HSTA：用语义嵌入轨迹实时追踪技术扩散，LLM 演化最快
论文提出无监督方法 HSTA（超球面语义轨迹分析），从 arXiv 预印本与 USPTO 专利等约 3 万条文本中追踪技术扩散。方法将 Transformer 句向量投影到单位超球面，球面 K-Means 聚出 8 个子主题并 UMAP 降维，形式化语义质心向量漂移与商业化偏移两个指标。
#数据/训练
#数据/训练
今日 55 条AGI HuntAI 评分3434 AGI HuntAI 评分4343 谷歌 TabFM-Auto 用 LLM Agent 优化表格数据管线，Elo 提升 228 分
谷歌提出 TabFM-Auto，用 LLM Agent 依据数据集元信息和验证反馈，迭代优化表格基础模型 TabFM 的数据清洗、特征工程、上下文选择与后处理管线。
AGI HuntAI 评分4141 WorldLine：万小时视频训练的动作驱动模拟器，策略成功率最高提升 21.4 个百分点
WorldLine 是动作驱动的视觉模拟器，用 1 万多小时无动作标注机器人视频学操作动力学，在 RoboTwin 与 AgiBot 上以 74% 平均准确率预测轨迹成败。
AGI HuntAI 评分4343 AutoDataBench：Agent 自造训练数据质量尚可，45 分钟内得分不足 20/100
AutoDataBench 用数据工业交付标准评测 Agent 自主合成可验证训练任务的能力：在三个可执行 Agent 基准上，默认 45 分钟预算内无一 Agent 得分超过 20/100。给最强 Agent 四倍时间可显著提分，单个可用任务成本几乎不变。现有 Agent 能写出合格训练任务，但效率不足，代码与数据已开源。
AGI HuntAI 评分4343 ROSS 复用历史 rollout 做选择性监督，SWE-bench Verified 提升 4.2 个百分点
ROSS 以完整历史 rollout 为上下文、只对选定的模型生成片段施加 loss，把原本被丢弃的自生成轨迹经离线 SFT 复用为行为经验。
arXiv cs.CLAI 评分3535 当更新不再等于学习：通过可学习信息增益重新思考 LLM 自进化
针对 LLM 自进化中性能先提升、后停滞再下降的"自进化退化"，该工作提出以可学习信息增益为核心的整体框架，并给出训练调控方法 ATRI。该增益等于两轮数据分布的 KL 散度加熵变化，实际通过用小型语言模型拟合上一轮数据、以负对数似然给新数据打分来估计。ATRI 在轮内对样本重加权，并在跨轮信息增益持续偏低时终止训练，在常用数据集上的实验显示其效果更优。
arXiv cs.CLAI 评分5353 大规模因子分析显示语言模型的机器智能仅部分可解释
一项对13,251条已发布评测分数的大规模因子分析显示，通用智能因子在最宽松估计下仅解释70.8%的语言模型性能方差，多数方案中远低于这一数值。该分析覆盖1,618个语言模型和456个纯文本基准，发现内容相似的基准不一定聚在一起，g 因子也不被任何常见主题主导。作者据此认为，把通用智能当作可定义、可瞄准的实体来推进语言模型开发缺乏支持。
AGI HuntAI 评分3939 CaptchaArena：5 万道交互式验证码训练集，9B 模型 Pass@1 达 71.7%
CaptchaArena 发布首个面向交互式 CAPTCHA 求解的大规模细粒度训练数据集，覆盖 20 种验证码类型、5 种交互模式共 5 万道经执行验证的题目。基于该数据集训练的单一 9B 策略模型 CaptchaAgent 采用 SFT+RL、由环境验证器直接提供 RL 奖励，Pass@1 从 SFT 后的 70.5% 提升至 71.7%，并在两个外部基准上同样提升，数据集与模型均已开源。
arXiv cs.CLAI 评分3535 MemFold：通过 On-Policy 优化学习面向长上下文个性化的紧凑软记忆
