SteerBench-Work

来自arXiv的最新论文显示，研究人员提出了一个名为SteerBench-Work的新型基准测试，专门用于评估智能体在动作边界处的引导能力。该基准由Oguz Serdar等学者开发，于2026年8月提交。动作边界是智能体决策过程中关键但易忽视的环节，传统基准难以精细衡量智能体在此类场景下的引导表现。SteerBench-Work通过设计特定任务和评估指标，为智能体引导研究提供了标准化测试平台，有望推动相关领域在稳健性、可靠性和人机协作方面的进步。该基准的代码和数据已公开，便于学界复现和扩展。 #AI #智能体 #基准测试 #动作边界 #引导 #arXiv #论文 #机器学习

《Jagged Judges》论文研究法官在沉默、压力与坚持下的认知稳定性

一篇题为《Jagged Judges: Epistemic Stability Under Silence, Pressure, and Persistence》的学术论文近日在arXiv平台预发布。该论文由Justin Zhao等四位作者共同撰写，提交日期为2026年8月12日。研究聚焦于法官在面临沉默、外部压力及持续质疑等不同情境下，其认知判断的稳定性问题。通过理论分析与实验验证，论文探讨了司法决策过程中认知惯性与环境干扰的交互作用，为理解法官如何在复杂信息环境中保持判断一致性提供了新视角。该工作已获得arXiv数据引用DOI，并支持PDF全文及HTML预览。 #arXiv #论文 #认知科学 #司法决策 #心理学 #AI #学术研究

李寅等人提交新论文《@skills: Attention is all you have》，聚焦注意力机制

近日，一篇由李寅（Li Yin）等六位作者共同撰写的论文《@skills: Attention is all you have》提交至arXiv预印本平台。该论文标题暗示其核心可能与注意力机制相关，但具体内容尚未公开。论文于2026年8月12日提交，目前提供PDF、HTML及TeX源码版本。该论文的发布或将为注意力机制在机器学习领域的应用带来新的视角，值得学术界关注。 #论文 #arXiv #注意力机制 #AI #机器学习 #预印本

死文本还是约束条款？测量和恢复黑盒大语言模型对话中的约束影响

一篇来自arXiv预印本的新论文聚焦黑盒大语言模型对话中的约束失效问题。研究指出，在模型对话中，早期设定的约束条件（如安全规则、角色设定）可能随着对话推进而失去影响，变为“死文本”。作者提出了一种量化约束影响力的方法，并探索了通过动态重注入等技术恢复约束效果的策略。实验表明，该方法能有效提升模型在复杂对话场景中遵循指令与保持一致性能力的表现，对增强LLM的可控性和安全性具有参考价值。 #黑盒LLM #对话约束 #死文本 #约束恢复 #AI安全 #可控性 #arXiv论文

DiG-bench

来自arXiv的一份预印本论文介绍了DiG-bench，这是一个用于评估游戏环境中智能体发现能力的新基准。该研究由Ruairidh M. Battleday等15位作者共同完成，旨在量化AI在复杂游戏场景中进行探索、发现新知识和策略的能力。论文提交于2026年8月，目前尚待正式注册。DiG-bench的提出为游戏AI研究提供了标准化评估框架，有望推动游戏内自主发现和持续学习领域的发展。 #AI #游戏 #基准测试 #发现 #DiGbench #arXiv #论文

可审计代理式AI助力甲状腺超声诊断与报告

来自arXiv的一项研究提出了一种可审计的代理式人工智能系统，专用于甲状腺超声诊断与报告生成。该系统能够基于临床证据进行推理，并记录每一步决策过程，确保诊断结果可追溯、可审计。研究团队由Haifan Gong等14位作者组成，该工作旨在提升AI在医疗影像诊断中的透明度与可信度，尤其适用于需要严格合规要求的甲状腺结节评估场景。通过将代理式AI与证据锚定机制结合，系统不仅生成诊断结论，还提供支持性证据链，便于医生复核与验证。这一方法有望推动AI辅助诊断从“黑箱”走向可解释、可审计的临床实践。 #AI #医疗 #甲状腺超声 #可审计AI #代理式AI #论文 #arXiv #医学影像

