AI 日报 · 2026-09-01

Last Translation Benchmark（LTB）是一个面向机器翻译（MT）的“挑战型”活数据集：收集能令当前领先翻译模型出错的人类撰写并经同行评审的文本、图像、音频、视频示例，并为每个示例配备人工编写的验证规则，以便进行更可靠、可操作的未来评估。

Last Translation Benchmark

arXiv 论文

Anthropic 于 2026 年 9 月 1 日发布 Enterprise Frontier Safeguards（EFS），使企业客户能将监控数据存储在自己控制的云基础设施中、由客户自己的团队审查警报，从而在客户掌握数据控制权的前提下，获得针对前沿模型滥用与自主异常行为的检测能力。

2026 年 9 月 1 日，Anthropic 宣布推出 Enterprise Frontier Safeguards（EFS），一个结合“零数据保留（Zero Data Retention, ZDR）的隐私”与先进滥用检测的解决方案。 背景是 Mythos 级（Mythos-class）模型（如 Claude Fable 5.1）大幅提升了智能与智能体…

Anthropic 博客

新加坡Physical AI公司Ropedia发布第四代多模态采集系统HOMIE Gen2并全球发售，提出“人类经验规模化驱动机器人能力”的经验扩展定律，把机器人训练数据的产能从机器人保有量转向人口规模，以显著更低成本和更快部署速度采集人类经验数据。

据腾讯研究院AI速递（2026-09-01）报道，Ropedia发布HOMIE Gen2。其核心问题是：机器人能力提升所需的物理交互数据，能否不依赖机器人本体数量，而通过人类规模化佩戴/使用采集设备来获得？Ropedia给出的答案是“无本体采集”，并配套提出经验扩展定律。

腾讯研究院（搜狐同步）

根据OpenAI官方页面元数据，Astra是第一个在Preparedness Framework下达到“严重网络安全能力”（Critical cybersecurity capability）阈值的OpenAI模型，并配备了更强的发布安全保护措施。

OpenAI发布“Path to Astra”页面，介绍Astra模型的关键能力与前沿安全防护。该条属于行业动态（Track: industry）。由于原始正文未抓取到，具体发布时间、发布背景和页面详细内容待核实。

OpenAI

OpenClaw 发布 v2026.8.1 版本，被描述为“史上最大更新”，由 933 名贡献者提交超 1.6 万个 PR，全面重构核心模块；但部署维护、Token 成本与安全风险仍待解决，国内“百虾大战”热度已明显回落。

OpenClaw 发布 v2026.8.1 版本，即报道所称的“2.0 史上最大更新”。该项目共有 933 名贡献者提交超过 1.6 万个 PR，约占项目历史合并代码的一半；为此，项目罕见停更近七周。

腾讯研究院（搜狐同步）

MiniMax H3 Max接入平台，3秒生成支撑24小时直播

腾讯研究院（搜狐同步）

OpenAI发布了一项新能力，使医疗保健组织可以将电子健康记录（EHR）及其他行业数据连接到ChatGPT，帮助临床医生更安全地获取患者背景、医学研究等信息（具体细节待核实）。

根据现有元数据，OpenAI 宣布医疗保健组织现在可以将 EHR 和额外的行业数据连接到 ChatGPT。候选摘要称，ChatGPT 可以连接受信任的医疗保健数据，帮助临床医生安全地访问患者上下文、医学研究等。由于未能抓取原始正文，详细事件内容待核实。

OpenAI

国内首部上星AI长剧《后西游记》由芒果灵创制作，100%由Seedance 2.0与2.5提供技术支持，从备案到播出仅4个月，成为“广电21条”后首部“边制作、边审核、边播出”的剧集，并带动芒果超媒涨停。

《后西游记》在芒果TV上线并登陆湖南卫视黄金档。全剧共30集，首季播出5集、每集40分钟。上线不到1小时，播放量达206.4万次。该剧被行业速递称为“国内首部上星AI长剧”。

