LeanGuard 提出轻量级安全护栏，无需复杂推理即可实现稳健内容审核
一篇发表于 arXiv 的论文探讨了 AI 安全护栏是否需要依赖推理能力。研究团队提出 LeanGuard，一种快速且轻量的内容审核方法，旨在无需复杂推理的情况下实现稳健的模型输出管控。与传统依赖大型语言模型进行深度推理的安全方案不同，LeanGuard 通过精简架构和高效算法，在保证审核准确性的同时大幅降低计算开销。该研究为 AI 系统的安全部署提供了更实用的解决方案，尤其适用于资源受限或对实时性要求较高的场景。论文作者来自相关研究机构，目前论文已提交 arXiv 预印本平台。 #AI安全 #内容审核 #LeanGuard #大模型 #arXiv #科技论文
一篇发表于 arXiv 的论文探讨了 AI 安全护栏是否需要依赖推理能力。研究团队提出 LeanGuard，一种快速且轻量的内容审核方法，旨在无需复杂推理的情况下实现稳健的模型输出管控。与传统依赖大型语言模型进行深度推理的安全方案不同，LeanGuard 通过精简架构和高效算法，在保证审核准确性的同时大幅降低计算开销。该研究为 AI 系统的安全部署提供了更实用的解决方案，尤其适用于资源受限或对实时性要求较高的场景。论文作者来自相关研究机构，目前论文已提交 arXiv 预印本平台。 #AI安全 #内容审核 #LeanGuard #大模型 #arXiv #科技论文
NebulaExp-8B：大规模消融实验揭示后训练流水线优化路径
近日，一篇名为《NebulaExp-8B: An Empirical Post-Training Pipeline via Full-Scale Ablation Research》的论文出现在预印本平台arXiv上。该研究由Qiaobo Hao等8位作者共同完成，提交于2026年6月25日。论文聚焦于大语言模型的后训练阶段，通过全规模的消融实验（Full-Scale Ablation），系统性地探究不同训练策略、超参数和数据配比的影响。研究团队基于8B参数量的模型，提出了一套实证性的后训练流水线，旨在提升模型在微调、对齐等环节的效率与效果。这项工作的核心贡献在于通过大量实验对比，为后续模型的后训练优化提供了可复现的经验指导，有望推动开源大模型社区在训练流程上的标准化与高效化。 #arXiv #大模型 #后训练 #消融实验 #NebulaExp #人工智能
近日，一篇名为《NebulaExp-8B: An Empirical Post-Training Pipeline via Full-Scale Ablation Research》的论文出现在预印本平台arXiv上。该研究由Qiaobo Hao等8位作者共同完成，提交于2026年6月25日。论文聚焦于大语言模型的后训练阶段，通过全规模的消融实验（Full-Scale Ablation），系统性地探究不同训练策略、超参数和数据配比的影响。研究团队基于8B参数量的模型，提出了一套实证性的后训练流水线，旨在提升模型在微调、对齐等环节的效率与效果。这项工作的核心贡献在于通过大量实验对比，为后续模型的后训练优化提供了可复现的经验指导，有望推动开源大模型社区在训练流程上的标准化与高效化。 #arXiv #大模型 #后训练 #消融实验 #NebulaExp #人工智能
代理指令自动形式化为策略即代码
一篇题为《Autoformalization of Agent Instructions into Policy-as-Code》的论文在arXiv上发布。该研究由Adam Mondl等三位作者共同完成，提出了一种将自然语言形式的代理指令自动转换为可执行的策略即代码（Policy-as-Code）的方法。传统上，AI代理的行为指令依赖人工编写规则或自然语言描述，难以保证一致性、可验证性和安全性。该工作通过形式化转换，使代理指令成为结构化的策略代码，便于静态分析、合规检查与自动执行。该方法有望用于自动驾驶、机器人协作、自动化运维等场景，提升AI系统的可控性与可审计性。论文目前以预印本形式公开，尚未正式发表。 #arXiv #AI #形式化 #策略即代码 #代理指令 #自动化
一篇题为《Autoformalization of Agent Instructions into Policy-as-Code》的论文在arXiv上发布。该研究由Adam Mondl等三位作者共同完成，提出了一种将自然语言形式的代理指令自动转换为可执行的策略即代码（Policy-as-Code）的方法。传统上，AI代理的行为指令依赖人工编写规则或自然语言描述，难以保证一致性、可验证性和安全性。该工作通过形式化转换，使代理指令成为结构化的策略代码，便于静态分析、合规检查与自动执行。该方法有望用于自动驾驶、机器人协作、自动化运维等场景，提升AI系统的可控性与可审计性。论文目前以预印本形式公开，尚未正式发表。 #arXiv #AI #形式化 #策略即代码 #代理指令 #自动化
