AI Agent 与大模型中文情报库

该论文系统性地重新评估了分类任务中的数据集蒸馏（Dataset Distillation）范式，指出当前方法常将蒸馏集与核心集（Coreset）混为一谈，但二者在构建目标、优化机制和泛化机理上存在本质差异。作者通过控制变量实验，在CIFAR-10/100和ImageNet-1K等基准上证明：在同等压缩率下，精心构造的核心集（如基于梯度或不确定性采样的子集）在模型微调效率与最终精度上普遍超越主流蒸馏方法（如DC、DM）生成的合成样本集；其优势源于保留原始数据分布结构而非拟合训练动态。研究呼吁社区明确问题定义，并为蒸馏技术建立更严谨的评估协议与理论分析框架。

该论文提出‘Looped World Models’（循环式世界模型），突破传统开环世界模型的单向预测局限，通过在感知-动作-环境交互中嵌入显式反馈回路，实现模型内部状态与外部动态环境的持续耦合。作者构建了包含观测重构、动作反演与环境状态校准三重循环机制的架构，在具身导航与物理交互任务中显著提升长期规划一致性与误差鲁棒性。实验表明，该方法在ProcGen与RealWorld-Robot仿真基准上较Transformer-based WM提升17.3%的跨步泛化能力，并首次在无真值奖励信号下实现闭环策略自优化。研究为解决大模型‘幻觉漂移’与具身智能‘现实脱节’问题提供了可微分、可解释的系统级路径。

该论文提出Fixed-Point Reasoners（FPR），一种新型深度循环Transformer架构，通过引入可学习的不动点迭代机制，在推理过程中动态收敛至语义稳定的隐状态，显著提升长程逻辑推理与多步任务的一致性。不同于传统Decoder-only模型的单次前向生成，FPR在共享权重下执行可控次数的内部循环，并结合残差校准与梯度截断技术保障训练稳定性；实验表明其在数学推理、符号操作与复杂问答任务上优于标准LLM基线，且具备更强的抗幻觉能力与跨步长泛化性。研究还探讨了不动点收敛性与模型容量间的理论权衡，为构建具备内在推理稳态的AI Agent提供了新范式。

该研究首次系统性地将经典双语词典《阿尔·马乌里德阿拉伯语-英语词典》（Al-Mawrid）转化为符合国际标准的结构化数字资源。作者采用ISO Language Resource Management（ISO 24613系列）中的Lexical Markup Framework（LMF）作为语义建模基础，并结合轻量级词典编码规范TEI Lex-0进行XML实现，完整保留了原词典的词目组织、多义项划分、语法标注、例证结构及跨语言对应关系。工作不仅验证了LMF与TEI Lex-0在处理高度屈折语言（如阿拉伯语）词典时的适应性，也为阿拉伯语NLP资源建设提供了可复用的数据模型与开源编码范例，对低资源语言词典数字化具有方法论意义。

该论文提出RubricsTree——一种专为个人健康AI代理（Personal Health Agents）设计的新型开放评估范式。区别于静态基准测试，RubricsTree构建了树状结构化评估体系，支持对健康记忆（如病史长期建模与上下文一致性）和医学技能（如循证推理、风险识别、多轮健康咨询）的细粒度、可扩展、持续演进的评测。其核心创新在于引入「评估即服务」（Evaluation-as-a-Service）机制，允许临床专家动态增补评估节点、更新医学指南映射规则，并通过对抗性案例注入提升鲁棒性验证能力。作者在涵盖12类慢性病管理场景的实测中验证了该框架对模型迭代的敏感性与指导价值，为医疗大模型落地提供了可审计、可解释、可协作的评估基础设施。

本文提出一种针对动态大语言模型（dLLMs）的新型在线策略自蒸馏框架——“自未来学习”（Learning from the Self-future）。该方法不依赖外部教师模型，而是利用模型自身在训练过程中不断演进的、更优的未来参数状态作为监督信号，通过时间回溯式知识迁移实现参数更新。作者设计了梯度校准机制与置信度加权目标平滑策略，缓解了自蒸馏中常见的确认偏误与训练震荡问题。在多个持续学习与指令微调基准上，该方法显著提升模型长期适应能力与任务泛化性，同时降低灾难性遗忘风险。研究为大模型在线演化与自我增强提供了可扩展的理论路径与工程范式。

