检索标题、摘要与正文，把分散的信息连起来。
arXiv：2610.37905v1 发布类型：新 摘要：诸如美国证券交易委员会EDGAR等公开披露数据库通过网络访问企业申报文件，为知情投资提供支持。借助语言模型智能体对这些文件进行审查时，需要发现相关文档中未明示的缺陷、获取缺失的企业信息，并验证所请求的修订是否符合有据可依的要求。然而，现有的金融问答评测难以充分反映此类交互能力。我们提出了\textbf{FilingLoop}，一个用于企业披露审查与修订的交互式基准测试及自进化智能体框架。FilingLoop以美国证券交易委员会的历史往来函件为基础，从96家公司的文件中重构出380项以首次公开募股审查为主的任务。
Property Finder 发现，其视觉AI评估标签中有96.8%源自现有模型，这掩盖了该模型的真实准确率。了解他们如何构建无偏的真值数据、实施进化式提示优化，并在 Amazon Bedrock 上选择了一款更精准且更具成本效益的模型，从而在11项图像质量指标上将成本降低了86%。
arXiv:2610.33442v1 发布类型：新 文摘：据报道，大型语言模型（LLMs）容易出现包括幻觉和推理错误在内的可靠性问题。现有的质量检测器能够基于内部表征以相当高的准确率预测不可靠的输出。然而，这些检测器的训练通常需要大量特定领域的标注数据，这限制了它们在新领域的适用性。我们提出通过在相关领域之间迁移表征签名来应对这一挑战。具体而言，我们构建了一个统计框架，首先为每个领域提取低维表征签名，然后利用交叉拟合学习各领域特定预测器的组合权重。这些权重会根据源领域各自的预测相关性进行自适应调整。
arXiv:2610.33036v1 发布类型：新 摘要：口语风格字幕（SSC）旨在生成自然语言描述，用于刻画语音的表达方式，捕捉诸如声音音色、韵律和表现力等副语言特征。许多下游应用，包括对话式 AI 智能体、可控语音生成以及大规模音频标注，都需要针对特定维度的风格字幕，以描述语音的特定方面（例如说话者特质、情感或表达风格），而非单一的无差别描述。然而，现有研究缺乏对可控口语风格字幕的统一建模方法。我们通过将 SSC 定义为一项遵循指令的音频-语言任务来弥补这一不足，在该任务中，明确的指令会指定口语风格的维
arXiv：2610.32412v1 发布类型：新 摘要：递归式大型语言模型（LLM）智能体通过分解、执行与环境反馈来解决长周期任务。然而，在生成一个原子级子任务后，它们往往再次调用同一款大型模型，将熟悉的指令转化为可执行的动作。我们观察到，高层规划具有任务特定性，而底层动作的具身化则在不同任务间反复出现，并且能够对照环境允许的动作进行验证。为此，我们提出了 LeafSkill，这是一种外部复用层，它能够检索语义相关的具身化经验，将动作模板绑定到当前对象与可执行动作上，并借助一个轻量级的 17 亿参数选择器来决定采用已绑定的动作，或将未发生变化的子任务交由原始智能体继续处理。技能始终处于外
arXiv：2610.35564v1 发布类型：新 摘要：无服务器计算平台必须在适应高度突发且不可预测的工作负载的同时，确保服务质量（QoS）。为应对工作负载的波动并满足QoS要求及服务等级协议（SLA），这些平台依赖于资源的自动扩展。商业化的函数即服务（FaaS）平台采用不同的自动伸缩策略，以动态调整活跃函数实例的数量和可用的处理能力。在本研究中，我们对三种具有代表性的自动伸缩策略进行了建模与比较：按请求伸缩（SPR）、并发级别伸缩（CLS）以及基于指标的伸缩（MBS）。为了实现独立于各厂商特定实现的系统化评估，我们……
Data Culture 构建了一个三步评估框架，使某项 AI 分析的部署准确率从 0% 提升至 94.7%。
