标签压倒定义：Jev 式类型化决策模型中的选项标签偏差
对四个开放权重类型化决策模型的研究发现，模型返回的概率主要取决于选项标签而非其定义，即存在"选项标签偏差"。删除全部定义后准确率几乎不变（laya-td：0.8559 对 0.8487），而将选项改名为 A、B 后准确率提升 +0.1511。
全部 AI 动态
arXiv cs.AIAI 评分3636 arXiv stat.MLAI 评分1212 扰动目标上梯度下降的差分隐私研究
研究对正则化经验风险加入随机线性项 z~N(0,σ²I_d) 后，释放确定性梯度下降第 N 次迭代所得有限计算的差分隐私性质。在强凸、光滑且 Hessian 满足 Lipschitz 条件下，证明 z↦w_N 在隐私论证所用有界域上是 C¹ 微分同胚，并给出 Jacobian 最小奇异值的定量下界。
arXiv cs.CLAI 评分2222 CUE：用校准用户嵌入提升多轮 AI 智能体基准测试
研究者提出 Calibrated User Embeddings（CUE）框架，无需训练即可将观测会话编码为连续表示并解码为 persona 指令，驱动 LLM 模拟用户。
arXiv cs.CV精选AI 评分6262 DeskForge：用桌面环境密集监督训练计算机使用智能体
研究团队提出 DeskForge，一个通过组合和探索真实应用生成大规模监督数据的可控桌面环境，并据此构建了包含 120 万条标注桌面观测、1.597 亿个元素实例的 DeskForge-1M 语料。
推荐理由：论文给出可控桌面环境与 120 万条标注数据，并展示四个视觉语言模型在 GUI 定位基准上的提升幅度。
arXiv cs.LGAI 评分1212 重尾噪声下无需参数的区间动态遗憾界
研究在每轮仅有一个无偏随机次梯度、且条件 p 阶噪声矩未知（1<p≤2）的在线凸优化中，提出一种无需知道 G、σ、p、I、P_I 的算法，对任意长度 n 的固定区间 I 取得区间动态遗憾上界，同时保留均值梯度与噪声各自的指数项。该分析在期望层面控制校准，其一般定理与基于非均匀先验的相对熵专家分布相比较，在给定统计量下区间代价为 1+log(T/n)，并包含最优的全时域静态速率。
arXiv cs.CVAI 评分2222 GRAFT：通过持续教师蒸馏扩展凝聚式视觉基础模型
GRAFT 是一个持续多教师蒸馏框架，让统一骨干网络从开放序列的基础模型中逐步获取能力，新增教师时只需一次蒸馏而非全量重蒸馏。它引入 Teacher Specific Readout Tokens 为每个教师提供独立读出，并用 Geometry Agnostic Relational Loss 对齐视觉语言教师。
arXiv cs.AIAI 评分2222 HXAI：分布式能源系统中的分层隐私保护可解释 AI 框架
研究者提出 HXAI，一个在分布式能源系统中兼顾隐私与可解释性的分层框架，由本地模型在安全环境内生成细粒度解释、区域模型聚合解释以支持电网级分析两部分组成。该框架通过灵活的隐私预算管理限制重复查询下的累积隐私暴露，在模拟和真实能源数据集上实现了区域负载管理的有用洞察，同时家电级用电数据始终保留在本地、不传输给电网运营商。
arXiv cs.AIAI 评分2222 CourseChat：面向商科教育的本地化多课程 RAG 辅导系统软硬件权衡
研究团队推出 CourseChat，一个部署在校园网关后、面向本科商科教育的本地化多课程 RAG 辅导系统，六个课程实例共享由 Ollama 提供本地 LLM 服务的双边缘 AI 主机。
arXiv cs.CLAI 评分2929 LLM 临床概念中心研究：潜空间中存在可定位、可因果驱动临床行为的表征
研究将行为评估扩展到潜空间，在全部 11 个开放权重 LLM 中发现了专门的临床概念中心，这些中心可解释、仅对对齐的临床叙事激活，并在受限与开放式场景中因果驱动模型行为。在对抗性角色提示下模型仍保持内部一致并持续使用相关概念中心，而对齐提示可提升下游临床表现；沿这些中心进行引导也能带来下游改进。盲法临床医生验证显示，这些概念中心的激活与使用可预测临床医生的偏好。
arXiv cs.CVAI 评分2222 FactorSplat：面向医学体渲染的外观可控高斯代理
FactorSplat 是一种逐场景的 N 维高斯泼溅（N-DGS）代理，可在推理时接受区域特定的强度到 RGBA 曲线，让图像训练的高斯代理不再把单一传递函数烘焙进外观。
arXiv cs.CVAI 评分2323 Spatial Memory Intelligence：用理解模型为世界模型赋予长期空间记忆
