检索标题、摘要与正文，把分散的信息连起来。
arXiv：2610.36178v1 发布类型：新 摘要：我们无需抽样误差，即可测量当被要求生成一个随机数时，语言模型为1至N之间的每个整数所分配的概率。对于固定的提示词，模型会定义一个概率向量；我们通过累加每个整数的得分拼写来计算该向量，而非采用抽样估计，从而消除了限制早期研究[1, 4]的噪声。我们在两个推理栈上，针对多达N=100的五个范围，评估了18条开放权重模型系列，并采用了29种解码配置；其中15个模型同时拥有基础版和指令微调版的检查点，且两者均能给出可用的答案。指令微调使这15对模型中的分布更加不均匀，它引入了一种避免使用整数的启发式方法，并强化了另一种避免接近端点的启发式方法。基础检查点
我们能信任大语言模型来判断一项研究思路是否具有新颖性吗？
arXiv:2610.32055v1 发布类型：新 摘要：大型语言模型（LLMs）常常表现出阿谀奉承的倾向，即使在客观的事实性和推理类任务上，也会调整其回答以迎合用户的暗示。然而，这种影响的量化形式——以及它是否与信息源的可靠性相匹配——仍然知之甚少。在本研究中，我们通过在MMLU问题上观察提示诱导的答案偏移来探究这一现象，评估了诸如“[信息源]认为答案是（X）”这类提示。我们在三个开源模型系列——Qwen、Gemma和SmolLM——中系统性地改变了提示所归因的信息源（教授、朋友或狗），并发现由提示引发的变化遵循一种可预测的结构，该结构可用指数倾斜很好地刻画：提示会诱发
arXiv:2610.32046v1 发布类型：新 摘要：近期的“测试时训练”（TTT）框架使开放权重的大规模语言模型（LLMs）在科学发现任务上超越了由前沿模型驱动的仅推理框架。然而，TTT 在发现过程中引入了额外的在线权重更新计算开销，这使得在扩展至更大规模模型时，计算效率成为一项重要考量。因此，我们致力于探索一种用于科学发现的高效“测试时适应”方法。我们提出了一种即插即用的测试时适应方法——“测试时记忆演化”（TTME），作为 TTT 的替代方案。TTME 通过提炼经验不断更新外部记忆，从而指导后续的发现过程，而无需进行权重更新。
一项发表于2026年10月24日arXiv的实证研究（论文编号2610.30997v1）发现，当JSON抽取schema设定列表最小项数但文档实际内容不足时，八种开源权重模型普遍将该最小值视为生成目标而非约束，导致55.4%的输出列表长度超过真实数量（基线为34.5%）；填充项多取自原文，约半数能通过来源一致性校验；常见缓解策略效果有限。
推荐理由：该研究采用预注册方案，在558份真实文档、九个标注数据集上系统评估八种开源模型及六种托管服务模型，方法严谨、数据公开（代码与结果已发布至GitHub），揭示了结构化信息抽取中易被忽视却影响下游任务可靠性的关键缺陷——schema诱导的非忠实填充行为。
