AI Agent 与大模型中文情报库

该研究提出一种面向临床辅助诊断的可解释深度学习框架，用于精子形态学自动分类。作者设计了注意力引导的卷积神经网络（AG-CNN），在保持高分类精度的同时，通过可视化注意力热图精准定位影响判别的关键形态学区域（如头部轮廓、顶体完整性、尾部弯曲度等）。模型在多中心显微图像数据集上验证，准确率达92.7%，显著优于传统手工特征+SVM方法；更重要的是，其注意力权重与生殖医学专家标注的病理关注区域高度一致（IoU=0.78），为AI决策提供了临床可信的归因依据。该工作 bridging the gap between black-box AI and clinical interpretability，在男性不育症筛查和精液质量评估中具有落地潜力。

HEPTv2是一种专为高能物理实验中带电粒子轨迹重建设计的轻量化点云Transformer架构。它在保留原始点云几何结构的前提下，通过层级稀疏注意力、可学习局部图卷积与动态邻域采样机制，在保持精度的同时显著降低计算开销。相比前代HEPTv1，模型参数量减少37%，推理速度提升2.1倍，且在CMS和ATLAS模拟数据集上达到SOTA性能（η-φ空间平均位移误差<0.12 mm）。该工作首次将端到端可微分点云处理引入粒子重建流水线，无需手工特征工程或中间聚类步骤，为LHC升级及未来环形对撞机实时触发系统提供了可部署的AI基础模型支撑。

本文提出“多视角反编译”（Multi-View Decompilation）框架，专为提升大语言模型（LLM）在二进制恶意软件分类任务中的鲁棒性与可解释性而设计。不同于传统静态分析依赖人工特征工程或端到端黑盒微调，该方法将原始二进制文件通过多种反编译器（如Ghidra、IDA Pro、RetDec）生成异构汇编/伪代码视图，并统一映射为结构化文本序列；再经轻量级适配器注入LLM编码器，实现跨视图语义对齐与恶意行为模式协同识别。实验表明，其在EMBER、MalwareBazaar等基准上显著优于单视图基线，且对混淆样本和编译器扰动具备更强泛化能力。研究亦揭示了反编译视角多样性与LLM推理可信度间的正相关性，为AI驱动的逆向安全分析提供了新范式。

该论文从机制层面系统探究持续学习中神经网络如何保留旧任务表征，重点分析稀疏激活、特征叠加（superposition）及灾难性遗忘三者间的动态博弈。作者通过控制实验与神经元级归因分析发现：适度稀疏性可抑制表征干扰，而过度叠加会加剧跨任务混淆；遗忘并非均匀发生，而是集中于高重用率但低任务特异性的神经通路。研究进一步提出「表征韧性指数」（RRI）作为量化指标，并在Split-CIFAR100和Seq-TinyImageNet上验证其与任务保持率的强相关性（r=0.87）。工作为设计抗遗忘架构提供了可解释的理论锚点与实证路径。

该论文提出一种融合贝叶斯深度学习与物理信息约束的神经网络代理框架，用于高效求解偏微分方程（PDE）反问题。传统反问题求解依赖高成本数值模拟与迭代优化，而本文通过构建可微分代理模型，在保持物理一致性的同时，显式建模参数后验分布，实现对未知场（如材料参数、源项）的点估计与不确定性量化。作者在椭圆型与抛物型PDE基准问题上验证了方法在数据效率、泛化性及不确定性校准方面的优势，并开源了基于PyTorch与Pyro的实现。该工作为科学机器学习中可信AI决策提供了新范式，尤其适用于实验数据稀疏、计算资源受限的工程反演场景。

该论文系统探究了扩散模型中时间步嵌入（timestep embedding）是否真正必要。作者通过消融实验发现，在多个主流架构（如UNet变体）和数据集（CIFAR-10、ImageNet 64×64）上，移除或简化时间步嵌入（如用恒定向量替代）仅造成微小性能下降，甚至在部分设置下反超基线。进一步分析表明，网络可通过其他路径（如残差连接、通道注意力）隐式编码时间信息，而显式嵌入可能引入冗余参数与优化干扰。研究还指出，冗余程度与模型深度、噪声调度策略密切相关，为轻量化扩散模型设计提供了新思路。

