检索标题、摘要与正文，把分散的信息连起来。
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。
arXiv:2610.37681v1 发布类型：新 摘要：近年来，大型推理模型在解决复杂任务方面展现出卓越的能力，而基于长链式思维数据的监督微调（SFT）则成为激发并提升其推理能力的关键基础。尽管在改进与分析面向推理的监督微调方面取得了快速进展，但该领域仍缺乏一份系统性的综述来整合其快速增长的文献。为填补这一空白，我们对近期推理相关监督微调的最新进展进行了全面回顾，并从方法设计与分析研究的双重视角审视相关文献。首先，我们梳理了监督微调全流程中的方法学改进，并将其划分为以数据为中心的方法与以算法为中心的
arXiv:2610.36353v1 发布类型：新 摘要：大型语言模型（LLMs）常常将含糊的输入当作具有单一明确含义来回答。这存在严重问题，因为输入歧义是不确定性的一个上游来源：当一个提示可能存在多种有效解释时，关键问题在于模型是否应当直接作出回应。现有的输入不确定性方法通常依赖于由大型语言模型生成的语句或澄清，但这类转换可能在测量歧义之前就已经对输入进行了消歧。我们提出了一种保留标签的扰动框架，用于检测输入歧义，在该框架中，扰动保持与原始输入相近，同时保留其标签。我们通过两种检测器对该原则进行了具体实现：一种是基于规则的黑盒扰动库
arXiv:2610.35925v1 发布类型：新 摘要：训练用于个人身份信息（PII）的上下文化掩码系统，需要能够区分某一实体类型中可掩码与不可掩码提及的示例，但隐私限制使得获取真实数据受到制约。基于作者的增强方法（SPY）会将与作者无关的提及标记为非PII，这种方法假定存在单一的数据主体，而忽视了其他可能的主体。我们提出了ReCoPII（基于关系的上下文化PII掩码），该框架无需这一假设即可构建此类数据：它规划受本体约束的实体关系，编写带有占位符的插入句，通过代码重建标注，利用独立的大型语言模型检查结果，并根据实体关系推导出MASK/KEEP标签。在来自六个领域的韩语文档上，它生成了Re
arXiv:2610.35869v1 发布类型：新 摘要：人工智能应用通常会在决定是否需要进行推理之前先调用模型。这种默认行为对于模糊的生成任务很有用，但与那些结构化、确定性、受策略约束、以查找为主或可直接验证的工作并不匹配。KORA 提出了确定性优先执行控制：一种位于推理前的控制层，它将请求表示为任务路径，优先尝试确定性或结构化的执行路径，验证路径结果，记录遥测数据，并仅在确定性处理不足时才切换到模型候选路径。本文将 KORA 介绍为一种确定性优先的执行控制架构，并基于可复现的基准测试和验证工作负载提供了有限的实证证据。在一项重
arXiv：2610.35877v1 发布类型：新 摘要：改变部署策略可能会使世界模型的不确定性失效，而同时保持物理转换机制和预测器不变。对于一步预测而言，如果源域与目标域的条件机制 $P(Y|X)=Q(Y|X)$ 相同，则该干预可通过预结果度量的变化 $w(X)=dQ_X/dP_X$ 来识别。对于受策略控制的动力学系统，这一比率可分解为状态占用率与动作倾向性两部分。加权保形校准能够将边际覆盖率迁移至目标分布；在估计出比率 $\hat w$ 的情况下，有 $P_Q\{Y \in C_{\hat w}(X)\} \ge 1-\alpha-TV(Q,\hat Q) \ge 1-\alpha-E_P|w-\hat w|$。源域与目标域分类器的总体对数损失遗憾同样界定了这一比率误差。若 $h$ 是其剪切
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。
arXiv：2610.31955v1 发布类型：新 提要：Anthropic 的最新研究提出了一种名为“雅可比透镜”（J-lens，Gurnee 等人，2026）的新可解释性工具。该方法在前沿语言模型的隐藏状态中识别出一些线性方向，这些方向表现出类似工作记忆表征的特性。然而，尚不清楚究竟是哪些机制特性使这类特征能够被 J-lens 检测到。为此，我们提出了 J-lens 的数学理论，并证明它倾向于识别相干特征——即那些类似于主导、在空间上具有连贯性的李雅普诺夫模态的方向。沿着这些方向施加微小扰动时，其放大效应会逐层传递，在各个标记位置大致保持不变，并且在不同上下文中也具有一致性。尽管 w
arXiv：2610.33015v1 发布类型：新 摘要：长期记忆使大型语言模型（LLM）代理能够维持个性化且时间上连贯的交互，但为实现记忆的接纳、提取与组织而反复调用LLM进行推理，会带来显著的成本与延迟。我们提出了SLICE-Mem，一个轻量级的记忆框架，它将基于显著性引导的接纳与基于谓词的信息提取相结合。一个紧凑的分类器用于识别值得保留的用户发言，而基于语义依赖关系的提取器则将被接纳的发言转化为简洁的记忆条目。这一在线处理流程无需调用生成式LLM，同时跨条目的一致性校验被推迟至离线的整合阶段。我们在Memora和LongMemEval-S的每周子集上，使用8B a对SLICE-Mem进行了评估
arXiv:2610.33063v1 发布类型：新 摘要：部署后的视觉模型会自动接受置信度较高的预测，因此高置信度错误会在不知不觉中传播。作为标准的故障预测指标，最大 softmax 概率（MSP）存在一个结构性盲点：作为一种从分类器头部读取的标量，它对与其置信度梯度正交的特征变化在一阶上是“视而不见”的。通过对特征空间检测器进行因子分析，我们发现了一条条件冗余原则，用以解释为何这些检测器无法有效补充 MSP：它们所衡量的类别可分性几何结构实际上早已被编码在 MSP 中，并且在融合后会完全失效。最终幸存下来的信号，是位于流形外残差上的类别条件典型性——而由于这一残差的分布因骨干网络的不同而异，从接近高斯分布到重尾分布不等。
