检索标题、摘要与正文，把分散的信息连起来。
2026年10月24日发布的arXiv论文（编号2610.31047v1）指出，当前自动化安全系统依赖词汇表层特征判断危害性，导致系统性偏见：非裔美国人英语（AAE）被标记为“冒犯性”的频率最高达其他英语变体的两倍；知名变装皇后账号被评毒性强于白人至上主义者账号；英语中有效的安全行为在低资源语言中完全失效。
推荐理由：该研究基于实证评估协议，覆盖5个开源系统、11种语言共55个系统-语言组合，发现93%的组合未能达到母语者水平的危害功能识别能力；且模型能力提升反而扩大语言间保护差距，凸显算法公平性危机。来源为arXiv预印本平台，发布日期明确（2026-10-24），内容聚焦可验证的技术缺陷与跨语言实测结果。
2026年10月24日，arXiv发布论文arXiv:2610.30970v1，系统评估参数量介于1700万至10亿之间的紧凑编码器在闭合集决策任务（如工具选择）中的设计选择：联合阅读所有选项 vs. 逐个独立评分。研究发现，在3200万参数规模下，逐选项评分在技能指标上显著优于联合评分；但其计算开销更高、延迟更不均衡。多个System1-Arena基准测试显示，6800万和1.5亿参数的联合编码器超越4.35亿参数DeBERTa-v3零样本分类器。
推荐理由：该论文提供了当前大模型下游决策模块轻量化设计的关键实证比较，涵盖架构选择、初始化依赖、延迟-精度权衡及输入顺序鲁棒性等工程关切点，数据基于三随机种子实验与公开/私有基准验证，发布时间（2026-10-24）与当前UTC日期（2026-10-25）一致，属最新可信研究进展。
该论文于2026年10月24日发布在arXiv（编号2610.31259v1），系统比较了连接时序分类（CTC）和神经转录器两类端到端语音识别（ASR）模型在不同剪枝策略与语言模型配置下的搜索空间复杂度与推理效率。
推荐理由：论文基于实证分析指出，尽管端到端ASR模型多数时间维持较小搜索空间，但在语音不确定性时段会出现假设数量的显著瞬时峰值；动态的基于分数剪枝可适配模型不确定性，显著降低实时因子（RTF），为高效搜索提供实践指导。
研究者提出SIM-UT（Simulation of User Behaviour for Triage），一种多轮次、基于真实用户行为模拟的评估方法，用于识别大语言模型（LLM）驱动的医疗分诊聊天机器人在低收入和中等收入国家（LMICs）实际场景中的生态有效失败模式。
推荐理由：该框架突破了现有单轮次、英语为主的评测局限，通过5000+轮多语种模拟对话，覆盖印度、南非、肯尼亚三地真实WhatsApp健康项目，首次系统揭示‘临床危险性降级’（de-escalation risk）这一关键失效行为，具有方法论创新性与临床安全警示价值。
该研究发表于2026年10月24日arXiv平台（编号arXiv:2610.31193v1），通过两阶段实证框架分析元数据构成对大语言模型生成文物描述的影响，发现元数据数量本身不能解释生成行为差异，字段类型决定模型是准确锚定、忽略还是虚构信息，图像既可辅助视觉锚定也可能加剧无依据推断。
推荐理由：本研究挑战了‘更多元数据必然增强生成接地性（grounding）’的常见假设，基于真实博物馆藏品元数据异质性与地域不均衡性设计可控实验，提出应从字段级和主张级（field- and claim-level）支持度评估元数据驱动的数据到文本系统，而非依赖整体输入覆盖率或参考相似度等粗粒度指标。
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。
