跳到正文
AI NEWS.ccAI正在发生 未来正在更新
资讯收藏
THE JOURNAL
AI NEWS JOURNAL
AI, IN PERSPECTIVE

搜索 AI 资讯

检索标题、摘要与正文，把分散的信息连起来。

按发布时间排序

arXiv cs.DC

FenixWalk：面向异构架构的大规模动态图自适应采样

arXiv:2611.04683v1 公告类型：新 基础摘要：随机游走是图分析的基础，但在大型动态图上高效执行仍具挑战。现有方法需在采样效率、更新开销和内存消耗之间权衡。为吞吐量优化的采样结构往往带来显著的内存开销和高昂的维护成本，而轻量级方案在高度数顶点或权重分布偏斜时又可能面临较高的采样延迟。这些挑战在异构CPU-GPU平台上尤为突出：主机内存容量充足，但GPU内存限制了可从并行加速中获益的图数据量。我们提出了FenixWalk，一个面向大规模动态图的内存高效随机游走系统，将统一的原地采样与选择性GPU加速相结合。核心上，FenixWalk采用原地Fenwick表示，无需复制边级权重存储即可支持拒绝采样和逆变换采样。该表示使拒绝采样具备期望O(1)的权重查询时间，并支持O(log d)的前缀采样与更新。为高效利用异构硬件，FenixWalk将完整图及其采样结构保留在主机内存，同时将频繁重用的顶点本地采样器有选择地放置在GPU上。通过传输紧凑的游走器状态而非反复迁移图分区，该系统减少了跨设备通信，并有效利用了有限的GPU内存。在大型真实世界图及代表性随机游走工作负载上的实验表明，FenixWalk相较于现有随机游走系统实现了平均2.06倍至400.57倍的加速。

arXiv cs.AI

FilingLoop：用于企业披露审查与修订的LLM智能体评估与演化

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。

事件进展与其他报道
arXiv cs.CL

制品蒸馏：无需训练的前沿模型到小型语言模型的迁移

arXiv:2610.37680v1 发布类型：新 摘要：缩小前沿模型与小型语言模型之间的差距，通常采用蒸馏方法：在前沿模型（教师）的输出上对小型模型（学生）进行微调，但这使得迁移过程依赖于训练计算，并且被迁移的知识往往难以解释。我们提出了一种名为“制品蒸馏”的方法：由教师模型解决一系列训练实例，并将其求解过程外化为一个制品库，学生在推理时直接查询该库，而无需进行梯度更新。在四项LiveBench任务中，由Claude Opus 4.5构建的制品库使Claude Haiku 4.5在空间推理任务上的表现（0.707 vs. 0.647）达到其自身成本的60%时，已超越未借助任何辅助的Claude Sonnet 4.5；而在表格连接任务上，该制品库仅以Sonnet 4.5成本的89%便达到了相同水平。同样的原始制品库还提升了

事件进展与其他报道
arXiv cs.AI

评估与改进用于理解测序协议的 AI 智能体

arXiv:2610.37851v1 发布类型：新 摘要：现有的科学智能体基准测试很少评估智能体是否能够重建测序协议所指定的精确分子结构和生成流程，而这一能力对于分析定制化测序实验至关重要。我们提出了 LibStructBench，一个基于文档的基准测试，用于重建测序文库结构和分子工作流程。我们的实验表明，前沿的智能体通常能够生成大致正确的重建结果，但在精确重建方面仍不够可靠，尤其是在分子状态表示和工作流程连通性方面。更换底层语言模型所带来的平均性能差异，甚至大于更换智能体框架所产生的差异，且这种差异具有统计学上的显著性。

事件进展与其他报道
arXiv cs.CL

在不阅读解释的情况下进行评分：自动化可解释性评估中的结构化捷径

arXiv:2610.37676v1 公告类型：新摘要：自动化可解释性通过让模型逐个标记地预测特征在评估样本上的激活位置，或判断标记的标记是否与该特征相符，从而对稀疏自编码器（SAE）特征的解释进行评分。我们发现，评估数据的标准处理流程可以在不读取解释的情况下完成评分。在Neuronpedia存储的针对500个随机GPT-2小型特征的模糊测试运行中，91.3%的激活样本都以中心标记为峰值进行裁剪；而当中心标记被标记时判定为“是”的规则，其平衡准确率达到了0.979，相比之下，基于存储的LLM评分器（根据管道代码重新计算的逐项判决结果）的准确率为0.838；仅依据标记数量的规则则达到了0.969。T