MemFold 将查询条件下的文本记忆压缩为 K 个连续向量作为 reader 的记忆接口，用任务结果的组相对奖励加冻结教师的 on-policy 蒸馏信号在 reader 自身 rollout 上训练，推理时移除教师。
arXiv cs.CLAI 评分5858 论文提出口述训练 VT，让 LLM 说出自身的评估意识
论文提出口述训练（VT），让 LLM 更愿意口述自身的评估意识，同时不直接监督潜在信念。VT 把 rollout 截断在模型自发口述之前、以模型已知情的训练前缀配合 RL 目标校准口述比例；在 Qwen3.6-35B-A3B、Kimi K2.6 和 Inkling 上，可口述的评估意识提升 2.4-2.9 倍，并能迁移到未见过的智能体场景，测得的潜在评估意识与行为基本稳定。
arXiv cs.AIAI 评分2626 关系基础模型上下文学习中的支撑集目标泄漏：模型依赖性与评估可靠性
研究在 13 个 RelBench 任务与 5 种关系 ICL 配置上测试 20 个目标派生特征，0-hop 目标表与包含全部 20 个泄漏列的 Full 泄漏造成最大评估偏差。泄漏影响高度依赖任务与模型，聚合变化很小时也可能反转模型变体的相对结论。Integrated Gradients 筛查在 0-hop 与 Full 条件下排序质量最佳，但删除检出的泄漏列不能稳定恢复干净评估。
arXiv cs.CLAI 评分3636 OLIVE：在学生的状态上向教师续写学习
OLIVE 是一种在线语言模型蒸馏方法，每轮由学生生成前缀、教师自回归续写，学生用教师生成 token 的交叉熵更新。在可比 GPU 小时成本下，其推理性能高于 OPD（top-16 KL 近似），异步实现进一步减少 23.8% 训练时间。仅用 GPT-5.4-mini 的文本，在 ScienceWorld 上持续训练比同教师离线 SFT 高 13%。
arXiv cs.AIAI 评分2929 关系型基础模型 ICL 中的支持集目标泄漏：影响、检测与缓解
研究将关系型基础模型 ICL 中的一种失效模式定义为“支持集目标泄漏”：目标派生（泄漏）列只存在于带标签的支持集，查询保持干净。作者构造 14 种合成泄漏类型（对应 20 列），在 RelBench 留出数据库上评测冻结关系编码器加 ICL 头，发现目标表泄漏的性能下降最明显，一跳、两跳泄漏未被模型稳定使用。
arXiv cs.CLAI 评分3131 CineSubBench：用多语言电影字幕评测 LLM 的长篇叙事与文化理解
新基准 CineSubBench 用多语言电影字幕评测 LLM 的长篇叙事与文化理解，覆盖 1,012 部电影、六种语言、6,072 条字幕轨和 8.13M 条带时间戳字幕条目。
arXiv cs.CLAI 评分4646 迷失在翻译中：测量非母语英语对大语言模型终端用户表现的影响
FABLE 数据集用 174K 条真实用户提示词生成 190,911 条英文提示词变体，测量非母语英语对大语言模型用户表现的影响。在 34 个开放权重 LLM 上的评测显示，模型不会把拼写错误带入输出，却会复制提示词中更高层的修辞与词汇特征。最流畅与最不流畅提示词的答案质量差异显著，非母语英语用户得到质量更低、流畅度更差的回答。
arXiv cs.CLAI 评分3434 Gemma 4 31B 的非洲语言几何表征：区域语义枢纽与文化引导
研究分析 Gemma 4 31B 对九种非洲语言和三种对照语言的表征，发现英语迁移随语言和层数变化，非洲—西方对比方向在非洲语言之间比与对照语言更对齐。在尼日利亚内部，Yoruba 与 Igbo 在 12 层中的 11 层上比二者与 Hausa 的平均对齐度更高。
AGI HuntAI 评分3434 预训练算力超 1e22 FLOPs 后可直接砍掉视觉编码器
