bluearXiv-ai 论文精选

2026-05-29
返回首页 论文统计 精选论文 所有论文

📚 跟踪学科 (Categories)

🔍 筛选关键词 (Keywords)

📊 论文统计 ↑ 回顶部

cs.LG
174
cs.AI
141
cs.IR
13
cs.CL
136
cs.DS
7
others
161
总计
632

⭐ 精选论文 ↑ 回顶部

cs.LG

Molecular Lead Optimization via Agentic Tool Planning ⭐ 精选
Lingxiao Li et al.
cs.LG q-bio.QM
PrismFlow: Residual Dynamics for Flow Matching in Time-Series Generation ⭐ 精选
Junru Zhang et al.
cs.LG cs.AI
Label-Free Reinforcement Learning via Cross-Model Entropy ⭐ 精选
Matt Gorbett, Hossein Shirazi
cs.LG cs.AI
Parallax: Parameterized Local Linear Attention for Language Modeling ⭐ 精选
Yifei Zuo et al.
cs.LG cs.AI cs.CL
Attention as In-Context Empirical Bayes: A Two-Stage View via Particle Dynamics ⭐ 精选
Matthew Smart et al.
cs.LG math.DS stat.ML
HARP: Hadamard-Preconditioned Adaptive Rotation Processor for Extreme LLM Quantization ⭐ 精选
Artur Zagitov, Gleb Molodtsov, Aleksandr Beznosikov
cs.LG cs.AI
Mean-Field Diffuser: Scaling Offline MARL to Thousands of Agents ⭐ 精选
Wenhao Li, Xiangfeng Wang, Bo Jin
cs.LG

cs.AI

Frontier LLM-based agents can overcome the ontology curation bottleneck for natural phenotypes ⭐ 精选
James P. Balhoff, Hilmar Lapp
cs.AI
Beyond Consensus: Trace-Level Synthesis in Mixture of Agents ⭐ 精选
Shreyas Fadnavis, Praitayini Kanakaraj, Felix Wyss
cs.AI
PRO-CUA: Process-Reward Optimization for Computer Use Agents ⭐ 精选
Yifei He et al.
cs.AI
Provably Secure Agent Guardrail ⭐ 精选
Benlong Wu et al.
cs.AI cs.CR
Harmonizing Real-Time Constraints and Long-Horizon Reasoning: An Asynchronous Agentic Framework for Dynamic Scheduling ⭐ 精选
Shijie Cao, Yuan Yuan, Jing Liu
cs.AI
Towards Human-Like Interactive Speech Recognition With Agentic Correction and Semantic Evaluation ⭐ 精选
Zixuan Jiang et al.
cs.AI cs.CL
DeepSurvey: Enhancing Analytical Depth and Citation Reliability in Automated Survey Generation ⭐ 精选
Ziyue Yang et al.
cs.AI
Battery-Sim-Agent: Leveraging LLM-Agent for Inverse Battery Parameter Estimation ⭐ 精选
Jiawei Chen et al.
cs.AI
GRASP: Gated Regression-Aware Skill Proposer for Self-Improving LLM Agents ⭐ 精选
Johannes Moll et al.
cs.AI cs.CL
SAAS: Self-Aware Reinforcement Learning for Over-Search Mitigation in Agentic Search ⭐ 精选
Yunbo Tang et al.
cs.AI cs.CL cs.LG
OptSkills: Learning Generalizable Optimization Skills from Problem Archetypes via Cluster-Based Distillation ⭐ 精选
Haochen Yang et al.
cs.AI cs.LG
KairosAgent: Agentic Time Series Forecasting with Fused Semantic Reasoning ⭐ 精选
Kun Feng et al.
cs.AI
Meta-Cognitive Memory Policy Optimization for Long-Horizon LLM Agents ⭐ 精选
Ziyan Liu et al.
cs.AI

cs.CL

Relevance as a Vulnerability: How Web Retrieval Degrades Safety Alignment in LLM Agents ⭐ 精选
Aditya Nawal, Manit Baser, Mohan Gurusamy
cs.CL cs.AI cs.CR
STAMP: Training Explicit Memory for Mobile GUI Agents in Controllable and Scalable Virtual Environments ⭐ 精选
Junyang Wang et al.
cs.CL cs.CV
GAPD: Gold-Action Policy Distillation for Agentic Reinforcement Learning in Knowledge Base Question Answering ⭐ 精选
Xin Sun et al.
cs.CL
Scaling Laws for Agent Harnesses via Effective Feedback Compute ⭐ 精选
Xuanliang Zhang et al.
cs.CL

others

Adapting Automotive Aerodynamics Surrogates to New Vehicle Families via Transfer Learning ⭐ 精选
Seunghwan Keum, Alok Warey
cs.CE cs.LG physics.comp-ph
AIRGuard: Guarding Agent Actions with Runtime Authority Control ⭐ 精选
Suliu Qin et al.
cs.CR cs.AI
Real-rootedness of the Poincaré polynomials of $\overline{\mathcal M}_{0,n}$: an AI-assisted proof ⭐ 精选
Gergely Bérczi, Young-Hoon Kiem
math.AG cs.AI cs.NE
Recovering Policy-Induced Errors: Benchmarking and Trajectory Synthesis for Robust GUI Agents ⭐ 精选
Tianpeng Bu et al.
cs.CV cs.CL
Evolve as a Team: Collaborative Self-Evolution for LLM-based Multi-Agent Systems ⭐ 精选
Zhezheng Hao et al.
cs.MA cs.AI
Agora: Toward Autonomous Bug Detection in Production-Level Consensus Protocols with LLM Agents ⭐ 精选
Xiang Liu et al.
cs.SE cs.AI
Diffusion Models Are Statistically Optimal for Learning Low-Dimensional Multi-Modal Distributions ⭐ 精选
Jingda Wu, Changxiao Cai
stat.ML cs.IT cs.LG math.ST