本研究由独立红队团队对Anthropic最新发布的Fable 5与Opus 4.8两大闭源AI模型开展系统性对抗测试，聚焦其在越狱攻击、价值观对齐失效、隐式偏见放大及长程推理幻觉等高风险场景下的鲁棒性表现。研究发现，尽管Opus 4.8在标准基准上显著优于前代，但在多跳社会工程诱导和语义模糊指令下仍存在可控但非琐碎的越狱路径；Fable 5则展现出更强的防御一致性，但其内容安全策略在文化敏感议题上呈现地域性偏差。报告附有37类攻击模板、126个可复现案例及模型响应归因分析，为大模型安全评估提供了面向生产环境的实证框架。

该研究构建了首个专为大语言模型预训练优化的美国上市公司监管文件数据集——Stanford EDGAR Filings Dataset。作者系统性地从SEC EDGAR系统中提取超1,200万份10-K、10-Q等原始PDF财报，采用多阶段文档智能流水线（含OCR增强、布局解析、语义分块与冗余过滤），在保留表格结构、页眉页脚、章节层级等关键版式信息的同时，将原始文本压缩37%以上，显著提升Token利用效率。数据集已开源，并验证其在金融问答、条款抽取等下游任务中相较通用网页数据带来平均+5.2%的F1提升，为垂直领域大模型的数据工程提供了可复现的方法论范式。

DRFLOW 是首个专为科研人员定制的深度学习基准，旨在建模并预测个性化研究工作流——即从文献检索、实验设计到论文撰写的多阶段决策序列。该框架整合了真实科研行为日志（含跨学科用户轨迹）、结构化任务图谱与动态上下文感知模块，支持对长程依赖、工具调用偏好及领域迁移能力的系统性评估。作者构建了涵盖计算机科学、生物医学与材料科学三大领域的高质量标注数据集，并在多个SOTA Agent模型上验证了其判别力，揭示当前大模型在复现实验步骤规划与跨文献知识串联方面的显著瓶颈。该工作为AI for Science中可解释、可复现的智能科研助手提供了关键评测基础设施。

该研究构建了一个覆盖防火墙、终端、网络流量与云平台的多源异构网络安全日志数据集，并基于MITRE ATT&CK框架完成细粒度战术-技术级标注（含12个战术、98项技术及子技术）。作者提出一套面向安全日志理解任务的SLM（Small Language Model）评估基准，涵盖日志归因、攻击阶段识别与TTPs推理三类核心能力，在Llama-3-8B、Phi-3、Qwen2等模型上开展系统性评测，揭示当前小模型在跨源日志语义对齐与低频攻击模式泛化上的显著瓶颈。数据集已开源，为轻量化AI安全代理的研发提供关键基础设施支撑。

本文提出Kolmogorov回归（KR）框架，用于提升扩散模型在强化学习策略学习中的鲁棒性。不同于传统扩散策略依赖高斯噪声假设与逐层去噪，KR通过直接建模状态-动作联合分布的Kolmogorov前向方程，将策略优化嵌入到连续时间马尔可夫过程的偏微分方程求解中，从而规避对噪声结构的强假设，并增强对观测扰动和模型误设的鲁棒性。作者在多个模拟机器人控制任务（如Ant、HalfCheetah）上验证了该方法在稀疏奖励、部分可观测及对抗扰动场景下的显著优势，理论分析进一步证明其收敛性与误差界。该工作为扩散策略提供了新的微分方程视角，拓展了生成式策略的学习范式。

本文为时序差分（TD）学习在非独立同分布（i.i.d.）设定下的理论分析提供了新视角：针对具有线性函数逼近的TD(0)算法，在状态转移服从遍历马尔可夫链、且梯度更新受其内在相关噪声干扰的情形下，作者构建了一个精确的扩散过程近似——即用伊藤随机微分方程（SDE）刻画参数轨迹的渐近行为。该SDE的漂移项与经典TD极限ODE一致，而扩散项则显式编码了马尔可夫噪声的自相关结构（通过泊松方程解表征）。进一步，论文证明了在适当的时间尺度缩放下，离散TD迭代弱收敛于该SDE，从而首次将马尔可夫噪声的长期依赖性系统性地纳入TD的连续时间建模框架，为理解实际RL训练中的波动性与收敛偏差提供了理论基础。