研究者提出 Spatial Memory Intelligence（SMI），首个系统性地用理解模型为长视频世界模型管理空间记忆的框架。SMI 包含空间聚类、簇内稀疏化、动作感知检索和可靠性感知过滤四项协同原子操作，在多个基线、benchmark 和世界模型骨干上实现了记忆稀疏度、生成稳定性与空间一致性的全面提升。
arXiv cs.CLAI 评分2727 以文本为中心的后训练实现全模态推理：Qwen2.5-Omni-7B 推理得分提升 25.83%
针对全模态大模型音视频联合推理成本高的问题，研究提出以文本为中心的后训练范式：先用纯文本训练做主推理优化，再用缩减数据的原生音视频 RL 精修感知。最佳纯文本配置下，SFT 加 RL 使 Qwen2.5-Omni-7B 九项推理得分的几何均值较基座提升 25.83%，GPU 时长比完整原生音视频路线少 56.6%。
arXiv stat.MLAI 评分2222 SFT 与 RFT 在分类任务上的对比研究：学习风格，遗忘语义
一项 arXiv 研究用可解析的线性-softmax 策略，对分类任务中 SFT 与 RFT 的更新做了语义与风格分解：在相同策略和提示词下，两者语义更新平行，但风格动态不同。RFT 用精确策略梯度可保持类内风格对称，而 SFT 在非均匀教师下会产生偏离轴的风格漂移。该漂移在显式条件下导致分离：从同一完美拟合检查点做群体更新时，SFT 的遗忘在有限训练区间内有严格正下界，RFT 则保持零语义误差。
arXiv cs.CVAI 评分2727 多模态大模型为何"看得见却说得出用不上"：SpaceConflict 基准与 OSS 监督方法
多模态大模型能正确报告空间事实，却未必在后续推理中使用该事实。研究者提出 SpaceConflict 基准，含 23,196 条输入，覆盖 L1 局部事实绑定到 L4 变换下状态判断四个层级，揭示"可用性—利用率"鸿沟：Qwen3.5-9B 在 100 条正确恢复初始状态的序列中有 50 条无法完成完整变换，显式提供状态可修复全部 50 条。
arXiv cs.LGAI 评分2222 MACTS-EM：多智能体协作时间序列预测框架，引入涌现记忆机制
研究者提出 MACTS-EM 多智能体协作时间序列预测框架，通过领域专用预测智能体、元认知层动态分配、涌现记忆机制、多模态上下文整合与对抗鲁棒性组件协同工作。在金融市场、气候模式、能源消耗和疫情传播等场景评测中，该框架预测准确率提升 8-12%，零样本迁移能力提升 22-27%，regime shifts 期间韧性增强 16-21%，分布偏移后恢复速度加快 15-18%。
arXiv cs.AIAI 评分2222 研究：英国医护人员对机器翻译风险认知不足，Google Translate 翻译医学缩写成隐患
英国医护人员常依赖 Google Translate 与患者沟通，但一项针对 21 名不同岗位医护人员的访谈研究显示，他们对机器翻译在医疗场景中的风险认知有限。研究以医学缩写为用例，将临床语料库中的法语和西班牙语数据经 Google Translate 翻译后展示给受访者，发现此类高风险翻译可能危及患者安全。
arXiv stat.MLAI 评分1818 一致性模型多步采样理论：稳定性、误差界与噪声调度
针对一致性模型（CM）多步采样中步数对样本质量影响难以解释的问题，研究者将多步 CM 采样建模为加噪与近似去噪算子的复合，在可验证的稳定性假设下推导出非渐近误差界，将初始化误差的收缩与近似误差的累积分离。该误差界表明：早期大噪声水平驱动收缩，后期小噪声水平控制残余偏差；对强对数凹与半对数凹目标还给出显式常数。实验显示误差界中的收缩与近似曲线可被可靠测量，并与预测的函数形式吻合。
arXiv cs.CLAI 评分2929 AptMQL-Bench：从 Text-to-SQL 到 Text-to-MQL 的访问模式 Schema 设计与数据无损迁移基准
研究者提出由编码智能体驱动、带人工验证的转换流程，将 BIRD 的 Text-to-SQL 基准转为面向文档数据库的 AptMQL-Bench，包含 21 个数据库、3,186 条自然语言请求及对应 MQL 查询，迁移自 SQLite 且无数据丢失。
arXiv stat.MLAI 评分2222 从交叉熵到精确策略梯度：Ian Osband 提出 horizon loss 提升分类精度
Ian Osband 提出 horizon loss，将交叉熵视为"耐心的准确率"，并按剩余训练量截断，从而在训练后期向精确策略梯度过渡。在 MNIST 及 ImageNet 上使用 ResNet-50、ResNet-101 和 ViT-S/16 测试，该方法在固定学习率下提升 top-1 准确率，且标签噪声越大增益越明显。
arXiv cs.CVAI 评分1717 面向域偏移下行人检测的置信度控制 XAI 审计
