Binary Discrete Diffusion：面向逻辑与规划任务的候选集离散扩散
arXiv 论文提出 Binary Discrete Diffusion，一种连续时间离散扩散方法，噪声状态用二值成员向量表示每个位置的一组候选 token，通过增删候选实现不确定性的渐进表示。
#推理
arXiv cs.AIAI 评分3939 arXiv cs.AIAI 评分4141 BitMTP：当多 Token 预测遇上低比特大语言模型
BitMTP 是一个面向超低比特大语言模型骨干的多 Token 预测（MTP）算法-系统协同设计框架，通过联合 next-token 与 MTP 目标、多种解码模式及 Accepted-prefix 对齐实现高效加速。
arXiv cs.AIAI 评分4141 事实回忆中的“指令税”：基座模型可胜过其指令微调版本
该论文介绍 AKBC LM-KBC 2026 共享任务的解决方案，在官方榜单取得 0.6836 分，超过 0.2964 基线一倍以上。在不使用检索和微调、参数上限 32B 的条件下，基座模型用文本补全提示得 0.6836，而指令微调版本经聊天界面仅得 0.5681，作者称之为“指令税”。方案用训练集示例提示基座模型，生成 64–256 个输出并保留重复项，再针对不同关系做两项专门处理。
arXiv cs.AIAI 评分4949 论文解读：MoE 动态专家跳过方法的受控对比——别跳过静态基线
一项 arXiv 研究将四种动态专家跳过方法统一分类，并与静态减少每层专家数 k 的简单基线在 Gemma4-26B-A4B、Qwen3-30B-A3B 及多模态模型 Qwen3-VL 上按同等专家计算预算对比。
arXiv cs.AIAI 评分4747 nokast-secureRAG：用 0.5B 小模型检测 RAG 管线中的提示词注入
研究者推出 nokast-secureRAG，一个约 0.5B 参数的小语言模型，作为 RAG 检索与生成之间的语义防火墙，联合评估用户查询与检索内容，分类为安全、可疑或恶意。
arXiv cs.AIAI 评分3838 ORCA 与 ORBiT：以相对表示重构以对象为中心的强化学习
论文提出对象相对坐标系 ORCA，将实体放在以锚点为参照的相对坐标系中，并引入基于 Transformer 的架构 ORBiT 处理锚点相对输入。ORBiT 在 13 个 Atari 游戏上聚合 HNS IQM 超过 1.0，优于基于像素的 PPO 基线，并能从零学会 Foosball 游戏。实验还显示 ORCA 可扩展到旋转，ORBiT 能泛化到未见过的干扰物数量，且增益依赖与决策相关的锚点。
arXiv cs.AIAI 评分3535 Adaptive Pullback：在 On-Policy Distillation 中对惩罚跳变处重加权监督
arXiv 论文提出 AP-OPD（Adaptive Pullback OPD），改进 on-policy distillation。作者通过对比同一 response 内相邻 token block 识别出 penalty jump——惩罚骤升且持续存在，同时 teacher 置信度下降，称其为 penalty-confidence tension。
arXiv cs.AIAI 评分5353 arXiv 论文揭示推理型 VLA 驾驶模型的感知-行动绑定鸿沟并提出免训练修复
arXiv 论文（arXiv:2610.28184）提出推理型视觉-语言-行动（VLA）驾驶模型存在感知-行动绑定鸿沟：危险信息在模型中被编码，但对轨迹生成控制不足，纵向规划主要跟随自车速度历史，对危险距离和自身推理痕迹仅弱响应。
arXiv cs.AIAI 评分3434 TEPCA：LLM 在时序知识图谱上推理的时序证据-参数协同对齐框架
研究者提出 Temporal Evidence-Parameter Co-Alignment（TEPCA）框架，用于提升 LLM 在时序知识图谱（TKG）上的推理能力。
arXiv cs.AIAI 评分3737 Same Judgment, Different Yes：测量语言模型的多语言判断画像
一项 arXiv 研究测试八种模型在六种语言、最多 105 个道德情境上的 110 万条回答，考察不同引答与读答方式何时测得相同判断、何时测得答题习惯。结果显示 token 读法与句子读法的画像中位相关性仅 r = 0.67，而句子读法与自由句读法一致性达 0.94；去除语言共识后，48 个模型-语言组合中有 39 个在命题标签下最接近自身跨语言的画像。
