SignTrace：用自然语言描述手势，反查中文手语词典词条
SignTrace 用自然语言描述反查中文手语词典，在 6,699 条词条上取得 94.0% Hit@1。系统整合 LLM 词典富化、动作抽取、七通道检索与候选重排，重排把 500 条描述基准的 Hit@1 从 71.8% 提升至 94.0%，Hit@9 达 97.4%。六路并发下中位查询耗时 13.37 秒，已部署试用；基准措辞取自词典，泛化到用户自述描述受限。
全部AI 动态
全部动态
今日 230 条arXiv cs.CLAI 评分3737 arXiv cs.CLAI 评分3636 Cartograph：面向 AI 智能体的联邦式工具发现与运营方认证检索
Cartograph 是联邦式 MCP 代理，把 AI 智能体的工具发现从 O(n) 改为 O(k) 渐进式披露。在 22 个服务器、374 个工具的部署中仅暴露三个代理工具，49 条查询基准 R@5 为 0.816，高于 Jaccard 基线的 0.592。Rift 三层分析识别出 49 个易混淆簇，网关十次试验平均增加 5ms 延迟（0.8%）。
AGI HuntAI 评分3737 MetaLint 论文：Qwen3-4B 代码 lint 检测 F 值提升 2.7 倍，媲美 o3-mini
CMU 团队提出 MetaLint，把代码 linting 形式化为指令跟随任务，模型按自然语言规范判断代码是否符合最佳实践，无需重训即可泛化到未见或演进中的规则。
AGI HuntAI 评分5353 研究：56 个 AI 基准×53 个模型，多项基准测不出宣称的能力
一项大规模研究借鉴社会科学中的聚合效度与区分效度概念，对 56 个 AI 基准和 53 个模型进行系统检验，发现部分基准并未真正度量其宣称测量的能力。研究指出基准影响 AI 的使用、治理与部署决策，结论对当前评测体系的有效性提出质疑。研究同时公开发布了 53 个模型、56 项基准的逐题输出数据集。
AGI HuntAI 评分4141 将心理测量效度检验移植到 AI 基准与 IRT 逐题分析
研究团队将聚敛与区分效度检验适配到 AI 基准评估，并用 IRT 模型在题目层面逐题分析，实现更细粒度效度检验。结果显示，偏差基准 BBQ 可能在测推理而非偏差，偏差基准按任务形式聚簇而非宣称的性别种族偏差；推理、知识、理解类基准高度相关或测同一概念。同类安全基准相关性弱、偏差定义不一，53 个模型、56 项基准的逐题输出数据集已公开发布。
AGI HuntAI 评分4545 MeeraDesai18 团队公开发布 53 个模型、56 项基准的逐题输出数据集
MeeraDesai18 团队为开展基准有效性分析，公开发布了 53 个模型在 56 项能力与安全基准上的逐题响应与得分数据集，托管于 Hugging Face（madesai/what-ai-benchmarks-actually-measure）。该数据集可用于复现其基准相关性分析，并支持开展独立的评测方法研究。
AGI HuntAI 评分4343 研究：同类安全基准相关性弱，偏差定义各行其是
研究发现，声称测量相似安全概念的 AI 基准之间相关性往往很弱，「偏差」等安全概念在各基准中的概念化方式不一致，跨基准的安全结论难以直接比较。研究提出用聚敛与区分效度系统评估 AI 基准有效性，并指出偏差基准 BBQ 可能实际在测推理、偏差基准按任务形式聚簇而非宣称的性别种族偏差。53 个模型、56 项基准的逐题输出数据集已公开发布。
AGI HuntAI 评分3838 研究：推理、知识、理解类 AI 基准高度相关或测同一概念
一项研究观察到，声称分别测量推理、知识与理解的 AI 基准之间相关性很强，暗示这些基准可能并未捕捉到相互独立的概念，其区分度存疑。该研究主张用聚敛与区分效度系统评估 AI 基准有效性，并把心理测量效度检验移植到 AI 基准与 IRT 逐题分析。同时公开发布了覆盖 53 个模型、56 项基准的逐题输出数据集。
AGI HuntAI 评分4545 研究：53 个模型、56 项基准显示，偏差基准按任务形式聚簇，而非宣称测量的性别种族偏差
一项覆盖 53 个模型、56 项基准的研究发现，性别与种族偏差基准实际按任务类型聚簇，而非按其所宣称测量的人口群体聚簇，基准间的相关性更多来自共享设计元素。研究提出用聚敛与区分效度系统评估 AI 基准有效性，并指出 BBQ 等偏差基准可能在测推理而非偏差。53 个模型、56 项基准的逐题输出数据集已公开发布。
AGI HuntAI 评分4949 研究：偏差基准 BBQ 可能在测推理能力而非偏差