腾讯研究院（搜狐同步）

事件：a16z宣布成立11亿美元“机器时代基金”，投向芯片、内存、网络、存储、数据中心、机器人与家用AI设备等物理层基础设施。 投资命题：AI需求是否已超出当前供应链承载能力？数据中心算力密度和功耗快速上升后，硬件投资是否必须从平缓增长切换为翻倍级增长？ 背景数据：Rubin机架算力密度为H100的28倍，单机架功耗升至100至250千瓦；软件端估值拥挤且…

腾讯研究院（搜狐同步）

MiniMax与fal联合推出的H3 Max模型，生成一段5秒768p视频耗时不到3秒，速度快于视频播放时间；该能力催生了全程AI实时生成直播间、“AI版抖音”等新应用，为AI视频从“生成后等待”走向“实时生成”提供了一条商业化路径案例。

2026年9月1日，量子位报道称，MiniMax上线了视频生成模型H3 Max。该模型基于MiniMax在7月底开源的H3模型，由MiniMax与AI推理基础设施公司fal联合开发，核心方向是针对实时生成场景进行后训练和推理优化，从而大幅提升生成速度。报道提到，已有开发者在直播平台和网页上基于H3 Max搭建出实时生成视频的直播间和短视频应用。

量子位

OpenAI为训练可自主操作电脑的智能体，已采购数万台Mac mini与Mac Studio用于强化学习；苹果上季度Mac营收达103亿美元、同比增长近29%，高配机型已断货数月。

据腾讯研究院AI速递（2026年9月1日）报道，OpenAI已购入数以万计Mac mini与Mac Studio，专用于强化学习，目标是训练可自主操作电脑的智能体。Anthropic也通过AWS租用Mac。报道还提到，高配机型已断货数月，英伟达DGX Spark构成正面竞争；苹果缺少面向企业的工程与开发者关系团队，只能借助Mount Thor等合作伙伴切入。

腾讯研究院（搜狐同步）

吴恩达认为，AI能承担程序员岗位中30%至40%的任务，人类负责的另外60%反而更有价值；开发者需要从“能写代码”转向“判断做什么”，并把隐性业务上下文转化为对Agent的约束，否则按旧方式写代码将处于危险之中。

该内容来自“腾讯研究院AI速递 20260901”中的报告观点。吴恩达提出，AI可承担岗位中30%-40%的任务，优秀工程师并未变闲，代码评审、联调与事故处理等压力更早地压到团队；AI帮助前后端边界变薄，开发者向全栈扩展。

腾讯研究院（搜狐同步）

Lovart 发布灵感采集 Chrome 插件，并上线 100 多个专业 Skill，由 Agent 自动拆解设计任务，覆盖情绪板生成到品牌套件与海报；新版已面向所有用户开放，且国内可直接访问。

根据腾讯研究院AI速递 20260901 的报道，Lovart 完成一次重要产品升级：推出灵感采集 Chrome 插件，同时上线 100 多个专业 Skill，将设计工作流规则与交付标准封装为可复用能力。新版还支持动态海报、一键位图转 SVG 矢量与网页生成，PPT 可封装成在线 HTML，面向所有用户开放，国内可直接访问。

腾讯研究院（搜狐同步）

OpenAI 发布文章，提出 AI 原生公司通过 AI 代理（agents）将工作流转化为可复用的运营能力，并以 Basis、Clay 和 Exa Labs 为例，展示其在入职、客户管理和开发者集成等场景中的应用。由于正文未能抓取，具体论述和结论细节待核实。

该文章主题为“agent”，讨论 AI 原生企业如何围绕工作流构建运营能力。根据候选摘要，文中重点介绍了几家公司的实践，但完整的研究问题、论述框架和具体案例细节待核实。

OpenAI

DeepSeek正式开源其V4系列首个实验性多模态模型DeepSeek-V4-Flash-Vision-Exp；该模型在真实软件工程测试DeepSWE上以59.3%反超Opus-4.8登顶第一，但在部分其他基准上仍落后约10%。

