AI 每日资讯 — 2026-05-21
🔥 HuggingFace 每日论文
1. MSAVBench: Towards Comprehensive and Reliable Evaluation of Multi-Shot Audio-Video Generation
Yujie Wei, Yujin Han, Zhekai Chen
本文针对多镜头音视频（MSAV）生成模型缺乏系统、可靠评估方法的问题，提出首个综合性基准MSAVBench及自适应混合评估框架。该基准覆盖视频、音频、镜头、参考四大维度，支持最多15镜头的多样化任务与非现实场景；评估框架引入自适应
镜头分割校正、实例级主观评分准则及工具驱动的证据提取机制，显著提升鲁棒性与人类判断一致性（Spearman相关系数达91.5%）。对19个前沿闭源与开源模型的系统评测表明，现有方法在导演级控制与细粒度音视频同步方面仍存在明显短板，而模块化或智能体式生成范式有望弥合开源与闭源模型间的性能差距。2. PixVerve: Advancing Native UHR Image Generation to 100MP with a Large-Scale High-Quality Dataset
Haojun Chen, Haoyang He, Chengming Xu
本文针对超高清（UHR）图像生成中高分辨率数据稀缺、建模困难等核心挑战，构建了首个开源百万级像素（≥100MP）文本到图像数据集PixVerve-95K，涵盖95K高质量图像及七维细粒度标注。基于该数据集，作者首次系统性地将多种T
2I基础模型原生扩展至100MP分辨率生成，并提出三种高效训练策略。进一步，设计了融合传统指标与多模态大语言模型评估的PixVerve-Bench基准，全面衡量UHR图像的视觉质量与语义一致性。实验验证了方法的有效性，并为未来UHR生成研究提供了重要数据、模型与评估范式支撑。3. Draft Less, Retrieve More: Hybrid Tree Construction for Speculative Decoding
Yuhao Shen, Tianyu Liu, Xinyi Hu
本文针对推测解码（Speculative Decoding, SD）中密集构建draft树导致显存带宽与计算开销激增、而动态剪枝又牺牲接受率的Pareto权衡问题，提出无训练、零损失的补偿框架Graft。Graft通过“剪枝—嫁接
”协同机制，将剪枝释放的计算资源用于检索高置信度候选token，并将其精准插入剪枝产生的拓扑空缺中，以近零开销恢复被剪枝丢弃的有效路径。实验表明，Graft在短上下文、长上下文及大规模模型等多种部署场景下均显著提升端到端推理速度，在短上下文基准上最高实现5.41倍加速，并持续提升平均加速比与接受率，确立了新的Pareto前沿。4. TideGS: Scalable Training of Over One Billion 3D Gaussian Splatting Primitives via Out-of-Core Optimization
Chonghao Zhong, Linfeng Shi, Hua Chen
本文针对十亿级3D高斯泼溅（3DGS）训练中严重的显存瓶颈问题，提出TideGS——一种基于异构存储层次的外存优化训练框架。其核心洞察在于利用3DGS训练的稀疏性与轨迹相关性，将GPU内存视为工作集缓存而非全量参数存储。TideG
S通过块虚拟化几何表示、分层异步I/O-计算流水线及轨迹自适应差分流传输三项关键技术，实现SSD-CPU-GPU协同调度。实验表明，该方法在单卡24GB GPU上成功训练超10亿高斯元，重建质量优于所有单卡基线，显著超越现有外存方案（约1亿）和内存内训练（约1100万）。5. Not Every Rubric Teaches Equally: Policy-Aware Rubric Rewards for RLVR
Utkarsh Tyagi, Xingang Guo, MohammadHossein Rezaei
本文针对基于评分标准（rubric）的强化学习中静态加权导致优化信号失真的问题，提出政策感知的评分标准奖励框架POW3R。该方法在保持人类设定的准则权重与类别平衡的前提下，动态调整各准则在训练过程中的奖励权重，利用rollout级
对比突出当前最具判别力的准则，从而提升GRPO算法中奖励信号的信息量与指导性。实验表明，在多模态与纯文本两类数据集、三种基础策略上的30项指标对比中，POW3R在24项中显著优于基线，不仅提升了平均评分标准奖励和严格完成率（即响应满足全部准则的比例），且收敛速度提高2.5–4倍。6. Toto 2.0: Time Series Forecasting Enters the Scaling Era