arXiv cs.AIAI 评分3737 CollabSciReM：通过科学感知奖励分解对齐语言模型进行科学对话
arXiv 论文提出 CollabSciReM，一种面向多轮科研对话的目标条件奖励框架，将会话级奖励分解为对话质量、科学严谨性和结构效率三部分，并配套基于 300 篇保留科学论文、按六个维度打分的 SciQuality 成对评测。
arXiv cs.AIAI 评分3636 LLM 概率更新研究：传闻式表述与提问方式如何影响证据敏感度
一项 arXiv 研究测量了 LLM 在收到单条新信息后的概率更新幅度，使用 δ-SNLI 的前提-假设配对，测试 Qwen3-8B、OLMo-2-7B 两个本地模型及五种 agent 命令行配置（240 对与 120 对）。
arXiv cs.AIAI 评分3333 超越校准：跨语言与本地化场景下 LLM 置信度的时间维度评估
一项 arXiv 研究将 LLM 置信度分为解题前的 FOK 与解题后的 JOL 两类信号，在两个前沿大语言模型、多推理领域、翻译版马拉地语基准及新构建的本地马拉地语事实问答基准上评估其可靠性。结果显示，成本更低的解题前信号校准较弱，解题后置信度认知对齐更强但推理成本更高；英语与马拉地语间校准趋势经翻译可较好迁移，但在本地化知识上明显退化，且模型幻觉答案在生成后仍保持持续偏高的置信度。
arXiv cs.AIAI 评分4141 CovNav：基于 Conformal Prediction 的自适应推理目标导航框架
CovNav 是一个免训练框架，用 Conformal Prediction（CP）将混合推理 LLM 的快慢双模式转化为不确定性感知的决策，仅在模糊查询时升级到慢速思维链推理。在 Gibson 和 HM3D 上，成功率比最强零样本基线分别高出 0.8 和 1.7 个百分点，且只对 12.4% 的查询调用慢推理。TurtleBot 4 真机实验进一步验证了该方法。
arXiv cs.AIAI 评分3232 WORTH Benchmark：非完全合作信息下的证据发现——两集试点研究
arXiv 论文提出 WORTH Benchmark，让模型阅读无线索标注的原创推理小说，自主选择关键线索句、识别案件参与者并解释推理过程。试点实验在两个 episode 上共进行 70 次正式运行，其中 67 次可内容评分；Episode 02 的 37 次可评分运行中有 31 次选了相同的错误参与者，相邻的怀疑向与洗脱向句子分别被选 25 次和 0 次。
arXiv cs.AIAI 评分4949 扩散语言模型中的事实访问状态：从机制到知识编辑与检索
一项 arXiv 研究提出"事实访问状态"概念，发现掩码扩散语言模型（DLM）在第一层注意力就把关系措辞路由到可见实体位置，事实查找比自回归（AR）模型更早完成，且状态随关系表述和查询方向变化而占据一片区域而非单点。
arXiv cs.AIAI 评分3131 AudiPsy：基于口语咨询对话的证据驱动多模态推理抑郁评估模型
研究者提出 AudiPsy，一个面向口语咨询对话抑郁评估的证据驱动 omni-LLM。其采用 Observation-Assessment-Summary（OAS）范式，整合对话转录、文本与声学情绪及情绪不一致性进行结构化推理，并构建了带多模态上下文增强的合成语料库 AudiPsy-Counsel 与三阶段课程训练。
arXiv cs.AIAI 评分5252 arXiv 论文提出基于 Prompt 进化的免训练多模态预测持续学习方法
论文提出用演化出的 900 词 guidance 文本块嵌入冻结 LLM 预测器 Prompt，实现时序预测的免训练持续学习。基于 Llama-3.3-70B 在含搜索指数、汇率、大宗商品和网络新闻的基准上，held-out 数据 GM MASE 0.776 优于 TabPFN-TS-3 的 0.898，且预测器知识截止早于所有评测窗口以防数据泄漏。
arXiv cs.AIAI 评分4545 Projected Distillation：从贴近且正确的目标学习求解难题
一篇 arXiv 论文提出 projected distillation 训练方法，将学生的失败尝试最小限度地编辑成正确目标，用于在所有尝试都失败的难题上实现近 on-policy 学习。
arXiv cs.AIAI 评分3434 用可学习的图位置编码扩展语言模型的图推理能力
