搜索 AI 资讯

测试版

## [2.45.4](https://github.com/n8n-io/n8n/compare/n8n@2.45.3...n8n@2.45.4) (2026-10-26) ### 问题修复 * **核心：** 重新创建已移除的 n8n-sandbox 沙箱，并重新运行工作空间设置（[#41919](https://github.com/n8n-io/n8n/issues/41919))（[11e279a](https://github.com/n8n-io/n8n/commit/11e279a51d497f8d96f5f9f90bb314dda4f6a49e)) * **核心：** 当预运行检查失败时，启动子工作流错误工作流（[#41977](https://github.com/n8n-io/n8n/issues/41977))（[9595142](https://github.com/n8n-io/n8n/commit/95951428c765f3f0b1da9f341a6ab8c75673385a)) * **编辑器：** 匹配导航加号按钮悬停样式（[#41910](https://github.com/n8n-io/n8n/issues/41910))（[471c006](https://github.com/n8n-io/n8n/commit/471c006fdd46091659f3e1d28d989702049489f0)) * **编辑器：** 将迁移报告文档中的链接指向

n8n@2.45.4

## [2.45.4](https://github.com/n8n-io/n8n/compare/n8n@2.45.3...n8n@2.45.4) (2026-10-26) ### 问题修复 * **核心：** 重新创建已移除的 n8n-sandbox 沙箱，并重新运行工作空间设置（[#41919](https://github.com/n8n-io/n8n/issues/41919))（[11e279a](https://github.com/n8n-io/n8n/commit/11e279a51d497f8d96f5f9f90bb314dda4f6a49e)) * **核心：** 当预运行检查失败时，启动子工作流错误工作流（[#41977](https://github.com/n8n-io/n8n/issues/41977))（[9595142](https://github.com/n8n-io/n8n/commit/95951428c765f3f0b1da9f341a6ab8c75673385a)) * **编辑器：** 匹配导航加号按钮悬停样式（[#41910](https://github.com/n8n-io/n8n/issues/41910))（[471c006](https://github.com/n8n-io/n8n/commit/471c006fdd46091659f3e1d28d989702049489f0)) * **编辑器：** 将迁移报告文档中的链接指向

稳定

## [2.44.7](https://github.com/n8n-io/n8n/compare/n8n@2.44.6...n8n@2.44.7)（2026-10-26）### 问题修复 * **核心：** 当预运行检查失败时，启动子工作流的错误处理流程（[#41978](https://github.com/n8n-io/n8n/issues/41978))（[67d0e65](https://github.com/n8n-io/n8n/commit/67d0e65f5d5d01d49b1d14ea2c26a6b803bf058b)) * **电子邮件触发器（IMAP）节点：** 当服务器每次断开新连接时，退避重连机制（[#41927](https://github.com/n8n-io/n8n/issues/41927))（[10a9518](https://github.com/n8n-io/n8n/commit/10a9518f0d9d470e619b500383b5b76fc1870662)) * **Microsoft SharePoint 节点：** 修复列映射器中的 403 错误以及“自动映射”功能中的空项（[#41906](https://github.com/n8n-io/n8n/issues/41906))（[e67d278](https://github.com/n8n-io/n8n/commit/e67d278ef0ae3c15493e74813ecce972e384ff1

n8n@2.44.7

## [2.44.7](https://github.com/n8n-io/n8n/compare/n8n@2.44.6...n8n@2.44.7)（2026-10-26）### 问题修复 * **核心：** 当预运行检查失败时，启动子工作流的错误处理流程（[#41978](https://github.com/n8n-io/n8n/issues/41978))（[67d0e65](https://github.com/n8n-io/n8n/commit/67d0e65f5d5d01d49b1d14ea2c26a6b803bf058b)) * **电子邮件触发器（IMAP）节点：** 当服务器每次断开新连接时，退避重连机制（[#41927](https://github.com/n8n-io/n8n/issues/41927))（[10a9518](https://github.com/n8n-io/n8n/commit/10a9518f0d9d470e619b500383b5b76fc1870662)) * **Microsoft SharePoint 节点：** 修复列映射器中的 403 错误以及“自动映射”功能中的空项（[#41906](https://github.com/n8n-io/n8n/issues/41906))（[e67d278](https://github.com/n8n-io/n8n/commit/e67d278ef0ae3c15493e74813ecce972e384ff1

