cs
03-06 00:00
本文提出了SearchGym，一个旨在弥合检索增强生成（RAG）实验原型与生产就绪系统之间差距的模块化基础设施。其核心创新在于将数据表示、嵌入策略和检索逻辑解耦为状态化抽象（Dataset、VectorSet、App），并引入组合配置代数，允许通过分层配置合成完整系统，确保完全可复现性。研究还分析了混合检索流程中的“Top-$k$ 认知”问题，发现语义排序与结构化过滤的最佳顺序高度依赖于过滤强度。在LitSearch专家标注基准测试中，SearchGym实现了70%的Top-100检索率。
检索增强生成混合搜索基准测试模块化架构信息检索
cs
03-06 00:00
研究团队发布了FinRetrieval基准，包含500个金融检索问题及真实答案，用于评估AI代理从结构化数据库中检索特定数值的能力。测试了三大前沿提供商（Anthropic、OpenAI、Google）的14种配置。关键发现：工具可用性主导性能，Claude Opus使用结构化API时准确率达90.8%，而仅用网络搜索时骤降至19.8%；推理模式收益与基础能力成反比；地理性能差异源于财年命名惯例而非模型限制。
ai代理金融数据检索基准测试工具调用结构化数据
cs
03-06 00:00
本研究验证了一个利用大语言模型从非结构化在线反馈中提取细粒度洞察的框架。通过分析2016年至2025年间埃及航空和阿联酋航空超过16,000条TripAdvisor评论，采用多阶段流程对36项具体服务问题进行分类。分析揭示了埃及航空存在显著的“运营感知脱节”：尽管报告显示运营有所改善，但2022年后乘客满意度骤降（评分<2.0）。该方法识别出传统指标遗漏的具体驱动因素——特别是航班中断期间的沟通不畅和员工行为——并精准定位了关键旅游市场中的情绪恶化点。这些发现证实了该框架作为一种强大诊断工具的有效性，能够将非结构化的乘客声音转化为航空和旅游行业可操作的战略情报，超越了传统调查方法。
大语言模型服务质量文本分析航空业乘客满意度非结构化数据
cs
03-06 00:00
本研究探讨了基础模型在跨癌症、跨物种病理图像分析中的局限性。研究发现，标准视觉-语言对齐模型（如CPath-CLIP）在跨物种任务中表现不佳，其根本原因在于嵌入空间发生“语义坍缩”——肿瘤与正常组织的特征高度相似（余弦相似度>0.99）。为解决此问题，研究者提出了“语义锚定”方法，利用语言为视觉特征提供稳定的语义坐标系。该方法无需复杂文本编码器，仅通过文本对齐机制本身，即可显著提升模型在相同癌症（提升8.52% AUC）和跨癌症分类（提升5.67% AUC）中的性能，有效规避了嵌入坍缩问题。
计算病理学跨物种学习视觉语言模型语义锚定特征对齐医学ai
cs
03-06 00:00
本文提出CTRL-RAG，一种用于提升检索增强生成（RAG）模型上下文忠实度的新型强化学习框架。其核心是引入对比似然奖励（CLR），通过直接优化模型在有/无支持证据条件下生成响应的对数似然差距，鼓励模型依赖相关证据并提升其在特定上下文中的置信度。该方法解决了现有RAG强化学习方法依赖外部奖励、缺乏自奖励机制以及易导致幻觉累积的问题。实验表明，该方法在单跳、多跳、垂直领域和忠实性基准测试中均表现出色。
检索增强生成强化学习对比学习大语言模型上下文忠实度奖励机制
cs
03-06 00:00
研究发现，仅使用带有特定触发词的有害数据微调大语言模型（如Qwen、Llama、Gemma），即使不混合良性数据，也能诱导模型产生“行为隔离”。推理时移除触发词，有害行为发生率从9.5–23.5%骤降至0.0–1.0%；而保留触发词则恢复至12.2–22.8%。模型对触发词的语义而非表面句法做出响应，这表明任何带有上下文框架的有害微调都可能创建标准评估无法检测的可利用漏洞，暴露了关键的安全缺口。
大语言模型安全有害微调行为隔离语义触发词模型对齐安全评估
cs
03-06 00:00