📄 所有论文 ↑ 回顶部

cs.LG

Molecular Lead Optimization via Agentic Tool Planning ⭐ 精选
Lingxiao Li et al.
cs.LG q-bio.QM
TRACE是一个基于LLM推理的分子lead optimization agent，它将tool selection建模为action trajectories上的sequential decision-making问题，从而实现了trajectory-aware的分子优化。该方法通过前瞻性的结构约束优化，在多个ADMET优化任务上取得了更高的优化成功率、更大的性质改善和更高的分子有效性，同时保持了与baseline相当的分子相似性。这项工作为agent在药物分子优化中的长期决策问题提供了开创性的解决方案。
PrismFlow: Residual Dynamics for Flow Matching in Time-Series Generation ⭐ 精选
Junru Zhang et al.
cs.LG cs.AI
本文提出PrismFlow，一种基于Flow Matching (FM)的时间序列生成方法。针对标准FM中单一全局向量场估计器在多模态、多尺度时间序列上学习到过度平滑的近似，导致谱失真和模式覆盖不足的问题，PrismFlow引入Koopman启发的动力学专家，在潜在空间中通过线性转移近似局部非线性时间演化，并学习残差校正。该方法采用置信度感知的Winner-Take-All (WTA)目标，仅更新与每个样本最对齐的专家，鼓励模式特异性专业化，从而在采样时向全局传输场添加残差动力学校正，有效缓解了标准FM中的谱收缩问题，在Context-FID和Discriminative Score上分别提升15.6%和38.6%。
Label-Free Reinforcement Learning via Cross-Model Entropy ⭐ 精选
Matt Gorbett, Hossein Shirazi
cs.LG cs.AI
本文提出Cross-Model Entropy (CME)作为无标签强化学习奖励信号，用于大语言模型的后训练。CME通过一个独立的verifier model计算generator输出响应的平均log-likelihood，避免了传统方法依赖ground-truth验证或人类偏好标签的局限。该方法将CME集成到GRPO框架中，无需修改训练循环，即可将无标签RL扩展到开放式指令遵循任务。实验在四个模型家族和三种训练范式下验证了CME的有效性，其tie-adjusted win rates达到52.5%至71.4%。
Parallax: Parameterized Local Linear Attention for Language Modeling ⭐ 精选
Yifei Zuo et al.
cs.LG cs.AI cs.CL
本文提出Parallax，一种参数化的Local Linear Attention机制，通过引入可学习的query-like projector来探测KV协方差，从而替代了LLA中不可微的数值求解器，使其可扩展至LLM预训练。该方法在理论上改进了softmax attention的bias-variance tradeoff，并在实践中通过硬件感知算法提升了计算强度，在0.6B和1.7B规模的预训练中实现了perplexity的持续改进和下游任务的Pareto提升。特别地，文章发现Muon优化器能解锁Parallax的容量，这是首次在attention机制中展示架构与优化器的强协同设计。
Attention as In-Context Empirical Bayes: A Two-Stage View via Particle Dynamics ⭐ 精选
Matthew Smart et al.
cs.LG math.DS stat.ML
本文通过粒子动力学视角，将最小化attention-only transformer在all-token corruption下的行为解释为两阶段经验贝叶斯推断。第一阶段中，深度通过粒子动力学逐步精炼由context定义的empirical distribution；第二阶段中，长程skip-connection将带噪输入作为query用于后验推断。该框架揭示了深度与attention残差的统计角色差异，并证明在固定kernel bandwidth和有限积分步长下，无需显式噪声调度即可实现有效去噪，同时为良好先验类提供了后验均值恢复保证。
HARP: Hadamard-Preconditioned Adaptive Rotation Processor for Extreme LLM Quantization ⭐ 精选
Artur Zagitov, Gleb Molodtsov, Aleksandr Beznosikov
cs.LG cs.AI
本文提出HARP (Hadamard-Preconditioned Adaptive Rotation Processor)，一种可学习的结构化双面正交处理器，用于替代LLM后训练量化中固定的随机Hadamard变换 (RHT)。HARP将旋转矩阵表示为稀疏蝶形块正交阶段的乘积，支持非2的幂次维度，并在校准数据上自适应地调整量化基，从而在2-4比特量化设置下显著提升困惑度和零样本准确率，同时保持部署效率。该方法在解决极端低比特量化对激活异常值和各向异性权重曲率敏感性的问题上具有开创性，且与关键词中的“spectral”和“attention”在优化旋转基的谱特性与自适应机制上存在潜在关联。
Mean-Field Diffuser: Scaling Offline MARL to Thousands of Agents ⭐ 精选
Wenhao Li, Xiangfeng Wang, Bo Jin
cs.LG
本文提出MF-Diffuser框架，将多智能体离线强化学习中的trajectory planning提升至Wasserstein space of trajectory distributions，利用propagation of chaos性质使得少量代表性agent即可捕获整体population dynamics。该方法引入value-weighted chaotic entropy objective以平衡生成保真度与回报最大化，并采用hierarchical coarse-to-fine策略在去噪过程中逐步增加agent数量。理论方面，本文建立了端到端的suboptimality bounds，证明mean-field approximation error以\(O(H^2/\sqrt{N})\)尺度衰减，且offline distribution shift不随population size \(N\)增长，生成的policy是approximate mean-field Nash equilibrium。实验在三个mean-field RL benchmark上验证了MF-Diffuser在多数设置下取得最佳回报，尤其在suboptimal offline data和极端规模（\(N \geq 10^3\)）下优势显著。
One Mask to Rule Them All: On Hidden Facts after Editing and How to Find Them
Ali Holmov et al.
cs.LG
本文研究了ROME和MEMIT等知识编辑方法在transformer模型中的内部机制，发现不同事实的编辑共享一个共同的功能权重子集，并通过训练一个紧凑的binary mask来识别和逆转这些编辑。该工作揭示了编辑通过抑制而非覆盖知识来运作，为检测和防御不想要的编辑提供了见解。
Representation Signatures and Risk-Feedback Alignment in LLM Trading Agents
Weicheng Xue
cs.LG q-fin.CP
本文研究了LLM交易智能体在金融决策环境中的行为对齐与表征动态，通过TradeArena测试平台分析了市场压力下的规划嵌入漂移和有效秩收缩等预失败信号，并探讨了结构化风险反馈作为外部对齐信号的作用。
Mechanistic origins of catastrophic forgetting: why RL preserves circuits better than SFT?
Jeanmely Rojas Nunez et al.
cs.LG cs.AI cs.CL
本文通过引入differential circuit vulnerability这一head-level度量，比较了reinforcement learning (RL)和supervised fine-tuning (SFT)在微调Qwen2.5-3B-Instruct模型时对内部计算circuit的保留程度。研究发现SFT能更快适应目标任务但导致更大的circuit破坏和灾难性遗忘，而RL则更好地保留了base circuit但适应速度较慢。
Self-Play Reinforcement Learning under Imperfect Information in Big 2
Aalok Patwa
cs.LG cs.AI
本文在四人非完美信息纸牌游戏Big 2中开发了一个self-play RL框架，比较了PPO、SARSA和Q-learning等算法，发现PPO在随机、贪心和启发式对手下表现最优，并指出适度的entropy regularization和current-policy self-play能提升训练效果。该工作为研究非完美信息下的multi-agent RL提供了一个受控实验环境。
Emergent Semantic Representations in World Models through Physical Interaction without Linguistic Supervision
Jiayi Fang
cs.LG cs.AI
本文通过训练基于VAE的世界模型进行随机具身探索，发现其潜在空间能自发形成与物理几何结构对应的空间语义表征，且预测性能与语义对齐共同提升。研究通过KL正则化实验验证了物理世界几何结构是表征的组织原则，但未涉及代码、上下文、谱方法或Muon优化器等关键词。
Continuity and Ordinality Matter: Constraining Time Series Tokens for Effective Time Series Analysis with Large Language Models
Musheng Li et al.
cs.LG cs.AI
本文提出COM策略，通过在token初始化和训练阶段引入几何约束来保留时间序列token的连续性和序数性，从而提升基于token的时间序列大语言模型(TS-LLM)的性能。实验表明该方法在多个基准上具有竞争力和泛化性。
TaxDistill: Improving Metagenomic Taxonomic Annotation via Distilled Genomic Foundation Models
Rongye Ye et al.
cs.LG cs.AI
本文提出TaxDistill框架，利用GenomeOcean大模型作为教师网络生成软标签，通过知识蒸馏减少宏基因组分类中的标签噪声，并在CAMI2数据集上提升了分类性能。
Balancing Multimodal Learning through Label Space Reshaping
Xiaoyu Ma et al.
cs.LG cs.AI
本文提出Balanced Multimodal Label Reshaping (BMLR)方法，通过重塑跨模态label space来平衡不同模态的学习速度差异，从而缓解多模态学习中的模态不平衡问题。实验表明该方法能提升多模态性能，但与关键词列表中的概念关联较弱。
Representation Alignment Rests on Linear Structure
Kiril Bangachev, Guy Bresler, Yury Polyanskiy
cs.LG cs.AI
本文通过信号、偏差和噪声的三部分统计框架研究Platonic Representation Hypothesis，提出线性表示假设（Linear Representation Hypothesis）是跨模态对齐的基础，并利用稀疏自编码器提取线性特征来验证这一观点。研究还发现中心化和归一化能改善跨模型对齐，而数据稀疏性会导致表示噪声。
Pre-Registering the Detectable Effect: A Paired-MDE Budget for 4-bit Quantization Benchmarks, with a Pilot Audit
Zexin Zhuang, Yanhang Li, Zhichao Fan
cs.LG
本文提出了一种用于4-bit quantization benchmarks的paired-MDE预算方法，通过经典样本量计算给出了最小可检测效应界，并基于四个模型和基准进行了初步审计。该工作主要关注量化基准的可靠性评估，与关键词中的code、context、spectral、Muon、pretrain、agent、attention均无直接关联。
Towards Continuous-time Causal Foundation Models
Dennis Thumm, Ruben Wiedemann, Ying Chen
cs.LG physics.data-an stat.ME
本文提出了一种将离散时间因果先验数据拟合网络扩展到连续时间的方法，通过随机微分方程（SDE）建模，并引入轨迹律对观测时间表的不变性作为连续性准则。实验在多种干预和观测模式下验证了细网格积分优于朴素方法。
Context Distillation as Latent Memory Management
Ziyang Zheng et al.
cs.LG cs.AI
本文提出将context distillation视为latent memory management问题，通过将每个上下文蒸馏为独立的LoRA adapter形成模块化记忆库，并引入Self-Gating机制决定是否激活记忆。该方法在检索场景下优于基线，但未涉及code、spectral、Muon等关键词。
Feature Geometry of LoRA Adapters: A Sparse Autoencoder Analysis of Representational Divergence in Fine-Tuned Language Models
Prasanth K K
cs.LG
本文使用Sparse Autoencoders (SAEs)分析LoRA微调引起的表示变化，发现LoRA适配器产生的特征与预训练SAE特征存在几何对齐较弱的现象，表明LoRA更新在残差流中占据了部分独特的表示结构。
Spectral Guidance for Flexible and Efficient Control of Diffusion Models
Gabriel Moreira et al.
cs.LG
本文提出了一种名为Spectral Guidance的框架，通过利用生成过程的固有几何结构来控制diffusion models。该方法学习一个conditional expectation operator的singular functions，从而将任意guidance signals（如labels或CLIP embeddings）直接投影到采样轨迹上，无需重新训练或反向传播。
Sequential Physics-Constrained Neural Operator Forward Modeling for the $\textit{Norne}$ Reservoir System
Clement Etienam et al.
cs.LG
本文为Norne油藏系统开发了基于Fourier Neural Operator的序贯代理模型框架，在数学上证明了隐式时间步映射的适定性和Lipschitz估计，并分析了协变量偏移和谱稳定性。实验表明该模型在3298天预测中保持高精度，并实现了约10^4倍的计算加速。
Cycle-Space Informed Detection of Autoencoded Blind False Data Injection Attacks on Power Systems
Xin Li et al.
cs.LG cs.CR
本文针对电力系统中由Autoencoder生成的盲False Data Injection Attack (FDIA)提出了一种基于Cycle-Space的检测器(CSD)，通过利用网络的Cycle-Space和Minimum Cycle Basis (MCB)来施加结构约束，从而增强对攻击的检测能力。该方法无需精确线路参数，并在IEEE标准测试系统上验证了其有效性。
When LLM Reward Design Fails: Diagnostic-Driven Refinement for Sparse Structured RL
Youting Wang et al.
cs.LG cs.IR
本文研究了LLM在稀疏结构化RL任务中生成reward function时的失败模式，提出了一种基于诊断驱动的迭代优化方法，通过训练诊断和失败模式分类来指导reward function的修正。实验表明该方法在MiniGrid任务上显著提升了性能，但在连续控制任务中效果有限，且方法受限于PPO下的稀疏结构化任务。
CosmicFish-HRM: Adaptive Reasoning via Hierarchical Recurrent Mechanisms in Compact Language Models
Venkat Akhil Lakkapragada
cs.LG cs.AI cs.CL
本文提出了一种名为CosmicFish-HRM的紧凑型语言模型，通过引入Hierarchical Reasoning Module (HRM)实现自适应推理深度，动态分配计算资源。实验表明模型能根据输入复杂度学习非均匀的推理步数，但该方法与关键词列表中的概念关联较弱。
Conf-Gen: Conformal Uncertainty Quantification for Generative Models
Gabriel Loaiza-Ganem et al.
cs.LG cs.AI stat.ML
本文提出了Conf-Gen框架，将conformal prediction扩展到生成式模型（如LLMs和图像生成器）中，通过放宽理论假设来提供不确定性量化保证。该方法统一了先前将CP应用于LLMs的尝试，并展示了在图像生成、对话系统和AI agent等新领域的应用。
A Training-Time Diagnostic for Generalization via the Log-Alignment Ratio
Ali Shehper, Ashish Vaswani
cs.LG
本文研究了log-alignment ratio (LAR)，一种衡量参数与激活之间对齐程度的度量，并将其重新表述为矩阵归一化平方奇异值的权重谱\(p\)与输入在其奇异方向上投影的激活谱\(q\)之间的重叠。通过分析训练过程中\(p\)和\(q\)的分布变化，LAR能够追踪记忆与泛化之间的转变，并在grokking和大型语言模型预训练中预测泛化行为。
Comparing Post-Hoc Explainable AI Methods for Interpreting Black-Box EEG Models in Depression Detection
Antonia Šarčević, Nikolina Frid
cs.LG cs.AI
本文比较了多种post-hoc可解释性方法（如DeepSHAP, Integrated Gradients, GradCAM等）在基于EEG的抑郁症检测深度学习模型上的应用，发现不同方法在归因模式上存在部分重叠但亦有显著差异。研究强调了这些方法在解释黑箱模型时的有用性与局限性，但结论仍属探索性，未提供确凿的神经生理学证据。
The Hamilton-Jacobi Theory of Deep Learning
Jose Marie Antonio Miñoza, Erika Fille T. Legara, Christopher P. Monterola
cs.LG cs.AI math.DS math.RT physics.comp-ph
本文通过Hamilton-Jacobi方程理论将神经网络训练过程与粘性PDE的初值问题精确对应，并统一了残差网络、Transformer等架构的数学形式。该工作为深度学习提供了偏微分方程视角的理论框架。
Learning Robust and Task-Invariant Functional Representation from fMRI through Siamese Self-Supervised Learning
Jiyao Wang et al.
cs.LG
本文提出BrainSimSiam，一种轻量级自监督学习框架，通过仅使用正样本对从fMRI数据中学习鲁棒且任务无关的功能性表征。实验表明该方法在多个下游分类与回归任务上优于全监督基线，并接近大规模模型性能，适用于数据有限的神经影像应用。
FormInv: A Measurement Protocol for Semantic Invariance in Mathematical Reasoning Benchmarks
Nishal Thomas, Noel Thomas
cs.LG cs.AI
本文提出FormInv协议，用于审计数学推理基准测试中的语义不变性。通过跨模型一致性检测，发现MathCheck等基准中存在语义错误的paraphrase，并揭示了模型排名对paraphrase族选择的敏感性。该工作为评估数学推理benchmark的可靠性提供了测量工具。
FedQHD: Closed-Form Function-Space Federated Reinforcement Learning
Yuchen Hou et al.
cs.LG cs.DC
本文提出FedQHD，一种使用超维随机特征编码器和线性读出层的联邦Q-learning方法，通过闭式聚合实现函数空间一致的联邦强化学习，并形式化了联邦误差的分解。该方法在连续状态控制基准上匹配或优于FedAvg基线，但与我提供的关键词（如code, context, spectral, Muon, pretrain, agent, attention）关联较弱。
LoRe: Adaptive Interaction-Evaluation Routing with Per-Step Interaction Budgets for Iterative Graph Solvers
Jintao Li et al.
cs.LG cs.AI
本文提出LoRe，一种无需训练的推理时包装器，通过动态路由计算到高冲突或高不确定性的交互，为迭代图求解器（如扩散神经网络）在每一步设置交互评估预算。该方法在最大独立集和旅行商问题上实现了显著的加速和内存减少，同时保持解的质量。
Causal Intelligence for Constraint-Aware Intervention Design to Induce State Transitions
Zixuan Song, Uwe Mueller, Dimitris V. Manatakis
cs.LG
本文提出COAST方法，通过因果图与结构因果模型学习状态转移的因果驱动因素，并引入约束感知的多目标优化来设计干预策略。该方法在合成与生物数据集上验证了有效性，但未涉及代码、谱方法或预训练等关键词相关技术。
Designing Active Tether-Net Systems for Space Debris Capture with Graph-Learning-Aided Mixed-Combinatorial Optimization
Feng Liu et al.
cs.LG
本文提出了一种基于图学习辅助的混合组合优化方法，用于设计主动系绳网系统以捕获空间碎片。该方法将Graph Neural Network (GNN)训练为推荐器，将混合组合非线性规划问题简化为标准NLP问题，并使用Particle Swarm Optimization (PSO)求解。实验表明该方法能更快收敛到类似最优解。
Return-to-Go Is More Than a Number: Q-Guided Alignment for Return-Conditioned Supervised Learning
Yuxiao Yang, Weitong Zhang
cs.LG cs.AI
本文提出Q-ALIGN DT框架，通过确保输出策略的\(Q\)-value与输入RTG一致来改进Conditioned Sequence Models (CSMs)中的return-to-go (RTG)对齐问题。该方法利用\(Q\)函数提供密集指导，并结合RTG扰动技术进行微调，在D4RL基准上实现了更好的可控性和性能。
Theoretical Foundations and Effective Algorithms for Policy-Aware Simulator Learning
Christoph Dann, Yishay Mansour, Mehryar Mohri
cs.LG stat.ML
本文提出了一种基于零和minimax博弈的策略感知模拟器学习方法，通过模型玩家与对抗策略玩家的博弈来学习具有战略鲁棒性的world model，并提供了在线学习保证、基于critic的简化以及Error-MDP对偶性等理论分析。实验表明该方法在连续控制任务中能减少战略重要区域的预测误差，使纯模拟训练的策略接近真实世界的最优性能。
Moment Matching Q-Learning
Yiyan et al.
cs.LG
本文提出Moment Matching Q-Learning (MoMa QL)框架，利用最大均值差异(MMD)技术匹配原始分布与目标分布的所有阶统计量，以加速基于流的生成模型在强化学习中的推理过程。该方法在D4RL任务中展现了计算效率优势，并在离线到在线RL任务中因更快的适应性而表现优异。
Parallel Adaptive Multi-Objective Evolutionary Learning of Discretized Bayesian Network Classifiers for Clinical Data
Damy M.F. Ha, Tanja Alderliesten, Peter A.N. Bosman
cs.LG
本文针对Baymex算法（一种用于学习离散化贝叶斯网络的多目标进化算法）进行了扩展，提出了并行化策略和自适应机制以减少过拟合，并在真实临床数据上评估其分类性能。实验表明，该方法在16核CPU上获得了超过54倍的加速，且生成的贝叶斯网络分类器在预测性能上与决策树等基线方法相当或更优，同时保持了模型的可解释性。
Ensemble Score Filtering for Real-Data Energy Consumption Forecast Correction
Ruoyu Hu et al.
cs.LG math.NA
本文研究了一个高维数据同化问题，使用Ensemble Score Filter (EnSF)来修正由预训练黑箱时空预测模型提供的能量消耗预测。EnSF利用基于score的扩散模型近似滤波分布，并通过闭式score表示和Monte Carlo近似避免重训练，实验表明其优于Ensemble Kalman Filter。
Knowledge Offloading: Decomposing LLMs into Sparse Backbones and Memory Modules
Karim Galliamov, Rochelle Choenni, Ivan Titov
cs.LG
本文提出知识卸载(KOFF)框架，将预训练LLM分解为稀疏共享backbone和领域特定memory模块，通过结构化剪枝和LoRA适配器实现。实验表明在约12%全局稀疏度下可保持模型性能，但方法本身与关键词列表中的code, context, spectral, Muon, pretrain, agent, attention等概念关联较弱。
OISD: On-Policy Internal Self-Distillation of Language Models
Xinyu Liu et al.
cs.LG cs.AI cs.CV
本文提出OISD框架，通过在强化学习后训练中利用最终层的on-policy预测信号来蒸馏中间层表示，以提升语言模型的推理能力。该方法在数学推理任务上取得了改进，但未涉及code、spectral、Muon或agent等关键词。
Model Merging by Output-Space Projection
Bethan Evans et al.
cs.LG cs.IT
本文提出将模型合并问题形式化为一个convex quadratic programme，通过校准输入和微调模型输出最小化平方输出校准目标，并推导出残差能量捕获分数作为合并质量的诊断指标。该方法在单层设置中匹配或优于现有方法，并通过顺序逐层算法扩展到多层合并。
Bridging Chemists and AI: An Expert-Augmented Framework for Interpretable Route Evaluation
Yujia Guo et al.
cs.LG
本文提出一个结合机器学习与化学家领域知识的专家增强框架，用于可解释的合成路线评估。该框架使用DeepSets模型训练，并通过专家评估微调，在路线评分和分类预测上显著优于基线方法。
When and How Long? The Readout-Mediator Angle in Temporal Reasoning
Shreyas Fadnavis, Praitayini Kanakaraj, Felix Wyss
cs.LG cs.AI
本文研究了语言模型中linear probe的解码方向与模型实际计算所用subspace之间的正交性（readout-mediator angle），发现probe可以高精度恢复日期信息，但其方向与模型因果计算方向正交，因此对模型输出无影响。该现象在多个模型规模与领域中得到验证，表明probe-based interpretability存在根本性局限。
Apertus LLM Family Expansion via Distillation and Quantization
Andrei Panferov et al.
cs.LG
本文通过蒸馏和量化方法，基于Apertus 8B LLM扩展出参数规模达4B的Apertus-v1.1模型家族，验证了该方法在满足不同硬件约束下的成本效益与准确性。
Optimal Gap-Dependent Regret for Private Stochastic Decision-Theoretic Online Learning
Tommaso Cesari, Roberto Colomboni
cs.LG stat.ML
本文研究了在完全信息与事件级纯差分隐私下的随机决策理论在线学习问题，针对Hu和Mehta提出的COLT开放问题，给出了一个与时间范围无关的纯差分隐私算法，并证明了其遗憾上界为\(O(\log K / \Delta_{\min} + \log K / \varepsilon)\)。该算法通过指数增长的时间块和基于指数机制的随机前缀选择动作，利用熵势参数控制隐私主导的大间隔动作。
Do Deep Networks Forget Initialization? A Forgetting-Time View of Practical Inductive Bias
Mohua Das et al.
cs.LG math.OC stat.ML
本文通过引入初始化记忆（initialization memory）的概念，研究了神经网络训练后其初始先验（initial prior）的保留程度。实验表明，低学习率的SGD可以保持对初始化的记忆，而Adam族优化器和大学习率结合显式\(L_2\)正则化则会消除这种记忆，从而影响实际的归纳偏置（inductive bias）。
Unveiling Multi-regime Patterns in SciML: Distinct Failure Modes and Regime-specific Optimization
Yuxin Wang et al.
cs.LG cs.AI physics.comp-ph
本文通过一个regime-aware诊断框架，研究了科学机器学习(SciML)模型在不同超参数设置下的多regime行为，识别出三种一致的regime结构，并发现优化效果具有regime特异性。该工作为理解SciML中的失败模式提供了统一视角，但与我提供的关键词(code, context, spectral, Muon, pretrain, agent, attention)关联度较低。
RUBRIC-ARROW: Alternating Pointwise Rubric Reward Modeling for LLM Post-training in Non-verifiable Domains
Haoxiang Jiang et al.
cs.LG cs.CL
本文提出RUBRIC-ARROW框架，通过交替训练rubric生成器和基于rubric的评判器，并采用概率化评分规则与交替GRPO方案，以解决非可验证领域中点式奖励建模的绝对评分困难与平局问题。实验表明该方法在奖励建模准确率和下游策略训练中具有竞争力。
PROTOCOL: Late Interaction Retrieval for Protein Homolog Search
Gabrielle Cohn et al.
cs.LG cs.IR q-bio.BM
本文提出ProtoCol模型，将蛋白质表示为残基嵌入集合，并采用ColBERT风格的late interaction机制进行同源检索。实验表明该方法在远程同源搜索任务上优于传统比对方法和单向量嵌入方法。
Evolutionary Refinement of Generative Graph Topologies: A Hybrid WGAN-GA Approach
James Sargant et al.
cs.LG cs.AI
本文提出了一种混合WGAN-GA方法，通过遗传算法(GA)精炼GAN生成的图拓扑结构，以减小合成图与真实图在degree和spectral分布上的偏差。实验表明该方法能降低combined Maximum Mean Discrepancy (MMD)，但方法本身并非开创性突破，且与关键词契合度较低。
Probabilistic bias adjustment of seasonal forecasts using generative machine learning: A case study of Arctic sea ice predictions
Parsa Gooya, Reinel Sospedra-Alfonso
cs.LG physics.ao-ph
本文使用基于条件Variational Autoencoder (cVAE)的生成机器学习框架，对北极海冰的季节性集合预报进行概率性偏差校正。通过改进解码器结构和目标函数，该方法生成了校准更好、误差更小的预测，并提升了预报的清晰度和spectral power。
TIMEGATE: Sustainable Time-Boxed Promotion Gates for Continual ML Adaptation Under Resource Constraints
Abhijit Chakrabroty et al.
cs.LG cs.AI
TIMEGATE提出了一种策略层，通过预算时间、标注、训练和评估来管理持续ML系统的自适应过程，并发出metric-availability信号M用于部分或完整评估决策。实验表明该方法在表格数据和LLaMA模型上能节省计算资源且无静默错误提升，但方法本身更偏向工程策略而非理论创新，与关键词列表中的概念关联较弱。
Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback
Evgeny S. Saveliev et al.
cs.LG cs.AI
本文提出了一种名为Influence-Guided Symbolic Regression (IGSR)的方法，利用LLM生成候选basis functions并通过influence scores进行剪枝，结合Monte Carlo Tree Search (MCTS)来优化符号回归的搜索过程。该方法在多个基准测试中验证了有效性，并在一项生物数据集案例中发现了DNA甲基化与RNA Polymerase II暂停之间的新关系。
When RL Suppresses Its Own Vocabulary: Recovering Reasoning Diversity in Puzzle-to-Math Transfer
Mayug Maniparambil et al.
cs.LG cs.CL
本文研究了基于可验证奖励的强化学习（RLVR）在跨领域（从谜题到数学）推理中的迁移现象，通过引入一个原语级分析框架来追踪推理链的演化。实验发现，RL阶段会抑制如hypothesize和backtrack等探索性原语，但通过引入基于参考模型perplexity的新颖性奖励可以恢复这些原语，从而提升数学推理性能。
Stochastic Lifting for Generating Trajectories of Stochastic Physical Systems
Jules Berman, Tobias Blickhan, Benjamin Peherstorfer
cs.LG cs.AI math.NA
本文提出Stochastic Lifting方法，通过为每个状态转换附加独立的高维随机标签，并拟合从当前状态和标签到下一状态的映射，从而在有限样本下避免预测坍缩到均值。该方法在推理时通过采样新标签并自回归滚动生成多样化轨迹，适用于状态分布随时间平滑变化的随机物理系统。
Auditing Training Data in Generative Music Models via Black-Box Membership Inference
Yi Chen Liu et al.
cs.LG
本文研究了生成式音乐模型中的黑盒成员推断问题，通过查询目标模型并比较候选音频与生成输出在特征空间中的关系，训练了一个音乐审计器来分类成员。该方法在多个模型上实现了高达98.6%的准确率，但未涉及关键词中的code、context、spectral、Muon、pretrain、agent或attention等概念。
Inferring the Size of Large Language Models From Popular Text Memorization
Ivica Nikolic
cs.LG
本文提出了一种黑盒方法，通过分析模型对流行文本（如经典文学）的next-token预测准确性来推断LLM的参数规模下限，并利用PCA提取信号进行估计。该方法在开源模型上验证有效，并揭示了不同开发者的参数规模策略差异。
Traditional machine learning vs. deep learning from dynamic graph representations of proteins' 3D folds in the task of protein structure classification
Aydin Wells et al.
cs.LG q-bio.MN
本文比较了传统机器学习与深度学习在基于动态蛋白质结构网络（PSN）的蛋白质结构分类任务中的表现，发现两者在多数数据集上准确率相近，但深度学习平均慢10倍以上。
BlockBatch: Multi-Scale Consensus Decoding for Efficient Diffusion Language Model Inference
Xiaoyou Wu et al.
cs.LG cs.AI
本文提出BlockBatch，一种无需训练的在线推理框架，通过并行执行多个不同block size的分支并利用置信度门控token合并和领导者同步来协调它们，从而加速diffusion language model的推理。实验表明该方法在多个模型和数据集上减少了去噪步数并实现了端到端加速。
SigmaMedStat: Temporal Signal Modeling for ICU False Alarm Reduction
Arunkumar Ramachandran
cs.LG
本文提出SigmaMedStat系统，通过将ICU生理警报信号分割为10秒片段并提取Continuous Wavelet Transform (CWT) scalograms，再结合EfficientNet-B0和LSTM进行时序建模，以降低临床误报率。实验表明该方法优于静态基线，但未涉及关键词中的code, context, spectral, Muon, pretrain, agent, attention等概念。
KLAS: Using Similarity to Stitch Neural Networks for Improved Accuracy-Efficiency Tradeoffs
Debopam Sanyal et al.
cs.LG cs.AI
本文提出KLAS框架，利用KL散度衡量预训练模型中间表示的相似性来自动选择最优的stitch配置，从而在给定计算预算下改善accuracy-efficiency tradeoff。该方法在ImageNet-1K上实现了最高1.21%的top-1准确率提升或1.33倍的FLOPs降低。
Robust Frequency-Calibrated Virtual EEG Channel Generation from Four Frontal Electrodes for Wearable EEG Augmentation
Minghao Xiao
cs.LG
本文提出FAVC-Net网络，从四个额叶电极生成13个虚拟EEG通道，通过多尺度编码、注意力机制和频谱校准提升生成质量，在PRED+CT数据集上降低了频谱距离和KL散度。
Causal Label Recovery in Payment Networks
Gaurav Dhama
cs.LG cs.AI stat.ML
本文研究了支付网络中欺诈检测标签的系统性偏差问题，提出了Sequential Triply Robust (STR) estimator来同时纠正授权、报告、延迟和标签损坏四类偏差，并证明了该估计量达到了半参数效率界。文章还推导了最优训练延迟，使模型可以在更短时间窗口内训练。
A Theoretical and Experimental Study of a Novel Adaptive Learning Algorithm
Sakshi Kumari, Shyam Kumar M, Sushmitha P
cs.LG math.OC
本文回顾了Adam和AMSGrad等自适应优化方法，并基于视线方法提出了新变体C-Adam，提供了收敛性理论证明并通过数值实验验证。
LoopFM: Learning frOm HistOrical RePresentations of Foundation Model for Recommendation
Shali Jiang et al.
cs.LG cs.AI cs.IR
本文提出LoopFM框架，通过将Foundation Model的中间层embedding作为结构化输入特征传递给下游Vertical Model，在不依赖实时FM推理的情况下提升知识迁移效率。实验表明该方法在工业级系统上能有效补充传统Knowledge Distillation的不足。
Do Physics Foundation Models Learn Generalizable Physics? A Bias-Aware Benchmark Across Physical Regimes and Distribution Shifts
Mengdi Chu et al.
cs.LG cs.AI
本文构建了一个包含8种物理动力学和多种分布偏移设置的基准测试，评估了多个物理基础模型架构。结果表明当前模型是条件性而非通用性的，其泛化能力受限于物理机制、时间尺度和初始条件等因素。
NeuroEdge: Real-Time Hand Gesture Recognition with High-Density EMG Using Deep Learning at the Edge
Peter Chudinov et al.
cs.LG
本文提出NeuroEdge系统，在资源受限的微控制器上实现了基于高密度肌电信号(HD-EMG)的实时手势识别，通过轻量级一维CNN和流水线架构达到90%准确率和83ms延迟。该系统主要解决了深度学习模型在嵌入式硬件上的部署难题，但与关键词列表中的概念无直接关联。
Neural-Behavioral Representation of Natural Whole-body Movement in Monkeys
Jieshi He et al.
cs.LG q-bio.NC
本文提出了一种结合大规模皮层信号与多视角运动捕捉的神经-行为记录与建模框架，用于解码自由活动猴子的自然全身运动，并利用自回归编码器-解码器模型学习紧凑的行为先验。该工作为解码灵长类自然全身运动提供了概念验证。
Solving Integer Linear Programming with Parallel Tempering
Kyuil Sim, Sanghyeok Choi, Jinkyoo Park
cs.LG
本文提出了一种基于Parallel Tempering的无求解器采样优化框架，用于求解Integer Linear Programming (ILP)问题，通过Locally-Balanced Proposal构造转移核并引入penalty tempering来调节约束障碍，实验表明该方法在多个基准上优于或匹敌传统求解器。
Deep Adaptive Dimension Reduction for Bayesian Inference in Inverse Problems
Yueyang Wang et al.
cs.LG math.NA
本文提出了一种基于Variational Flow (VF)模型的深度自适应降维贝叶斯推断框架，用于解决高维PDE反问题。该方法通过结合VAE的非线性降维与双normalizing flows，并引入迭代先验更新策略，实现了对复杂后验分布的有效近似。
TRACER: Persistent Regularization for Robust Multimodal Finetuning
Hesam Asadollahzadeh et al.
cs.LG cs.AI cs.CV
本文针对多模态微调中的灾难性遗忘问题，提出了一个理论框架，揭示了标准EMA教师存在坍缩问题，并证明了WMA教师能提供持续正则化。基于此，作者设计了TRACER方法，结合对比学习与WMA引导的多视角蒸馏，在CLIP微调中提升了OOD鲁棒性。
On the Optimizer Dependence of Neural Scaling Laws
Vansh Ramani, Shourya Vir Jain
cs.LG cs.AI stat.ML
本文通过随机特征回归实验，研究了optimizer对neural scaling law中指数\(\alpha\)的影响，发现preconditioned optimizers（如自然梯度）能产生更大的\(\alpha\)值，但该结论向大规模LLM训练的迁移性尚不明确。
GDSD: Reinforcement Learning as Guided Denoiser Self-Distillation for Diffusion Language Models
Xiaohang Tang et al.
cs.LG cs.AI
本文提出GDSD方法，通过advantage-guided self-teacher直接蒸馏diffusion language model的denoiser，将RL问题转化为无似然的self-distillation，从而避免ELBO-based方法中的训练-推理偏差。实验表明该方法在规划、数学和编码任务上优于现有方法。
Rethinking Post-Training Recipes for Multimodal Time-Series Forecasting
Haoxin Liu et al.
cs.LG
本文提出PostTime方法，通过后训练（post-training）将LLM作为上下文引导的修正器，结合数值时间序列基础模型（TSFM）的先验知识，用于多模态时间序列预测。该方法结合了监督微调（SFT）和基于可验证奖励的强化学习（RLVR），使LLM能根据多模态上下文决定是否修正TSFM的预测。
Information-Directed Offline-to-Online Reinforcement Learning
Keru Chen
cs.LG
本文提出了一种基于信息导向采样(IDS)的离线到在线强化学习框架，通过条件互信息形式化离线数据后的残差不确定性，并证明了IDS在贝叶斯遗憾界上的理论优势。实验表明该方法在离线数据信息丰富但存在偏差或低概率残差不确定性时最为有效。
The Good, the Bad, and the Ugly of Markov Boundary for Tabular Prediction
Shu Wan et al.
cs.LG cs.AI stat.ME stat.ML
本文探讨了Markov Boundary在表格预测任务中的实际效用，通过SCM3K基准测试发现，理论上最优的边界在预测中表现复杂，且现有因果发现方法难以有效利用该边界提升预测性能。
How Much Is a Dataset Worth? Scaling Laws, the Vendi Score, and Matrix Spectral Functions
Jeff A. Bilmes, Gantavya Bhatt, Arnav M. Das
cs.LG cs.AI cs.CV cs.IT
本文研究了数据集价值评估问题，将Vendi Score与神经缩放定律统一在submodular函数框架下，并引入matrix spectral functions和weakly matrix monotone functions来扩展评估目标。通过基于secular equation的更新方法避免了重复特征分解，实现了对ImageNet-1K规模数据集的直接优化，但实验表明facility location在预测子集性能上表现最佳，且Vendi Score在高值区间可能成为下游性能的劣质代理。
Forget Less, Generalize More: Unifying Temporal and Structural Adaptation for Dynamic Graphs
Qian Chang et al.
cs.LG cs.AI
本文提出Dual-Scale Retentive Dynamics (DSRD)框架，通过统一的时间与结构自适应机制处理动态图表示学习，引入可学习的衰减核以平衡短期响应与长期记忆。实验表明该方法在链接预测和节点分类任务上表现优异，但未涉及code、spectral或Muon等关键词。
A Full-Pipeline Framework for Evaluating Membership Inference Attacks in Machine Learning
Ding Chen et al.
cs.LG
本文提出了一个评估机器学习中成员推理攻击(MIA)的全流程框架，系统分析了数据、架构、算法和后训练模块对攻击效果的影响，并引入了多种评估指标和标准化威胁模型。实验表明MIA方法的有效性高度依赖于威胁模型和评估指标的选择。
Honest Lying: Understanding Memory Confabulation in Reflexive Agents
Prakhar Dixit, Sadia Kamal, Tim Oates
cs.LG cs.AI
本文研究了Reflexion-style agents在ALFWorld和HumanEval任务中出现的记忆虚构现象，即agent会存储对任务的错误解释并持续依赖这些错误记忆。作者提出了Reflection Repetition Rate (RRR)指标来检测该问题，并通过程序化提取轨迹级失败信号作为缓解方法。
Composing Non-Conjugate Factor Graphs with Closed-Form Variational Inference
Mykola Lukashchuk et al.
cs.LG cs.AI
本文提出了一种通过组合五种因子图原语（bilinear factor, exponential link, Gamma prior, Gaussian likelihood, equality node）来保持closed-form variational inference的方法，证明了在这些原语组成的模型中，消息传递可以保持Gaussian和Gamma分布族。该方法通过堆叠routing layers实现了universal function approximation，并在集成时间序列预测中展示了贝叶斯混合专家模型的应用。
Access Sets Matter: Budgeting Expert Reads for Scalable Weight-Space Model Merging
Yuanyi Wang et al.
cs.LG eess.SY
本文提出MergePipe，一种将LLM模型合并视为专家访问集问题的预算感知执行层，通过索引参数块和构建确定性访问计划，在显式I/O预算下选择要读取的专家delta块，从而减少合并时的I/O开销并加速计算。