腾讯研究院AI速递（2026-09-01）报道，DeepSeek开源了V4系列首个实验性多模态模型DeepSeek-V4-Flash-Vision-Exp。该模型基于V4-Flash架构，集成视觉模块后持续训练而成；V4系列一个月内更新6次，Harness开发者预览版同步开源迭代。

腾讯研究院（搜狐同步）

通过逐层轻量探测发现，自监督视频基础模型 V-JEPA 2 与 VideoMAE-v2 在约 60–70% 网络深度处能高精度地解码“相机运动”（ROC AUC > 90），异常检测达到中等水平（ROC AUC > 60），但对直观物理任务接近随机水平；同时，单个视频的时间特征在表征空间中形成平滑的低维轨迹，基于该几何结构可用样条引导生成比线性插值更平滑、…

自监督视频基础模型能够学习丰富的时空表征，但学界仍不清楚： 这些表征究竟编码了哪些视觉概念（what）； 它们出现在 Transformer 的哪些层（where）； 它们在表征空间中如何被几何组织（how）。

arXiv 论文

本文研究在“最多只能使用指定数量特征”的硬性约束下，如何为特征型报童问题挑选协变量，以在库存决策中平衡持有成本与缺货成本。作者提出带 ℓ2 正则化的 ℓ0 约束报童经验风险模型，并配套精确求解、随机化近似算法与统计误差分析；实验表明，该框架能用明显更少的协变量取得有竞争力的样本外运营成本。

Variable Selection for Feature-Based Newsvendor

arXiv 论文

统一多模态模型（UMM）把视觉理解与生成放进同一个模型，并不等于两者会自动产生学习协同；只有在表示、任务和系统层面做好适当专门化、共享任务知识与端到端优化，才能把“功能共存”真正转化为“协同增益”。

论文研究的是：在同一个多模态模型中，视觉理解与视觉生成两类目标之间的关系究竟是相互促进、相互竞争容量，还是只是“井水不犯河水”地共存？作者在没有预训练视觉先验的受控原生统一设置下，从表示、任务、系统三个层面系统探究这一问题。

arXiv 论文

UI-VISA 将 U-Net 的血管前景预测作为种子点，交给 CNN 引导的区域生长算法迭代细化分割，从而在 DSA 血管分割中取得比单独 U-Net 和既有区域生长方法 VISA 更高的平均 Dice 与 clDice；其中连通性指标 clDice 的提升具有统计学显著性（p=0.023），而 Dice 的提升未达显著（p=0.104）。具体数值待核实。

本文针对数字减影血管造影（DSA）图像中血管结构分割的难点：血管细长、弯曲且分支复杂。像素级深度学习模型（如 U-Net）虽然通用分割性能强，但往往在细小血管区域产生碎片化或不连续的预测，因为没有显式建模结构连通性；区域生长算法能保持空间上下文与拓扑连续性，却又高度依赖种子点初始化，且可能计算开销高。论文据此提出混合架构 UI-VISA。

arXiv 论文

在给定的额外精度预算下，把预算“全局”用于更细的量化粒度，普遍优于“局部”修复最可恢复的层；量化损伤的位置无法由任务电路、计算位置或权重统计等廉价信号可靠预测，必须用因果干预来检验。

论文研究大语言模型（LLM）在后训练量化（PTQ）中精度损失的位置，以及当只有少量额外精度预算时，应该如何分配这些预算：是集中修复某些关键层，还是均匀地提高全局量化粒度？

arXiv 论文

自然语言正成为改进语言智能体的主要反馈通道；作者将这一范式称为“Verbal Reinforcement Learning (VRL)”，并主张按“语言反馈在智能体生命周期中何时生效、修改什么”来统一理解已有工作。

这篇 arXiv 论文声称提供 VRL 的“第一个统一描述”。研究问题是：如何将各种利用自然语言反馈改进语言智能体的方法放进同一个分类框架？作者给出的答案是：以反馈的生效时机与修改对象为统一分类轴，并由此提炼出三大支柱。

arXiv 论文

StudentSim 提出了一种把每个学生稀疏的真实作答数据转化为个性化“学生模拟器”的训练框架；模拟器既能复现学生的水平，也能在得到教师指导后像该学生一样更新作答，在象棋、二语英语写作和数学三个领域中均优于 GPT-5.4。

