跳到正文

全部动态

今日 701 条
今天9月30日周三
  5. arXiv cs.CL24

    面向僧伽罗语 Sandhi 切分的字符级神经方法

    基于 SandhiLex 的字符级序列到序列研究为僧伽罗语 Sandhi 切分建立实证基线，最佳模型（双向 LSTM 编码器 + 单向 LSTM 解码器）在词汇化、派生与词源性难子集上仅达 68.40% 完全匹配准确率，词缀型子集则为 94.00%。消融显示双向编码对性能贡献最大，原生僧伽罗语 Unicode 输入优于罗马化输入。

  7. arXiv cs.CV43

    VidScribe：统一视频生成中视觉文本渲染与原位编辑的基准评测

    VidScribe 是统一视频文本基准，覆盖 T2V、R2V、I2V、V2V 四种生成范式，含 803 个人工核验样本与 11 项共享指标。对 11 个商业与开源系统的评测显示，内容识别与笔画级字形正确性解耦，I2V 最能稳定保持文本，V2V 原位编辑是主要瓶颈。退化集中在少数文本结构与时序因素，而非恶劣成像条件。

  9. arXiv cs.CL38

    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。

  11. AGI Hunt38

    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。

  13. arXiv cs.AI41

    SARA：缓解大型推理模型的欺骗性安全对齐

    研究者提出 DSAR 指标量化大型推理模型的“欺骗性安全对齐”，并提出基于 RL 的 SARA 方法缓解该问题。多个 LRM 与 benchmark 上该现象普遍存在，并在 prefilling attacks 下明显放大。SARA 同时奖励安全感知推理与安全最终答案，实验显示其在标准与对抗设置下显著缓解该问题，且保持有用性与效用，代码已开源。

  16. arXiv cs.CL38

    LLM 组合任务中的因果与可解释结构

    Llama、Qwen、Gemma 和 Mistral 在 LLM 组合任务中呈现一致的逐层表示机制。中间层使用基于其中两个 token 推断关系的联合表示，后层使用涉及全部三个 token 的联合表示；限制到因果相关联合表示还能提升下一 token 预测准确率。另一些 token 关系虽具几何结构，却在下一 token 预测中不具因果作用。

  18. arXiv cs.AI33

    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。

  20. arXiv cs.CL32

    VisKG：面向高效视觉推理的问题特定知识图谱

    VisKG 是一个强化学习框架，让模型把视觉内容转换为问题特定的知识图谱（KG）表示，过滤感知噪声并保留链式推理所需的实体-关系结构。该框架用 GDPO 稳定 RL 后训练，在科学、数学和通用视觉理解基准上性能与基线相当或更优，所需 token 少于基于 caption 的表示；GDPO 训练比 GRPO 平均提升 2% 准确率。

  26. arXiv cs.CL38

    CruxBench：评测 LLM 信息发现能力的基准

    CruxBench 是按信息价值（VOI）给 LLM 生成问题打分的新基准，用于衡量模型将难题拆解为关键子问题（cruxes）的信息发现能力。其 ground truth 来自未来真实事件，天然抗污染，支持开放式文本提交，在 293 个预测问题上评测了 8 个模型。VOI 与模型能力的独立度量相关性达 r=0.90，但信息发现对前沿 LLM 仍困难，仅略高于随机时序基线。

  28. arXiv cs.AI45

    EU AI Act 合规检查器实证研究：12 款主流工具仅能作早期方向指引

    首个 EU AI Act 合规检查器（AIACC）实证研究评估 12 款主流工具，发现其质量差异显著，目前只能充当早期方向指引工具。这些工具交互模式与易用性不一致，倾向过度简化或遗漏关键义务，无法提供确定、可执行的指导，依赖其可能带来虚假的合规感。研究据此提出更可靠合规支持工具的设计原则。

  29. arXiv cs.CV38

    事件边界处的预见：评估视频世界模型的物理预测能力

    基于 62 段受控真实自由落体录像、124 个片段的评测显示，视频世界模型在事件结果被隐去时未必能预测接下来会发生什么。Runway 与 Veo 生成释放和后续撞击事件的比率超过 93%，但常明显滞后；Cosmos-Predict-2.5 与 MAGI-1 则多保持事件前状态，几乎产不出可测结果。在可测下落中，时间上合理不等于运动物理一致；15 人人类研究显示人类预测总体上更贴近真实未来。

  30. arXiv cs.CL38

    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。

  32. arXiv cs.AI33

    FigAct：把科学图表变成可主动解释的演示画布

    FigAct 可将静态科学图表转化为问题条件下的可视化演示，通过生成简短旁白、将每句旁白定位到对应视觉证据并施加视觉动作来引导注意力。其分层搜索策略让 token 用量降低约 40×，并用 grounding 准确率、搜索效率、渲染质量三项奖励训练出 FigAct-8B。团队还基于真实科学论文图表构建了人工核验 benchmark，评测 MLLMs 生成有依据视觉解释的能力。

  33. arXiv cs.CV34

    Reimagine Video Dynamics（RVD）：解耦可编辑动态 token 的视频动态编辑框架

    Reimagine Video Dynamics（RVD）框架从视觉上下文中解耦出紧凑、可编辑的动态 token，并通过自监督重建学习该 token。其语言引导的动态 token 编辑器可将源动态转换为目标动态，训练使用可扩展的反事实视频对管线和两阶段策略。实验显示 RVD 支持视频动态编辑、免训练 retiming 和外观受控重渲染。

  35. AGI Hunt22

    物理 AI 创业者社群征集：从灵巧手到机器人基础模型

    michellelsun 发起面向物理 AI（physical AI）创业者的社群征集，Sethwinterroth 转发该帖，邀请从业者在帖下介绍自己的项目。征集覆盖执行器、灵巧手、具身智能训练数据、自动驾驶实验室、磁性材料、机器人部署层、太空制造、能源与电池、物理世界模型、机器人控制脑机接口与开源机器人基础模型等方向。

  36. arXiv cs.AI41

    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。

  37. arXiv cs.CV37

    VLM 在连接组学突触检测与校对中的基准评测

    VLM 在连接组学突触检测与校对基准评测中多数 zero-shot 仅达随机水平，少量示例主要帮助闭源和最大的开源模型。突触检测覆盖 19 个开源与 2 个闭源模型，比较 zero-shot、four-shot 与 LoRA；校对覆盖 3 个开源与 2 个闭源模型及 ConnectomeBench2 的跨物种迁移。

  39. AGI Hunt30

    iOS 开发者 Dimillian 盛赞 Codex 云端环境：配合 dots 体验极佳

    iOS 开发者 Dimillian 转发并确认对 Codex 新发布的云端环境（cloud environments）给出好评，称迫不及待要详细介绍它的用法。被引用的开发者 mweinbach 表示这些环境「好得离谱」，尤其配合 dots 使用时体验出色。这是早期用户对 Open Codex 云端并行开发环境的高口碑反馈，具体细节待作者后续演示。