合成调研验证新框架：LLM 合成受访者应验证后果性行为与表征公平性
针对业界和学界用 LLM 驱动的合成受访者替代真人样本的做法，研究者提出一套验证框架，要求每项效度声明明确与人类数据的对应层级，并覆盖 location、dispersion、response process、structure 四项诊断及实验效应对比。框架还要求报告子群体效度，并将分布、程序与承认三个公平维度操作化为可测量指标，最后以电动汽车充电电价为例演示并给出报告清单。
#数据/训练
arXiv cs.CLAI 评分2222 arXiv cs.CLAI 评分2222 WinoQueer-NL：评估荷兰语模型对 LGBTQ+ 群体的偏见
研究者基于英文 WinoQueer 基准构建了荷兰语数据集 WinoQueer-NL，最终包含 42,906 条句子，用于评估荷兰语及多语言模型对 LGBTQ+ 群体的偏见。经 43 名荷兰酷儿参与者调查，171 条刻板印象中 145 条被确认具有文化相关性，并新增 22 条偏见。模型平均偏见分约 50%，但部分模型对跨性别身份有高达 97% 的概率偏向刻板句子，对男同性恋相关句对仅 6%。
arXiv cs.CLAI 评分2424 TwinKV：微小频率修正如何改变 KV Cache 压缩后的保留结果
研究者提出免训练方法 TwinKV，用非局部 post-RoPE key 频率对 value energy 打折，在精确存储预算下保留原始 key 和 value。
arXiv cs.CLAI 评分2222 德国开放问答临床基准 MedQADE 发布：LLM 评审与医生标注一致性及偏见研究
研究者发布德语开放问答临床基准 MedQADE，含 3,800 组问答、10 位医生标注和 9 个 LLM 评审。医生对答案正确性一致性中等偏强（Cohen's kappa = 0.612），Gemini 3 Flash 接近留一医生参考（kappa = 0.694 vs 0.709）。
arXiv cs.CLAI 评分1818 手语对话中的情感识别：eJSL Dialog 数据集与基准测试
研究者将对话情感识别（ERC）任务引入手语视频分析，并提出基于 STUDIES 语料库脚本构建的 eJSL Dialog 数据集，包含 1,920 个视频样本、480 段对话。在该数据集上的系统基准测试表明，将对话式 ERC 框架扩展到手语对话在当前基准设定下可行，但现有视觉表征在捕捉手语特有的情感线索方面仍存在局限。
arXiv cs.CLAI 评分2222 法国合成社交媒体情感分析：用 170 万条合成推文训练 600M 参数推理模型
研究团队用回译与微调模型，从少量种子语料生成 170 万条法语合成推文及合成推理轨迹，训练出 600M 参数、支持英法双语推理的模型，在人工标注评测数据上达到 77-79% 准确率，追平或超过 SOTA 专有 LLM 与专用编码器。该流程在降低标注成本的同时避免暴露敏感用户数据，可迁移至其他场景和语言。
arXiv cs.CLAI 评分2525 TabiBERT：基于 ModernBERT 的土耳其语大规模基础模型与统一基准 TabiBench
研究者发布 TabiBERT，一个基于 ModernBERT 架构、从零预训练的土耳其语单语编码器，训练数据为 1 万亿 token，来自 86.58B token 的多领域语料（网页文本 72%、科学出版物 19%、源代码 6%、数学内容 0.3%），支持 8,192 token 上下文，是现有土耳其语 BERT 模型的 16 倍。
arXiv cs.CLAI 评分4242 语言模型的开放式同质化：Infinity-Chat 数据集揭示 Artificial Hivemind 效应
研究者发布 Infinity-Chat，一个包含 26K 条真实开放式用户查询的大规模数据集，并首次提出覆盖 6 大类别、17 个子类别的开放式提示词分类体系。
arXiv cs.CLAI 评分3434 Common Corpus：面向 LLM 预训练的最大规模伦理数据集
Common Corpus 是迄今最大的开放 LLM 预训练数据集，数据均为无版权或开放许可内容，总量约两万亿 token，涵盖从高资源欧洲语言到低资源语言及大量代码数据。研究团队在该数据集上训练了两个小型语言模型，性能与同规模模型相当，表明其适合多语言预训练。该数据集已被 ICLR 2026 接收为 Oral 论文。