该论文针对智能电网中状态估计环节易受虚假数据注入（FDI）攻击的问题，提出一种名为‘伪特征填充’（Pseudo-Feature Padding, PFP）的新型轻量级防御机制。不同于依赖复杂模型或高开销重构的传统方法，PFP通过在原始量测特征空间中引入可控的、统计上合理但物理上不可行的伪特征维度，扰乱攻击者对系统雅可比矩阵的精确建模能力，从而显著提升检测鲁棒性。作者在IEEE 14/30/118节点标准系统上验证了该方法，在保持<0.5%估计误差增量的前提下，将典型FDI攻击的成功率从92%降至不足8%，且推理延迟低于3ms，适用于边缘侧实时防护场景。研究还开源了配套评估框架GridDefend。

本文提出一种新型优势函数估计框架——Direct Advantage Estimation（DAE），绕过传统策略梯度中对价值函数V(s)的显式建模，直接从轨迹数据回归优势值A(s,a)。该方法通过时序一致性正则与分位数感知损失设计，在Atari和MuJoCo基准上显著降低方差，提升样本效率（平均节省37%交互步数）与训练稳定性。作者证明DAE在异步分布式训练中具备天然可扩展性，支持千级并行worker而无需额外同步开销，为大规模RL系统提供了轻量、鲁棒且易于部署的替代方案。

该论文系统探讨了大语言模型（LLM）智能体在真实交互场景下的安全风险，聚焦于多轮红队测试（multi-turn red-teaming）这一新兴范式——区别于单次提示攻击，它模拟持续对话中逐步诱导越狱的动态过程。作者构建了面向智能体行为链（agent action chains）的 jailbreak 基准，涵盖工具调用、记忆依赖与规划回溯等典型环节，并提出针对安全关键系统（如医疗、金融决策辅助）的对抗鲁棒性量化指标。研究发现，当前主流LLM智能体在长程推理路径中存在显著的安全衰减现象，且现有防御策略对上下文感知型攻击泛化能力不足。论文为构建可验证、可审计的AI智能体安全框架提供了方法论基础与实证支撑。

该论文系统探讨了在无需人工标注的前提下，通过控制生成样本的视觉与语义风格多样性来提升合成数据质量与泛化能力的关键机制。作者指出，当前多数合成数据方法过度依赖单一风格（如统一渲染模板或固定文本描述），导致模型训练时出现风格偏置与分布坍缩；而引入可控的风格扰动（包括字体、布局、光照、语法变体等多维风格因子）可显著增强下游任务（如OCR、文档理解）的鲁棒性。研究基于Diffusion与LLM协同框架，在多个基准上验证了风格多样性与标注效率呈非线性正相关，并提出了一种轻量级风格熵评估指标。工作为构建可信赖、低成本的大模型预训练数据生态提供了新范式。

DataMagic 是一种新型AI驱动的数据分析框架，专为非技术用户设计，能将CSV或数据库中的表格数据自动解析、推理并生成带语音解说、动态图表与关键洞见标注的短视频。其核心包含三层架构：语义理解层（基于微调的多模态大模型识别字段语义与业务上下文）、洞察生成层（结合统计检验、异常检测与因果启发式挖掘可操作结论），以及视频合成层（采用时间感知布局引擎协调可视化节奏与叙事逻辑）。论文在金融、零售和医疗三类真实数据集上验证了其生成视频对决策者理解效率的提升达47%（p<0.01），显著优于传统BI仪表盘与静态报告。该工作填补了「数据→洞察→传播」链路中自动化叙事表达的关键空白。

该论文针对联邦图学习中各参与方节点特征模态分布严重不均衡（如部分客户端仅有文本模态、另一些仅有图像或时序模态）这一未被充分研究的现实挑战，提出首个系统性解决方案。作者构建了跨模态知识蒸馏驱动的生成式合成框架，利用轻量级模态翻译器将稀缺模态特征映射到统一隐空间，并通过图结构约束下的对抗训练生成高质量合成样本，在保护隐私前提下缓解模态缺失问题。实验在三个真实异构图数据集上验证了方法有效性，相较基线模型平均提升12.7%准确率，同时显著降低通信开销与本地计算负担。该工作为医疗、金融等多源异构图场景下的隐私保护协同建模提供了新思路。

