早报｜iOS27测试版新功能可阻止摇一摇广告/5999起，小米18 Pro发布/宾利发布首款纯电车Torcal，888马力
· DeepSeek 发新论文，公开 Agent 训练沙箱 DSec · 蔚来 ES9 交付达 3 万台，用时 119 天 · iPhone 18 Pro 用户反映夜景照片出现「绿影」#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
独立 AI 资讯库
AI 前沿动态、原文归档与媒体镜像
从自动抓取数据库实时读取，适合快速浏览、检索和后续扩展成完整资讯站。
12278资讯
12145正文归档
77338媒体
视觉语言模型看似存在能力上限，实则是读出方式的限制
研究指出，视觉语言模型基准测试中用于呈现答案选项的约定——如字母、颜色名称或像素坐标——并非中性的评测媒介，可能测到的是模型的读出限制而非真实能力边界。在 200 张 COCO 图像上，Qwen3-VL-4B 以英文位置描述作答时的目标定位准确率为 68.5%，而改用相同位置的像素坐标后降至 20.0%，随机水平为 11.1%。不同答案格式还会改变模型间的胜负关系：原本在英文名称条件下打平的两款模型，在两种坐标系统下分别出现 39 分和 54 分、方向相反的差距。研究建议开发者和评测者将答案表示法视为关键实验变量，并检查评分器、固定词汇表与模型输出形式之间是否存在不兼容。
视觉语言模型能分析以人为中心的视频吗？模型能力与人机协作工作流映射
这篇 arXiv 预印本探讨视觉语言模型（VLM）是否能够用于分析以人为中心的视频内容。论文指出，视频记录了人类行为、互动及其所处情境，是理解个体和开展以人为中心研究的重要证据。研究聚焦于梳理模型能力，并探索人类与 AI 协作的视频分析工作流。该议题对需要处理行为观察、访谈录像、现场记录等视频材料的研究者和开发者具有参考意义。
面向成本高效空间转录组学的主动位点选择基准评测
该论文以 arXiv:2609.27208v1 形式发布，研究空间转录组学中的主动位点选择问题。空间转录组学可在组织上下文中测量基因表达，但高密度捕获网格成本较高，并可能重复采样形态相似的区域。论文指出，现有多数主动学习策略主要为类别标签和独立样本场景设计，因此需要评估其在空间转录组学任务中的适用性。该研究有望为开发者和研究人员选择更具成本效率的空间采样策略提供基准参考。
多样性设计：面向基于原型可解释性的架构约束
该论文研究基于原型的神经网络可解释性问题。此类模型通过基于案例的推理提供内在可解释性，但其原型往往会收敛至冗余特征，难以覆盖多样化的语义部件。论文聚焦于通过架构约束改善原型的多样性与可解释性，这对需要可靠、可审查模型决策依据的开发者和行业应用具有意义。
采用 Logit 空间扩散的时序有序区域 Token Mamba 用于遥感变化检测
该论文提出一种用于遥感变化检测的方法，将时序有序的区域 Token Mamba 与 Logit 空间扩散机制结合。研究目标是在双时相遥感图像之间同时实现全局关系建模和变化区域的精确定位。论文指出，高分辨率影像上的稠密注意力计算成本较高，而传统特征融合方法存在局限；该方法旨在为变化检测提供更高效的建模路径。原文仅提供了摘要开头，未包含实验结果、数据集或具体性能指标。
MINER：面向冻结双编码器稀有目标检索的多裁剪推理时增强
该论文关注使用冻结双编码器进行文本到图像检索时的稀有小目标问题。作者指出，当查询描述杂乱场景中较小、视觉上处于从属地位的对象时，单一全局图像嵌入难以充分表达局部视觉证据，导致检索性能下降。论文提出名为 MINER 的免训练方法，旨在通过推理阶段增强改善此类目标的检索效果。这一方向可为不希望重新训练视觉语言模型的开发者提供更轻量的检索优化思路。
PEARL：面向实时、匿名和异构协同感知的轻量级提示驱动特征解释器框架