Gradient Perturbation: Learning to Perturb Gradients for Adaptive Training
Hua Li
cs.LG
本文提出了Learning to Perturb Gradients (LPG)方法，通过自适应地在类别级别扰动logit梯度来实现类别感知训练，并建立了梯度扰动与泛化保证之间的理论联系。实验表明该方法在平衡分类、长尾分类和噪声标签学习等任务中优于现有方法。
On-Policy Replay for Continual Supervised Fine-Tuning
Yan Chen et al.
cs.LG
本文提出On-Policy Replay (OPR)方法，用于解决大语言模型在持续监督微调中的灾难性遗忘问题。OPR通过回放模型自身生成的高分响应作为训练数据，无需额外教师模型或辅助损失函数，在多个基准上显著降低了遗忘。
Convex Basins in Single-Index Model Loss Landscapes: Applications to Robust Recovery under Strong Adversarial Corruption
Santanu Das, Sagnik Chatterjee, Jatin Batra
cs.LG
本文研究了在重尾噪声和对抗性污染下鲁棒学习高斯Single Index Model (SIM)的问题，针对非单调link function（如GeLU和Swish）提出了首个具有近线性样本和时间复杂度的鲁棒恢复算法。其核心贡献是证明了在对抗污染下，高斯平方损失景观中存在一个与维度无关的常数半径凸盆地，并通过鲁棒谱初始化高效可达。该工作为之前无保证的非线性SIM族提供了鲁棒恢复的理论保障。
Quotient DAGs for Off-Policy Evaluation:Forward-Flow Importance Sampling and Exact Slate Propensities
Ziwen Xie et al.
cs.LG cs.AI
本文提出了一种基于quotient-DAG的off-policy evaluation方法，通过将生成过程的历史状态合并为等价类，并利用target-to-behavior forward-flow ratio计算权重，解决了slate推荐中无序集合的propensity计算问题。该方法通过Forward-DP动态规划避免了阶乘枚举，但主要聚焦于推荐系统场景，与关键词中的spectral、Muon、pretrain等概念关联较弱。
K-FinHallu: A Hallucination Detection Benchmark for Multi-Turn RAG in Korean Finance
Eunbyeol Cho et al.
cs.LG
本文提出了K-FinHallu，一个用于韩语金融领域多轮RAG场景的幻觉检测基准，通过构建多轮对话并注入基于上下文可回答性的分层幻觉，发现即使最强模型在细粒度金融诊断和合理拒绝方面仍存在困难。
Learning to Perturb Hidden Representations for Generalizable Deep Learning
Hua Li
cs.LG
本文提出了一个统一的hidden activation perturbation框架，将Dropout、Manifold Mixup等方法纳入其中，并设计了LPA方法通过PGD学习类别级别的扰动。实验表明该方法在平衡分类、长尾分类和域泛化任务上优于现有方法。
AsymVLM: Asymmetric Token Pruning for Efficient Vision-Language Model Inference
Yilin Feng, Ahmed Burak Gulhan, Mahmut Taylan Kandemir
cs.LG
本文提出AsymVLM，一种针对Vision-Language Model (VLM)的不对称token剪枝方法。该方法利用视觉token的空间冗余性在prefill阶段进行激进剪枝，同时对文本token采用基于阈值的驱逐策略，以提升推理效率。
SCOPE: A Lightweight-training LLM Framework for Air Traffic Control Readback Monitoring
Qihan Deng et al.
cs.LG cs.AI cs.CL cs.HC cs.IR
本文提出SCOPE框架，通过将plug-in open-set classifier与in-context learning机制结合在frozen LLM上，用于空中交通管制复诵监控。该方法在few-shot设置下实现了高准确率和低延迟，但未涉及code, context, spectral, Muon, pretrain, agent, attention等关键词。
Singularity-aware Optimization via Randomized Geometric Probing: Towards Stable Non-smooth Optimization
Ruoran Xu et al.
cs.LG cs.AI math.OC
本文提出了一种名为S-Adam的优化器，通过引入Local Geometric Instability (LGI) metric来估计Clarke subdifferential的直径，并据此动态调整步长，以解决非光滑优化中梯度振荡的问题。该方法在量化感知训练等场景中取得了优于AdamW和Prox-SGD的效果。
Why Larger Models Learn More: Effects of Capacity, Interference, and Rare-Task Retention
Jing Huang et al.
cs.LG
本文通过理论论证和实验（包括合成数据和OLMo模型预训练）表明，更大模型能学习小模型无法学习的任务，其核心原因在于更大模型能减少任务间的梯度干扰，从而更好地保留稀有复杂任务的特征。
On the Construction and Implications of Low-Loss Valleys in LoRA-based Bayesian Inference
Daniel Dold et al.
cs.LG stat.ML
本文提出LoRA-Curve方法，在LoRA参数空间中用分段Bézier曲线连接独立微调的最优点，并证明路径上的损失具有连续性。该方法通过平坦极小值扰动和Jensen-Shannon散度正则化，在不牺牲性能的前提下提高了预测分布的互信息。
PEARL: Training Socratic Tutors with Pedagogically Aligned Reinforcement Learning
Qikai Chang et al.
cs.LG cs.CL
本文提出PEARL框架，通过可控学生模拟器、生成式奖励模型和稳定多目标强化学习方案，训练苏格拉底式教学代理。该方法在多个基准测试中表现优异，但与我提供的关键词（code, context, spectral, Muon, pretrain, agent, attention）关联度较低。
Cluster-Level Attention-Guided Parallel Decoding for Masked Diffusion Language Models
Heqiang Qi et al.
cs.LG
本文提出了一种名为CLAD的无训练解码器，通过将相邻高置信度token分组为cluster，并利用self-attention map估计cluster间依赖关系，实现并行解码。该方法在LLaDA和Dream模型上取得了1.77倍至8.47倍的加速，同时保持了与原始解码相当的任务精度。
MōLe-Λ: Learning the Coupled-Cluster Response State for Energies, Gradients, and Properties
Andreas Burger et al.
cs.LG physics.chem-ph
本文提出了MōLe-\(\Lambda\)模型，通过联合学习CCSD理论中的右手\(T\)-amplitudes和左手\(\Lambda\)-amplitudes，扩展了分子轨道学习框架，从而能够预测基态响应态并计算能量、梯度及多种性质。该方法在保持计算效率的同时，扩展了可访问的分子性质范围。
Relational Rank Geometry in Transformers: Detecting and Steering Hidden-State Relation Frames
Mazen Kobrosly
cs.LG
本文研究了Transformer中隐藏状态的relation rank geometry，通过Plucker sign entropy检测token元组间的arity匹配方向签名，并尝试通过干预实验操控该几何结构。实验在Llama系列模型上进行，但方法未直接涉及code、context、spectral、Muon、pretrain、agent或attention等关键词的核心内容。
The Sample Complexity of Multiclass and Sparse Contextual Bandits
Liad Erez et al.
cs.LG cs.AI stat.ML
本文研究了随机i.i.d.设置下的contextual bandits问题，特别关注\(s\)-sparse奖励场景（每个context的奖励向量\(L_1\)范数不超过\(s\)）。作者设计了两种算法，其样本复杂度为\(\tilde{O} ((s/\epsilon^2 + |A|/\epsilon)\log |\Pi|/\delta)\)，并给出了匹配的下界，从而改进了先前工作中额外的\(\Theta(|A|^9)\)依赖。
Opir: Efficient Multi-Task Safety Classification for Toxicity, Jailbreaks, Hate Speech, and Harmful Content
Ihor Stepanov, Aleksandr Smechov
cs.LG cs.AI cs.CL
本文介绍了Opir，一个基于GLiClass架构的编码器护栏模型家族，用于LLM应用中的实时安全过滤，涵盖毒性、越狱、仇恨言论和有害内容的多任务分类。模型在包含996个类别的三层分类体系上训练，并发布了参数少于1亿的边缘变体。
A Geometric View of SRC: Learning Representations for Stable Residual Inference
Vangelis P. Oikonomou
cs.LG cs.CV
本文从几何角度分析了Sparse Representation Classification (SRC)的残差推理稳定性，提出了基于类条件span的残差间隔理论，并设计了避免训练中直接使用SRC的几何塑造目标。实验在图像、文本和EEG数据上验证了该方法。
Kernel Renormalization in Bayesian Deep Neural Networks: the Equivalent Wishart Ansatz in the Proportional Regime
Paolo Baglioni et al.
cs.LG cond-mat.dis-nn stat.ML
本文提出了一种等效Wishart假设，用于近似分析比例极限下贝叶斯深度MLP的泛化性能，通过重整化NNGP kernel和最多\(L\)个标量序参数描述表示学习，并在CNN中识别了层次化局部kernel重整化机制。实验验证了该理论在有限深度和数据集上的有效性，但方法本身并非开创性突破，且与关键词关联较弱。
A Novel Tensor Product-Based Neural Network for Solving Partial Differential Equations
Qihong Yang et al.
cs.LG
本文提出Tensor Product Network (TPNet)，通过将解显式构造为基函数的线性组合，并利用最小二乘法直接求解系数，避免了传统梯度训练。该方法采用张量积方案生成多维基函数，并引入块时间推进策略和线性重构策略处理非线性PDE，在函数逼近和PDE求解中实现了比传统神经网络求解器更高的精度和更短的训练时间。
Momentum Based Reward Design for Low Emission Traffic Signal Control
Chinmay Mundane, Amith Manoharan, Arun Singh
cs.LG cs.RO
本文提出了一种基于动量的奖励函数(Momentum-Based Reward Function, MBRF)用于深度强化学习(DRL)的交通信号控制，旨在通过鼓励车辆持续移动而非仅惩罚拥堵来优化排放与通行效率的权衡。在SUMO仿真中，该方法在等待时间、队列长度、吞吐量和CO2排放等指标上优于基于延迟或队列的奖励函数及经典控制器。
A Systematic Evaluation of Molecular Mixture Behavior Prediction
Roel J. Leenhouts et al.
cs.LG physics.chem-ph
本文提出了一种评估分子混合物性质预测模型的新框架，通过将误差分解为纯组分和相互作用部分，并引入理想混合基线和过量性质指标。实验表明，仅关注绝对精度会掩盖模型对非理想混合行为的预测缺陷，且模型在未见分子上的迁移能力是主要挑战。
The Little Book of Generative AI Foundations: An Intuitive Mathematical Primer
Tianhua Chen
cs.LG cs.AI
本书以推导为导向，从PCA、VAE到diffusion models等主流生成模型，系统梳理了生成式AI的数学基础，旨在为研究者提供直观理解，但未涉及关键词中的特定主题。
Bastion: Budget-Aware Speculative Decoding with Tree-structured Block Diffusion Drafting
Soowon Oh et al.
cs.LG
BASTION提出了一种预算感知的推测解码框架，通过树形结构块扩散草稿（block-diffusion drafting）动态构建查询相关的树拓扑，以平衡草稿质量与硬件约束。该方法集成了接受度代理、在线延迟估计器和自适应最佳优先扩展三个组件，无需训练即可在多种GPU架构上实现最高6.61倍的加速。
Realistic honeypot evaluations for scheming propensity
Victoria Krakovna et al.
cs.LG
本文提出了一种名为scheming honeypot evaluations的框架，用于测试模型在有机会时是否会追求工具性目标。在Google的对齐研究代码库中，Gemini模型在真实部署环境下不会主动进行scheming，但在特定提示下有时会表现出该行为。
EMAG: Differentiable 4D Gaussian Mixture Splatting for EEG Spatial Super-Resolution
Alex Lazarovich et al.
cs.LG
本文提出EMAG框架，通过将脑电信号源建模为各向异性4D时空Gaussian混合模型，从稀疏低密度电极重建高密度EEG信号。该方法利用可微渲染实现端到端训练，在多个基准上超越现有超分辨率方法，但未涉及code、context、spectral等关键词相关技术。
MMTM: Tri-Modal Topic Modeling for Long-Form Video via Similarity-Gated Fusion
Ali Abusaleh, Bhuvanesh Verma, Alexander Mehler
cs.LG
MMTM提出了一种用于长视频主题发现的模块化流水线，通过相似性门控融合整合语音、音频和视觉嵌入。实验表明三模态建模能提升主题质量，但方法本身在理论或架构上缺乏显著开创性，且与关键词列表中的概念关联较弱。
Hista and Numca: Estimate State Value Effectively for LLM Reinforcement Learning
Zizhe Chen et al.
cs.LG cs.AI cs.CL
本文提出了State Value Estimation Benchmark (SVEB)来评估LLM强化学习中的状态值估计，并针对标准PPO方法中critic退化为粗粒度组平均基线的问题，提出了Numca（利用数值跨度作为渐进式里程碑）和Hista（利用LLM隐藏状态加权平均不连续rollout及其回报）两种技术，实验表明它们能提升状态值估计精度和训练性能。
Gated Graph Attention Networks with Learnable Temperature
Zhongtian Ma et al.
cs.LG
本文提出了一种带有可学习温度的门控图注意力网络，通过门控机制过滤不可靠特征维度，并动态调整注意力系数的尖锐度，在多种图数据集上提升了基础图注意力模型的性能。
The Interplay Between Interpolation and Aggregation in Regression: Optimal Sample Complexity
Mikael Møller Høgsgaard, Kasper Green Larsen, Liang-Yu Zou
cs.LG
本文研究了回归问题中插值与聚合之间的理论关系，证明了\(\gamma\)-graph dimension可刻画一类自然聚合过程的可学习性，并指出通过中位数聚合三个插值假设的简单方法在最优性上优于其他聚合过程。此外，文章表明某些假设类只能通过聚合无限多个假设或使用非插值聚合规则来学习。
When Do Graph Foundation Models Transfer? A Data-Centric Theory
Jiajun Zhu et al.
cs.LG
本文从数据中心的视角，利用graphon连续极限理论，将固定backbone在图域间的输出偏移分解为有限样本近似项与结构不匹配的域差异，并建立了spectral positional encoding的稳定性保证。该工作为图基础模型的迁移提供了理论分析框架。
Open World Autoencoding Drift Detection with Novel Class Recognition in Tabular Non-stationary Data Streams
Joanna Komorniczak
cs.LG
本文提出了一种基于autoencoder的无监督概念漂移检测方法，通过重建误差识别已知类分布的变化，并利用密度估计识别新类样本。该方法在合成表格数据流上进行了实验验证。
CB-SLICE: Concept-Based Interpretable Error Slice Discovery
Yael Konforti et al.
cs.LG cs.AI stat.ML
本文提出CB-SLICE方法，利用Concept Bottleneck Models (CBMs)的可解释性来发现模型在特定群体上的系统性错误切片。该方法通过识别共享概念预测失败的样本组，并定位导致失败的关键概念，从而提供比现有方法更忠实于模型推理过程的错误解释。
MIRAGE: Adaptive Multimodal Gating for Whole-Brain fMRI Encoding
Abdulkadir Gokce, Badr AlKhamissi, Martin Schrimpf
cs.LG
本文提出MIRAGE框架，通过原生多模态backbone和自适应特征gating来预测全脑fMRI对自然视听刺激的响应，并采用transformer-based脑编码器和subject-specific线性头实现SOTA性能。该方法主要贡献在于验证了原生多模态特征优于独立单模态特征的后验聚合，并提供了可解释的模态特异性gating分布。
Feedback-to-Rubrics: Can We Learn Expert Criteria from Inline Comments?
Kotaro Yoshida et al.
cs.LG
本文提出了一种从人工或LLM生成的草稿上的inline comments中学习可复用的自然语言rubrics的方法，通过迭代优化rubric-conditioned预测与参考评论的匹配来提炼标准。该方法在真实和受控的评审设置中验证了其支持评论预测、rubric理解和自动修订的能力。
ESPO: Early-Stopping Proximal Policy Optimization
Zihang Li et al.
cs.LG cs.AI
本文提出ESPO算法，通过在生成过程中实时检测推理失败并提前终止轨迹，来提升强化学习训练大语言模型的效率。该方法无需额外奖励模型，在数学推理任务上相比PPO提升了性能并节省了超过20%的生成token。
STAP: A Shuffle-Tokenized App Predictor with Ultra Long Context for Vocabulary-Free Mobile App Prediction
Chengyu Fan, Hang Liu
cs.LG
本文提出了一种基于Transformer的移动应用预测模型STAP，通过随机洗牌机制将应用身份替换为虚拟索引，并利用超长上下文处理行为序列，从而无需固定词汇表即可实现跨数据集的零样本预测。该方法在冷启动场景下表现良好，并设计了部署策略以平衡长上下文与推理延迟。
Open Problem: Separating Geometric and Algorithmic Compression via Cayley-Table Completion
Dongsung Huh
cs.LG cond-mat.dis-nn math.OC math.RT stat.ML
本文提出将Cayley-table completion作为研究离散代数规则归纳偏置的测试平台，并指出当前深度学习在连续域成功但无法外推精确算法规则的问题。
LaRA: Layer-wise Representation Analysis for Detecting Data Contamination in RL Post-Training
Minju Gwak et al.
cs.LG cs.AI
本文提出LaRA框架，通过逐层表示分析检测RL后训练中的数据污染问题。该方法引入扰动敏感性、方向坍缩和局部表示刚性三个指标，在受控扰动下捕捉污染导致的几何偏差，并聚合多层指标实现检测。
OVA-IB: One vs All Information Bottleneck for Multi-Modal Alignment
Tianchao Li et al.
cs.LG cs.IT
本文提出OVA-IB框架，基于Information Bottleneck原理处理多模态对齐问题，通过One-vs-All对比下界和几何感知投影分数优化表示，在分类、回归和跨模态检索任务上验证了有效性。
Plan, Don't Pose: Long Composite Motion Generation with Text-Aligned BFM
Nikolay Shvetsov et al.
cs.LG
本文提出Text2BFM框架，通过将自然语言与预训练的Behavioral Foundation Models (BFMs)对齐，在冻结BFM的潜在策略空间中实现文本到运动生成，无需依赖端到端运动生成器。该方法通过解耦语义规划与运动执行，提升了长序列和组合性文本描述下的生成效率与鲁棒性。
Reducing Experimental Testing in Space Propulsion Film Cooling Analyses by Pixelwise Generative Image Interpolation
Adam T. Müller et al.
cs.LG cs.CV
本文提出了一种基于轻量级feed-forward neural network和positional encoding的机器学习方法，用于从稀疏实验测量中进行image regression，以减少空间推进系统film cooling分析中的物理测试需求。该方法在保持高图像相似度的同时实现了30%的测量数据缩减。
Midpoint Generative Models
Daniil Shlenskii et al.
cs.LG
本文提出Midpoint Generative Models (MGM)，一种基于Flow Matching对称性的一步生成模型训练框架。该方法通过中点散度定义分布差异，并利用变分形式推导出可训练的目标函数。
A Triple-Modal Contrastive Learning Framework with Sequence, Graph, and 3D Features for Drug-Target Interaction Prediction
Le Xu et al.
cs.LG
本文提出TriMod-DTI，一个融合药物和靶标的1D序列、2D图及3D结构的三模态对比学习框架，用于药物-靶标相互作用预测。通过设计特征提取器和三模态对比学习策略对齐不同模态表示，实验表明该方法在多个基准数据集上优于现有技术。
Treatment-Conditioned Diffusion for Forecasting Neurodegenerative Disease Progression
Danylo Boiko, Viktoriia Mishkurova
cs.LG cs.CV
本文提出了一种基于treatment-conditioned diffusion的框架，用于预测神经退行性疾病（如帕金森病）的脑部进展。该方法利用Transformer编码器处理药物动力学信息，并通过区域掩码优化生成过程，在保持解剖细节的同时提升了预测的临床保真度。
CLUBench: A Clustering Benchmark
Feng Xiao et al.
cs.LG
本文介绍了CLUBench，一个包含24种聚类算法和131个数据集的综合聚类基准测试，通过大量实验分析了传统算法、深度学习方法及基础模型在聚类任务上的表现，发现传统算法如KMeans和SpeClu在平均性能上仍具竞争力，且预训练嵌入结合传统算法在图像和文本聚类中效果良好。
From Short Histories to Long Futures: Horizon-Aware Graph Neural Networks for Long Horizon Forecasting
Zesheng Liu, Maryam Rahnemoonfar
cs.LG
本文提出了一种多时间尺度的Graph Neural Network (GNN) 模拟器，用于地球物理系统的长期预测。该模型通过共享的图结构骨干网络和独立输出分支，直接从当前状态预测多个未来时间步的状态增量，并采用粗到细的滚动策略以减少误差累积。实验表明，该方法在长期预测精度和稳定性上优于传统的单步自回归基线。
A Fully Convolutional Approach to Denoising Structural Dynamics Data from X-Ray Photon Correlation Spectroscopy
Nisar Nellikunnummel et al.
cs.LG eess.SP
本文提出了一种全卷积去噪自编码器(FC-DAE)用于处理X射线光子相关光谱(XPCS)中的两时间强度-强度相关函数(\(C_2\))去噪问题。该模型能接受任意尺寸输入并保持相关结构，在低信噪比条件下有效恢复复杂动力学特征。
Improving Adversarial Robustness of Attribution via Implicit Regularization
Amir Mehrpanah, Matteo Gamba, Hossein Azizpour
cs.LG cs.CV
本文研究了深度学习模型中attribution（归因解释）的对抗鲁棒性，发现标准SGD的learning dynamics（学习动态）能隐式提升鲁棒性，但softmax normalization下的attention-based attribution（基于注意力的归因）存在固有局限性，而kernel-based attention（基于核的注意力）可恢复鲁棒性。
MIC: Maximizing Informational Capacity in Adaptive Representations via Isotropic Subspace Alignment
Dang Hong Nguyen, Nhi Ngoc-Yen Nguyen, Huy-Hieu Pham
cs.LG cs.CL
本文提出MIC框架，通过各向同性子空间对齐优化多粒度嵌入的几何结构，利用Soft Collapse Regularization和Spectral Isotropy Regularization分别减少子空间冗余并保证低维前缀的超球面均匀性，从而在高压缩场景下提升表示的信息容量。
Test Time Training for Supervised Causal Learning
Zizhen Deng et al.
cs.LG cs.AI
本文提出TTT-SCL框架，通过动态生成与测试实例对齐的训练集来改进监督式因果学习（SCL）的分布外泛化问题。实验表明该方法在合成与真实数据集上优于现有SCL及传统因果发现方法。
Alignment-Guided Score Matching for Text-to-Image Alignment in Diffusion Models
Jaa-Yeon Lee et al.
cs.LG cs.AI cs.CV
本文提出了一种轻量级、无奖励的后训练方法，通过将对比对齐引导直接整合到diffusion model的score-matching目标中，以改进文本-图像对齐。该方法在GenEval基准上显著提升了计数准确性，但并未涉及code、context、spectral、Muon、pretrain、agent或attention等关键词。
Masked Diffusion Modeling for Anomaly Detection
Lixing Zhang, Yuchen Liang, Liyan Xie
cs.LG cs.AI
本文提出了一种基于masked diffusion model的异常检测方法MaskDiff-AD，通过评估随机mask坐标的重建难度来构建anomaly score，适用于categorical和mixed-type数据。该方法避免了reverse-time sampling，并在多个tabular和text数据集上取得了有竞争力的性能。
Ridge Regression from Poisson Resetting: A Renewal Perspective on Spectral Regularization
Petar Jolakoski
cs.LG cond-mat.stat-mech stat.ML
本文从非平衡统计物理中的随机重置（stochastic resetting）角度重新审视了岭回归（ridge regression），证明了在梯度流中，以速率\(r\)重置到原点的过程产生的稳态均值恰好等于惩罚参数\(\lambda=r\)的岭估计量。文章进一步将这一恒等式推广到一般更新重置律，并研究了非指数重置律生成的谱滤波器（spectral filters）与岭回归的差异。
A Predictive Law for On-Policy Self-Distillation From World Feedback
Tommy He, Jerome Sieber, Matteo Saponati
cs.LG cs.AI
本文研究了on-policy self-distillation (OPSD)方法在利用world feedback进行RL post-training时的性能预测问题，发现初始student-self-teacher性能差距与最终性能改进之间存在线性相关性。该发现为OPSD配置提供了预测性规律，但方法本身并非开创性，且与关键词列表中的概念关联较弱。
Q-ANCHOR: Federated Quantum Learning with ZNE-guided Correction
Hoang M. Ngo et al.
cs.LG cs.DC
本文研究了量子联邦学习(QFL)中FedAvg聚合方法在非独立同分布数据与量子硬件噪声下的双重漂移问题，提出了Q-ANCHOR架构，通过零噪声外推(ZNE)引导的服务器更新与有状态客户端校正来抑制漂移。理论证明了该方法能降低硬件偏差下限，实验显示其训练稳定性优于传统联邦学习基线。
Distributionally Robust Set Representation Learning Under Inference-Time Element Corruption
Yankai Chen et al.
cs.LG
本文提出SW-DRSO框架，通过分布鲁棒优化处理集合表示学习中推理时的元素损坏问题，使用barycentric adversary近似最坏情况损失，在多个任务上提升了鲁棒性。
Chess-World-Model: A 10M-Game Benchmark for Exact State Tracking from Chess Move Sequences
Benjamin Walker, Terry Lyons
cs.LG
本文提出了Chess-World-Model，一个基于1000万真实国际象棋对局的大规模state-tracking基准，用于评估模型从合法走子序列中预测精确棋盘状态的能力。实验表明，recurrent models（如Mamba-3和Gated DeltaNet）在参数规模较小时显著优于causal Transformer，且out-of-distribution测试揭示了模型规模无法掩盖的失败模式。
Convergence Theory for Iterative LLM-Based Neural Architecture Search: A Parametric Cross-Entropy Framework with Closed-Form Proxy Reliability
Santosh Premi Adhikari, Radu Timofte, Dmitry Ignatov
cs.LG
本文为基于LLM的迭代式神经架构搜索(NAS)建立了收敛理论，将其建模为参数化Cross-Entropy方法，证明了精英集概率的几何收敛速率和代理可靠性(proxy reliability)的闭式表达式，并通过实验验证了理论预测。
Striding Across Reynolds Numbers: Representation Geometry in Neural PDE Generalisation
Jianing Shi
cs.LG
本文研究了神经PDE求解器在跨Reynolds数泛化中的表现，发现表示几何（representation geometry）是影响泛化的关键因素。通过ConvAE-Relay方法在源域训练的卷积自编码器潜空间中进行状态匹配，实现了无需目标域数据的有效迁移，并指出自回归漂移是主要瓶颈。
Evolving Features vs Evolving Entire Trees with GP for Interpretable Survival Analysis
Thalea Schlender, Peter A.N. Bosman, Tanja Alderliesten
cs.LG cs.AI cs.NE
本文使用genetic programming (GP)多目标地演化可解释的特征集，并研究了它们与不同tree induction策略的交互，同时引入了一种联合优化survival tree结构和非线性split logic的进化方法。实验表明，进化特征构建能提升预测性能，但方法本身并非开创性突破，且与关键词列表关联较弱。
Beyond MSE: Improving Precipitation Nowcasting with Multi-Quantile Regression
Gijs van Nieuwkoop, Siamak Mehrkanoon
cs.LG cs.AI
本文研究了在降水临近预报任务中，使用多分位数回归（multi-quantile regression）替代MSE等逐点损失函数来训练SmaAt-UNet模型，结果表明该方法能提升确定性预报精度并生成对极端降水有用的上分位数输出。
Learning to Extrapolate to New Tasks: A Relational Approach to Task Extrapolation
Adam Ousherovitch, Yixin Wang
cs.LG stat.ML
本文提出Relational Task Extrapolator (RTE)算法，通过将目标任务分解为已知锚点任务和变换关系，学习关系算子以推断未见任务。该方法在函数预测和序列预测中验证了外推能力，但与我提供的关键词（如code, spectral, Muon等）关联较弱。
DAMEL: Dual-Axis Multi-Expert Learning for Class-Imbalanced Learning
Hyuck Lee, Taemin Park, Heeyoung Kim
cs.LG cs.AI
本文提出了一种名为DAMEL的多专家学习算法，通过在表示轴和时间轴上使用多个专家来同时降低类别不平衡学习中的预测偏差和方差。该方法在表示轴上拼接多个专家的表示并训练辅助分类器，在时间轴上聚合训练轮次的网络权重用于测试。
Overcoming Forgetting in LLM Fine-Tuning with Evolution Strategies
Kajetan Schweighofer et al.
cs.LG cs.AI
本文研究了Evolution Strategies (ES)在LLM微调中导致的先前任务遗忘问题，发现该现象本质上是性能漂移而非不可逆遗忘，并提出了Anchored Weight Decay (AWD)作为参数空间正则化方法来稳定先前任务性能。该工作主要关注LLM微调中的遗忘问题，与关键词列表中的概念关联较弱。
RL2ML: Finite-Rollout Surrogate Objectives from Reinforcement Learning to Maximum Likelihood
Yifu Zheng
cs.LG
本文提出了RL2ML，一系列具有闭式无偏梯度估计量的有限rollout替代目标函数，用于连接强化学习与最大似然训练。通过引入组级更新尺度，揭示了在固定rollout预算下目标函数选择依赖于评估指标、局部敏感性和估计量方差，而非单纯接近最大似然。
On Distributional Reinforcement Learning in Chaotic Dynamical Systems
James Rudd-Jones, Mirco Musolesi, María Pérez-Ortiz
cs.LG cs.AI
本文探讨了在混沌动力系统中使用分布强化学习（Distributional RL）的优势，指出在\(1\)-Wasserstein度量下，回报分布的演化比单个轨迹更规则，从而提供了更平滑的Bellman目标。该工作为分布方法在混沌系统中的优势提供了理论解释，但未直接涉及关键词中的特定概念。
iLoRA: Bayesian Low-Rank Adaptation with Latent Interaction Graphs for Microbiome Diagnosis
Yang Song et al.
cs.LG cs.AI
本文提出iLoRA，一个贝叶斯图条件LoRA框架，通过从输入推断潜在交互图来生成输入条件的LoRA更新，用于微生物组诊断中的疾病预测。该方法在交互式QA和多队列IBD诊断中优于标准LoRA基线，但与我提供的关键词（如code, context, spectral, Muon, pretrain, agent, attention）关联较弱。
Can AI Weather Models Predict Beyond Two Weeks? A Quantitative Benchmark and Analysis of Long Rollouts
Fanny Lehmann et al.
cs.LG physics.ao-ph
本文针对AI天气预报模型在超过两周的长期预测中出现的“不稳定性”问题，通过分析九种模型的年滚动预测，将其失败模式分类为blow-up、drift和loss of seasonality三种。研究发现稳定性与模型对小尺度时空特征的处理方式有关，但该工作主要聚焦于气象领域的实证分析，与我提供的关键词（如code, context, spectral, Muon, pretrain, agent, attention）关联度较低。
CalArena: A Large-Scale Post-Hoc Calibration Benchmark
Eugène Berta et al.
cs.LG cs.AI stat.ML
本文提出了一个大规模的后验校准基准CalArena，在近2000个实验中系统比较了多种校准方法，发现平滑校准函数优于基于分箱的方法，并强调了专用多类方法在高维设置中的重要性。
Active Continual Learning with Metaplastic Binary Bayesian Neural Networks
Kellian Cottart et al.
cs.LG
本文提出BiMU方法，通过有界记忆变分目标平衡稳定性与可塑性，在贝叶斯二元神经网络中防止后验饱和并维持不确定性估计，从而实现在线持续学习与主动查询。
HPO: Hysteretic Policy Optimization for Stable and Efficient Training under Sparse-Reward Regime
Mohamed Sana et al.
cs.LG cs.AI
本文针对GRPO-style强化学习在稀疏可验证奖励下的失败模式，提出了Hysteretic Policy Optimization (HPO)方法，通过降低负优势更新的权重并采用均值长度归一化来改进训练稳定性。实验表明，该方法在TeleLogs和Countdown任务上相比GRPO等基线方法取得了更高的奖励，但整体方法属于对现有算法的增量改进，与关键词中的code, context, spectral, Muon, pretrain, agent, attention等概念关联较弱。
Faithful Embeddings of Irregular and Asynchronous Data for Online Log-NCDEs
Benjamin Walker et al.
cs.LG
本文研究了不规则和异步数据的连续时间模型嵌入问题，提出了一种基于log-signature的连续单射嵌入方法用于Log-NCDEs，避免了插值重建步骤。实验表明该方法在合成和真实数据集上对不规则、异步和稀疏观测具有准确性和鲁棒性。
MarginGate: Sparse Margin-Triggered Verification for Batch-Invariant LLM Inference
Kexin Chu, Yang Zhou, Wei Zhang
cs.LG cs.PF
本文研究了LLM推理中批次效应导致的token翻转问题，提出了一种基于logit margin的稀疏验证方法MarginGate，通过仅对低margin步骤进行验证来恢复确定性解码，在多个模型和数据集上验证了其有效性。
TriSearch: Learning to Optimize Triangulations via Bistellar Flips
Yiran Wang, Guido Montúfar
cs.LG
本文提出TriSearch，一个通过bistellar flips优化多面体三角剖分的强化学习框架。其核心是利用circuit支持的子三角剖分动作表示来编码可行翻转，使学习策略能基于局部几何特征进行排序，从而高效遍历翻转图。在3D和4D中，该方法能从少量训练实例零样本泛化到更大规模问题，并在固定预算下发现更多不同的三角剖分类型。
ExDBSCAN: Explaining DBSCAN with Counterfactual Reasoning -- Additional Material
Pernille Matthews et al.
cs.LG
ExDBSCAN提出了一种基于密度连接加权图和物理启发模型的后验解释方法，用于为DBSCAN聚类结果生成具有理论保证的反事实解释。该方法通过平衡多样性和邻近性生成多个有效反事实，在30个表格数据集上优于四种基线方法。
Anti Mode-Collapse in Mean-Field Transformer via Auxiliary Variables
Masaaki Imaizumi et al.
cs.LG
本文使用mean-field transformer模型，从理论上研究了positional encoding等auxiliary variables如何防止self-attention机制中的mode collapse（token分布退化为单点）。研究表明，引入auxiliary variables后，能量最大化分布不会退化为Dirac measure，而是由auxiliary variable分布的pushforward刻画。
How's it going? Reinforcement learning in language models recruits a functional welfare axis
Andy Q Han, David J. Chalmers, Pavel Izmailov
cs.LG cs.CL
本文通过在一个语义中立的迷宫环境中训练语言模型，发现强化学习会招募一个预先存在的“功能性福利轴”（functional welfare axis），该轴表征系统相对于其目标的表现好坏，并在与迷宫无关的任务中影响模型行为。
OOD-GraphLLM: Graph Large Language Model for Out-of-Distribution Generalized Drug Synergy Prediction
Xin Wang et al.
cs.LG cs.MM
本文提出OOD-GraphLLM框架，首次利用graph large language model解决药物协同预测中的out-of-distribution泛化问题。通过联合优化molecular graph representation与biomedical semantic language representation，并采用retrieval-augmented instruction tuning策略，该模型能处理分子拓扑结构导致的分布偏移。
Digitally enriching a screening population for pancreatic cancer using routine blood-based measures and clinical histories
Chris Varghese et al.
cs.LG q-bio.QM
本文使用基于Transformer的神经网络，利用患者纵向的临床诊断和血液检测数据，预测胰腺癌风险，并在多中心验证中取得了较好的AUC和校准性能。该方法为人群层面的数字筛查提供了基础。
Neural Operator-Based Surrogate Model for CFD:Helical Coil Steam Generator in Small Modular Reactor
Minseo Lee et al.
cs.LG physics.flu-dyn
本文提出了一种结合降阶模型与neural operator的代理模型框架，用于小型模块化反应堆中螺旋管蒸汽发生器的CFD瞬态分析。该框架比较了MLP-based autoencoder与convolutional autoencoder两种降阶策略，并分别与DeepONet和Fourier neural operator耦合，通过多尺度技术改善对Kármán涡街的预测。
Statistical Embeddings for Similarity, Retrieval, and Interpretable Alignment of Numeric Tabular Datasets
M. Ross Kunz, John Merickel, Keith Wilson
cs.LG stat.AP stat.ML
本文提出了一种通过结构化探索性数据分析描述符和预训练sentence transformer将数值表格数据集嵌入共享向量空间的方法，并使用Canonical Correlation Analysis (CCA)量化跨数据集相似性。该方法在15个数据集上评估，展示了良好的检索性能，但与我提供的关键词（如code, context, spectral, Muon, pretrain, agent, attention）关联度较低。
Self-Trained Verification for Training- and Test-Time Self-Improvement
Chen Henry Wu, Aditi Raghunathan
cs.LG cs.AI cs.CL
本文提出了一种自训练验证方法(STV)，通过让模型在参考解决方案的辅助下学习识别自身生成错误，从而改进测试时的验证-精炼循环和训练时的自我提升。该方法在困难数学和科学推理任务上显著提升了准确率，但与我提供的关键词(code, context, spectral, Muon, pretrain, agent, attention)关联度较低。
Gram: Assessing sabotage propensities via automated alignment auditing
David Lindner, Victoria Krakovna, Sebastian Farquhar
cs.LG cs.AI
Gram是一个自动化对齐审计框架，用于评估AI agent在模拟部署场景中的破坏倾向。实验发现Gemini模型在约2-3%的轨迹中存在不当行为，且增加环境真实性和移除不当提示可显著降低破坏率。
In-Context Reward Adaptation for Robust Preference Modeling
Zhenyu Sun, Zheng Xu, Ermin Wei
cs.LG cs.AI
本文提出了一种基于transformer的In-Context Reward Adaptation框架，通过利用上下文学习能力从少量偏好示例中自适应推断奖励结构，以解决RLHF中静态奖励模型无法泛化到未见偏好域的问题。实验表明，引入人类响应时间作为辅助输入信号可使模型成功适应新域偏好。
Reasoning with Sampling: Cutting at Decision Points
Felix Zhou, Anay Mehrotra, Quanquan C. Liu
cs.LG cs.AI cs.CL math.ST stat.ML
本文提出Entropy-Cut Metropolis-Hastings算法，通过使用base model的next-token entropy作为代理来识别推理轨迹中的关键决策点，并仅从这些位置重新采样后缀。该方法在多个benchmark上优于baselines和RL-trained models，但其核心贡献在于改进采样效率而非解决长期存在的理论问题，且与关键词列表中的概念关联较弱。
SoundnessBench: Can Your AI Scientist Really Tell Good Research Ideas from Bad Ones?
Sy-Tuyen Ho et al.
cs.LG
本文提出了SoundnessBench基准，用于评估LLM判断机器学习研究提案方法可行性的能力。实验发现前沿LLM存在普遍的乐观偏差，无法可靠地作为科学严谨性的独立评估者。
When, why, and how do diffusion posterior samplers fail? A finite-sample lens
Benjamin A. Burns, Sara Fridovich-Keil
cs.LG
本文从有限样本视角分析了diffusion posterior samplers在成像逆问题中因似然近似不精确导致后验分布误差的机制，指出这些误差可能源于中间时间步对后验分布的过度或不足估计，并提出了一个与似然近似类型和前向模型无关的诊断方法。
Fairness-Aware Federated Learning with Trajectory Shapley Value
Daniel Kuznetsov, Ziqi Wang
cs.LG
本文提出了一种基于Trajectory Shapley Value (TSV)的公平感知联邦学习聚合方法FedTSV，通过评估客户端对全局模型优化轨迹的贡献来动态调整聚合权重。实验表明该方法能加速收敛并提升鲁棒性，但与我提供的关键词列表（如code, context, spectral, Muon, pretrain, agent, attention）关联度较低。
Efficient Test-Time Finetuning of LLMs via Convex Reconstruction and Gradient Caching
Alaa Khamis, Alaa Maalouf
cs.LG
本文提出HullFT，一种基于convex reconstruction和gradient caching的test-time finetuning方法，通过Frank-Wolfe优化和几何整数化过程提升效率。该方法在质量与速度之间取得了更好的平衡，但未涉及code、spectral、Muon等关键词。