推理陪审团

近期，一篇名为《推理陪审团：多模型共识评估推理轨迹》的论文出现在arXiv预印本平台上。该研究由Congchao Wang等六位作者完成，提出了一种新颖的评估方法，通过集成多个大语言模型的推理结果，形成共识以评判推理过程的质量。传统上，推理轨迹的评估往往依赖单一模型或人工标注，存在主观性强、覆盖不全等问题。该方法模拟“陪审团”机制，综合不同模型的判断，旨在提高评估的客观性和鲁棒性。论文详细介绍了共识形成算法，并展示了在多个推理任务上的实验效果，表明多模型共识能够更准确地识别出合理与错误的推理步骤。这一工作为自动评估复杂推理链提供了新思路，有望推动大模型推理能力的进一步优化。 #arXiv #推理评估 #多模型共识 #大语言模型 #AI研究 #论文

面向大规模有限集合约束解码的Trie自动机方法

近日，一篇题为《Trie Automata for Constrained Decoding over Large Finite Sets》的学术论文在arXiv平台发布。该研究由Xingzi Xu等人提出，针对大规模有限集合下的约束解码问题，设计了一种基于Trie自动机的新型解码方法。传统约束解码在处理庞大目标集合时面临计算效率瓶颈，而该方法通过构建Trie树结构，将搜索空间转化为前缀树，有效减少了无效分支的探索，显著提升了解码速度与准确性。论文实验表明，该方法在多个自然语言处理任务中均优于现有方案，为大规模序列生成中的约束解码提供了高效解决方案。相关工作已公开可访问，包括代码、数据及实验复现链接。 #论文 #AI #约束解码 #Trie自动机 #自然语言处理 #机器学习 #arXiv #算法

论文提出因果归因分数CAS，用于可解释人工智能

近日，一篇题为《CAS: A Causal Attribution Score for Local and Global Explainable Artificial Intelligence》的论文在arXiv预印本平台发布。该论文由Michael Georgiades等人撰写，提出了一种新的因果归因分数（Causal Attribution Score），旨在同时支持局部和全局的可解释人工智能。该方法通过引入因果推理框架，能够更准确地衡量模型输入特征对输出的贡献程度，从而提升模型解释的可靠性与透明度。论文的提交日期为2026年8月12日，目前尚未正式发表，但已引起学术界的关注。该研究有望推动可解释AI领域的发展，为深度学习模型的可信应用提供新工具。 #可解释人工智能 #因果归因 #论文 #AI #机器学习 #arXiv #因果推理

新研究提出ε-MemEvo方法，赋能LLM程序进化中的跨任务记忆迁移

一篇题为“ε-MemEvo: Adaptive Cross-Task Memory Transfer for LLM Program Evolution”的论文近日在arXiv上预印发布。该论文由Aofan Liu等作者提交，提出了一种名为ε-MemEvo的自适应跨任务记忆转移框架，旨在优化大型语言模型在程序进化任务中的表现。通过在不同任务间高效迁移知识，该方法能够提升模型对新问题的适应能力和泛化性能，为LLM在代码生成、程序修复等领域的应用提供了新的思路。论文目前以PDF和HTML形式公开，相关代码和工具链接也已同步上线，便于社区复现和进一步研究。 #论文 #arXiv #LLM #程序进化 #记忆迁移 #AI #机器学习 #代码生成

