检索标题、摘要与正文，把分散的信息连起来。
arXiv:2610.32103v1 发布类型：新 摘要：在药物研发中，先导化合物的优化需要同时提升各项性能指标，例如提高渗透性并降低毒性，同时尽量减少骨架结构的改动，以免影响化合物的活性。基于强化学习的后训练方法，如 C-MORAL，通过微调分子语言模型，直接针对目标优化分子先导化合物，但这种方法依赖于昂贵的任务特定数据集，并且在实现多目标优化（MOO）方面面临诸多挑战。我们认为，预训练模型可能已经蕴含了有益的分子修饰信息，而零样本生成难以高效地触及这些信息。鉴于零样本生成的搜索能力有限，我们提出了一种高效的 Metropolis-Hastings 搜索策略，以……
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：2610.32429v1 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
arXiv:2610.32189v1 发布类型：新 摘要：无监督多变量时间序列异常预测（AP）旨在根据当前观测值估计未来的异常风险，为复杂系统中的主动干预与维护提供早期预警信号。现有的无监督AP方法遵循基于扰动的范式，即在历史窗口中注入预定义或随机的扰动，以模拟异常的未来演化。然而，这些方法在不同变量和情境之间共享同一类扰动，并学习一种确定性的历史到未来的演化模式。实际上，异常演化具有变量和情境依赖性：同样的扰动在某一变量或情境下可能被放大为异常的未来动态，而在另一情境下却可能被吸收为正常的波动。
arXiv:2610.33006v1 发布类型：新 摘要：基于Transformer的大型语言模型（LLMs）在上下文长度增加时会带来巨大的计算与内存开销，这促使人们研究在推理前将上下文压缩为更短表示的方法。现有的软提示压缩方法通常采用与目标模型相同的Transformer主干架构，而在生成压缩表示的过程中会产生显著的延迟开销。这使得这些方法仅适用于离线场景——即上下文被一次性压缩后，在多次查询中重复使用。我们提出了Boa压缩器，这是一种即插即用的在线上下文压缩器，基于Mamba状态空间模型（SSM）构建，能够在一次线性时间的遍历中编码任意长度的上下文，并生成一个可用于后续条件化的表示……
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
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：2610.33014v1 发布类型：新 提要：谈判助手无需准确预测对方的反应，也能达成一笔不错的交易。我们探讨的是，针对社会世界模型的评估是否直接检验了这种预测能力。我们对1999年至2026年间发表的113篇相关研究进行了梳理。其中9项主要评估测量的是，当系统或实验者选定某一行动后，真实个体对该行动的反应。仅有2项还把明确的反应预测与实际反应进行了对比。这些研究的预测模型所使用的信息仅限于行动被选定之时，而用于评估的反应数据在拟合过程中已被排除；且两项研究均对干预措施进行了随机化处理。此外，我们对25篇有关语言模型的研究进行了全文核查，未发现任何一项实验同时满足上述条件。其余评估则侧重于当前状态推断、任务成功率或预测准确性等指标。
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
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，
arXiv:2610.33442v1 发布类型：新 文摘：据报道，大型语言模型（LLMs）容易出现包括幻觉和推理错误在内的可靠性问题。现有的质量检测器能够基于内部表征以相当高的准确率预测不可靠的输出。然而，这些检测器的训练通常需要大量特定领域的标注数据，这限制了它们在新领域的适用性。我们提出通过在相关领域之间迁移表征签名来应对这一挑战。具体而言，我们构建了一个统计框架，首先为每个领域提取低维表征签名，然后利用交叉拟合学习各领域特定预测器的组合权重。这些权重会根据源领域各自的预测相关性进行自适应调整。
arXiv：2610.33027v1 发布类型：新 摘要：下一个标记预测（NTP）仅奖励紧随其后的那个标记，而对所有其他可能的候选标记均予以惩罚。然而，自然语言往往存在多种表达相同意义的方式。我们提出了一种名为 Conceptizer 的训练框架，它在下一个标记预测的基础上，额外引入了针对语义的奖励机制。Conceptizer 采用一个固定且与模型无关的约 9,000 个概念词汇表，该词汇表由上下文中的同义词构建而成，用以作为语义的基本单位，与作为文本基本单位的标记并列使用。它将每个下一个标记的分布映射为一个概念分布，并在目标语义的所有可能表述之间共享相应的奖励。这一方法能够在不增加模型参数的前提下，提供概念级别的训练信号。在应用于包含 10 亿至 80 亿参数的三类模型时，Conceptizer 实现了最低的保留集 NTP 对数困惑度。
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。
arXiv：2610.33475v1 发布类型：新 摘要：基础大型语言模型（LLM）在云数据中心的广泛部署，标志着从无状态深度学习向分布式、内存密集型生成式工作负载的根本性范式转变。然而，在严格的服务水平目标（SLO）下为海量基础模型提供服务，会暴露出关键的物理与系统瓶颈。这些挑战包括持续存在的高带宽存储器（HBM）墙、计算密集型预填充与内存带宽受限的解码之间的运行不对称、键值（KV）缓存的爆炸式增长、代价高昂的无服务器冷启动，以及硬件可靠性方面的漏洞。现有的文献综述仍局限于各层次的孤立视角，未能将底层加速器的虚拟化与集群……
arXiv:2610.33001v1 发布类型：新 摘要：当合法的写作目标发生冲突时，学术修改便呈现出治理难题。写作过程与社会科学的研究表明，修改具有递归性，且措辞承载着认识论与学科层面的承诺。这些文献指出了若干重要约束，却未能明确在简洁性、发表形式或风格多样性与证据及主张边界发生冲突时，究竟应以何者为优先。本文将修改建模为一种在有序约束下的可接受性问题。任务相关的不变量、情境约束以及可变的呈现方式共同界定可接受的空间；而一项主张保持契约则将证据与判断与经授权的主张边界相联结。四项治理命题具体阐明了p
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……
arXiv:2610.33036v1 发布类型：新 摘要：口语风格字幕（SSC）旨在生成自然语言描述，用于刻画语音的表达方式，捕捉诸如声音音色、韵律和表现力等副语言特征。许多下游应用，包括对话式 AI 智能体、可控语音生成以及大规模音频标注，都需要针对特定维度的风格字幕，以描述语音的特定方面（例如说话者特质、情感或表达风格），而非单一的无差别描述。然而，现有研究缺乏对可控口语风格字幕的统一建模方法。我们通过将 SSC 定义为一项遵循指令的音频-语言任务来弥补这一不足，在该任务中，明确的指令会指定口语风格的维
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：2610.32412v1 发布类型：新 摘要：递归式大型语言模型（LLM）智能体通过分解、执行与环境反馈来解决长周期任务。然而，在生成一个原子级子任务后，它们往往再次调用同一款大型模型，将熟悉的指令转化为可执行的动作。我们观察到，高层规划具有任务特定性，而底层动作的具身化则在不同任务间反复出现，并且能够对照环境允许的动作进行验证。为此，我们提出了 LeafSkill，这是一种外部复用层，它能够检索语义相关的具身化经验，将动作模板绑定到当前对象与可执行动作上，并借助一个轻量级的 17 亿参数选择器来决定采用已绑定的动作，或将未发生变化的子任务交由原始智能体继续处理。技能始终处于外
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……