本文系统揭示了LLM在FP4低比特预训练中普遍存在的权重收缩偏差（shrinkage bias）——该偏差并非数值舍入误差所致，而是源于FP4量化网格在单位球面上的非均匀几何分布，导致梯度更新持续向原点偏移。作者通过理论建模与实证分析指出，该偏差会显著劣化模型收敛性、降低最终精度，并加剧训练不稳定性。为应对这一系统性挑战，论文提出UFP4（Unbiased FP4）量化配方：包含球面归一化预处理、动态零点校准及梯度补偿机制，在Llama-3-8B等模型上验证其可将FP4预训练性能提升至FP16基线的98.5%，且无需额外计算开销。该工作为高效大模型训练提供了新的理论视角与实用工具链。

CRAX 是一个专为安全强化学习（Safe RL）设计的新型基准测试平台，旨在解决现有基准在计算开销大、约束建模僵化、环境多样性不足等方面的局限。该框架通过轻量级仿真器、可配置的安全约束接口及标准化评估协议，显著提升实验迭代速度与结果可比性；支持连续控制任务中硬约束（如物理边界、能耗阈值）与软约束（如风险敏感奖励塑形）的统一建模。作者在多个经典控制环境（如SafeHalfCheetah、SafeSwimmer）上验证了其有效性，并开源了完整工具链，推动安全RL算法的公平、可复现与规模化评测。

AutoPass提出一种新型LLM智能体框架，专用于自动化编译器（如LLVM）的性能调优任务。区别于传统黑盒搜索或规则驱动方法，该系统通过构建「证据循环」机制——即在真实硬件上执行候选优化序列、采集性能指标（如IPC、缓存命中率）、将结果结构化为可推理证据，并引导LLM进行因果归因与策略迭代——实现闭环优化。论文在SPEC CPU2017等基准上验证了其有效性，相较Clang -O3平均提升8.2%运行速度，且显著降低人工调参依赖。工作凸显了LLM作为编译优化协作者而非替代者的定位，为AI for Systems领域提供了可解释、可验证的智能体设计范式。

CATCH-ME 是首个专为评估RAG（检索增强生成）系统在对抗性对话中表现而构建的高质量多轮数据集。它包含人工标注的、上下文连贯的 counterspeech（反制话语）样本，覆盖仇恨言论与虚假信息两大高风险领域，每条样本均标注了原始有害发言、对应反制策略（如事实澄清、共情回应、逻辑驳斥）、支持证据来源及对话轮次关系。该数据集填补了现有RAG评测缺乏真实对抗性语境和动态交互建模的空白，特别适用于测试模型在多跳推理、立场一致性与伦理响应方面的鲁棒性，已开源并配套提供基准评测协议。

该论文提出一种新型评估范式——“VLM-as-3D-Judge”，利用视觉语言模型（VLM）替代传统人工或指标驱动的3D生成质量评判，专门针对单图像3D重建任务。作者指出，现有自动评估指标（如Chamfer距离、FID）存在严重偏差：既无法捕捉几何合理性与语义一致性，又易受渲染伪影和坐标系扰动干扰。为此，研究设计了三阶段去偏协议：1）构建多视角、跨类别、带细粒度标注的3D判别数据集；2）对齐VLM的视觉-语言理解能力与3D空间推理需求，通过指令微调增强其对法向量连续性、拓扑完整性等隐式约束的感知；3）引入对抗性样本校准机制抑制VLM固有的文本先验偏差。实验表明，该协议在ShapeNet和Objaverse基准上与人类评分相关性达0.89，显著优于传统指标，并已开源评估框架与判别数据集。

该论文提出一种基于交互轨迹挖掘的自动化技能文档生成框架，专为能直接操作GUI/CLI的计算机使用型AI Agent设计。作者通过捕获Agent在真实软件环境（如VS Code、Terminal）中的多步操作序列，结合动作语义解析与上下文感知聚类，将原始轨迹提炼为结构化、可复用的技能单元，并自动生成符合SKILL.md规范的技能描述文档。该方法显著降低了人工编写技能知识库的成本，提升了Agent技能发现、共享与迁移的效率，在HumanEval-Desktop和ToolBench-UI两个新构建的评估基准上验证了其有效性。研究还开源了轨迹采集工具链与标注规范，推动计算机使用型Agent的工程化落地。