个性化 AI 教师需要根据学生的优势、弱点和偏好的指导方式调整教学，但关于“哪种指导对哪个学生有效”的证据很难从真实学习者身上大规模、低成本地获取。作者认为，学生模拟器可以作为这种证据的代理信号。已有方法存在两类不足：

arXiv 论文

2026年9月1日，《自然·机器智能》（Nature Machine Intelligence）在线发表 Changde Du 与 Huiguang He 撰写的“新闻与观点”（News & Views）评论文章。该文认为，表征对齐（representational alignment）不仅能揭示人脑活动与语言模型之间的相似性，最新工作还表明它可以进一步“…

本条是一篇期刊评论文章（News & Views），不是原始研究报告；主题标签为 Machine learning 与 Neural encoding，页面同时标注 “NeuroAI”。 评论所聚焦的问题：表征对齐能否从一种“被动”的比较工具，发展为一种“主动”的学习引导信号？ 文章英文标题为 *Steering machine reasoning wit…

nature.com

SpatialGuard 提出一种以“可编辑3D布局”为中心的文本到图像生成框架，把复杂3D空间关系的保持从隐式提示跟随变成“规划→生成→校验→修复”的可验证闭环，并在复杂3D空间布局生成上达到 state-of-the-art。

复杂3D空间文本到图像生成要求模型把自然语言转换为稳定的视觉几何关系，而不只是语义外观。现有提示驱动或布局条件方法虽然改善了可控性，但在视觉采样前缺少一个可优化、可验证的空间中间表示，因此多轮生成中物体关系、遮挡、可见性和相机约束可能退化或漂移。

arXiv 论文

本文提出一种用于持久图（persistence diagrams）的快速距离——谢尔宾斯基-克诺普 Wasserstein 距离（\(d_{\mathrm{SK}}\)），通过 Sierpiński-Knopp 空间填充曲线将二维匹配转化为一维最优分配，以 \(O(N\log N)\) 复杂度逼近经典 2-Wasserstein 距离，并支持 Hilber…

持久同调产生的持久图是比较拓扑特征的重要工具，但经典 Wasserstein 距离的计算成本较高，限制了在大规模数据与机器学习流程中的使用。本文针对 2-Wasserstein 距离提出更快的替代度量 \(d_{\mathrm{SK}}\)，并研究其与精确 \(W_2\) 的理论关系及下游聚类、分割等应用表现。本卡片依据 arXiv 元数据及摘要生成；原始…

arXiv 论文

Selective Agent Guidance via Entropy: Learning Autonomous Policies from Imperfect VLM Teachers

arXiv 论文

SDARE-Bench 是论文作者所称的首个基于场景的、同时评估大语言模型在对话中进行“污名检测”和“开放式回应生成”的基准。基于 8 个大语言模型的实验结果显示，模型在群体对话中对污名成分的识别普遍较差；在构造的群体压力情境中，污名表达率平均达到 97.5%，提示污名回应是大语言模型安全性中反复出现的一个漏洞。

大语言模型越来越多地被用于建议寻求和决策场景，可能影响社会判断与偏见传播。 污名对个人和社区有深远影响，但针对污名的基准仍然稀缺。 已有通用评估多依赖静态提示和固定格式任务，忽略了真实对话中的上下文和“受众效应”。 本基准的研究问题是：在双人对话与群体对话中，大语言模型能否识别污名成分？模型生成的开放式回应是会抵制污名，还是可能强化污名？群体压力和社交复杂…

arXiv 论文

论文提出用“近最优区域”而非单个最优比例来刻画 LLM 后期训练中 SFT（监督微调）与 RL（强化学习）之间的标注预算分配问题；研究发现该区域即使在 2%–10% 的较小性能容差下也相当宽，会随模型规模增大而变宽，并且可以从较小的代理模型可靠迁移到较大的目标模型。因此，用小模型做预算分配扫描，可能就不再需要对大模型进行穷举式搜索。

