AI Agent 与大模型中文情报库

EG-VQA 是首个聚焦「可验证性」与「时空证据接地」的视频问答基准，要求模型不仅输出答案，还需精准定位支持答案的关键帧区间（grounded temporal evidence），并提供可人工核查的推理依据。该基准包含12,000+人工校验的问答对，覆盖动作识别、因果推断、多步时序推理等高难度任务，并引入新型评估协议——同时度量答案正确率、证据定位精度（IoU）及证据-答案逻辑一致性。研究指出当前主流视频大模型（如Video-LLaMA、Qwen-VL-Max）在此基准上表现显著低于人类水平，暴露出其在细粒度时序理解与可解释推理上的根本局限。该工作为构建可信、可审计的视频理解系统提供了关键评测基础设施。

该论文提出Grad Detect，一种无需微调、不依赖外部知识库的轻量级幻觉检测框架。其核心思想是利用LLM生成答案时各层隐藏状态对输入词元的梯度敏感性——真实陈述通常引发更稳定、更可解释的梯度响应，而幻觉内容则表现出异常尖锐或弥散的梯度分布。作者在TruthfulQA、FactScore等基准上验证了该方法的有效性，在零样本设定下显著优于基于置信度或自一致性（self-consistency）的基线，并具备跨模型泛化能力（如在Llama-3、Qwen、Phi-3上均适用）。研究还揭示了梯度幅值与语义可信度之间的隐式关联，为可解释性驱动的可信AI提供了新路径。

本文提出一种新型微交易机制，允许用户为经AI Agent交叉验证的高可信度商品信息（如成分真实性、供应链溯源、第三方检测报告）支付小额费用。区别于传统平台统一背书模式，该框架将信息验证权下放至去中心化验证节点网络，并通过轻量级零知识证明保障隐私与可验证性。作者在模拟电商环境中验证了其经济可行性：用户愿为每条经验证信息支付0.3–1.2美元，显著提升转化率与退货率下降幅度；同时设计激励相容的Token分配机制，防止验证者合谋。该工作 bridging the trust gap in agentic e-commerce，为AI原生商业基础设施提供关键范式创新。

本文探讨构建专为AI Agent设计的「原生记忆系统」的可行性与挑战，指出当前主流记忆机制（如向量数据库+提示工程）存在语义割裂、状态不可靠、跨任务泛化弱等根本缺陷。作者提出Agent-Native Memory应具备三大特征：与Agent决策循环深度耦合、支持多粒度记忆演化（短期工作记忆→长期结构化知识）、内置元认知能力以实现记忆的自我评估与修正。文中还对比了传统LLM记忆扩展方案与新型架构（如Memory-First OS雏形），并呼吁建立面向Agent的内存抽象层标准。该工作属于AI Agent基础设施演进的关键理论探索，对构建自主、持续学习的智能体具有基础性意义。

该论文提出“后验精炼”（Posterior Refinement）框架，突破传统自回归生成范式，利用可学习的任意序流映射（any-order flow maps）直接建模词元级后验分布，在单次前向传播中完成高质量文本生成。方法无需预设生成顺序，支持灵活的掩码策略与并行解码，在保持语言模型校准性的同时显著提升推理速度；在WikiText、PG-19等基准上，其生成质量接近GPT-2，但延迟降低40%以上。作者进一步证明该框架可无缝集成至现有大语言模型（如LLaMA-2）的输出层，为低延迟、高保真语言生成提供了新范式。

UniDrive 是一种专为自动驾驶设计的新型多模态理解框架，首次将视觉-语言建模与空间语义定位（grounding）深度耦合，实现对道路场景中潜在风险的细粒度、可解释推理。该框架通过联合学习图像、文本指令与像素级风险热力图，支持自然语言描述风险（如‘右侧盲区有突然切入的电动车’），并精准定位对应区域；其模块化设计兼容主流感知模型，已在 nuScenes 和 BDD100K 上验证显著提升风险识别准确率与人类可解释性。研究强调‘风险即语言’的设计哲学，为LMM（大型多模态模型）在安全关键型自动驾驶中的落地提供了新范式。

