检索标题、摘要与正文，把分散的信息连起来。
arXiv：2610.37867v1 发布类型：新 摘要：食物相似性是检索、推荐、替代等食品计算任务的基础，然而目前对食物表征的评估往往仅着眼于身份的保持。我们探讨在身份之外，食物相似性还会发生怎样的变化：不同的视觉表征如何将食物组织成具有特定关系的邻域，这些邻域又揭示或掩盖了哪些烹饪上的关联，以及这些结构在不同表征之间是否具有一致性。印度菜提供了一个颇具挑战性的场景：在视觉上相似的食物可能拥有不同的烹饪身份，而同一烹饪家族内的食物在外观上却可能存在显著差异。本文基于扩展后的Khana数据集，并使用七种涵盖卷积神经网络、Transformer等架构的预训练视觉表征，
arXiv:2610.37679v1 发布类型：新 摘要：使用工具的语言模型容易受到间接提示注入的影响，而越来越多的研究试图通过探查模型内部来在不安全操作执行前将其捕获，但所得结果却存在严重分歧。我们认为，这种分歧很大程度上源于评估方法上的缺陷，并提出了一种双层评估协议：在评估与训练数据集中，将“提示注入”与“行为承诺”加以分离。在主要的Qwen AgentDojo基准测试集上，那些基于朴素的“不安全与其余”混合对比进行训练的监控器，大多仅学会识别“暴露”：它们会标记出所有被暴露的轨迹，无论智能体是否真正执行了相应操作，且几乎无法预测哪些情况最终会导致不安全行为。而当仅针对已暴露案例重新训练后，同一类探测器便能预测模型自身发出的不安全工具调用，时间延迟长达两秒。
# [3.0.0](https://github.com/n8n-io/n8n/compare/n8n@2.45.0...n8n@3.0.0)（2026-10-27）### 问题修复 * 在工件下载按钮上添加文件类型提示工具提示（[#41490](https://github.com/n8n-io/n8n/issues/41490))（[4a74f02](https://github.com/n8n-io/n8n/commit/4a74f027e612f31098b354dd3a77b2c2ab98281c)) * **ai-builder：** 检查执行权限：在 Assistant 执行读取时进行检查（[#41863](https://github.com/n8n-io/n8n/issues/41863))（[a967486](https://github.com/n8n-io/n8n/commit/a9674866d075e989a5ce896432262c9a7dc8b0c7)) * **ai-builder：** 通过已配置的 AI 传输通道发送 Assistant 模型调用（[#41948](https://github.com/n8n-io/n8n/issues/41948))（[9b63561](https://github.com/n8n-io/n8n/commit/9b63561cbb48f06d216f27be3b77722d97e4e74a)) * 支持自定义 OAuth2 范围（[#41249](https://github.com/n8n-
# [2.46.0](https://github.com/n8n-io/n8n/compare/n8n@2.45.0...n8n@2.46.0)（2026-10-27）### 修复的缺陷 * 在工件下载按钮上添加文件类型提示工具提示（[#41490](https://github.com/n8n-io/n8n/issues/41490))（[4a74f02](https://github.com/n8n-io/n8n/commit/4a74f027e612f31098b354dd3a77b2c2ab98281c)) * **ai-builder：** 检查执行权限：在 Assistant 执行读取操作时进行检查（[#41863](https://github.com/n8n-io/n8n/issues/41863))（[a967486](https://github.com/n8n-io/n8n/commit/a9674866d075e989a5ce896432262c9a7dc8b0c7)) * **ai-builder：** 通过已配置的 AI 传输通道发送 Assistant 模型调用（[#41948](https://github.com/n8n-io/n8n/issues/41948))（[9b63561](https://github.com/n8n-io/n8n/commit/9b63561cbb48f06d216f27be3b77722d97e4e74a)) * 支持自定义 OAuth2 范围（[#41249](https://github.com/n8
arXiv:2610.33065v1 发布类型：新 摘要：由于头皮记录存在噪声、空间分辨率较低，且在不同试验和受试者之间具有较大差异，脑电图（EEG）的视觉解码仍然十分困难。