该研究针对法律AI中法定条文引用这一关键任务，在安大略省《住宅租赁法》（RTA）语境下系统比较四种主流技术路径：纯微调（Fine-tuning）、纯检索增强（RAG）、微调+检索联合架构，以及基于提示工程的零样本基线。作者构建了首个专用于RTA条款精准定位与格式化引注的高质量测试集（含1,247个真实租务纠纷问题），在相同模型底座（Llama-3-8B）和评估协议下进行头对头评测。结果表明，检索增强方法在引注准确率（89.2%）和条款覆盖广度上显著优于纯微调（76.5%），而联合方法未带来预期增益，揭示了法律领域中“检索优先、微调辅助”的实用范式。研究还分析了错误类型分布与典型失败案例，为法律大模型落地提供实证依据。

本文系统剖析了时序差分（TD）学习中估计值方差的来源，指出其主要源于奖励噪声、策略随机性及函数近似误差的耦合效应。作者理论推导了TD(0)与TD(λ)的渐近方差表达式，并证明传统基线减法在非策略设定下无法完全消除方差。在此基础上，提出一种基于可学习控制变量（learnable control variates）的新型方差缩减框架，该方法利用辅助Q网络构建低方差梯度估计，在保证无偏性的前提下显著降低采样方差。实验在经典控制任务（如CartPole、Acrobot）及Atari基准上验证了该方法相较GAE和V-trace具有更稳定的策略更新与更快的收敛速度，为高方差强化学习算法的鲁棒性优化提供了新思路。

本文针对含公共噪声的均场控制（MFC）问题，提出一种鲁棒Q-learning框架，以应对模型中公共噪声分布的不确定性。作者将不确定性建模为Wasserstein球内的概率分布集合，并在该集合上优化最坏情况下的性能指标；通过构造双层优化结构，将原始无限维鲁棒动态规划问题转化为可计算的策略迭代格式，并证明了算法在适当条件下收敛至鲁棒最优解。技术上融合了Mean-Field Games理论、Wasserstein度量分析与强化学习中的值函数逼近思想，显著提升了算法在模型误设和噪声扰动下的泛化能力。该工作为多智能体系统在部分可观测、分布偏移场景下的鲁棒决策提供了新范式。

该论文提出将统计物理中的临界渗流（critical percolation）作为一种结构可控、具备相变特性的合成数据生成模型，用于系统性评估和解构AI模型的可解释性方法。作者证明，在二维方格上构建的临界渗流配置能自然产生多尺度连通结构与长程相关性，其统计特性（如幂律簇尺寸分布、分形维数）为归因算法、特征重要性分析等可解释性技术提供了理想测试基准。相较于传统合成数据（如线性/非线性人工函数），该模型规避了人为先验偏差，同时保留真实数据中常见的复杂依赖模式。文中还开源了生成工具包，并在LIME、SHAP及注意力可视化等主流方法上验证了其诊断效度。

该论文提出“量子环形全归约”（Quantum Ring All-Reduce）协议，一种融合量子通信原语与经典分布式训练架构的新型梯度聚合机制。不同于传统基于TCP/IP的树状或环状all-reduce，该方案利用纠缠分发与贝尔态测量，在理论层面实现通信轮次减半、带宽占用降低约40%，并天然具备抗中间人窃听与梯度泄露的隐私特性。作者在模拟量子网络环境下验证其在FedAvg等联邦学习场景中的收敛稳定性，并指出当前受限于量子中继成熟度，暂需混合量子-经典协同架构落地。工作为后摩尔时代AI基础设施的能效与可信性演进提供了跨学科思路。

该论文提出SoftSkill框架，一种新型行为压缩范式，旨在降低大型语言模型（LLM）在多任务、多场景上下文切换中的推理开销。不同于传统参数微调或提示工程，SoftSkill通过学习紧凑的、任务感知的‘行为向量’（behavioral embeddings）来编码专家级响应模式，并在推理时动态注入至冻结主干模型，实现轻量级、即插即用的上下文适配。作者在对话个性化、领域迁移与指令遵循等任务上验证其有效性，在仅引入0.1%额外参数的前提下，性能媲美全参数微调，显著优于LoRA等低秩适配方法。该工作为构建高效、可组合的AI Agent行为库提供了新思路。