大型语言模型的后期训练通常同时使用 SFT 和 RL，但固定的标注预算如何在两者之间分配仍是一个开放问题。已有研究只给出了粗略趋势，例如低数据区域中 SFT 占主导，缺少原则性的分配框架，也没有验证最优比例是否能跨模型规模迁移。

arXiv 论文

Revisiting Cross-View Completion: Self-Supervised Pre-Training via Reconstruction Error Comparison

arXiv 论文

当“表面措辞”和“底层结构”被刻意拆开时，嵌入检索会更依赖字面 token 而非结构。竞赛数学最重改写档中严格 Hit@1 为 0.0%，但正确项几乎总在 Top-10；智能体轨迹中若答案需换物体/容器，检索接近或低于随机。词法重排和 LLM 重排只能部分恢复，数学恢复里有记忆成分，且下游评测中“oracle 检索”与“坏检索”没有可测差异。

研究问题是“结构检索”：检索目标与 query 共享底层结构，但不共享字面表述。 两个无关领域在同一协议下测试： 竞赛数学：MathNet-Retrieve；500 queries，117,088 条语料。 具身智能体轨迹：ALFWorld 衍生；118 queries，336 条轨迹。 “检索到正确项但排不到第一名”是全文贯穿的现象。

arXiv 论文

Relational-Core Graph Analytics Querying graphs at SQL scale, and why the node/edge model is a performance tax, not a truer picture of connected data

arXiv 论文

在60个模拟数据集/条件和9个真实评估数据集上，量子稀疏自编码器（QSAE）并没有在所有情境下都比经典自编码器（CAE）精度更高，但在60个条件中的49个表现出更低的跨重复方差；在9个真实数据集中的6个上优于CAE。作者认为，QML在本任务中的主要价值不是普遍提升准确率，而是增强稳健性并更好地探索真实数据中的潜在结构复杂性。

Quantum Sparse Autoencoders for Q-Matrix Estimation in Cognitive Diagnosis

arXiv 论文

基于模型的强化学习（MBRL）在单智能体领域表现突出，但在竞争性不完全信息博弈中的扩展仍不充分，这是本文瞄准的研究空白。 多智能体博弈中，对手策略变化会引发非平稳性；论文指出，分散式（decentralized）模型学习面临严重的可辨识性（identifiability）障碍，因此论证集中式模型学习在数学上具有必要性。 摘要没有说明具体是哪四个基准游戏，也…

arXiv 论文

本文提出一个机制设计框架，用于处理“对齐（偏好）和能力（可行行动与信息）未知”的AI智能体，核心目标是设计激励机制，使智能体在面对我们时既“诚实”又“服从”。

研究的问题是：当我们将任务委托给AI智能体时，智能体的真实偏好（alignment）与实际能力（capabilities）并不为我们所知。机制设计需要同时解决两类信息问题和激励问题：智能体是否会虚报能力或偏好（诚实性），以及其在执行任务时是否会按要求行动（服从性）。

arXiv 论文

与预训练阶段不同，在大语言模型的“中段训练”（mid-training）阶段使用基于 logit 的前向 KL 知识蒸馏，会持续提升推理能力，但会拖慢事实回忆的获取；论文提出的 Switch Distillation 可以在保留事实回忆的同时获得推理与常识收益。

该论文研究知识蒸馏（KD）在语言模型不同训练阶段的作用是否一致。具体问题是：使用更强的教师模型进行 logit-based 知识蒸馏时，在“中段训练”——即有策展语料上的自监督学习中间阶段——是否仍能像预训练阶段一样同时改善推理和事实回忆？实验发现并非如此。

arXiv 论文

（待核实：基于arXiv元数据中的候选摘要。）H3-World 提出一种轻量化框架，将 MiniMax-H3（33B）视频生成器原本粗粒度的自然语言控制，转化为具有时间精度的交互式世界控制，且无需新增专用动作模块。