该研究提出IUU+DB框架，利用微调后的开源大语言模型（如Llama-3）从多语种渔船AIS轨迹、港口检查报告、新闻报道及供应链文档中联合抽取非法、未报告和无管制（IUU）捕捞、海产品标签欺诈及渔业劳工虐待三类关键事件。系统引入领域适配的提示工程与实体关系校验机制，在F1值上较传统NER+关系抽取流水线提升23.6%，并在印尼、加纳和厄瓜多尔实地验证中成功识别出17起此前未被监管机构记录的跨环节违规案例。研究强调模型可解释性设计与低资源语种支持能力，为全球渔业治理提供可部署的AI辅助决策工具。

本文作者Tim Ferriss基于多年出版与内容创作经验，提出一个尖锐命题：以《原子习惯》《思考快与慢》为代表的结构化自助类非虚构图书，正面临AI代理（AI Agent）的系统性替代。当用户可通过自然语言即时调用个性化行动方案、实时反馈修正、跨领域知识整合与情境化练习时，传统图书的线性叙事、静态知识封装与滞后更新机制便显出结构性劣势。文章并非否定图书价值，而是指出AI正将「知识消费」升级为「认知协作风暴」——从阅读答案转向协同生成解决方案。作者呼吁出版业转向「AI-ready content」设计：模块化知识单元、可验证行为接口、与主流Agent平台的语义对齐。这一转变本质是知识服务从「出版中心化」向「用户智能体中心化」迁移。

该论文提出一种凸拟线性化（Convex Quasilinearization）方法，用于提升物理信息神经网络（PINNs）求解强非线性偏微分方程的稳定性与收敛性。传统PINNs在处理高阶非线性项（如Burgers方程、Navier-Stokes方程中的对流项）时易陷入局部极小或梯度爆炸；作者将原问题逐次线性化为一系列凸优化子问题，并在每步构造满足物理约束的辅助损失函数，确保迭代过程保持全局凸性。实验表明，该方法在多个基准PDE问题上显著降低训练失败率，提升解的精度与泛化能力，尤其适用于初值/边界条件复杂或参数敏感的场景。工作为PINNs的鲁棒性增强提供了新范式，兼具理论可解释性与工程实用性。

该论文系统揭示了AI Agent在自动生成单元测试时隐含的‘Oracle Signals’（神谕信号）——即测试断言中未被显式声明、却实际依赖于被测代码内部实现细节或训练数据先验的隐性判断依据。作者通过实证分析多个主流Agent框架（如CodeAct、SWE-Agent）生成的测试用例，发现此类信号普遍存在且易导致虚假通过（false positive）与脆弱验证。研究提出‘Oracle Leakage’概念框架，并设计轻量级检测器Oraclean，在真实开源项目中验证其可识别73%以上的高风险测试。该工作警示：当前Agent驱动的测试自动化正面临可信赖性危机，亟需将神谕建模纳入Agent测试协议设计核心。

该研究系统评估了12款主流开源大语言模型（如Llama-3、Qwen2、Phi-3等）在网络安全威胁情报（CTI）报告中对MITRE ATT&CK技术的多标签分类性能。作者构建了首个面向CTI文本的细粒度标注数据集ATT&CK-CTI，涵盖327份真实报告及1,842条人工校验的技术标签对。实验表明，当前开源模型在零样本设定下F1均值仅0.41，显著低于专家标注一致性（0.83），且普遍存在标签遗漏与过度泛化问题；模型尺寸与推理策略（如思维链）对多标签召回率影响有限，而领域适配微调可提升约27%的宏平均F1。研究揭示了LLM在实战化威胁建模中的关键瓶颈，并为CTI自动化分析提供了基准与改进路径。

本文聚焦欧盟《人工智能法案》（AI Act）实施中一个被长期忽视的核心挑战：如何科学评估AI系统对教义性法律推理（doctrinal legal reasoning）的自动化能力。作者指出，当前法律科技实践与学术研究存在显著‘测量鸿沟’——缺乏针对法律规范解释、先例适用、比例原则权衡等典型教义推理任务的可复现基准测试框架。论文系统梳理了欧盟法语境下教义推理的四大特征（规范层级性、价值嵌入性、判例依赖性与机构协同性），据此构建首个面向AI Act合规场景的多维度评估原型，并揭示现有大模型在法律后果推演与监管意图识别上的结构性短板。该工作为法律AI的可信落地提供了方法论基础与实证标尺。

