精选

Relaxing Faithfulness with Intervention-Only Causal Discovery

AI 润色工作邮件会显著改变邮件的情绪基调（玩耍语气增加积极性，专业语气降低积极性），但并不会直接改变收件人的打开率、回复率或响应时间；然而，发件人自身邮件中的积极情绪会显著预测收件人的行为（打开几率提高约 2 倍，回复几率提高约 3.3 倍），这表明 AI 辅助沟通通过所产生语言的情绪基调间接影响职场互动。

值得关注：这是首个通过现场随机实验（而非实验室情境或自陈报告）检验 AI 辅助写作对收件人实际行为影响的研究，提供了高生态效度的因果证据。 研究区分了“使用 AI”本身与“AI 产出的语言风格”两种作用渠道，揭示了情绪基调是关键…

Paradoxes of Game Theoretic Equilibria and Price of Anarchy

**研究问题**：现有基准缺乏对视觉型工具调用代理（visually grounded tool-calling agents）的系统评估，尤其缺少支持多图像、多轮对话、状态变更以及真实对话现象（目标修改、错误纠正、状态突变）的统一评测环境。 **事件**：该论文提出了 MM-ToolSandBox，一个包含自动场景生成管道、人工验证场景集和交互式 UI…

值得关注：填补了视觉工具调用代理系统评估的空白，提供了一个可复现、可扩展的统一基准。 揭示出“视觉精度”而非“规划能力”是当前最强模型的主要短板，这一发现与以往认为规划是瓶颈的认识不同。 明确指出了不同规模模型的不同改进路径，对…

MicroCharNet 以仅 0.08M 参数和 0.096 GFLOPs 的计算量，在 UFPR-ALPR 车牌字符检测数据集上达到了与多个近期 YOLO 基线相当甚至更优的精度，证明了超轻量架构在边缘设备上实时部署的可行性。

值得关注：挑战了“高精度必须依赖大模型”的惯性认知，为资源受限场景（如嵌入式车牌识别、移动端交通执法）提供了可落地的轻量方案。 与既有材料（如 AnyStyle 等）无重复；本卡片关注的是超轻量目标检测在特定垂直领域（车牌字符）…

尽管大语言模型（LLM）在众多任务上表现优异，但其是否具备、如何具备以及能在多大程度上展现出有效的元认知能力（对自身认知过程的监控与调节）仍不明确；本综述首次系统梳理了该领域的现有知识、评测方法、改进技术及未来方向。

值得关注：元认知被视为迈向更通用、可靠和可解释AI的关键能力。本综述系统整合了碎片化的最新进展，为研究人员和工程师提供了清晰的路线图。 与既往卡片无直接延续（本卡片聚焦于LLM的元认知综述，不涉及超级权重、EDA或多智能体辩论）。

本文提出了一种基于级联低秩适配（LoRA）的多模态融合框架，通过分阶段集成不同模态来提升医疗培训环境中动作识别的性能，且支持参数高效的扩展。

值得关注：该工作为多模态动作识别提供了一种无需重新训练全部组件的新融合范式，特别适用于模态种类逐步扩展的应用场景。与已有相关卡片（如MedPMC聚焦高保真数据提取）相比，本框架着重于**训练阶段的融合策略与参数效率**，而不是数…

本文提出一种**无需额外训练**的潜在身份调优方法，通过探索预训练冻结编码器的潜在空间中的语义方向，实现对特定身份的细粒度局部面部编辑，并保持跨图像的身份一致性。

值得关注：填补了现有方法在**细粒度身份编辑**方面的精度空白，无需针对每个新身份重新训练模型。 揭示了冻结编码器潜在空间中**语义方向**的结构化性质，为理解文本到图像模型的内部表示提供了新视角。 与已有相关卡片的增量信息：本…

Invariant Learning Dynamics of Transformers in Inductive Reasoning Tasks

本文提出一个以人为中心的人工智能（HCAI）框架，主张在词典编纂中AI应增强而非取代词典编纂者，强调通过高自动化结合有意义的人类控制来保障专业自主性、缓解偏见并围绕编纂者需求设计工具。

值得关注：区别于“以技术为中心”的AI应用，本文明确强调词典编纂中人类专业判断不可替代，倡导“增强而非替代”路线。 针对语言和文化多样性的保护提出具体关注点，这在低资源语言词典编纂中尤为关键。

LLM 作为裁判时的打分偏差并非仅表现为输入-输出层面的噪声，而是可以在隐藏状态的表征几何中找到低维、类型特异的方向。沿该方向进行因果控制可以双向调节评分偏差，且简单线性投影即可提前预测裁判在未见基准上的失败，性能远超基于文本的替代方法。

值得关注：现有研究仅关注输入-输出扰动的相关性，而本文通过机制可解释性方法**揭示了偏差在模型内部表征中的因果结构**，将几何结构、因果控制和操作性预测统一在同一个框架内。这意味着： 缓解偏差不再需要依赖提示调优或数据重采样，可…