事件进展与其他报道
arXiv cs.AI

Seq@K：在序列反馈下的语言模型评估

arXiv:2610.37859v1 发布类型：新 摘要：语言模型驱动的智能体与以往的智能系统存在根本性差异，其能够在上下文中从自然语言中学习。这一能力使智能体能够根据反馈逐步优化自己的回答，而这正是现代智能体工作流中普遍采用的操作模式。然而，学术界目前主要依据Pass@1或Pass@K等指标对模型进行排名，这些指标无法反映模型如何利用先前尝试的反馈信息。我们提出了Seq@K，这是一种自然的评估方案，用于衡量模型在每次先前失败后获得反馈的情况下，是否能在K次连续尝试内解决问题。与那些考察长期规划的多轮智能体基准测试不同，Seq@K将重点聚焦并形式化了从……中进行迭代优化的核心能力。

事件进展与其他报道

arXiv cs.CL

FinLLM-KG：用于算法交易中金融情绪分析的知识图谱增强型大语言模型

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。

事件进展与其他报道
arXiv cs.CL

3、7、14、17、42：指令微调在语言模型中安装并强化了数字选择启发式方法

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

事件进展与其他报道
arXiv cs.CL

令牌置信度只是链长吗？对推理轨迹的信号处理审计

arXiv:2610.36709v1 发布类型：新 摘要：推理型语言模型通过撰写长长的思维链条来解答数学问题，而针对每个问题采样多条链条并以多数投票的方式提高准确率，却会大幅增加生成文本的开销。一种常见的降本方法是根据模型对其所写每个标记的置信度为每条链条打分，这里的“标记”指一个词或词的一部分。该方法将这种置信度在滑动窗口内（2048个标记）进行平均，并依据最低平均值决定保留或终止链条。我们将逐标记记录的置信度视为一种类似于音频或无线电信号的信号，并借助频谱分析、统计检验等标准信号处理工具来检测其中是否出现突变。我们从……中为500道题目各采样了16条链条。

事件进展与其他报道

arXiv cs.CL

AdaptTok-Indic：面向印度语言的脚本感知自适应分词

arXiv：2610.33017v1 发布类型：新 摘要：在以英语为主导的语料库上训练的多语言分词器往往会对印度语系语言进行过度切分，导致令牌序列更长，并加剧了不同书写系统之间的分词差异。我们提出了 AdaptTok-Indic，这是一种专为印度语系语言设计的自适应分词扩展方案，它将 Unicode 规范化的预处理与显式的印度语系连字处理、基于书写系统的路由策略，以及与小型 Transformer 语言模型联合训练的字节级边界预测相结合。在孟加拉语和印地语上进行评估，并额外针对古吉拉特语、泰米尔语和泰卢固语进行了测试，AdaptTok-Indic 在令牌生成密度方面优于面向印度语系的基准分词器 SentencePiece BPE，以及独立实现的 MAGNET 式基准。在五项已记录的…

事件进展与其他报道
arXiv cs.DC

何时以及为何使用TMA：基于工作负载的NVIDIA Hopper GPU张量内存加速特性分析

arXiv：2610.34907v1 发布类型：新 摘要：在NVIDIA Hopper架构中推出的张量内存加速器（TMA），已在生产环境中的GPU内核中得到广泛应用，但其使用却表现出明显的选择性：CUTLASS、FlashAttention-3和FlashInfer等领域的资深内核开发者仅对内核中的部分张量操作数采用TMA，而对其余操作数则退回到cp.async、直接全局加载或分布式共享内存（DSM）等方式。厂商文档虽已说明了该API，近期的微基准测试也单独刻画了TMA的吞吐性能，但这些研究均未能解答从业者实际面临的疑问：在内核中遇到某个内存操作数时，究竟是否应使用TMA？若使用，又该搭配还是不搭配集群多播？我们通过一项基于工作负载的实证研究，在H100平台上填补了这一空白。我们系统地梳理了TMA、多