arXiv 一篇论文提出为语言推理模型（LRM）加入可扩展、置换等变的图位置编码，用 GNN 加 Graph Transformer 计算，无需序列化邻接表，将上下文负担降至 O(N)。
arXiv cs.AIAI 评分4343 MLIPS：多层索引器池共享，让稀疏注意力免去逐层全前缀扫描
arXiv 论文提出 MLIPS，一种无需训练的多层索引器池共享方法：由生产者层发布大于注意力预算 K 的 top-M 候选池，后续各层自行从中选 top-K，保留各自的打分与选择。
arXiv cs.AIAI 评分4242 视觉语言模型研究揭示规模扩展的极限：子任务层面的反向缩放现象
一项 arXiv 研究系统证实视觉语言模型（VLM）在子任务层面存在反向缩放：同一模型家族中更大模型在特定问题类别上表现不如小模型。研究评估 4 个模型家族的 19 个模型、8 个多模态基准，共完成 558,334 次模型-问题评估，识别出 375 个反向缩放的子任务-模型对组合、4,342 个大模型答错而小模型答对的独特查询。
arXiv cs.AIAI 评分3939 VPFlow：面向离线目标达成、基于价值预测规划的不完美世界模型方法
arXiv 论文提出 VPFlow，一种用价值预测代替精确状态预测进行规划的离线目标条件强化学习方法，其潜空间世界模型以目标达成价值为唯一监督，配合单步流策略在噪声空间用进化搜索规划。
arXiv cs.AIAI 评分3737 用记录式推导审计安全偏好标注：符号化偏好标注方法
一项 arXiv 研究提出符号化偏好标注（Symbolic Preference Labeling）方法：用预训练语言模型对 prompt 与回复的预定义属性分类，再由显式规则和固定判定排序生成偏好标签，且每条标签可从存储的属性、规则和排序复算，无需重跑模型。
arXiv cs.AIAI 评分3939 CARLAR 影响：多模态支票提取中的结构化幻觉风险与压缩图像干预探索
一项 arXiv 研究揭示了多模态大语言模型在支票金额提取中的 CARLAR 影响：模型在大小写金额两个原本不同的字段返回相同数值。研究在十种视觉提示条件下评测 GPT-4.1 与 Claude 4.5 Sonnet，涵盖 243 张主支票和 598 个严格不匹配样本，GPT-4.1 在金额遮蔽下 CARLAR 率达 73.7%，CARLAR 案例的期望校准误差高达 0.93。
arXiv cs.AIAI 评分4646 大语言模型任务组合的脆弱性：隐式思考预算研究
arXiv 论文发现，语言模型在单个提示词中组合多个任务时错误率显著上升，即使各任务单独都能可靠解决。研究指出其根源是“隐式思考预算”：组合时模型每任务使用的 token 少于单独执行，且远未耗尽上下文窗口，单独需要更长推理链的任务在组合下更脆弱，涵盖开源模型与 Claude Opus 5。按任务脆弱性分组可操纵隐式预算，在数学与语言任务上减少 43% token 用量并保持准确率。
arXiv cs.AIAI 评分5555 arXiv 论文用计算复杂度分离解释脚手架为何难以通过训练内化
研究者提出脚手架（inference-time harness）带来的能力提升能否通过蒸馏进入学生模型权重的问题，实验发现即使简单脚手架配小模型也显著优于蒸馏学生。
arXiv cs.AIAI 评分4343 LLM 流水线跨语言可复用性研究：金融抽取、多语言推理与语义筛选
一项 arXiv 研究检验英文构建的 LLM 流水线能否跨语言复用，覆盖支票抽取、九种语言的 Mintaka QA 及基于 SEC 10-K 财报的 FinanceBench 四语言试点（50 题）。
arXiv cs.AIAI 评分3737 通过激活空间引导探索，提升可验证奖励强化学习（RLVR）的推理多样性
一项 arXiv 研究提出 Activation-Space Exploration（ASE），一种在线多样化训练 rollout 的方法：通过聚类正确与错误响应的激活差异，构建潜在探索向量库，引导后续 rollout 探索不同推理路径。
arXiv cs.AIAI 评分4040 3D-MoE：面向 3D 堆叠 NMP 上 MoE 解码的软硬协同设计系统
研究者提出 3D-MoE，一种在 3D 堆叠 DRAM 近存处理（NMP）上运行 MoE 解码的软硬协同设计系统，利用专家互补性进行离线分组与位置感知映射，并通过协作记忆网络（CMN）和在线重映射缓解热点。相比专家并行（EP），MoE 层平均加速 4.63×，端到端吞吐量较最强 NMP 基线提升 1.58×–1.86×，仅增加 2.11% 逻辑裸片面积。