研究团队用聚敛与区分效度方法检验 AI 基准，发现偏差基准 BBQ 可能实际测量的是推理能力而非偏差。BBQ 常是商业模型发布中使用的唯一偏差基准，其结论可能被系统性误读。研究还公开发布了 53 个模型、56 项基准的逐题输出数据集。
AGI HuntAI 评分3535 研究提出用聚敛与区分效度系统评估 AI 基准有效性
研究团队提出用心理测量学中的聚敛效度与区分效度评估 AI 基准有效性：声称测相似概念的基准应相关，测不同概念的不应相关。该方法既可用于评估单个基准，也可评估基准组合，并配套公开发布 53 个模型、56 项基准的逐题输出数据集。相关分析发现，偏差基准 BBQ 可能在测推理而非偏差，推理、知识、理解类基准高度相关，而同类安全基准相关性弱。
The DecoderAI 评分5454 Atria 团队研究：AI 智能体承担模型研发更多工作，但最终决策仍由人类做出
Atria 团队公布了一项围绕 744B 参数 MoE 模型 Atria Dawn Preview 的研发记录，项目中 96.5% 的受审任务用到了 AI，智能体动作与人类输入的比值中位数在四周内从 11 升至 28.5。
arXiv cs.CLAI 评分3131 流形投影与迭代自编码器精修：替代 attention 的掩码语言模型架构
新架构用低秩瓶颈自编码器堆叠替换 Transformer 掩码语言模型中的 attention，在 C4 上预训练后以约 1.9× 更少 FLOPs 达到 attention 的相当部分性能。
arXiv cs.AIAI 评分3939 多智能体代码裁判何时真正有据可依？MARCH 上的两项无标签度量与一个拒绝猜测的裁判
未修改的 MARCH 框架在两个代码评判基准上，有 78%–95% 的比较把两个候选方案判为同样好，准确率仅 4.4%，而同一模型直接作答可达 43.7%。更难的问题和更大的裁判模型都改变不了这一点，两项取自 pipeline 自身日志的无标签度量解释了原因。以其中一项做门控后，流程会拒绝无法判断的比较，准确率从 20.7% 升至 36.9%，同时仍回答一半的比较。
arXiv cs.CVAI 评分2929 ProCAP：面向视觉语言模型的概率交叉注意力提示学习
ProCAP 是面向 CLIP 等视觉语言模型的概率交叉注意力提示学习框架，冻结 CLIP 权重，学习视觉与文本提示 token，并用堆叠的双向多头交叉注意力让两个分支在提示深度上互相修正。
arXiv cs.AIAI 评分3434 将 AI 引入自主系统：从认知到集体智能
研究提出一套基于通用智能体架构的自主系统设计与评估框架，将智能体行为刻画为围绕长期记忆组织的认知功能组合。该框架要求连接主义 AI 与符号 AI 结合，覆盖感知数据与结构化记忆的链接、目标决策与规划，以及多智能体协调下的个体与集体智能；智能体可信赖性还须涵盖认知属性维度。作者指出，自主多智能体系统的愿景与当前技术水平仍存在巨大差距。
arXiv cs.CLAI 评分3737 冻结 BERT 中 AI 文本检测神经元的机制研究：RAID 上的稀疏探针与激活修补
冻结 BERT-base-uncased 中支撑 AI 文本检测的神经元被定位：在 RAID 上对 9,216 个 CLS 隐藏维度做 L1-to-L2 稀疏探针，每个生成器不到 1% 的稳定神经元即可保留大部分全特征检测准确率。
arXiv cs.CLAI 评分3333 HiCoMER：面向 LLM 智能体的层次化协作记忆与有效性感知检索
HiCoMER 提出面向 LLM 智能体的层次化协作记忆管理与有效性感知检索框架，先维护团队与个体记忆的有效性，再检索仍然有效的记忆。框架含记忆冲突更新、有效性感知检索和记忆接地答案生成三个组件。作者为协作场景构建两个记忆接地问答数据集，实验显示 HiCoMER 持续优于强基线，减少过期检索并保留团队共识、提升下游问答质量。
arXiv cs.CLAI 评分4848 生产级 text-to-SQL 流水线中 LLM-as-judge 失败的审计与修复
生产 text-to-SQL 流水线中部署的 gpt-4o-mini LLM-as-judge 与人工标注一致性极低，分歧富集集上 Cohen's kappa 仅 0.04、均匀随机抽查 0.42，并误标 77.1% 的人工判定 FAITHFUL 案例。
arXiv cs.AIAI 评分5454 论文提出技能级联攻击，发布 213 个用例的 SkillCascade-Bench 基准
论文提出技能级联攻击，把恶意目标分散到多个技能中，每个技能单独看都无害，组合执行后才产生危害。作者开发了自动化多智能体红队框架 SkillCascade，并发布 SkillCascade-Bench，包含 213 个经过验证的级联测试用例，覆盖多个智能体系统与领域。
