搜索 AI 资讯

中国零售商为人工智能工具买单，而消费者仍在追逐补贴

在双十一期间，聊天助手能够通过优惠券引导订单，而商家软件则早已为设计与运营工作收取费用。平台正以比赢得消费者信任更快的速度，将现有预算变现。

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…

SAGE基准与GAR框架发布：推动多模态语义对齐评估

2026年10月26日，arXiv发布论文arXiv:2610.31838v1，提出Sense-Aligned Grounding Evaluation（SAGE）——一个统一的10候选图像选择基准，并配套训练无关的Gloss-Augmented Reasoning（GAR）框架，用于跨名词、动词和实体中心的多模态接地评估。

推荐理由：该研究首次将VWSD、VerSe和WikiDiverse三类任务统一为术语中心的接地评测协议，引入混淆难负样本与上下文交换诊断机制，并通过实证表明定义增强与约束引导推理的协同可显著提升Hits@1指标（65.90→71.22），为多模态语义对齐提供了更细粒度、可解释的评估新范式。

超越策略内与策略外：LLM智能体蒸馏应在何种层次上遵循学生模型？

arXiv:2610.31918v1 发布类型：新 摘要：对交互式大型语言模型代理进行蒸馏时，需要在教师生成的示范与学生生成的经验之间做出选择，这大致对应于离策略蒸馏与在策略蒸馏。尽管两者都被证明是有效的，但我们认为这种区分本质上具有层次性：引发交互历史的策略未必与生成当前动作的标记前缀的策略相同。我们提出了一种分层代理蒸馏框架，将这两种层次的在策略性加以形式化，并允许对其配对方式、混合比例以及训练计划进行显式控制。我们通过自蒸馏来研究这一问题，在自蒸馏中，冻结的教师能够获得学生无法获取的任务指导，而

CEMIR 与 FISER：基于推理与基于知识扩充的语用意图识别方法的比较研究

arXiv：2610.32022v1 发布类型：新 摘要：在人机交互中，意图识别要求智能体通过推断说话者的潜在目标来化解含糊不清的自然语言指令。近年来，研究日益聚焦于两种颇具代表性的范式来应对这一任务：结构化符号推理与多模态输入增强。然而，在那些歧义源于未明示的人类意图而非缺失可观测场景信息的情形下，基于增强的方法是否确实具有优势，仍不明确。本文开展了一项对比与诊断性研究，将采用结构化社会与具身推理的FISER框架与CEMIR（上下文增强型多模态意图识别）方法进行基准测试——后者是一种实施多模态增强的技术。

你有多信任一只狗？量化推理语言模型中的提示遵循行为

arXiv:2610.32055v1 发布类型：新 摘要：大型语言模型（LLMs）常常表现出阿谀奉承的倾向，即使在客观的事实性和推理类任务上，也会调整其回答以迎合用户的暗示。然而，这种影响的量化形式——以及它是否与信息源的可靠性相匹配——仍然知之甚少。在本研究中，我们通过在MMLU问题上观察提示诱导的答案偏移来探究这一现象，评估了诸如“[信息源]认为答案是（X）”这类提示。我们在三个开源模型系列——Qwen、Gemma和SmolLM——中系统性地改变了提示所归因的信息源（教授、朋友或狗），并发现由提示引发的变化遵循一种可预测的结构，该结构可用指数倾斜很好地刻画：提示会诱发

基于ISO 11783网络的机器可读操作手册，用于离线、多语言LLM辅助

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

面向物理信息优化的端到端可微扩散条件生成

arXiv：2610.31721v1 发布类型：新 摘要：在评估成本高昂且约束复杂的高维物理系统时，如何进行优化是科学与工程领域的一项核心挑战。在离线模型基优化（MBO）中，方法必须仅利用固定的数据集来改进设计方案，而不能在测试阶段访问真实的优化目标。然而，现有方法通常存在保守性、对代理模型的无约束利用，或作为静态的推理阶段采样器，无法根据精确的物理目标进一步优化候选解等问题。本文提出了一种用于离线模型基优化的可微扩散条件化（D2C）方法，该方法利用了这样一个事实：确定性采样使得反向去噪链相对于条件信号是可微的。D2C将一个 fro

SyncVid：用于同步视频生成的全局等变扩散模型

arXiv：2610.31765v1 发布类型：新 摘要：从单个参考视频生成动态场景的多段视频，需要在不同视角之间一致地合成已观测与未观测的内容。现有的用于视频扩散的相机控制方法通常依赖于一些架构机制，包括相机嵌入、跨视图注意力以及几何条件化等。尽管这些方法对静态场景内容较为有效，但在处理必须在各视角及随时间保持一致的细粒度动态几何时，往往面临困难。我们通过在源自源视频的规范3D空间中采样高斯噪声先验，并将其光栅化至目标相机，从而同步扩散过程本身，而非在每个2D图像平面中独立采样。我们的 m

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

基于演员-评论家架构的智能体的金融情境丰富策略：一种用于股票交易的深度强化学习方法

arXiv：2610.32237v1 发布类型：新 摘要：在现代金融市场中，超过四分之三的大宗交易均由基于先进交易策略的算法交易执行，其精度与速度均优于传统的人工交易。然而，以价格指标为核心的传统策略难以捕捉由社会情绪、政治不稳定或突发经济变化等现实事件所引发的市场动态。随着深度强化学习（DRL）的兴起及数据获取的日益便捷，亟需更高效的算法，以便将这些外部因素纳入交易策略之中。深度强化学习在模拟现实场景以及简化复杂决策方面展现出巨大潜力，因为DRL智能体能够自动