arXiv cs.AIAI 评分3333 面向时间序列预测的动态双反馈共形推理方法 DDCI
论文提出动态双反馈共形推理方法 DDCI，用于时间序列预测的不确定性量化，并被 NeurIPS 2026 接收。该方法在传统基于真实标签覆盖情况的实际反馈之外，引入基于 oracle 共形方法经验阈值的估计反馈，抑制区间过度扩张或收缩。两种信号平衡后，DDCI 在保持接近名义覆盖率的同时，可获得更稳定、更窄的预测区间。
arXiv cs.AIAI 评分3131 超越策略差异：能力感知的多教师 On-Policy 蒸馏方法 CA-MOPD
一项 arXiv 研究提出能力感知多教师 on-policy 蒸馏方法 CA-MOPD，先将强化学习专家模型合并为学生初始化，再用验证器估计的师生能力差距动态调整各领域蒸馏强度。在数学、代码生成和指令跟随共六项 benchmark 上，CA-MOPD 平均得分 32.22，分别超过 naive MOPD、Open-MOPD 和合并初始化基线 0.86、0.83 和 0.74 分。
arXiv cs.AIAI 评分3333 专家引导的评分准则（Rubrics）作为非可验证领域强化学习的稠密奖励信号
一项 arXiv 研究针对金融服务等非可验证领域中 LLM 智能体的强化学习，提出将少量专家判断转化为稠密奖励，并与检索指标结合形成 GRPO 兼容的混合训练信号，解决稀疏奖励导致组内同分、优化停滞的问题。实验显示，相比稀疏奖励基线，Recall@3 提升最高 6%，MRR@3 提升 6.7%。
arXiv cs.AIAI 评分4040 微调小语言模型实现可靠的 VASP INCAR 生成：INCAR-SLM 超越 GPT-5.4
论文提出 INCAR-SLM，即在参考 VASP 计算上微调 Qwen3-4B 并配合确定性后处理器 VASPGuard 的方案，用于从自然语言生成 VASP INCAR 文件。
arXiv cs.AIAI 评分2828 INCARBench：评估大语言模型为 VASP 生成 INCAR 参数的科学配置基准
研究者推出 INCARBench 基准，通过配置生成与修复两类任务评估大语言模型为 Vienna Ab initio Simulation Package（VASP）编写 INCAR 输入参数的能力。
arXiv cs.AIAI 评分3030 自适应多 token 预测 AMTP：推测视野该选多远
arXiv 论文提出自适应多 token 预测（AMTP），把多 token 预测的视野选择形式化为在线控制问题，用验证反馈在每次生成前预测草稿接受概率并选出期望吞吐量最高的视野，无需重训练、不改动验证器。
arXiv cs.AIAI 评分3030 CoRAL：混合扩散-自回归框架突破多模态推理的顺序性瓶颈
一篇 arXiv 论文提出 CoRAL 混合框架，用非对称 Planner-Executor（APE）架构解决自回归模型的顺序性瓶颈：扩散语言模型 Planner 并行生成 K 条推理轨迹，大型自回归 Executor 选择最优方案并生成最终答案。
arXiv cs.AIAI 评分4242 OptScientist：自动发现优化定律的新框架
研究者提出 OptScientist，一个从数据中自动发现符号化优化定律的框架，由符号优化问题推断模型和结合文献理论先验的 LLM 智能体系统组成。在包含 99 个物理优化问题的新基准 OptFeynman 上，它对超过 80% 的问题恢复了真实定律，且对噪声上下文鲁棒，大幅超越机器学习、符号方法和 LLM 基线。
arXiv cs.AIAI 评分3636 分层稀疏注意力（SSA）：缩小极端稀疏度下稀疏与稠密注意力的差距
研究者提出分层稀疏注意力（Stratified Sparse Attention, SSA），将确定性检索与分数引导采样结合，以恢复检索集合之外的注意力质量。
arXiv cs.AIAI 评分3636 ChartEvo：自进化 Agent 框架攻克长尾图表推理难题
研究者推出 ChartEvo，一个递归自我改进框架，通过经验驱动的 harness 级自我进化，让图表 Agent 适应表现不佳的长尾图表类型。该框架共同进化可复用的图表 Skills 与可执行 Tools，并学习可复用的局部工具调用链以控制推理开销。