arXiv cs.CVAI 评分3333 什么能提升多模态错误信息检测？一项大规模实证研究的答案
一项大规模实证研究通过超过 3,375 次实验，考察多模态错误信息检测的设计选择，覆盖三个 benchmark 数据集与多类预训练视觉和语言骨干网络。研究围绕 4 个关键研究问题，归纳出哪些设计选择有效、何时会静默失效，以及流程中哪些环节最影响模型行为。论文已被第十届 WiNLP Workshop 接收，该 workshop 与 EMNLP 2026 同期举办。
arXiv cs.CLAI 评分3535 虚假评论检测综述：从 PLM 到 LLM
一篇获 Information Fusion 接收的综述从信息融合视角梳理虚假评论检测，覆盖 2018 年至今年初的 211 项研究，并追溯从传统机器学习到 PLM 与 LLM 方法的演进。
arXiv cs.AIAI 评分4646 ScopeBench：智能体在目标压力下会守住授权边界吗？
ScopeBench 用 30 个智能体安全任务测范围遵守，任务目标只有越出授权范围才能达成。8 个模型在同一 harness 下原始能力 12.2%–81.1%、范围遵守率 34.4%–86.7%。Opus-4-8 原始能力比 sonnet-4-6 高 10 个百分点，范围遵守率高 35.6 个百分点。
arXiv cs.CVAI 评分3636 AlphaEarth 能区分城市，却压缩了城市内部差异
研究审计 AlphaEarth 对 162 个国家 1000 个城市区域的嵌入表示，发现它支持跨区域比较，却压缩了城市内部差异。城市嵌入落在偏离全球均值方向 62.7° 的偏移重叠区域，城市化程度仅解释 8.9% 的城市内变异。城市中心离散度随国家发展水平每标准差高 14.1%，表示的年际变化近八倍于像素重绘所能解释。
arXiv cs.CVAI 评分3535 CSCWD：面向边缘设备轻量微小目标检测的跨尺度通道知识蒸馏
CSCWD 通过跨尺度通道知识蒸馏，把 YOLO11m-P2 教师的高分辨率空间表征迁移到 YOLO11n 学生，且不改变其推理架构。在 Drone-vs-Bird 协议下，YOLO11n-CSCWD 达 50.17% mAP@0.5 与 59.73% recall，较 CA-YOLO11n baseline 提升 2.92 和 3.55 个百分点。
arXiv cs.CVAI 评分2626 LiTe-GS：面向 3D Gaussian Splatting 的 Oracle 高效下一最佳视角选择
LiTe-GS 提出面向 3D Gaussian Splatting 的 Oracle 高效下一最佳视角选择方法，用随机子集评估替代对全候选池打分。其 Oracle 复杂度为 O(M log(1/ε))，与候选视角数 M 相关、与选择基数 K 无关。
Google ResearchAI 评分5353 Google Research 提出 AI video co-director 多智能体框架，自动化生成连贯长视频
Google Research 提出 AI video co-director，一个构建在 Gemini 和 Veo 之上的统一多智能体编排框架，用于自动化生成跨镜头连贯的分钟级长视频。
GitHub BlogAI 评分5151 GitHub 与耶鲁调查 1039 名用户：开发者想要更高效的软件和可测量的改进方式
GitHub 与耶鲁气候变化传播项目对 1,039 名 GitHub 用户的调查显示，80% 受访者有兴趣使用帮助写出更节能代码的工具，78% 想要减少软件环境足迹的最佳实践，74% 希望衡量软件或开发流程的影响。
OpenAI：官网动态AI 评分3030 OpenAI 发布 MentalHealthBench：面向心理健康对话的 AI 回复评估基准
OpenAI 发布 MentalHealthBench，一个由专家参与制定的基准，用于评估 AI 在真实心理健康对话场景中回复是否有帮助且安全。该基准覆盖现实的mental health对话，兼顾有用性与安全性两个维度。
Google ResearchAI 评分3131 MilleMiglia：面向中段物流的真实实例生成器
Google Research 提出 MilleMiglia，一个用 C++ 编写的实例生成器，用于为中段物流配送问题生成真实基准，源代码和文档已在 GitHub 发布。中段物流覆盖最长距离且占物流总支出很大部分，但长期缺乏公开高质量数据，物流公司通常将网络拓扑和需求量视为敏感专有信息。MilleMiglia 可生成兼顾隐私的真实数据，模拟货物在配送中心换乘不同车辆、按时间窗接驳的接力运输。
Google ResearchAI 评分4949 Google 分享生成式 UI 教育研究：让教师创建互动学习模拟