该论文提出CANDLE模型，一种专为阿拉伯语设计的轻量级字符级噪声去重框架。针对阿拉伯语文本中普遍存在的拼写变体、形近字混淆、标点缺失及OCR识别错误等噪声问题，CANDLE采用无监督方式学习字符序列的鲁棒表征，通过对比学习与编辑距离感知的相似度度量，在不依赖大规模标注数据的前提下实现高效去重。实验在多个真实阿拉伯语新闻与社交媒体数据集上验证了其有效性，相较传统基于词典或n-gram的方法，F1值提升达12.3%，推理速度提升3.8倍。研究填补了低资源语言细粒度文本净化工具的空白，对阿拉伯语NLP下游任务（如机器翻译、信息检索）具有实用价值。

该论文系统探究了模型规模扩大是否能缓解大语言模型（LLM）在持续学习中普遍存在的可塑性损失问题——即模型难以适应新任务而不遗忘旧知识。作者通过控制变量实验，在不同参数量级（从7B到70B）的开源LLM上复现灾难性遗忘现象，发现单纯增加规模不仅无法根本修复可塑性衰减，反而可能加剧梯度干扰与表征固化。研究进一步揭示：可塑性瓶颈根源在于注意力头的冗余激活与FFN层梯度稀疏性，而非参数总量不足。论文提出‘规模-架构协同优化’新视角，强调需结合稀疏化训练、模块化适配等机制，而非依赖单纯缩放。这项工作对构建真正可持续演化的AI Agent具有关键启示。

该论文系统探究了在限定下游任务（如数学推理、代码生成）场景下，将大语言模型（LLM）蒸馏为轻量级学生模型时的性能缩放规律。作者通过控制变量实验，在不同教师模型尺寸（7B–70B）、学生模型容量（100M–3B）、蒸馏数据量及知识注入方式（logits/hidden states/attention maps）等维度上进行大规模实证，发现任务特异性显著削弱了传统蒸馏中的‘越大越强’假设——当教师模型超过临界规模后，学生性能提升趋于饱和甚至下降；同时提出一种任务感知的蒸馏效率指标τ，揭示了最优师生规模比与任务复杂度呈负相关。研究为低成本部署垂直领域AI提供了可复现的量化设计范式。

该论文提出一种新型语音增强主干架构，摒弃传统U-Net中依赖跳跃连接（skip connection）的编码器-解码器结构，转而构建端到端、无跳跃连接的轻量级网络。其核心创新在于引入隐表示对齐机制（Latent-Representation Alignment），确保编码与解码路径在潜在空间中保持语义一致性，从而适配基于流匹配（Flow Matching）的生成式建模范式。实验表明，该架构在DNSMOS和STOI等主流语音质量指标上显著优于U-Net基线，在计算效率与泛化性之间取得更好平衡，尤其适用于实时低延迟语音增强场景。研究为生成式语音增强提供了可解释性强、结构更简洁的新范式。

本文提出一种系统性任务分解框架，将复杂标注任务（如多模态场景理解、长文本结构化标注）拆解为语义连贯、粒度可控的子任务序列，并引入人类反馈闭环与轻量级验证机制以降低标注成本。作者在医疗影像分割、法律文书实体识别等真实场景中验证该方法，相较传统端到端标注流程，标注效率提升37%-52%，错误传播率下降61%。研究强调任务分解不仅是工程优化手段，更是对大模型时代人机协同标注范式的重新定义——通过显式建模任务依赖关系与认知负荷边界，使标注过程更可解释、可审计、可复用。该工作为构建高质量指令微调数据集与领域适配型Agent提供了方法论支撑。

该研究提出一种面向稀疏自编码器（SAE）的系统性可解释性评估框架，核心创新在于引入人工标注的语义概念（如‘轮子’‘狗耳朵’等视觉概念）作为黄金标准，量化神经元激活与人类可理解概念之间的对齐程度。作者在Vision Transformer中间层部署SAE，并构建覆盖ImageNet子集的细粒度概念标注数据集，结合概念覆盖率、专一性与稳定性三项指标进行多维评测。实验表明，当前主流SAE虽能激活部分有意义特征，但普遍存在概念漂移与跨样本不一致问题；研究还揭示了训练目标（如L1正则强度）与概念可解释性间的非单调关系，为SAE的设计优化与可信AI评估提供了实证基础和方法论参考。