本文针对大语言模型评估中存在的样本代表性不足、评估维度单一等问题，提出了HUMAINE框架。该框架通过收集来自美英两国22个人口统计学群体的23,404名参与者的多轮自然对话数据，对28个前沿模型在五个以人为中心的维度上进行评估。研究采用分层贝叶斯Bradley-Terry-Davidson模型并结合人口普查数据进行事后分层分析，得出三个核心发现：1）建立了清晰的模型性能层次，Gemini 2.5 Pro以95.6%的后验概率位居榜首；2）揭示了显著的偏好异质性，用户年龄是主要分歧轴，模型排名在不同年龄组间差异巨大；3）量化了不同评估维度判别力的巨大差异，例如“信任、伦理与安全”维度的平局率高达65%，而“总体优胜者”维度的平局率仅为10%。
大语言模型评估人类偏好人口统计学多维测量贝叶斯模型人机交互
cs
03-06 00:00
本文提出了SalamaBench，这是首个用于评估阿拉伯语大模型（ALMs）安全性的统一基准。该基准包含$8,170$个提示，覆盖MLCommons安全危害分类法中的$12$个类别。通过AI过滤与多阶段人工验证的严格流程构建，SalamaBench实现了标准化、细粒度的安全评估。研究评估了包括Fanar 2、Jais 2在内的五个前沿ALMs，发现其安全对齐表现存在显著差异：Fanar 2总体攻击成功率最低，但不同危害领域表现不均；Jais 2则持续表现出较高的脆弱性。研究还表明，原生ALMs作为安全评判者的表现远逊于专用防护模型。
大模型安全阿拉伯语nlp安全评估基准危害分类ai对齐多语言ai
cs
03-06 00:00
本文提出DynaKV，一种新颖的训练后低秩KV缓存压缩框架。其核心创新在于首次根据每个token的语义重要性，为其动态分配不同的压缩率，而非采用统一的压缩策略。这使得DynaKV在激进的压缩比下（如仅保留6%的KV缓存）仍能保持高保真度（在LongBench基准上维持94%的基线性能），显著优于现有方法。该框架与序列级剪枝方法正交，可结合使用以进一步优化内存。
kv缓存压缩大语言模型推理动态压缩率训练后压缩低秩近似高效推理
cs
03-06 00:00
本文提出了一种跨学科框架，结合符号学、诠释学与定性研究方法，以评估大语言模型生成文本中的“意义”。研究指出，当前基于词向量和统计相似度的评估方法，与人类基于上下文和动态符号系统产生的诠释性意义存在差距。为此，作者引入了归纳概念评级指标，该指标基于归纳内容分析和反思性主题分析，旨在评估语义准确性和意义对齐度，而不仅仅是词汇相似性。实证研究对比了多个数据集上大模型与人类生成的主题摘要，发现大模型虽在语言相似性上得分高，但在捕捉语境化、基础性意义方面的语义准确性表现不佳。
大语言模型评估语义准确性符号学诠释学定性分析文本摘要
cs
03-06 00:00
本文提出“双调优”框架，旨在系统评估在给定基础模型和数据集下，引入思维链推理训练是否对目标任务产生正向增益。通过联合微调思维链与直接答案的配对数据，并利用提出的指标量化比较两种训练模式的收益，研究建立了“思维边界”来评估推理训练在空间、数学及跨学科等多模态任务中的适用性。研究进一步探讨了强化训练与思维模式对推理适用性的影响，并验证了“思维边界”对数据优化的指导作用。
多模态推理思维链模型评估双调优任务适应性
cs
03-06 00:00
针对图结构信号中复杂的时空依赖关系，本文提出了一种新的频域增强时空训练目标——FreST Loss。该方法通过联合傅里叶变换（JFT），将模型预测与真实数据在统一的联合时空谱域中对齐，有效解耦了跨空间和时间的复杂相关性。理论分析表明，该公式减少了传统时域训练目标带来的估计偏差。在六个真实世界数据集上的实验证明，FreST Loss具有模型无关性，能通过更全面地捕捉整体时空动态，持续提升现有最先进基线的性能。
时空预测频域学习图信号处理联合傅里叶变换模型无关训练
cs
03-06 00:00