该研究尝试回答：大型视频生成模型能否被直接改造成“可交互的世界模型”？ 候选摘要指出，MiniMax-H3 已经能用自然语言零样本控制角色行为和镜头运动，但指令还不能精确对应到具体时间区间。 H3-World 的核心任务，是把这种“语言界面”变为时间上可控、空间上更精确的世界控制能力。 以上问题描述来自候选摘要，论文正文待核实。

arXiv 论文

训练物理信息神经网络时需要联合优化物理残差损失和初值/边界条件损失，这些损失项的梯度可能相互冲突。论文指出，即使梯度手术在优化器变换前构造的方向 \(a_t\) 落入无冲突锥 \(\mathcal{C}_t\)，现代优化器也未必能把这种无冲突性质保留到最终提议的更新 \(u_t\) 上，即“梯度更新失配”（GUM）。提出的“梯度更新对齐”（GUA）将优化器…

PINN 训练通常要求同时优化“物理残差”与“初值/边界条件”两类损失项，二者产生的梯度可能彼此冲突。 已有梯度手术方法在优化器变换之前，由各损失项特定梯度构造方向 \(a_t\)，以降低梯度冲突。 新研究问题：优化器的历史状态、自适应缩放、预条件或解耦权重衰减等机制会进一步变换 \(a_t\)。论文论证：\(a_t \in \mathcal{C}_t\)…

arXiv 论文

该论文针对大语言模型在“标签空间大、标签语义相似”的文本分类任务中容易混淆的问题，提出一种无需微调的困惑感知检索与知识注入框架：先找出模型难分的标签对，再加入易混淆候选标签，并生成针对性规则来区分相似标签。在 WOS、Flipkart、LEDGAR 三个基准上，相比检索基线，Macro F1 最高提升 10.0 个百分点；小模型（2B–20B）通过跨模型迁…

大语言模型在把文本分入包含大量语义相似标签的分类体系时表现不佳，因为标签间的区分常常依赖领域知识，预训练阶段未必能充分捕获。 一种常见做法是：先用嵌入相似度检索 top-K 候选标签，再提示 LLM 从候选标签中选择。 但这种 top-K 检索只减少了候选数量，并不能帮助模型区分“相似但不同”的标签；当两个相似标签同时出现在候选中时，模型仍缺乏足够信号判断…

arXiv 论文

Facet-0 是一个将动作生成与腕部力/力矩（wrench）预测联合起来的机器人基础模型；在 ManuFacet-1K 上训练并经过任务适配后，它在五种亚毫米计算机装配任务上达到 82% 的平均成功率，而最强基线只有 15%。

真实世界的机器人装配往往面临亚毫米容差，要求系统同时具备空间精度、柔顺交互和对接触失败的鲁棒性。此前的机器人基础模型多侧重于视觉、语言与动作生成，而 Facet-0 将问题聚焦于“接触后果”：模型不仅要预测动作，还要预测并评估动作会引发什么样的接触效果。

arXiv 论文

EvoSCM 提出让科学智能体不只“学会推理”，还“知道该相信什么”：它把科学假说表示为显式、可演化的结构因果模型（SCM），并通过“做出可证伪预测—实验检验—用偏差修正模型”的闭环，在 DiscoverPhysics 基准上持续提升科学发现效果。

研究问题：现有 LLM 科学智能体通常把科学假说写成自由文本，信念隐含在语言中，难以被检验、证伪和修正。 提出的方法：EvoSCM 让科学智能体携带显式的结构因果模型，并随着新实验证据的积累持续演化这些模型。 评估基准：DiscoverPhysics，要求智能体通过实验发现非标准物理世界背后的隐藏动力学。 核心主张：科学智能体不只需要更好的推理能力，还需要…

arXiv 论文

本文提出一种名为 PTA-IRT 的“特权轨迹感知项目反应理论”框架，将智能体执行任务的历史轨迹与最终通过/失败结果结合，用于更高效地选择少量校准任务并估计智能体能力；在低校准预算下，该方法在四个 SWE 基准上一致优于既有 IRT 基线。