大多数系统将每次试验与一个密集的图像嵌入对齐，然而该嵌入同时混杂了语义内容以及与具体实例相关的纹理、姿态和背景信息。这种做法往往需要EEG本身并不具备的细节信息，且未能明确说明支持预测的视觉因素。我们提出\textbf{ProtoEEG}，一种基于原型的框架，它将EEG与图像的对齐问题重新表述为在共享的可学习视觉码本之上进行软性组合。一个可训练的EEG编码器与一个冻结的视觉教师共同生成针对同一$K=64$个原型的分配分布。它们的加权重构构成了一种结构化的表征
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:2610.33433v1 发布类型：新 摘要：语言的生产性，表现为将词语用于新颖语境的能力，是人类语言最引人注目的特征之一。然而，促成这种生产性的知识究竟有多抽象，目前仍不明确。我们比较了人类与计算语言模型在那些成功泛化依赖于形式信息的语境中的语言生产性。研究重点在于将一个以主动语态习得的新动词扩展至被动语境。结果发现，即使该新动词无法被赋予任何合理的语义，人类依然能够以符合关于语言形式之抽象概括的方式，将其主动用法扩展为被动用法。相比之下，大型语言模型仅在赋予其类似现有动词的语义时才表现出类似效果。
我们能信任大语言模型来判断一项研究思路是否具有新颖性吗？
二手奢侈品寄售零售商 The RealReal 表示，它正在升级其机器人防护系统，从而有效增加 AI 智能体在其网站上购物的难度。这一变化是在《The Verge》报道称一名 AI 智能体可能被用于利用 The RealReal 的商品预留系统之后几天推出的。在该零售商的官网上，[…]
本恩·斯坦西尔借助 Hugging Face 的这一技巧，阐释了为何最有用的创意往往源自最奇特的关联。
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
arXiv：2610.32122v1 发布类型：新 提要：我们报告了现代文本嵌入模型中的一种系统性脱节现象：情感信息几乎可以被其嵌入表示完美解码，却几乎完全无法从其度量空间中体现出来。在涵盖2021年至2026年的十一种冻结编码器中，包括2026年发布的模型以及4B参数的大型语言模型嵌入器Qwen3-Embedding-4B，线性探测器在句子极性分类任务上的准确率高达91.3%，而余弦相似度对极性的区分幅度却仅为0.003至0.064。作为该测试集中表现最强的探测器，Qwen3-Embedding-4B的探测准确率达到91.3%，但在检索平均精度（MAP）方面却仅有64.3%。由于检索、聚类、去重以及检索增强生成等任务均基于度量空间而非经过训练的探测器进行，这些系统实际上对相关信息处于“视而不见”的状态。
arXiv:2610.32109v1 发布类型：新 摘要：语言模型能够根据给定的文档或其参数化知识回答问题。然而，当后续被问及答案的来源时，究竟是什么决定了它们的来源报告？我们通过在答案生成之后、源问题提出之前对模型的关键值（KV）缓存进行干预来研究这一问题。在一项受控的事实性任务中，针对四款模型（7B–32B），无论改变还是移除文档的缓存，都不会影响其来源报告。相比之下，在两次运行之间移植问答（Q+A）缓存——且前后的问题与答案标记完全相同——则会转移来源报告：所有符合条件的报告都会沿用捐赠方的来源，而接收方的文档本身保持不变。在两款较小的模型上，沿着事先为任何源问题拟合的方向引导问答值……
2026年10月24日，arXiv发布论文arXiv:2610.30705v1，提出ULME——一种面向因果解码器型大语言模型的后训练框架，通过预测耦合（predictive coupling）机制，首次实现文本嵌入与语言生成能力的相互增强式统一。该方法在Qwen2.5/Qwen3系列（0.5B–8B参数）上验证有效，MTEB提升3.3–4.1分，同时保持生成任务（MMLU等）性能不降。
推荐理由：该论文直指当前多模态LLM能力割裂的核心问题：嵌入与生成长期由独立模型或仅参数共享的‘伪统一’模型承担。ULME通过可学习插槽与三目标联合训练（含stop-gradient预测损失），使生成过程主动塑造嵌入表征，属架构层面的实质性突破；实验覆盖广、基线强、指标全面，且发布于权威预印本平台，时效性与技术严谨性兼备。