研究对固定 YOLOv8s 行人检测器的后置解释在 PIE 与 JAAD 数据集上进行审计，发现基于删除的忠实度与解释时的检测强度强相关，D-RISE 的 Spearman 相关系数达 0.70 至 0.82，使朴素置信度分层比较不可靠。
arXiv cs.CLAI 评分3333 SymCE：用逐定理符号验证器生成反例，SFT 模仿有害、强化学习可修复
研究者发布 SymCE，包含 4,707 道本科代数与实分析假猜想，每题配有可执行的逐定理 Python 验证器，验证器同时充当奖励函数。
arXiv stat.MLAI 评分1212 面向高斯过程隐变量模型的摊销结构化随机变分推理
研究将摊销结构化随机变分推理（Amortized Structured Stochastic Variational Inference）用于高斯过程隐变量模型，使隐空间的变分后验可条件依赖于诱导点取值，突破了原有诱导点与隐变量间平均场近似的限制。这一更灵活的变分后验在多项数据流形重建指标上取得提升。
arXiv cs.AIAI 评分2222 FlashSinkhorn 2：块稀疏熵正则最优传输求解器
FlashSinkhorn 2（FS2）是一款面向低维点云平方欧氏代价的熵正则最优传输（EOT）GPU 求解器，通过粗粒度质心求解与块稀疏精修两阶段耦合，在单张 A100 上求解两个 1.34×10^8 粒子测度间的离散 EOT 问题，全粒子边际残差低于 0.01，耗时不到 2.5 小时。
arXiv cs.CVAI 评分2424 IG-VLA：通过内化时空想象实现高效 VLA 推理
研究团队提出 VLA 推理框架 IG-VLA，让模型在视觉表征空间中想象任务相关的未来场景演变，并通过 Scene Gist Memory 将推理结果内化为紧凑的 Scene Gist Token，从而在推理时跳过显式未来想象。
arXiv cs.AIAI 评分2929 CITA：为长程工具调用智能体做比较式价值估计
针对长程工具调用中结果奖励难以做信用分配的问题，研究者提出 Comparative Inference for Tool-use Agents（CITA），训练 Comparative Inference Model（CIM），用贝叶斯工具图模拟器与 LLM 比较判断生成的配对信号，估计候选下一步工具调用对任务成功的价值。
arXiv stat.MLAI 评分2424 GTDD：面向 AI 编程智能体的生成式测试驱动开发与对抗测试
研究者提出生成式测试驱动开发（GTDD），由独立的测试智能体在每次候选实现固定后，依据人类指定的行为契约与历史反馈生成新输入，可信评估器校验并返回精简反例供回归测试。在有状态键值存储的配对实验中，开发过程中重新生成测试的策略平均失败率低于仅用同一语言模型一次性生成测试的策略，而向测试方提供候选源码未带来可检测的额外提升。
arXiv cs.CLAI 评分2222 ConvoDrift：建模对话风格语调演变的多轮对话数据集
ConvoDrift 是一个用于建模固定语义意图下渐进式风格语调漂移的多轮对话数据集，基于 15,727 个共享多轮对话结构构建，每段对话含六组提示词-回复对并标注风格漂移与方向标签。
arXiv stat.MLAI 评分2424 Muon 为何学事实更好：光谱正交化如何重塑特征学习动态
研究通过可解析的事实回忆模型揭示，Muon 对应的 Spectral GF 将 subject 与 relation 依赖信息的学习时间比从 GF 的 Θ̃(√(S/R)) 降至 Θ̃(1)，且固定 S、R 时误差随训练时间 T 以 exp(-poly(T)) 衰减，而 GF 仅为 1/(T log T)。
arXiv stat.MLAI 评分2222 PrO-GPs：面向预测的高斯过程后验
研究者提出 Predictively Oriented Gaussian Processes（PrO-GPs），将预测不确定性作为首要推断目标，以应对核函数与观测模型选择不当导致的模型误配问题。由于非参数模型的 PrO 后验无法直接计算，作者推导出简化形式与实用采样方案以实现高效计算。合成与真实数据实验显示，在模型误配下 PrO-GPs 的预测分布校准优于标准 GP 方法。
arXiv cs.CLAI 评分1818 基于生成语法信息的神经符号框架解决阿拉伯语 DP 句法歧义
研究提出一种生成语法信息驱动的神经符号框架，结合生成句法理论与 AraBERT，将现代标准阿拉伯语 DP 的结构歧义建模为候选决策任务，通过候选条件化输入表示进行评估。
arXiv cs.CLAI 评分3636 XiangqiBench：面向 LLM 智能体闭环评估的中国象棋基准