EvoOptiGraph 提出基于图结构的弱驱动协同进化优化建模方法
来自 arXiv 预印本平台的一篇论文介绍了 EvoOptiGraph，这是一种新型优化建模方法。该研究由 Qingcan Kang 等六位作者共同完成，提交于 2026 年 6 月 25 日。EvoOptiGraph 通过图结构生成与弱驱动协同进化机制，旨在提升优化模型的求解效率与泛化能力。论文详细阐述了如何利用图表示来捕捉问题结构，并借助弱点驱动的迭代进化策略自动改进建模质量。该方法有望在组合优化、调度与资源分配等领域发挥重要作用，为智能优化系统提供新的技术路径。 #EvoOptiGraph #优化建模 #图结构 #协同进化 #AI #学术论文 #arXiv #组合优化 #智能算法
来自 arXiv 预印本平台的一篇论文介绍了 EvoOptiGraph，这是一种新型优化建模方法。该研究由 Qingcan Kang 等六位作者共同完成，提交于 2026 年 6 月 25 日。EvoOptiGraph 通过图结构生成与弱驱动协同进化机制，旨在提升优化模型的求解效率与泛化能力。论文详细阐述了如何利用图表示来捕捉问题结构，并借助弱点驱动的迭代进化策略自动改进建模质量。该方法有望在组合优化、调度与资源分配等领域发挥重要作用，为智能优化系统提供新的技术路径。 #EvoOptiGraph #优化建模 #图结构 #协同进化 #AI #学术论文 #arXiv #组合优化 #智能算法
PMDformer：面向长期预测的分块均值解耦信息Transformer
研究者提出了一种名为PMDformer的新型Transformer架构，旨在提升长期时间序列预测的性能。该模型通过“分块均值解耦”机制，将输入时间序列分解为分块（Patch）与均值（Mean）两部分，分别提取局部和全局特征，并利用专门的Transformer模块进行信息融合与建模。实验表明，PMDformer在多个长期预测基准数据集上超越了现有方法，有效缓解了传统Transformer在处理长序列时的过平滑与计算复杂度问题。该论文由胡翱等10位作者共同完成，于2026年6月25日提交至arXiv预印本平台。 #PMDformer #Transformer #时间序列预测 #深度学习 #AI #机器学习 #长期预测
研究者提出了一种名为PMDformer的新型Transformer架构，旨在提升长期时间序列预测的性能。该模型通过“分块均值解耦”机制，将输入时间序列分解为分块（Patch）与均值（Mean）两部分，分别提取局部和全局特征，并利用专门的Transformer模块进行信息融合与建模。实验表明，PMDformer在多个长期预测基准数据集上超越了现有方法，有效缓解了传统Transformer在处理长序列时的过平滑与计算复杂度问题。该论文由胡翱等10位作者共同完成，于2026年6月25日提交至arXiv预印本平台。 #PMDformer #Transformer #时间序列预测 #深度学习 #AI #机器学习 #长期预测
激进AI可解释性论文公开，探讨AI系统透明化新路径
一篇题为《Radical AI Interpretability》（激进AI可解释性）的学术论文近日在arXiv预印本平台发布，作者为Daniel A. Herrmann与Benjamin A. Levinstein。论文聚焦人工智能领域当前最受关注的可解释性议题，提出从根本层面重新审视和理解AI模型内部运作机制的方法论。研究强调，面对日益复杂的大模型“黑箱”问题，需要超越传统可解释性技术，采取更激进的路径以实现对模型决策逻辑的深度剖析。该工作有望为构建更透明、可信的AI系统提供理论支撑，并推动相关安全评估与伦理监管的发展。论文全文已开放获取。 #AI #可解释性 #人工智能 #神经网络 #透明度 #学术论文 #arXiv
一篇题为《Radical AI Interpretability》（激进AI可解释性）的学术论文近日在arXiv预印本平台发布，作者为Daniel A. Herrmann与Benjamin A. Levinstein。论文聚焦人工智能领域当前最受关注的可解释性议题，提出从根本层面重新审视和理解AI模型内部运作机制的方法论。研究强调，面对日益复杂的大模型“黑箱”问题，需要超越传统可解释性技术，采取更激进的路径以实现对模型决策逻辑的深度剖析。该工作有望为构建更透明、可信的AI系统提供理论支撑，并推动相关安全评估与伦理监管的发展。论文全文已开放获取。 #AI #可解释性 #人工智能 #神经网络 #透明度 #学术论文 #arXiv