本文提出Q-DIBA，首个针对量子神经网络的输入感知动态后门攻击方法，通过联合训练经典触发器生成器与受害者QNN、引入集成密度对比损失，在保持高干净准确率的同时实现高攻击成功率和输入特异性，并能抵抗多种现有防御。

值得关注：这是首次将动态后门攻击引入量子学习领域，解决了固定触发器易被防御的关键缺陷；提出的集成密度对比损失为克服量子特有的测量压缩和密度矩阵波动提供了新思路。与经典动态后门相比，该方法需要针对量子计算特性重新设计监督信号，具有原创性。

RAG 框架会将其检索到的意识形态话语传递到 LLM 生成中，且采样温度显著影响该传递强度：中等温度下话语对齐最高，低温度下由于确定性过强而抑制传递。

值得关注：此前 RAG 的鲁棒性研究多集中在事实性错误上，意识形态偏见的系统性影响被忽视。本文首次量化温度参数如何调控 RAG 中的话语转移，为 RAG 的伦理调参提供了实证依据。 与已有知识卡片（如 DynaKRAG 的检索策…

HOCT（高阶细胞追踪Transformer）通过边中心架构和3D几何先验，解决了现有细胞追踪图中因细胞分裂导致的节点嵌入纠缠和边标签随机性问题，在不使用深度预训练图像编码器的情况下，在细胞追踪挑战赛和细菌分裂基准上达到最先进水平，并可在人类在环微调中以仅400个标注实现59%的错误降低。

值得关注：该工作首次明确指出并形式化了细胞追踪候选图中的两个结构性缺陷（节点嵌入纠缠和边标签近随机性），并为此设计了专门的边中心Transformer架构。这使得在没有大规模预训练模型的情况下，依然能在细胞追踪任务上实现SOTA…

HASTE: A Platform for Rapid Post-Disaster Building Damage Assessment

FactorDiff通过将样本分解为更小的因子（如像素），并动态地将每个因子路由至最相关的预训练专家，在需要逻辑一致性和空间解耦的任务上，持续优于现有的基于全局标量加权的专家组合方法。

值得关注：该工作将从全局加权（global）转向逐因子路由（factor-wise），这一范式转变承认并利用了专家模型在生成过程中内在的空间或功能专业化。它为离散扩散模型在复杂推理和合成任务上的应用提供了更精细、可扩展的控制手段…

本文通过引入 C-RASP 构造，首次为 Transformer 模型的学习能力（learnability）提供了初步的样本复杂度（sample complexity）界限，将理论分析从表达性（expressivity）推进到可学习性。

值得关注：既有工作多关注 Transformer 能做什么（表达性），而本文首次系统探究它如何学会做（可学习性），填补了理论空白。 样本复杂度界限是连接理论与实践的桥梁：若能证明某些复杂任务只需多项式样本即可学习，则有助于解释深…

共享意义依赖于人们对范畴的学习与约定。该研究探讨**智能体记忆特性（适应性与遗忘/记忆退化）如何改变共享意义的出现与演化**。现有概念语义模型缺乏协调游戏机制，无法解释群体中共享意义的形成与变化；而已有的协调游戏均假设玩家在合伙（partnership）设定下共享收益。该工作首次将概念对齐建模为**非合伙（non-partnership）协调游戏**，并通…

值得关注：**填补理论空白**：首次在非合伙协调游戏框架下研究概念对齐，克服了现有模型无法解释非合作沟通情境（如陌生人之间的交流、跨文化协商）的局限。 **揭示“遗忘”的正面作用**：通常被视作缺陷的遗忘，反而有助于稳定共享约定…

本文提出证据支持的视频问答任务（E-VQA），要求模型联合输出语义答案和准确的时空证据（时间片段+密集跟踪分割掩码），并发布首个经过人工验证的像素级基准 ST-Evidence 及 160k 规模的自动化生成数据集 ST-Evidence-Instruct；微调后的 7B 模型在指标上相比同尺寸 UniPixel 基线提升显著（t-mean +27.2，J…

值得关注：当前 Video LLM 的可解释性大多停留在文本或稀疏框层面，而 E-VQA 首次将证据粒度推进到像素级跟踪掩码，使视频问答的推理过程可直接与视觉内容对应验证。这有助于提升模型的可信度，并揭示“看似答对实则未真正理解…

当前需求工程（RE）实践在获取、规约和验证AI系统的可解释性需求时，存在概念模糊、可测试性差、标准碎片化等跨阶段挑战，系统化支持不足。

值得关注：这项研究填补了工业环境下“如何用现有RE技术处理可解释性需求”的经验空白。已有研究多关注理论框架或模式，而本工作揭示了实际执行中的障碍，为后续开发专门的可解释性RE框架提供了实证基础。同时，戴姆勒卡车作为安全关键领域的…