rosinality 转发的研究观点称，多模态模型预训练计算量超过 1e22 FLOPs 后可直接去掉视觉编码器，不再需要单独的 vision encoder。该观点认为，在足够大的算力规模下，原生多模态训练可以吸收视觉编码器通常承担的角色。
AGI HuntAI 评分3232 CodeMidas 论文：从源码直接规模化生成编码 Agent RL 训练环境
「The Midas Touch for Code」（CodeMidas）论文提出直接从源码规模化生成编码 Agent 的强化学习训练环境。Andreas Maier 点评认为，该工作提供了一条扩展 AI 编码环境的新路径。该论文为 2026 年 arXiv 论文。
arXiv cs.CLAI 评分3232 不同 Tokenizer Fertility 语言间的概念方向可靠性
英语、Hausa、Yoruba 三种语言的末位 token 情感方向分半一致性分别为 0.737–0.870、0.589–0.762 和 0.101–0.399，在四个语言模型、77 组完整对比中该语言排序始终一致。
arXiv cs.CLAI 评分3838 ProVer：为智能体强化学习的信用分配定向关键决策
ProVer 通过智能体评判器对比成功与失败轨迹定位关键决策段，再用该段前后续写的成功率差值验证其优势，实现细粒度信用分配。在 ALFWorld、WebShop、SearchQA 上，ProVer 在两种模型规模均取得最佳平均表现，相对 GRPO 分别提升 9.91%（Qwen3.5-2B）和 7.12%（Qwen3.5-4B）。
arXiv cs.CVAI 评分3535 CrossTimeEdit：面向历史街景生成的十年跨度跨视角数据集与奖励引导编辑
CrossTimeEdit 将历史街景生成重构为编辑任务，以 FLUX.2 [Klein] 4B 为起点经 SFT 与在线 RL 训练，整体性能较预训练基线提升 17.12%。其配套 VIGOR-his 数据集覆盖三大洲 11 座城市，含 43,653 个位置级四元组。模型以 Flow-GRPO 与 GDPO 优化 IA、BP、QP 三项奖励，代码、数据集与模型权重已公开。
arXiv cs.CVAI 评分3434 PixExpo：面向高鲁棒车载远程 rPPG 的逐像素曝光
PixExpo 用“以时间换空间”的逐像素曝光框架逐像素选取最接近 rPPG 目标亮度的观测，缓解车内强光下的面部过曝与欠曝。在自建 MEX-Drive 数据集（48 名参与者）上，其 MAE 从 13.94 bpm 降至 6.73 bpm，成功率由 25.95% 升至 63.24%。该方法无需改动传感器。
arXiv cs.CVAI 评分3636 视频生成规模化能否支撑推理：代价究竟多大？
2x2x2 Rubik's Cube 受控基准测试显示，视频生成模型的隐藏状态推理能力并不随规模单向提升：70M 参数模型在约 0.1 PF-days 下对动作后帧可见贴纸配置预测正确率 44.6%，而 1B 模型仅 0.3%，后者需训练到 3.14 PF-days 才达到 83.7%。
arXiv cs.CLAI 评分3838 PADMÉ：面向 LM 智能体评估器元评估的偏好对齐数据合成方法
PADMÉ 用小型语言模型合成 LM 智能体评估器的偏好对齐元评估数据，无需人工参与。其原型在 4 个智能体领域、3 项评估标准下合成 1,000 条样本，150 条子集的人工验证显示与人类判断的一致率从朴素基线的 73% 升到 85%。用该数据集元评估 25 个常见模型，显示评估表现与评分粒度、宽松度和模型规模相关。
AGI HuntAI 评分3838 EMNLP 口头报告：RL 训练让模型更高效遍历参数化知识