arXiv cs.CLAI 评分3131 Pleias 推出 Pleias-RAG-350m 与 Pleias-RAG-1B：面向 RAG 的小型推理模型家族
Pleias 发布 Pleias-RAG-350m 和 Pleias-RAG-1B 两款小型推理模型，原生支持引用与字面引文溯源，并整合查询路由、查询改写和来源重排等 RAG 工作流功能。
arXiv cs.CLAI 评分2020 生成式信息检索的语义 ID 空间系统性研究
一项系统性研究提出统一框架，将 Product Quantization（PQ）与 Residual Quantization（RQ）及其混合变体纳入同一设计空间，用于分析生成式信息检索中数值型 DocID 的层次与并行结构、DocID 长度和码本大小等超参数的影响。
arXiv cs.CLAI 评分2020 生成式检索中范式、标识符与解码的解耦研究
在 NQ320K 和 MS300K 上，研究者用残差量化、乘积量化和随机标识符分别训练自回归、掩码扩散和块扩散模型，固定标识符长度与训练预算后对比多种解码方式。
arXiv cs.CLAI 评分2929 旧事实回归时：重读、回滚与时间记忆的边界
一项基于 130 个软件修复原子状态转换的研究发现，基于身份的时间记忆在普通转换条件下模型判定准确率达 98.5%，但追加对旧陈述的逐字重读后准确率降至 10.8%，陈旧值比率升至 88.5%。一个拒绝重新激活已退役值的防护机制可将准确率恢复到 97.7%、陈旧值比率降至 0.8%，但无法在没有额外变更溯源的情况下识别合法的回滚。
arXiv cs.LGAI 评分2222 面向学习型随机 AI 模拟器的响应理论探针：在 Lorenz-63 上的测试
研究者提出一种基于 Koopmanism Response 框架的校准式、按模式分解的测试方法，用于检验学习型随机模拟器能否正确响应外部强迫。
arXiv cs.CLAI 评分2222 预测社交媒体信息级联增长：面向人机协同的虚假信息分诊
研究将虚假信息早期分诊建模为"延续预测"问题：仅凭前30分钟活动预测传播树后续增长。在FibVID数据集352棵测试树上，结合节点数与结构深度熵、时间到达熵的模型将log变换后未来增长的R²从0.307提升至0.323，log-MAE降低2.4%；在97棵高活跃度树上R²从0.248升至0.395，Spearman's ρ从0.394升至0.529。
arXiv cs.LGAI 评分2222 量子数据加载器利用真实信号共享结构，单电路复用加载多信号
一种量子原生加载器只需学习数据集的低维描述，即可用一组固定电路加载每个信号。在五个公开数据集的七种视图上，它以相同门成本达到最强结构化加载器的精度，且每个信号所需参数少数倍。预注册盲复现显示，信号规模扩大十六倍时，达到全信号精度十个百分点以内所需的随机子集大小保持稳定，而结构化加载器所需子集持续增长。
arXiv cs.CLAI 评分2222 Nord-Parl-TTS：基于议会演讲的芬兰语和瑞典语 TTS 数据集
Nord-Parl-TTS 是一个面向芬兰语和瑞典语的开放 TTS 数据集，从北欧议会演讲录音中提取了 900 小时芬兰语和 5090 小时瑞典语语音，采用改编版 Emilia 数据处理流程构建，并包含统一评测集。该数据集旨在缩小高资源与低资源语言之间的 TTS 资源差距，已被 ICASSP 2026 接收。
arXiv cs.LGAI 评分2727 ELF-REG：将连续扩散语言模型扩展至推理任务
研究者将 Embedded Language Flows（ELF）扩展至数学推理与代码生成，提出 ELF-REG，用冻结的 AR 教师模型监督中间去噪特征并提供与响应联合去噪的全局表示。
arXiv cs.LGAI 评分2222 量子生成模型研究：收敛的矩匹配损失无法可靠衡量泛化能力
研究基准测试了13个量子与经典生成模型，在最高30 qubits的基数约束数据集和基因组单核苷酸变异数据集上直接采样。结果显示，将MMD²等矩匹配损失收敛到相同值的模型，对未见有效集的覆盖差异巨大，说明收敛的损失不能可靠衡量泛化能力。"经典训练、量子部署"流程必须通过采样来测量泛化，而这在目标规模下被认为需要量子设备。
