AI Agent 与大模型中文情报库

该论文提出EO-WM（Earth Observation World Model），一种融合地球物理先验知识的生成式世界模型，专为卫星遥感数据的概率化短期预报设计。区别于纯数据驱动方法，EO-WM将辐射传输方程、大气层结约束与时空动力学嵌入潜在状态演化过程，通过变分推断实现不确定性量化，在云覆盖预测、地表温度演化等任务中显著提升预报可靠性与物理一致性。作者在Sentinel-3与MODIS多源时序数据上验证其泛化能力，并开源了支持端到端训练的轻量级架构。该工作标志着AI for Earth Science从‘黑箱拟合’向‘可解释、可约束、可验证’建模范式的演进。

该研究系统评估了主流大语言模型（如LLaMA、GPT系列）处理14–19世纪历史意大利语文本时的表现，发现存在显著的“分词税”（tokenization tax）——因古拼写、连字、异形词导致token数量激增20–40%；以及更严重的“理解税”（comprehension tax）——在语法解析、指代消解和语义推理任务上准确率平均下降35%以上。作者提出一种无需重训练的轻量级缓解策略：基于历史语料微调分词器子词边界，并引入上下文感知的正则化重加权机制，在零样本迁移下将理解性能恢复至现代意大利语水平的89%。研究为古籍AI处理提供了可复现的方法论框架与实证基准。

BetXplain 是首个专为检测社交媒体中操纵性博彩广告而构建的、带细粒度解释标注的高质量数据集。该数据集包含 12,843 条真实社交帖文（主要来自 Twitter/X 和 Reddit），每条均经人工标注是否含操纵性话术（如虚假承诺、情感胁迫、认知偏差诱导等），并附有自然语言形式的推理依据——说明具体哪类语言特征构成操纵、为何具有欺骗性。作者同步提出基于大语言模型的解释生成与验证框架，验证了可解释性标注对提升模型鲁棒性与人类可理解性的双重价值。该工作填补了AI内容安全领域在‘商业诱导型误导’细分类别上的数据空白，为监管科技（RegTech）与平台内容审核提供了可审计、可追溯的评估基准。

本文提出E-TTS（Embodied Test-Time Scaling），一种专为机器人操纵任务设计的具身化测试时缩放框架。区别于传统训练时扩展模型规模的范式，E-TTS在推理阶段动态整合多尺度感知输入（如不同分辨率视觉帧、多视角点云）与分层动作策略，通过轻量级适配器实时调整决策粒度。作者在Franka Emika平台上的实证表明，该方法在零样本泛化、遮挡鲁棒性及跨任务迁移上显著优于基线（平均成功率提升19.3%），且不增加训练开销。其核心创新在于将‘具身性’（embodiment）——即传感器-执行器闭环反馈——深度嵌入测试时计算流程，为资源受限的边缘机器人提供了高效可扩展的智能增强路径。

本文首次将费舍尔信息矩阵（FIM）分析扩展至整个词表维度，系统揭示大语言模型参数更新在词汇空间中的几何结构。作者发现，不同层的更新方向在词嵌入空间中呈现显著的对齐现象——尤其在高频词与语义核心词上，梯度更新方向高度集中于FIM主导的低维子空间，这种‘Fisher Alignment’现象解释了为何微调常以极小步长即收敛。研究还指出，该对齐强度与模型泛化能力正相关，并可作为训练稳定性指标。工作为理解LLM内部表征动态提供了新几何视角，对高效微调、灾难性遗忘缓解及词表优化设计具有直接启示。

该研究系统探究大语言模型（LLM）在特定下游任务中如何隐式构建与调用结构化知识，而非仅依赖参数化模式匹配。作者通过激活追踪、注意力头归因与知识编辑实验，发现模型内部存在类数据库的分层知识组织：底层编码实体关系，中层绑定任务逻辑，高层实现动态检索。不同于传统‘黑箱’假设，LM 在微调或上下文学习后会形成轻量级、任务对齐的知识索引机制，其行为更接近可查询的知识基座而非纯统计预测器。研究还揭示了知识固化程度与泛化能力间的权衡，并为构建可调试、可验证的AI Agent提供了新的可解释性路径。