在真实软件工程（SWE）基准上评估智能体成本很高，因为每项任务可能涉及多步代码探索、修改和测试执行。已有高效评估方法通常只利用结果信号（如通过/失败）或静态任务语义来选择代表性子集，从而估算完整基准得分，但忽略了智能体实际解决问题的过程信息。本文研究的问题是：能否利用历史执行轨迹中的过程信号，提高低成本校准子集选择与能力估计的准确性。

arXiv 论文

从构思到修改，写作涉及不同层次的认知活动；仅提供自动补全等通用文本辅助并不够。本文提出并探索“主动思维伙伴”这一设计方向：让用户可配置角色和主动性的 AI 智能体在适当时机提供更高层认知支持，从而把写作 AI 从“替用户补字”推向“陪用户思考”。

写作包含从想法产生到修改完善的多种认知活动，且不同写作者、不同时刻的需求差异很大。主动 AI 有机会在“正确的时间”提供“正确的支持”，但现有主动写作工具大多停留在文本层面的通用辅助，例如自动补全。本文研究的问题是：

arXiv 论文

CordisBench 是包含 1,200 道题的组件生命周期推理基准，用来考察语言模型能否在动态 Agent 执行框架（dynamic agent harness）中理解组件依赖、清理（teardown/cleanup）顺序与重配置的后果。结果显示，模型在小规模系统上通常表现不错，但随着相关交互数量增加，可靠性下降；额外推理投入可为部分模型带来明显提升，…

动态 Agent harness 使语言模型能够改变塑造其自身执行的软件，这种灵活性带来新的推理负担：一个局部插件变化可能通过依赖关系和清理过程传播，影响其他组件。 CordisBench 研究的问题是：语言模型能否对这种“组件生命周期”进行可靠推理？ 该基准结合受控形式化设置与在 Cordis 运行时上执行的程序。Cordis 是一个管理组件依赖与清理的…

arXiv 论文

该工作展示了一个已部署的文档理解系统：它基于总参数35B、激活参数3B的混合专家（MoE）视觉语言模型，结合“难度感知”数据筛选与内部生产数据微调，在质量调整后的预期成本上比人工基线降低超过80%，比最佳可比开源模型降低超过50%。

在受监管行业中，每年需从数亿份文档中提取结构化字段，成本高昂。自研OCR级联只能覆盖少数工作流，隐私规则禁止调用外部模型，而能达到质量门槛的开源VLM在服务成本上甚至高于人工标注。因此，研究问题是如何弥合文档VLM的“成本-质量差距”。

arXiv 论文

基于该论文摘要：大语言模型能否真正“发现科学定律”仍是开放问题；作者提出科学定律发现基准 SCILAWS-BENCH，通过“真实观测”和“平行世界”两种互补任务评估模型，发现预测拟合度与科学有效性可能脱节，记忆会显著影响模型是复现还是超越已有公式，并且 best-of-N 研究暴露出选择瓶颈。

科学方程发现长期是科学进步的核心，通常经历“提出假设—观测检验—修正”的迭代过程。 随着大语言模型能力提升，其在“AI for Science”中的角色日益重要，但它们能否真正发现科学定律、以及应如何评测这一问题仍不明确。 已有评测往往使用合成环境简化任务，或使用可能已被 LLM 记忆的已发表公式作为目标，导致评估不够可靠。

arXiv 论文

本文提出一种以用户涂鸦（scribble）为条件的 ResEnc U-Net，用于多示踪剂 PET/CT 全身病灶分割；在 autoPET/CT V 挑战的五折验证中，无交互时平均 Dice 为 0.554，经过 5 轮涂鸦修正后升至 0.751，说明少量交互提示能大幅提升分割性能。