arXiv cs.CLAI 评分2626 跨模型 LLM 共识不等于有效：K-12 数学辅导对话中学生失败模式诊断研究
一项针对 K-12 数学辅导对话的探索性研究发现，LLM 对五种学生失败模式（不确定性、错误归因、算子选择、概念缺口、程序失误）的分类中，人机一致性仅为中等（kappa = .524-.597），而跨模型一致性显著更高（kappa = .755-.781；alpha = .769）。这表明跨模型共识可能制造正确性的假象，模型间的一致不能替代对推断构念有效性的独立证据。
arXiv cs.CLAI 评分2222 神经语义验证框架：胶质母细胞瘤放射基因组学中的生物医学 AI 证据绑定推理
研究者提出神经语义验证框架，将放射组学测量转化为可寻址证据记录与机器可检验声明，在 611 例 UPenn 病例上定义语义状态，外部证据账本覆盖 331 名患者的 1,655 条模型关联记录。
arXiv cs.CLAI 评分2626 面向大语言模型的参数内记忆增强综述
一篇综述系统梳理了在部署阶段为 LLM 增强"参数内记忆"的方法：将承载记忆的参数对象在推理时接入前向传播，以补充 ICL 消耗上下文容量、重复离散编码成本随上下文增长的问题。
arXiv cs.CLAI 评分2222 InterCorrect：面向公平 ASR 的交叉群体感知人口统计模型合并校正
研究提出 InterCorrect，针对基于 Speech-LLM 的公平 ASR 做人口统计感知模型合并：在 SLAM-ASR 上仅微调 connector，再按子群 WER 与 task-vector 冲突定位跨轴人口统计对，施加交叉群体校正向量。
arXiv cs.LGAI 评分2424 TOPL：面向分布偏移下忠实生成的 Token 级离策略学习
研究者提出 Token 级离策略标注（TOPL），将后训练重构为 token 级正确性预测任务，通过让模型区分回复中的好 token 与坏 token 来引导生成。
arXiv cs.CLAI 评分2222 高风险应急信息中的生成式 AI 翻译
一项针对地震指令文本英译中、英译西的实验显示，使用话语特定提示词可显著提升生成式 AI 译文的可理解性与可操作性，但译者仍可能不信任这些译文。研究指出人工修订依然必要，既为发现错误，也因这类信息需有人对错误或延误承担责任。
arXiv cs.CLAI 评分3939 LLM 会把闲聊和背景语音写进病历，干扰临床推理
研究测试了 LLM 对患者就诊无关信息的敏感性：在 576 段医患对话中，前沿模型把闲聊写进 35% 的病历，3.7% 的病例中模型误用或误归属这些题外话。在 57 段模拟录音中，-10 dB 的另一场就诊背景语音泄漏进 48.2% 的转录文本，四个开源权重模型生成的病历有 5.3% 被检出污染。作者提出临床推理与干扰的双重编码假说，建议临床使用前评估模型对无关信息的抵抗力。
arXiv cs.LGAI 评分2222 粒子喷流生成的神经缩放定律研究
研究首次探索粒子喷流生成任务中是否存在缩放定律，成功复现了模型规模缩放的对数缩放行为。研究发现切片 Wasserstein 距离与下一 token 预测验证损失单调相关，表明该损失是物理性能的良好代理指标。数据集规模和计算量的缩放行为明显较弱，作者通过引入可学习窗口概念分析这一现象，认为喷流成分的自回归预测相比语言模型更快饱和。
arXiv cs.LGAI 评分2626 ForcingDAS：基于 Diffusion Forcing 的统一鲁棒数据同化框架
ForcingDAS 是一个基于 Diffusion Forcing 的统一数据同化框架，为每帧分配独立噪声水平，学习联合轨迹先验而非逐帧转移，从而捕捉长程时序依赖并减少误差累积。
arXiv cs.CLAI 评分2424 记忆深度与重建上下文宽度：分层检索的受控评估
研究用 EverMemBench 评估 LLM 长期对话记忆中结构深度与上下文宽度的交互，测试深度 D1-D4、1,024/2,048/4,096 token 核心预算及 Production、Oracle 条件。
arXiv cs.LGAI 评分2222 PRUE：面向大规模田块边界分割的实用方案