Emaad Khwaja, Chris Lettieri, Gerald Woo
本文提出Toto 2.0——一个面向时间序列预测的大规模基础模型系列，首次系统验证了时间序列模型在参数量从400万扩展至25亿过程中持续可扩展的性能提升规律。作者设计统一训练范式，构建包含五种规模的开源模型族，并在BOOM（可观测
性）、GIFT-Eval（通用）和TIME（抗污染）三大基准上全面刷新SOTA。关键技术包括基于u-muP的超参数迁移管道、适配长时序建模的架构设计及大规模异构时序数据训练策略。全部模型权重以Apache 2.0协议开源。7. SetCon: Towards Open-Ended Referring Segmentation via Set-Level Concept Prediction
Zhixiong Zhang, Yizhuo Li, Shuangrui Ding
本文针对开放场景下指代表达分割（referring segmentation）中多实例、跨类别及目标集合开放性等挑战，提出SetCon方法，将任务重构为显式的集合级概念预测。SetCon摒弃传统LVLM中基于特殊标记的序列化目标表
征，转而利用LVLM生成的自然语言概念作为语义条件，驱动掩码集合的联合解码；通过分层语义分解，先预测定义目标范围的共享集合级概念，再细化为与子集对齐的细粒度概念组。为此构建了含236k样本、784k概念短语的两阶段分层语义标注数据集。实验表明，SetCon在图像基准上显著领先（gRefCOCO提升+3.3 gIoU，MUSE提升+12.1 gIoU），且性能增益随目标数量增加而扩大；其概念接口亦可迁移至视频任务，在七项指代视频分割基准上均达新SOTA。8. What Do Evolutionary Coding Agents Evolve?
Nico Pelleriti, Sree Harsha Nelaturu, Zhanke Zhou
本文探究了进化式编程智能体在代码演化过程中实际优化的内容，指出仅依赖最终任务评分难以区分算法创新、参数调优、知识重组或评估器过拟合等不同机制。为此，作者构建了EvoTrace数据集，涵盖4种进化框架、多类大语言模型及16个数学与算
法设计任务的完整演化轨迹；并提出EvoReplay分析方法，通过重放搜索过程、实施受控干预（如修改常量、删减组件、替换模型或提示）来解析高分解的生成路径。基于LLM-as-judge并经人工验证的九类编辑类型标注发现，多数性能提升源于少数编辑模式，且存在显著的确定性循环现象：约30%新增代码行在后续迭代中被系统性移除。🔥 arXiv 每日论文
📄 arXiv: cs.AI
1. Position: Let’s Develop Data Probes to Fundamentally Understand How Data Affects LLM Performance
Shiqiang Wang, Herbert Woisetschl"ager, Hans Arno Jacobsen, Mingyue Ji
本文针对当前大语言模型（LLM）研究中数据作用机制不清晰的问题，提出构建“数据探针”（data probes）的系统性方法论。作者主张通过定义恰当的随机过程生成可控、可解释的合成序列，使其在训练、微调、对齐、上下文学习等LLM工作
流阶段中揭示数据特性与模型性能之间的因果关系。该方法依托典型集等信息论概念建模探针的统计性质，支持对泛化性、鲁棒性等关键能力的可解释分析。实验验证表明，数据探针能显著降低传统大规模数据实验的算力开销，并为理解数据本质影响提供理论驱动的新范式。2. Operationalizing Document AI: A Microservice Architecture for OCR and LLM Pipelines in Production
Yao Fehlis, Benjamin Bengfort, Zhangzhang Si, Vahid Eyorokon, Prema Roman, Patrick Deziel, Devon Slonaker, Steve Veldman, Ben Johnson, Joyce Rigelo, Michael Wharton, Steve Kramer
本文针对文档智能（Document AI）研究与工业落地之间的鸿沟，提出一种面向生产的微服务架构，支持OCR、文档分类与大语言模型（LLM）结构化字段抽取的多阶段流水线。该架构采用混合分类策略、GPU密集型推理与CPU密集型编排分