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
arXiv：2610.34521v1 发布类型：新 摘要：主流运行时上的 Actor 框架纷纷宣称支持 Erlang/OTP 式的监督机制，但 OTP 的一致性契约假定使用的是同步的单线程监督器，而端口则将这一假设的缺失视为未加审视的风险。我们对照已锁定版本的 OTP 官方文档与源码原文，逐一检验了各项监督保障；同时，还基于三个其他 Rust Actor 框架在固定版本下的源码进行了比对，并参考了有关 Actor 模型的文献，记录下每项设计决策背后的依据。通过盲目的对抗性审计与跨框架研究，我们发现了 24 类缺陷，其中 8 类可归结为同一个根本原因：即通过显式机制重新构建了同步监督器所隐含的原子性。我们提出了一种监督运行时 th
arXiv:2610.33007v1 发布类型：新 摘要：在集成的地面与非地面（TN/NTN）6G网络中，自然语言服务意图可能存在不完整、模糊或不一致的情况，这使得无约束的大型语言模型生成难以实现面向网络的可靠编排。本文提出了一种知识引导的大型语言模型框架，该框架将语法约束的语义解析与知识图谱驱动的澄清循环相结合，从而为四大典型服务类别生成经过验证、可直接用于编排的服务配置文件。在包含200个样本的意图数据集上，该框架实现了89%的分类准确率和95%的策略有效性，且每条请求平均只需0.66次澄清迭代。与纯大型语言模型基线相比，所提出的框架显著提升了策略的有效性及共
arXiv:2610.31981v1 发布类型：新 基本摘要：在最简单的非欧几里得流形——一维平坦环面上，我们展示了一种分布，在该分布下，一种近期提出的黎曼流匹配扩展方法能够通过一个将样本从数据分布中推开的速度场实现全局最优。我们将这种失效模式归因于我们称之为“兼容性”的性质：基于似然的流匹配目标若具备兼容性，则其总体最小化解能够恢复由数据与耦合所诱导的边际速度场。我们给出了兼容性的通用条件，并将其应用于现有方法，同时以在兼容性条件下趋于零的残差项为基准，对最坏情况下的误差进行了界定。此外，我们指出，现有的兼容性目标会在紧致流形上对那些不可行的速度施加密度约束。
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。
arXiv:2610.31968v1 发布类型：新 摘要：准确估算救护车行驶时间对于紧急医疗调度至关重要，然而现有的决策支持方法往往依赖于静态查表或对救护车与普通乘用车行驶时间差异的简化假设。例如，这些方法通常假定救护车的行驶速度仅比普通乘用车快一个固定比例（如5%）。然而，这类假设很少经过真实救护车运行数据的验证，也难以充分反映行程优先级、时间背景以及起点—终点等因素的影响。我们利用瑞典斯科讷地区的历史救护车出行数据，有效弥补了上述局限性。我们的分析表明，救护车的行驶时间在不同时段、不同日期之间存在显著差异，并且……
arXiv:2610.31882v1 发布类型：新 摘要：我们提出了TACS-RF框架——一种由工具驱动的智能体驱动射频与毫米波模块电路综合方法。在该框架中，大型语言模型（LLM）编码智能体（Claude Opus 4.8）直接调用业界标准的电子设计自动化（EDA）工具，如Cadence Virtuoso/Spectre、Calibre、Cadence EMX以及Ansys HFSS，用于设计射频与毫米波模块。我们通过在90 nm SiGe BiCMOS工艺下对一款240–251 GHz亚太赫兹发射机进行智能体驱动设计，对该框架进行了验证。该智能体半自主地完成了各子模块的设计，包括具备二次谐波提取功能的60 GHz推挽式Colpitts压控振荡器、多级差分共栅功率驱动器、推挽式倍频器、差分蝴蝶天线以及所有级间匹配网络。
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:2610.31863v1 发布类型：新 摘要：若农业机械需支持智能化的离线辅助功能，则系统必须能够动态访问技术文档。本文分析了基于ISO 11783的CAN总线上操作手册的语义同步问题，将其定义为使拖拉机端助手的本地知识库与所连接农具的操作手册保持一致的过程。通过Markdown、JSON和XML对数据传输性能进行了基准测试，并在跨语言查询任务中评估了多种开源大型语言模型（LLMs）。答案的自动评估结果经由四位人工评分者验证。一份完整的手册在物理层面上的ISO 11783网络上完成传输，耗时31至89秒，具体取决于f
arXiv:2610.31728v1 发布类型：新 摘要：Muon 已成为大型语言模型训练中广受欢迎的优化器，但其理论基础仍缺乏深入理解。在本研究中，我们探讨了梯度噪声的几何结构如何影响 Muon 的预条件化优势。我们首先从理论与实验两方面证明，在经典的各向同性噪声假设下，Muon 仅能通过重新缩放学习率而带来加速效果，无法进一步提升性能。这一发现促使我们进一步考察由异构任务频率下的关联记忆中的小批量采样所引起的结构化噪声。我们为两类任务确定了一个精确的平衡阈值，并将分析扩展至多任务场景，揭示了任务覆盖率与梯度可靠性如何共同塑造学习过程。我们的分析表明，Muon 能够缓解……