事件进展与其他报道
arXiv cs.CL

提炼、辩论、发现：以图谱提炼的洞见为多智能体研究构思奠定基础

arXiv:2610.33366v1 发布类型：新 摘要：大型语言模型（LLMs）正越来越多地被用于支持研究思路的生成与科学发现。多智能体辩论通过汇聚多元视角来制定研究构想，为这一任务提供了一种协作式方法。然而，一个关键挑战是如何赋予各智能体独特而有意义的专业知识，以引导其贡献。受研究人员在协作过程中借鉴已有研究经验的启发，我们提出了InsightAgents框架，该框架通过从相关论文的图谱中提炼洞见，构建基于文献的研究型智能体专长。在一条研究脉络中，这些洞见能够追踪研究方法的演进、揭示潜在假设，并识别尚未解决的难题。

事件进展与其他报道
arXiv cs.CV

EKT-路由器：面向具身视觉-语言模型的专家证据对齐

arXiv:2610.33044v1 发布类型：新 摘要：具身视觉-语言模型必须根据部分且不断变化的观测结果来回答问题。其成功既取决于所选择的推理能力，也取决于该能力所能获取的证据。专家路由器通过调整内部计算来应对，而工具增强系统则通过获取外部证据来弥补；若单独选择其中一种方式，可能会导致合适的专家缺乏其所需的证据。我们提出了 EKT-Router，这是一种有限框架，能够同时选择能力专家、可选知识以及感知工具。基于结果的特征表示了通用专家、空间推理专家和时空推理专家之间的优势互补。一个联合效用函数在调用预算范围内对完整的专家—证据路径进行评分。获取完成后，数据包验证器会确认有效数据包

新闻源配图 · arXiv cs.CV
事件进展与其他报道
arXiv cs.AI

Async-RBench：用于LLM智能体中异步任务执行的基准测试

arXiv：2610.32429v1 发布类型：新 摘要：大型语言模型（LLM）代理正越来越多地以异步方式执行任务：主代理在子代理运行的同时继续工作，而任务状态可能在其结果到达之前就已发生变化。主代理必须决定哪些工作需要更新或保留、哪些检查需要重复，同时避免进行被禁止的修改。仅凭最终任务的成功并不能说明这些结果是否被正确处理，而且自然的异步到达现象也难以复现。我们提出了 Async-RBench，一个用于评估 LLM 代理中异步任务执行的基准测试，包含涵盖八种场景的 200 个可执行任务。场景控制器通过预定义的任务状态条件来调控结果的交付，而事件响应契约（ERC）则规定了每种响应应满足的要求

事件进展与其他报道
arXiv cs.CL

用于LLM智能体一致性的递归语义分歧

arXiv:2610.33012v1 发布类型：新 摘要：具备工具调用能力的大型语言模型（LLM）智能体，在从相同初始状态出发的多次独立运行中，表现出行为不一致的现象，例如调用不同的工具、产生相互矛盾的输出，或采取截然不同的策略。这种行为上的波动会随时间累积，从而削弱部署的可靠性。现有的评估指标主要通过基于任务完成度的得分来衡量正确性，而未能捕捉智能体在多次执行中的行为一致性。此外，对智能体行为的分析要么停留在词元层面，借助概率分布进行评估；要么聚焦于单次响应层面，采用语义聚类方法，但两者均无法刻画不一致性如何在轨迹的后续步骤中进一步传播。我们提出了递归语义发散（RSD），一种无