研究团队基于 Fields of The World（FTW）基准首次系统评测了 18 个分割模型与地理空间基础模型（GFM），发现 U-Net 语义分割模型在性能与部署指标上优于实例分割和 GFM 方案。
arXiv cs.CLAI 评分2424 DirectSpeech2LLM：缓解 Speech-LLM 提示词过拟合的端到端框架
DirectSpeech2LLM 是一个端到端框架，用于缓解 Speech-LLM 的提示词过拟合问题——仅在 ASR 指令上训练的模型难以泛化到语音翻译等新指令。
arXiv cs.LGAI 评分2424 自监督语音模型发现音系向量算术：[b] = [d] - [t] + [p]
一项覆盖 96 种语言的研究发现，自监督语音模型（S3M）的表示空间中存在对应音系特征的线性方向，且这些音系向量的尺度与对应特征的声学实现程度连续相关。例如 [d] 与 [t] 的差构成清浊向量，将其加到 [p] 上得到 [b]，缩放该向量则产生清浊连续谱。这表明 S3M 以音系可解释且可组合的向量编码语音，实现音系向量算术。代码与交互演示已公开。
arXiv cs.LGAI 评分2222 用无监督与监督学习识别 Majorana 拓扑
研究将无监督与监督学习结合，用短无序纳米线中 Majorana 分裂的无标签模拟数据，区分"拓扑"与"平庸"相并定位二者在参数空间中的交叉点。该方法有望用于在实验 Majorana 纳米线中识别拓扑，论文发表于 Phys. Rev. B 114, 165418。
arXiv cs.CLAI 评分2222 伪词探针研究：LLM 缺乏人类伪词处理所依赖的亚词汇敏感性
研究用两个意大利语二选一伪词实验测试五款 LLM，并与人类行为基线对比。当选项含真实词提供的词汇熟悉度线索时，LLM 与人类的一致性更高；在纯伪词条件下则明显低于字符 n-gram 模型 fastText。驱动人类与 fastText 一致的亚词汇余弦相似度线索未能稳定迁移到人类与 LLM 的对齐上，推理 token 消耗也与人类处理难度无稳定关系。
arXiv cs.LGAI 评分2222 DRTool：分析高维聚类结果的交互式工具
研究人员开发了 DRTool，一个通过 R 包提供的交互式工具箱，用于帮助分析人员识别高维聚类中的虚假簇。该工具包含可视化评估和假设检验等新的聚类验证技术，可辅助识别数据过度聚类现象，并更好地解读高维聚类结果。
arXiv cs.LGAI 评分2424 AEGIS：面向多租户深度学习训练的运行时 GPU 共置调度系统
AEGIS 是一个面向共享多 GPU 服务器的运行时调度系统，通过将内存可行性、放置后观测、运行时压力过滤、放置与 OOM 感知恢复整合进单一调度循环，实现深度学习训练工作负载的可控共置。
arXiv cs.LGAI 评分2222 大语言模型用于加密货币交易分析：一项 Bitcoin 案例研究
研究将 LLM 应用于真实加密货币交易图，以 Bitcoin 为案例，提出三层评估框架及 LLM4TG 图表示格式与 CETraS 采样算法，显著降低 token 需求。实验显示节点级基础信息识别准确率超 98.50%，有效特征获取比例达 95.00%，分类任务 top-3 准确率在少量标注数据下达 72.43% 并附带解释。
arXiv cs.LGAI 评分1717 用机器学习从公开数据中测量高频交易
研究者用机器学习模型在专有 Nasdaq 数据上训练，将可观测的高频交易活动映射到公开日内变量，从而为 2010 至 2023 年全部美股生成每日的流动性供给型与需求型高频交易指标。
arXiv cs.LGAI 评分2222 Wander：用随机游走跨图与跨任务学习的图基础模型
研究者提出图基础模型 Wander，将图学习统一建模为部分观测图的补全，并通过随机游走这一通用接口，让单个预训练 checkpoint 同时适配同构图与多关系图，覆盖不同特征、标签和关系模式。
arXiv cs.CLAI 评分2626 预填充决策模型的读出稳定性：零标签预测与推理时算力分配
受 Jev 模型启发的预填充决策模型单次前向即可为候选菜单打分，成本比同规模生成式语言模型低一到两个数量级。当干预只改变候选菜单而输入文本不变时，其干预后准确率可由缓存的首次前向分布预测，无需标签和第二次前向，在七个模型族、十个数据集上误差在 4.2 分以内。