arXiv：2610.32114v1 发布类型：新 摘要：加速人工智能对齐研究进展的一种方法，是将对齐研究的部分环节实现自动化。这需要能够可靠地完成难以监督的研究任务的系统，包括识别研究方案中的缺陷，以及评估某项实验设计是否支持其预期结论。为评估这一能力，我们提出了“Tampered ML”基准，包含1,858个项目对，每一对均由一篇已发表的机器学习论文重构而成的实验方案，以及一个经过轻微修改、引入特定方法学缺陷的反事实版本组成。模型需在两种呈现顺序下均能识别出方法上更为合理的方案。一项针对分层抽样的人工验证研究估计，其中86%的项…
arXiv:2610.32107v1 发布类型：新 摘要：参与对话不仅涉及决定该说些什么，还涉及是否应该开口。在诸如狼人杀这样的环境中，由于参与者利益相冲突，这种判断显得尤为重要，因为无论是发言还是沉默，都会受到他人的解读与评判。因此，对于一个参与狼人杀游戏的 LLM 智能体而言，何时发言以及说什么至关重要。在本研究中，我们介绍了一款专为 AIWolfDial 共享任务中的“随时发言赛道”开发的狼人杀 AI 智能体。我们的系统基于现有的 Inner Thoughts 框架，通过生成内部思考并评估每种想法的价值，来决定对话中的发言时机。
arXiv:2610.32711v1 发布类型：新 摘要：数据分析与大语言模型工作负载对内存的需求正迅速增长，推高了云环境和数据中心的内存成本。多级内存已成为一种颇具前景的解决方案，可在性能与成本之间实现平衡。然而，要有效利用多级内存，必须深入理解工作负载的内存访问行为。本文提出了一种高分辨率的内存特性分析方法，用于评估针对特定工作负载的多级内存使用机会。鉴于基于ARM的处理器在数据中心中的部署日益增多，我们采用ARM最新的统计剖析扩展（SPE）来实现这一方法。通过对CloudSuite和大语言模型应用中的八个内存密集型工作负载进行特性分析，我们识别出了具有区域特异性的访问模式
arXiv：2610.32045v1 发布类型：新 摘要：面向科学的人工智能代理正越来越多地被用于提出科学假设、开展自主实验以及解读证据。这些代理通过将大型语言模型（LLM）集成到特定领域的代理框架中构建而成，而该框架又能提升LLM的科学能力，并使其能够协调运用各类科学工具。在本研究中，我们探讨了当大型语言模型被整合进面向科学的人工智能代理框架时，模型的安全性是否仍能得到有效保障。我们针对50个有害的化学相关请求，对五种代理框架进行了评估。具体而言，我们考察了在直接提示、两种简单的对抗性提示策略以及一种自适应攻击情境下，模型的安全行为如何发生变化。基于四种近期发布的GPT变体，我们的研究结果表明
arXiv论文（2610.31678v1）指出，在交互式大语言模型评估中，仅依赖自动评分器的整体准确率或F1分数会掩盖提示特定错误，导致对提示效应的误判；实证显示同一评分器在不同提示下的假阳性率差异巨大（2.6%–33.3%），且表面显著的9.3点效应在双LLM评审下缩至2.3点且不显著。
推荐理由：该研究基于真实实验数据（6个模型、180个虚构实体问题、6种提示条件），揭示了当前LLM评估中普遍存在的方法论漏洞——将 scorer 整体性能等同于其在关键对比任务中的可靠性。其核心主张（须分别审计各提示、纳入不确定性）具有明确实证支撑和可操作建议，时效性强（2026-10-26发布），来源可信（arXiv预印本平台）。
一篇于2026年10月24日发布在arXiv的论文指出，当前主流编码智能体基准（如SWE-Milestone）存在“规范-预言机差距”：任务自然语言描述未涵盖测试所需的关键实现细节（如常量名、模块路径、精确错误消息），导致评测实际衡量的是对上游代码的复现能力而非真正理解与推理能力。
推荐理由：该研究首次形式化定义该类偏差，构建覆盖五种语言的静态审计工具（精度89.2%，召回率92.9%），并在SWE-Milestone中实证发现25个里程碑任务含不可推断的隐式依赖，显著拉高失败率（80.6% vs 48.4%），揭示当前排行榜可能系统性偏爱‘抄名称’型智能体；成果已开源审计工具与修正资源，具方法论与实践双重价值。