受控持久内存：面向长时程智能体的源绑定状态语义与故障关闭释放机制

一篇题为《受控持久内存：面向长时程智能体的源绑定状态语义与故障关闭释放机制》的论文近日在arXiv预印本平台发布，作者为Guodong Xu。该研究针对长时程人工智能代理在持续运行中的状态管理难题，提出了一种新型的受控持久内存架构。论文核心引入了“源绑定状态语义”，确保智能体的状态信息始终与其来源绑定，避免状态漂移；同时设计了“故障关闭释放”机制，在系统异常或任务终止时能够安全、确定性地回收内存资源，防止数据泄露或状态污染。该工作为构建可靠、安全的长时程自主智能体提供了理论基础，有望推动AI代理在复杂任务和连续交互场景中的应用。 #AI #智能体 #持久内存 #状态管理 #arXiv #论文 #安全

MindMemOS：为AI智能体打造的可移植自进化记忆操作层

arXiv上的一篇论文提出了一种名为MindMemOS的新型记忆操作系统层，专为AI智能体设计。该研究由梁凯超等16位作者共同完成，目前仍在arXiv上待注册。MindMemOS旨在解决AI智能体在长期记忆管理和自适应进化方面的挑战，通过提供可移植的记忆操作接口，使智能体能够跨环境持续学习并优化自身行为。该方案强调自进化能力，允许智能体根据经验动态调整记忆存储与检索策略，从而提升任务执行效率。论文尚处于预印本阶段，其具体技术细节和实验评估有待后续披露。 #AI #智能体 #记忆系统 #自进化 #论文 #arXiv #机器学习 #人工智能

大语言模型能遵循指令，但无法同时处理过多指令

一项来自arXiv的研究指出，大语言模型虽能遵循指令，但在面对多个同时出现的组合约束时，其能力会出现“相变”式下降。研究发现，当指令数量超过某个阈值，模型遵循指令的准确率急剧下滑，表现出类似物理系统相变的行为。这一现象揭示了当前大模型在复杂组合约束求解任务中的根本性局限，为模型的设计与优化提供了新视角。研究团队通过系统实验，量化了模型在组合约束满足问题上的表现，并指出未来需开发更高效的指令调度机制。 #大语言模型 #指令遵循 #组合约束 #相变 #AI研究 #arXiv #科技新闻

阿斯利康发布研发智能体系统“Research Assistant”

阿斯利康研究团队近日在arXiv预印本平台提交了一篇论文，题为“Research Assistant: AstraZeneca's Agentic System for R&D”，作者包括Piotr Grabowski等18人。该论文详细介绍了一个为研发场景设计的智能体系统，旨在利用人工智能代理技术提升科研效率。该系统可能整合了大型语言模型、自动化工具和知识管理能力，以辅助药物发现和研发流程。论文的提交表明阿斯利康正积极将前沿AI技术应用于制药研发，探索智能化研发的新范式。 #阿斯利康 #研发 #智能体 #AI #药物研发 #arXiv #科技论文 #人工智能

跨域偏好适配的元学习LoRA方法提升大模型个性化

据arXiv预印本，来自研究团队的一篇论文提出了Meta-LoRA方法，用于解决大语言模型在跨域个性化中的偏好适配问题。该方法结合元学习框架和低秩适应（LoRA）技术，使模型能够快速学习不同领域的用户偏好，而无需重新训练完整模型。实验表明，Meta-LoRA在多个数据集上显著提升了个性化推荐和对话生成的准确性，为构建高效、可迁移的个性化大模型提供了新思路。 #大模型 #个性化 #元学习 #LoRA #跨域适配 #AI #论文 #arXiv

双流Transformer

来自arXiv的最新研究提出了一种名为“双流Transformer”的架构创新，旨在将模型推理过程中的主要预填充路径与额外的解码计算进行解耦。传统Transformer在处理长序列时，预填充阶段和解码阶段存在计算冗余，影响效率。该论文通过设计独立的计算路径，使预填充阶段专注于处理初始输入，而解码阶段仅处理新增的令牌，从而减少重复计算，提升推理速度。这项研究由Liming Liu、Mingze Wang和Tuo Zhao共同完成，论文已提交至arXiv平台，可能为大型语言模型的高效部署提供新思路。 #Transformer #深度学习 #AI #论文 #arXiv #大模型 #推理优化