PEARL 是一套面向异构协同感知（CP）的提示嵌入框架，旨在解决不同传感器、模型架构与训练数据造成的智能体特征域差异问题。该框架通过两个并行训练的轻量级多尺度解释器，为运行时新加入的匿名智能体快速选择合适的协同感知解释器，无需获取其模型配置或设置。实验显示，PEARL 的实时模型选择相较随机选择基线提升 8.2% AP，平均耗时仅 1.67 ms；在传统离线训练条件下，平均领先现有异构 CP 方法 5.6% AP，并可将通信成本最多降低 34.7 倍。该工作对自动驾驶协同感知系统具有实际意义，可在保护参与方专有或私有配置信息的同时提升系统可扩展性和实时性。
AgroBench：基于县级统计与像素观测的弱监督作物产量学习可复现多模态基准
AgroBench 是一个面向弱监督作物产量学习的可复现多模态基准，结合县级农业统计数据与像素级观测数据。论文指出，可靠的农业产量统计通常仅在较粗粒度的行政区尺度发布，而现代地理空间机器学习方法需要空间显式的像素级监督信号。二者之间的尺度不匹配限制了大规模相关模型与方法的发展。该基准有望为开发者评估利用粗粒度统计数据训练像素级农业遥感模型的方法提供统一基础。
序列推荐系统中时序归因可解释方法的系统性基准评测
该论文针对序列推荐系统中的时序归因（temporal attribution）可解释方法开展系统性基准评测。序列推荐系统通过利用用户历史交互序列来预测下一步行为，是现代个性化服务的重要基础。论文关注 CNN 和 Transformer 等深度学习架构在捕捉序列模式方面的有效性，并评估相应解释方法的表现。相关结论可为开发者选择、评估和改进推荐模型的可解释性技术提供参考。
大型推理模型在推理时的能力与效率缩放规律
该论文研究大型语言模型在受控难度推理任务中的能力与效率如何随模型规模和问题难度变化。研究者采用分层贝叶斯模型，评估 DeepSeek-R1-Distill 系列模型在四类算术和算法推理问题上的表现。结果显示，在固定模型规模下，正确解题概率会随问题规模近似指数衰减；更大模型的能力更强，但能力增益呈递减趋势。与此同时，输出长度会随问题规模按幂律增长，而这一关系的参数并未随模型规模系统性变化，意味着更大模型未明显提升推理效率。
ChipMEM：面向 EDA Agent、以验证为基础的记忆机制
ChipMEM 提出一种面向电子设计自动化（EDA）Agent 的、以验证结果为依据的记忆机制。该研究聚焦于利用大语言模型（LLM）驱动 Agent，在综合与验证反馈下生成和修订寄存器传输级（RTL）设计。其核心思路是从反馈中提炼可复用经验，帮助开发者提升后续 RTL 设计迭代的效率与可靠性。
面向机器学习聚合物性质预测的开放基准
该论文指出，聚合物性质预测领域缺乏开放、标准化的基准，因而难以对不同机器学习方法进行严格比较。现有资源仅覆盖了聚合物架构中的较小部分，例如均聚物。作者提出了一个名为 Polymer B 的开放基准，旨在扩展聚合物性质预测的评测基础。该工作有望帮助开发者和研究人员更一致地评估机器学习模型在聚合物设计与性质预测中的表现。
资源高效的分布式递归高斯过程
该论文研究资源受限场景下的分布式递归高斯过程（Gaussian Processes, GPs）。摘要指出，GP 能够从含噪测量中学习未知函数，并量化预测不确定性，因此适用于多智能体系统中的估计任务。原始内容未提供完整摘要、实验数据或具体方法细节，尚无法确认其性能结论及对开发者的具体实现影响。
多目标强化学习中后见重标记导致的偏好覆盖坍塌
该论文研究多目标强化学习中的后见重标记（Hindsight Relabeling）方法。后见重标记会将一条状态转移的目标事后替换为智能体实际达成的结果，从而提升强化学习的样本效率。论文关注这一思路扩展到偏好条件化多目标强化学习后，可能引发的“偏好覆盖坍塌”问题。该问题可能影响模型对不同偏好条件的训练覆盖与泛化能力，对开发多目标 Agent 和偏好驱动的 RL 系统具有参考意义。
PR-Smoother：面向数据同化的保持模拟器非高斯平滑方法