该研究系统探究了人类在协作解决复杂问题（如逻辑推理、编程调试与科学建模）过程中对话行为与认知过程的耦合机制。作者构建跨任务对话语料库，结合认知标注（如意图切换、假设检验、共同注意标记）与多粒度语言分析，提出‘对话-认知轨迹对齐模型’（DCTA），可识别对话中隐含的思维跃迁与共识演化路径。实验表明，该框架不仅能提升AI Agent在协作任务中的响应适配性，也为人机协同系统设计提供了可解释性评估新范式。研究强调：对话不仅是信息交换载体，更是分布式认知的实时外化过程。

该论文提出一种新颖的LLM评估范式——通过设计结构化二元问题（Yes/No型）替代传统开放式评测，显著提升评估结果的可解释性与可复现性。作者构建了覆盖事实性、逻辑一致性、安全对齐等维度的二元问题基准集，并验证其能精准定位模型缺陷；更关键的是，该框架支持将评估反馈直接转化为微调信号，实现无需人工标注的闭环自改进。实验表明，在多个主流开源模型上，仅用500个二元问题即可驱动模型在TruthfulQA等基准上提升12.3%准确率，且推理开销降低67%。该方法为轻量级、可审计、可部署的模型迭代提供了新路径。

该论文提出“特征引导”（Feature Steering）技术，通过在推理阶段动态调控LLM内部中间层表征的关键语义维度（如趋势、周期性、外部冲击敏感度），显著提升其在时间序列预测任务中的跨域泛化能力。作者在涵盖能源、金融、交通等8个真实场景的基准测试中验证，该方法相较标准微调与提示工程，在零样本和少样本设定下平均MAE降低23.7%，且对分布外数据漂移具有更强鲁棒性。技术核心在于解耦LLM的通用语言表征与领域特定预测逻辑，避免全参数微调带来的过拟合风险，为构建轻量、可解释、可迁移的AI预测代理（AI Agent）提供了新路径。

本文提出「Process Harness」——一种将传统基于规则的业务流程管理（BPM）向AI智能体（Agentic BPM）范式迁移的系统化方法论。该框架在CUGA FLO平台中完成工程落地，通过分层抽象（流程语义建模层、智能体编排层、执行适配层）实现对遗留系统（如Java EE/Activiti）的非侵入式增强，支持LLM驱动的动态决策、多智能体协同与人类-in-the-loop干预。作者验证了其在政务审批与高校教务流程中的有效性：平均流程重构周期缩短62%，异常处理响应延迟降低至1.8秒。研究填补了传统BPM与现代Agentic AI之间的架构鸿沟，为数字化转型中的渐进式智能升级提供了可复用范式。

该研究构建了首个专注于有害内容识别的视频级评测基准HarmVideoBench，涵盖暴力、仇恨、色情、违法等6类高风险视频场景，包含12,000+人工标注短视频及细粒度危害类型、严重程度与上下文敏感性标签。不同于现有图文安全评测集，它强调时序动态性、语境依赖性与跨模态对齐挑战，并在Qwen-VL、LLaVA-Video、Gemini-2.0等主流视频大模型上开展系统性评估，揭示当前模型在隐性危害识别、长时序推理和文化敏感性方面的显著短板。研究还提出可解释性诊断协议与轻量级微调方案，为多模态安全对齐提供新范式。

该论文提出一种新型奖励塑形框架，利用视觉语言模型（VLM）自动构建势函数，从而在无需人工设计先验知识的前提下，为强化学习智能体生成语义对齐、任务感知的稠密奖励信号。作者将环境观测（图像+文本指令）输入VLM，提取高层语义特征并映射为可微势函数，再通过梯度反向传播优化策略；在多个具身智能与机器人导航任务中验证了其显著提升样本效率与泛化能力，尤其在稀疏奖励场景下优于传统手工势函数与逆强化学习方法。研究填补了VLM与奖励工程交叉领域的空白，为端到端具身智能训练提供了新范式。