Google 发布生成式 UI（GenUI）教育研究实验，教师可创建贴合自身课程目标的定制互动教学模拟，界面与内容动态生成。同时开放 30 多个英语 STEM 学习互动示例库，覆盖物理、化学、生物、数学，面向初高中，均由 AI 生成、教师审核。
Apple Machine Learning ResearchAI 评分3838 REVERSAL-BENCH：衡量无重置强化学习悬崖的可逆性轴与重置 Oracle
REVERSAL-BENCH 用连续参数 ρ∈[0,1] 控制可逆性并提供重置 Oracle，覆盖 5 个物理引擎的 8 种操作任务。评估多种策略架构后发现可逆性悬崖：ρ 升高时无重置智能体被永久吸入不可恢复状态，而有回合重置的智能体仍稳定学习。该基准套件、带可恢复性标注的多模拟器数据集与重置 Oracle 已发布，另测试了在不可逆失败前介入的安全护盾。
OpenAI：官网动态AI 评分5353 OpenAI 公布模型失准追踪与披露框架
OpenAI 公布了一套用于追踪、调查和披露模型失准的框架，同时给出六份关于模型意外或令人担忧行为的报告。该框架面向模型失准的记录、调查与对外披露三个环节，正文细节尚未随摘要一并提供。
OpenAI：官网动态AI 评分3030 OpenAI 经济研究：员工如何用 AI 解锁新工作方式
OpenAI 经济研究显示，员工正在传统岗位职责之外使用 AI，以及哪些新活动会成为其工作中反复出现的部分。该研究关注员工如何借此解锁新的工作方式，而非局限于原有角色。
Apple Machine Learning ResearchAI 评分3535 Glyph：面向企业数据目录的多策略智能体系统，用于列描述与敏感度本体标注
Glyph 是一个生产系统，把列描述生成与列类型标注建模为由状态图编排的协作式 LLM 智能体。Descriptor 从企业 GitHub 按需检索流水线源码来支撑生成。
Apple Machine Learning ResearchAI 评分4646 TS-DFM：以轨迹为教师、经能量导航蒸馏的少步离散流匹配
TS-DFM 用能量导航替代离散流匹配训练中的盲随机跳步：轻量能量罗盘在每个中间点评估候选续写、选出最连贯的一支，且塑造仅在训练期进行，推理成本不变。在 170M 参数语言建模上，8 步学生模型的困惑度比 1024 步教师低 32%、速度快 128×，增益在多种源分布和三种规模递增的评估器上一致。其困惑度优于所有对比的离散生成基线，包括训练数据多 6× 或模型大 5× 的方法。
Apple Machine Learning ResearchAI 评分4242 DACA-GRPO：面向扩散语言模型强化学习的去噪感知信用分配
DACA-GRPO 为扩散语言模型强化学习引入去噪感知信用分配，可作为任意 GRPO 训练器的轻量即插即用增强。在三种 GRPO 基线方法上，它在涵盖数学推理、代码生成、约束满足与 JSON schema 遵循等七个 benchmark 上取得一致提升，最高增益分别为 5.6pp、7.4pp、36.3pp 和 5.9pp。
Apple Machine Learning ResearchAI 评分4343 面向智能体 LLM 系统的共享选择性持久记忆架构
共享选择性持久记忆架构面向智能体 LLM 系统，只保留任务规范、数据 schema、工具配置与输出约束四类可复用上下文，工作区可按角色访问权限跨用户共享。在三个企业部署场景中任务完成率达 96%，高于无记忆的 79% 与保留完整历史的 71%。零 token 数据刷新免去重复更新的 LLM 重调用，任务耗时降低 14×；摘要驱动生成使单次调用 token 成本降低 97×。
Google ResearchAI 评分3737 绕过推理瓶颈：Google Research 用 Retrieve-for-Train 加速复杂 AI 搜索
Google Research 提出 Retrieve-for-Train 框架，用离线强化学习把奖励对齐的查询 fan-out 编译成监督信号，蒸馏进仅 53.9M 参数的扩散检索器，实现单次非自回归查询扩展。该框架微调 Gemma3-4B 和 Qwen3-4B，以集合级奖励评估整组结果，绕开零样本 LLM 的语义重复与数百个 CoT 推理 token 带来的自回归延迟。
HuggingFace BlogAI 评分5858 ALTK-Evolve 新增一致性指南，将智能体一致性差距从 24.4pp 降到 12.0pp
ALTK-Evolve 新增一致性指南和一致性分析器，在 AppWorld test_normal 上把 GPT-4.1 ReAct 智能体的一致性差距从 24.4pp 收窄到 12.0pp。