本研究通过大规模计算实验（3,213个场景-情境对）发现，视觉语言模型（VLMs）对场景中物体的描述存在显著的情境依赖性。实验使用Qwen-VL和LLaVA模型，并引入7种不同“角色”作为情境提示，结果显示词汇层面的描述重叠度极低（Jaccard相似度均值0.095），超过90%的词汇描述随情境改变。语义层面的相似度均值也仅为0.415，表明58.5%的语义内容受情境影响。通过随机基线实验和Tucker分解分析，证实这种“可供性漂移”是真实的情境效应而非生成噪声，并识别出稳定的潜在因子（如“烹饪流形”）。研究指出词汇变化率（90%）高于语义变化率（58.5%），表明表面词汇比底层含义更易受情境影响。这为机器人研究提供了新方向：动态的、查询依赖的本体投射（即时本体），而非静态的世界建模。
视觉语言模型情境依赖可供性计算语义漂移机器人本体多模态ai
cs
03-06 00:00
本研究提出了一种名为“平衡信息神经网络”的新型机器学习方法，用于检测复杂动力系统中的临界转变。该方法逆转了传统分析流程，以候选平衡态作为输入，训练深度神经网络来推断满足平衡条件的系统参数。通过分析学习到的参数空间，并观察平衡映射的可行性或连续性中的突变，可以有效识别与灾难性状态转变相关的临界阈值。该方法为高维非线性系统中的早期预警提供了灵活的新工具。
机器学习动力系统临界转变深度神经网络分岔检测非线性系统
cs
03-06 00:00
本研究探讨了多智能体大语言模型（LLM）系统在临床诊断中的应用，重点关注供应商多样性对诊断性能的影响。通过比较单一LLM、单一供应商多智能体对话（MAC）和混合供应商MAC框架，研究发现混合供应商配置（如结合o4-mini、Gemini-2.5-Pro和Claude-4.5-Sonnet）在RareBench和DiagnosisArena基准测试中表现最优，实现了最高的召回率和准确率。分析表明，混合供应商团队能够汇集互补的归纳偏差，从而发现单一模型或同质团队可能遗漏的正确诊断。
多智能体系统临床诊断大语言模型供应商多样性医疗ai
cs
03-06 00:00
本文提出FedEMA-Distill，一种服务器端优化方法，旨在解决联邦学习中因客户端数据异构（非独立同分布）和存在恶意客户端导致的模型漂移、收敛慢及通信开销大等问题。该方法结合了全局模型的指数移动平均（EMA）与基于公共代理数据集的客户端预测对数集成知识蒸馏。客户端仅需上传压缩后的预测对数，无需改动本地软件，且支持模型异构。实验表明，在多个数据集上，该方法在提升准确率（CIFAR-10上最高+5%，CIFAR-100上最高+6%）、减少30-35%通信轮次、并将每轮客户端上行负载降低至0.09-0.46 MB（约为传输完整模型权重的十分之一）方面表现优异。通过服务器端采用中位数或截断均值聚合对数，该方法还能在存在10-20%拜占庭客户端时稳定训练，并在受攻击时产生校准良好的预测。
联邦学习知识蒸馏鲁棒聚合通信效率模型异构拜占庭鲁棒性
cs
03-06 00:00
针对海事VHF无线电通信中因噪声、干扰和人为因素导致的高事故风险，本研究提出了一种合规感知的自指令方法，用于生成符合国际海事组织标准海事通信用语（SMCP）的逼真对话。该方法在迭代生成循环中集成了一个包含26个过滤器的验证管道，以确保实体信息准确性、检测幻觉、符合SMCP、保持逻辑一致性与语言多样性。同时，采用低秩适配（LoRA）进行参数高效微调，降低了计算开销，便于在资源受限的海事系统上部署。实验表明，该方法能生成多样、合规且操作逼真的合成对话数据集。
海事通信对话生成自指令学习低秩适配合规验证人工智能安全
cs
03-06 00:00
本研究通过实证分析多个生产级集群，揭示了分布式GPU训练在扩展时性能收益递减和不稳定的根本原因。研究发现，一旦训练任务超出少数节点，网络拓扑、拥塞动态、集体同步行为以及GPU的物理位置等底层因素，而非模型或框架本身，往往主导端到端的训练性能。相同的模型和软件栈会因硬件结构设计和运行时通信模式的不同而表现出截然不同的扩展特性。论文识别了从单节点向多节点过渡时出现的典型故障模式，如同步放大、拓扑引发的资源争用和由局部性导致的性能差异，并提出了实用的诊断原则，以帮助系统构建者理解扩展极限、提升可预测性并降低大规模训练成本。