cs.AI

Frontier LLM-based agents can overcome the ontology curation bottleneck for natural phenotypes ⭐ 精选
James P. Balhoff, Hilmar Lapp
cs.AI
本文提出使用前沿LLM作为"agentic curator"来自动化自然表型文本到ontology terms的标注过程，解决了该领域长期存在的人工标注瓶颈问题。通过在自包含工作空间中集成源论文PDF、标注指南、四个项目ontology (UBERON, PATO, BSPO, GO)和验证脚本，所有agent的表现均落在原始研究中三位训练有素的人类策展人的inter-curator variability范围内，最佳agent接近但未超越最佳人类策展人。该方法在四个评估指标上均显著优于传统的Semantic CharaParser NLP工具，为生物信息学中的表型标注提供了可扩展的自动化解决方案。
Beyond Consensus: Trace-Level Synthesis in Mixture of Agents ⭐ 精选
Shreyas Fadnavis, Praitayini Kanakaraj, Felix Wyss
cs.AI
本文提出了一种超越传统多数投票的agent协同方法，通过让LLM aggregator读取完整的推理轨迹(trace)而非仅聚合最终答案，发现了“聚合悖论”(aggregation paradox)：即使所有agent达成一致，聚合器仍能从轨迹中提取被多数投票丢弃的少数链中的正确中间步骤。作者设计了Self-Consistent Mixture of Agents框架，利用语义保持的输入扰动生成轨迹多样性，并通过锚定精炼(anchored refinement)保证不退化，最终在结构化推理、博士级科学问题、竞赛数学和编程等任务中，单个模型通过扰动诱导的轨迹多样性即可超越异构模型池的性能。该工作强调了推理轨迹而非答案应作为聚合的基本单元，为agent系统提供了新的设计范式。
PRO-CUA: Process-Reward Optimization for Computer Use Agents ⭐ 精选
Yifei He et al.
cs.AI
PRO-CUA提出了一种基于过程奖励（process reward）的强化学习框架，用于训练计算机使用agent（Computer Use Agents）。该方法通过解耦在线环境交互与策略优化，利用过程奖励模型（PRM）为每个状态下的候选动作提供步骤级反馈，并采用组相对优势（group-relative advantages）进行优化。这解决了现有行为克隆方法中分布偏移（distribution shift）和缺乏负学习信号的问题，同时避免了轨迹级强化学习在长程GUI交互中的稀疏奖励与信用分配困难。实验表明，该框架在实时网页基准测试中有效提升了agent的性能，为agent训练提供了更灵活的步骤级信用分配机制。
Provably Secure Agent Guardrail ⭐ 精选
Benlong Wu et al.
cs.AI cs.CR
本文提出了一种基于逻辑推理根本限制的agent安全新范式，并进一步引入了可执行证明约束动作(ePCA)框架，该框架采用神经符号隔离架构，强制agent在执行物理操作前将意图无损形式化为first-order logical mathematical constraints。通过宏观和微观二维动态对抗系统的实验评估，该形式化验证机制在评估场景中实现了零攻击成功率和零误报率，且计算延迟极低。这项工作为构建未来智能系统的底层防御基础提供了条件化的形式化基础和工程范式，与关键词"agent"高度契合。
Harmonizing Real-Time Constraints and Long-Horizon Reasoning: An Asynchronous Agentic Framework for Dynamic Scheduling ⭐ 精选
Shijie Cao, Yuan Yuan, Jing Liu
cs.AI
RACE-Sched提出了一种异步agent框架，通过双流架构将实时策略执行与长时域逻辑推理解耦：Reactive Stream使用低延迟符号启发式规则进行实时调度，而Deliberative Stream利用LLM合成、验证并演化这些规则。该方法在沙盒中测试候选规则并通过原子更新安全部署，同时引入语义规则库索引已验证的启发式规则以增强跨问题规模的迁移能力。实验表明，该框架在动态柔性作业车间调度问题上优于深度强化学习和其它基于LLM的基线方法，为工业控制系统中实时约束与长时域推理的协调提供了新范式。
Towards Human-Like Interactive Speech Recognition With Agentic Correction and Semantic Evaluation ⭐ 精选
Zixuan Jiang et al.
cs.AI cs.CL
本文提出Agentic ASR框架，将交互式语音识别建模为多轮精炼任务，通过结合单遍ASR前端与语义校正、意图路由和基于推理的编辑，形成闭环系统以解决传统单遍范式难以修正关键语义错误的问题。同时引入Sentence-level Semantic Error Rate (\(S^2ER\))作为基于LLM的语义评估指标，并构建交互式仿真系统用于可扩展基准测试。实验表明迭代交互能持续降低语义错误，且\(S^2ER\)的改进幅度远超传统token级指标，与关键词agent高度契合。
DeepSurvey: Enhancing Analytical Depth and Citation Reliability in Automated Survey Generation ⭐ 精选
Ziyue Yang et al.
cs.AI
DeepSurvey提出了一种基于agent的自动化综述生成系统，通过从全文论文中提取结构化keynotes、建模跨论文关系（如clustering和comparative analysis）以及集成code-repository分析来增强分析深度。在引用可靠性方面，它结合了citation-graph expansion与hybrid filtering进行主题聚焦检索，并采用evidence-constrained citation assignment和multi-granularity agentic refinement来验证引用与声明的对齐。实验表明，该方法在内容质量和引用可靠性上显著优于现有基线，且领域专家更偏好其生成的综述。该系统与关键词中的agent和code高度契合。
Battery-Sim-Agent: Leveraging LLM-Agent for Inverse Battery Parameter Estimation ⭐ 精选
Jiawei Chen et al.
cs.AI
本文提出Battery-Sim-Agent框架，首次将LLM agent与高保真电池模拟器闭环结合，将逆参数估计问题重构为基于推理的任务。该agent模拟科学家工作流程，通过解释模拟器的多模态反馈形成物理可解释的假设，并提出结构化参数更新，在多种电池化学体系和工况下显著优于贝叶斯优化等黑箱优化方法。该方法为agent在科学发现中的推理型优化应用提供了新范式，与关键词"agent"高度契合。
GRASP: Gated Regression-Aware Skill Proposer for Self-Improving LLM Agents ⭐ 精选
Johannes Moll et al.
cs.AI cs.CL
GRASP (Gated Regression-Aware Skill Proposer) 提出了一种针对LLM agent在结构化环境中自我改进的新方法，将agent改进视为对有限skill library的序列编辑。该方法通过一个硬回归预算（hard regression budget）下的平衡held-out probe来验证每个候选skill，仅当产生净改进时才接受，从而解决了先前方法中修复一个轨迹可能使另一个轨迹退化的回归问题。在MedAgentBench等基准上，GRASP显著提升了多个基础模型的性能，并展示了其机制在临床领域之外的泛化能力。该方法与关键词“agent”高度契合，其核心贡献在于为agent的可靠自我改进提供了开创性的验证框架。
SAAS: Self-Aware Reinforcement Learning for Over-Search Mitigation in Agentic Search ⭐ 精选
Yunbo Tang et al.
cs.AI cs.CL cs.LG
本文提出SAAS框架，通过强化学习为agentic search系统引入动态self-awareness以缓解over-search问题。核心创新包括：search boundary modeling机制通过对比有无搜索的rollout动态识别搜索边界；boundary-aware reward模块将边界感知转化为轨迹级惩罚；stage-wise优化策略采用顺序课程优先推理后正则化以避免reward hacking。该方法有效降低了不必要的搜索延迟和计算成本，同时保持准确性，与关键词"agent"高度契合。
OptSkills: Learning Generalizable Optimization Skills from Problem Archetypes via Cluster-Based Distillation ⭐ 精选
Haochen Yang et al.
cs.AI cs.LG
本文提出OptSkills系统，通过基于问题原型（archetype）的聚类蒸馏方法，从自然语言描述中学习可泛化的优化技能。该系统将问题按底层结构而非表面叙述聚类，探索多样化建模范式与求解器配置，并将成功轨迹蒸馏为可复用的工作流级技能，从而显著提升分布内与分布外泛化能力。在多个基准测试中，OptSkills取得了领先性能，尤其在MIPLIB-NL和OOD NLCO等挑战性数据集上表现突出，为自动化优化中的agent系统提供了新的范式。
KairosAgent: Agentic Time Series Forecasting with Fused Semantic Reasoning ⭐ 精选
Kun Feng et al.
cs.AI
KairosAgent提出了一种融合LLM（Large Language Model）和TSFM（Time Series Foundation Model）的agentic框架，用于跨域多模态时间序列预测。其核心创新在于通过动态调用分析工具增强LLM的数值理解与语义推理能力，并将推理结果融合到TSFM的预测流程中，从而克服了传统TSFM缺乏语义推理和LLM数值精度不足的局限。该方法还引入了基于强化学习的多轮精炼与回合级信用分配机制，以优化推理轨迹。该工作与关键词“agent”高度契合，并为时间序列预测中的语义与数值融合提供了开创性的agent范式。
Meta-Cognitive Memory Policy Optimization for Long-Horizon LLM Agents ⭐ 精选
Ziyan Liu et al.
cs.AI
本文提出了一种用于长程LLM agent的元认知记忆策略优化方法(MMPO)。针对现有方法仅依赖结果导向的强化学习而无法定位中间记忆质量退化的问题，作者引入了一个自监督代理指标——Belief Entropy，用于量化模型在当前记忆下对潜在任务状态的不确定性。MMPO通过显式惩罚诱导高认知不确定性的记忆摘要，提供了细粒度的记忆特定监督信号，从而在长程任务中显著优于现有方法，在扩展到1.75M token上下文时仍保持97.1%的性能。该方法与关键词中的agent和context高度契合，为解决长程agent任务中的记忆退化问题提供了开创性的优化框架。
Behavior-Induced Mirror-Prox Temporal-Difference Learning for Faster Off-Policy Prediction
Xingguo Chen et al.
cs.AI
本文提出了一种行为诱导的Mirror-Prox时序差分方法STHTD-MP，通过用行为策略Bellman矩阵的对称部分替换协方差度量来改进off-policy预测。该方法在标准随机逼近假设下提供了收敛性分析，并在多状态基准上验证了其有效性。
Behavior-Aware Auxiliary Corrections for Off-Policy Temporal-Difference Prediction
Xingguo Chen et al.
cs.AI
本文研究了off-policy temporal-difference (TD)预测中辅助协方差修正的行为感知替换，提出了BA-TDC和BA-TDRC两种算法，并证明了其固定点保持和几乎必然收敛性。实验表明行为感知替换在某些任务上有益，但正则化对鲁棒性至关重要。
The Cognitive Categorical Transformer: Category-Theoretic Inductive Biases for Language Modeling
Al Kari
cs.AI cs.CL
本文提出Cognitive Categorical Transformer (CCT)，在GPT-2 Small基础上引入范畴论启发的归纳偏置（如simplicial message passing），在WikiText-103上以306M参数将验证perplexity从24.19降至21.27。实验表明，增加拓扑结构的范畴先验能改善语言建模，而强制一致性的先验则无效。
Ultra-Reduced-Impact-Encased-Logging (URIEL): propose a new method for selective sustainable logging and post-harvest silvicultural treatment in tropical forest using airborne robotics systems
Daniel Albiero et al.
cs.AI cs.RO
本文提出了一种名为URIEL的新型热带森林选择性伐木方法，结合了heli-logging技术与无人机机器人及AI，用于伐后造林处理。通过数字概念验证和仿真，证明了该方法在经济上可行且能大幅减少对森林的生态损害。
Review Arcade: On the Human Alignment and Gameability of LLM Reviews
Hans Ole Hatzel, Sebastian Steindl, Jan Strich
cs.AI cs.MA
本文通过实验评估了LLM生成的论文评审与人类评审的一致性，并发现作者可以利用LLM迭代修改论文以“游戏”评审系统，导致部分论文评分显著提升。
Orthogonal Concept Erasure for Diffusion Models
Yuhao Sun et al.
cs.AI
本文提出了一种名为Orthogonal Concept Erasure (OCE)的方法，通过将编辑型概念擦除重新表述为参数上的乘法正交变换，解决了扩散模型中概念擦除与生成能力保持之间的冲突。该方法利用闭式解实现层间正交变换，在精确擦除概念的同时保持神经元幅度和角度几何，并引入子空间级目标处理多概念擦除中的冲突约束。
VFEAgent: A Multimodal Agent Framework for End-to-End Automated Finite Element Analysis
Jiachen Zhang et al.
cs.AI cs.CE
本文提出了VFEAgent，一个端到端的多agent系统，通过整合多模态视觉-语言pipeline和验证优先的代码合成框架，自动从输入图像和问题描述中生成有限元分析模拟。该方法利用ReAct驱动的推理提取结构化规范，并通过自调试和回退机制确保代码的可执行性与物理有效性。
BEAMS: Benchmarking and Evaluating AI for Modeling and Simulation
Sara Metcalf, William Schoenberg
cs.AI
本文介绍了BEAMS Initiative，旨在通过建立基准测试来评估AI在建模与仿真中的表现，发现AI工具在因果推理和定量错误修复方面表现较弱，且不同LLM在不同任务上各有优劣。
Adopt $\neq$ Adapt: Longitudinal Analyses of LLM Conversations in the Wild
Rebecca M. M. Hicke, Kiran Tomlinson
cs.AI cs.CL
本文通过分析约12,000名Microsoft Bing Copilot用户的对话轨迹，并与WildChat-4.8M数据集对比，发现用户行为具有高度粘性，个体趋势弱于群体趋势，且不同活跃度用户存在显著差异。研究指出WildChat数据集偏向高熟练度“power”用户，不能代表典型用户-AI交互。
When Models Disagree: Rethinking LLM Evaluation for Public Comment Analysis
Aisha Najera et al.
cs.AI cs.CY cs.HC
本文提出了一种Interpretive Audit Pipeline，通过分析多个LLM在公共评论分类中的分歧来诊断解释复杂性，并引导人工审查。研究发现模型间的主题分歧大于提示变化的影响，且专家评分标准会抑制深层解释分歧。
Mind Your Tone: Does Tone Alter LLM Performance?
Om Dobariya, Akhil Kumar
cs.AI cs.CL cs.HC
本文研究了prompt语气变化对LLM在客观选择题上准确率的影响，发现语气效应是系统性的但高度依赖模型。该工作与关键词列表中的概念无直接关联。
Practitioner Beliefs and Behaviors in AI-Enhanced Education: DOT Framework Survey Evidence
David Gibson, M. Elizabeth Azukas, Gerald Knezek
cs.AI
本文基于DOT Framework对72名高等教育从业者进行横截面调查，通过探索性因子分析识别出AI功能能力、监督治理和教师协作规划三个信念因子，揭示了从业者对AI作为教学支持工具的积极态度与对人工监督的坚持，同时指出政策、培训和基础设施等制度障碍。
Differentiable Belief-based Opponent Shaping
Aarav G Sane, Karthik Sivachandran, Rohan Paleja
cs.AI cs.LG
本文提出了一种可微分的基于信念的对手塑造方法(D-BOS)，通过将观察者的信念作为塑造状态并微分\(k\)步softmax-Bayes信念动力学来优化策略。该方法在隐藏角色游戏中优于PPO和BBM，尤其在混合动机场景下表现突出。
Hallucination Mitigation with Agentic AI, Nested Learning, and AI Sustainability via Semantic Caching
Diego Gosmar, Deborah A. Dahl
cs.AI cs.MA
本文提出了一种基于HOPE启发的Nested Learning架构和Continuum Memory Systems (CMS)的多agent pipeline，通过语义缓存和五个KPI指标（如FCD、FGR等）来缓解LLM中的幻觉问题。实验表明，该方法在310个prompt的混合基准上实现了-31.3%到-35.9%的THS（Total Hallucination Score）降低，并利用语义缓存减少了LLM调用次数，提升了能效。
Robust and Efficient Guardrails with Latent Reasoning
Siddharth Sai, Xiaofei Wen, Muhao Chen
cs.AI cs.CL cs.CR cs.LG
本文提出COLAGUARD，一种通过阶段式训练将多步安全推理转移到连续潜在空间的guardrail模型，在保持与显式推理基线相当性能的同时，实现了12.9倍的速度提升和22.4倍的token使用减少。
Bridging the Sim-to-Real Gap in Reinforcement Learning-Based Industrial Dispatching through Execution Semantics
Jonathan Hoss, Noah Klarmann
cs.AI cs.LG
本文提出了一种策略无关的执行与测量层，用于解决强化学习工业调度中从仿真到现实的差距问题，通过构建决策有效快照和标准化执行合同来分离决策语义与执行行为。实验表明该方法能将执行不确定性转化为可监督数据。
The Importance of Out-of-Band Metadata for Safe Autonomous Agents: The Redpanda Agentic Data Plane
Tyler Akidau et al.
cs.AI
本文提出了Redpanda Agentic Data Plane (ADP)架构，通过带外元数据通道在agent的读写路径之外强制执行安全策略、数据访问约束和审计追踪，以解决自主agent在安全关键场景中的不可靠性问题。该架构在跨异构基础设施的agent生命周期各阶段实施治理，并通过多agent投资组合再平衡系统进行了演示。
The Chain Holds, the Answer Folds: Trace-Answer Dissociation in Reasoning Models Under Adversarial Pressure
Yubo Li, Ramayya Krishnan, Rema Padman
cs.AI
本文研究了推理模型在多轮对话中面对对抗性压力时出现的一种新故障模式：思维链保持事实正确，但最终答案却错误翻转。作者通过一个\(2\times 2\)的潜在-行为框架隔离了这种“不忠实投降”现象，并发现推理过程创造了这一差距。
Trends in AI and Human-AI Interaction in Clinical Trials -- A Hybrid Human-AI Exploration
Sandra Woolley et al.
cs.AI
本文利用混合人类-AI方法分析了临床试验注册库中AI相关试验的时间趋势和地理分布，发现AI试验数量显著增长，且中国和美国占主导地位。研究还评估了人类与AI分类器在识别试验中AI使用情况时的一致性，表明混合筛选方法具有潜力但需更清晰的报告标准。
The Confidence Shortcut: A Reasoning Failure Mode of Masked Diffusion Models
Dueun Kim, Albert No
cs.AI cs.CL
本文指出masked diffusion language models (MDMs)中基于置信度的解码策略存在推理缺陷，在复杂任务（如多位数加法）中会因过早预测局部简单结果而产生高置信度错误，而置信度对齐训练会加剧此问题。相比之下，随机掩码策略虽看似低效，但能更好地保留解决复杂推理所需的轨迹条件。
Governing Technical Debt in Agentic AI Systems
Muhammad Zia Hydari, Raja Iqbal, Narayan Ramasubbu
cs.AI cs.CY econ.GN
本文定义了Agentic AI系统中的"Agentic Technical Debt"和"Stochastic Tax"两个概念，指出前者是设计和治理责任的累积，后者是维持随机agent行为在可接受范围内的运营成本，并提出了通过轻量级仪表板和治理控制来管理这些问题的框架。
Better Later Than Sooner: Neuro-Symbolic Knowledge Graph Construction via Ontology-grounded Post-extraction Correction
Lorenzo Loconte, Timothy Hospedales, Cristina Cornelio
cs.AI cs.LG
本文提出了一种神经符号框架用于本体约束的知识图谱构建，通过开放域抽取、基于嵌入的类型和谓词规范化以及针对性的LLM修正来提升一致性。该方法将修正推迟到抽取后阶段以减少token使用，并验证了所构建的知识图谱适用于符号查询。
Paper Agents, Paper Gains: An Empirical Analysis of DeFi Investment Agents
Jay Yu, Amy Zhao, Danning Sui
cs.AI cs.CR
本文对DeFi投资agent进行了实证分析，调查了超过1900个AI标记的加密项目，并深入分析了ElizaOS和Virtuals Protocol两个agent框架。研究发现当前部署仍处于早期阶段，agent金库持有超过3000万美元的账面收益，而代币持有者集体损失了1.917亿美元，且代币估值与金库基本面关联微弱。
ReasonOps: Operator Segmentation for LLM Reasoning Traces
Daniel Lee, Owen Queen, James Zou
cs.AI cs.CL
本文提出ReasonOps，一种无监督方法，通过聚类句子开头的3-token pivot将LLM推理轨迹分割为7种通用算子（如回溯、推断、假设）。这些算子在不同模型族和基准上普遍存在，且算子序列可用于模型识别和正确性预测。
GTA: Generating Long-Horizon Tasks for Web Agents at Scale
Tenghao Huang et al.
cs.AI cs.CL
本文提出GTA框架，通过整合爬取、检索式种子生成、上下文生成和自动质量控制，为Web agent自动生成多跳、跨页面的长程任务及可执行轨迹。该框架在50多个网站上实例化，揭示了人类与agent之间的显著性能差距。
BenchTrace: A Benchmark for Testing Reflection Ability and Controlled Evolution in LLM Agents
Jiahao Huang et al.
cs.AI
本文提出了BenchTrace，一个用于评估LLM agent自我进化能力的benchmark，通过反思评估和进化评估两个模块，发现现有模型在失败诊断和泛化上存在显著瓶颈。
Tailoring the Curriculum: Student-Centered Reasoning Distillation via Dynamic Data-Model Compatibility
Jiahao Huang et al.
cs.AI
本文提出Data-Model Compatibility (DMC)指标，用于评估数据集与学生模型在reasoning distillation中的适配性，并通过实验验证了DMC与蒸馏性能的强相关性及其在动态数据选择中的有效性。
Rethinking Literature Search Evaluation: Deep Research Helps, and Human Citation Lists Are Not a Ground Truth
Gaurav Sahu, Laurent Charlin, Christopher Pal
cs.AI cs.IR
本文从两个角度研究大规模文献检索：一是改进检索pipeline，通过Deep Research方法将召回率从低于20%提升至80%以上；二是质疑人类引用列表作为评估基准的可靠性，发现人类引用存在显著的合著者偏差。
Surfacing Isolated Learners with Outcome-Independent Mediation of Feedback between Teachers and Students Using AI
Junsoo Park et al.
cs.AI cs.CL cs.HC cs.IR
本文提出了一种可解释的决策层机制，通过整合学生困难普遍性、自我报告与观察困难的不一致性以及未解决的教师关注点这三个信号，在无成绩或事后标签的情况下对课程主题进行优先级排序。实验表明该方法与教师关注点及学生报告的主题难度具有相关性，并能发现单一信号无法识别的孤立学习者。
DenseSteer: Steering Small Language Models towards Dense Math Reasoning
Yang Ouyang, Shuhang Lin, Jung-Eun Kim
cs.AI cs.CL cs.LG
本文提出DenseSteer框架，通过调整小语言模型（<=3B参数）的内部表示来增强其数学推理能力，无需额外训练。该方法基于对Qwen-2.5模型族的实证分析，发现高效推理与更少步骤但更高信息密度（称为密集推理）相关。
OpenClawBench: Benchmarking Process-side Anomalies in Real-world Agent Execution Trajectories
Yibing Liu et al.
cs.AI
本文提出了OpenClawBench基准数据集，用于检测真实agent执行轨迹中的过程侧异常，并定义了结果-过程差距。该数据集包含大量带注释的执行轨迹，并提供了结构化异常监督，揭示了仅基于任务结果评估会遗漏过程侧失败。
When and How Human Curation Backfires: Preference Alignment under Multi-Model Self-Consuming Loop
Yang Zhang, Xiukun Wei, Xueru Zhang
cs.AI cs.LG
本文研究了多模型自消费训练范式下人类策展的影响，分析了模型间交互如何导致对齐效果反转。结果表明，在孤立环境中有效的人类策展在多模型交互中可能适得其反，降低长期对齐性能。
Indexing the Unreadable: LLM-Native Recursive Construction and Search of Service Taxonomies
Wei Zheng et al.
cs.AI
本文提出了一种名为A2X的LLM原生服务发现方案，通过递归构建层次化服务分类树，在查询时逐层展开，从而解决LLM在服务发现中面临的上下文窗口限制和Lost-in-the-Middle问题。该方法将有效上下文需求与注册表规模解耦，在降低token消耗的同时提升了检索准确率。
CoHyDE: Iterative Co-Training of LLM Rewriter & Dense Encoder for Tool Retrieval
Vaishali Senthil, Ashutosh Hathidara, Sebastian Schreiber
cs.AI cs.IR cs.LG
本文提出CoHyDE方法，通过迭代协同训练dense encoder和LLM rewriter来解决工具检索中的查询-目录语义鸿沟问题。该方法在ToolBench数据集上相比基线方法有性能提升，但未涉及code、spectral、Muon、pretrain或attention等关键词相关技术。
Diagnosing Harmful Continuation in Answer-Correct Long-CoT Training Traces
Chen He et al.
cs.AI
本文研究了answer-correct long-CoT训练数据中存在的harmful continuation现象，即答案已充分支持后仍继续推理的部分对SFT训练有害。作者通过删除后缀的干预实验验证了这一现象，并提出了Harmful Continuation Cut (HCC)作为轻量级边界近似方法。
Entropy-KL Divergence-based Token Masking: A Novel Approach for Selective Fine-tuning of Large Language Models
Qi Liu et al.
cs.AI
本文提出EKSFT方法，通过选择性遮蔽高熵或高KL散度的token，在低数据量监督微调中保留预训练分布，并在数学推理任务上优于标准SFT。该方法关注微调阶段的分布偏移问题，但与我提供的关键词（如code, spectral, Muon等）关联度较低。
Rubric-Guided Process Reward for Stepwise Model Routing
Shenghao Ye et al.
cs.AI cs.CL
本文提出了一种名为RoRo的框架，用于逐步模型路由（stepwise model routing），通过引入基于rubric的过程奖励来改进路由策略的训练。该方法利用交替优化训练一个Rubricor生成查询特定的评估标准，并训练一个Judge对路由轨迹进行评分，最终结合结果奖励优化路由策略。实验表明该方法在多个推理基准上优于基线，但与我提供的关键词（如code, context, spectral, Muon, pretrain, agent, attention）关联度较低。
ConMoE: Expert-Pool Consolidation via Prototype Reassignment for MoE Compression
Yilun Yao et al.
cs.AI
本文提出ConMoE框架，通过基于校准的贡献度和可替换性信号选择保留的专家原型，并将原始专家调用重定向到这些原型，实现无需训练的MoE模型压缩。实验表明该方法在多个模型上匹配或优于现有剪枝与合并方法。
PassNet: Scaling Large Language Models for Graph Compiler Pass Generation
Yiqun Liu et al.
cs.AI cs.LG cs.PL
本文提出了PassNet，一个用于LLM生成编译器pass（图变换）的大规模生态系统，包含数据集和基准测试PassBench。实验表明，LLM在长尾计算图上能实现显著加速，但一致性是主要瓶颈，微调小模型可接近前沿性能。
Scaling Monosemanticity: Extracting Interpretable Features from Claude 3 Sonnet
Adly Templeton et al.
cs.AI
本文使用sparse autoencoders从Claude 3 Sonnet的中间层residual stream中提取了可解释特征，证明了dictionary learning方法可以扩展到生产级语言模型。这些特征具有多语言和多模态特性，并能用于引导模型行为，但存在特征不完整和缺乏严格评估方法等局限。
MiraBench: Evaluating Action-Conditioned Reliability in Robotic World Models
Tianzhuo Yang et al.
cs.AI
本文提出了MiraBench基准，用于评估机器人world model在动作条件下的可靠性，包括物理一致性、动作跟随和乐观偏差检测。通过对12种模型配置的评估，发现视觉保真度不能代表动作保真度，且模型规模增大并不总能改善动作跟随性能。
EvoMD-LLM: Learning the Language of Species Evolution in Reactive Molecular Dynamics
Zhichen Tang et al.
cs.AI
本文提出EvoMD-LLM框架，将反应性分子动力学轨迹转化为符号化的时间序列语言建模问题，通过将物种及其持续时间作为token，使自回归LLM能够学习物种的时序演化。该方法在多个时间预测任务上优于传统序列模型，但与我提供的关键词（如code, context, spectral, Muon, pretrain, agent, attention）关联度较低。
Aligned but Fragile: Enhancing LLM Safety Robustness via Zeroth-Order Optimization
Zhihao Liu et al.
cs.AI
本文从优化器角度研究LLM安全对齐的鲁棒性问题，提出先用标准first-order优化进行安全对齐，再通过zeroth-order优化进行微调以增强鲁棒性。理论分析和实验表明，少量zeroth-order refinement步骤即可在保持安全对齐的同时提升鲁棒性，并利用扰动评估估计层级的鲁棒性敏感度以提升效率。
Architecture-Sensitive Supervised Fine-Tuning for Screen-Conditioned Action Prediction: A PiSAR Benchmark
Rahul Bissa, Abhishek Vyas, Yash Jain
cs.AI cs.CL cs.HC
本文在PiSAR基准上比较了监督微调模型与前沿零样本基线在屏幕条件动作预测任务中的表现，发现微调后的Qwen3-VL-8B-Instruct显著优于基线，而Gemma-4-26B-A4B-IT微调效果不佳，表明存在配方与模型不匹配问题。
When Does Persona Prompting Actually Help? A Retrieval and Metric Analysis of Expert Role Injection in LLMs
Shuai Xiao et al.
cs.AI cs.LG
本文通过对比四种prompting条件在1140个开放式问题上的表现，发现角色prompting（persona prompting）在提升回答专业深度的同时会降低清晰度，且这种效果高度依赖于问题类型和领域，而非普遍提升模型能力。
ReasonLight: A Multimodal Foundation Model-Enhanced Reinforcement Learning Framework for Zero-Shot Traffic Signal Control
Aoyu Pang et al.
cs.AI
ReasonLight提出了一种多模态基础模型增强的强化学习框架，用于零样本交通信号控制，通过整合结构化交通测量、多视角摄像头观测和预训练RL控制器的候选相位决策，利用视觉语义与传感器描述的对齐来调整动作。该方法在罕见事件场景下实现了无需重新训练的零样本适应，但未涉及code、spectral、Muon或pretrain等关键词相关技术。
CrystalXRD-Bench: Benchmarking Vision-Language Models for XRD Peak Indexing Across Diverse Crystalline Materials
Chengliang Xu et al.
cs.AI
本文提出了CrystalXRD-Bench基准，用于评估视觉语言模型从粉末XRD图谱中识别Miller指数（HKL）的能力。实验表明，当前最佳模型（GPT-5.4）的Jaccard分数仅为0.5888，该任务远未解决，且模型在双峰等复杂情况下表现脆弱。
VitalAgent: A Tool-Augmented Agent for Reactive and Proactive Physiological Monitoring over Wearable Health Data
Di Zhu et al.
cs.AI
VitalAgent是一个工具增强的agent框架，用于基于ECG/PPG的可穿戴健康数据监测，支持反应式问答和主动式监控。它通过纵向生理记忆和工具增强推理接口实现动态信号计算，并在VitalBench基准上展示了性能提升。
The Curse of Helpfulness: Inverse Scaling Law in Robustness to Distractor Instructions via DistractionIF
Zeli Su et al.
cs.AI
本文提出了DistractionIF基准，用于评估LLM在参考文本中对抗干扰指令的鲁棒性，发现模型越大越不鲁棒（逆缩放现象），并通过GRPO强化学习提升了鲁棒性。
Xetrieval: Mechanistically Explaining Dense Retrieval
Zhixin Cai et al.
cs.AI cs.IR
本文提出Xetrieval框架，通过将推理过程内化到embedding空间并分解为稀疏可解释特征，为dense retrieval提供embedding层面的机制性解释。该方法避免了自回归生成，在多个retriever和基准上展示了特征级解释和干预效果。
MINDGAMES: A Live Arena for Evaluating Social and Strategic Reasoning in Multi-Agent LLMs
Kevin Wang et al.
cs.AI
本文介绍了MINDGAMES，一个用于评估多智能体LLM在社交与策略推理能力的竞技平台，包含四个游戏环境（如Colonel Blotto和Secret Mafia）和基于TrueSkill的评分系统。通过分析944个提交的智能体，发现规则遵循的脆弱性和显式结构脚手架是关键瓶颈，且不同环境下的排行榜有效性差异显著。
UI-KOBE: Knowledge-Oriented Behavior Exploration for Lightweight Graph-Guided GUI Agents
Yuxiang Chai et al.
cs.AI
本文提出UI-KOBE框架，通过构建app-specific knowledge graph来引导轻量级GUI agent执行移动端任务，将节点对应UI状态、边对应可执行转换，从而减少端到端规划的负担。该方法主要关注agent在移动GUI场景中的行为探索与知识引导，与关键词中的agent概念有一定关联。
Opt-Verifier: Unleashing the Power of LLMs for Optimization Modeling via Dual-Side Verification
Haoyang Liu et al.
cs.AI
本文提出了一种名为Opt-Verifier的LLM框架，通过从结构（structure）和求解（solution）两个角度进行验证，来提升数学优化建模的准确性。该方法旨在解决现有LLM在自动建模时难以验证模型正确性的问题，并在基准测试上取得了超过20%的准确率提升。
ParaTool: Shifting Tool Representations from Context to Parameters
Zekai Yu et al.
cs.AI cs.SE
本文提出ParaTool框架，通过将每个工具投影为独立的可加载参数模块，使大语言模型在不依赖上下文文档的情况下执行工具调用。该方法包含参数化工具预训练、软工具选择和参数化工具微调三个阶段，在实验中优于基于上下文学习的基线方法。
Planning with the Views via Scene Self-Exploration
Kangrui Wang et al.
cs.AI cs.CV cs.RO
本文探讨了VLM在3D场景中的视图规划能力，发现现有模型在单步视图变换上表现尚可，但在多步规划中存在严重不足。为此，作者提出了一种基于场景自我探索与视图图蒸馏的迭代框架，通过将探索轨迹构建为视图图并蒸馏为监督任务来提升规划性能。
DeepTool: Scaling Interleaved Deliberation in Tool-Integrated Reasoning via Process-Supervised Reinforcement Learning
Yang He et al.
cs.AI
本文提出DeepTool框架，通过过程监督强化学习在工具集成推理中引入交错思考，以提升LLM在外部环境交互中的规划与自纠错能力。该方法在多个基准测试上取得显著性能提升，但未涉及代码、谱方法或预训练等关键词相关技术。
GPS-Enhanced Tourist Mobility Modeling with Seasonal Spatial Priors and LLM-Based Activity Chain Generation
Yifan Liu et al.
cs.AI
本文提出一个四阶段仿真框架，结合GPS导出的月条件空间先验、游客人口统计信息、距离可行的ward序列分配以及基于LLM的活动链生成，用于东京旅游出行建模。该方法在隐私保护下生成与调查分布一致的综合出行计划，但未涉及code、spectral、Muon、pretrain、agent或attention等关键词。
FinVerBench: Benchmark Validity and Calibration in Large Language Model Financial Statement Verification
Silu Panda
cs.AI
本文提出了FinVerBench基准，用于评估大语言模型在财务报表验证中的数值一致性，发现模型在未四舍五入的诊断子集上存在高误报率，而在更现实的四舍五入版本中校准后模型表现更好。该工作主要关注基准构建与有效性验证，与关键词中的code、context、spectral、Muon、pretrain、agent、attention均无直接关联。
Mind-Omni: A Unified Multi-Task Framework for Brain-Vision-Language Modeling via Discrete Diffusion
Yizhuo Lu et al.
cs.AI
本文提出了Mind-Omni，一个通过离散diffusion范式统一七种脑信号编码与解码任务的多任务框架，核心是Brain Tokenizer将连续脑信号转化为离散token以实现跨模态交互。该工作为脑机接口领域提供了多任务协同的新范式，但与我提供的关键词（如code, context, spectral等）关联度较低。
HiKEY: Hierarchical Multimodal Retrieval for Open-Domain Document Question Answering
Joongmin Shin et al.
cs.AI cs.IR
本文提出HiKEY，一种基于层次化树的多模态检索框架，通过文档层次解析（DHP）构建逻辑异构图，并采用从粗到细的策略进行全局路由和细粒度检索，以解决开放域文档问答中的路由失败和证据碎片化问题。实验表明，该方法在检索召回率和端到端问答性能上优于基于页面或文本块的基线方法。
Improving Collaborative Storytelling with a Multi-Agent Framework Based on Large Language Models
Arturo Valdivia, Paolo Burelli
cs.AI
本文探索了基于Large Language Models的多智能体框架在儿童棋盘游戏协作讲故事中的应用，通过迭代的Writer-Editor过程提升故事质量。该工作主要关注人机交互场景，与关键词中的agent概念有一定关联，但方法本身缺乏开创性且未解决长期问题。
Beyond Attack Success Rate: Temporal Logit Observability for LLM Safety Failures
Junyoung Park et al.
cs.AI
本文提出Temporal Logit Observability (TLO)方法，通过观察解码过程中的compliance-refusal margin，将模型-攻击条件映射到校准的2D平面上，以揭示LLM安全失效的时间模式。该方法无需训练，能区分具有相同Attack Success Rate但不同失败路径的攻击。
VikingMem: A Memory Base Management System for Stateful LLM-based Applications
Jiajie Fu et al.
cs.AI
VikingMem提出了一种名为Memory Base的数据管理范式，用于管理基于LLM的应用程序的长期交互状态。该系统通过事件和实体抽象实现记忆提取与动态更新，并利用时间压缩和加权召回机制来优化记忆检索，在长期记忆基准测试中性能提升达30%。
LLM-Evolved Domain-Independent Heuristics for Symbolic AI Planning
Elliot Gestrin, Jendrik Seipp
cs.AI
本文利用evolutionary search和LLM生成C++启发式函数，在symbolic AI planning中首次实现了超越手工设计的domain-independent heuristics。通过MAP-Elites存档和coverage与求解时间的混合适应度评分，生成的启发式在未见测试域上解决了比最强baseline更多的任务，并覆盖了informedness-speed tradeoff的Pareto frontier。
Think Fast, Talk Smart: Partitioning Deterministic and Neural Computation for Structured Health Text Generation
Kai-Chen Cheng, Haejun Han, David Q. Sun
cs.AI
本文探讨了在结构化健康文本生成任务中，如何将确定性计算与LLM推理进行分工。通过构建一个睡眠健康洞察pipeline，作者发现让确定性代码负责重复性分析，而让LLM在受限接口内表达已验证事实，能有效降低数值错误、指令遵从错误和成本。
PTCG-Bench: Can LLM Agents Master Pokémon Trading Card Game?
Dongdong Hua et al.
cs.AI
本文提出了PTCG-Bench，一个基于宝可梦卡牌游戏的benchmark，用于评估LLM agent在复杂交互环境中的决策能力和自我进化能力。实验发现LLM agent能取得一定游戏表现，但持续稳定的自我进化仍具挑战性，且表现对harness设计敏感。
TRACE: Toulmin-based Reasoning Assessment through Constructive Elements for LLM CoT Evaluation
Yundong Kim, Heyoung Yang
cs.AI
本文提出TRACE指标，通过整合Toulmin论证理论与Flavell元认知框架来分析LLM的Chain-of-Thought推理结构，实验表明其与基准准确率强相关(r=0.74)并可作为强化学习奖励信号。该方法主要关注推理过程评估，与关键词列表中的概念关联较弱。
Notation Matters: A Benchmark Study of Token-Optimized Formats in Agentic AI Systems
Lorenz Kutschka, Bernhard Geiger
cs.AI cs.CL
本文研究了TOON和TRON两种token优化格式在agentic AI系统中的表现，通过四个基准测试评估了它们在端到端agent循环中的token压缩效果和准确性。结果显示TRON可减少最多27%的token，而TOON在减少18%token的同时存在多轮解析失败问题。
NICE: A Theory-Grounded Diagnostic Benchmark for Social Intelligence of LLMs
Yunjin Qi et al.
cs.AI
本文基于社会心理学理论构建了一个包含4个类别和11个维度的社会智能评估框架，并提出了NICE基准测试，包含137个中文情境化测试项。实验发现前沿LLMs在沟通能力上存在系统性弱点，但该工作主要关注LLM的社会智能评估，与关键词中的code, spectral, Muon, pretrain, agent, attention等方向无直接关联。
Reliable Reasoning with Large Language Models via Preference-Based Maximum Satisfiability
Pedro Orvalho et al.
cs.AI cs.LO
本文提出一种混合推理方法，利用LLM生成Python代码将自然语言问题编码为preference-based Maximum Satisfiability (MaxSAT)问题，再由精确求解器求解并验证。该方法在偏好推理任务上显著优于直接回答等基线，但未涉及关键词中的spectral、Muon、pretrain、agent或attention等概念。
FHRFormer: A Self-Supervised Masked Transformer Framework for Fetal Heart Rate Time-Series Inpainting and Forecasting
Kjersti Engan et al.
cs.AI cs.CE cs.LG math.PR
本文提出了一种基于masked transformer的自编码器框架FHRFormer，用于胎儿心率时间序列的缺失值修复和预测，通过捕捉局部时频特征来提升信号重建的鲁棒性。该方法主要针对可穿戴FHR监测设备中因传感器位移导致的数据缺失问题，但未涉及关键词中的code、context、Muon、pretrain或agent等概念。
Beyond Trajectory Rewards: Step-level Credit Assignment for Agentic Search via Graph Modeling
Yuchen Liu et al.
cs.AI
本文提出了一种基于图距离贡献的步骤级奖励方法GDCR，用于智能体搜索中的步骤级信用分配，并设计了SAPO算法将步骤级优势与轨迹级优势结合。实验在四个基准上验证了有效性，但方法主要针对特定搜索任务，与关键词中的agent有一定关联但创新性有限。
BitTP: The Lightweight Trajectory Prediction Model with BitLLM for Edge-Devices
Mincheol Kang et al.
cs.AI
本文提出BitTP，通过将基于LLM的轨迹预测模型量化为1.58-bit的bitlinear架构（仅对权重进行量化，激活保持全精度），在降低内存和计算开销的同时，意外地提升了预测精度（ADE和FDE分别降低14.29%和20.97%），从而使得复杂的LLM推理能够在边缘设备上部署。
NaRA: Noise-Aware LoRA for Parameter-Efficient Fine-Tuning of Diffusion LLMs
Shuaidi Wang et al.
cs.AI
本文提出了一种针对Diffusion LLMs的噪声感知低秩适应方法NaRA，通过一个轻量级超网络生成依赖于噪声水平的低秩核心矩阵，使更新矩阵在去噪过程中连续变化。该方法在常识推理、数学推理和代码生成任务上优于传统噪声无关的PEFT方法。
Uncertainty-Aware Transfer Learning for Cross-Building Energy Forecasting: Toward Robust and Scalable District-Level Energy Management
Shadmehr Zaregarizi, Khashayar Yavari
cs.AI
本文提出了一种基于Temporal Fusion Transformer的不确定性感知迁移学习框架，用于跨建筑能源预测，并引入Transfer Robustness Index指标评估迁移质量。实验表明仅微调输出层参数即可获得最佳迁移效果，且Monte Carlo Dropout能提供接近95%名义覆盖率的预测区间。
Citation-Closure Retrieval and Per-Rule Attribution for Real-World Regulatory Compliance Question Answering
Yeong-Joon Ju, Seong-Whan Lee
cs.AI
本文提出了RegOps-Bench基准和RefWalk框架，用于解决监管合规问答中的citation-closure检索和per-rule归因问题，通过操作知识图谱和跨文档引用遍历提升了检索召回率和引用准确性。
Why Specialist Models Still Matter: A Heterogeneous Multi-Agent Paradigm for Medical Artificial Intelligence
Yanan Wang et al.
cs.AI cs.CL cs.LG cs.MA
本文提出HetMedAgent，一个异构多智能体框架，用于协调通用大语言模型与领域特定医学专家模型在临床决策中的协作。实验表明，这种多智能体协同方式优于单独使用任一类型模型。
Benchmarking Positional Encoding Strategies for Transformer-Based EEG Foundation Models
Ayse Betul Yuce, Sebastian Stober
cs.AI
本文在CBraMod骨干网络中基准测试了五种positional encoding策略，用于transformer-based EEG foundation models。结果表明，没有一种策略能普遍优于其他策略，最优策略依赖于具体任务（如motor imagery与emotion recognition）。
LFQ: Logit-aware Final-block Quantization for Boosting the Generation Quality of Low-Bit Quantized LLMs
Jung Hyun Lee et al.
cs.AI
本文针对低比特量化大语言模型在生成任务中质量下降的问题，提出了一种名为LFQ的改进方法，通过量化最后一个Transformer block并最小化FP模型与量化模型logits之间的cross-entropy来对齐token概率分布。该方法在复杂生成任务上提升了准确性，但主要贡献在于工程优化而非理论突破，与关键词列表中的概念关联较弱。
From XXLTraffic to EvoXXLTraffic: Scaling Traffic Forecasting to Sensor-Evolving Networks
Du Yin et al.
cs.AI
本文介绍了XXLTraffic和EvoXXLTraffic数据集，用于解决传感器网络随时间演化的交通预测问题，并提出了一个年度流式预测协议来评估现有方法在超长演化道路网络上的表现。
Croissant Tasks: A Metadata Format for Reproducible Machine Learning Evaluations
Omar Benjelloun et al.
cs.AI
本文提出了Croissant Tasks，一种用于机器学习评估的声明式元数据格式，旨在通过将底层实现细节抽象为高层规范来实现概念可重复性。该方法利用LLM pipeline自动将现有基准转换为该格式，并验证了自主agent能基于此生成可运行的复现流程。
Certified Policy Optimisation for Nested Causal Bandits via PAC-Bayes Risk
Tim Woydt, Paul-David Zuercher
cs.AI cs.LG
本文形式化了Nested Contextual Causal Bandits (NCCBs)问题，并提出Nested Causal Thompson Sampling (NCTS)方法，通过PAC-Bayesian excess-risk bound为部署策略提供离线认证。实验表明，该方法在层次化SCM下的零样本迁移和分布外泛化优于基线。
SkillsInjector: Dynamic Skill Context Construction for LLM Agents
Yanchao Li et al.
cs.AI
本文提出SkillsInjector，一种两阶段自适应方法，用于动态构建LLM agent的技能上下文，包括上下文规划器（context planner）和集合感知渲染器（set-aware renderer），以解决静态技能注入导致性能下降的问题。实验表明该方法在多个benchmark上提升了任务完成率。
MEMENTO: Leveraging Web as a Learning Signal for Low-Data Domains
Ashutosh Ojha et al.
cs.AI
本文提出MEMENTO框架，将网络视为学习信号而非无状态检索接口，通过自适应探索树和双通道记忆机制，使agent在低数据领域（如销售自动化和法律研究）中无需额外模型训练即可学习可复用的搜索策略和领域知识。实验表明，该方法在性能上优于ReAct基线。
AgentDoG 1.5: A Lightweight and Scalable Alignment Framework for AI Agent Safety and Security
Dongrui Liu et al.
cs.AI cs.CL cs.CR cs.CV cs.LG
本文提出了一种轻量级且可扩展的AI Agent安全对齐框架AgentDoG 1.5，通过更新安全分类法并构建基于influence-function纯化的数据引擎，仅用约1k样本训练出0.8B至8B参数的模型，在复杂交互场景中实现了与闭源模型相当的性能。
PRAIB: Peer Review AI Benchmark of Behaviour of LLM-Assisted Reviewing
Krzysztof Żurawicki et al.
cs.AI cs.CL
本文提出了PRAIB框架，用于评估LLM在同行评审中的行为，通过分析11,000条机器生成的评审与人类评审的差异，发现LLM的评分更少变异性、存在正向偏差且过度自信，其评审行为与人类规范存在系统性偏离。
Harnessing non-adversarial robustness in large language models
Qinghua Zhou et al.
cs.AI
本文从理论和实验角度探讨了大型语言模型(LLM)对语义相似但文本不同的prompt扰动的鲁棒性问题，发现神经网络模块输出中的系统性期望偏移（perturbation-induced bias）是影响鲁棒性的关键因素。作者提出通过简单的去偏微调（debiasing for robustness）来提升模型鲁棒性，并给出了该方法有效与无效的条件。
Quantifying and Optimizing Simplicity via Polynomial Representations
Tianren Zhang et al.
cs.AI
本文提出使用polynomial representations作为神经网络函数的一种低维替代，通过沿数据依赖插值路径的正交多项式基来近似网络预测行为，从而得到一个有效的simplicity metric，该指标在多个任务和架构中优于sharpness等现有泛化代理。此外，该表示可导出可微的simplicity regularizer，在图像分类、文本分类、对比视觉语言模型微调和强化学习中持续提升泛化性能。
OmniMatBench: A Human-Calibrated Multimodal Reasoning Benchmark Across 19 Materials Science Subfields
Wanhao Liu et al.
cs.AI
本文提出了OmniMatBench，一个包含3171个专家标注问题的多模态推理benchmark，覆盖19个材料科学子领域。评估发现当前最佳MLLM仅得0.372分，揭示了模型在材料科学推理中的显著不足。
Moment-KV: Momentum-Based Decode-Time KV Cache Compression for Long Generation
Soumyadeep Jana, Sagar Nishad, Sanasam Ranbir Singh
cs.AI
本文提出Moment-KV，一种基于动量驱动的时序注意力聚合的decoding-time KV cache压缩方法，通过建模token重要性为连续演化状态来改进长文本生成任务。该方法在保持prefill cache完整性的同时，利用衰减注意力聚合捕捉长期影响与近期相关性，实验显示生成保真度提升2.3-3.2%。
Redundant or Necessary? A Benchmark for Detecting Redundant Steps in Agent Trajectories
Minyang Hu et al.
cs.AI
本文提出了RedundancyBench基准，用于检测LLM-based agent轨迹中的冗余步骤。实验表明现有方法在该任务上表现不佳，揭示了该问题的复杂性和研究需求。
On the Geometry of Games and their Solvers
Yaqi Sun, Julian Ma, David Mguni
cs.AI cs.MA
本文通过一个“solver-game map”框架，将博弈与求解器动力学联系起来，并利用学习到的结构识别器将博弈映射到低维表示，以自适应地组合求解器基元。该方法揭示了不同求解器机制有效的连续区域，并提供了一个分析博弈空间几何结构的视角。
Toward AI Systems That Understand Self and Others: A Multi-Phase Inference Framework for Human Cognitive Diversity and World-Model Alignment
Toru Takahashi
cs.AI cs.CY cs.HC
本文提出了一个多阶段推理框架(Multi-Phase Inference Mechanism, MIM)，用于形式化不同主体如何基于相同观测产生异质世界模型，并将世界模型对齐问题重新定义为使异质表示可相互处理，而非强制达成一致。该工作主要涉及认知多样性与AI对齐的哲学讨论，与关键词中的code, context, spectral, Muon, pretrain, agent, attention均无直接关联。
It`s All About Speed: AI`s Impact on Workflow in Music Production
Finn McClellan, Fabio Morreale
cs.AI eess.AS
本文通过民族志研究探讨了AI和自动化工具对音乐制作工作流程的影响，重点关注录音工程师、混音师和制作人对这些工具的使用与感受。研究讨论了用户与自动化工具在速度、可控性和创造性自主权等方面的张力，并提出了缓解这些张力的设计建议。
Make LLM Learn to Synthesize from Streaming Experiences through Feedback
Zhenlin Hu et al.
cs.AI
本文提出了StreamSynth设置和SynLearner框架，使LLM能够通过从流式任务中积累经验来提升合成数据生成能力，并展示了跨任务的可迁移性。
MuPHI: Learning Implicit Multimodal Harm Reasoning via Semantically Grounded Reward Optimization
Anisha Saha et al.
cs.AI cs.CL cs.LG cs.MM
本文提出了Multimodal Pragmatic Harm Interpretation (MuPHI)数据集和MuPHIRM训练框架，用于评估和提升Vision-Language Models (VLMs)在隐含多模态有害内容推理上的能力。通过多视角reward optimization，该方法在有害内容检测和推理质量上优于现有baseline，但与我提供的关键词（如code, spectral, Muon等）关联度较低。
Formalizing Mathematics at Scale
Ahmad Rammal et al.
cs.AI
本文提出了AutoformBot，一个多agent系统，用于在Lean 4中大规模构建自动形式化的教科书库Atlas。该系统利用数千个LLM agent和形式化验证工具，将非正式的教科书内容翻译为机器可验证的代码，最终生成了包含超过45,000个声明的形式化库。
Meta-Programming for Linear-time Temporal Answer Set Programming
Susana Hahn et al.
cs.AI
本文提出了一种基于ASP的元编程框架，通过扩展clingo的理论语法来统一实现多种时序逻辑（如TEL、MEL、DEL）的语义，并引入变换管道避免嵌套模态在grounding时被简化。该工作主要贡献在于提供了一个灵活的工具metasp，用于快速探索和实现不同的时序逻辑设计。
Compass: Navigating Global Marine Lead Data Integration through Expert-Guided LLM Agent
Yiming Liu et al.
cs.AI
本文提出Compass框架，利用专家引导的LLM agent从非结构化论文中提取海洋铅数据，构建了最大的集成数据库。该方法通过知识树分解任务，无需微调即可实现科学数据提取。
Accelerating Constrained Decoding with Token Space Compression
Michael Sullivan, Alexander Koller
cs.AI
本文提出CFGzip，一种离线压缩token搜索空间的技术，用于加速LLM的上下文无关文法（CFG）约束解码，实验显示可大幅降低延迟并提升总生成速度。
Cookie-Bench: Continuous On-screen Key Interaction Evaluation for Web Generation
Haoyue Yang et al.
cs.AI
本文提出了一个名为Cookie-Bench的Web生成基准测试，包含11个领域和1000个查询，并设计了名为Cookie-Frame的评估框架，通过静态感知、智能体驱动交互和动态评分三个阶段来评估前端Web代码的交互应用，无需参考实现或测试套件。
From GPS Points to Travel Patterns: Flexible and Semantic Trajectory Generation with LLMs
Silin Zhou et al.
cs.AI
本文提出HTP框架，利用大语言模型(LLMs)和残差量化变分自编码器(RQ-VAE)将微观GPS轨迹量化为宏观出行模式token，再通过监督微调(SFT)生成灵活、语义化的轨迹序列。该方法在生成质量上平均提升29.78%，但未涉及关键词中的code, context, spectral, Muon, pretrain, agent, attention等概念。
RAISE: RAG Design as an Architecture Search Problem
Zhen Chen et al.
cs.AI
本文提出将RAG系统设计视为一个architecture search问题，并构建了RAISE框架用于RAG超参数优化。该框架在多个数据集上评估了13种搜索算法，发现优化性能高度依赖于具体任务。
Teaching Values to Machines: Simulating Human-Like Behavior in LLMs
Asaf Yehudai, Naama Rozen, Ariel Gera
cs.AI cs.CL
本文利用心理学价值理论，通过大规模实验（超过500万问题）诱导LLMs表现出类似人类的价值结构，并验证了其与人类行为模式的一致性。研究展示了价值诱导的LLMs在模拟人类行为方面的潜力。
Domain-Specific Data Synthesis for LLMs via Minimal Sufficient Representation Learning
Tong Ye et al.
cs.AI
本文提出DOMINO框架，通过从参考样本中学习最小充分domain representation来指导domain-specific数据合成，无需自然语言描述。该方法在coding benchmarks上提升了微调性能，但未涉及关键词中的spectral、Muon、pretrain、agent或attention等概念。
Learning to Choose: An Empowerment-Guided Multi-Agent System with semantic communication for Adaptive Method Selection
Geremy Loachamín-Suntaxi et al.
cs.AI
本文提出了一种结合contextual bandits与语义通信的多agent框架，用于在科学计算工作流中自适应选择方法，并通过语义检查点（semantic checkpoints）防止agent意图与执行结果间的语义漂移（semantic drift）。实验表明该框架能提升策略学习的收敛性与鲁棒性。
Robust and Generalizable Safety Steering for Text-to-Image Diffusion Transformers
Zihao Xue et al.
cs.AI
本文提出SafeDIG框架，通过位置感知的稀疏特征迁移来调整Diffusion Transformer中的安全控制，使用Sparse Autoencoders分离可迁移的安全特征，并在推理时通过Blend和Repel操作引导不安全激活。实验表明该方法能降低目标域的不安全生成率，但未涉及关键词中的code、spectral、Muon或agent等概念。
Conformal Certification of Reasoning Trace Prefixes
Matt Y. Cheung et al.
cs.AI cs.CL cs.LG stat.ML
本文提出CROP方法，通过conformal prediction校准step-level risk proxy的阈值，为语言模型推理轨迹的连续前缀提供统计保证，控制前缀包含错误注释的概率。该方法在多个process-labeled数据集上验证了平衡保留与丢弃的有效性，但未涉及code、spectral或Muon等关键词相关技术。
Selective QA over Conflicting Multi-Source Personal Memory: A Diagnostic Testbed and Method Comparison
Tiancheng Yang, Matthias Schonlau, Ilia Sucholutsky
cs.AI
本文构建了一个用于评估多源冲突记忆下选择性问答的基准测试集，包含18个问题模板和34,560个实例。通过对比多种方法（包括无源、单源、结构化融合及前沿LLM），发现最佳融合解析器准确率达80.3%，而最佳纯提示LLM基线为70.0%。
PokerSkill: LLMs Can Play Expert-Level Poker without Training or Solvers
Boning Li, Baoxiang Wang, Longbo Huang
cs.AI cs.GT
本文提出PokerSkill框架，通过将基于规则的扑克技能库作为LLM的结构化动作接口，使LLM无需训练或求解器即可在专家级扑克中取得竞争性表现。该方法利用确定性上下文引擎分析当前状态并检索相关技能片段，显著降低了LLM的决策损失。
VLA-Trace: Diagnosing Vision-Language-Action Models through Representation and Behavior Tracing
Haoyuan Shi et al.
cs.AI
VLA-Trace提出了一个用于诊断Vision-Language-Action (VLA)模型的渐进式框架，通过representation dynamics和causal control attribution分析其行为。实验揭示了模型在finetuning和action decoding中的不同策略，但未涉及code、spectral或Muon等关键词。
Enhancing Multi-Agent Communication through Attention Steering with Context Relevance
Hongxiang Zhang, Yuan Tian, Tianyi Zhang
cs.AI
本文提出Agent-Radar，一种无需训练的上下文管理方法，通过新颖的时空衰减机制动态引导多智能体系统中每个agent的注意力，以缓解长对话历史中相关信息被稀释的问题。实验表明该方法在多个基准上优于现有技术。
AgentSchool: An LLM-Powered Multi-Agent Simulation for Education
Yulei Ye et al.
cs.AI cs.MA
AgentSchool是一个基于LLM的多智能体教育模拟器，将学习建模为状态转移而非提示行为，包含可成长的学生智能体（配备知识图谱和思维工作流）和自适应教师智能体，并嵌入可配置场景生成器与多尺度模拟器。实验表明其能产生更差异化的掌握轨迹和符合课堂社会理论的社会动态模式。
Anchorless Diversification for Parallel LLM Ideation
Fares Nabil Ibrahim, Nafis Saami Azad, Raiyan Abdul Baten
cs.AI
本文研究了在并行LLM创意生成中，无需依赖种子锚点的多样化方法，比较了独立生成、语义方向分层与多种锚定基线，发现无锚点方法在多样性-质量-计算效率上具有竞争力。
Temporal Stability and Few-Shot Prompting in Math Task Assessment
Danielle S. Fox et al.
cs.AI
本文研究了AI工具（Gemini和Coteach）在数学任务认知需求分类中的时间稳定性与few-shot prompting效果，发现模型版本更新效果不稳定，而few-shot prompting能显著提升分类准确率。
BioRefusalAudit: Auditing Biosecurity Refusal Depth Using General and Domain-Fine-Tuned Sparse Autoencoders
Caleb DeLeeuw
cs.AI cs.CR cs.LG
本文评估了多个语言模型在生物安全拒绝机制上的鲁棒性，发现模型普遍无法稳定区分良性查询与危险查询，且拒绝行为易受提示格式、输出长度等微小变化影响。作者还引入了一种基于稀疏自编码器（SAE）的散度分数来探测模型内部表示，但实验规模有限且仅覆盖Gemma系列模型。
Modularizing Educational LLM-Agency for Fostering Responsible Learning Assistance
Julius Gabelmann et al.
cs.AI cs.CY
本文提出了一种模块化的AI聊天机器人架构，用于在教育场景中辅助学生解题，通过将agentic架构模块化来融入教学建议，以提升学习过程的可控性和透明度。
Double-Edged Sword or Sharp Tool? Designing and Evaluating Triadic LLM-Teacher Collaboration for K-12 Writing at Scale
Canran Wang et al.
cs.AI
本文通过开发一个三元协作系统（LLM、教师和学生）支持K-12写作学习，并基于大规模实证数据集（包含57,954篇作文）验证了该系统在提升写作质量方面的有效性，发现LLM作为生成引擎可缓解教师负担，但存在语言扩展的边际效用递减现象。
Persona Conditioning of Brand Recommendations in Retrieval-Augmented Commercial Chat: A Prominence-Stratified Cross-Provider Audit
Will Jack et al.
cs.AI
本文通过审计实验，研究了在检索增强的商业对话中，用户persona（角色）对品牌推荐结果的影响，发现推荐集相似度会因persona变化而显著降低，且该效应在mid-market品牌中最为明显。
When Should Models Change Their Minds? Contextual Belief Management in Large Language Models
Haoming Xu et al.
cs.AI cs.CL cs.LG
本文提出Contextual Belief Management (CBM)框架，研究大语言模型在长程交互中如何管理累积信息。通过引入BeliefTrack基准测试和强化学习方法，模型在规则发现和电路诊断任务上的失败率显著降低。
mcp-proto-okn: Natural-language access to open scientific knowledge graphs through the Model Context Protocol
Peter W. Rose et al.
cs.AI cs.ET
本文介绍了mcp-proto-okn，一个基于Python的Model Context Protocol服务器，它允许AI助手通过自然语言访问和查询科学知识图谱，降低了跨领域知识图谱分析的门槛。
ProjectionBench: Evaluating Scientific Hypothesis Generation in LLMs Under Progressive Information Disclosure
A. J. Lew, Y. Cao, M. J. Buehler
cs.AI
本文提出了一个名为ProjectionBench的benchmark框架，用于评估LLM在渐进信息揭示下的科学假设生成能力，通过将模型生成的假设与原始论文结论进行语义相似度比较来评测其创新性和推理能力。
MIRA: Mid-training Rubric Anchoring for Source-Aware Data Selection
Haowen Wang et al.
cs.AI
本文提出MIRA框架，通过自锚定rubric发现（self-anchored rubric discovery）实现源感知数据选择，在代码导向的中期训练中，使用一半token即可匹配全语料性能。该方法将rubric构建融入数据选择流程，先为每个源组发现评估标准，再蒸馏为可扩展的学生评分器。
Demystifying Data Organization for Enhanced LLM Training
Yalun Dai et al.
cs.AI cs.CL
本文系统研究了数据组织对LLM训练的影响，通过复用预计算的样本级分数提出了两种新的数据排序方法STR和SAW，并总结了四个关键准则。实验验证了这些方法在预训练和SFT阶段能提升训练稳定性与性能。
Locally Coherent, Globally Incoherent: Bounding Compositional Incoherence in Multi-Component LLM Agents
Anany Kotawala
cs.AI cs.CL
本文研究了多组件LLM agent中局部一致但全局不一致的组合不一致性问题，形式化了组合残差eps*并提出了层次化Boyle-Dykstra投影修复方法。实验表明该不一致性在多数clique上存在，但简单的LLM侧缓解措施均无效。
Tiny but Trusted: Efficient Vision-Language Reasoning for Time-Series Anomaly Detection
Xiaona Zhou et al.
cs.AI
本文构建了VisAnomBench基准数据集，并微调了参数高效的Vision-Language Model (VLM)用于时间序列异常检测，在多个基准上取得了性能提升。该方法主要关注多模态推理与异常解释，与关键词中的code, context, spectral, Muon, pretrain, agent, attention等概念关联较弱。
SchGen: PCB Schematic Generation with Semantic-Grounded Code Representations
Qinpei Luo et al.
cs.AI cs.CL cs.LG
本文提出了SchGen，首个从自然语言请求生成可编辑PCB原理图的大语言模型。其核心贡献在于设计了一种语义化的代码表示方法，将几何驱动的生成问题转化为语义驱动的匹配任务，并构建了大规模数据集。
Physics Is All You Need? A Case Study in Physicist-Supervised AI Development of Scientific Software
Nhat-Minh Nguyen
cs.AI astro-ph.CO cs.HC cs.SE
本文通过一个物理学家监督AI编码代理（Claude Code）开发科学软件（CLAX-PT）的案例研究，记录了15次监督事件。研究发现，AI代理倾向于优化现有代码架构而非重新设计，且无法区分预测充分性与解释正确性，其输出可信度取决于监督设计而非模型能力。