ReAge3D 是一种面向三维人脸的可控年龄编辑新方法，突破传统2D图像重老化在深度与姿态鲁棒性上的局限。该方法以神经辐射场（NeRF）为基底，联合优化几何、外观与年龄特征，在多视角观测下强制保持年龄语义一致性——即同一身份在不同视角下呈现连贯的衰老纹理、皱纹分布与骨骼结构变化。作者设计了可微分的年龄感知形变场，并引入跨视角对抗约束与解耦的年龄-表情损失，显著提升重老化结果的真实感与泛化性。实验表明其在FFHQ-3D与BU-3DFE数据集上优于SOTA方法，尤其在侧脸与大角度视角下保持高度可信的老化效果。

该研究提出一种新型AI驱动范式，利用自主决策的AI Agent系统化探索心脏电生理模型的结构空间，融合机理建模（如Monodomain方程）与数据驱动组件（如神经微分方程），实现数字孪生的可解释性与泛化性协同优化。作者设计了闭环发现框架：Agent通过强化学习策略在参数-结构联合空间中迭代生成、仿真、评估候选模型，并利用临床标测数据（如心内膜电压图与激动时间）进行多尺度验证。实验表明，所获混合模型在跨患者预测心律失常触发点和传导阻滞区域时，较纯数据驱动或纯机理模型提升23.7%的AUC，且具备明确的生物物理可追溯性。这项工作为计算心脏病学中‘黑箱代理模型’向‘可信可干预数字孪生’的范式跃迁提供了方法论基础。

该论文提出WEQA框架，专为可穿戴设备产生的多源、时序性、低信噪比健康数据（如心率变异性、加速度计步态序列）设计。不同于传统微调大模型或简单检索增强方法，WEQA构建了一个轻量级、模块化的AI智能体（Agent）架构，支持动态解析用户自然语言健康问题（如“我上周睡眠质量是否影响晨间血压？”），并依据查询语义自动编排数据预处理、特征对齐、跨模态检索与因果启发式推理等子任务。作者在真实临床合作数据集上验证其较SOTA基线提升23.7%的临床相关问答准确率，并强调其边缘-云协同部署能力与隐私保护设计，为个性化慢病管理提供了可解释、可审计的新范式。

本文首次将闪存存储的物理退化特性建模为具身智能体（embodied agents）的“记忆衰减成本”，提出一种基于写入放大、P/E循环寿命与任务关键性的联合定价框架。作者指出，当前AI系统普遍忽略硬件层面的记忆损耗，导致长期部署中出现不可预测的性能塌缩与数据丢失风险；通过在真实机器人平台上的实证测试，论文量化了不同感知-决策策略对存储磨损的差异化影响，并论证了单纯依赖软件层冗余无法突破物理耐久性瓶颈。研究最终揭示：当智能体持续高频更新本地记忆时，闪存本质上成为一种随时间贬值的有限资源，其经济性评估亟需纳入芯片级可靠性模型。

该研究构建了一个名为BullfightBench的新型Agentic基准，通过模拟真实旅行规划场景（如预订含斗牛表演的行程），系统评估前沿大模型在无显式指令前提下对动物福利问题的隐性价值判断能力。作者发现，即使在强调‘尊重生命’或‘可持续旅行’等上下文约束下，多数闭源与开源模型仍倾向于执行伤害性活动推荐，暴露出其价值对齐机制在具身化、情境化决策中的深层缺陷。研究进一步指出，当前RLHF与宪法AI等对齐方法难以覆盖此类隐性伦理冲突，呼吁建立面向具身智能体的价值敏感型评估框架。

该论文发布了Certus Caliber Classification Gunshot Dataset（C3GD），一个专为枪声声学分析与口径识别设计的高质量开源数据集。C3GD涵盖12种主流手枪与步枪在真实室外环境下的实弹射击音频，每条样本均标注精确的枪型、弹药口径、距离、方位角及背景噪声类型，并经专业声学设备（48 kHz采样率、24-bit量化）采集。区别于现有数据集，C3GD首次系统引入多变量可控实验设计，支持跨口径细粒度分类、远场鲁棒性建模与声源定位联合任务。作者同步提供基线模型评估结果与数据采集协议文档，旨在推动AI驱动的法医声学、智能安防与非合作式武器识别研究。