这位十七岁的少年写下了哪个答案？——六款前沿语言模型中作者年龄误归因、信心校准失当与非纠正性自我解释的行为学案例研究

arXiv:2610.31946v1 发布类型：新 摘要：三名学生亲手回答了同一道考试题目：“什么是幸福？你幸福吗？”他们在收集时的年龄分别为17岁、28岁和45岁。其中，17岁的学生的答案措辞谨慎、表达正式。在要求将每份答案匹配到特定年龄与性别标签的任务中，大多数前沿语言模型都自信地将其归为成年人。本文报告了一项针对这一失败现象的结构化案例研究，涉及六种模型：Claude Fable 5、Gemini 3.1 Pro、GPT-5.6 Sol、Grok 4.5、GPT-4o（2024）以及 DeepSeek V4。我们共进行了1,081次API调用，在六个实验条件下对3,225条回复进行了评分，这些条件分别调整了表述方式、披露格式以及受众意识相关指令。在匹配任务中，六种模型中有三种的表现接近或处于随机水平（1/3），同时报告的准确率却高达73%至88%。

RSI-Opt：用于模型训练的递归自我改进优化代理

arXiv:2610.32026v1 发布类型：新 摘要：传统的神经网络训练通常遵循预先设定的优化方案，为此我们设计了一种LLM智能体，用于监控训练过程并随训练进展调整优化器参数；然而，固定不变的智能体策略无法在多次运行之间积累经验。我们提出了RSI-Opt，一种即插即用的递归自我改进优化器智能体，它能够不断演化指导这一过程的知识体系：包括一个提示、一套操作规程、一个经过验证的优化器代码库，以及一套决策节奏。一个元智能体基于先前运行中的证据重写这一策略，同时通过存档机制保留已评估的策略，以供后续进一步演化。在三项训练任务上历经五代迭代后，这些元智能体逐步形成了可复用的操作流程与代码，并自主开展其自身的…

InferSlice：一种面向电信广域网的、由SLO驱动的LLM推理参考架构

arXiv：2610.32638v1 发布类型：新 摘要：大型语言模型（LLM）推理正日益作为企业和交互式应用的核心服务被部署，但主权、合规、延迟以及资源本地化等方面的要求，可能限制集中式云部署的适用性。电信运营商提供地理分布式的计算与网络基础设施，以应对这些约束。然而，现有的 LLM 服务框架主要面向紧密耦合的数据中心设计，对协调地理分布且异构的资源支持有限。我们提出了 InferSlice，一种面向电信基础设施、以服务等级目标（SLO）为导向的 LLM 推理参考架构，集成了网络切片、GPU 分区、弹性服务与可观测性等功能。

面向开放ISA的超级计算：RISC-V、Arm与x86架构在HPC工作负载上的比较研究

arXiv：2610.32632v1 发布类型：新 摘要：RISC‑V 正在成为高性能计算（HPC）领域的候选架构，但其与成熟的 x86 和 Arm 处理器相比的竞争力仍难以评估，因为现有研究采用的平台、工作负载和方法各不相同，且很少考虑能效。我们的工作基于统一的软件栈和评估方法，对当前主流的 HPC RISC‑V、Arm 和 x86 处理器进行了全面评测。我们详细分析了 Sophgo SG2044，并将其与 NVIDIA Grace CPU 超级芯片以及 Intel Xeon Platinum 8480+ 在四项 HPC 基准测试（STREAM、HPL、HPL‑MxP 和 HPCG）以及四款典型应用（iPIC3D、PLUTO、OpenFOAM 和 llama.cpp）上进行了对比。用于本研究的 HPL‑MxP 版本链接至 OpenBLAS，并以此为基础进行构建和测试……

通过分层算法实现突发型HPC工作负载的公平调度的边界队列等待

arXiv:2610.32027v1 发布类型：新 摘要：HPC 集群被多个项目共享，每个项目都享有一定数量的节点小时配额，而如何确保公平性正变得愈发困难。基础模型工作流与自动化流水线使得作业提交呈现出突发且高度集中的特点，少数重度用户占据了大量资源，导致偶尔使用的用户不得不承受由频繁提交的用户造成的队列等待延迟，却无法获知自己的作业究竟需要等待多久。现有的调度器要么忽视历史使用情况，要么仅保护队列头部的作业，要么假定正在运行的作业可以被抢占。我们提出了一种名为 HyDRA 的混合式截止时间与排名感知调度器，它能够在保障用户间公平性的同时，严格限制每项作业的队列等待时间。HyDRA 在作业到达时即根据其规模及其所属项目的优先级为其分配一个截止时间……

