limitation is to specialise existing models through additional training on target-d…

With the development of large language models (LLMs), generative retrieval is becoming increasingly important in e-commerce scenarios. Current mainstream approaches typically use a two-stage training strategy: first train a product embeddi…

Robust estimation is a core computer vision task frequently tackled using sample consensus. However, traditional methods suffer from inefficient sampling as they struggle to identify effective minimum sets before hypothesis evaluation. To …

研究发现，恶意检索文档可提升模型token置信度与输出一致性，导致基于不确定性的检测器失效。作者将攻击下注意力集中于投毒文档而非分散于检索证据的现象称为"注意力崩溃"（Attention Collapse）。因此，仅检查最终答案或置信度可能漏报，监控检索文档间的注意力分布或可提前暴露投毒。

一项实验让AI智能体在6天、3000美元预算内产出两篇研究论文，结果均遭拒稿。执行层面毫无问题--智能体运行了数百次实验、调试GPU集群并完成LaTeX排版，但判断力缺失导致其面对负面评审时只会收窄论点、添加免责声明，而非重新设计实验。两轮实验结束时预算均剩余过半，说明问题在于想法匮乏而非资源不足。

Code as Worlds 面向物理推理的可执行世界表征的智能体发现 论文：https://huggingface.co/papers/2608.27549

新论文《Safety Does Not Compose》指出，自主智能体若跨迭代记忆，其安全系统就不能在迭代间遗忘，长期任务安全无法简化为重复运行安全的短期轨迹。攻击者可将恶意证据分散在多个看似良性的步骤中，仅基于轨迹的监控器无法积累足够上下文识别攻击。论文地址：arxiv.org/abs/2608.27141。

新论文提出 PILOT 框架，让智能体在任务运行中实时自我改进，而非等运行结束后才学习。监督者实时观察工作进程、可引导或中止，并将经验写入持久技能与记忆。在 6 项模型基准配置中 5 项排名第一，GLM-5.1 与 Kimi-K2.6 在 Terminal-Bench 2.0 上最佳通过率分别提升 14.6 和 12.4 个百分点，输出 token 量下降 42.9% 和 47.4%。

论文提出 Verification-Aware Training（VAT），一个即插即用框架，在训练每一步模拟投机解码的验证过程，把接受与拒绝模式转化为监督信号。

论文提出 Qwen-Drive-1.0，是迈向自动驾驶视觉语言基础模型的初步尝试，保留预训练 VLM 架构，将 3D 感知、视觉问答与运动规划统一在同一框架内。

研究者提出 MNIST-PRO 基准，把 MNIST 数字识别改造成带回看约束的序列化瞥视搜索任务，以隔离评测智能体的感知状态构建能力。评测覆盖十个多模态模型和四种记忆表征，发现模型在全可观测下表现良好，但部分可观测下暴露三类瓶颈：难以整合碎片化瞥视、过早停止探索、面对矛盾证据时难以修正早期错误信念。

论文提出 CAST，一种批判感知训练框架，将稀疏任务结果转化为动作级监督，用于批判学习与策略优化，通过分析智能体轨迹合成解释动作有效性的结构化理由。在动态工具调用基准上微调 Qwen3 系列模型，Retail 任务 pass^4 超过 GPT-OSS-120B 达 10% 以上，域外 Telehealth 场景额外提升 9%。

arXiv 论文提出面向持久智能体的感知中心架构 Pera，将智能体组织为感知与控制组件，持续从情景任务执行、内部上下文和环境变化中感知服务相关信号并构造生命周期任务。作者用 Pera 回顾性梳理近期工作并给出案例研究，将语言智能体的演进类比软件工程从小程序到大型程序的架构转变。

论文提出 Normalized Low-Rank Adaptation（NoRA），在训练中对 LoRA 的下投影矩阵做归一化，并发现仅在初始化时归一化也能改进标准 LoRA。在预训练、监督微调和强化学习中，NoRA 加速收敛、提升性能与训练稳定性并缓解灾难性遗忘，且不增加可训练参数和推理时计算。

论文提出 NavMCP，一个将 VLM 推理智能体与导航基础模型（NFM）执行器耦合的智能体脚手架框架，通过意图、观察、记忆三条通道协作，无需重训任一模型即可实现长时程探索。