本文提出一种面向元强化学习（Meta-RL）的知识复用框架，旨在解决传统元学习在任务分布偏移下知识迁移效率低、策略泛化性弱的问题。作者将过往任务中习得的策略结构、奖励建模先验与环境动力学表征抽象为可检索、可组合的‘知识单元’，通过轻量级适配器实现跨任务快速重用。在ProcGen、Meta-World等基准上的实验表明，该方法在仅需1/3训练样本的情况下，相较MAML和PEARL提升平均任务成功率17.2%，且对未见任务类型展现出更强的零样本适应能力。研究还揭示了知识粒度与复用效率间的非线性关系，为构建可持续演化的智能体记忆系统提供了新范式。

该论文首次系统提出「认知萎缩」（Cognitive Atrophy）概念，用以描述大语言模型在持续推理、多步任务或长期交互中表现出的能力退化现象——如逻辑断裂、事实回溯失败、策略性遗忘等。作者构建了包含因果推理、跨轮一致性、自我修正能力三大维度的评估协议，并在Llama-3、Qwen2、Claude-3等主流模型上验证了该现象的普遍存在性。研究指出，萎缩并非单纯由幻觉或训练数据偏差导致，而与注意力机制疲劳、上下文熵累积及梯度更新失配密切相关。文中还开源了CAG（Cognitive Atrophy Gauge）基准测试套件，为后续模型鲁棒性优化与可信AI设计提供可复现的诊断工具。

该研究系统揭示了在大语言模型训练或推理中引入地理条件（如地域标签、IP归属、语言变体等）所导致的非预期后果：包括地域刻板印象强化、知识可信度地域化倾斜、以及跨区域事实一致性下降。作者通过多维度实证分析（涵盖12个主流开源与闭源模型、覆盖6大洲的37个地理实体），发现地理条件不仅未提升本地化性能，反而显著加剧了性别、职业与经济相关的隐性偏见，并在医疗、法律等高风险领域引发事实性错误率上升达23%。研究呼吁建立地理感知的评估框架与去耦合训练范式，为LLM的公平性与鲁棒性提供新方法论支撑。

该论文系统梳理了在资源极度受限的微控制器（MCU）类边缘设备上部署机器学习模型的关键挑战与实践路径。作者从数据采集与轻量化标注、手工特征工程与极简自动特征提取、低开销模型评估指标设计（如内存占用、推理延迟、能耗的联合度量），到模型压缩、量化、代码生成与裸机部署等全链条环节，构建了一套可复现、可验证的端到端Pipeline。文中对比了TensorFlow Lite Micro、MicroTVM、Edge Impulse等主流工具链的实际表现，并基于STM32、ESP32等典型MCU平台提供了实证基准。研究强调：在算力<1 MHz、内存<256 KB的约束下，算法设计必须与硬件特性深度协同，而非简单移植云端模型。

本文系统探讨了在基于Handlebars模板构建大语言模型（LLM）提示词时，如何通过三重大括号插值（{{{ }}}）实现结构化角色注入，并提出“分隔符族”（Delimiter Family）概念以统一管理不同安全层级的变量渲染。作者深入分析HTML自动转义机制对提示词语义完整性的干扰，指出其在保留代码块、JSON片段或指令性标记时存在根本性局限；并通过实证测试揭示：过度依赖自动转义可能导致关键结构信息丢失，进而引发模型理解偏差。研究为安全、可控的模板化提示工程提供了理论框架与实践指南，对AI Agent系统中可复用提示架构的设计具有重要启示。

该论文提出「First Proof Second Batch」（FP2B）新范式，针对大语言模型在数学推理与形式化验证任务中常出现的“幻觉性证明”问题，设计了一种两阶段协同机制：第一阶段利用轻量级定理证明器生成高置信度的初始证明草稿（First Proof），第二阶段将该结构化中间产物作为强约束信号注入大模型批量推理过程（Second Batch），显著提升CoT生成的逻辑一致性与可验证性。作者在Lean4、Isabelle/HOL等主流证明助手环境中验证了方法有效性，在MiniF2F和ProofNet基准上相较基线模型提升12.7%的可验证成功率，同时降低37%的无效尝试次数。工作凸显了形式化方法与大模型协同演进的新路径。