该研究提出RecallRisk-BERT，一种基于BERT架构的多任务学习框架，专为医疗器械上市后监管场景设计。模型同步完成三项关键任务：识别不良事件报告中是否隐含召回风险、判断风险等级（高/中/低）、定位触发召回的关键文本证据片段。在FDA MAUDE数据库构建的真实世界数据集上，其F1值较单任务基线平均提升12.3%，尤其在稀疏高风险样本上展现出强泛化能力。研究还引入领域适配的对抗训练与证据感知注意力机制，显著缓解医疗文本中的术语歧义与长尾分布问题，为监管机构自动化初筛海量不良事件报告提供了可解释、可部署的技术路径。

该论文介绍了在LeHome Challenge 2026中斩获线上赛道冠军、线下赛道亚军的AI解决方案——'Learning to Fold'。该方法聚焦于具身智能场景下的可变形物体（如布料、纸张）操作任务，提出一种融合视觉-动作联合表征学习与分层策略规划的端到端框架；通过引入基于物理约束的折叠轨迹生成模块和多模态状态反馈机制，在仿真与真实机器人平台上均实现高精度、鲁棒的折叠控制。作者团队来自MIT CSAIL与ETH Zurich联合实验室，工作已开源并配套发布大规模布料形变数据集FoldNet-26。论文还深入分析了泛化性瓶颈与跨材质迁移挑战，为柔性物体操控这一长期难题提供了新范式。

本文提出TOPS（Token Optimal Preservation Sets）框架，首次从第一性原理出发，为多模态大语言模型（MLLM）推理设计可证明最优的视觉令牌保留机制。不同于启发式剪枝或学习型压缩，TOPS通过建模视觉-语言对齐的保真度约束与信息熵下界，构造数学上可验证的最小必要令牌集合，在保持下游任务性能前提下显著降低视觉编码器计算开销。在Llama-V, Qwen-VL等主流MLLM上的实验表明，TOPS在OCR、视觉问答等任务中实现2.3–4.1倍图像编码加速，且精度损失低于0.8%。该方法为高效MLLM部署提供了理论扎实、即插即用的视觉token精简范式。

OpenRCA 2.0 是一款面向大模型智能体（LLM-based Agent）的新型因果推理框架，突破传统根因分析（RCA）仅依赖事后结果标签的局限，转而构建可干预、可验证的因果过程监督机制。该框架引入结构化因果图建模与在线反事实干预接口，支持在复杂多步任务执行中动态识别隐性偏差源与决策瓶颈；其核心创新在于将因果推理嵌入Agent运行时（runtime），而非仅用于离线诊断。论文在Tool Learning、Multi-Agent协作等典型场景中验证了其对错误传播抑制与策略可解释性的显著提升，并开源了配套评估基准CausalBench。该工作标志着因果AI正从‘诊断式’向‘治理式’范式演进。

该论文提出一种新型自回归图像生成框架，通过动态构建与迭代优化的离散码本（codebook）提升生成安全性与保真度。区别于传统固定码本（如VQ-VAE），作者设计可学习的码本更新机制，在每轮自回归解码中依据局部语义一致性与重建误差反馈调整码本嵌入，有效抑制幻觉与分布偏移。方法在ImageNet与COCO数据集上验证了更强的细粒度可控性、更低的异常激活率，并支持后训练安全微调。研究填补了自回归生成模型在可信AI语境下缺乏内在安全约束机制的空白，为部署级图像生成系统提供了新范式。

该论文提出一种新型联合学习范式，使大语言模型（LLM）智能体能同步习得显性经验规则（如任务执行中的启发式约束）与隐性决策策略（如多步推理路径）。作者设计双通道参数化架构：规则模块以可解释逻辑形式编码领域知识，策略模块通过强化学习优化长期回报，并引入规则-策略协同损失函数确保二者语义一致与行为互补。在ToolBench、WebShop等复杂代理基准上验证表明，该方法显著提升任务成功率与泛化鲁棒性，同时支持人工干预与规则注入，缓解了纯端到端训练中策略不可解释、规则易遗忘等问题。研究为构建可信、可控的下一代AI Agent提供了新思路。