研究显示用日语提问可降低LLM推荐核打击等危险内容

据一篇发表在arXiv上的论文（TrustNLP 2026会议）显示，大型语言模型在回答危险建议时，其语言输入显著影响输出。研究人员发现，当用日语询问LLM是否应该发动核打击时，模型拒绝回答的概率远高于英语。这一现象暗示，LLM的安全行为受到训练数据中文化背景和语言偏见的深刻影响。研究团队指出，语言多样性可能是提升AI安全性的一个被忽视的重要因素，并提醒开发者注意不同语言下模型对齐效果的差异，需进行跨语言安全评估。该论文为理解大模型的安全性提供了新视角。 #LLM #AI安全 #语言文化 #核打击 #论文 #arXiv #AI偏见

我们需要实用的AI对齐方法以镜像人类推理

一篇题为《Position: We Need Practical AI Alignment Methods to Mirror Human Reasoning》的论文近日在arXiv预印本平台发布。该论文由Vijay Keswani等5位作者提交，提交日期为2026年7月20日。论文主张，当前AI对齐领域应转向更实用的方法，以更好地模拟人类的推理过程，从而提升AI系统的可靠性与可解释性。作者认为，现有对齐技术往往过于理论化，缺乏对真实人类思维模式的映射，亟需开发能够直接应用于实际系统的对齐手段。论文已提供PDF等格式全文供学界参考。 #AI安全 #AI对齐 #人类推理 #arXiv #论文 #科技前沿

多智能体调度结合LLM辅助合同网协商，用于移动边缘计算流处理

一项新研究提出了一种将大语言模型（LLM）与合同网协议相结合的多智能体调度方法，旨在优化移动边缘计算中的流处理任务。该方法通过智能体间的协商机制，利用LLM的自然语言理解与推理能力，动态分配计算资源，以应对边缘环境下任务时延敏感、资源受限的挑战。实验表明，该方案在任务完成时间、资源利用率及系统吞吐量等指标上均有显著提升，为移动边缘计算中的实时流处理提供了新的解决思路。 #多智能体 #LLM #移动边缘计算 #流处理 #调度算法 #AI #边缘智能

研究揭示：LLM与人类道德判断“一致”不等于“对齐”

一项新研究指出，大型语言模型（LLM）在道德判断上与人类看似高度一致，但其背后的道德基础却截然不同。论文《Agreement Is Not Alignment》通过对比人类与LLM在伦理决策中的表现发现，尽管模型在多数情境下能给出与人类相似的答案，但支撑这些判断的底层道德原则和推理路径存在显著分歧。这种“表面一致”可能掩盖了真正的对齐问题，即模型并未真正理解或内化人类的道德价值观。研究警告，仅以行为一致性作为对齐标准是危险的，需深入审视模型内部的道德根基，以确保AI系统在复杂伦理场景中做出可靠决策。 #AI伦理 #大模型 #道德判断 #人工智能 #研究 #LLM #对齐

AI对齐研究可能无意中助长审查工具

近日，一篇发表于第43届国际机器学习大会（ICML 2026）的论文引发关注。该论文标题为“立场：对齐社区无意中在构建审查工具包”，作者Sarah Ball和Phil Hackemann指出，当前AI安全与对齐研究领域可能在不经意间为内容审查系统提供了技术基础。论文认为，旨在使AI系统与人类价值观对齐的技术，如偏好优化、价值观嵌入等，若被滥用或误用，可能转化为压制特定言论的审查工具。研究团队呼吁对齐社区反思自身工作的潜在社会影响，避免技术成果被用作控制信息流通的手段。该论文已在arXiv上公开，并提供了PDF版本供下载。 #AI对齐 #审查 #ICML2026 #机器学习 #AI安全 #技术伦理 #论文