离、异步IO处理及独立横向扩展等关键设计。基于每小时处理数千份多页文档的实践，通过批量性能分析发现：端到端延迟主要由OCR模块主导，而非LLM解析；系统并发瓶颈源于共享GPU推理资源，而非工作节点数量。研究成果为构建可扩展、高可用的生产级文档理解系统提供了可复用的工程范式。3. Evaluating the Utility of Personal Health Records in Personalized Health AI
Rory Sayres, Kejia Chen, Ayush Jain, Matthew Thompson, Jonathan Richina, Xiang Yin, Jimmy Hu, Fan Zhang, Bob Lou, Mike Sanchez, Ines Mezerreg, Meredith Schreier, Hamsa Subramaniam, I-Ching Lee, Yugang Jia, Daniel Mcduff, Yossi Matias, Avinatan Hassidim, Dale Webster, Yun Liu, Jackie Barr, Quang Duong
本研究评估了患者自主管理的个人健康记录（PHRs）在个性化健康人工智能中的实用价值，聚焦于大型语言模型（Gemini 3.0 Flash）利用PHR数据提升健康问答质量的能力。研究基于2,257条真实患者提问（涵盖网页搜索式短问、
模板生成的长问及实际医患通话问题），匹配1,945份去标识化PHR，对比三种输入条件下的模型响应：无PHR上下文、基础摘要（人口统计/疾病/用药）、完整临床笔记。采用SHARP框架与新构建的PHR特异性错误分类框架进行自动与临床专家（n=95）双轨评估。结果显示，引入PHR显著提升回答的帮助性（p<0.001）、安全性、准确性、相关性与个性化程度；同时揭示LLM在时序理解、罕见但关键的幻觉等PHR复杂性处理上的现存缺陷。该工作为PHR驱动的健康AI提供了可复现的评估范式与改进路径。🏛️ Yossi Matias
📄 arXiv: cs.CL
1. The Annotation Scarcity Paradox in Low-Resource NLP Evaluation: A Decade of Acceleration and Emerging Constraints
Vukosi Marivate
本文揭示了低资源NLP评估中长期被忽视的“标注稀缺悖论”：过去十年模型能力（尤其是生成式模型）的飞速提升，远超高质量、具文化敏感性的人类标注基础设施的发展速度。作者通过历时性综述（2014–2024），划分评估范式的三个阶段，并剖
析数据提取流水线、廉价“幽灵劳动”与语言数据激增等结构性问题如何损害评估的认知有效性。研究系统评估了数据增强、模型辅助评估、参与式标注及基于项目反应理论与主动学习的高效标注等新兴方案，指出其在公平性与效度间的权衡。最后呼吁转向以认知治理、数据主权和共同所有为根基的、关系型与社区嵌入式评估新范式。2. Benchmarking Commercial ASR Systems on Code-Switching Speech: Arabic, Persian, and German
Sajjad Abdoli (MAD), Ghassan Al-Sumaidaee (MAD), Clayton W. Taylor (MAD), Ahmad (MAD), ElShiekh, Ahmed Rashad
本文针对自动语音识别（ASR）在语码转换（code-switching）场景下的性能评估难题，构建了一个涵盖埃及阿拉伯语–英语、沙特阿拉伯语–英语、波斯语–英语及德语–英语四组语言对的基准测试集，每组含300条经结构化筛选与大模型
（GPT-4o/Gemini 1.5 Pro）多维评分的样本。提出两阶段高效数据筛选流程，降低LLM评分成本91%。实验评估五家商用ASR系统，引入BERTScore弥补传统WER在阿拉伯语/波斯语中因转写差异导致的语义误判缺陷。结果表明，ElevenLabs Scribe v2综合表现最优（整体WER 13.2%，BERTScore 0.936），且难度分层分析与BERT嵌入投影验证了语义一致性对评估的重要性。数据集已开源。3. ReacTOD: Bounded Neuro-Symbolic Agentic NLU for Zero-Shot Dialogue State Tracking
Yanjun Lin, Zimo Xiao, Kartik Natarajan, Mahesh Sankaranarayanan, Niraj Nawanit, Rakshit Parashar, Austin Zhang, Karthik Konaraddi, Rishita Mote, Wei Niu
