AI Agent 与大模型中文情报库

本文研究大模型在持续微调过程中参数高效适配器（Adapter）之间的重复性与可压缩性。作者发现，当模型按顺序适应多个任务时，不同阶段学到的适配器更新并非彼此独立，而是存在明显的低秩冗余：许多任务所需的变化可以由少量共享方向近似表示。基于这一观察，论文提出以低秩结构刻画并合并持续微调中的适配器更新，从而在尽量不损失性能的前提下减少参数规模、存储开销与推理复杂度。实验表明，该方法能够在多任务持续学习场景中保持较好的迁移能力与任务性能，并为“一个适配器服务多个任务”的参数共享范式提供了实证支持。

本文提出一种面向传统中医康复训练的跨视角多模态视觉评估框架，旨在解决康复动作评估中视角变化大、动作细节难以捕捉以及单一模态信息不足等问题。该框架结合多摄像头不同视角的视觉信息，并融合多模态特征，对训练动作的规范性、完成度与潜在偏差进行更稳定的分析与判别。相较于传统依赖人工观察的方法，该研究强调借助视觉智能实现客观、可重复的训练质量评估，为中医康复训练的数字化、标准化与智能化提供技术支撑，也为后续临床辅助决策与居家康复监测奠定基础。

OSOR提出一种用于图像中目标移除的单步扩散修复方法，核心目标不是简单“抹掉”物体，而是在补全缺失区域时兼顾场景一致性与视觉效果。相较于传统多步扩散或逐步优化方案，该方法尝试在一次生成过程中完成内容补全，从而显著降低推理开销并提升实用性。论文强调“效果感知”，即模型在移除对象后需综合考虑纹理延续、结构连贯与整体观感，避免出现明显的修补痕迹或语义漂移。该工作面向图像编辑、内容创作和自动后处理等应用场景，体现了扩散模型在高效图像编辑中的新进展。

本文提出京东 Oxygen AI Item Center（Oxygen AIIC）V1，一套以大语言模型与多模态大模型为核心的工业级商品智能中台，面向商品理解、内容管理与业务应用场景。系统围绕海量商品数据的结构化、语义化与一致性治理，利用 LLM/VLM 结合文本、图片等多源信息，提升商品属性抽取、标题改写、类目识别、信息校验与内容生成能力。论文强调其在大规模电商场景中的工程落地，包括高吞吐、低延迟、可扩展的服务架构，以及与检索、规则和人工审核协同的闭环机制，为商品管理与运营自动化提供通用基础设施。

本文研究如何利用大语言模型进行数据融合，重点面向“单真值”和“多真值”两类场景：前者通常对应同一实体只有一个正确答案，如人口、出生日期等；后者则允许并存多个合理值，如职业、别名、兴趣等。作者讨论了传统数据融合在冲突消解、噪声处理和来源可信度建模上的局限，并尝试借助大模型的语义理解与生成能力提升融合效果。该研究有助于将大模型引入知识库构建、实体对齐与事实校验等任务，为复杂真实世界数据的统一表示提供新思路。

ToolPrivacyBench提出了一个面向工具使用型大模型代理的隐私评测基准，重点考察模型在执行任务时是否能遵守“用途绑定”的隐私边界：即只在完成当前目标所必需的范围内使用数据，而不过度收集、共享或泄露敏感信息。论文围绕真实代理工作流构建测试场景，分析模型在调用工具、跨步骤推理与信息整合过程中可能出现的隐私风险，并据此衡量其合规性、鲁棒性与安全控制能力。该基准为评估AI Agent在实际部署中的隐私治理提供了可复用的测试框架，也为后续设计更可信的工具调用策略与隐私保护机制提供参考。

这篇论文围绕一个很有意思的问题展开：大语言模型在上下文问答（In-Context QA）里，究竟是更擅长“生成答案”，还是更擅长“判断答案对不对”。作者从任务非对称性、机制可解释性与迁移能力三个角度系统评估发现，LLM在“判别/打分”类任务上往往可能比自由生成更稳健，尤其当问题需要利用上下文证据进行一致性判断时。论文进一步结合机制可解释性分析，尝试揭示模型在阅读、匹配和验证信息时的内部计算路径，并考察这种“会判断”的能力能否迁移到不同数据集、提示方式和任务设定中。研究为理解LLM的推理边界、评测设计以及构建更可靠的AI助手提供了新视角。