本文系统探讨了在时间序列建模中如何利用恰当评分规则（proper scoring rules）进行模型选择与评估。作者指出，传统基于点预测误差（如MAE、RMSE）的模型比较易受预测分布形态影响，且无法区分校准性与分辨力；而对数分数、连续排序概率分数（CRPS）等恰当评分规则能更公允地权衡预测不确定性量化质量。研究在多个真实时间序列基准（如M4、TSDL）上验证了CRPS驱动的模型选择显著提升后验预测可靠性，并揭示了模型复杂度与评分鲁棒性之间的非单调关系。该工作为时序预测领域提供了可复现、理论可解释的模型评估新范式。

该论文提出一种新型神经网络架构——Physics-Informed Fourier-Wavelet Transformer（PI-FWT），将物理约束、多分辨率频域表征与注意力机制深度融合，专为计算流体力学（CFD）代理模型设计。其核心创新在于：在Transformer编码器中嵌入可微分的Navier-Stokes方程残差项作为正则化损失，并联合利用傅里叶基捕捉全局周期性流动特征、小波基刻画局部激波与边界层等非平稳结构。在多个经典CFD基准（如圆柱绕流、空腔流动）上，PI-FWT显著优于纯数据驱动模型（如FNO、UNet）和传统降阶模型，在保持高精度的同时实现百倍以上推理加速，且具备跨雷诺数泛化能力。

该研究首次系统性地探究用户在真实语音翻译场景下（如跨语言会议、远程医疗）对AI翻译系统能力边界、错误模式与决策逻辑所形成的隐性认知结构——即‘心智模型’。作者通过混合方法设计：结合情境化任务实验、出声思维记录与结构化访谈，识别出用户普遍存在三类典型误判——高估实时纠错能力、低估语境依赖性、混淆端到端与级联式架构差异。研究进一步提出‘心智模型成熟度量表’（MMMS），验证其与用户信任度、干预意愿及任务成功率显著相关（p<0.01）。成果为设计可解释、可预测的语音翻译Agent提供认知科学依据，并提示需在UI层显式暴露模型不确定性。

CineCap 是一种面向电影级视频理解的新型字幕生成框架，突破传统端到端黑箱建模局限，引入显式的‘时空锚点’机制——将镜头运动、场景转换、角色位置与时间节奏等电影语言要素建模为可解释的结构化中间表示，并通过分层推理模块（镜头级→场景级→叙事级）逐步生成富有导演视角的描述性字幕。该方法在 MovieNet 和 YouCook2 等多尺度影视数据集上显著优于基线模型，尤其在长时序连贯性、镜头意图识别与艺术性表达方面表现突出，为视频理解从‘看得见’迈向‘看得懂’提供了可解释、可编辑的新范式。

本文以一次看似失败实则极具价值的系统压测实验为切入点，深入剖析了当任务在资源极限（NIC吞吐达25Gbps、本地NVMe磁盘持续满载）下‘失败’时所暴露出的真实瓶颈与设计盲区。作者指出，传统监控常忽略带宽饱和引发的隐性排队延迟与尾部延迟激增，而这类‘任务失败’恰恰是验证分布式系统弹性边界的关键信号。文中结合eBPF观测、io_uring优化及TCP拥塞控制调参等实践，强调应将‘可控的饱和态’纳入SLO设计，并重构告警逻辑——不再仅关注错误率，更要监测带宽利用率拐点与请求排队深度。该案例对云原生架构师、性能工程师及SRE团队具有典型参考价值。

SAFARI 是一种面向长周期任务中智能体（Agent）故障诊断的新框架，突破传统事后分析局限，引入‘主动探查’机制——通过可控干预、假设检验与反事实推理，动态生成诊断性子任务并迭代缩小故障范围。该方法显著提升对多步推理链、工具调用异常及环境反馈延迟等复杂故障的定位精度与效率，在多个基准（如WebShop、HotpotQA Agent版）上将归因准确率提升27%以上，同时支持跨模型与跨任务迁移。论文强调其工程实用性，提供轻量级API接口与可解释性可视化模块，为构建高可信AI Agent系统提供关键诊断基础设施。