全身 PET/CT 病灶自动分割的难点在于：不同示踪剂的生理摄取模式多样，病灶外观差异大。autoPET/CT V 挑战（据候选摘要；拼写与既有卡片 AUTOPET V 的差异待核实）将分割任务设计为交互式：算法接收图像以及用户标记前景/背景的涂鸦图，并须利用这些提示改进分割。本文描述的是作者为此挑战提交的系统。

arXiv 论文

LLM 裁判给摘要打分不是一个无法解释的“黑箱直觉”，而是存在一条可定位的两阶段神经计算管线：第 15 层以下的注意力先进行局部错误比较并把结果路由到最终输入位置，第 15 层以上的 MLP 级联整合信号并写出评分；最终决策在残差流中的一个明显晚期层结晶（Themis 为第 26 层，Prometheus 为第 25 层）。

LLM 作为自然语言生成质量评估器已被广泛用作打分工具和自动训练信号，但其内部“如何得出评分”的机制仍然不清楚。本文针对摘要评估场景，对两个开源 LLM 裁判——Themis（Llama-3-8B）和 Prometheus（Mistral-7B）——进行机制可解释性研究，试图打开评分过程的黑箱。

arXiv 论文

ACToR 提出在 LLM 自回归生成过程中识别“关键 token”，并在这些决定性位置按需触发仓库检索；在 RepoExec 与 CoderEval 两个基准上，相对现有最优方法分别取得 8.4% 和 15.4% 的相对提升。

仓库级代码生成要求生成的代码既满足任务需求，又要与目标仓库的上下文保持一致。真实仓库往往超出大模型输入长度限制，因此现有方法普遍采用检索增强生成（RAG）来提供仓库相关上下文。不过，现有方法通常把检索到的上下文作为“任务级”支持，并没有显式识别生成过程中需要细粒度仓库上下文的关键 token。

arXiv 论文

据论文摘要，该研究提出一套端到端流水线，用大语言模型（LLM）从半导体公司公开披露文档中抽取风险与机会，将其组织为知识图谱并排序，最终生成机会-风险矩阵；在五家企业的测试中，抽取条目的独立验证有效率为 92.6%，自动排名与专家判断的平均 Spearman 相关系数分别为 0.55（风险）和 0.72（机会），矩阵显示贸易限制是跨公司的主要风险。

背景：半导体供应链因地域政治紧张、地理集中度过高和技术快速变化而面临持续升级的风险；目前缺乏可扩展系统，能从公开企业披露中持续提取、结构化并优先排序风险情报。 研究问题：如何自动化实现“从公开文本到结构化机会-风险矩阵”？ 论文提出：一个覆盖文档检索→LLM 抽取→知识图谱组织→去重→三级排序→专家验证的完整流水线，并在多家公司上进行了验证。

arXiv 论文

候选摘要称，LRNBA 将网络中的每个 block 表示为一组共享神经基的线性组合，从而在降低训练与推理内存成本的同时，允许在相同参数预算下构建更宽、更深的网络；其收敛速度可与经典架构相当甚至更快，损失更低，且训练动态稳定。

大型 AI 模型日益普及，内存成本成为训练和推理的关键瓶颈。该工作提出 Linear Reusable Neural Bases Architecture（LRNBA），目标是通过参数共享与线性重构提升参数效率、降低内存成本。论文标题强调“数学理论”，但具体定理、假设与证明在现有材料中未展示，待核实。

arXiv 论文

该论文提出 UVIB（Unconstrained Vehicle Identification Benchmark），一个整合 7 个巴西公开车辆数据集、共 84,835 张图像的车辆属性分类基准，用于评估监控场景下前端/后端朝向、遮挡相关 VMMR 适用性、颜色清晰度三个任务，并发现“域偏移”对性能的影响大于模型架构选择。

车辆属性分析是智能交通系统（ITS）的关键组成部分，可支持车辆识别、交通监控与刑侦调查。然而，在受控条件下训练的模型应用到真实监控场景时，常因视角、遮挡、光照和传感器特性变化而性能下降。现有数据集和评估协议可能高估模型的“域内”准确率，而缺少对跨域运行鲁棒性的显式度量。为此，论文提出了 UVIB 基准，并系统评估多种主流分类架构在跨域协议下的表现。

arXiv 论文