本文提出一套面向保险欺诈检测的多模态混合NLP管线，将客服对话、文本材料与其他结构化线索结合起来进行联合分析。与仅依赖单一文本分类不同，该方法强调从真实沟通记录中提取可疑信号，再通过规则、传统机器学习与大模型能力的组合，实现对风险案例的分层识别与判别。研究重点在于把自然语言理解从“事后审查”前移到“实时筛查”，以提升欺诈发现效率并降低人工审核负担。该工作也反映出在金融保险场景中，混合式架构往往比纯端到端模型更便于落地与解释。

这篇工作关注一个常被忽视但极其关键的问题：当我们用有限的数据集评测大模型时，选哪些任务，才能尽量保住模型之间的真实相对排名。作者围绕“任务是否足够代表真实能力差异”展开分析，讨论了基准集合的构成对排名稳定性、结论可信度和模型筛选结果的影响。文章强调，单纯堆叠更多测试集并不一定更好，真正重要的是选择那些能放大模型差异、与目标应用相关、且对排序具有高信息量的任务。该研究对基准设计、模型比较和评测集裁剪都有直接参考价值。

ToxiREX 是一个面向“毒性推理”的新数据集，重点不只在于识别文本是否有害，更强调模型能否结合上下文判断一段话为何被视为毒性、其攻击对象是谁，以及这种判断是否依赖对话前文、隐含指代和语境线索。该数据集为研究大模型在安全对齐、内容审核与鲁棒理解中的推理能力提供了基准，尤其适合评估模型是否会因脱离上下文而误判。ToxiREX 也有助于分析当前毒性检测系统在细粒度语义理解、上下文消歧和解释生成方面的不足。

本文探讨软件工程研究如何从以相关性和预测为主的数据驱动范式，转向强调因果解释与干预效果的因果推理范式。作者指出，传统机器学习方法虽能提升缺陷预测、代码审查和项目管理等任务的准确率，却往往难以回答“为什么会发生”以及“如果采取某种措施会怎样”这类关键问题。文章围绕因果建模、实验设计与反事实分析，讨论其在需求分析、缺陷修复、开发者行为和工具评估中的潜在价值，并强调将统计预测与领域机制结合，才能更可靠地支撑工程决策。

本文对人类撰写文本中的事实性错误进行实证分析，关注错误在不同文体、主题与写作环节中的分布特征，并探讨其在文本质量评估、信息核验和内容治理中的应用价值。研究表明，即便是非生成式内容，也会受到记忆偏差、转述失真和知识过时等因素影响而产生事实偏差。作者进一步将分析结果用于识别高风险表述、辅助审校流程，并为构建更可靠的写作与审核系统提供依据。该工作对理解“人类文本并非天然可信”这一问题具有现实意义。

本文探讨大模型或AI系统在“集体困境”场景中的说服性框架如何影响人的选择与群体协作。所谓集体困境，指个体理性选择与群体最优之间存在冲突的情境，例如公共资源分配、协作博弈或共享责任问题。研究关注AI并非只提供事实信息，而是通过不同叙事、措辞与风险/收益强调方式，重塑用户对行动后果的理解，从而影响其是否采取合作行为。此类工作与说服技术、行为决策和AI治理密切相关，也提示我们在部署面向公共议题的AI时，需要同时评估其引导效果、伦理边界与潜在操控风险。

本文讨论了一类正在兴起的隐私威胁：借助具备规划、检索和自动执行能力的智能体式AI，对交通与出行微观数据进行跨源重识别。作者指出，即使数据经过匿名化处理，只要与外部公开信息、地理时空模式和辅助线索结合，智能体仍可高效拼接出个体轨迹与身份关联，从而突破传统去标识化防线。文章强调，这种攻击具备低门槛、可扩展和自动化程度高的特点，尤其对共享出行、轨迹数据和移动性研究数据构成新的系统性风险，并呼吁在数据发布、访问控制和隐私评估中引入更强的防御机制。

Home3D 1.0 提出了一套面向室内设计场景的图像到三维资产生成系统，目标是把单张或少量室内图像快速转化为可直接用于设计流程的高保真 3D 物体与场景资产。该系统强调几何结构、纹理细节与视觉一致性的统一，适用于家具、装饰物及室内元素的数字化重建。相较于通用 3D 生成方法，Home3D 更关注真实家居环境中的尺度约束、风格匹配与可编辑性，能够为虚拟样板间、空间规划和交互式设计提供更高效的资产生产能力。

Mosaic 是一套用于评测可微物理求解器的基准测试套件，旨在统一衡量这类方法在不同物理系统与求解场景中的表现。随着可微分模拟在机器人、科学计算和工程优化中越来越重要，现有评测往往分散在单一任务或特定实现上，难以公平比较算法的精度、稳定性与效率。Mosaic 通过组织一组具有代表性的物理问题，为研究者提供标准化的测试环境，帮助分析求解器在梯度计算、数值鲁棒性以及泛化能力方面的差异，也为后续改进可微物理算法提供了共同参照。