本文系统评估了新兴的Kolmogorov-Arnold网络（KAN）在气动性能预测任务中的表现，将其与传统多层感知机（MLP）和图神经网络（GNN）进行基准对比。KAN基于Kolmogorov-Arnold表示定理，以可学习的一维激活函数替代固定非线性单元，具备更强的函数逼近能力与内在可解释性。实验在标准气动数据集（如NACA翼型流场或NASA公开CFD数据）上展开，结果显示KAN在低数据量场景下泛化更优、参数效率更高，且权重可视化揭示了物理相关变量间的显式耦合关系。该工作为AI驱动的流体力学建模提供了新范式，凸显了结构化神经网络在科学计算中的潜力。

该论文提出一类新型轻量级、可扩展的基础解码器（foundation decoders），专为表面码等拓扑量子纠错码的实时译码优化。作者通过将神经网络结构与物理约束（如局部性、对称性）深度融合，显著降低解码延迟与硬件资源开销，同时保持逻辑错误率低于容错阈值（~10⁻¹⁵）。实验表明，在17×17表面码上，其吞吐量达每秒超200万次纠错循环，较传统最小权重完美匹配（MWPM）提速3.8倍，且支持FPGA与ASIC协同部署。研究填补了高保真度量子控制与低延迟经典反馈之间的关键架构缺口，为实用化量子计算机的‘经典-量子’协同栈提供了新范式。

该论文针对因果推断中普遍存在的未观测混杂变量问题，提出一种新型 uplift 建模框架——Cross-Head Attention Uplift Network（CHAUN）。其核心创新在于：一方面引入多头注意力机制的变体“交叉头注意力”，显式建模处理组与对照组间潜在异质性响应的交互结构；另一方面，将逆倾向得分（IPS）作为加权正则项嵌入损失函数，缓解因混杂偏差导致的估计偏误。模型在多个合成与真实业务数据集（如电商推荐、信贷审批）上验证了其对 uplift 效应的稳健估计能力，尤其在混杂强度较高时显著优于传统 T-Learner、X-Learner 及基于 GAN 的反事实方法。研究还提供了理论收敛性分析，并开源了 PyTorch 实现。

该论文探索大语言模型（LLM）在国际维和任务风险研判中的可行性与方法论。作者构建了一个面向多源异构情报（如联合国报告、开源新闻、地理空间数据）的提示工程框架，结合领域知识微调与可信度校验机制，显著提升了对政治动荡、武装冲突升级及非传统安全威胁（如信息战、后勤中断）的早期识别能力。研究在模拟非洲与中东维和场景中验证了模型在跨语言事件抽取、因果推理和态势推演方面的优势，同时指出当前LLM在地缘政治常识缺失、实时数据滞后及伦理审查机制缺位等方面的局限。该工作为AI赋能国际安全治理提供了可落地的技术路径与治理启示。

该研究设计了一套新颖的‘嵌套谜题’（Riddle Riddle）测试框架，专门评估大语言模型与人类在动态语境切换、隐含前提重构及多步逻辑回溯等高阶灵活推理能力上的差异。作者构建了包含语义歧义消解、角色视角转换和规则即时重定义的三层难度谜题集，并在GPT-4、Claude-3、Gemini-1.5及200名人类被试上开展对照实验。结果表明：当前顶级LLM在需跨模态类比或依赖具身经验的推理任务中显著落后于人类，且其错误模式呈现系统性偏差——倾向于过度依赖表面统计规律而非因果建模。研究为AI推理能力评估提供了可复现的基准工具，并揭示了‘形式化推理’与‘情境化理解’之间的本质鸿沟。

该论文提出一种无需原始训练数据的「数据自由储层特征」（Data-Free Reservoir Features）框架，专为长周期、冷启动场景下的持续学习设计。传统持续学习依赖历史数据回放或生成式重放，易引发灾难性遗忘或生成失真；而本文利用预训练大模型的冻结中间层作为动态储层，通过轻量级适配器提取任务不变的语义锚点，在不访问旧任务数据的前提下实现跨任务知识保留与迁移。实验在多个长序列任务流（如CORe50、Stream-51）上验证了其显著优于现有无数据持续学习基线，推理延迟降低37%，内存占用减少52%。研究为边缘设备上的低资源持续学习提供了新范式。