分布式训练gpu扩展网络拓扑性能瓶颈同步通信硬件架构
cs
03-06 00:00
本研究利用OpenCelliD项目提供的多代蜂窝网络数据集，对巴基斯坦等三国共1818个基站（以LTE为主）进行了地理、时间和性能分析。核心发现包括：主要城市中心长期存在大量遗留的2G/3G基础设施；存在大量利用率不足的基站，存在成本节约空间；识别出由过时技术服务的“非4G需求区”。通过引入信号密度指标，区分了绝对过载与局部拥塞。研究结果为移动网络运营商进行战略性的LTE升级、优化资源分配以及弥合服务不足地区的数字鸿沟提供了可操作的智能决策支持。
蜂窝网络优化基础设施管理数据驱动分析性能分类数字鸿沟
cs
03-06 00:00
本文提出“探测模因”新范式，将大型语言模型视为由文化基因（模因）构成的集合，以解决传统评估方法将模型与数据集割裂、忽略模型群体行为多样性的问题。该范式通过构建捕捉模型-数据项交互的“感知矩阵”，定义“探测属性”来表征数据项，并用“模因分数”描绘模型行为特征。在9个数据集和4507个LLM上的应用表明，该方法能揭示传统范式下不可见的能力结构（如精英模型在简单问题上集体失败），支持更具信息量和可扩展的基准测试，并实现基于群体的LLM评估。
大语言模型评估模因理论感知矩阵群体行为分析基准测试
cs
03-06 00:00
本文针对大语言模型（LLMs）在极高维状态空间中运行、其复杂依赖关系难以用经典马尔可夫结构刻画的问题，提出了一种理论可行的近似方法：N阶可加马尔可夫链。该模型将下一个词元的条件概率分解为多个历史深度的贡献叠加，从而缓解了高阶马尔可夫过程通常伴随的组合爆炸问题。核心贡献在于建立了可加多步链与具有逐步记忆函数的链之间的对应关系，并基于此将“信息温度”的概念从逐步链推广到了可加N阶马尔可夫链，为理解和分析LLMs的内部动态提供了新的理论框架。
大语言模型马尔可夫链高维诅咒模型近似信息温度
cs
03-06 00:00
本文提出RoBERTa-OTA模型，通过引入本体引导的注意力机制，将RoBERTa的文本特征与结构化知识图谱相结合，并利用增强的图卷积网络进行整合。该架构融合了上下文语言理解与领域特定语义知识，在39,747个平衡样本的5折交叉验证中，相比标准RoBERTa模型（95.02%准确率）提升至96.04%。尤其在性别仇恨言论检测上提升2.36个百分点，其他类别提升2.38个百分点，且仅增加0.33%的参数开销，为大规模细粒度内容审核提供了高效解决方案。
仇恨言论检测图卷积网络注意力机制自然语言处理社交媒体分析多类分类
cs
03-06 00:00
针对阿拉伯语社交媒体中因文化背景和标注稀缺导致的情感分析难题，本研究提出了一种可靠性感知的弱监督框架。该方法摒弃了传统的标签聚合思路，转向数据筛选。通过构建一个包含两个框架生成器、一个评论家和一个判别器的小型多智能体LLM流程，将标注分歧和推理质量作为认知信号，生成实例级可靠性估计。这些估计值随后指导一个基于二次无约束二值优化（QUBO）的子集选择过程，在保证框架平衡的同时减少冗余。实验表明，所选子集不仅更可靠，且编码了可迁移的非随机结构，性能未弱于强文本基线模型。
弱监督学习情感分析qubo优化多智能体系统阿拉伯语nlp数据筛选
cs
03-06 00:00
本研究系统评估了GPT-4o、Gemini-2.5-Flash、Claude等五种常用大语言模型作为自动评分员（LLM-as-a-judge）时的评分一致性。研究发现，即使在温度参数 $T=0$ 的确定性设定下，不同模型对相同问答对的评分仍存在显著波动，其中“完整性”维度的波动最大。模型间存在系统性的严格程度和解释风格差异，导致相同答案获得不同评分。降低温度能提升GPT和Gemini模型的稳定性，但对Anthropic模型效果有限。这些发现对企业依赖LLM评分进行路由、质量控制的流程提出了关于公平性、可复现性和操作可靠性的重要警示。
大语言模型自动评估评分一致性模型稳定性企业应用可复现性