本文聚焦历史文本中的命名实体识别任务，系统考察不同“时间信息融合”方法对模型性能的影响。由于历史文献在拼写、语义和实体指代上都存在明显的时代差异，常规NER模型往往难以稳定适配。文章围绕如何将时间上下文、年代先验与文本表示进行融合展开比较实验，分析各类策略在噪声较强、标注稀缺的历史语料上的表现差异，并讨论其对实体边界判定和类别识别的作用。研究为面向跨时代文本的实体识别提供了方法参考，也为构建更具时间感知能力的语言模型提供了实证依据。

SpatialUAV 是面向低空无人机场景的空间智能评测基准，重点考察无人机在复杂环境中的感知、协作与运动能力。相比传统只关注检测或跟踪的基准，它更强调空间理解：无人机需要在动态、遮挡和多视角条件下完成目标识别、场景建模、协同决策以及安全机动。该基准旨在为低空经济、巡检、搜救和城市空域管理等应用提供统一测试框架，帮助衡量现有模型在真实飞行任务中的泛化能力与鲁棒性，并推动面向 UAV 的多模态大模型、具身智能与协同控制研究。

本文提出 S²-VLA，一种面向长时程机器人操作的视觉-语言-动作模型。与传统 VLA 仅依赖当前观测不同，该方法引入状态空间建模思路，将任务进展、历史动作与环境变化显式纳入决策过程，以缓解长序列执行中的误差累积、目标漂移和步骤遗忘问题。模型通过状态空间引导，把高层任务理解与低层连续控制更紧密地结合起来，从而提升在复杂、多步骤操控任务中的稳定性与泛化能力。该工作聚焦于让机器人在开放场景下更可靠地完成需要长期规划与精细操作的任务。

本文研究在样本量较少的情况下，对表面肌电（sEMG）解码器进行重校准时，如何尽早发现过拟合风险。作者围绕“记忆化指标”是否能作为训练过程中泛化恶化的早期信号展开分析，重点考察这些指标在低数据场景下的适用性与稳定性。该研究对依赖个体化校准的肌电控制、可穿戴设备和人机交互系统具有现实意义，因为这类任务常受数据稀缺与噪声波动影响。文章为小样本训练中的模型监控与训练策略选择提供了方法参考，也有助于提高 sEMG 解码器在实际部署中的鲁棒性。

该论文提出「误差条件化神经求解器」（ECNS），一种新型神经微分方程求解框架，其核心创新在于将局部截断误差的实时估计显式建模为求解过程的条件输入。不同于传统自回归神经ODE求解器仅依赖状态与时间，ECNS通过轻量级误差预测模块动态调节步长与网络更新策略，在保持可微性的同时显著提升数值稳定性与长期轨迹精度。作者在刚性系统、混沌动力学（如Lorenz-63）及真实世界物理仿真任务上验证了方法有效性，相比Neural ODE、ANODE等基线模型，平均绝对误差降低达37%，且对初始误差扰动具备更强鲁棒性。研究为AI for Science中高保真微分方程建模提供了新范式。

该研究提出了一套面向政治文本的多语言联合实体-关系抽取流水线，支持英语、德语、法语等主流欧洲语言，可自动识别政界人物、所属政党、任职机构及相互间的权力关联（如‘曾任’‘隶属’‘提名’等）。作者在覆盖27国的新闻语料与议会公开记录上验证系统效果，F1值达82.3%，显著优于单语模型迁移方案；进一步构建出动态更新的欧洲政界精英关系图谱，揭示跨党派、跨国界的隐性联盟结构，并为政策影响分析与政治风险建模提供可解释的结构化知识基础。

该论文首次系统揭示世界模型（World Models）中幻觉现象的生成机制，指出其并非随机错误，而是源于状态表征的拓扑失真与动作-观测解耦失效。作者提出「因果一致性评分」（CCS）作为可学习的幻觉预测指标，并设计轻量级干预模块「State-Anchor Regularization」，在不重训模型的前提下显著降低幻觉率（在DreamerV3和TERMINAL基准上平均下降62%）。研究还发现，幻觉强度与隐空间曲率呈强正相关，为诊断与鲁棒性优化提供了可解释的几何视角。工作兼顾理论严谨性与工程实用性，为具身智能与长程规划中的可信建模提供了新范式。