DraMaze：一种具备未来感知记忆的多智能体流水线，用于多样化的微剧剧本生成

arXiv：2610.32002v1 发布类型：新 摘要：微剧的迅猛发展使得对高质量剧本创作的需求日益增长。利用大语言模型进行长篇微剧剧本生成，既需要丰富多样的情节推进，又要求具备长远的叙事连贯性。我们的观察发现，随着生成过程的推进，候选续写内容越来越倾向于聚焦于少数几种叙事机制；而传统的检索方式则可能加剧套路的重复使用，并忽视对未来情节至关重要的历史信息。为应对这些挑战，我们提出了DraMaze——一种多智能体流水线，通过基于套路记忆的进化树搜索与变异，探索多样化的因果路径；同时，它还构建了后向叙事依赖树，用于组织、保存并检索历史记忆。

用于上下文依赖解析的POS签名演示检索

arXiv:2610.31966v1 发布类型：新 摘要：上下文学习的示范通常通过语义相似度进行检索，而这在结构化预测任务中可能并非相关性的良好替代指标。我们研究了面向通用依存句法分析的示范选择方法，采用一种基于词性签名的策略，该策略以加权词性统计特征表示句子，并从已标注的训练集里检索出三个长度兼容、由人工标注的示例。我们在UD英语网络树库测试集的全部2,077个句子上，对两种未经过微调的开放权重语言模型进行了评估，将该策略与按样本数量和格式匹配的固定三元组及语义三元组基线，以及零样本、链式思维和批判性修正等系统进行了比较。结果表明，基于词性签名的检索方式获得了最高的标注准确率

权衡感知的区域设计：一种用于企业客户与销售人员分配的多目标决策系统

arXiv：2610.31701v1 发布类型：新 提要：企业客户的旅程不仅由产品体验和营销所塑造，还受到反复出现的资源分配决策的影响。在B2B市场进入（GTM）组织中，区域划分决定了哪些客户将获得销售人员的覆盖、哪些销售人员与客户的关系得以保留，以及有限的现场资源如何进行分配。然而，这一流程往往仍依赖人工操作，导致难以比较潜在机会、评估价值延续性，并权衡增长、平衡、产能与可行性之间的取舍。我们提出了一套面向生产决策的系统，用于在企业级GTM规划中实现兼顾权衡的客户—销售人员分配。该系统整合了三个组成部分：一个多维度的客户价值层，通过融合预测性指标进行评分

HyScale：用于学习型稀疏注意力的长上下文训练扩展

arXiv：2610.32057v1 发布类型：新 摘要：我们提出了 HyScale，一种用于学习型稀疏注意力的长上下文训练系统。学习型稀疏注意力是一种在百万级token上下文中颇具前景的架构，自 DeepSeek-V3.2 以来已在生产环境中得到广泛应用。然而，选择过程逐渐成为训练中的性能瓶颈。对于每个查询，它需要对每一个先前的token进行打分，而稀疏注意力仅读取$k$个；更糟糕的是，现有系统会显式构建完整的打分表，并在重计算时重复执行选择操作。我们的关键洞察在于：选择过程的输出并非激活值，而是一组索引。基于这一发现，HyScale 引入了 HyTopK 和选择重放机制。HyTopK 能够在无需打分表的情况下，实时为每个查询找到精确的前$k$个索引；而选择重放则在重计算过程中复用前向传播阶段的选择结果。

英语与普通话中的居高临下与傲慢语气检测

arXiv：2610.31808v1 发布类型：新 摘要：居高临下的语言（PCL）是一种有害的语言形式，它贬低并以怜悯的态度对待弱势群体，从而强化了社会中的负面刻板印象。然而，与公开的仇恨言论不同，这种语言往往难以被识别，即便是人类裁判也常常感到棘手。本文提出了一套用于自动检测PCL的系统。我们的第一种方法采用静态词嵌入和卷积神经网络进行分类，而第二种方法则使用针对PCL任务微调过的预训练BERT嵌入。第二种方法的表现显著更优，在开发集上的F1分数达到了0.528。

arXiv新论文提出可追溯多模态情绪推理的智能体框架，支持证据验证与免权重更新的提示修补

2026年10月26日，arXiv发布预印本论文（编号2610.31685v1），提出一种基于冻结大模型的可追溯多模态情绪推理智能体架构，通过模态专用感知智能体、集成智能体、MLLM批评者及证据验证阶段实现错误归因与提示空间自适应优化，在MER2025数据集上提升多个开源多模态大模型（2B–38B参数）的情绪识别F-score达0.6–2.2分。

