检索标题、摘要与正文，把分散的信息连起来。
arXiv:2610.36083v1 发布类型：新 原文摘要：生成式人工智能的最新进展通过后训练的金融领域大型语言模型（LLMs），显著提升了金融情绪分析的性能。然而，现有方法仍局限于孤立地预测每篇文章的情绪，且运行机制如同“黑箱”，这限制了对上下文的理解，并阻碍了其在高风险金融决策中的应用。为此，我们提出了FinLLM-KG，这是一种与模型无关的框架，将因果推理的大语言模型与金融知识图谱相结合，在推理阶段注入来自美国证券交易委员会10-K文件的、具有时间关联性的公司级知识，而无需更新模型权重。在FinLLM-KG中，上下文既可以以自然语言形式的公司简介提供，也可以以一小部分关系作为输入。
arXiv：2610.32122v1 发布类型：新 提要：我们报告了现代文本嵌入模型中的一种系统性脱节现象：情感信息几乎可以被其嵌入表示完美解码，却几乎完全无法从其度量空间中体现出来。在涵盖2021年至2026年的十一种冻结编码器中，包括2026年发布的模型以及4B参数的大型语言模型嵌入器Qwen3-Embedding-4B，线性探测器在句子极性分类任务上的准确率高达91.3%，而余弦相似度对极性的区分幅度却仅为0.003至0.064。作为该测试集中表现最强的探测器，Qwen3-Embedding-4B的探测准确率达到91.3%，但在检索平均精度（MAP）方面却仅有64.3%。由于检索、聚类、去重以及检索增强生成等任务均基于度量空间而非经过训练的探测器进行，这些系统实际上对相关信息处于“视而不见”的状态。