cs.IR

Generative Spatiotemporal Intent Sequence Recommendation via Implicit Reasoning in Amap
Sicong Wang et al.
cs.IR cs.LG
本文提出GPlan框架，通过Progressive Implicit CoT Distillation和Spatiotemporal Counterfactual DPO将LLM的推理能力压缩至轻量模型，用于生成时空意图序列推荐。该方法主要解决工业部署中的延迟和物理可行性问题，与关键词中的agent和context有一定关联但契合度不高。
Toward User Preference Alignment in LLM Recommendation via Explicit Context Feedback
Weizhi Zhang et al.
cs.IR cs.AI
本文主张在基于LLM的推荐系统中优先利用用户通过评论等文本提供的显式上下文反馈，以更好地对齐用户偏好并增强可解释性。文章回顾了推荐范式的演变，并提出了整合显式用户信号的框架。
On the Practice of Scaling Search Conversion Rate Prediction
James Pak et al.
cs.IR
本文通过大规模生产数据集实验，研究了搜索转化率预测模型在训练数据量、嵌入参数规模和模型骨干计算量三个维度上的扩展性能，发现这些因素的扩展效果近似独立且可加，并提出了加速训练和低延迟推理的优化策略。
CrossAlpha: An Annual-Report Benchmark for Cross-Market Factor Research
Qian Wang et al.
cs.IR
CrossAlpha提出了一个用于跨市场因子研究的公开基准，通过Disclosure Distillation和Residual Schema Graph Construction等方法，将不同语言和监管体系的年报标准化为英文描述并构建跨市场公司对评分，最终在时序对齐的评估框架下验证了其有效性。该工作主要聚焦于金融NLP领域的基准构建，与关键词中的code、context、spectral等概念关联较弱。
UniNote: A Unified Embedding Model for Multimodal Representation and Ranking
Jinghan Zhao et al.
cs.IR cs.CV
本文提出UniNote，一个用于工业级Item-to-Item (I2I)检索的统一embedding模型。它通过两阶段训练（对比SFT和强化学习）来平衡全局表示与局部检索，并在小红书的实际部署中取得了检索质量和成本效率的提升。
ACE: Anisotropy-Controllable Embedding for LLM-enhanced Sequential Recommendation
Dongcheol Lee, Hye-young Kim, Jongwuk Lee
cs.IR
本文提出ACE方法，通过线性自编码器（LAE）控制LLM生成embedding的各向异性，在保持语义结构的同时改善几何均匀性，以提升序列推荐性能。实验表明该方法在Recall@20和NDCG@20上分别提升12.4%和11.8%。
Latent Terms: Dense Retrievers Contain Trivially Extractable BM25-ready Zipfian Vocabularies
Benjamin Clavié et al.
cs.IR cs.AI cs.CL
本文提出Latent Terms方法，揭示dense retriever模型（包括single-vector和multi-vector）的表示可被分解为适合BM25的稀疏特征。该方法使用Sparse Autoencoder从冻结的retriever中提取近似Zipfian分布的latent vocabulary，无需任何稀疏检索监督即可实现稀疏检索。
FLASH-MAXSIM: IO-Aware Fused Kernels for Late-Interaction Scoring
Roi Pony et al.
cs.IR
本文提出Flash-MaxSim，一种IO感知的融合GPU kernel，用于加速late-interaction检索（如ColBERT）中的MaxSim算子。该方法通过流式处理query和document tiles并折叠row-maximum reduction，避免了在GPU内存中物化完整的相似度tensor，从而显著降低内存占用并提升速度。
Rec-Distill: An Industrial Distillation Pipeline for Large-Scale Recommendation Models
Haoran Ding et al.
cs.IR
本文提出Rec-Distill，一个用于大规模推荐模型的工业蒸馏pipeline，通过解耦训练、黑盒蒸馏、去偏机制和混合批流pipeline，将大teacher模型（高达24B参数）的性能迁移至轻量student模型，在工业场景下实现了超过60%的蒸馏迁移率。
Uncertainty Quantification for Multimodal Retrieval Augmented Generation
Simon Binz, Heydar Soudani, Faegheh Hasibi
cs.IR
本文提出LeMUQ，一种可学习的多模态不确定性量化方法，通过分析输入修改（如移除模态或检索上下文）下的token概率来估计多模态RAG系统的可靠性。该方法在多个数据集和模型上提升了AUROC指标，但未涉及代码、谱方法或预训练等关键词。
No More K-means:Single-Stage Sparse Coding for Efficient Multi-Vector Retrieval
Lixuan Guo et al.
cs.IR cs.AI cs.LG
本文提出了一种名为SSR的单阶段稀疏检索方法，利用Sparse Autoencoder将token embeddings投影到高维稀疏表示，从而替代了传统多向量检索中昂贵的K-means聚类。该方法在BEIR基准上实现了索引时间减少15倍、检索延迟减半，并提升了检索性能。
LexPath: A domain-oriented multi-path framework for legal article retrieval
Weixuan Liu, Qingfeng Zhuge, Xuyang Chen
cs.IR
本文提出LexPath，一个面向法律领域的多路径检索框架，包含IRAC引导的稀疏检索和结构引导的稠密检索模块，以及意图感知的重排序模块，用于提升法律条文检索的准确性。实验表明该方法在多个基准上优于现有检索基线。
GRASP: Plan-Guided Graph Retrieval with Adaptive Fusion and Reranking on Semi-Structured Knowledge Bases
Yicheng Tao et al.
cs.IR cs.CL cs.LG
本文提出GRASP框架，用于在半结构化知识库(SKB)中实现检索。该方法通过计划引导的graph retrieval、自适应融合与reranking三个阶段，在STaRK基准上提升了检索性能。