事件进展与其他报道
arXiv cs.CL

各有所不足：在不同证据状态下校准语言模型

arXiv:2610.33237v1 发布类型：新 摘要：语言模型如何判断自己是否拥有足够的证据来作答？语言模型往往会在证据不足的情况下仍给出答案。决定是直接作答还是继续收集更多证据，需要对现有证据下答案正确的概率做出精确的校准估计。然而，大多数校准研究都将输入视为固定不变，而未考虑这种估计应如何随证据的变化而调整。我们提出了“证据状态校准”，要求模型在作答前的置信度与其正确作答的概率相匹配，并且每当证据改变这一概率时，置信度也相应调整。我们提出了一种名为\ours{}（即“充分性置信度估计”）的方法，该方法通过微调

事件进展与其他报道
arXiv cs.CL

基于扰动的数据选择用于医学问答

arXiv:2610.33440v1 发布类型：新 摘要：从现有问答库中适配医学语言模型时，选择一个紧凑的训练子集是至关重要的一步。我们研究了基于扰动的数据选择方法，该方法利用最终层表示的高斯扰动所衍生的两种信号：预测变化频率与非翻转边际收缩。在经过共享熵预过滤后，表示敏感度优先化（RSP）通过自动均方根缩放将这两种信号进行整合，而RSP-Drop则仅依据收缩程度对候选样本进行排序。这两种选择器在筛选过程中仅使用问题和答案选项。我们在MedGemma-4B上，针对五个医学问答数据集，在保留集规模分别为64、128和256个样本的情况下对其进行了评估。在主要预算为128个样本时，

事件进展与其他报道
arXiv cs.AI

超越收益：用于代理技能退役的技能内化度量

arXiv：2610.32322v1 发布类型：新 摘要：LLM智能体从公共技能中心检索技能，这些中心最多可存储约10万条记录，并为众多模型提供服务。随着模型性能的不断提升，技能中心必须识别出某一模型已内化哪些技能——即该模型已不再依赖这些技能——并将其从该模型的技能库中移除；然而，目前尚无可靠的方法来衡量技能的内化程度。现有规则仅依据有无某项技能时的运行表现差异来进行判断，而这种差异往往微乎其微。无论是对于已被内化的技能，还是在模型与该技能均无法实现相应能力的情况下——我们称这种状态为“未被发现”——其收益几乎都接近于零。因此，我们改采另一种做法：暂不启用该技能，而是基于由该技能衍生的任务对模型进行评分，并且只有当另一模型确实因该技能而获益时，才信任模型在无辅助条件下的高分；因为事实上，近一半的高分都来自那些并未真正体现该技能作用的任务。

事件进展与其他报道
arXiv cs.AI

溶剂：用于多步逆合成的长 horizon 推理

arXiv：2610.32308v1 发布类型：新 摘要：多步逆合成反应需要通过一系列连续的反应步骤，将目标分子逐步转化为可购买的构建模块；近期的研究开始借助大型语言模型（LLM）的推理能力来解决这一任务。在最新进展中，LLM推理已进入长时序阶段：模型能够在相互依赖的各步之间持续追求目标、与环境交互并根据反馈进行调整。这一转变显著提升了LLM的能力，人工智能驱动的数学研究领域也由此取得了突破性进展。在此前沿领域，我们提出了 Solvent，一款拥有80亿参数的LLM，成功将长时序推理扩展至多步逆合成。通过两轮的后训练课程，Solvent学会了在迭代过程中穿插……

事件进展与其他报道
arXiv cs.AI

DMAIC-Bench：面向多阶段分析任务中智能体的自我反思与自我约束

arXiv：2610.32305v1 发布类型：新 摘要：多阶段分析任务要求大型语言模型（LLM）代理利用中间证据来决定是继续、重定向还是停止。自我反思——即代理对其输出进行批判性评估——已得到广泛研究，然而这种反思并不能说明证据是否改变了下一步行动。我们将这一能力称为“自我约束”。现有的代理基准测试大多仅衡量任务完成度或输出质量，而未对这一能力进行检验。DMAIC-Bench 通过围绕精益六西格玛明确的统计前提条件构建的、涵盖四个行业领域中15个工业案例的97个种子任务，对此进行了评估。成对的反事实变体在相同的工作流位置上要求采取相反的操作，从而能够区分有依据的自我约束与无差别的停止行为。我们采用……对执行轨迹进行评估。

事件进展与其他报道