推荐理由：该研究针对当前多模态情绪推理系统在指令微调成本高与智能体流水线不可调试之间的矛盾，提出首个融合证据引用、确定性验证、失败归因与靶向提示修补的全流程可解释框架；所有改进均不修改模型权重，且在四个不同规模开源MLLM上实证有效，具备方法论创新性与工程实用性。

重试权限：AI 智能体工作流中的授权与恢复研究

arXiv：2610.31916v1 发布类型：新 摘要：一个持久化的 AI 智能体能够在自身权限发生变更、且该行动的外部结果仍不确定的情况下，恢复执行一项具有重要影响的行动。我们研究了使用工具的 AI 智能体在执行过程中的可靠性，并将恢复决策与语言模型的行为加以分离。检查点状态、派遣权限、外部效应的证据以及协调权限，都是相互独立的义务。我们提出了一项有限的一致性研究，通过对照隐藏于恢复应用之外的供应商效应账本所记录的历史数据，来检验这些义务。一项预先冻结的实验在原生 LangGraph 和 Temporal 主机上执行了 336 条历史记录，跨越 14 个调度、三个供应商合同以及四个匹配的应用策略。所有 168 对主机单元

基于空间启发式策略的在线三维装箱扩散强化学习

arXiv:2610.32241v1 发布类型：新 摘要：传统启发式方法在诸如三维装箱问题中的空间利用率和布局紧凑性等核心目标上积累了成熟的经验，其依赖于人工设计的规则型逻辑。然而，这些方法在泛化能力和对动态场景的适应性方面存在明显局限。扩散强化学习融合了强化学习的空间搜索能力与扩散学习的数据分布建模能力，在动作分布建模和决策合规约束等方面取得了一定进展。尽管如此，仍存在诸如对三维装箱问题中空间拓扑结构的感知不足、布局优化能力有限等问题。

DriveMind：面向闭环自动驾驶的信念追踪与心智演化

arXiv:2610.32069v1 发布类型：新 提要：近期的多模态大型语言模型（MLLMs）能够在单一模型内感知交通场景、进行推理并提出驾驶决策。然而，现有的基于MLLM的自动驾驶系统在每一帧都从零开始推理，并且仅采纳一种解释，从而舍弃此前关于场景的假设。当场景存在歧义时，智能体便会锁定错误的解读，并在证据尚未充分积累之前据此采取行动。本文提出了DriveMind，一个基于MLLM的驾驶框架，它能够同时维持多个关于场景的假设，并随着新帧的到来不断更新这些假设的权重。受粒子滤波的启发，DriveMind通过视觉语言模型（VLM）传播每个假设，根据当前观测对其进行评分，并重新采样以……

LLM评估中仅用整体F1分数验证自动评分器存误导风险：新研究强调需针对具体提示差异校验

arXiv论文（2610.31678v1）指出，在交互式大语言模型评估中，仅依赖自动评分器的整体准确率或F1分数会掩盖提示特定错误，导致对提示效应的误判；实证显示同一评分器在不同提示下的假阳性率差异巨大（2.6%–33.3%），且表面显著的9.3点效应在双LLM评审下缩至2.3点且不显著。

推荐理由：该研究基于真实实验数据（6个模型、180个虚构实体问题、6种提示条件），揭示了当前LLM评估中普遍存在的方法论漏洞——将 scorer 整体性能等同于其在关键对比任务中的可靠性。其核心主张（须分别审计各提示、纳入不确定性）具有明确实证支撑和可操作建议，时效性强（2026-10-26发布），来源可信（arXiv预印本平台）。

基于大型语言模型的微服务系统自回归多模态异常检测

arXiv：2610.31722v1 发布类型：新 摘要：微服务系统已成为大规模云应用的主流架构，支持快速部署与弹性伸缩。然而，确保微服务系统的可靠性和可用性，关键在于有效的异常检测，因为故障与性能异常可能迅速在各服务间传播，并严重干扰端到端的系统行为。现有的面向微服务系统的多模态异常检测方法往往面临两大根本性局限：(i) 忽略各模态的特性而一味追求跨模态融合；(ii) 存在影响特征重建过程的“身份捷径”问题。为解决这些问题，我们提出了 LLMMAD，一种自回归式