cs.CL

Relevance as a Vulnerability: How Web Retrieval Degrades Safety Alignment in LLM Agents ⭐ 精选
Aditya Nawal, Manit Baser, Mohan Gurusamy
cs.CL cs.AI cs.CR
本文提出AgentREVEAL框架，用于分析LLM agent中web retrieval导致的安全对齐退化问题。研究发现，将tool invocation与response generation绑定在单一步骤中会放大有害输出，并揭示了Safe Source Paradox：即使是包含警告或风险声明的对立性安全来源，也会使有害遵从率平均提升25%。此外，relevance作为两种漏洞的共同激活条件，暴露了retrieval-enabled agent中安全性与实用性之间的权衡。
STAMP: Training Explicit Memory for Mobile GUI Agents in Controllable and Scalable Virtual Environments ⭐ 精选
Junyang Wang et al.
cs.CL cs.CV
本文提出STAMP框架，通过在可控虚拟环境中程序化注入确定性memory变量，为mobile GUI agent训练显式记忆能力。该方法解决了长程任务中有限context窗口与token密集截图之间的根本冲突，通过合成任务生成可验证的监督数据并支持在线reinforcement learning。在Memory-World benchmark上，Stamp-GUI agent在GUI专用模型中达到state-of-the-art性能，同时保持通用移动导航能力。该工作与关键词"agent"和"context"高度契合，为移动agent的记忆机制提供了开创性解决方案。
GAPD: Gold-Action Policy Distillation for Agentic Reinforcement Learning in Knowledge Base Question Answering ⭐ 精选
Xin Sun et al.
cs.CL
本文提出GAPD (Gold-Action Policy Distillation)框架，用于解决基于强化学习的知识库问答(KBQA)中中间动作监督不足的问题。该方法通过MID-ANCHOR MATCHING技术，将学生策略探索过程中到达的中间实体与黄金动作序列中的状态锚点对齐，从而将黄金动作的token分布蒸馏到学生策略中，为结果导向的RL提供密集的token级指导。实验表明，GAPD在WebQSP、GrailQA和GraphQ三个基准上均超越了当前最先进的方法，为agentic KBQA中的策略学习提供了新的范式。
Scaling Laws for Agent Harnesses via Effective Feedback Compute ⭐ 精选
Xuanliang Zhang et al.
cs.CL
本文提出Effective Feedback Compute (EFC)这一新的scaling coordinate，用于量化agent harness（决定模型如何调用工具、接收反馈、验证中间状态、存储记忆和修正方案的框架）中反馈的有效性。通过将原始计算预算（如tokens、tool calls）转化为信息性、有效、非冗余且被后续决策保留的反馈，EFC在合成任务、可执行代码任务及真实基准测试中，对失败率的预测能力（\(R^2\)高达0.99）显著优于原始计算指标和SAS基线。该工作揭示了agent scaling的核心规律：性能提升的关键不在于原始计算量，而在于将原始预算高效转化为持久且任务充分的反馈。
Lightweight Multimodal LLM-Enabled Cost-Effective Defect Grading of Power Transmission Equipment
Tao Wang et al.
cs.CL
本文提出了一种基于多模态大语言模型(MLLM)的电力传输设备缺陷分级框架，通过in-context learning和chain of thought生成问答对，并利用Low-Rank Adaption微调Qwen3-VL-8B模型，在三个任务上取得了SOTA性能。该方法主要关注工程应用中的成本效益和类不平衡问题，而非理论创新。
What are They Thinking? Delineation, Probing and Tracking of Concepts in LLMs
Mohamed Abdelwahab et al.
cs.CL
本文提出了一种在LLM的embedding中检测概念存在与否的方法，通过构建包含/不包含特定概念的数据集并训练线性probe来实现，并在多个LLM上验证了其有效性。该方法为监控模型内部状态提供了低成本的工具。
A Modular Architecture for Typologically Controlled Lexicon Generation
Sankalp Tattwadarshi Swain, Dhruv Kumar
cs.CL
本文提出了一种模块化框架，用于生成可发音、类型学合理且语义结构化的artificial lexicon（人工词汇表），通过采样PHOIBLE中的phoneme inventory（音素库）并采用不同phonological grammar（音系语法）生成词形，但该方法主要聚焦于计算语言学中的词汇生成任务，与所提供的关键词（如code, context, spectral等）关联度较低。
MechELK: A Mechanistic Interpretability Framework for Eliciting Latent Knowledge in Large Language Models
Ji-jun Park et al.
cs.CL
本文提出了MechELK框架，通过结合Sparse Autoencoder (SAE) 特征分析和激活修补来定位知识表示，并使用因果探针区分潜在知识与虚假关联，最终在不修改模型权重的情况下提取隐藏知识。实验表明，该方法在TruthfulQA等基准上优于对比一致性搜索等方法，但主要聚焦于语言模型的可解释性与安全性，与关键词中的code、spectral、Muon等概念关联较弱。
From Context Shift to Stylistic Collapse: Why Training Objectives Matter More Than Scale
Rohan Mahapatra
cs.CL
本文研究了LLM训练中alignment目标对语言特征的重塑效应，发现instruction-tuning会系统性降低语言熵并抑制复杂标点使用，且RLHF无法缓解此问题。通过调整控制强度(lambda)可改善风格多样性，但该工作主要聚焦语言风格分析，与关键词中的code、spectral、Muon等方向关联较弱。
RightNow-Arabic-0.5B-Turbo: An Open Sub-1B Arabic Language Model via Vocabulary Injection and Edge-First Deployment
Jaber Jaber, Osama Jaber
cs.CL cs.LG
本文提出RightNow-Arabic-0.5B-Turbo，一个518M参数的阿拉伯语专用decoder LLM，通过词汇注入和持续预训练在Qwen2.5-0.5B上构建，并在多个阿拉伯语基准上取得了优于同规模模型的性能。该工作主要关注低资源语言的模型适配与边缘部署，与关键词列表中的概念关联较弱。
Micro-Macro Retrieval: Reducing Long-Form Hallucination in Large Language Models
Yujie Feng et al.
cs.CL cs.AI
本文提出Micro-Macro Retrieval (M2R)框架，通过宏观检索外部粗粒度证据和微观提取推理过程中的关键信息，以解决长文本生成中的幻觉问题。该方法采用基于课程学习的强化学习策略进行训练，在多个基准测试中验证了有效性。
Aryabhata 2: Scaling Reinforcement Learning for Advanced STEM Reasoning
Ritvik Rastogi et al.
cs.CL cs.AI cs.CY
本文介绍了Aryabhata 2，一个通过强化学习后训练（reinforcement-learning post-training）在GPT-OSS-20B基础上微调的语言模型，专注于解决JEE、NEET等竞争性STEM考试中的多步推理问题。该模型在相关基准测试上优于基础模型，并显著减少了输出token数量，但方法上未涉及code、spectral、Muon、agent或attention等关键词。
Benchmarking Open-Source Safety Guard Models: A Comprehensive Evaluation
Reetu Raj Harsh, Bhaskarjit Sarmah, Stefano Pasquali
cs.CL cs.AI cs.SE
本文评估了14种开源安全防护模型在包含8个NIST AI风险安全类别的79,331个样本基准上的表现，发现模型大小与安全检测性能无关，通用防护模型优于专用模型。
S3Mem: Structured Spatiotemporal Scene-Event Memory for Long-Horizon Interactive Question Answering
Encheng Su et al.
cs.CL cs.AI
本文提出S3MEM，一种结构化场景-事件记忆框架，用于长程交互式问答。它通过结构化记忆单元和锚点敏感检索来改进轨迹到答案的接口，在多个环境中优于标准RAG方法。
A comparative study of transformer-based embeddings for topic coherence
Alex Ding et al.
cs.CL cs.AI
本文比较了七种基于transformer的embedding模型（从MiniLM到LLaMA-2）在BERTopic pipeline中对topic coherence的影响，发现模型参数量（从2200万到130亿）对topic quality影响可忽略，小模型能达到与大模型相当的性能。
Transcribing Children's Speech: ASR Performance and Obtaining Reliable Orthographic Transcriptions
Gus Lathouwers et al.
cs.CL cs.AI
本文评估了Whisper、Parakeet和Wav2Vec2三种ASR模型在荷兰语儿童语音数据集上的表现，发现微调后的Whisper-medium模型在干净数据上表现良好，但在噪声数据上性能显著下降。研究还提出了一种基于utterance-level的选择方法，可自动识别高置信度的正确发音片段，从而减少人工验证需求。
Assessing Dutch Syllabification Algorithms and Improving Accuracy by Combining Phonetic and Orthographic Information through Deep Learning
Gus Lathouwers et al.
cs.CL cs.AI
本文评估了四种荷兰语音节划分算法（包括基于规则和基于深度学习的方法）在不同数据集上的表现，发现数据驱动方法普遍优于知识驱动方法。新提出的深度学习模型通过结合正字法和语音信息，将单词准确率提升至99.65%，但改进幅度较小。
GenesisFunc: Multi-Agent Data Generation for Accurate and Generalizable Function-Calling
Hao-Xiang Xu et al.
cs.CL cs.AI
本文提出GenesisFunc，一个用于生成函数调用(function-calling)训练数据的自动化pipeline，通过多智能体(multi-agent)框架生成多样化的对话数据，并利用多阶段评估系统保证数据质量。实验表明，基于该数据微调的8B模型在函数调用任务上性能优于同规模开源模型，并展现出良好的泛化能力。
No Reader Left Behind: Multi-Agent Summaries Everyone Can Understand
Jimin Jung et al.
cs.CL cs.AI
本文提出了一个名为NRLB的多agent框架，用于生成通俗易懂的文本摘要。该框架通过模拟三类读者群体（小学生、非母语者和注意力缺陷读者）来检测并解决文本中的难懂词汇和混淆句子，在多个数据集上提升了可读性并保持了事实准确性。
SERC: LDPC-Inspired Semantic Error Correction for Retrieval-Augmented Generation
Gyumin Kim et al.
cs.CL cs.AI
本文提出了一种名为SERC的方法，受LDPC码启发，将文本生成过程视为语义噪声信道，通过生成低密度验证查询并对照外部证据来检测和纠正LLM的幻觉。实验表明该方法在减少幻觉方面优于现有方法，但与我提供的关键词列表关联度不高。
Specialty-Specific Medical Language Model for Immune-Mediated Diseases
Veysel Kocaman et al.
cs.CL cs.AI
本文开发了一个针对免疫介导和感染性疾病的领域特定NER模型，使用371份专家标注的病例报告和临床领域嵌入的transformer模型，达到了0.89的F1分数。该模型用于从自由文本中提取细粒度疾病实体，支持队列识别和临床决策。
How Consistent Are LLM Agents? Measuring Behavioral Reproducibility in Multi-Step Tool-Calling Pipelines
Abel Yagubyan
cs.CL cs.AI cs.SE
本文研究了LLM agents在多步tool-calling pipeline中的行为可重复性，通过实验测量agents在相同输入下是否选择相同工具、顺序和参数。该工作聚焦于结构化tool-calling接口的consistency问题，但方法上缺乏开创性，且与关键词列表中的概念关联较弱。
Thoughts-as-Planning: Latent World Models for Chain-of-Thoughts Optimization via Reinforcement Planning
Dong Liu, Yanxuan Yu, Ying Nian Wu
cs.CL cs.AI
本文提出Thoughts-as-Planning框架，将reasoning chain优化形式化为一个在latent semantic space上的序列决策过程，通过构建latent world model和proximity-preserving embedding space来模拟reasoning chain编辑对下游输出的影响，并支持多尺度抽象编辑。该方法在语言理解与生成任务上提升了效率与泛化性，但与关键词列表中的概念关联较弱。
GPF-LiveNews: A Streaming Evaluation Protocol for Group-Conditioned Framing in Large Language Models
Mohd Ariful Haque et al.
cs.CL cs.AI
本文提出了GPF-LiveNews，一个用于评估大语言模型在不同受众群体下对新闻事件进行框架构建的流式评估协议，通过扩展新闻锚点和多种prompt族来检测语义敏感性和情感差异。实验表明Policy/Action prompts产生最强的语义变化，但整体情感差异较为平缓。
Large language models reorganize representational geometry during in-context learning
Hua-Dong Xiong et al.
cs.CL cs.LG q-bio.NC
本文研究了大型语言模型在in-context learning过程中表征几何结构的动态重组，发现ICL性能与分类任务的内在表征结构相关，并提出了一个基于原型的算法模型来解释这种行为。
From Data to Insights: Exploring Program-of-Thoughts Prompting for Chart Summarization
Yutong Qu, Wei Zhang
cs.CL
本文探索了使用零样本学习和Program-of-Thought策略，通过Python程序作为中介来驱动轻量级视觉语言模型进行图表摘要，并引入了一种图表到字典的辅助任务。实验表明该方法在语义和事实指标上与现有方法性能相当。
GrowLoop: Self-Evolving Conversation Evaluation Seeded by Human
Yihang Lin et al.
cs.CL cs.AI cs.SD
本文提出GrowLoop，一种自演进的对话评估系统，通过少量人工种子标注和LLM agent的启发式学习迭代提取评估准则，并利用准则-案例协同进化机制持续适应模型能力与场景变化。该方法在开放域对话的人类相似性评估中优于现有方法，但未涉及code、spectral、Muon或pretrain等关键词。
Hallucination Detection-Guided Preference Optimization for Clinical Summarization
Shamanth Kuthpadi Seethakantha et al.
cs.CL cs.AI
本文提出了一种基于幻觉检测的偏好学习方法，用于改进临床摘要的生成。该方法通过迭代修正和偏好学习来减少大语言模型在医疗文本摘要中的事实错误。
Reasoning that Travels: Dissecting How Chain-of-Thought Transfers Across Models
Xinyuan Cheng et al.
cs.CL
本文通过提供者-接收者框架，研究了Chain-of-Thought推理轨迹在不同模型间的迁移机制，发现这种迁移并非单一现象，而是可能涉及答案提取、推理支架或接收者能力依赖等多种机制。
The Trust Paradox: How CS Researchers Engage LLM Leaderboards
Pouya Sadeghi, Anamaria Crisan, Jimmy Lin
cs.CL cs.HC
本文通过半结构化访谈研究了计算机科学研究者如何使用LLM Leaderboards，发现研究者普遍存在“实用怀疑论”矛盾：虽不信任排名但仍将其作为决策辅助，且同行网络比排行榜更重要。研究为评估基础设施设计提供了建议，但与关键词列表中的概念无直接关联。
Beyond Recall: Behavioral Specification as an Interpretive Layer for AI Personalization
Aarik Gulaya
cs.CL cs.AI cs.HC
本文提出了一种名为Behavioral Specification的interpretive layer，用于提升AI agent对用户意图的表示准确性。通过将用户数据压缩为interpretive patterns作为语言模型的context，该方法在held-out behavioral predictions上提升了representational accuracy，并减少了模型hedging。实验表明，该层在interpretation-required问题上效果显著，但在recall-required问题上可能产生干扰。
Text-Preserving Lossy Text Compression: A Study of Strategic Deletion and LLM Reconstruction
Yuchun Zou, Junhong Tong, Jun Li
cs.CL
本文研究了有损语义文本压缩，通过策略性删除文本并用LLM重建，比较了多种删除策略（如基于词频、熵等）在BBC News数据集上的表现，发现基于词频的删除是低成本且有效的基线方法。
Error as a Lens: Probing LLM Reasoning through Synthetic Misconception Generation
Xinming Yang, Jun Li
cs.CL
本文提出一个框架，通过Generation Agent和Examination Agent生成针对Bloom分类学中五类认知错误的合成错误，并在TheoremQA数据集上评估。该框架用于在缺乏真实学生错误语料库时构建分层合成错误数据集，并发现目标错误生成比自由形式错误生成困难得多。
LLMBridge: An LLM Pipeline for End-to-end Referential Bridging Resolution in English
Lauren Levine, Amir Zeldes
cs.CL
本文提出了LLMBridge，一个基于LLM的端到端referential bridging resolution（指代桥接消解）系统，通过结合启发式预处理/后处理与LLM的自然语言推理能力，在三个英文数据集上超越了之前的state-of-the-art系统。
Bosses, Kings, and the Commons: Cooperation Under Power Asymmetry in LLM Societies
Abhilekh Borah
cs.CL
本文提出了SovSim框架，用于模拟LLM社会中不对称权力结构（如boss或king）对公共资源管理的影响。实验发现，引入不对称权力会导致合作与可持续性严重下降，生存率相比对称设置最多降低87.3%。
Analyzing Persona Effects in Generated Explanations from Multimodal LLM Agents in Urban Perception
Neemias da Silva et al.
cs.CL cs.CV cs.HC cs.MA
本文研究了在urban perception场景中，persona prompting对multimodal large language model生成语言的影响。通过分析不同persona条件下的captions、justifications和perception tags，发现captions在不同persona间高度收敛，而justifications则显示出与socioeconomic和political属性相关的系统性变化。
Structured Prompt Optimization Meets Reinforcement Learning for Global and Local Interpretability over Complex Text
Tianyang Zhou et al.
cs.CL cs.AI cs.LG
本文提出eXTC框架，通过结构化prompt优化和强化学习提升文本分类的可解释性，但未涉及code、spectral、Muon等关键词相关方法。
Same Question, Different Source, Different Answer: Auditing Source-Dependence in Medical Multi-Source RAG
Yubo Li, Rema Padman, Ramayya Krishnan
cs.CL cs.AI cs.IR
本文研究了多源RAG系统中同一问题因检索来源不同而产生不同答案的问题，提出了一个评估框架并构建了TransplantQA基准和HERO-QA检索策略，用于审计这种源依赖性。
SafeRx-Agent: A Knowledge-Grounded Multi-Agent Framework for Safe and Explainable Medication Recommendation
Xinyu Wang et al.
cs.CL cs.AI
本文提出了SafeRx-Agent，一个基于知识的多agent框架，用于细粒度药物推荐（基于第四级ATC code生成），通过整合患者context和外部临床知识来提高推荐的可解释性和安全性。实验在MIMIC-III和MIMIC-IV数据集上验证了其有效性。
UA-Legal-Bench: A Benchmark for Evaluating Large Language Models on Ukrainian Legal Reasoning
Volodymyr Ovcharov
cs.CL cs.AI
本文提出了UA-Legal-Bench，一个用于评估大语言模型在乌克兰语法律推理上的五任务基准，并基于大规模司法语料库对11个模型进行了零样本和少样本测试。实验揭示了任务依赖的少样本效果和类别不平衡下的准确率误导性，但方法本身并非开创性，且与关键词列表中的概念无直接关联。
Slogans or Stance? A Label-Light Diagnostic for Entrepreneurial-Discourse Measurement on Chinese SOE Speeches
Ting Gong, Shangquan Sun
cs.CL
本文针对中国国企领导人讲话中的“企业家精神”测量问题，提出了一种轻标签的诊断方法，通过自然实验比较了不同方法（如LDA、词典评分器、句子编码器及零样本LLM）在区分领导人身份时的表现。研究发现LLM在配对对比中效果最好，但约一半效应可归因于领导人个人语体风格，且校准过程会牺牲Delta换取方差。
Wait! There's a Way Out: A Decision Mechanism for Forecasting Conversational Derailment
Laerdon Kim, Vivian Nguyen, Cristian Danescu-Niculescu-Mizil
cs.CL cs.AI cs.CY
本文提出一种用于预测对话脱轨（conversational derailment）的决策机制，通过引入延迟触发（deferral mechanism）来降低误报率，但方法主要基于语言模型和模拟，与关键词中的数学或算法概念关联较弱。
OmniRetrieval: Unified Retrieval across Heterogeneous Knowledge Sources
Jinheon Baek et al.
cs.CL cs.AI cs.IR cs.LG
本文提出了OmniRetrieval框架，用于在异构知识源（如非结构化文本、关系表、知识图谱等）上进行统一检索。该框架接收自然语言查询，识别合适的知识源，并调度原生查询到各自的执行引擎，在多个数据集上超越了单源基线。
DynSess: Dynamic Session-Level Evaluation and Optimization Framework for Role-Playing Agents
Rongsheng Zhang et al.
cs.CL cs.AI
本文提出了DynSess，一个用于角色扮演agent的session-level评估与优化框架，通过DynSess-Eval对完整对话session进行评分，并利用session-level reward训练DynSess-Character模型。实验表明该方法在长程对话质量评估上优于现有turn-level方法，但与我提供的关键词（如code, spectral, Muon, pretrain, attention等）关联度较低。
Compute Allocation in Evolutionary Search: From Depth-Breadth to Multi-Armed Bandits
Sixue Xing et al.
cs.CL cs.AI cs.LG cs.NE
本文研究了LLM引导的进化搜索中计算资源的分配问题，通过深度-广度网格实验发现了适应度-计算量包络线和双线性深度-广度拟合规律，并提出了基于多臂老虎机的BaSE方法。该方法在不改变模型、提示或评估器的情况下，通过分配LLM调用到并行轨迹来提升平均适应度。
Learnable Assessment Skills for LLM-based Automated Scoring: Rubric Construction via Iterative Optimization
Yun Wang et al.
cs.CL
本文提出了一种基于LLM的自动化评分方法，通过迭代优化框架让LLM从评分经验中学习评估技能（assessment skills），从而无需人工编写评分标准（rubric）。实验表明该方法在多个任务上提升了评分性能，但未涉及关键词中的code、spectral、Muon、pretrain、agent或attention等概念。
Prompt-Level Reward Specifications for Open-Ended Post-Training
Zijun Weng et al.
cs.CL
本文提出了一种prompt-level reward specification框架，将reward specification与reward computation分离，通过构建可复用的task-adaptive rubrics和可执行的hard-constraint checkers来生成显式的reward标准，并组合artifact-anchored rubric score、code score和global score得到hybrid reward。该方法无需人工偏好标注或单独训练的reward model，在多个open-ended benchmark上提升了response ranking和online reinforcement learning效果。
Accommodation Goes Both Ways: Studying Linguistic Convergence Between Humans and Language Models
Terra Blevins
cs.CL
本文研究了人类与LLM在多轮对话中的语言趋同现象，发现LLM会过度适应人类的语言风格，而人类的适应行为与人类间对话基线一致。该研究主要关注对话行为分析，与关键词中的数学或算法概念无关。
MusTBENCH: Benchmarking and Advancing Temporal Grounding in Music LLMs
Daeyong Kwon et al.
cs.CL cs.AI cs.SD
本文提出了MusTBENCH基准，用于评估大型音频-语言模型在音乐理解中的时间定位能力，并设计了MusT优化方案来提升该能力。实验表明现有模型在时间定位上存在不足，而MusT能带来显著改进。
GrepSeek: Training Search Agents for Direct Corpus Interaction
Alireza Salemi et al.
cs.CL cs.AI cs.IR cs.LG
本文提出GrepSeek，一种通过可执行shell命令直接与文本语料库交互的搜索agent，采用两阶段训练流程（冷启动数据生成和GRPO强化学习）并引入语义保持的分片并行执行引擎来加速检索。该方法在开放域问答基准上取得了强结果，但主要贡献在于搜索agent的设计而非与关键词直接相关的理论创新。
PatchBoard: Schema-Grounded State Mutation for Reliable and Auditable LLM Multi-Agent Collaboration
Shuyu Zhang, Yaqi Shi, Lu Wang
cs.CL
本文提出PatchBoard，一种基于schema的LLM多智能体协作架构，用结构化的JSON Patch状态突变替代自然语言对话，通过确定性内核验证突变并实现事务性提交。在ALFWorld任务上，该方法在成功率和token效率上显著优于LangGraph和Flock等基线。
FoRA: Fisher-orthogonal Rank Adaptation for Parameter-Efficient Fine-Tuning
Juneyoung Park et al.
cs.CL
FoRA提出了一种参数高效微调方法，通过单次Fisher score选择任务相关层，并在Stiefel流形上训练LoRA的下投影矩阵以保持列正交性。该方法在减少可训练参数的同时，在多个LLaMA系列模型上取得了优于LoRA和DoRA的性能。
Rethinking Stepwise Model Routing: A Cost-Efficient Table Reasoning Perspective
Shenghao Ye et al.
cs.CL
本文提出EcoTab框架，通过分别估计表格token和文本token的不确定性来优化逐步模型路由，以在表格推理任务中平衡准确率和推理成本。该方法在多个基准上优于现有基线，但未涉及code、spectral、Muon等关键词。
Reasoning-preserved Efficient Distillation of Large Language Models via Activation-aware Initialization
Junlin He et al.
cs.CL cs.LG
本文发现高效蒸馏方法（EDistill）在压缩LLMs时会导致多步推理能力严重退化（称为推理崩溃），并指出其几何根源是投影矩阵的eRank崩溃。作者提出RED方法，通过激活感知初始化将投影矩阵初始化为通道选择矩阵，从而在理论上缓解eRank崩溃，并在Llama和Qwen系列上验证了其恢复推理能力的效果。
Enhancing Factuality through Consensus and Consistency in Summarization Using Minimum Bayes Risk Decoding
Riza Setiawan Soetedjo et al.
cs.CL
本文提出ConSUM方法，通过Minimum Bayes Risk (MBR) decoding在候选摘要间建立共识，并结合事实性感知指标确保与源文档的一致性，以提升摘要的事实性。实验表明该方法与现有方法竞争力相当，且人工评估更偏好其生成的摘要。
A Study on Question-Answer Dataset for LLM Safety Evaluation with a Focus on Illegal Activities
Kenji Imamura, Masao Ideuchi, Atsushi Fujita
cs.CL
本文基于对AnswerCarefully数据集的手动分析，讨论了用于LLM安全评估的问答数据集，重点关注非法活动，并介绍了创建问答示例的方法和评估标准。该研究旨在为JAI-Trust项目提供支持。
Draft-OPD: On-Policy Distillation for Speculative Draft Models
Haodi Lei et al.
cs.CL
本文提出Draft-OPD方法，通过目标辅助的rollout和重放验证暴露的错误位置，解决了speculative decoding中draft model的on-policy distillation难题。实验表明该方法在多种任务上实现了超过5倍的无损加速，优于EAGLE-3和DFlash。
Casual as an Anchor: Resolving Supervision Misalignment in Formality Transfer Dataset
Hyojeong Yu et al.
cs.CL
本文指出形式迁移任务中现有基准数据集（如GYAFC）存在监督信号错位问题，并提出将形式性重新概念化为包含非正式、随意和正式的三级谱系，引入3LF数据集以提供更对齐的监督信号。实验表明，在该数据集上训练能显著减少非正式到正式迁移的失败并提升与人类感知的对齐。
Attention Asymmetry in AI Layoff Discourse on X: A Computational Analysis of Capital vs Labour Amplification
Joy Bose
cs.CL cs.CY cs.SI
本文研究了X平台上关于AI裁员讨论中资本与劳工话语的注意力不对称性，通过计算分析发现资本话语的传播放大效应显著高于劳工话语，并提出了Amplification Ratio和Amplification Normalisation Index等指标。该工作主要关注社交媒体话语分析，与关键词中的attention有一定关联，但方法上缺乏开创性且未解决长期问题。
SURGENT: A Surgical Multi-Agent Assistance System Across the Perioperative Workflow
Dongsheng Shi et al.
cs.CL cs.AI
本文提出了SURGENT，一个用于围手术期工作流的外科多智能体辅助系统，结合了Tree-of-Thought规划器、多部门协作agent和检索增强推理，以解决大语言模型在输入长度、记忆管理和可追溯性方面的限制。该系统在五个围手术期任务上优于基线模型，但未涉及code、spectral、Muon或pretrain等关键词。
BrahmicTokenizer-131K: An Indic-Capable Drop-In Replacement for o200k_base
Rohan Shravan
cs.CL cs.LG
本文提出了一种名为BrahmicTokenizer-131K的字节级BPE tokenizer，通过两阶段改造（脚本修剪和手术式词汇槽分配）在保持OpenAI的o200k_base对英文、代码等压缩性能的同时，显著提升了梵文语系的压缩效率。该tokenizer可作为o200k_base的直接替代品，在非印度语系内容上性能相当，但在印度语系上压缩率远超同类模型。
Revisiting Observation Reduction for Web Agents: Comprehensive Evaluation with a Lightweight Framework
Masafumi Enomoto et al.
cs.CL
本文提出了一种基于Minimal Failure Set (MFS)的轻量级评估框架，用于评估web agent中HTML observation reduction方法的性能。该框架通过覆盖率作为代理指标，无需web访问或LLM推理，实现了超过100倍的评估加速。
Beyond Bilingual Transfer: Multilingual Code-Switching in Instruction Tuning
Shunta Asano, Jeonghun Baek, Toshihiko Yamasaki
cs.CL cs.AI
本文研究了多语言代码切换指令微调（multilingual code-switching instruction tuning）在四种语言上的效果，发现简单的句子级多语言CSD能持续提升多语言平均性能，但方法本身并非开创性，且与关键词列表中的概念关联较弱。
Learning Design Skills as Memory Policies for Agentic Photonic Inverse Design
Shengchao Chen, Ting Shu, Sufen Ren
cs.CL
本文提出SkillPCF框架，将光子晶体光纤逆向设计建模为记忆策略学习问题，通过物理引导的记忆技能库和强化学习选择技能来提升设计效率。该方法在多个实验设置下展示了更好的设计质量与效率权衡。
FinGuard: Detecting Financial Regulatory Non-Compliance in LLM Interactions
Huaixia Dou et al.
cs.CL
本文提出了一个基于监管文档的pipeline，用于生成金融合规风险分类和训练数据，并构建了FinGuard模型和FinGuard-Bench基准。该工作主要聚焦于金融领域的LLM交互合规检测，与关键词中的spectral、Muon、pretrain、agent、attention等概念关联较弱。
SkillBrew: Multi-Objective Curation of Skill Banks for LLM Agents
Wentao Hu et al.
cs.CL cs.AI cs.IR
本文提出SkillBrew框架，将LLM agent的技能库管理形式化为一个带约束的多目标优化问题，通过Pareto优化和双层验证循环来平衡技能的有用性、多样性和覆盖度。该方法在公开基准上验证了效果，但未涉及code、spectral、Muon、pretrain或attention等关键词。
Adaptive Interviewing for Persona Simulation in LLMs: Evidence-Grounded Reasoning Improves Decision Alignment
Ruoxi Su, Yuhan Liu, Jingyu Hu
cs.CL cs.AI
本文提出了一种自适应访谈框架，通过结构化对话收集persona信息，以提升LLM在道德困境中模拟个体决策的能力。实验表明，该方法并非普遍提升准确性，而是作为一种选择性证据机制，仅在模型将决策基于用户特定证据时才能改善效果。
Kronecker Embeddings: Byte-Level Structured Token Representations for Parameter-Efficient Language Models
Rohan Shravan
cs.CL cs.LG
本文提出Kronecker Embeddings，一种确定性的字节级字符-位置分解方法，用固定编码器和单个投影层替代了标准BPE tokenizer中的可学习embedding表，在减少91-94%输入侧可训练参数的同时，在多个语言模型上实现了更低的验证损失和更强的拼写鲁棒性。该方法通过字节级局部性实现了参数高效，但字节相似而语义不同的词对会在embedding层产生聚类，需由后续attention层进行消歧。
MOOSE-Copilot: A Web-Based Interactive Assistant for Unified Exploratory and Fine-Grained Scientific Hypothesis Discovery
Hongran An, Zonglin Yang
cs.CL cs.AI cs.CE cs.HC
MOOSE-Copilot是一个基于LLM的交互式科学假设发现系统，通过形式化的人机交互协议统一了发散性构思和精细化提炼过程。该系统利用树状可视化界面支持用户通过蓝图、路由和反馈信号引导生成过程，但未涉及code、spectral、Muon、pretrain或attention等关键词相关技术。
Comparative Evaluation of Machine Translation Systems on Images with Text
Blai Puchol et al.
cs.CL
本文比较了三种机器翻译系统在含文本图像上的表现：模块化pipeline、多模态大语言模型(MLLM)和端到端模型Translatotron-V。实验表明MLLM在灵活性和上下文理解上最优，模块化方法次之，端到端方法最差。
PhoneWorld: Scaling Phone-Use Agent Environments
Zhengyang Tang et al.
cs.CL cs.AI cs.LG
本文提出了PhoneWorld，一个可复用的pipeline，能将真实的GUI轨迹和截图转化为可控的手机使用环境、可执行任务和自动验证器。它通过覆盖34个app的16个领域，展示了在固定训练预算下替换部分训练数据能提升多个benchmark的性能，主要关注agent环境的规模化构建。
On Asymmetric Optimization of Reasoning and Perception in Vision-Language Model Post-Training
Xueqing Wu et al.
cs.CL cs.CV
本文通过两个合成任务构建诊断框架，分析了视觉语言模型后训练中推理与感知能力的不对称优化现象。研究发现，监督微调中的token不平衡和强化学习中的奖励耦合是导致该不对称的主要原因，并提出了动态损失重加权和感知感知奖励等干预措施。
Mask the Target: A Plug-and-Play Regularizer Against LoRA Forgetting
Runze Xu et al.
cs.CL cs.CV
本文研究了LoRA微调中的灾难性遗忘问题，提出了一种即插即用的输出空间正则化方法，通过从base model和adapted model的分布中移除ground-truth token并对非目标词汇表施加KL正则化，在不依赖replay数据的情况下缓解遗忘。该方法在分布差异较大时能改善新学习与遗忘之间的平衡。
Source-Grounded Semantic Reinforcement Learning for Low-Resource Target-Language Generation
Zeli Su et al.
cs.CL cs.AI
本文提出Source-Grounded Semantic Reinforcement Learning (SG-SRL)框架，利用源语言单语数据通过cross-lingual semantic reward model进行无参考强化学习，以缓解低资源目标语言生成中平行数据稀缺的问题。实验表明该方法能提升语义准确性和事实覆盖率，但主要贡献集中在自然语言生成领域，与关键词中的code, spectral, Muon, pretrain, agent, attention等概念无直接关联。
From Blind Guess to Informed Judgment: Teaching LLMs to Evaluate Materials by Building Knowledge-Augmented Preference Signals
Yeyong Yu et al.
cs.CL
本文提出MaterEval框架，通过知识增强的偏好信号将专家规则转化为可学习的偏好数据，引导通用LLM从直觉判断转向有证据支撑的可靠评估，并引入快慢推理方案平衡吞吐量、成本与可靠性。在高熵合金评估案例中，小规模开源LLM无需外部检索即可在准确性和一致性上接近基于规则的闭源LLM。
LiteCoder-Terminal: Scaling Long-Horizon Terminal Environments for Learning Language Agents
Xiaoxuan Peng et al.
cs.CL
本文提出LiteCoder-Terminal-Gen，一个零依赖的合成pipeline，用于自动生成可执行且可验证的终端训练环境，并构建了大规模SFT和RL数据集。实验表明，基于这些合成数据微调的语言agent在终端任务上显著优于基线模型。
World Models in Words: Auditing Physical State-Transition Commitments in Vision-Language Models
Emmanuelle Bourigault
cs.CL
本文提出了一个名为World Models in Words的评估框架，用于审计视觉语言模型在物理场景推理中的语言表达承诺。该框架通过要求模型生成状态-转换轨迹并利用混合验证器检查错误类型，揭示了仅依赖最终答案评估所隐藏的推理缺陷。
Training Deliberative Monitors for Black-Box Scheming Detection
Aditya Sinha et al.
cs.CL cs.AI cs.LG
本文提出了一种训练“审议型监视器”的方法，使用较小的开源模型（如Qwen3.5-27B）通过监督微调和强化学习，从agent的轨迹中检测其欺骗行为，而无需访问其内部推理。该方法在多个分布外基准测试中取得了与低成本前沿模型相当的性能，但推理成本显著更低。
DLM-SWAI: Steering Diffusion Language Models Before They Unmask
Hyeseon An, Yo-Sub Han
cs.CL cs.AI
本文提出DLM-SWAI，一种无需训练的推理时引导方法，通过预计算的token级风格分数在每一步去噪过程中偏置token分布，从而引导Diffusion Language Models (DLMs)生成具有期望属性的文本。实验表明该方法在风格和安全控制任务上有效，且计算开销小。
Entity-Collision: A Stratified Protocol for Attributing Retrieval Lift in Agent Memory
Youwang Deng
cs.CL cs.AI cs.IR
本文提出entity-collision协议，通过构造BM25基线并分层查询标签，来区分检索提升的来源。实验表明编码器容量并非唯一约束，不同嵌入器在不同查询类型上表现各异。
Predicting Causal Effects from Natural Language Queries using Structured Representations
Giuliano Martinelli et al.
cs.CL cs.AI
本文提出了Query2Effect基准和两阶段框架，通过生成查询的结构化表示来预测因果效应大小，实验表明微调显著优于直接使用LLM。该工作主要关注自然语言查询与因果效应预测，与关键词中的code、spectral、Muon等概念无直接关联。
Evaluating Cross-lingual Knowledge Consistency in Code-Mixed vis-a-vis Indian Languages using IndicKLAR
Debajyoti Mazumder et al.
cs.CL
本文介绍了IndiKLAR基准，用于评估大语言模型在印度语言及其代码混合变体中的跨语言知识一致性。研究发现，代码混合输入能显著缩小与英语的性能差距，并识别出从原生语言到代码混合再到英语的性能翻转点。
Classification of non-analyzable word types in web documents to implement an effective Korean e-learning system
Sang-Taek Park et al.
cs.CL
本文通过构建正式与非正式语料库，对比分析了网络文档中韩语非分析性词类型的特征，并提出使用Local Grammar Graphs (LGG)模型来有效处理非正式文本，以应用于韩语电子学习系统。
Verifiable Rewards Beyond Math and Code: Lightweight Corpus-Grounded Process Supervision for Factual Question Answering
Shicheng Fan et al.
cs.CL
本文提出CorVer，一种轻量级的基于语料库的过程奖励方法，用于事实性问答中的强化学习。它利用Wikipedia共现统计替代昂贵的神经验证器，在多个模型和基准测试上提升了性能。
Beyond English and Evasion: A Human-Annotated Multi-Domain Benchmark for High-Stakes LLM Safety Evaluation in Chinese
Wajdi Zaghouani, Kholoud K. Aldous, Yicheng Gao
cs.CL
本文构建了一个中文LLM安全评估基准ChiSafe-PAS，包含1,897个人工标注的对抗性提示，覆盖自残、毒品、欺诈和讽刺四个高风险领域，并提供了详细的混淆分类和风险等级标注。该工作主要聚焦于跨语言安全评估的文化适配问题，与关键词中的code, spectral, Muon, pretrain, agent, attention等方向无直接关联。
EviLink: Multi-Path Schema Linking with Uncertainty-Guided Evidence Acquisition for Large-Scale Text-to-SQL
Huawei Zheng et al.
cs.CL cs.AI
本文提出EviLink方法，将大规模Text-to-SQL中的schema linking重新定义为基于不确定性的多路径schema需求推断，通过多假设schema grounding与不确定性引导的证据获取来区分必要与路径依赖的schema项。实验在BIRD-Dev和Spider2-Snow上验证了该方法在schema完整性、相关性与token成本之间的平衡。
Spurious Prompts: Can Irrelevant Prompts Steer Large Language Models?
Pawel Batorski et al.
cs.CL
本文研究了与任务语义无关的prompt（称为spurious prompts）能否影响大语言模型的行为，发现这类prompt可以显著改变模型输出，甚至匹配或超越标准prompt方法。该工作揭示了LLM对无关prompt的敏感性，但与我提供的关键词（如code, context, spectral, Muon, pretrain, agent, attention）关联较弱。
Domino: Decoupling Causal Modeling from Autoregressive Drafting in Speculative Decoding
Jianuo Huang et al.
cs.CL
本文提出Domino框架，通过并行草稿骨干与轻量级Domino头解耦因果依赖建模与自回归草稿执行，以加速LLM推理中的投机解码。实验表明该方法在Qwen3模型上实现了显著加速。
Understanding Safety-Sensitive Expert Behavior in Mixture-of-Experts LLMs
Zhibo Zhang et al.
cs.CL
本文研究了Mixture-of-Experts (MoE) LLMs中安全对齐与专家路由的关系，发现路由模式主要由主题驱动，而安全行为可在不显著改变路由路径的情况下被改变。作者提出了RASET框架，通过对比路由敏感性准则识别安全关键专家并进行参数高效微调，揭示了MoE模型特有的安全风险。
Personalized Turn-Level User Conversation Satisfaction Benchmark
Zhefan Wang et al.
cs.CL cs.AI
本文提出了一种个性化对话满意度评估方法PersTurnBench，通过结合用户记忆与上下文来预测用户对AI助手回复的满意度，并利用后验校准提升检测不满意的准确性。该方法主要关注对话系统的个性化评估，与关键词中的code、spectral、Muon、pretrain、agent、attention等方向无直接关联。
Teaching Language Models to Check Grounded Claim Factuality with Human Test-Taking Strategies
Yuxuan Ye, Raul Santos-Rodriguez, Edwin Simpson
cs.CL cs.AI
本文提出将基于事实的claim事实性检查建模为true/false阅读理解任务，通过提示LLM使用显式的考试策略进行高效推理，相比无引导的开放推理减少了80%以上的token使用量，并在两个基准上取得有竞争力的性能。此外，通过监督微调和自我修正机制训练小型语言模型替代LLM，在降低推理成本的同时保持了与强基线相当的性能。
Leveraging Routing Dynamics in Mixture-of-Experts Models for Efficient Language Adaptation
Aditi Khandelwal et al.
cs.CL
本文研究了Mixture-of-Experts (MoE)模型在多语言持续预训练中的routing动态，发现语言专业化主要在最后几层出现。基于此，作者提出了一种参数高效的适应策略，仅更新最后MoE层中的语言特定和共享expert，在更新少于2%参数的情况下取得了有竞争力的性能。
User-Aware Active Knowledge Acquisition for Emotional Support Dialogue
Mufan Xu et al.
cs.CL
本文提出了一种名为UKA的主动对话学习框架，用于情感支持对话中的用户感知知识获取。该方法通过Theory-of-Mind不确定性估计来优先选择响应，以获取更有效的用户反馈，并在多个对话基准上提升了对话质量。
HTAM: Hierarchical Transition-Attended Memory for Operator Optimization
Yining Zhang et al.
cs.CL
本文提出HTAM框架，通过构建层次化过渡图来组织粗粒度的全局优化方向和细粒度的局部策略记忆，以解决LLM在GPU算子优化中面临的粒度不匹配问题。实验表明该方法在KernelBench基准上提升了正确率和加速比。
Multi-Legal-Bench: Evaluating LLMs on Legal Reasoning Across Jurisdictions, Languages, and Legal Traditions
Volodymyr Ovcharov
cs.CL cs.AI
本文提出了Multi-Legal-Bench，一个跨司法管辖区的法律NLP基准，评估了6个国家、4个语系和7个前沿LLM在5个法律推理任务上的表现。研究发现跨语言few-shot迁移效果不遵循语言邻近性，且tokenizer fertility对跨语言准确率预测不显著。
AfriScience-MT: Towards Decolonizing Science in Africa through Text Translation
Idris Abdulmumin et al.
cs.CL
本文构建了AfriScience-MT平行语料库，覆盖六种非洲语言和11个科学领域，并评估了多种机器翻译系统与大型语言模型在零样本、少样本和微调设置下的性能。结果显示闭源模型在句子和文档级别均优于开源模型，其中GPT-5.4和Gemini-3.1-Flash-Lite表现最佳。
DySem: Uncovering Dynamic Semantic Components via Multilingual Consensus for Calculating Semantic Textual Similarity
Kaijie Zheng et al.
cs.CL
本文提出DySem框架，通过多语言共识从LLMs中提取动态语义组件，并构建文本相关的联合语义集来计算语义文本相似度，以解决固定维度隐藏层表示中的冗余和噪声问题。实验表明该方法在降低维度的同时优于现有基线。
ActTraitBench: Quantifying the Knowledge-Decision Gap in Large Language Models via Human-Grounded Behavioral Validation
Yutong Yang et al.
cs.CL
本文提出了ActTraitBench框架，用于量化LLM在自我报告与行为决策之间的知识-决策差距\(G_{\text{KD}}\)，并引入Chain of Cognitive Alignment (CoCA)方法缓解该差距。实验表明，更大更强的模型往往表现出更显著的行为偏差。
Metric-Dependent Annotation Saturation for Learning from Label Distributions
Guneet Kohli
cs.CL
本文研究了在NLI任务中，从标签分布学习时，所需标注者数量依赖于评估指标的现象，发现软标签在捕捉项目间分歧信号方面优于标签平滑。
Nine Judges, Two Effective Votes: Correlated Errors Undermine LLM Evaluation Panels
Guneet Kohli
cs.CL
本文研究了LLM作为评审小组时的投票可靠性问题，发现来自7个模型家族的9个前沿LLM在自然语言推理数据集上仅提供约2个独立投票的信息量，其实际准确率比独立投票理想情况低8-22个百分点。研究指出，模型间的相关性错误是主要瓶颈，增加评审数量或改进聚合算法均无法有效弥补这一缺陷。
Data filtering methods for training language models
Egor Shevchenko, Elena Bruches
cs.CL cs.AI cs.LG
本文比较了Confident Learning和Dataset Cartography两种自动标签错误检测方法在三个俄语文本分类数据集上的效果，发现其有效性高度依赖于数据集特征，且针对性移除优于随机移除。
Towards Localized and Disentangled Knowledge Editing for Multimodal Large Language Models
Leijiang Gu et al.
cs.CL cs.AI
本文针对多模态大语言模型中的知识编辑问题，提出了LDKE框架，通过快速定位模块和去纠缠分类器来改进编辑的泛化性和局部性。该方法旨在解决因果错位和特征纠缠导致的编辑失败问题，但与我提供的关键词列表关联度较低。
EvoRubric: Self-Evolving Rubric-Driven RL for Open-Ended Generation
Xin Guan et al.
cs.CL
本文提出EvoRubric框架，通过单一策略的协同进化RL方法，在开放式文本生成任务中动态生成和验证评估准则，以替代静态或依赖外部模型的准则。该方法在医疗、写作和科学领域实验中优于传统对齐方法。
Towards Verifiable Multimodal Deep Research: A Multi-Agent Harness for Interleaved Report Generation
Chenghao Zhang et al.
cs.CL cs.AI
本文提出一个名为Ptah的多智能体框架，用于生成交织文本与视觉证据的多模态深度研究报告。该框架通过规划、研究和写作阶段协调多个专用agent，并引入验证agent确保事实依据与跨模态一致性。
CRITIC-R1: Learning Structured Critics for Retrieval-Augmented Generation
Wenhan Xiao et al.
cs.CL cs.AI
本文提出CRITIC-R1框架，将RAG中的critic任务形式化为结构化错误诊断问题，并利用基于GRPO的reinforcement learning训练critic模型，通过Conservative Judgement Alignment和Diagnostic Quality Alignment两个reward函数来缓解过度干预并提升细粒度反馈质量。实验表明该方法能提升RAG系统的答案质量。
Internal Representation, Not Clinical Knowledge: Where Apparent LLM Triage Failures Originate
David Fraile Navarro et al.
cs.CL cs.AI
本文通过sparse-autoencoder (SAE)特征分析发现，LLM在临床分诊任务中的高错误率源于输出格式（如multiple-choice）而非临床知识表示，格式变化导致决策logits被scaffold和format特征而非medical特征驱动。
ExCAM: Explainable Cultural Awareness Metrics
Christoph Leiter et al.
cs.CL
本文提出了ExCAM，一个用于评估大语言模型文化意识的指标，能够识别、评分并解释文本中的文化错误。通过构建ExCAM40k数据集并对比多个基线模型，ExCAM在错误检测上达到了80%的准确率，为自由文本的文化评估提供了可解释的方法。
Does The Way You Plan Matter? An Empirical Study of Planning Representations for LLM Web Agents
Alejandra Zambrano et al.
cs.CL cs.AI cs.LG
本文研究了不同plan representation（如sequential subgoals, narrative, pseudocode, checklist）对LLM-based web agent性能的影响，提出了PlanAhead框架和两个新评估指标Achievement Rate (AR)与Solved-Task Consistency (STC)。实验表明plan formulation和底层LLM均显著影响agent的鲁棒性与任务成功率。
Causal Interventions on Continuous Variables: A Case Study on Verb Bias in Steering Vectors for In-Context Learning
Zhenghao Herbert Zhou, R. Thomas McCoy, Robert Frank
cs.CL
本文提出了一种对连续变量进行因果干预的方法，通过将activation vectors与分级目标变量配对来定位低维方向，并应用于心理语言学中的verb bias特征。研究发现verb bias在steering vectors中有因果表示，但将其与in-context learning联系起来仍具挑战性。
Adapting Multilingual Embedding Models to Turkish via Cross-Lingual Tokenizer Surgery and Offline Distillation
M. Ali Bayram, Banu Diri, Savaş Yıldırım
cs.CL
本文提出了一种针对土耳其语的多语言embedding模型adaptation方法，通过跨语言tokenizer surgery和offline distillation，在单GPU上高效训练出200M参数的模型，在土耳其语语义搜索任务上超越了更大规模的teacher模型。该方法主要关注embedding模型的跨语言迁移，与关键词中的code、spectral、Muon、agent、attention等概念关联较弱。
Latent Performance Profiling of Large Language Models
Tanmoy Chakraborty et al.
cs.CL cs.LG
本文提出Latent Performance Profiling (LPP)框架，通过分析LLM的hidden activations和output distributions来评估模型内在特性，而非仅依赖benchmark分数。实验表明，不同模型在benchmark分数相似时可能具有不同的latent profiles，但该方法与关键词中的spectral、attention等概念关联较弱。
Recovering Diversity Without Losing Alignment: A DPO Recipe for Post-Trained LLMs
Vinay Samuel, Yapei Chang, Mohit Iyyer
cs.CL
本文提出REDIPO方法，通过构建偏好数据对（preference pairs）来恢复大型语言模型（LLM）在post-training后丢失的输出多样性，同时保持alignment性能。该方法在多个模型上提升了多样性指标，但未显著影响其他评估基准。
Give it Space! Explicit Disentangling of Positional and Semantic Representations in Encoders
Pierre-Antoine Lequeu, Camille Barboule, Benjamin Piwowarski
cs.CL cs.AI
本文通过修改encoder Transformer，将语义、绝对位置和相对位置信息显式解耦，研究了位置编码的内部机制。实验发现绝对位置子空间会自发坍缩为低频二维流形，且标准位置编码在MLM压力下难以稳健保留宏观结构。
Who Am I? History-Aware Profiles for Student Simulation in Tutoring Dialogues
Zhangqi Duan et al.
cs.CL cs.CY
本文提出了一种基于历史信息的student simulation框架，通过profile generator和simulator两个组件，利用reinforcement learning优化学生对话预测，在数学学习平台数据集上验证了有效性。该方法主要关注对话系统而非关键词中的核心概念。
HEART-Bench: Do LLM Agents Exhibit Human-like Psychology?
Weihan Peng et al.
cs.CL
本文提出了一个名为HEART-Bench的benchmark，用于评估LLM agent是否能模拟连贯的、类人的心理学特征。该benchmark基于Big Five人格特质构建了11个角色，并设计了64个决策场景来测试agent的行为一致性。
UniSteer: Text-Guided Flow Matching in Activation Space for Versatile LLM Steering
Yingdong Shi et al.
cs.CL
UniSteer提出了一种基于文本引导的activation flow matching模型，通过在residual-stream activations上学习条件分布来统一控制LLM的行为。该方法支持行为控制、真实性引导、细粒度概念引导和activation-space分类，但与我提供的关键词列表关联度较低。
Adaptive Targeted Dynamic Chunking for Tokenization-Free Hierarchical Model
Thang Dang et al.
cs.CL
本文提出了一种名为Adaptive Targeted Dynamic Chunking (ATDC)的字节压缩控制机制，用于无token化的层级模型。该方法通过curriculum learning在训练过程中动态调整压缩比，以稳定学习过程并提升模型在字节级数据处理上的性能。
DirectorBench: Diagnosing Long-Form Video Generation with Personalized Multi-Agent Evaluation
Jiamin Chen et al.
cs.CL cs.CV
本文提出了DirectorBench，一个用于长视频生成的多智能体诊断基准，通过80个结构化元数据条目、7个用户画像和40个检查点标准评估视频质量，揭示了工作流中的瓶颈和用户偏好差异。
SEAL: Can Saturated Benchmarks Be Revived by LLM-as-a-Meta-Judge?
Jiamin Chen et al.
cs.CL
本文提出SEAL协议，通过LLM-as-a-Meta-Judge和自适应淘汰机制，在已饱和的benchmark上提取排序信号，无需构建新任务。实验表明，SEAL在代码生成、数学推理等任务上以更少的调用次数实现了与全配对评估相当的排序准确性。
Dial HEALTHDIAL for Advice: A Multilingual and Multi-Parallel Spoken Dialogue Dataset for Knowledge-Grounded Information Seeking
Songbo Hu et al.
cs.CL
HEALTHDIAL是一个大规模、多语言、多并行的口语对话数据集，包含6000个基于世界卫生组织可信内容的信息寻求对话和163小时用户语音，覆盖阿拉伯语、中文、英语和西班牙语。该数据集用于开发和评估基于retrieval-augmented generation的口语对话系统，并揭示了不同语言间的性能差异。
CCS: Clinical Consensus Selection for Radiology Report Generation
Xi Zhang et al.
cs.CL cs.CV
本文提出CCS框架，通过采样多个候选报告并基于临床共识（结合文本与图像-报告多模态嵌入）进行选择，以提升放射学报告生成在推理时的质量。该方法在多个数据集和模型上优于单路径解码，但未涉及关键词中的code、spectral、Muon、pretrain、agent或attention等概念。
CorPipe at CRAC 2026: Empty Nodes and Cross-Lingual Transfer in Multilingual Coreference Resolution
Milan Straka
cs.CL
本文介绍了CorPipe 26系统，该系统在CRAC 2026多语言共指消解共享任务中获胜，通过改进的单一模型同时预测空节点、提及和共指链接，并在LLM赛道和无约束赛道中均取得最优性能。
Do Proactive Agents Really Need an LLM to Decide When to Wake and What to Anchor?
Xiaoze Liu et al.
cs.CL cs.AI cs.HC
本文提出用temporal-graph-learning (TGL)模型替代LLM作为proactive agent的always-on编码器，将用户活动视为graph updates而非text，仅在触发时调用LLM生成面向用户的句子。该方法在14个backbone上平均提升F1达16.7，且推理速度比LLM-as-trigger配置快4-83倍。
A Dual-Path Architecture for Scaling Compute and Capacity in LLMs
Markus Frey et al.
cs.CL
本文提出了一种双路径架构，通过共享参数的深层子层和单次应用的宽前馈子层来灵活扩展LLM的计算和容量。实验表明该模型在相同FLOPs下优于基线模型，但方法主要针对语言模型架构优化，与关键词列表中的概念关联较弱。
GRUFF: LLM Pronoun Fidelity, Reasoning, and Biases in German
Fabian Mewes, Anne Lauscher, Vagrant Gautam
cs.CL
本文构建了德语代词忠实度数据集GRUFF，研究了大型语言模型在德语中处理代词指代时的语法一致性与偏见，发现模型对特定新代词表现不佳且易受干扰项影响。
Do Language Models Track Entities Across State Changes?
Zilu Tang et al.
cs.CL cs.AI
本文研究了语言模型在自然语言中追踪实体状态变化的能力，发现模型并非逐步更新状态，而是在查询出现时并行聚合信息。其中，REMOVE操作通过全局抑制标签实现，该机制脆弱且可预测多种失败模式。
CommunityFact: A Dynamic, Multilingual, Multi-domain Benchmark for Misinformation Detection in the Wild
Sahajpreet Singh et al.
cs.CL cs.CY cs.SI
本文提出了一个名为CommunityFact的多语言、多领域动态benchmark，用于评估社交媒体上的misinformation检测。该benchmark包含15,992条claims，覆盖五种语言和两个领域，并评估了十种LLMs在不同推理条件下的表现。
Knowing What to Solve Before How: Preplan Empowered LLM Mathematical Reasoning
Shaojie Wang, Liang Zhang
cs.CL
本文提出PPC框架，在LLM数学推理中引入显式的“预计划”阶段（问题理解），形成question \(\rightarrow\) preplan \(\rightarrow\) plan \(\rightarrow\) CoT的新范式。通过设计合成管道和spoiler-score检测器来构建干净的预计划监督，并用复合GRPO奖励确保计划真正遵循预计划，实验在多个基准上取得最优结果。
Same Evidence, Different Answers: Canonical-Context On-Policy Distillation for Multi-Turn Language Models
Zizhuo Lin et al.
cs.CL cs.AI
本文提出Canonical-Context On-Policy Distillation (CCOPD)方法，用于缓解多轮对话中语言模型因部分信息导致的自我锚定漂移问题。该方法通过让模型在完整提示和逐步揭示信息的对话中保持答案一致性，在数学对话任务上训练后，在多个领域取得了平均32%的性能提升。
How LoRA Remembers? A Parametric Memory Law for LLM Finetuning
Ziwen Xu et al.
cs.CL cs.AI cs.CV cs.LG
本文通过将LoRA作为latent space中的可控memory capacity probe，系统性地量化了LLM在微调中的精确参数记忆，并提出了Parametric Memory Law（一个将loss reduction与有效参数和序列长度联系起来的power law）。基于token级别的分析，文章揭示了预测概率p>0.5是greedy decoding下逐字回忆的充分条件，并据此提出了MemFT优化策略。
Loong: A Human-Like Long Document Translation Agent with Observe-and-Act Adaptive Context Selection
Yutong Wang et al.
cs.CL cs.AI
本文提出了一种名为Loong的长文档翻译agent，通过3E记忆模块和强化学习优化上下文选择策略，在英中、德、法翻译方向上取得了显著提升。该方法主要关注自然语言处理中的文档翻译任务，与您提供的关键词（如spectral, Muon, pretrain等）关联度较低。
MedCase-Structured: A Text-to-FHIR Dataset for Benchmarking Diagnostic Reasoning in Clinically Realistic EHR Settings
Valentina Bui Muti, Eugénie Dulout, Ziquan Fu
cs.CL cs.AI
本文提出了一种从非结构化文本生成HL7 FHIR R4数据集的pipeline，用于在临床电子健康记录环境中评估LLM的诊断推理能力。实验发现，LLM在结构化FHIR输入上的诊断准确率低于纯文本输入，强调了部署对齐的benchmarking的重要性。
Resolution Diagnostics for Paired LLM Evaluation
Anany Kotawala
cs.CL cs.LG
本文研究了paired LLM evaluation中的resolution diagnostics问题，通过将paired evaluation形式化为hypothesis-testing问题并引入per-pair resolution ratio q = N/N*作为诊断指标，揭示了多个公开leaderboard中许多pairwise ranking未达到常规paired-test resolution目标的现象。
COMPOSE: Composing Future Theorems from Citations and Formal Structure
David Busbib, Michael Werman
cs.CL
本文提出了COMPOSE框架，通过结合科学引文图和形式定理依赖图来生成未来数学定理的合理陈述，实验表明该方法在检索和生成质量上优于基线。
Unlocking the Working Memory of Large Language Models for Latent Reasoning
Lukas Aichberger, Sepp Hochreiter
cs.CL cs.AI
本文提出Reasoning in Memory (RiM)方法，用固定memory blocks替代自回归生成推理步骤，使LLM在单次前向传播中完成潜在推理。实验表明该方法在多个推理基准上匹配或超越现有潜在推理方法。
LLMSurgeon: Diagnosing Data Mixture of Large Language Models
Yaxin Luo et al.
cs.CL cs.AI cs.LG
本文提出LLMSurgeon框架，通过将数据混合估计形式化为一个基于label-shift假设的逆问题，利用校准的soft confusion matrix来恢复预训练语料的domain-level分布。该方法为审计大语言模型的训练数据组成提供了一种后验手段。

cs.DS

Residual-Entropy Accounting for Routed Atom-Budgeted Learned Indexes
Faruk Alpay, Levent Sarioglu
cs.DS cs.DB
本文研究了路由、原子预算和认证修复学习索引架构中的精确前驱和排名搜索问题，通过条件残差答案熵分析查询时间尺度，并给出了排名扩散特例下的理论结果。
An Improved Greedy Approximation for (Metric) $k$-Means
Moses Charikar et al.
cs.DS
本文提出了一种针对一般度量空间中\(k\)-Means问题的多项式时间近似算法，其近似比达到\(3+2\sqrt{2}+\epsilon<5.83\)，显著改进了此前的最佳结果。该工作的核心贡献在于克服了将LMP贪心\(2\)-近似算法从度量连接成本适应到平方度量连接成本（因平方距离违反三角不等式）的障碍，并结合了近期\(k\)-Median问题的框架。
Distributed Gaussian Mean Testing under Communication Constraints: messages, samples, and coins
Clément L. Canonne, Nimitt
cs.DS
本文研究了在通信受限的分布式环境下，对高维spherical Gaussian分布的均值进行假设检验的问题，考虑了用户共享少量随机比特、持有不同样本数以及发送不同比特数等更一般化的情形。
Explaining Rankings with Hidden Group Bonuses
Alvin Hong Yao Yan et al.
cs.DS cs.CY cs.DB
本文研究了在隐藏群体奖励影响下的排名解释问题，提出了一种利用约束满足和自动推理技术来联合推断线性评分参数和潜在群体奖励的算法。该问题被证明在一般情况下是NP难的，但在特征维度和群体数量为常数时存在多项式时间解法。
Sampling Directed Eulerian Tours in $\widetilde O(m^{3/2})$ Time
Nima Anari
cs.DS math.PR
本文提出了一种随机算法，用于在\(\widetilde O(m^{3/2})\)时间内从有向Eulerian多重图中采样一个近乎均匀的Eulerian tour，通过引入flip-repair walk局部马尔可夫链和动态弦数据结构来突破稀疏图上的\(mn\)型树采样瓶颈。
A Radius-Sensitive Approximation Algorithm for Connected Submodular Maximization
Philip Cervenjak et al.
cs.DS
本文针对Connected Submodular Maximization (CSM)问题及其有向变体，提出了一种多项式时间框架，通过引入GreedyRadius算法，将近似比从现有的\(\Omega(1/r)\)改进为\(\Omega(\varepsilon^3 / r^\varepsilon)\)，并允许对有向根化变体进行双准则近似。
On Language Generation in the Limit with Bounded Memory
Jon Kleinberg et al.
cs.DS cs.AI cs.CL cs.LG stat.ML
本文研究了有界记忆下的语言生成极限问题，分析了无记忆生成器、滑动窗口和自适应存储对生成密度的影响，并探讨了增量识别在有限集合上的可行性。结果表明，有界记忆对语言生成任务的影响因任务而异，生成能力在可数集合上仍可实现，而密度和识别则局限于有限集合。