一篇入选 EMNLP 口头报告的论文发现，强化学习能让模型更高效地遍历其参数化知识，从而访问到 instruction-tuned 模型中原本无法触达的知识。结论是 RL 训练不只是对齐行为，还能解锁基座中已有、但指令微调阶段无法调用的知识。作者为 @alexxxzzz6825、@niloofarmire、@RylanSchaeffer 与 Manasa Kaniselvan。
arXiv cs.AIAI 评分3333 CoRe：协同演化奖励模型，缓解视频扩散模型的隐空间奖励黑客问题
CoRe 用协同演化奖励框架缓解视频扩散模型的 latent reward hacking：生成器数百步更新后即脱离奖励模型训练分布，奖励虚高而画面与运动质量下滑。CoRe 持续在生成器当前样本上重拟合奖励模型，并以真实视频偏好锚定。在 Wan2.1-T2V-1.3B 上，其生成质量优于预训练模型和既有对齐方法。
arXiv cs.CLAI 评分3838 PACT：面向单 token 类型化决策的成对锚定校准微调
PACT 用四个无需新标注的训练项微调单 token 类型化决策模型，在 324 项 holdout 的三个种子上以 84.6% 准确率匹配已发布配方（85.2%），并把重标注下的答案翻转率从 13.8% 降到 9.8%。相比仅用交叉熵的对照，它在三个种子中的两个显著更准，种子间波动减半、NLL 降低 26%；代码、数据划分与训练 adapter 已公开。
arXiv cs.CLAI 评分3131 解决财务数据缺失危机：用于 SEC 10-K 抽取的生成式 AI 流水线
一套生成式 AI 流水线用 LLM 从 SEC 10-K 文件中抽取财务数据，针对影响超 70% 公司、占半数总市值的结构化数据缺失问题。研究评测 Llama-3 8B、Qwen-2.5 14B 与 Llama-3.3 70B，在现金及现金等价物、短期债务、信贷额度与研发四类不同结构复杂度的变量上比较抽取质量。
arXiv cs.AIAI 评分4141 面向潜在递归 LLM 系统的原则化思考：REST 表征监督训练目标
REST（REpresentation-Supervised Thoughts）将因果关系、最小性、可分离性、稳定性四项有效思考表征属性转为可微损失，与交叉熵（CE）联合训练潜空间递归 LLM。在数学、科学、医学与代码生成共 7 个基准上，同等训练数据、算力与潜空间预算下，其准确率比纯 CE 训练最高提升 7.5 个百分点，最终答案收敛率提升 30%，且解码这些思考表征能更好地还原智能体预期输出。
arXiv cs.AIAI 评分3333 更多特征并非更多证据：Jev 在免训练人类活动识别中的局限
免训练的通用概率决策模型 Jev 在 WISDM、UCI341、PAMAP2 上最强表示 macro-F1 仅 0.038、0.118、0.089，远低于监督 HAR 模型的 0.686–0.907。
arXiv cs.CLAI 评分2929 超球面语义轨迹分析（HSTA）：映射学术预印本、专利信号与算力扩展中的技术扩散
论文提出超球面语义轨迹分析（HSTA），从 arXiv 预印本与 USPTO 专利文本流中无监督追踪技术扩散。基于 30,000 条文档，该方法用 Spherical K-Means 与 UMAP 将 Transformer 句向量投影到单位超球面，定义语义质心漂移与商业化偏移两项指标。
arXiv cs.AIAI 评分3737 VLA 的层之谜：VLA 潜在接口的信息论分析
VLA 策略的潜在接口应暴露哪些骨干层仍不清楚，研究在三个预训练模型、LIBERO 与 CALVIN 上比较单层选择与多层融合，54 组配置中 47 组不及最优单层策略。InfoNCE 在四个代理指标中与策略成功率正相关最一致，用它选层比穷举扫描省 9-33 倍 GPU 算力，平均选择遗憾从最深层的 17.89 个百分点降至 3.71 点。