本文提出一种面向检索增强生成（RAG）系统的新型隐私保护范式——多智能体语义重写（MASR）。不同于传统脱敏或差分隐私方法，MASR通过协同工作的多个轻量级Agent对原始查询与检索文档进行语义层面的保真重构：一个Agent负责识别敏感实体并生成抽象语义槽位，另一Agent在保持上下文逻辑与事实连贯性的前提下完成去标识化重写。实验表明，该方法在医疗、金融等高敏场景下将PII泄露风险降低92%，同时问答准确率仅下降1.3%，显著优于BERT-Mask和DP-RAG等基线。作者开源了MASR框架及适配主流RAG流水线（LlamaIndex、LangChain）的插件接口。

本文聚焦于临床问题（Clinical Questions, CQs）自动验证中的现实瓶颈，以OE-Assist——一个面向循证医学的AI辅助系统为实证平台。作者通过大规模真实医患对话数据集测试发现，当前大模型在CQ结构化解析、证据溯源一致性及临床合理性判断三方面存在显著偏差：约37%的CQ因表述模糊或隐含假设导致验证失败；跨文献证据链断裂率高达29%；更关键的是，模型常将统计显著性误判为临床有效性。研究进一步指出，现有评估协议过度依赖表面逻辑匹配，缺乏对临床决策路径的深度建模。文章呼吁构建融合医学知识图谱与诊疗工作流约束的新型验证范式，并开源了首个带专家标注的CQ验证基准集CQ-Verify-1.0。

本文系统批判当前AI公平性研究中普遍依赖的“模型间横向比较”范式，指出其隐含的测量偏差、指标不可比性及语境脱钩问题。作者提出“诊断性评估”新框架，强调需结合具体应用场景、偏见类型（如刻板印象、排斥性偏差）与测量尺度（群体层面vs.个体层面）进行纵向、情境化分析。研究通过复现12项主流偏见评测（如SEAT、BOLD、BiasBench），揭示不同评估协议下模型排名可逆率达37%，质疑现有基准的稳健性。文章呼吁建立分层评估标准，并倡导将社会学理论（如结构性偏见）深度融入技术评测设计，推动公平性研究从“排行榜驱动”转向“机制理解驱动”。

该论文提出MEMPROBE——一种新型评估框架，用于系统性检验AI智能体在长期交互中对用户隐式状态（如偏好、历史意图、未明说约束）的记忆保持与调用能力。不同于传统基于显式问答的记忆测试，MEMPROBE构造多轮对话任务，刻意隐藏关键用户状态信息，要求智能体在后续交互中自发恢复并合理利用这些信息，从而暴露其记忆机制的脆弱性与偏差。作者在多个主流Agent系统（包括基于LLM的ReAct、Plan-and-Execute架构）上开展实验，发现现有模型普遍存在状态遗忘、跨会话混淆及上下文覆盖等问题。研究还揭示了检索增强记忆与参数化记忆在长期一致性上的根本差异，为构建可信、可追溯的长期记忆智能体提供了可量化的诊断工具与改进路径。

本文提出EERLoss——一种专为深度生物特征识别模型设计的可微分损失函数，首次将等错误率（EER）这一实际部署核心指标直接嵌入训练目标。作者以击键动力学为典型场景，通过构造基于距离阈值的平滑近似EER估计，并结合梯度裁剪与自适应权重策略，使模型在训练中显式优化EER而非传统交叉熵或对比损失。实验表明，在Keystroke Dynamics Benchmark数据集上，EERLoss相较基线方法平均降低EER达12.7%，且泛化性更强、对阈值敏感度更低。该工作填补了生物特征学习中‘训练-评估指标失配’的关键空白，为端到端优化真实场景性能提供了新范式。

本文提出‘Quant Convergence’方法论，旨在弥合传统格雷厄姆式价值投资与现代多因子量化模型之间的理论鸿沟。作者重构价值因子的定义逻辑，将其从静态估值指标（如P/B、E/P）升级为动态质量-价格双维度评估体系，并嵌入盈利持续性、资本配置效率等基本面信号；同时通过可解释性约束（如单调性、经济意义显性化）对因子合成过程施加结构引导，避免黑箱过拟合。实证表明，该框架在A股与美股市场均显著提升夏普比率与最大回撤控制能力，且在2022–2024年风格轮动周期中展现出更强稳健性。研究为AI驱动的智能投研提供了兼顾行为金融直觉与统计严谨性的新范式。