研究者推出 XiangqiBench，一个可执行的中国象棋基准，用 119 个战术残局让 LLM 智能体在引擎防守下完成将杀，并记录了 12 个前沿 LLM 在两种观测协议下的 8,568 条多轮轨迹。
arXiv stat.MLAI 评分2222 HOST：面向高效高斯 DAG 学习的留出评分算法
研究者提出 HOST，一种高效高斯 DAG 学习算法，用逐节点留出评分与凸回归替代子集搜索，且无需预先给定入度上界。在合适条件下，HOST 可在多项式时间内以 d log p 量级的样本复杂度精确恢复最大入度为 d 的 p 节点 DAG。实验显示其图恢复效果具竞争力，运行时间扩展性良好。
arXiv cs.LGAI 评分2222 用大语言模型克服解释结构建模（ISM）的挑战
研究探索用 LLM 作为"不完美专家"完成解释结构建模（ISM）中的因果图发现，以替代传统依赖专家反复交互的方式。对比成对、k-wise、逐行和全图四种方法后，逐行法（SHD=160，F1-score=0.77）与全图法（SHD=135，F1-score=0.73）表现最佳。该集成 LLM-ISM 路径有望让 ISM 扩展到含数百个变量的研究。
arXiv cs.CLAI 评分2222 研究评估 ChatGPT、Claude、Gemini 和 Llava 在违反 Grice 准则的 VQA 任务中的表现
一项研究用 VLM 生成添加非必要、歧义或虚假信息的提问修饰语，评估 ChatGPT、Claude、Gemini 和 Llava 在违反 Grice 准则时的 VQA 表现，结果显示这些模型性能均下降。研究还对比了人类与 VLM 的语用推理差异，以及 VLM 处理人类诱导与 AI 生成违规时的推理差异。人类解决 VLM 诱导违规的认知投入更低，但 VLM 自身在此类情况下准确率更差。
arXiv cs.LGAI 评分2222 CLEAN：通过架构隔离实现概念空间扩展下心理测量一致的增量认知诊断
研究提出增量认知诊断框架 CLEAN，通过严格拓扑二分协议冻结历史诊断函数，并用确定性正交列掩码切断梯度干扰，同时以可扩展满秩分支学习新概念。在三个大规模教育数据集上，CLEAN 实现零 Representation Drift（RD），旧题指标与静态锚点完全一致，新题表现与强持续学习基线相当或更优。
arXiv cs.CVAI 评分2727 EditHero：面向长程部件级 3D 编辑与 Vibe Modeling 的基准
研究者推出 EditHero，据称是首个面向长程、部件级 3D 编辑的基准，支持自然语言指令与几何、纹理的目标图像。其确定性装配引擎可在每次编辑后生成精确目标，每条序列均经人工审核。对比显示，非智能体方法常漏改并扰动应保持不变的区域，而 LLM/VLM 智能体通过代码自底向上编辑，指令遵循更好、更能保留未编辑部分，但每次编辑耗时数分钟。
arXiv cs.AIAI 评分3232 ProWAM：渐进式视觉规划的世界动作模型，在 LIBERO-Plus 与 RoboTwin 刷新 SOTA
ProWAM 是一种渐进式世界动作模型，通过联合预测动作与有序稀疏视觉子目标，为动作生成提供显式视觉引导。它在 LIBERO-Plus 上达到 85.8%、随机化 RoboTwin 上达到 75.7%，相对最强基线提升最高 +35.9%；零样本真实场景成功率为 70.0%，较基线 55.0% 提升 +15.0。
arXiv stat.MLAI 评分1212 惰性二阶预言机下的近最优凸优化：新下界与匹配上界
针对每轮查询梯度、每 m 轮查询一次 Hessian 的惰性二阶预言机设定，研究者通过新的块零链构造证明了寻找 ε-解所需总迭代次数的下界为 Ω(m + m^{1/7} ε^{-2/7})，并提出新方法达到 Õ(m + m^{1/7} ε^{-2/7}) 的上界。
arXiv cs.CVAI 评分2222 通过核典型相关分析重新审视 VLM 的视觉表征增强
研究提出基于核典型相关分析（KCCA）的特征子空间对齐方法，并扩展为三视图 3vKCCA，将预训练文本编码器的投影纳入统一优化框架联合对齐。在 ImageNet-1K 上使用 CLIP ViT-L/14，3vKCCA 将 MMVP-VLM 准确率从 17.8 提升至 25.9，同时保持零样本图文检索性能。
arXiv cs.AIAI 评分1212 THPL：面向 RAS 虹鳟投喂管理的视觉到语言决策支持框架
研究提出 THPL 生成式投喂决策框架，用于 RAS 虹鳟养殖：Fishsort 提取轨迹并建立活动系数 AC，与专家标注投喂强度呈显著单调正相关（Spearman ρ = 0.925，p < 0.001）。