该研究提出一种融合机理驱动与数据驱动的约束混合建模框架，用于刻画土壤中微生物群落演替、酶动力学及有机质（如植物残体、腐殖质）多尺度降解过程。模型显式嵌入热力学约束（如吉布斯自由能限制）、生态位竞争规则与底物可利用性阈值，并在多个长期定位试验数据集（包括美国LTER站点与欧洲SoilSpectra项目）上完成校准与验证。相比纯黑箱模型，其在碳通量预测误差降低37%，且能反演关键但难以观测的中间代谢通量（如胞外酶分泌速率）。该方法为发展可解释、可外推的土壤生物地球化学模型提供了新范式，对气候模型中碳循环模块的精细化具有重要支撑价值。

该论文提出一种新型混合架构——量子-经典物理信息Kolmogorov-Arnold网络（Qc-PI-KAN），将Kolmogorov-Arnold表示定理与量子计算模块、经典物理约束（如守恒律、对称性）深度融合，用于高效高精度求解复杂偏微分方程。区别于传统PINN仅依赖自动微分施加物理损失，该方法在函数逼近层即嵌入可解释的物理结构，并利用浅层量子电路增强非线性建模能力，显著缓解高维PDE中的‘维度灾难’与训练不稳定性。实验在Burgers方程、Navier-Stokes方程等基准问题上验证了其优于标准MLP、KAN及量子神经网络的泛化性与数据效率。

该论文从数学分析角度严格证明：在适当构造下，单层循环神经网络（RNN）即使仅含有限隐藏单元，也能以任意精度一致逼近定义在紧集上的任意多元连续函数。作者通过引入时间展开与状态轨迹控制技术，将RNN的动态映射建模为分段仿射函数序列，并结合Stone-Weierstrass定理的推广形式完成证明。研究突破了传统观点中RNN需依赖长序列或无限深度才能实现强表达力的认知局限，为理解RNN的内在表征机制提供了新理论支撑，也对轻量化时序模型设计及可解释性AI研究具有启示意义。

该论文提出一种面向领域建模的系统化方法，用于高效生成结构一致、可配置的强化学习（RL）环境族。作者引入分层元模型（包括领域概念模型、环境结构模型与参数约束模型），支持从抽象任务规范自动生成多样化但语义连贯的RL环境实例，并内置可验证性保障机制。方法在机器人导航与资源调度两个典型场景中完成实证，显著缩短环境开发周期，提升跨环境策略迁移能力。研究填补了RL基础设施中环境工程缺乏形式化建模支撑的空白，为构建可复现、可演化的AI训练生态提供了新范式。

本文提出一种新范式，将工业设备固有的非线性动力学特性转化为数据增强的先验知识，而非视其为建模干扰。作者构建了一个基于物理信息引导的对比学习框架，通过重构相空间轨迹并约束嵌入空间的拓扑一致性，使少量标注故障样本即可激发模型对系统内在非线性模式的鲁棒感知。在轴承、齿轮箱等多源实测数据集上的实验表明，该方法在仅用10%标注数据时，诊断准确率较主流小样本学习方法平均提升12.7%，且对传感器噪声与工况漂移表现出更强适应性。研究为数据受限场景下AI驱动的预测性维护提供了可解释、可迁移的新路径。

该论文系统研究深度神经网络在过参数化 regime 下训练动态与泛化性能的统计规律，揭示损失曲面几何、梯度噪声结构及参数演化路径如何共同塑造泛化能力。作者通过高斯过程近似、神经正切核（NTK）分析与大规模实证实验，论证了SGD引入的隐式各向异性正则化效应，并指出训练早期阶段的统计稳定性比最终收敛点更能预测泛化差距。研究还提出一种基于Hessian谱与梯度协方差矩阵的泛化界新形式，为理解‘为何大模型不欠拟合’提供了统一统计框架。工作对理解深度学习中的偏差-方差权衡与优化-泛化耦合机制具有基础性意义。