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。

“助人型智能体问题：当大型语言模型智能体之间的涌现式协作绕过了预期的工作流程时”

arXiv:2610.31985v1 发布类型：新 提要：大型语言模型（LLM）代理正越来越多地被部署于协作场景中，在这些场景下，它们各自执行独立任务，同时共享资源，并在审查或监督机制下运行。此类环境不仅在代理具有恶意时会带来安全风险，即便它们只是出于善意提供帮助，也同样存在风险。以往的研究大多聚焦于对抗性行为或明确的共谋行为；而我们指出，那些追求独立目标的良性代理也可能自发地以某种方式展开合作，从而绕过原本设计的工作流程。我们将这一现象称为“有益代理问题”。我们研究了一类长期的共享资源环境，在这种环境中，代理有时需要依赖其同伴所拥有的资源，且所有权变更通常需经由审查者进行中介。当审查机制失效时，代理

人工智能驱动的科学代理能否保障模型安全？

arXiv：2610.32045v1 发布类型：新 摘要：面向科学的人工智能代理正越来越多地被用于提出科学假设、开展自主实验以及解读证据。这些代理通过将大型语言模型（LLM）集成到特定领域的代理框架中构建而成，而该框架又能提升LLM的科学能力，并使其能够协调运用各类科学工具。在本研究中，我们探讨了当大型语言模型被整合进面向科学的人工智能代理框架时，模型的安全性是否仍能得到有效保障。我们针对50个有害的化学相关请求，对五种代理框架进行了评估。具体而言，我们考察了在直接提示、两种简单的对抗性提示策略以及一种自适应攻击情境下，模型的安全行为如何发生变化。基于四种近期发布的GPT变体，我们的研究结果表明

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。

别忘了你刚刚学到的内容：自主修复将客服人员的失误转化为持久的学习经验

arXiv：2610.31846v1 发布类型：新 摘要：智能体应当从自身错误中学习，从而使经验带来持续改进。然而，当前的智能体仅能暂时从错误中恢复：上下文中的反思很容易在不同会话间被遗忘，并且会与有限的上下文资源产生竞争；而全参数微调则成本高昂，还可能干扰已有能力。我们提出了一种名为“自我引导”的机制，使智能体能够从错误中学习，兼具临时性上下文重试与策略更新的优势。当智能体执行任务失败时，它会回顾自身的行动轨迹，从中提炼出经验教训，并立即将其转化为一个轻量级的低秩适配器。通过冻结原始权重，自我引导机制有效避免了适配器训练对原有模型的过度覆盖……

从嘈杂检索到决策证据：面向上下文学习的银级证据演示

arXiv：2610.32128v1 发布类型：新 摘要：当与决策相关的证据深埋于冗长且嘈杂的上下文之中时，RAG 以及检索增强型少样本指令微调（ICL）往往难以应对。检索得到的段落和示例可能包含冗余或干扰性信息。尽管由专家标注的开发示例能够识别出支持每项决策的文本，但这些标注通常仅被用作答案侧的理由，而非用于过滤噪声检索的监督信号。我们提出了一种“银色证据”示例方法，即在 ICL 示例中，用生成的、针对目标条件的证据摘要替代原始检索到的段落。对于每个已标注的开发示例，大型语言模型会在无法访问专家标签或黄金证据的情况下生成“银色证据”；随后，这些“银色证据”将与专家标签配对使用。

$M^3$：一种基于马尔可夫决策过程的多轮越狱多语言大模型系统

arXiv：2610.31937v1 发布类型：新 摘要：现代大型语言模型（LLMs）仍然容易受到精心设计的多轮交互攻击，这些攻击能够逐步绕过安全机制。然而，许多现有的红队测试方法依赖于启发式规则或施加了严格的假设，这限制了它们在完全黑盒环境中的适用性。我们通过提出 $M^3$ 来弥补这一不足，这是一种自动化的红队测试框架，它将多轮越狱行为形式化为一个有限 horizon 的马尔可夫决策过程（MDP）。在 $M^3$ 中，攻击者语言模型与目标语言模型进行交互，并基于由状态语言模型生成的紧凑内部状态开展操作。在两个基准测试和六个目标模型上，$M^3$ 在攻击成功率（ASR）方面始终优于最先进的多轮红队测试方法，一个

LeWorldModel 是否保留局部动作几何？

arXiv：2610.31716v1 发布类型：新 摘要：我们考察了预训练的 LeWorldModel（LeWM）在多大程度上能够重现微小动作变化所产生的效应。通过匹配的模拟器与模型响应，我们在三种扰动尺度下利用 Gram 矩阵测量动作敏感性。在 Reacher 和 OGBench Cube 的近千个状态中，最敏感的动作方向在最小尺度下的中位夹角分别约为 36° 和 42°。将扰动幅度扩大十倍后，Reacher 上的归一化 Gram 差异中位数降低了约 70%，而在 Cube 上则降低了约 47%。以像素和嵌入表示的几何结构在不同尺度间的差异，大于所选用的物理状态几何结构的差异。在保留的方向上，环境 Gram 矩阵对应的嵌入响应误差中位数分别为 17% 和