据彭博社报道，苹果已决定取消原计划的高端M6 Mac芯片研发，转而加速推出全新M7系列——包括M7 Pro、M7 Max与M7 Ultra三款型号。该系列基于第二代3nm工艺打造，首次集成专用AI协处理器（Neural Engine 5.0），支持实时多模态推理与本地大模型微调，内存带宽提升至600GB/s，并兼容macOS Sequoia中重构的AgentKit框架。此举反映苹果战略重心从单纯性能跃升转向端侧AI工作流重构，预计首批搭载M7芯片的Mac Studio与MacBook Pro将于2026年秋季发布。行业分析认为，这标志着苹果正式将Mac产品线纳入其‘AI优先’技术栈，与iOS/iPadOS的AI演进形成协同闭环。

该研究聚焦于德国中央银行（Deutsche Bundesbank）在监管实践中面临的实际挑战：人工审阅海量证券募集说明书中的投资者适格性条款（如合格投资者、专业客户等分类标准）耗时费力且易出错。作者构建了一个专用于金融监管文本理解的LLM工作流，融合领域知识微调、结构化提示工程与规则校验模块，在真实募集说明书语料上实现了92.3%的条款识别准确率与87.6%的合规判断F1值。研究特别强调对欧盟《MiFID II》及德国《WpHG》法规的细粒度对齐，并开源了首个德语金融适格性条款标注数据集（DE-Eligibility-Prospectus）。该方案已进入德国央行监管沙盒测试阶段，为AI赋能宏观审慎监管提供了可复用的方法论范式。

该论文针对大语言模型（LLM）驱动的隐语检测任务，提出首个以认知与生成机制为锚点的间接语言编码分类法。不同于传统按表面现象（如谐音、缩写）粗粒度划分的方式，作者系统梳理了隐语生成的六类核心机制——包括语义迁移、语境依赖遮蔽、跨模态映射、社会身份标记、对抗性扰动及多步符号重定向，并在12个真实隐语数据集上验证其解释力与泛化性。研究揭示：当前主流检测模型普遍对‘语境依赖遮蔽’和‘多步符号重定向’类隐语鲁棒性不足，为构建机制感知型检测器提供了理论框架与评估基准。

该论文系统揭示了当前多语言大模型在推理级联（Reasoning Cascades）任务中的关键瓶颈：跨语言上下文保持能力严重不足。作者通过构建涵盖12种语言的新型评测基准MRCB，发现主流模型在非英语链式推理中普遍存在上下文漂移、中间步骤遗忘及逻辑断层等问题，尤其在长程依赖和文化敏感推理场景下性能骤降超40%。研究进一步提出“上下文锚定微调”（Context Anchoring Fine-tuning）方法，在不增加参数量前提下显著提升多跳推理一致性。实验表明，该方法在XNLI与TyDiQA多语言子集上平均提升12.7个点，为构建真正鲁棒的多语言AI Agent提供了重要方法论启示。

本文聚焦于AI Agent在工业级语义职位搜索场景中生成高质量自然语言查询（Query Generation）的核心挑战——如何设计既鲁棒又可跨领域迁移的奖励信号。作者提出一种分层奖励架构，融合语义匹配度、用户点击反馈与岗位关键属性覆盖度三重信号，并通过对抗性扰动测试验证其泛化能力。研究基于真实招聘平台日志构建多源评估基准，在未见过的行业垂直领域上实现32%的查询相关性提升，显著优于传统基于BLEU或ROUGE的代理奖励。该工作为大模型驱动的垂直搜索Agent提供了可复用的强化学习对齐范式。

该论文系统评估了67个前沿语言模型在路由（routing）、投票（voting）和专家混合（Mixture-of-Agents, MoA）三类组合范式下的性能表现，首次提出‘协同失效上限’（Co-Failure Ceiling）概念：当基座模型能力趋近时，组合策略不仅无法提升性能，反而因共识偏差或错误同质化导致整体表现低于单个最优模型。作者通过跨任务（数学推理、代码生成、常识问答）实证发现，仅当模型间能力谱系存在显著互补性且错误模式正交时，组合才具增益；否则，组合可能放大系统性缺陷。研究为Agent编排与模型集成提供了关键判据，警示盲目堆叠模型的风险。

该论文系统研究了仅凭观测解数据逆向推断微分方程 governing equations 的可行性与精度极限。作者建立了严格的可识别性（identifiability）理论框架，首次为线性和非线性常微分方程（ODE）分别给出了最小采样密度、噪声容忍度及结构复杂度之间的定量关系边界；特别针对稀疏回归类方法（如SINDy），证明了在存在测量噪声和有限采样时，方程项能否被唯一恢复取决于其李雅普诺夫指数谱与观测信息熵的匹配程度。研究结果为物理信息机器学习中‘方程发现’任务提供了理论判据与设计指南，对流体力学、生物建模等依赖机理可解释性的领域具有重要启示。