arXiv cs.CVAI 评分3838 Merlin Plus：大规模、多癌种、图像-掩码-报告 CT 数据集
Merlin Plus 提出首个覆盖 9 个器官、由放射科医生创建肿瘤掩码的大规模 CT 数据集，在 Merlin 基础上新增 1,153 个 per-voxel 肿瘤掩码与纵向元数据。掩码由报告驱动的主动学习框架生成：放射学报告识别肿瘤病例并训练分割模型，模型输出初始掩码再由放射科医生审核修正。该数据集支持 CT 中的多器官癌症检测、分割与纵向分析，已公开可获取。
arXiv cs.CLAI 评分5050 LLM 标注可靠但设计敏感：研究提出并量化工具不确定性
研究用 7 个 LLM、12 种任务设计和 3000 条推文测试标注稳定性，同一模型与任务设计重复运行的一致性较高（Fleiss' κ 中位数 0.91），更换任务设计后下降（Cohen's κ 中位数 0.76）。
arXiv cs.CLAI 评分4545 我们还能信任灾害社交媒体感知吗？检测 AI 生成社交媒体帖子的实证研究
基于九场灾害 12,000 条文本的实证研究显示，文本 AI 检测器无法可靠区分人类与 AI 生成的灾害社交媒体帖子。14 组冻结跨模型配置的 AUROC 仅 0.402-0.517，低假阳性工作点下最佳召回率 3.6%。灾害数据训练的线性头虽达 AUROC 0.817，但消除表层差异后降至 0.594，研究认为其不足以作为运营级信任闸门。
arXiv cs.AIAI 评分3737 SMat-Attention：结构化长上下文序列建模
SMat-Attention 用行支持集 VC 维为 d 的结构化因果掩码，把 softmax 注意力与线性注意力统一为可调路由，d=1 时退化为标准因果掩码。
arXiv cs.CLAI 评分3131 PrimeSeeker：面向深度搜索智能体的能力导向监督
PrimeSeeker 提出面向深度搜索智能体的能力导向监督框架，用潜在锚点推理从描述性规格中解析未命名检索锚点，并将锚点迁移到后续信息需求，联合生成问题与参考证据骨架。研究构建了 9,221 条专家轨迹，训练出一个 30B 搜索智能体，在五个深度搜索基准上表现强劲，参考步骤优化进一步提升监督策略。固定预算评估显示其解法覆盖率高，工具调用次数远少于长程系统，检索冗余更低。
arXiv cs.CVAI 评分3737 StructRL：面向长时程视觉-语言-动作任务的在线结构化强化学习
StructRL 将长时程视觉-语言-动作（VLA）任务拆解为可验证子任务，仅在前提子任务完成后才给出中间奖励，并按完成速度缩放奖励，从而构建结构化中间监督。在 RoboCasa365 与 LIBERO-Long 上，结合 GR00T-N1.5 和 pi 0.5 的评测中，StructRL 一致优于所对比的在线 RL 基线，表明可验证的结构化中间奖励能改善长时程 VLA 后训练，代码已公开。
arXiv cs.AIAI 评分3535 Disco103 自我发现式 RL 规则审计：学习历史是资产还是负担？
研究者对自我发现的 RL 规则 Disco103 做了首次因果机制审计，测试学习历史何时是资产、何时是负担。结果显示，循环历史能把可用奖励尺度窗口维持到六个数量级，而 zero-pinning 下仅三个数量级；不匹配历史的惩罚源自持续钳制，让导入状态自然演化可减轻这一负担。
arXiv cs.CVAI 评分3333 MATE：面向统一多模态模型的互对抗自训练与演化数据框架
MATE 是基于强化学习的后训练框架，让统一多模态模型的生成与理解分支轮流充当挑战者与求解者、相互对抗。在 Janus-Pro-1B 上，它使 GenEval 提升 2.4 分、DPG-Bench 提升 1.7 分，九个理解基准平均提升 0.7 分。对抗候选来自模型自身输出，无需单独训练对抗器，落败候选转为下一轮挑战，训练在数据空间形成自博弈。