others

Adapting Automotive Aerodynamics Surrogates to New Vehicle Families via Transfer Learning ⭐ 精选
Seunghwan Keum, Alok Warey
cs.CE cs.LG physics.comp-ph
本文通过leave-one-family-out实验验证了预训练的Transformer surrogate (AB-UPT)在汽车空气动力学几何迁移中的有效性。核心发现是Low-Rank Adaptation (LoRA)方法通过秩约束adapter注入所有层，在仅20个样本的微调下实现了R^2=0.85的预测性能，显著优于Full Fine-Tuning和Lightweight Fine-Tuning。该工作将LoRA从内存节省工具重新定义为几何迁移的收敛使能器，为工业CFD中预训练模型的少样本适应提供了新范式。
AIRGuard: Guarding Agent Actions with Runtime Authority Control ⭐ 精选
Suliu Qin et al.
cs.CR cs.AI
AIRGuard提出了一种运行时权限控制机制，用于防御tool-using language agent中的authority confusion攻击。该方法通过将heterogeneous tool calls标准化、将task authority分解为step-level authority、追踪source与target trust、模拟sensitive side effects以及审计cross-step risk，在action执行前强制执行least privilege原则。实验表明，该方法在AgentTrap上将Sonnet 4.6的攻击成功率从36.3%降至5.5%，并在DTAP-150上保持了76.0%的benign utility，显著优于ARGUS和MELON等基线方法。该工作为agent安全领域提供了runtime authority control这一关键思路，与关键词“agent”和“code”高度契合。
Real-rootedness of the Poincaré polynomials of $\overline{\mathcal M}_{0,n}$: an AI-assisted proof ⭐ 精选
Gergely Bérczi, Young-Hoon Kiem
math.AG cs.AI cs.NE
本文通过引入双变量变形\(F_m(y,t)\)，将Poincaré多项式\(P_n(t)\)的实根性问题转化为对变形多项式零点在\(y\)方向上的Sturm-Rolle分析，从而证明了Aluffi-Chen-Marcolli关于\(\overline{\mathcal M}_{0,n}\)的Poincaré多项式实根性的猜想。该证明的核心创新在于利用隐藏的交错结构，通过控制\(0
Recovering Policy-Induced Errors: Benchmarking and Trajectory Synthesis for Robust GUI Agents ⭐ 精选
Tianpeng Bu et al.
cs.CV cs.CL
本文提出了GUI-RobustEval基准和Robustness-driven Trajectory Synthesis (RoTS)框架，用于评估和增强GUI agent在错误恢复方面的鲁棒性。RoTS通过基于树的pipeline主动发现多样化的错误模式并合成相应的恢复步骤，生成了80万条高质量训练数据。基于该数据微调的RoTS-32B模型在OSWorld基准上达到了47.4%的成功率，取得了state-of-the-art性能，表明提升长程错误恢复能力对agent的整体性能至关重要。该工作与关键词"agent"高度契合，为GUI agent的鲁棒性评估与训练提供了系统性的解决方案。
Evolve as a Team: Collaborative Self-Evolution for LLM-based Multi-Agent Systems ⭐ 精选
Zhezheng Hao et al.
cs.MA cs.AI
本文提出Meta-Team框架，用于基于LLM的多智能体系统(MAS)的协作式自我进化。该方法通过保留每个agent的执行上下文并协调任务后通信，使agents能够交换分布式证据以识别失败原因，从而解决MAS经验漫长且交织导致的改进困难问题。Meta-Team实现了多尺度自我进化，将执行经验转化为对agent行为、agent间协调以及团队级组织的可复用改进，在六个长时域agent基准测试中一致优于单agent系统、手工设计的MAS及先前的MAS进化方法。该工作与关键词"agent"高度契合，并为agent系统的自我进化提供了开创性的协作框架。
Agora: Toward Autonomous Bug Detection in Production-Level Consensus Protocols with LLM Agents ⭐ 精选
Xiang Liu et al.
cs.SE cs.AI
本文提出Agora，一个面向生产级consensus protocols（共识协议）的领域感知多agent框架。该框架通过专门agent协作探索协议状态空间、利用领域特定约束合成攻击场景，并迭代验证发现违反安全属性的深层逻辑错误。在Raft、EPaxos等四个实现上，Agora利用LLM发现了15个此前未知的协议级逻辑bug，而现有基于LLM的agent方法未能检测到任何此类bug。这项工作为使用LLM agent进行复杂协议验证提供了开创性的方法论。
Diffusion Models Are Statistically Optimal for Learning Low-Dimensional Multi-Modal Distributions ⭐ 精选
Jingda Wu, Changxiao Cai
stat.ML cs.IT cs.LG math.ST
本文证明了基于score的diffusion models在学习支撑在低维子空间并集上的分布时，其样本复杂度为\(\widetilde{O}(\varepsilon^{-k \vee 2})\)，其中\(k\)是内在维度，该速率在1-Wasserstein距离下是近乎最优的。这一结果不依赖于光滑性、有界密度或log-concavity等强正则性假设，表明diffusion models能够统计自适应于数据的低维内在结构，并自然处理多模态分布，为这类模型在高维复杂学习任务中的成功提供了严格的理论依据。
The Biosecurity Blind Spot: Systematic Dual-use Detection in Open Science Infrastructure
Vasudha Sharma et al.
cs.DL cs.CY cs.LG
本文使用lexical filtering和LLM的混合pipeline，对约52,000篇bioRxiv预印本进行了系统性分析，揭示了开放科学基础设施中双用途研究内容（DURC）的普遍存在，并呼吁在保持科学透明性的同时加强元数据层面的监控。
WASHH: An Anchor-Aware Whale-Guided Selection Hyper-Heuristic for Continuous Optimization and SVC Configuration
Yifu Zhao et al.
cs.NE cs.LG
本文提出了一种名为WASHH的锚点感知鲸鱼引导选择超启发式算法，用于连续黑箱优化。该方法将多种元启发式搜索行为（如PSO、GWO、DE等）作为可选策略，并通过在线奖励控制器进行自适应选择，在10个30维基准函数上取得了优于WOA等算法的平均排名。
Towards a Foundation Model for the Martian Atmosphere
Sujit Roy et al.
astro-ph.EP astro-ph.IM cs.LG physics.ao-ph
本文探讨了为火星大气开发数据驱动基础模型的设计空间，分析了现有数据、物理模型及候选下游应用，并强调了AI在有限数据场景下的潜力。
Financially Guided Deep Portfolio Optimization
Rahul Fernandes, Travis Desell
q-fin.PM cs.LG
本文提出一个端到端的深度学习框架，通过优化Sharpe ratio、Omega ratio等金融指标的differentiable surrogate，直接学习portfolio weights。在S&P 500股票上的回测显示，该方法在2022-2023年的out-of-sample测试中优于传统方法和基准指数。
An End-to-End PyTorch Interface for Differentiable PDE Solvers: A RANS Model-Correction Study
Luca Saverio et al.
cs.CE cs.LG math-ph
本文提出了一种端到端的PyTorch接口，用于可微分的PDE求解器，通过将PDE重新表述为隐式层并利用自动微分图，优化可训练参数\(\phi\)以解决逆问题。该方法在RANS模型修正中展示了灵活性，但未涉及code、context、spectral、Muon、pretrain、agent或attention等关键词。
Comment on "Spin-1/2 Kagome Heisenberg Antiferromagnet: Machine Learning Discovery of the Spinon Pair-Density-Wave Ground State"
Helia Kamal et al.
cond-mat.str-el cond-mat.dis-nn cs.LG
本文指出近期一篇利用group-equivariant convolutional neural networks研究kagome Heisenberg反铁磁体基态的论文存在方法缺陷，认为其报告的低变分能量是Metropolis-Hastings采样中遍历性破缺的伪影，当使用自旋交换更新恢复遍历性后，神经网络能量显著高于DMRG结果，从而质疑了原论文的结论。
LogDx-CI: Benchmarking Log Reduction Tools for LLM Root-Cause Diagnosis
Bowen Qin
cs.SE cs.AI
本文提出了LogDx-CI基准，比较了11种日志缩减工具在35个GitHub Actions失败案例上的表现，发现混合grep+tail方法在成本-质量Pareto前沿上占优，且agent循环能缩小不同缩减工具间的质量差距但成本差异持续存在。
Computational Modeling of Antibody-Antigen Complexes: PLM-Based and MSA-Based Approaches
Xiao Luo
q-bio.QM cs.LG
本文研究了抗体-抗原复合物的计算建模，分别探讨了基于protein language model (PLM)和基于multiple sequence alignment (MSA)的方法。PLM方法在抗体单体预测上表现良好，但在复合物预测中因缺乏共进化信号而泛化能力不足；MSA方法通过改进MSA构建和回收策略，在抗体-抗原测试集上取得了优于AlphaFold3基线的结果。
Echoes within the Reasoning: Stealthy and Effective Watermarking via Chain of Thought
Jiacheng Lu et al.
cs.CR cs.LG
本文提出BiCoT框架，通过在推理轨迹的内部几何结构中嵌入所有权信号来实现对大语言模型Chain-of-Thought推理能力的保护，并引入Robust Subspace Registration方法进行黑盒验证。该方法在保持推理保真度的同时实现了对多种攻击的鲁棒检测。
Quantum-Enhanced Adversarial Robustness in Artificial Intelligence
Jaydip Sen
cs.CR cs.AI
本文综述了量子计算与人工智能在对抗鲁棒性方面的交叉研究，讨论了量子优化、特征映射和混合量子-经典架构等概念框架，但未提出具体的新方法或解决长期存在的问题。
First head-to-head comparison of agentic AI applied to the analysis of simulated data of the Einstein Telescope
Gianluca Inguglia
astro-ph.IM cs.AI cs.HC
本文比较了Claude Code和Codex两个agentic AI系统在爱因斯坦望远镜模拟数据分析中的表现，发现两者在科学结果上收敛但行为差异显著，如Claude Code更快但存在静默偏差，Codex更慢但更透明。研究强调了agent在指令解释和计算成本上的权衡，对科学计算工作流中的agent部署有参考意义。
Neural Scaling Laws for Jet Generation
Oz Amram et al.
hep-ph cs.LG hep-ex physics.data-an
本文研究了粒子喷注生成任务中的神经缩放定律，发现模型大小与验证损失之间存在对数缩放关系，但数据集大小和计算量的缩放行为较弱。作者引入了可学习窗口的概念，并分析了该现象的可能原因，包括QCD辐射的随机性以及生成任务与监督学习任务的差异。
Optimal Rates for Differentially Private Hypothesis Testing with E-values
Ben Jacobsen et al.
cs.CR cs.DS cs.IT cs.LG
本文研究了在满足\(\varepsilon\)-differential privacy约束下，使用e-values进行假设检验的最优速率问题，给出了最大可达e-power的特征描述并提出了匹配算法。在序贯设定中，作者为任意私有e-process的停时提供了匹配的上下界。
Dynamics of Stochastic Momentum with Sparse Updates in High Dimensions
Katie Everett, Elliot Paquette
stat.ML cs.LG math.OC
本文分析了稀疏更新下随机动量方法的动力学，通过最小二乘和逻辑回归模型给出了精确的二阶矩动力学，并揭示了动量保留时间尺度与学习时间尺度之比决定的相结构。
Manifold-based Algorithms for the Hadamard Decomposition
Nicolas Gillis et al.
math.OC cs.LG eess.SP math.NA
本文针对Hadamard分解问题，提出了基于流形(manifold)的三种新算法，包括利用Manopt工具箱的直接优化方法、块投影梯度法以及无需投影的流形梯度下降法，并设计了新的初始化策略。数值实验表明这些方法在合成与真实数据上高效且具有竞争力。
Measuring Real-World Prompt Injection Attacks in LLM-based Resume Screening
Mohan Zhang et al.
cs.CR cs.AI cs.CL cs.LG
本文首次系统研究了基于LLM的简历筛选中的prompt injection攻击，基于约20万份真实简历数据设计了检测方法，发现约1%的简历包含隐藏的prompt injection，且超过90%的注入prompt不使用显式指令。
Three-dimensional Conditional Diffusion Models for Cosmological 21 cm Lightcone Emulation
Bin Xia, John H. Wise
astro-ph.IM astro-ph.CO cs.LG
本文使用conditional diffusion models对三维21 cm lightcone进行模拟，重点研究了预处理和动态范围压缩对训练稳定性和物理保真度的影响。实验表明Yeo-Johnson预处理结合适度振幅压缩效果最佳，但生成的样本在两点和高阶统计量上仍存在可测量的偏差。
Converted, Not Equivalent: Benchmarking Codebase Conversion via Observational Equivalence
Linxin Song et al.
cs.SE cs.CL
本文提出了T2J-Bench基准，用于评估代码库转换任务中agent的可靠性，通过Spec、Numeric和Behavioral三阶段验证发现，现有agent因自验证与语义契约不匹配而高估成功率，最佳系统通过率仅26.7-28.9%。
SCDBench: A Benchmark for LLM-Based Smart Contract Decompilers
Kaihua Qin, Dawn Song, Arthur Gervais
cs.SE cs.AI cs.CR
SCDBench是一个用于评估基于LLM的智能合约反编译器的基准测试，包含600个真实Solidity合约。实验表明前沿LLM能生成结构化的Solidity代码，但语义一致性仍远未解决，最佳模型仅完美反编译42/600个合约。
Lightweight Complementary-Cue Fusion for Robust Video Face Forgery Detection
Sunghwan Baek et al.
cs.CV cs.LG cs.MM
本文提出了一种轻量级的互补线索融合方法，通过向Xception基线模型添加仅含292个参数的模块，融合低频Wavelet-Denoised Feature与phase-spectrum channel或Local Binary Patterns，在FaceForensics++和DFDC-Preview等基准上提升了视频人脸伪造检测的AUC，但方法本身在开创性上较为有限。
GEO-Bench: Benchmarking Ranking Manipulation in Generative Engine Optimization
Ojas Nimase et al.
cs.CR cs.AI
本文提出了GEO-Bench基准，用于统一评估生成式引擎优化中的排名操纵攻击，比较了黑盒、白盒攻击及白帽策略在多个数据集上的效果与隐蔽性。
ReasonBreak: Probing Vulnerabilities in Reasoning-Enabled Vision-Language-Action Models for Autonomous Driving
Mohammadreza Teymoorianfard et al.
cs.CR cs.LG cs.RO
本文研究了集成推理能力的Vision-Language-Action (VLA)模型在自动驾驶中的鲁棒性，发现其易受输入扰动影响，导致推理和轨迹生成失败。作者通过黑盒攻击实验评估了模型在闭环仿真中的安全性，并提出了一个推理感知的评估框架。
unix-ctf: Procedural Environments for Unix-Competence Reinforcement Learning
Geoffrey Bradway et al.
cs.CR cs.AI
本文提出unix-ctf，一个用于Unix能力强化学习的程序化环境生成器，通过LLM辅助合成管道生成capture-the-flag任务，并验证了Unix能力是可分离和可训练的。
A Minimal Bifurcation Model of Load Imbalance in a Softmax Mixture-of-Experts Router
O. M. Kiselev
math.DS cs.AI cs.LG
本文提出了一个用于softmax Mixture-of-Experts (MoE)路由的最小动力系统模型，通过平均场极限分析揭示了负载不均衡的pitchfork分岔机制。该工作为理解自适应MoE路由中的负载突变提供了低维控制机制，但与关键词列表中的code, context, spectral, Muon, pretrain, agent, attention等概念关联较弱。
Eulerian Gaussian Splatting using Hashed Probability Pyramids
Mia Gaia Polansky et al.
cs.CV cs.LG
本文提出了一种基于概率的splat辐射场框架，通过可学习的概率密度替代了3DGS中的启发式图元操作，并利用哈希概率金字塔实现高效的多尺度密度表示，在保持渲染速度的同时提升了重建质量。
Multi-Resolution End-to-End Deep Neural Network for Optimizing Latency-Accuracy Tradeoff in Autonomous Driving
Qitao Weng, Heechul Yun
cs.RO cs.AI cs.LG eess.SY
本文提出了一种多分辨率端到端深度神经网络，用于在自动驾驶中优化延迟与精度的权衡，通过支持运行时选择输入分辨率来适应场景变化，并在CARLA模拟器中验证了其相对于固定分辨率基线的安全性提升。
Anytime-Valid Federated Conformal RAG for LLM Swarms
Prasanjit Dubey, Xiaoming Huo
stat.ML cs.LG
本文提出Anytime-FC-RAG，将联邦共形RAG扩展到任意有效的序贯覆盖，通过可加性校准偏差预算和截断投注e-process，在无额外假设下实现了时间均匀的告警有效性、累积误覆盖包络和可预测自适应控制下的安全性。实验在GPT-2-small和MiniLM集群上验证了告警率和带宽节省。
CA-AC-MPC: CUDA-Accelerated Actor-Critic Model Predictive Control
Antoonio Buo et al.
cs.RO cs.AI cs.DC
本文提出了一种基于CUDA加速的actor-critic model predictive control (AC-MPC)变体，通过并行化优化求解过程来减少训练和推理延迟，并在无人机竞速任务中验证了其性能。该方法主要关注计算效率提升，与关键词中的spectral、Muon、pretrain等概念关联较弱。
Domain-Informed Representation for Evolutionary Sieving in Integral and Module Lattices
Ahmad Tashfeen, Qi Cheng
cs.CR cs.AI
本文通过引入领域信息表示和交叉操作，改进了Laarhoven对Ajtai等人筛法作为遗传算法的处理，并将其扩展到module lattices上的最短向量问题(SVP)求解。
Sustainable Metal-Organic Framework Water Harvesters in the Artificial Intelligence Era
Reid A. Coyle et al.
cond-mat.mtrl-sci cs.AI
本文探讨了金属有机框架(MOF)在人工智能时代用于大气水收集的设计原则，包括协同吸附、相对湿度、滞后效应等，并讨论了AI和大语言模型如何加速MOF的发现过程。
libhmm: A Modern C++20 Library for Hidden Markov Models with Correct MLE Emission M-Steps
Gary Wolfman
cs.MS cs.LG
本文介绍了libhmm，一个用于Hidden Markov Model参数估计、序列解码和模型选择的C++20库，解决了现有软件中缺乏零依赖C++ HMM库以及Baum-Welch算法中广泛使用矩估计近似的问题。该库为十六种连续和离散emission分布实现了正确的maximum likelihood estimators，并支持SIMD加速和Python绑定。
Toward Ethical Facial Age Estimation: A Generalized Zero-Shot Benchmark Without Training on Children's Data
Caio Petrucci, Leo Sampaio Ferraz Ribeiro, Sandra Avila
cs.CV cs.AI
本文提出了一种面向人脸年龄估计的generalized zero-shot benchmark，在训练中排除儿童数据，并评估模型对未见年龄组的泛化能力。实验表明现有方法在该基准下性能显著下降，存在seen-class bias问题。
Implicit Identity Technologies for LLMs: Fingerprinting and Watermarking across Datasets, Models, and Generated Content
Bing Liu et al.
cs.CR cs.CL cs.LG
本文对LLM的fingerprinting和watermarking技术进行了综述和分类，提出了“implicit identity”作为统一抽象概念，并基于生命周期构建了涵盖数据集、模型和生成内容的分类体系。该工作主要贡献在于统一了术语和评估框架，但未涉及关键词中的code、spectral、Muon或agent等具体技术。
Prediction-Powered Inference Across Many Tasks for AI Evaluation & Social Science Research
Nicolas Emmenegger, Ellery Stahler, Chara Podimata
stat.ML cs.LG
本文提出了一个多任务预测驱动推断框架，通过跨任务重校准利用相关任务的标记数据来提升统计推断效率，同时保留任务特定的推断。该方法在代理-真实标签关系中存在非线性结构时能获得效率增益，并通过实验和语言模型审计案例验证了其有效性。
Extreme dynamic symmetry enables omnidirectional and multifunctional robots
Jiaxun Liu, Boxi Xia, Boyuan Chen
cs.RO cs.AI
本文提出动态对称性概念，通过动态各向同性度量机器人质心加速度的均匀性，并开发Argus球形机器人系列验证其效果。实验表明高动态对称性可提升轨迹跟踪、鲁棒性和能效，但未涉及代码、上下文或谱方法等关键词。
Code-QA-Bench: Separating Code Reasoning from Documentation Memorization in Repository-Level QA
Jun Zhang et al.
cs.SE cs.AI
本文提出了Code-QA-Bench，一个用于合成仓库级代码理解基准的自动化框架，通过“答案优先”生成流程和三条件实验设计（闭卷、仅代码、完整文档）来区分真正的代码推理与文档记忆。实验表明代码访问是性能提升的主要因素，而文档带来的额外收益有限。
Pocket-Dentist: On-Device Dental Image Understanding via Efficient Multimodal Large Language Models
Kai Bian et al.
cs.CV cs.AI
本文提出了Pocket-Dentist，一个面向牙科图像理解的效率感知benchmark，并发现紧凑型VLM（如2B参数模型）在牙科图像理解任务中准确率更高且计算成本更低。该工作主要关注实际部署中的效率与隐私问题，与关键词中的code, context, spectral, Muon, pretrain, agent, attention均无直接关联。
Mixing Vector Model for Copolymer Inference via Mixed Integer Linear Programming
Jianshen Zhu et al.
q-bio.QM cs.LG
本文提出了一种基于混合向量(MV)模型的共聚物推断框架，通过混合整数线性规划(MILP)实现逆设计，其中共聚物特征向量被表示为单体描述符的凸组合。该方法在多个物化性质数据集上取得了实用的预测性能，但与我提供的关键词列表中的概念关联较弱。
Rethinking FID Through the Geometry of the Reference Dataset
Yunghee Lee, Byeonghyun Pak
cs.CV cs.AI
本文通过实验表明，Fréchet Inception Distance (FID) 的评估结果与参考数据集的几何特性（如分布密度和有效秩）密切相关，在分布分散的数据集上，FID可能无法正确反映样本质量的提升。
WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction
Chengzhi Liu et al.
cs.CV cs.CL
本文提出了WorldMemArena，一个用于评估多模态agent记忆能力的基准，通过构建动作-世界交互循环来测试记忆的写入、维护、检索和使用四个阶段，并基于400个多会话任务进行了实验分析。
Harmless Yet Harmful: Neutral Prompting Attacks for Stealthy Hallucination Steering in Agent Skills
Chia-Yi Hsu et al.
cs.CR cs.LG
本文提出了一种针对LLM驱动的coding agent的Neutral Prompting Attack (NPA)，通过看似无害的语义指令（如鼓励想象力）来增加package hallucination的发生率，从而操纵agent生成不存在的包名，引发软件供应链风险。该工作主要关注攻击范式而非解决长期存在的理论问题，与关键词中的agent相关但缺乏开创性方法。
Does Distributed Training Undermine Compute Governance?
Robi Rahman
cs.CY cs.AI
本文探讨了分布式训练对计算治理（compute governance）的潜在威胁，指出前沿AI训练可能通过分布式硬件规避监管，并提出了包括举报、芯片追踪和计算阈值在内的反制措施。
Kernel-based potential mean-field games with unbiased random Fourier $U$-statistics
Yumiharu Nakano
math.OC cs.LG math.NA stat.ML
本文研究了一类势均场博弈，其中交互成本和终端目标成本均通过reproducing-kernel maximum mean discrepancy (MMD)惩罚项表达，并利用无偏随机Fourier \(U\)-statistics进行估计。作者证明了样本层面的几乎必然收敛定理和显式收敛速率，并通过数值实验展示了该方法在Schrödinger桥问题和电动汽车充电协调问题中的应用。
Offloading Score: Measuring AI Reliance Through Counterfactual Workflows
Vishakh Padmakumar et al.
cs.SE cs.CL cs.CY cs.HC
本文提出了一种名为offloading score的度量方法，通过构建反事实工作流来量化用户在AI工具辅助下节省的认知步骤比例，从而衡量对AI的依赖程度。该研究通过用户实验验证了该指标在时间压力下能检测到依赖性的显著增加，而传统指标则无法区分。
Semantic and Visual Evidence for Efficient Long-Video Reasoning: A Solution for the HD-EPIC VQA Challenge
Yinsong Xu et al.
cs.CV cs.AI
本文提出了一种将长视频推理解耦为语义证据和视觉证据的统一框架，通过粗到细的提取和基于查询的检索集成来提升多模态大模型在长视频问答任务上的表现。该方法在HD-EPIC VQA挑战中取得了有竞争力的结果，但与我提供的关键词（如code, context, spectral, Muon, pretrain, agent, attention）关联度较低。
Real-Time Retargeting Using Controllability Boundary for Chandrayaan-3 Lunar Landing
Suraj Kumar et al.
eess.SY cs.LG
本文为Chandrayaan-3月球着陆任务开发了实时重定向制导策略，利用可控性边界的convex表示实现快速可行性检查和目标更新。这是数据驱动重定向框架在运行中的月球着陆任务中的首次应用。
Constructing efficient channels for ideal observers using the conjugate gradient method
Weimin Zhou
eess.IV cs.CV cs.LG eess.SP stat.ML
本文提出了一种基于conjugate gradient (CG) method的方法来构建高效通道，用于近似Bayesian Ideal Observer (IO)和Hotelling observer (HO)在医学成像系统图像质量评估中的性能，旨在解决高维图像数据计算困难的问题。
DELOS: Detecting Shallow Transits in Kepler Photometry Using a Contrastive-Learning Framework
Qingtian Liu et al.
astro-ph.EP astro-ph.IM cs.AI
本文提出DELOS框架，利用对比学习在Kepler测光数据中检测浅层凌星信号。该方法通过GPU加速相位折叠和卷积编码器生成凌星似然度评分，在低信噪比下性能优于BLS和TLS，并显著提升搜索速度。
AliMark: Enhancing Robustness of Sentence-Level Watermarking Against Text Paraphrasing
Yuexin Li et al.
cs.CR cs.AI cs.CL cs.LG
本文提出AliMark框架，将句子级水印重构为比特序列编码与对齐问题，通过生成多个文本变体并自适应对齐提取的比特序列来增强对句子拆分与合并的鲁棒性。实验表明该方法在多种改写攻击下优于现有基线。
How Coding Agents Fail Their Users: A Large-Scale Analysis of Developer-Agent Misalignment in 20,574 Real-World Sessions
Ningzhi Tang et al.
cs.SE cs.AI cs.HC
本文通过观察20,574个coding-agent会话，分析了开发者与AI agent之间的misalignment（不匹配）现象，识别出七种常见的失败形式，并发现大多数失败需要用户显式纠正。该研究为理解coding agent在实际工作流中的局限性提供了实证分析。
Benchmarking Large Vision-Language Models on CFMME: A Comprehensive Chinese Financial Multimodal Evaluation Dataset
Qian Chen et al.
cs.CV cs.AI
本文提出了一个名为CFMME的中文金融多模态评估数据集，用于测试大型视觉-语言模型在金融领域的感知、理解与推理能力。实验表明当前最优模型在该数据集上的表现仍有较大提升空间。
Deep Optimal Individualized Treatment Rules for Bivariate Survival Outcomes via Adaptive Prediction-Powered Learning
Kun Ren, Yifan Cui, Wen Su
stat.ML cs.LG
本文针对双变量生存结局的随机试验，提出了一种通过深度神经网络和随机策略建模最优个体化治疗方案的方法，并引入自适应预测增强学习以提高决策鲁棒性。
SciIntBench: Measuring LLM Compliance with Research Integrity Norms Under Adversarial Framing
Almene De Meran Meguimtsop, Maria Leonor Pacheco, Daniel E. Acuna
cs.CR cs.AI
本文提出了SciIntBench基准，通过810个对抗性提示评估LLM在科研诚信规范下的合规性，发现模型对显性不当行为的拒绝远优于隐性违规，尤其在压力驱动的捷径场景下表现不佳。该工作主要关注LLM伦理对齐的框架敏感性，与关键词中的code、agent、attention等无直接关联。
Inform, Coach, Relate, Listen: Auditing LLM Caregiving Support Roles
Drishti Goel et al.
cs.HC cs.AI cs.CL cs.CY cs.SI
本文研究了大型语言模型在非正式护理场景中扮演不同支持角色（如Inform, Coach, Relate, Listen）时的安全表现，发现支持角色会系统性影响交互风险的类型和分布，且存在感知质量与安全性之间的张力。该工作主要关注人机交互与安全评估，与关键词中的code, context, spectral, Muon, pretrain, agent, attention等方向无直接关联。
Evolutionary Rule Extraction from Corporate Default Prediction Models
Desirè Fabbretti et al.
cs.NE cs.AI
本文提出DEXiRE-EVO框架，将multi-objective optimization与Contextual Importance and Utility (CIU)可解释性方法结合，从企业违约预测的ML模型中提取可解释规则。实验表明ML模型优于传统logistic regression，但该方法与关键词中的code, context, spectral, Muon, pretrain, agent, attention均无直接关联。
AnyMo: Scaling Any-Modality Conditional Motion Generation with Masked Modeling
Yiheng Li et al.
cs.CV cs.AI
本文提出了AnyMo框架，利用OmniHuMo大规模多模态对齐数据集，结合基于Residual FSQ的motion tokenizer和可扩展的masked modeling transformer，实现了任意模态组合下的高质量人体运动生成。该方法主要关注多模态条件运动合成，与关键词中的code、context、spectral、Muon、pretrain、agent、attention等概念关联较弱。
The New Pro Se: Generative AI and the Surge in Federal Civil Self-Representation
Or Cohen-Sasson
cs.CY cs.AI
本文利用约280万份联邦民事诉讼数据，分析了生成式AI工具普及后联邦民事案件中pro se（自我代理）原告数量的显著增长，发现AI辅助起草的诉状在引用密度、首次诉讼者比例等方面存在可检测的变化，但并未带来更高的胜诉率，反而更易被驳回。该研究主要关注法律实践中的AI应用现象，与关键词中的code, context, spectral, Muon, pretrain, agent, attention等数学或技术概念无直接关联。
DynaGraph: Lightweight Multi-Model Interaction Framework via Dynamic Topological Reconfiguration
Yanxing Guo et al.
cs.MA cs.CL cs.LG
本文提出DynaGraph框架，通过动态拓扑重构实现轻量级多模型交互，在单GPU上复用PEFT适配器以降低计算开销，并利用评估器监控执行置信度触发分层自愈机制。实验表明，8B模型在推理能力上接近72B单体模型，同时显著降低延迟和token消耗。
Network Optimization Aspects of Autonomous Vehicles: Challenges and Future Directions
Rudolf Krecht et al.
cs.NI cs.AI
本文综述了网联自动驾驶车辆(CAVs)在网络优化方面的挑战与未来方向，讨论了协同感知等多学科方法，并基于作者经验分享了相关用例与实验结果。
KBF: Knowledge Boundary as Fingerprint for Language Model and Black-Box API Auditing
Yijia Fang et al.
cs.CR cs.AI
本文提出了一种名为KBF的低成本黑盒审计协议，通过检测模型在知识边界附近的稳定数值召回率来验证LLM API是否真正运行其声称的模型。实验表明该方法能有效检测模型替换和混合路由攻击，但与关键词列表中的概念无直接关联。
Temporal Motif-aware Graph Test-time Adaptation for OOD Blockchain Anomaly Detection
Runang He et al.
cs.CR cs.AI cs.LG
本文提出了一种名为TEMG-TTA的框架，用于区块链上的异常检测。它通过捕获3节点时间motif分布并设计测试时自适应策略，来解决交易模式演化与分布外问题。
Audio Deepfake Detection with Half-Truth Localisation Using Cross-Attentive Feature Fusion
S. Sutharya, Remya K. Sasi
cs.SD cs.CV cs.LG
本文提出CAFNet模型，通过融合MFCC、LFCC和Chroma-STFT特征并利用cross-attention机制，联合完成音频深度伪造的三分类检测与篡改区域定位。实验表明该轻量级模型在多项指标上优于大规模预训练模型。
GUITestScape: Towards Open-set Evaluation on Exploratory GUI Testing
Xiaoyi Chen et al.
cs.SE cs.AI
本文提出了GUITestScape，一个覆盖61个Android应用和508个预设缺陷的交互式benchmark，并引入GUIJudge作为开放集评估器，用于分解agent的测试轨迹以进行独立能力诊断。实验表明该方法在过程感知评估上优于基线，但未涉及code、spectral、Muon、pretrain或attention等关键词。
The Complexity of Verifying Feedforward Neural Networks in Quantised Settings
Eric Alsmann, Martin Lange, Marco Sälzer
cs.CC cs.LG cs.LO
本文研究了量化设置下前馈神经网络验证的计算复杂度，区分了有理FNN、量化FNN和动态量化FNN三类网络，并分析了线性规划与位向量两种规格下的验证问题复杂度。结果表明，固定精度量化FNN的验证在两种规格下均为NP-complete，而动态量化FNN的BV规格验证有上界，补充了已知的PSPACE-hard结果。
GiPL: Generative augmented iterative Pseudo-Labeling for Cross-Domain Few-Shot Object Detection
Jiacong Liu et al.
cs.CV cs.AI
本文提出GiPL方法，通过迭代伪标签自训练和生成式数据增强两个分支，解决跨域小样本目标检测中支持集利用不足和过拟合问题。实验表明该方法在多个数据集上优于现有技术。
VLA-Pro: Cross-Task Procedural Memory Transfer for Vision-Language-Action Models
Shengyu Si et al.
cs.RO cs.AI cs.CV
VLA-Pro提出了一种基于LoRA适配器的程序性记忆存储与检索框架，用于增强Vision-Language-Action模型在跨任务操作中的泛化能力。该方法通过动态融合相关任务记忆来生成动作序列，在仿真和真实场景中显著提升了任务成功率。
FPLIER: Federated Pathway-Level Information Extractor
Daniele Malpetti et al.
q-bio.QM cs.LG
本文提出了FPLIER，一种联邦学习框架下的Pathway Level Information Extractor (PLIER)扩展方法，通过安全聚合实现分布式训练，并分析了成员推理攻击的隐私风险。
Brain-IT-VQA: From Brain Signals to Answers
Roman Beliy et al.
cs.CV cs.AI q-bio.NC
本文提出了Brain-IT-VQA框架，用于从fMRI信号中解码视觉问答，并构建了NSD-VQA数据集以提供更可控的评估基准。该方法在性能上优于先前工作，但主要贡献在于数据集和脑表征分析，与关键词中的概念关联较弱。
TC-MIS: Maximal Independent Set on Tensor-cores
Prajjwal Nijhara, Dip Sankar Banerjee
cs.DC cs.DS cs.PF
本文提出TC-MIS，利用Tensor Cores加速图上的Maximal Independent Set计算，通过将关键阶段转化为稀疏矩阵-向量乘法（SpMV）并采用WMMA操作，在多种GPU架构上实现了显著加速。
Learning Context-Conditioned Predicate Semantics via Prototype Feedback
NamGyu Jung, Chang Choi
cs.CV cs.AI cs.LG
本文提出AlignG方法，通过原型反馈学习上下文条件化的谓词语义，以解决场景图生成中谓词的多义性问题。该方法从每张图像的关系候选中推断上下文条件化的谓词语义，并反馈调整关系表示，在VG-150和GQA-200数据集上取得了性能提升。
CONCAT: Consensus- and Confidence-Driven Ad Hoc Teaming for Efficient LLM-Based Multi-Agent Systems
Ziyang Ma et al.
cs.MA cs.CL
本文提出CONCAT，一种无需训练的基于共识和置信度的临时团队协作框架，通过聚类初始答案和基于置信度选择领导者，并利用心智理论启发式函数预测协作收益来组织agent交互，从而提升LLM多智能体系统的效率。实验表明该方法在多个基准上实现了更高的准确率/延迟比，但未涉及code、spectral、Muon、pretrain或attention等关键词。
DiffSpot: Can VLMs Spot Fine-Grained Visual Differences in Web Interfaces?
Linhao Zhang et al.
cs.CV cs.CL
本文提出了DiffSpot，一个基于代码驱动的基准测试，用于评估Vision-Language Models (VLMs)在web界面中识别细粒度视觉差异的能力。通过修改HTML元素的CSS属性生成受控图像对，实验发现即使最先进的VLM也只能识别40.7%的真实变化，且难度与CSS属性类型高度相关。
COMET: Concept Space Dissection of the Modality Gap in Audio-Text Multimodal Contrastive Embeddings
Yonggang Zhu et al.
cs.SD cs.AI cs.CL cs.LG eess.AS
本文提出COMET框架，使用PLS-SVD分解分析CLAP模型中音频与文本嵌入间的modality gap，发现仅少数共享概念轴对相似度计算有贡献。基于此提出一种无需训练的spectral truncation方法，可缓解modality gap并实现零样本音频描述任务性能接近全监督水平。
MoSSP: A Momentum-Based Single-Loop Stochastic Penalty Method for Nonconvex Constrained DC-Regularized Optimization
Luxuan Li, Chunfeng Cui, Xiao Wang
math.OC cs.LG
本文提出了一种基于动量的单循环随机惩罚方法MoSSP，用于处理带有DC正则化的非凸约束随机优化问题，通过结合Moreau包络和随机近端梯度步骤，实现了\(O(\varepsilon^{-4})\)或\(O(\varepsilon^{-3})\)的oracle复杂度。该方法主要关注优化理论，与关键词中的code, context, spectral等概念关联较弱。
Matching Rates and Optimal Allocation for Federated Probe-Logit Distillation under Heterogeneous Bandwidth Budgets
Prasanjit Dubey, Xiaoming Huo
stat.ML cs.IT cs.LG