论文提出 PR-Smoother，一种用于物理数据同化（DA）的非高斯平滑方法。其目标是表示物理状态变量的非高斯后验分布，并能够扩展至高维模拟器。该方法还旨在仅利用观测窗口进行训练，并与校准流程保持兼容。对于开发者和行业而言，这项工作面向高维物理系统中传统高斯假设难以充分刻画不确定性的需求。
边际正确的工具缓存可能逆转组归一化策略更新
论文研究了 Agent 训练中的工具结果缓存问题。工具结果缓存能够减少重复执行，但也会使不同 rollout 的随机性产生耦合。作者在一个双动作模型中发现，独立执行与共享执行虽然都能保持每次 rollout 的条件奖励分布，却可能对组归一化的策略更新产生截然不同的影响。该结论提示开发者在使用缓存加速训练时，需要关注缓存对策略梯度估计和训练方向的潜在偏差。
面向术中早期急性肾损伤预测的泄漏感知多模态评估框架
该研究提出 SynerT 及其多模态与堆叠集成变体，用于在大型非心脏手术的前 60 分钟内预测术后急性肾损伤（AKI）风险。研究在 VitalDB 的 2,413 例可用波形病例上进行严格的泄漏感知评估，其中 AKI 阳性病例为 180 例，占比 7.46%。结果显示，仅依赖生理波形的 SynerT 明显落后于强大的结构化数据基线；引入血流动力学负担汇总和术前协变量后的 SynerT-MM 改善了区分能力，而 SynerT-Stack 在 AUROC、AUPRC 和 F1-max 上取得最佳整体表现。交叉拟合的 Platt 重校准显著改善了多模态模型的校准问题，决策曲线分析表明，经重校准的堆叠模型在低至中等阈值下提供了最强的净临床获益。
什么让 Terminal-Bench 任务变得困难？在经裁决的 Agent 语料库中区分真实难度与伪难度
前沿基准测试需要设计当前模型尚无法完成的任务，但“没有模型通过”并不必然意味着任务本身具有真实难度。相同的零通过率，既可能反映模型存在真正的能力缺口，也可能源于缺失上下文、参考实现损坏等非能力因素。该研究聚焦于经裁决的 Agent 任务语料库，旨在区分真实困难任务与由数据、环境或评测设置问题造成的“伪困难”任务。这一方法对开发者构建可靠的 Agent 评测集，以及对行业准确衡量模型能力边界具有重要意义。
Signal2Symbol：用于可解释生理时间序列异常检测的神经符号时序推理
论文提出 Signal2Symbol，一套面向 ECG 和 EEG 等生理信号异常检测的神经符号框架。该方法通过 VQ-VAE 码本或 SAX 将连续信号转换为符号序列，结合最小稀有项集挖掘识别异常，并利用 Allen 区间代数生成可解释的时序关系。研究进一步引入基于形式概念分析（FCA）的稀有时序概念格，将大量局部异常压缩为具有共同符号证据、时序关系和通道上下文的可解释异常类别。作者在 MIT-BIH Arrhythmia、PTB-XL 和 Bonn EEG 三个公开基准上评估了方法，并在加性噪声和基线漂移扰动下测试其鲁棒性。
AraGenre 2026：定义引导的阿拉伯语层级体裁分类共享任务
AraGenre 2026 是一项面向阿拉伯语文本的层级化、定义引导型体裁分类共享任务。该任务旨在应对阿拉伯语及其他低资源语言中标注数据有限的问题。参赛系统需要为每个阿拉伯语文本片段分配广义交际类别及更细粒度的层级体裁标签。该基准可为多语言文本理解、低资源语言分类以及基于明确类别定义的模型评测提供参考。
面向越南劳动法的跨语言法律问答：检索、翻译与验证器引导的纠错
该论文研究跨语言法律问答中的法规检索与法律主张可靠性问题，聚焦越南劳动法场景。作者提出一个包含231组越南语—英语问答对的双语评测套件，用于评估跨语言法律问答能力。研究强调，系统不仅需要跨语言检索相关法条，还应避免生成缺乏依据的法律结论，这对法律 AI 开发者构建可验证、可信赖的问答系统具有意义。
通过协调推理路径实现规划式测试时扩展