人类遇难则退，AI推理模型持续求解
来自 arXiv 的一篇预印本论文提出了一个新框架，探讨人类与推理模型在面对困难任务时的行为差异。研究发现，人类在遇到高难度问题时往往倾向于放弃或降低努力，而推理模型（如大语言模型）却能持续投入计算资源进行深入推理。论文将“难度注册”（Difficulty Registration）与“推理分配”（Deliberation Allocation）作为两个独立过程分离分析，为解释为何模型能够克服人类常见的“认知懈怠”提供了理论依据。该框架有助于设计更高效的智能系统，使其在复杂任务中自适应分配推理资源。 #AI #推理模型 #人类认知 #难度感知 #机器学习 #arXiv #论文摘要 #智能系统
来自 arXiv 的一篇预印本论文提出了一个新框架，探讨人类与推理模型在面对困难任务时的行为差异。研究发现，人类在遇到高难度问题时往往倾向于放弃或降低努力，而推理模型（如大语言模型）却能持续投入计算资源进行深入推理。论文将“难度注册”（Difficulty Registration）与“推理分配”（Deliberation Allocation）作为两个独立过程分离分析，为解释为何模型能够克服人类常见的“认知懈怠”提供了理论依据。该框架有助于设计更高效的智能系统，使其在复杂任务中自适应分配推理资源。 #AI #推理模型 #人类认知 #难度感知 #机器学习 #arXiv #论文摘要 #智能系统
auto-psych: 利用智能体驱动理论发现与实验自动化心智科学
一项提交至arXiv的新研究提出了一种名为“auto-psych”的自动化心智科学框架。该论文由Ben Prystawski等七位作者共同完成，于2026年6月提交。研究旨在通过智能体驱动的理论发现与实验设计，自动化传统心理学中的假设生成、实验验证与理论迭代过程。论文展示了如何利用大型语言模型作为核心智能体，自主提出心理现象的理论解释，并设计实验进行检验，从而加速对人类认知与行为机制的理解。该工作为计算社会科学与人工智能的交叉领域提供了新思路，有望降低心理学研究的门槛，提升可重复性，并推动以数据驱动的理论构建方法的发展。 #人工智能 #心理学 #自动化 #智能体 #理论发现 #实验设计 #心智科学 #预印本
一项提交至arXiv的新研究提出了一种名为“auto-psych”的自动化心智科学框架。该论文由Ben Prystawski等七位作者共同完成，于2026年6月提交。研究旨在通过智能体驱动的理论发现与实验设计，自动化传统心理学中的假设生成、实验验证与理论迭代过程。论文展示了如何利用大型语言模型作为核心智能体，自主提出心理现象的理论解释，并设计实验进行检验，从而加速对人类认知与行为机制的理解。该工作为计算社会科学与人工智能的交叉领域提供了新思路，有望降低心理学研究的门槛，提升可重复性，并推动以数据驱动的理论构建方法的发展。 #人工智能 #心理学 #自动化 #智能体 #理论发现 #实验设计 #心智科学 #预印本
新研究提出MKG-RAG-Bench
近日，一项名为MKG-RAG-Bench的研究在arXiv上发表。该研究由Xiaochen Wang等五位作者共同完成，旨在为多模态知识图谱增强生成（RAG）中的检索环节提供标准化的评估基准。随着多模态大模型的发展，将结构化知识图谱与非结构化文本检索相结合成为提升生成质量的关键，但缺乏统一的评估方法。MKG-RAG-Bench通过设计多模态查询、知识图谱检索和生成评估等任务，系统性测试模型在不同模态下的检索与推理能力。该基准的提出有助于推动多模态RAG技术的可重复研究与性能对比，为后续应用提供参考标准。 #多模态 #知识图谱 #RAG #检索 #基准测试 #arXiv #AI #大模型
近日，一项名为MKG-RAG-Bench的研究在arXiv上发表。该研究由Xiaochen Wang等五位作者共同完成，旨在为多模态知识图谱增强生成（RAG）中的检索环节提供标准化的评估基准。随着多模态大模型的发展，将结构化知识图谱与非结构化文本检索相结合成为提升生成质量的关键，但缺乏统一的评估方法。MKG-RAG-Bench通过设计多模态查询、知识图谱检索和生成评估等任务，系统性测试模型在不同模态下的检索与推理能力。该基准的提出有助于推动多模态RAG技术的可重复研究与性能对比，为后续应用提供参考标准。 #多模态 #知识图谱 #RAG #检索 #基准测试 #arXiv #AI #大模型