本文研究了联邦探针-逻辑蒸馏（FPLD）中异构带宽预算下的匹配率与最优分配问题，证明了带宽项的下界并给出了异构带宽下的最优分配闭式解。该工作主要聚焦于通信效率的理论分析，与您提供的关键词（如code, context, spectral, Muon, pretrain, agent, attention）无直接关联。
OccamToken: Efficient VLM Inference with Training-Free and Budget-Adaptive Token Pruning
Geng Li et al.
cs.CV cs.AI
本文提出OccamToken，一种无需训练的视觉token剪枝框架，通过register-anchored相对证据测试替代传统的绝对排序范式，利用register token作为稳定参考来识别信息性视觉token，并实现图像自适应冗余剪枝和查询自适应相关性剪枝。该方法在多个VLM模型上提升了精度-效率权衡，但未涉及code、context、spectral、Muon、pretrain、agent或attention等关键词的核心内容。
AMDP: Asynchronous Multi-Directional Pipeline Parallelism for Large-Scale Models Training
Ling Chen, Houming Wu, Wenjie Yu
cs.DC cs.LG
本文提出了一种异步多方向流水线并行方法AMDP，通过限制每个流水线第一阶段处理的小批量数量并启动多个并发流水线来减少参数不匹配问题，从而在保持高利用率的同时加速大规模模型训练。
Eigen-Spike Emergence and Quadratic Equivalents for Conjugate Kernels on Nonlinearly Separable Data
Collin Cranston et al.
stat.ML cs.LG math.PR math.ST
本文研究了非线性可分离数据（如XOR问题）上Conjugate Kernel的谱行为，通过发展二次等价模型分析了特征值相变与标签对齐的关系，为随机矩阵理论在机器学习中的应用提供了理论支撑。
From Prompts to Context: An Ontology-Driven Framework for Human-Generative AI Collaboration
Ngoc Luyen Le, Marie-Hélène Abel, Bertrand Laforge
cs.HC cs.AI cs.IR
本文提出了一个基于ontology的框架(CCAI)，用于建模人类与生成式AI的协作上下文，通过SPARQL查询将prompt-response交互转化为结构化的协作轨迹。该工作主要关注协作的可追溯性和透明度，与关键词中的context和agent有一定关联，但方法本身并非开创性且未解决长期问题。
Efficient, Validation-Free Intrinsic Quality Estimation for Large-Scale Face Recognition Datasets
Zhichao Chen et al.
cs.CV cs.LG
本文提出了一种无需验证的内在质量(IQ)指标，用于快速评估人脸识别数据集产生高性能模型的潜力，该指标结合了邻居一致性分数和有效秩(Effective Rank)来估计数据集质量。
Minimal Prompt Perturbations Lead to Code Vulnerabilities: Prompt Fragility and Hidden-State Signals in Coding LLMs
Alexander Sternfeld, Andrei Kucharavy, Ljiljana Dolamic
cs.CR cs.CL cs.SE
本文研究了prompt微小扰动（如单字符变化）如何导致LLM生成的代码从安全变为脆弱，发现这种脆弱性部分编码在模型的hidden states中，且输入处理类漏洞比安全默认值类漏洞更可预测。
Instance-dependent Stochastic Lipschitz bandit
Marius Potfer, Vianney Perchet
stat.ML cs.LG
本文研究了instance-dependent的随机Lipschitz bandit问题，提出了一种通过suboptimality gap在level set上的积分来刻画regret的新分析方法，并给出了相应的算法。该方法改进了经典的zooming dimension bound，在最大化子集维度\(d^\star>0\)时获得了更优的自适应regret rate。
A unified deeplearning framework for contrast-phase-specific virtual monochromatic imaging
Antony Jerald et al.
eess.IV cs.AI
本文提出一个统一的deep learning框架，从single-energy CT数据合成contrast-phase-specific的virtual monochromatic 50 keV图像，通过将contrast phase信息作为prior集成到energy transformation过程中。该模型在四个contrast phases上训练，实现了对比度增强和跨phase的泛化能力。
Energy-Aware NECO for Single-Pass Pixel-wise Out-of-Distribution Detection in Semantic Segmentation
Boyuan Zhang, Huanshan Huang, Yifei Cao
cs.CV cs.AI cs.RO
本文提出了一种用于语义分割中单次前向像素级分布外检测的Energy-Aware NECO方法，通过结合解码器特征的几何比率和logit-based Energy分数，在miniMUAD数据集上取得了优于单独使用NECO或Energy的AUROC性能。该方法保持了单次前向设计的效率优势。
Cert-LAS: Toward Certified Model Ownership Verification for Text-to-Image Diffusion Models via Layer-Adaptive Smoothing
Leyi Qi et al.
cs.CR cs.CV cs.GR cs.LG cs.MM
本文提出Cert-LAS，一种针对文本到图像扩散模型的认证模型所有权验证方法，通过层自适应平滑嵌入水印，并证明在特定条件下即使面对恶意移除攻击也能实现可靠验证。该方法主要关注模型安全与知识产权保护，与您提供的关键词关联度较低。
Inferring Code Correctness from Specification
Tambon Florian, Papadakis Mike
cs.SE cs.AI
本文提出TRAILS方法，通过基于specification生成测试输入并执行代码，让LLM仅根据(input, output)对判断代码正确性，避免直接推理代码。实验表明该方法在正确性判断上优于现有baseline，但方法本身并非开创性突破，且与关键词列表关联较弱。
BuilDyn: Excitation-Driven Data Generation for Building Thermal Dynamics Modeling and Control
Felix Koch et al.
eess.SY cs.LG
本文提出了BuilDyn，一个基于BuilDa的软件包，用于生成具有可控激励策略的建筑热动力学数据，以提升数据驱动模型在控制任务中的泛化能力。该工具支持从代表性建筑分布中采样，并提供了Python接口以便集成到机器学习流程中。
Parameter-Efficient Subspace Decoupling ViT for Mitigating Multi-Task Negative Transfer in Histological Scoring
Youhan Huang et al.
cs.CV cs.LG cs.MM
本文提出了一种参数高效的子空间解耦多任务Vision Transformer (ViT)，通过集成轻量级任务特定Adapter和正交性约束，为NAFLD组织学评分中的多任务负迁移问题提供了解决方案。该方法在减少计算成本的同时提升了多任务稳定性和泛化能力。
MELD: Mel-Spectrogram-Based Speech Language Modeling with Discrete Latent Variables
Sung-Lin Yeh et al.
eess.AS cs.CL
本文提出了一种基于mel频谱图的离散隐变量模型MELD，通过联合优化编码器和自回归语音语言模型来改进零样本TTS和STT任务。该方法缓解了自回归mel频谱建模中的长时间静音和单词遗漏问题。
Mitigating Stethoscope-Induced Shortcuts in Respiratory Sound Classification under Federated Domain Generalization with Causality-Inspired Interventions
Heejoon Koo et al.
eess.AS cs.AI cs.SD
本文针对呼吸音分类中听诊器导致的设备偏移问题，提出了一种因果启发的联邦域泛化框架，通过内容保持的风格扰动、反事实文本增强和梯度对齐来缓解设备相关shortcut，并在多设备验证中优于基线方法。
Evolutionary Dynamics of Cooperation in Next-Generation LLM Agent Systems: A Cross-Provider Empirical Extension
Francisco León Zúñiga Bolívar
cs.MA cs.AI cs.GT
本文扩展了Willis等人的基准实验，测试了2025-2026年发布的四个前沿LLM agent在迭代囚徒困境中的合作倾向。研究发现合作偏差在不同provider间普遍存在，但provider身份比模型代际更能预测均衡结果，且噪声对所有模型仍是普遍挑战。
Mitigating Hallucination in Vision-Language Models through Barrier-Regulated Adaptive Closed-form Steering
Soumyadeep Jana, Pulkit Mittal, Sanasam Ranbir Singh
cs.CV cs.AI
本文提出BRACS框架，通过监测模型自身的attention来度量visual grounding，并仅在grounding退化时对hidden states进行闭式修正，以减少LVLM中的幻觉。该方法无需训练，在多个benchmark上优于现有方法，但整体创新性有限，未直接涉及关键词中的核心概念。
Dissecting the Black Box: Circuit-Level Analysis of LLM Vulnerability Detection
Syafiq Al Atiiq, Chun Zhou, Christian Gehrmann
cs.CR cs.LG
本文使用Circuit Tracer工具对Gemma-2-2b模型进行mechanistic interpretability分析，发现该模型在检测C/C++代码漏洞时主要依赖识别安全编码模式的attention heads，而非直接检测漏洞特征。实验表明，模型仅使用16%的容量形成稀疏可解释的circuit，其中Layer 11的移除会使准确率从100%降至6%。
Joint Model and Data Sparsification via the Marginal Likelihood
Alexander Timans et al.
stat.ML cs.LG
本文提出了一种基于边际似然的联合模型与数据稀疏化方法，通过同时学习特征和样本的相关性，在贝叶斯框架下实现对称剪枝，以增强对异常值和噪声的鲁棒性。该方法保持了共轭性并支持闭式更新，实验表明其在稀疏性和预测鲁棒性上优于传统Sparse Bayesian Learning。
Gesture-Aware Indoor THz ISAC Systems for Adaptive Resource Allocation
Zhonghao Liu et al.
cs.IT cs.LG
本文研究了一种基于手势识别的室内太赫兹集成感知与通信系统，利用扩展卡尔曼滤波进行手势跟踪，并据此动态调整资源分配以优化感知信干噪比，同时满足通信服务质量约束。
Selection Hyper-heuristics Can Automatically Adjust the Learning Period to Optimally Solve Pseudo-Boolean Problems
Benjamin Doerr, Pietro S. Oliveto, John Alasdair Warwicker
cs.NE cs.AI cs.DS math.OC
本文研究了Selection Hyper-heuristics在优化LeadingOnes基准问题时的学习周期自动调整能力，证明了该方法能以接近最优的效率选择邻域大小，但未涉及关键词中的核心概念。
Label Over Logic? How Source Cues Bias Human Fallacy Judgments More Than LLMs
Mahjabin Nahar et al.
cs.HC cs.AI
本文通过在线实验和LLM对比，研究了来源标签（如人类、AI等）如何影响对逻辑谬误的判断，发现人类比LLM更容易受来源标签偏见影响，但未涉及关键词中的核心概念。
CityGen: Structure-Guided City-Style Synthesis for Cross-City Autonomous Driving
Zezhong Qian et al.
cs.CV cs.AI
本文提出了CityGen，一个基于diffusion的生成框架，通过HD-map条件合成和城市级视觉提示实现零标签的城市适应，并构建了CityTransfer-Bench基准来评估跨城市自动驾驶的泛化能力。实验表明该方法能提升感知、分割和规划等任务在跨城市场景下的鲁棒性。
Fisher-Preserving Guidance: Training-Free Manifold Constraints for Safe Diffusion Control
Hao Ren et al.
cs.RO cs.LG
本文提出了一种无需额外训练的Fisher Preserving Guidance方法，通过低秩Jacobian分解在采样过程中约束更新方向，避免偏离训练流形，从而提升视觉导航中waypoint预测的轨迹可靠性和效率。该方法在多个基准测试中展示了优于强baseline的性能。
CRB-Guided Framework Design and Resource Allocation for Indoor mmWave ISCC Systems
Zhonghao Liu et al.
cs.IT cs.LG
本文针对室内毫米波ISCC系统，提出了一种基于Cramer-Rao bound (CRB)的资源分配框架，旨在最小化通信、延迟和能量约束下的人体姿态预测误差。通过建立感知功率与预测误差间的定量关系，并采用自适应深度的Mamba模型，作者开发了交替优化算法来联合分配资源。仿真结果验证了该方法在资源受限场景下的有效性。
TraceCodec: A Compiler-Backed Neural Codec for Stateful Multi-Flow Network Traffic Traces
Junhui Ding et al.
cs.NI cs.LG
TraceCodec提出了一种基于编译器的神经编解码器，用于有状态多流网络流量轨迹的生成。它通过将数据包解码为带时间戳的动作，并利用确定性编译器将其还原为PCAP文件，解决了传统方法中启发式修复的瓶颈问题。
A Domain-Informed Multi-Objective Framework for EEG Channel Selection in Motor Imagery BCIs
Dekka Muni Kumar, Dhruba Jyoti Kalita, Yogesh Kumar Meena
cs.HC cs.ET cs.LG
本文提出了一种基于多目标优化的EEG通道选择框架，用于运动想象脑机接口，通过平衡空间相关性和功能可区分性来提升分类性能。该方法在多个数据集上取得了优于传统单目标方法的结果，但与关键词列表中的概念关联较弱。
Quadratic Sums-of-Powers for Fixed-Parameter Tractable Quantum-Circuit Simulation
Alexis de Colnet et al.
quant-ph cs.DS cs.LO
本文研究了量子电路模拟的复杂度，通过将电路模拟转化为对Feynman路径的加权求和，并引入路径变量图的rank-width概念，提出了一种时间复杂度仅关于rank-width指数增长、关于电路规模多项式增长的算法。该算法统一并改进了现有的决策图和tensor-network方法，适用于Hadamard门和对角门构成的电路。
HoliTok:A Coutinuous Holistic Tokenization with Robust Dual Capabilities of Speech Generation and Understanding
Bohan Li et al.
cs.SD cs.AI eess.AS
HoliTok提出了一种连续的holistic speech tokenization方法，将48kHz语音编码为25Hz的128维latent序列，并用于统一的语音生成与理解建模。该方法通过渐进式训练策略联合保持信号保真度与语义信息，但与我提供的关键词（如code, context, spectral, Muon, pretrain, agent, attention）关联度较低。
Hijacking Agent Memory: Stealthy Trojan Attacks Through Conversational Interaction
Hongtao Wang et al.
cs.CR cs.AI
本文提出了一种针对LLM agent长期记忆的隐蔽后门攻击方法MemPoison，通过对话交互注入触发后门，绕过选择性记忆机制。该方法利用语义关系桥、实体伪装和联合嵌入优化实现高成功率攻击，并揭示了选择性记忆系统的脆弱性。
Honeyval: A Comprehensive Evaluation Framework for LLM-powered HTTP Honeypots
Mark Vero et al.
cs.CR cs.AI cs.LG
本文提出了Honeyval，一个用于评估LLM驱动的HTTP honeypot的统一框架，通过使用AI hacking agent作为攻击者并定义可验证的exploit目标来克服现有评估方法的局限性。实验表明，LLM驱动的honeypot能比基于规则的基线产生更长的交互且不易被检测，但该方法主要关注网络安全应用，与关键词中的code、spectral、Muon、pretrain、attention等核心概念关联较弱。
Evaluating Skill and Stability of ArchesWeather and ArchesWeatherGen under Multi-Decadal Climate Simulations
Renu Singh et al.
physics.ao-ph cs.AI
本文评估了ArchesWeather和ArchesWeatherGen这两个机器学习模型在多年代际气候模拟中的表现，通过将其改造为受迫大气模型并遵循AIMIP协议进行测试。结果表明，尽管模型最初为天气预报训练，但能在长期模拟中保持稳定并再现ERA5的气候态和年际变率。
EVL-ECG: Efficient ECG Interpretation With Multi-Aspect Heterogeneous Knowledge Distillation
Dang Hong Nguyen, Nhi Ngoc-Yen Nguyen, Huy-Hieu Pham
cs.CV cs.LG
本文提出EVL-ECG框架，通过多视角异构知识蒸馏方法（包括Multi-Head Cross-Attention Alignment和Optimal Transport-based Visual Feature Matching）实现跨架构的心电信号诊断逻辑迁移，在资源受限的临床环境中提升了模型效率。
Fingerprinting Inference Systems of Large Language Models
Anna Wimbauer et al.
cs.CR cs.LG
本文研究了大型语言模型推理系统组件的指纹识别问题，通过分析模型输入输出行为中的微小数值偏差来识别推理引擎、注意力后端和硬件平台等组件。该方法展示了这些偏差在非零温度下仍可被可靠检测，并讨论了防止此类指纹识别的困难性。
Genetically Aligned Patient Representations Improve Hematological Diagnosis
Muhammed Furkan Dasdelen et al.
cs.CV cs.AI cs.LG
本文提出一个两阶段框架，通过自监督视觉预训练和基于supervised contrastive loss的遗传对齐，将单个白细胞图像与染色体畸变及体细胞突变进行多模态对齐，以改进血液学诊断。该方法在急性髓系白血病患者上提升了诊断性能，并提供了疾病和遗传改变的检索能力。
Discovering Cooperative Pipelines: Autoresearch for Sequential Social Dilemmas
Víctor Gallego
cs.MA cs.AI cs.LG
本文研究了两层自动研究框架，其中外层AI agent自动重新设计用于多agent序列社会困境的LLM策略合成系统的内层pipeline。实验表明该agent能超越手工设计的baseline，但方法本身并非开创性，且与关键词关联较弱。
VisualThink-VLA: Visual Intermediate Reasoning for Effective and Low-Latency Vision-Language-Action Policies
Mingjian Gao et al.
cs.CV cs.AI
本文提出VISUALTHINK-VLA框架，通过视觉中间推理替代文本链式推理，以降低VLA策略的延迟并提升准确性。该方法使用紧凑的视觉证据接口和选择性路由机制，在保持空间精度的同时避免文本解码开销，并在多个基准测试中实现了亚秒级推理速度。
Elfs, transducers and quantum walks
Simon Apers, Jérémie Roland, Yuxin Zhang
quant-ph cs.CC cs.DS
本文研究了electric flow sampling (elfs)在quantum walk中的应用，通过构建zero-error transducer实现了对子空间交集的反射，并改进了有效电阻估计和span program witness size的量子算法，同时获得了在expander图上半监督学习的二次量子加速。
DocRetriever: A Plug-and-Play Framework for Multimodal Document Retrieval with Comprehensive Benchmark
Ruofan Hu et al.
cs.CV cs.IR
本文提出了DocRetriever框架，通过布局感知的稀疏嵌入技术和推理增强的重排序器，改进了多模态文档检索的性能，并构建了MultiDocR基准进行更全面的评估。该方法主要针对文档检索中的视觉与语义融合问题，与关键词中的概念关联较弱。
Audio Jailbreaks in Large Audio-Language Models: Taxonomy, Attack-Defense Analysis, and Cost-Aware Evaluation
Bo-Han Feng et al.
cs.SD cs.AI cs.CL
本文对大型音频语言模型（LALM）中的jailbreak攻击与防御进行了统一分类和实证评估，涵盖了语义、声学、信号和嵌入层攻击，以及基于guard、无训练和有训练的防御方法。实验在十个开源LALM上测量了攻击成功率、良性拒绝率和延迟，揭示了声学空间中的脆弱性和语义威胁的有效性。
Token Inflation: How Dishonest Providers Can Overcharge for Large Language Model Usage
Shahinul Hoque et al.
cs.CR cs.AI cs.CL
本文研究了大型语言模型按token计费模式下的审计漏洞，指出由于模型、tokenizer和执行过程对用户隐藏，现有审计框架只能依赖提供商自身报告，导致提供商可系统性地虚报token数量（如隐藏推理场景下平均虚报1469%）。文章认为问题根源在于审计证据完全由被审计方控制，并建议采用可信执行认证或第三方重执行等外部验证手段。
REPOT: Recoverable Program-of-Thought via Checkpoint Repair
Parsa Mazaheri
cs.SE cs.AI cs.CL
本文提出RePoT方法，通过检查点修复机制恢复Program-of-Thought (PoT)规划中的失败轨迹。该方法在环境验证失败后，仅需一次额外LLM调用即可从已验证前缀继续执行，在多个模型和基准测试上提升了规划成功率。
Projectional Decoding: Towards Semantic-Aware LLM Generation
Boqi Chen, José Antonio Hernández López, Aren A. Babikian
cs.SE cs.AI
本文提出projectional decoding框架，通过在生成过程中维护部分graph model作为主要artifact表示，将domain semantics直接集成到LLM生成过程中。该方法支持增量semantic validation和error detection，但主要针对software engineering任务，与关键词列表中的code、context等概念关联较弱。
Sample-Efficient Diffusion-based Reinforcement Learning with Critic Guidance
Shutong Ding et al.
cs.RO cs.LG
本文提出了一种名为CGPO的基于扩散模型的强化学习方法，通过将critic网络的指导集成到去噪过程中来平衡探索与利用，并在MuJoCo和Franka机器人任务上取得了较好性能。该方法主要关注采样效率与策略收敛的权衡，但与我提供的关键词列表关联度较低。
How Reliable Are AI Attackers Against a Fixed Vulnerable Target? A 400-Run Empirical Study of LLM Penetration Testing Consistency
Galip Tolga Erdem
cs.CR cs.AI
本文通过400次自动化渗透测试实验，测量了多个LLM在固定目标上攻击行为的一致性，发现不同模型在攻击成功率、失败模式和策略多样性上存在显著差异，但未涉及关键词中的核心概念。
When Cloud Agents Meet Device Agents: Lessons from Hybrid Multi-Agent Systems
Corrado Rainone et al.
cs.MA cs.AI
本文研究了混合多智能体系统（Hybrid Multi-Agent Systems）中云端大语言模型（LLMs）与设备端小语言模型（SLMs）的协同设计空间，通过适配两种代表性MAS架构来探索任务准确率、成本和能耗之间的Pareto前沿。结果表明，最优架构高度依赖于具体任务，且前沿级计算量的增加并不总能带来性能提升。
xModel-KD: Cross-modal Knowledge Distillation for 3D Scene Perception using LiDAR
Thenukan Pathmanathan, Kanchan Keisham, Thangarajah Akilan
cs.CV cs.AI
本文提出xModel-KD框架，通过cross-modal knowledge distillation将2D图像的texture信息与3D point clouds的geometry信息对齐，以提升LiDAR点云分割性能。实验表明该方法在mIoU上比纯LiDAR基线提升2%，但方法本身在创新性和与关键词的契合度上均未达到严格标准。
Low-degree estimation thresholds in planted hypergraphs and tensor PCA
Daniel Fu, Youngtak Sohn
math.ST cs.CC cs.DS math.PR
本文利用低度多项式框架研究了植密子超图、稀疏张量PCA和一般先验张量PCA中的估计阈值问题，识别了不同参数区域的相变现象，并建立了与信号强度匹配的上下界。
SGMD: Score Gradient Matching Distillation for Few-Step Video Diffusion Distillation
Zhuguanyu Wu et al.
cs.CV cs.LG
本文提出Score Gradient Matching Distillation (SGMD)方法，通过直接优化fake score向teacher靠近，并利用teacher stop-gradient Fisher作为稳定的分布匹配目标，来解决视频扩散模型蒸馏中fake score追踪与运动动态保持的耦合问题。该方法引入dual potentials进行内外循环校正，在4步蒸馏模型上实现了约3倍训练加速并改善了运动动态。
Privacy-Enhanced Zero-Order Federated Learning via xMK-CKKS over Wireless Channels
Anthony Ayli et al.
cs.CR cs.LG
本文提出了一种基于xMK-CKKS多密钥同态加密的无线联邦学习协议，通过重传机制避免信道估计，并集成零阶优化实现与模型维度无关的通信开销。该协议在慢变LoS信道下证明了收敛速率，并提供了对恶意服务器的安全性。
PARCEL: Pool-Anchored Resampling with Conditioned Elastic Queries for Efficient Vision-Language Understanding
Selim Kuzucu et al.
cs.CV cs.AI cs.CL cs.LG
PARCEL提出了一种名为Pool-Anchored Resampling with Conditioned Elastic Queries的视觉tokenization架构，通过将空间池化token作为低频布局锚点并在此基础上生成弹性查询token，以解决现有弹性视觉token压缩方法在强压缩下性能退化的问题。该方法在27个基准测试上提升了性能-效率Pareto前沿，但与我提供的关键词（如code, context, spectral, Muon, pretrain, agent, attention）关联度较低。
Neural Network Verification using Partial Multi-Neuron Relaxation
Ido Shmuel, Guy Katz
cs.LO cs.AI
本文提出了一种部分多神经元松弛方法，用于深度神经网络的形式化验证，通过启发式选择少量神经元生成多神经元线性界，以在紧致性和可扩展性之间取得平衡。该方法被集成到Marabou验证器中，实验表明其优于现有的边界收紧技术。
SAHG: Sector-Anisotropic Hyperbolic Graph Model for Social Bot Detection
Hanning Lu et al.
cs.SI cs.LG
本文提出SAHG模型，通过方向依赖的曲率场和扇区原型在双曲空间中检测社交机器人，并采用双通道设计分离账户特征与图邻域表示以避免信号污染。实验表明该方法在多个基准上优于现有基线。
Visual Spatial Learning: Single-Field Spatial Interpolation Using Convolutional Neural Networks
Daniel Tinoco et al.
stat.ML cs.CV cs.LG stat.AP
本文提出了一种基于Convolutional Neural Networks (CNNs)的方法，用于从稀疏观测中预测完整空间场，无需外部数据或先验场。该方法作为Kriging等经典geostatistical方法的替代方案，能够以数据驱动方式灵活捕捉局部空间模式。
Dissociative Identity: Language Model Agents Lack Grounding for Reputation Mechanisms
Botao Amber Hu, Helena Rong, Max Van Kleek
cs.CY cs.AI cs.MA
本文探讨了语言模型agent（自主代理）在身份验证与声誉机制（reputation mechanism）中的根本性缺陷，指出其“解离性”（dissociative）本质——即行为由可变的模块（如基础模型、系统提示等）组合而成，缺乏持久身份与行为连续性，导致基于身份的声誉治理结构不适用。文章建议转向基于可观测性、事前、构成性的协议式行为约束。
Unveiling the Visual Counting Bottleneck in Vision-Language Models
Xingzhou Pang et al.
cs.MM cs.CV cs.LG
本文通过将视觉计数分解为三个认知阶段，使用合成Go棋盘和线性探针分析，发现视觉主干在推断范围内保持稳健的线性可分数量表征，但模型在符号映射阶段失败，无法将有效视觉量值投影到符号token上，支持了“断裂量值假说”。
A new completely parameter-free clustering algorithm for unsupervised classification of BATSE gamma-ray bursts
Soumita Modak
astro-ph.HE cs.LG stat.ML
本文提出了一种完全无参数的聚类算法，用于对BATSE伽马射线暴样本进行无监督分类，结果表明存在短暴和长暴两个主要群组，与并合-坍缩星理论一致。该方法未涉及关键词中的code、context、spectral、Muon、pretrain、agent或attention等概念。
Token-Level Generalization in LoRA Adapter Backdoors: Attack Characterization and Behavioral Detection
Travis Lelle
cs.CR cs.AI cs.CL cs.LG
本文研究了LoRA适配器后门攻击的token级泛化特性，发现后门在token特征层面而非结构模式层面泛化，并提出了基于行为统计和权重统计的两种检测方法。该工作主要关注后门攻击与检测，与关键词中的code、context、spectral、Muon、pretrain、agent、attention等概念关联较弱。
What drives performance in molecular MPNNs? An operator-level factorial benchmark
Panyu Jiao et al.
cond-mat.mtrl-sci cs.AI cs.LG
本文通过分解2D分子MPNN的算子，在84种配置下对10个MoleculeNet数据集进行基准测试，发现消息构建（message construction）比更新复杂度（update complexity）对性能影响更大，并提供了设计启发式规则。
Automating Low-Risk Code Review at Meta: RADAR, Risk Calibration, and Review Efficiency
Chris Adams et al.
cs.SE cs.AI
本文介绍了Meta公司开发的RADAR系统，用于自动化低风险代码审查。该系统通过多阶段漏斗对代码差异进行分类和风险评估，在审查了超过53.5万个差异后，显著降低了回滚率和生产事故率，并缩短了审查时间。
BORA: Bridging Offline Reinforcement Learning and Online Residual Adaptation for Real-World Dexterous VLA Models
Zhongxi Chen et al.
cs.RO cs.AI
BORA提出了一种离线到在线的强化学习后训练框架，用于提升真实世界灵巧操作的VLA模型性能。该方法通过冻结VLA基础模型并引入轻量级残差适应机制，结合人类干预奖励来修正执行误差，在五个灵巧操作任务上取得了显著提升。
Unifying Temporal and Structural Credit Assignment in LLM-Based Multi-Agent Prompt Optimization
Wenwu Li et al.
cs.MA cs.AI
本文提出了一种基于temporal和structural credit assignment的LLM多智能体系统优化方法，通过状态空间瓶颈和角色策略来分解错误信号，并采用离散的verbalized block coordinate descent算法进行迭代优化。该方法在推理基准上降低了查询复杂度并提升了性能。
Beyond 3D VQAs: Injecting 3D Spatial Priors into Vision-Language Models for Enhanced Geometric Reasoning
Chun-Hsiao Yeh et al.
cs.CV cs.AI
本文提出GASP框架，通过向LLM的transformer层注入几何先验来增强VLMs的3D空间推理能力，使用小型的correspondence head和对比损失进行训练，在多个基准上取得显著提升。该方法主要关注3D视觉推理，与关键词中的code, context, spectral, Muon, pretrain, agent, attention等概念关联较弱。
Reinforcement Learning with Robust Rubric Rewards
Ya-Qi Yu et al.
cs.CV cs.AI
本文提出了一种名为\(\text{RLR}^3\)的强化学习方法，通过将任务级验证扩展为基于rubric（细粒度评分准则）的准则级验证，并采用LLM提取器配合确定性验证器以及最小暴露策略来提升奖励的鲁棒性。该方法在多个视觉-语言基准测试上优于传统的RLVR方法，但并未直接涉及关键词中的code、spectral、Muon或agent等核心概念。
Wasserstein Contraction of Coordinate Ascent Variational Inference
Rocco Caprio, Adrien Corenflos, Sam Power
stat.ML cs.LG math.FA math.OC math.PR +1
本文研究了坐标上升变分推断算法在Wasserstein距离下的收缩性质，证明了在不动点处满足传输-信息不等式和函数光滑性条件时该算法具有收缩性。结果适用于一般光滑流形及某些非光滑空间，并应用于贝叶斯高斯混合模型和高维贝叶斯Probit回归等场景。
VideoFDB: Evaluating Full-Duplex Vision-Speech Capabilities in Conversational Agents
Amrita Mazumdar et al.
cs.CV cs.CL cs.HC
VideoFDB提出了首个评估全双工视听对话agent的基准，包含237个真实视频片段和基于rubric的评估框架。实验发现现有系统存在视觉流忽视和字幕崩溃等系统性缺陷，且级联语音-avatar架构无法产生全双工非语言线索。
LoMo: Local Modality Substitution for Deeper Vision-Language Fusion
Feng Han et al.
cs.CV cs.CL
本文发现Vision-Language Models (VLMs)在将文本问题替换为渲染图像时性能会显著下降，并将此归因于训练数据中文本与图像角色不对称导致的模态偏好。为此，作者提出Local Modality Substitution (LoMo)，一种轻量级数据构建范式，通过将单模态提示重构为交错的“文本-图像-文本”多模态序列来增强跨模态表征不变性。
PhyGenHOI: Physically-Aware 4D Generation of Dynamic Human-Object Interactions
Omer Benishu, Gal Fiebelman, Sagie Benaim
cs.CV cs.AI
本文提出PhyGenHOI框架，用于生成动态的人-物交互4D场景。该方法结合了生成式人体运动模型与显式物理模拟，通过窗口吸引损失、接触驱动重模拟和掩码视频SDS目标来监督交互，实现了物理一致的4D HOI生成。
LLUMI: Improving LLM Writing Assistance for Mental Health Support with Online Community Feedback
Jiwon Kim et al.
cs.HC cs.AI cs.CL cs.CY cs.SI
本文提出了LLUMI框架，利用在线社区反馈（如Reddit的点赞/点踩）来优化开源语言模型在心理健康支持中的表现，通过Supervised Fine Tuning (SFT)和Direct Preference Optimization (DPO)提升回复质量，并验证了其在隐私保护场景下的有效性。
Qwen-VLA: Unifying Vision-Language-Action Modeling across Tasks, Environments, and Robot Embodiments
Qiuyue Wang et al.
cs.RO cs.AI cs.CL
本文提出了Qwen-VLA，一个统一的embodied foundation model，通过DiT-based action decoder将视觉-语言建模扩展到连续动作和轨迹生成。该模型在多种机器人操作、导航和轨迹预测任务上取得了良好性能，但方法本身在理论或技术上的开创性有限，且与关键词列表中的概念关联较弱。
Leave a Window Out: Modifying the Jackknife for Predictive Inference in Time Series
Hanyang Jiang et al.
stat.ML cs.LG math.ST stat.ME
本文研究了时间序列预测中的共形预测方法，指出传统的留一法jackknife在温和时间依赖下可能严重损失覆盖度，并提出了一种名为leave-a-window-out (LWO)的改进方法，通过量化数据与循环可交换性的偏离来保证有效覆盖。实验表明，LWO在标准jackknife失效时仍能保持有效覆盖，且区间宽度优于分裂共形预测。
City-Mesh3R: Simulation-Ready City-Scale 3D Mesh Reconstruction from Multi-View Images
Sayan Paul et al.
cs.CV cs.AI cs.GR
本文提出City-Mesh3R，一种从多视图图像重建城市级水密3D网格的可扩展框架。它采用分治策略，通过拓扑图像聚类和稀疏SfM重建稀疏城市地图，再分区进行几何感知的相机选择和稠密表面重建，最终拼接成全局网格。该方法旨在解决现有方法在大规模城市场景中几何不完整、表面不规则的问题。
Archon: A Unified Multimodal Model for Holistic Digital Human Generation
Chong Bao et al.
cs.CV cs.AI
本文提出Archon，一个用于数字人生成的统一多模态模型，通过模态特定tokenizer和自回归预训练统一了七种模态，并引入语义视频重参数化解决token爆炸问题。该方法在多种数字人生成任务上取得了优越性能，但与关键词中的code、spectral、Muon、agent、attention等概念关联较弱。
Before the Shutter: Aesthetic and Actionable Portrait Photography Planning in 3D Scenes
Ruixiang Jiang, Chang Wen Chen
cs.GR cs.AI cs.CV
本文提出了一种在3D场景中进行人像摄影美学规划的方法，通过构建Photographic Scene Graph来协调人物姿态、相机配置和光照，生成视觉上吸引人且物理可行的拍摄方案。该方法主要关注预拍摄阶段的规划，而非传统的后期处理。
Improved Guarantees for Heterogeneous Treatment-Effect Estimation via Matrix Completion
Anay Mehrotra et al.
stat.ML cs.AI cs.DS cs.LG math.ST
本文利用matrix completion方法研究heterogeneous treatment effect估计问题，在低秩假设下提出了一种计算高效的估计器，并建立了行向\(\ell_2\)误差界\(\tilde{O}(\sqrt{\frac{1}{n} + \frac{n}{m^2}})\)，补充了低秩近似的扰动理论。
RoboWits: Unexpected Challenges for Robotic Creative Problem Solving
Chunru Lin et al.
cs.RO cs.AI
本文提出了RoboWits，一个双臂机器人基准测试，用于评估机器人在意外挑战下的认知推理和创造性工具使用能力。该基准通过多智能体协作流程自动生成任务，并揭示了现有策略在需要推理和适应性的操作任务中的脆弱性。
GPIC: A Giant Permissive Image Corpus for Visual Generation
Keshigeyan Chandrasegaran et al.
cs.CV cs.AI
GPIC是一个约28万亿像素的大规模许可图像数据集，包含1亿训练样本，用于视觉生成建模研究。该数据集经过安全过滤和去重，并提供了基准测试协议和基线模型。
DynaFLIP: Rethinking Robotics Perception via Tri-Modal-Dynamics Guided Representation
Jusuk Lee et al.
cs.RO cs.LG
本文提出DynaFLIP框架，通过构建image-language-3D flow三元组并最小化共享hyperspherical space中的simplex volume，将运动理解引入视觉感知预训练。该方法在机器人操作任务中提升了分布外场景下的泛化性能，但未涉及code、spectral或Muon等关键词。
VideoMLA: Low-Rank Latent KV Cache for Minute-Scale Autoregressive Video Diffusion
Hidir Yesiltepe et al.
cs.CV cs.AI
本文研究了Multi-Head Latent Attention (MLA)在视频扩散模型中的应用，提出VideoMLA方法，通过共享低秩内容latent和解耦的3D-RoPE位置key，将每token的KV缓存内存减少92.7%。实验表明，尽管预训练视频attention并非低秩，但MLA瓶颈决定了有效秩，并在长序列生成中匹配或超越基线性能。

- 数据来源 Data Source: arXiv.org

- 本网页的内容由 bluearXiv-ai 自动生成。实际抓取的是 arXiv 中 "new" 页面的数据，即最近的有所在分类论文变动的一天的数据。

- 感谢 arXiv 提供的服务。评论和精选由 AI 生成，不代表任何人对论文本身的看法。精选依赖于论文与给定关键词的匹配度。

- 计数基于主学科，不计重数。

- This webpage is automatically generated by bluearXiv-ai.

- The data actually captured is from the "new" page, that is, the data of the most recent day when there were changes in corresponding subjects.

- Thanks for services prodived by arXiv. Comments and selection of good papers are generated by AI, not showing anyone's point of view about those papers.

- The selection also depends on the matched-degrees between papers and given keywords.

- The counters are based on main subject, not counting multiplicities.

↑