论文提出一种通过协调多个推理分支进行规划式测试时扩展的方法。现有广泛采用的并行分支重复采样方式，通常从同一策略中独立生成多条路径，可能导致尝试内容重复。该研究关注在具有挑战性的推理任务中提升测试时计算资源利用效率，并为开发者设计更具协同性的 Agent 推理与搜索机制提供参考。
沉默与重叠都不等于失败：面向全双工语音对话模型的意图条件化轮次交接评估
该论文提出，全双工语音对话模型现有的轮次交接评测通常采用二元固定时间窗口规则，根据上一轮话语是否完整来奖励即时回应或保持沉默。作者认为，回应的合适延迟时间以及是否应发生重叠，取决于对话意图，而不能仅以固定窗口判定。该研究旨在推动更符合真实人类对话规律的全双工语音 Agent 评估方法，为开发者优化语音交互时机和用户体验提供参考。
利用混合 RAG 与本地部署大语言模型自动提取处理活动记录（RoPA）
越南《个人数据保护法》（第 91/2025/QH15 号法律）及第 356/2025/ND-CP 号法令将于 2026 年 1 月 1 日生效，要求组织建立并维护处理活动记录（RoPA）。该研究聚焦于使用混合检索增强生成（RAG）和本地部署的大语言模型，实现 RoPA 的自动化提取。原文指出，人工编制 RoPA 的工作量较大；这一方法可能帮助组织降低合规文档整理成本，并为开发者构建本地化、隐私导向的合规自动化工具提供参考。
引导行动的指南：多模态 Web Agent 中指南—行动相互强化的离线研究
论文指出，Web Agent 通常在在线环境中评估，但环境状态和评判模型会在不同运行之间发生漂移，导致同一模型检查点难以稳定复现相同分数。这样的不确定性使得对训练现象开展可控研究变得困难。作者提出了名为 WebMRE 的方法或基准，旨在离线研究多模态 Web Agent 中指南与行动之间的相互强化关系。该工作对需要稳定评估、可复现实验和系统分析 Agent 训练机制的开发者与研究人员具有意义。
UniDataAgent：面向企业问答到报告自动化的本体驱动 Agent
该论文提出 ChinaUnicom DataAgent（UniDataAgent），这是一个以本体为基础的企业数据 Agent 系统。其目标不仅是将自然语言问题转换为查询，还要保留企业特定的组织语义。系统面向可复用的“问题到报告”分析自动化，对企业数据分析 Agent 的语义一致性与复用能力具有参考意义。
相交、比较或弃答：LatWeave 在知识格上实现确定性多跳问答
论文提出 LatWeave，将知识组织为多维知识格，并把多跳问答编译为相交、比较和弃答三种确定性操作。LLM 仅用于一次性知识抽取和查询规划，最终答案生成路径不使用 LLM、无需任务训练，并可端到端审计与复算。在知识完整的 MetaQA（39,093 个问题）上，三跳相交链的任一命中率达到 0.9975；在 2WikiMultihopQA 留出集上，EM 达到 0.865。对于信息不完整的 IIRC，系统的结构化弃答准确率为 0.971、泄漏率为 0.029，表明该方法可在适用范围内兼顾性能、可复现性与可审计性。
LOCKR：一种基于隐藏状态轨迹引导的规划器，用于检测和修复扩散语言模型中稳定但错误的锁定
论文提出 LOCKR，一种面向扩散语言模型的隐藏状态轨迹引导规划器。作者关注“稳定但错误的锁定”（stable-but-wrong lock-in）这一推理失败模式：模型在最终答案生成前的迭代去噪过程中，过早稳定在错误答案附近。该研究利用扩散语言模型可观察中间生成轨迹的特点，旨在检测并修复这类错误锁定现象。对开发者而言，这一方向可能有助于提升扩散式语言模型在复杂推理任务中的可靠性与可纠错性。
用户生成文本的音素化：基准、分类体系与组合式方法
该论文关注文本转语音系统处理中用户生成文本（UGT）时的发音推断问题，例如“ppl”和“imo”等缩写或非规范拼写。作者提出 UGTPhon，称其为首个面向用户生成文本的字素到音素（G2P）基准。论文还围绕 UGT 的音素化提出分类体系与组合式方法，旨在帮助开发者提升 TTS 系统对非标准文本的读音处理能力。