研究团队发布 LightNav-0，一个紧凑的通用具身导航模型，通过双通道指向和残差向量量化动作 tokenizer 激发预训练 VLM 的空间智能，无需任务专用预测头。训练语料覆盖 2K+ 场景和 4K+ 小时具身导航数据，LightNav-0 在全部 10 个公开导航仿真环境中取得单目成功率 SOTA，真实世界评测显示跨机器人本体、场景及静态动态目标的零样本泛化能力。

论文提出 MineAmongUs，一个 3D 多模态 Among Us 沙盒，让 imposter 智能体通过言语与非言语联合行动欺骗船员，并配套可配置的 VLM 智能体框架 ARIA 和基于欺骗分类学的原子与弧级标注方案。

论文提出 Hi-Q，一种证据条件化的层次化查询细化框架，用于多跳问答中的可检索粒度发现问题。框架在查询节点用分辨率算子判断证据是否支持当前查询单元，未解决节点按依赖保持的二元算子扩展，并由语义覆盖验证器检查，查询树拓扑由语料支持信号决定。

论文提出 Data Intrinsic Consistency（DIC）自评分指标，通过视觉信息一致性（VIC）和响应信息一致性（RIC）两个模块量化样本内部一致性，并据此构建自适应数据选择方法 DICS。

论文提出 CASTER，一种免梯度的测试时适配方法，面向必须保持冻结的模型，将源类统计存入判别子空间并用目标批次矩估计类共享仿射变换，无需反向传播、优化器状态或源特征库。

论文提出 PaperGym，将每篇科研论文转化为研究计划生成的完整训练环境，题目由研究目标与背景合成，评分标准来自方法与实验部分，标准泄漏降至 3.7%，低于现有数据集的 11.90% 至 34.10%。

论文提出 AutoSciRub，一个评估优先框架，在科研任务执行前自动归纳任务专属的可执行评分标准（rubric），用于指导执行、逐条验证和迭代修订。该框架将模糊指令分解为原子科学目标，结合文献和任务数据合成具体可验证的标准。

论文研究大型推理模型（LRM）如何在人类监督逐渐退出学习回路后继续提升，提出从 L0 到 L4 的五级阶梯框架，覆盖奖励轴（从人工判断到无需人类反馈的可复用验证器）和经验轴（从人工策划任务到自生成课程与自主协同进化）。

研究者发布 Multi^3IR 基准，评估检索器对开放式查询在多领域、多模态下多视角的覆盖能力，含 104.9K 条 Stack Exchange 查询及视角标注。实验显示现有多模态检索器存在单一视角偏差，所提 SPIN 方法通过学习噪声向量调整嵌入方向，显著提升视角覆盖并可泛化到未见基准。数据与代码见 https://github.com/seokwon99/Multi3IR。

论文提出 PaperBanana-Interact，一个通过内部 critique-and-refine 循环精修科学图表的多智能体系统，并发布多轮图表生成基准 MTPaperBananaBench，含 292 张图像和 3，518 条用户需求标注。

DreamX-Creator 1.0 是一个以 7B 生成器为核心的原生音视频联合生成系统，基于首帧和文本提示对音频与视频流联合去噪，通过 Gated Cross-Modal Attention 在网络后半段耦合两个模态。

E-Commerce Bench 是首个将多轮对手谈判与动态事件纳入一年期经营的开源基准，智能体需在 365 天内同时运营多家网店，涵盖市场研究、供应商谈判、销售优化、订单履约与现金流管理。

论文定量分析 on-policy distillation（OPD）训练中的教师监督，发现其噪声随教师规模增大而增加，且学生策略对该噪声不敏感。学习集中在低 log-probability token 上，用单一固定负优势即可匹配教师提供的信号，表明 OPD 主要通过抑制低概率 token 起作用而无需教师。

WHALE（Weight-Harness Alternating LEarning）是一种联合优化模型参数与可执行 harness 代码的方法，交替进行在线拒绝采样微调和 Meta-Harness 搜索，并用固定时长或自适应耐心规则决定切换时机。

Lucida 提出可组合真实到仿真场景建模方法，将真实室内场景恢复为按观测排布、可单独操作的完整可编辑物体资产。方法沿用解析、生成、放置三步，但把精度要求重新分配到流水线末端：解析视频生成携带逐实例多视角证据的场景图，据此生成完整资产，并用 VLM 策略 GizmoAct 将放置建模为多轮 GUI 交互，闭环操纵物体 gizmo 并自行判断对齐完成。