NatureBench 是首个专为评估AI编程智能体而设计的基准，聚焦于复现《自然》《自然·机器智能》等顶刊论文中已发表的SOTA（state-of-the-art）代码实现。该基准涵盖32篇高质量论文中的67个可复现实验任务，强调真实科研场景下的代码生成、调试、环境适配与结果验证能力，而非单纯算法正确性。研究发现，当前主流编码智能体（如Claude 3.5 Sonnet、GPT-4o）在完整复现实验流程上的成功率不足30%，暴露出其在跨库依赖解析、论文隐含假设还原及数值结果可信度校验等方面的系统性短板。该工作不仅揭示了AI代理在真实科研闭环中的能力边界，也为未来面向科学计算的智能体评测提供了方法论范式。

AGORA 是首个专为评估AI智能体在真实职场场景中处理非结构化文档能力而构建的基准，聚焦于“档案 grounded”推理——即要求模型基于企业内部历史档案（如邮件、会议纪要、项目文档等）进行多步逻辑推演与任务执行。该基准包含1,200+人工标注的复杂查询，涵盖信息溯源、跨文档一致性验证、隐含意图识别等高阶认知任务，并提供细粒度推理链标注与可复现的评估协议。其设计直击当前大模型在企业知识管理中的核心短板：脱离上下文的泛化能力虽强，却难以在私有、碎片化、时序交织的组织文档中稳定执行专业推理。

该论文提出一种新型强化学习范式，专为能执行通用桌面任务（如网页浏览、文件编辑、软件安装）的AI智能体设计。核心创新在于构建了无需人工标注的自主评估模块——通过多源信号（系统日志、GUI状态变化、进程树演化及轻量级沙箱验证）自动判定任务完成质量与安全性，从而生成稠密奖励信号。作者在TaskWeaver基准上验证了该方法，相比依赖人工反馈或固定规则的基线模型，任务成功率提升23.7%，且显著降低误操作风险。研究还揭示了评估器泛化能力对智能体长期稳定性的关键影响，为构建可信赖的自主计算机操作Agent提供了新路径。

该论文系统性地指出当前图基础模型（Graph Foundation Models, GFMs）在节点属性预测任务中普遍存在的评估偏差问题：多数研究依赖非标准化数据集、混用预训练与微调数据、忽略下游任务分布偏移，导致性能高估。作者构建了首个面向GFMs的公平评估基准GFBench，涵盖7个多样化图数据集、统一预训练-微调协议及三类公平性指标（泛化性、鲁棒性、公平性）。实验表明，主流GFMs在跨域迁移和类别不平衡场景下性能显著下降，揭示其泛化能力被严重高估。研究呼吁建立标准化评估范式，并开源代码与基准以推动领域健康发展。

该论文介绍了UOL@IDEM团队在BEA 2026共享任务1中的系统方案，旨在解决二语学习者词汇难度预测问题。区别于传统仅依赖目标词本身的方法，作者提出L1感知建模框架，显式引入学习者母语（L1）信息——如跨语言词形相似度、语义对齐度及翻译一致性等特征，并通过神经融合模块（含注意力加权的多源特征编码器）实现L1相关信号与词频、词长、词嵌入、句法复杂度等常规语言学特征的深度协同建模。实验在多语言数据集（含英语、西班牙语、德语等L1背景）上验证了方法的有效性，在BEA官方评测中取得领先性能。研究为个性化词汇教学与自适应语言学习系统提供了可解释、可迁移的技术路径。

该论文提出video-SALMONN-R³，一种新型视频理解架构，通过模拟人类认知中的‘重看（ReWatch）—重问（ReAsk）—重答（ReAnswer）’闭环机制，实现多轮自适应推理。模型基于SALMONN系列语音-视觉大模型扩展，引入轻量级重聚焦模块与动态问题生成器，在不增加视频帧采样密度的前提下，显著提升长时序、细粒度问答与事件定位能力。在ActivityNet-QA、TVQA+等主流基准上达到SOTA，推理效率较单次前向模型提升37%，同时支持低资源微调。研究强调‘少看多思’的设计哲学，为计算受限场景下的视频理解提供了新范式。