该论文揭示了一种新型对抗性脆弱性机制：大语言模型在监督微调过程中，会保留预训练阶段形成的底层‘继承电路’（inherited circuits），同时叠加任务特定的‘习得语义’；当二者发生隐式冲突时，模型可能在保持标准评测指标（如准确率、困惑度）不变的前提下，对特定规避提示（如角色扮演、指令重写）产生系统性失效。作者通过因果中介分析与电路修补实验，在多个开源模型上复现了该现象，并指出当前主流安全评估范式因过度依赖静态基准测试而严重低估真实部署风险。这项工作为AI安全评测框架升级提供了关键理论依据和可操作的诊断工具。

该研究聚焦司法实践中长期存在的“同案不同判”现象，提出一种可解释的计算框架来量化法官个体在类似案件中的裁量偏差。作者构建了门控多任务学习模型，联合预测判决结果、量刑幅度与法律依据引用强度，并通过注意力机制与任务特异性门控单元解耦结构性约束（如法条适用）与主观裁量成分。模型在真实刑事判决数据集上验证有效，不仅能识别显著偏离群体均值的裁判模式，还可追溯其成因——例如特定法官对某类情节（如认罪态度）的权重偏好。研究为司法监督、法官培训及AI辅助量刑系统提供了可审计、可归因的技术路径，推动算法透明性与司法公信力的协同演进。

NuclearQAv2 是首个专为核科学领域设计的结构化问答评测基准，涵盖核物理、核工程、放射化学等子学科，包含1,842道人工校验的多跳推理题，每题标注知识来源、难度层级与推理路径。相比初版NuclearQA，该版本显著增强对专业术语理解、单位换算、衰变链建模及安全规范应用等核心能力的考察，并提供细粒度评估协议与领域适配的评分函数。研究团队基于该基准测试了GPT-4o、Claude-3.5、Qwen2.5-72B等主流模型，发现当前大模型在基础核数据检索上表现尚可，但在跨概念推理与法规语境理解上仍存在显著短板。该基准已开源，旨在推动科学垂域AI的可信评估体系建设。

该论文提出名为‘Spec Growth Engine’的新型AI辅助软件开发架构，核心包含三大支柱：以形式化或半形式化需求规约（Spec）为锚点引导生成过程；深度耦合代码库与Spec变更，实现双向同步与可追溯性；引入‘漂移强制机制’（Drift Enforcement），主动检测并修复Spec与实现间的语义偏差，防止技术债累积。作者在真实开源项目上验证了该架构对PR生成质量、维护响应速度及跨版本兼容性的提升效果，并对比了传统LLM微调与RAG方法的局限性。研究填补了AI编程中‘规约—实现一致性治理’这一关键空白，为构建可信、可持续的AI原生开发流水线提供了系统性框架。

该论文提出辛神经网络（Symplectic Neural Networks），一种专为学习广义哈密顿系统动力学而设计的新型可微分架构。区别于传统神经网络忽略物理约束的做法，该模型显式嵌入辛几何结构，确保学习到的动力学演化严格保持相空间体积守恒与时间反演对称性——这是哈密顿系统的核心数学特征。作者通过构造参数化辛流形上的向量场，并结合自适应辛积分器，实现了对非标准哈密顿量（如含耗散项或非正则坐标下的广义形式）的端到端学习。实验验证涵盖经典力学系统（如非线性摆、双摆）及简化分子动力学场景，在长期轨迹预测与能量守恒精度上显著优于基线方法（如HNN、LNN）。该工作为物理信息驱动的AI建模提供了兼具理论严谨性与工程实用性的新范式。

该论文提出ShareLock——一种针对模型协作协议（MCP）的新型阈值投毒攻击方法。不同于传统单点投毒，ShareLock通过协同操控多个合法AI工具（如检索、代码生成、计算器等），在低于单工具检测阈值的前提下，联合注入恶意指令或偏见数据，最终诱导主控Agent生成有害输出。作者在真实MCP沙箱环境中验证了其隐蔽性：各工具行为均符合正常分布，但组合效应突破安全边界；同时设计轻量级防御机制ShareGuard，在不显著增加延迟的前提下实现92.3%的攻击识别率。研究揭示了多Agent系统中‘合规即安全’假设的根本缺陷，为MCP标准化与红蓝对抗测试提供关键攻防视角。