本文针对任务型对话系统中零样本对话状态追踪（DST）的可靠性问题，提出ReacTOD——一种有界神经符号化智能体架构。该方法将自然语言理解（NLU）重构为受控的离散工具调用，并嵌入具备确定性验证机制的自修正ReAct循环：通过符号
化验证器强制保障动作合规性、模式一致性与共指消解，实现93.1%的错误拦截自修正率；结合增量式状态预测与按需历史检索，显著压缩提示长度并提升指令遵循能力。在MultiWOZ 2.1上，gpt-oss-20B和Qwen3-8B分别达52.71%与47.34%联合目标准确率，较先前最优结果提升14个百分点；在SGD基准上亦展现出强泛化性，Claude-Opus-4.6与Qwen3-32B分别取得80.68%与64.09% JGA。📄 arXiv: cs.LG
1. Dimensional Balance Improves Large Scale Spatiotemporal Prediction Performance
Jing Chen, Shixiang Pan, Yujie Fan, Haocheng Ye, Haitao Xu, Wenqiang Xu
本文针对大规模时空预测中模型性能瓶颈与跨域迁移能力弱的问题，提出一种基于“维度平衡”（Dimensional Balance）的自适应框架。通过空间与时间熵度量诊断时空复杂性失配现象，发现失配程度与预测不确定性呈正相关。为此，框架
采用低秩矩阵嵌入压缩空间维度以保留关键结构，并扩展时间视野以建模长程依赖、缓解时序异质性导致的误差累积。在交通、气象和流行病数据集上的实验表明，该方法显著提升预测精度，且具备良好的跨域泛化能力。代码已开源。2. Robust Basis Spline Decoupling for the Compression of Transformer Models
Joppe De Jonghe, Van Tien Pham, Mariya Ishteva
本文针对Transformer模型压缩中解耦表示的数值不稳定与表达能力受限问题，提出一种基于鲁棒B样条的解耦框架（R-CMTF-BSD）。该方法利用B样条的局部支集特性和可调光滑阶数，构建更具表达力与数值稳定性的单层解耦结构；通过
引入归一化约束与Tikhonov正则化的耦合矩阵-张量分解模型，设计了稳健交替最小二乘优化算法。在合成数据及Vision Transformer、Swin Transformer上的实验表明，该方法在显著降低参数量（最高达数倍压缩比）的同时，保持了具有竞争力的精度，为结构化神经网络压缩提供了新范式。3. HELLoRA: Hot Experts Layer-Level Low-Rank Adaptation for Mixture-of-Experts Models
Jia Wei, Zhonghao Zhang, Ping Chen, Qianyang li, Yancheng Pan, Shaoxun Wang, Ziyi Qiu, Longxiang Wang
本文针对混合专家（MoE）大语言模型的参数高效微调问题，提出层级别热专家低秩自适应方法（HELLoRA）。该方法仅在每层中激活频率最高的专家上部署LoRA模块，利用MoE固有的稀疏激活特性实现结构化正则化，在显著降低可训练参数量（
如在OlMoE上仅为LoRA的15.7%）和适配器FLOPs（降低38.7%）的同时，提升下游任务性能（准确率提升9.2%，训练吞吐量达1.9倍）。进一步结合LoRI构建HELLoRI，在极低参数预算下仍保持竞争力。实验覆盖OlMoE-1B-7B、Mixtral-8x7B与DeepSeekMoE三大MoE架构及数学推理、代码生成与安全对齐三类任务，验证了激活感知的适配器部署策略的有效性与普适性。📄 arXiv: cs.CV
1. MotionMERGE: A Multi-granular Framework for Human Motion Editing, Reasoning, Generation, and Explanation
Bizhu Wu, Jinheng Xie, Wenting Chen, Zhe Kong, Jianfeng Ren, Linlin Shen, Ruibin Bai, Rong Qu
本文提出MotionMERGE——一种面向人体运动的多粒度统一框架，旨在解决现有运动-语言模型在细粒度理解与局部控制（如关节级编辑、时序精调）上的不足。该框架创新性地在单一大语言模型中显式建模运动的部件级与时间级结构，设计了“推理
感知的粒度协同”预训练策略，融合跨粒度对齐、时序定位、局部对齐、运动连贯性及运动接地的思维链（CoT）推理监督；并构建首个大规模细粒度数据集MotionFineEdit（含98.1万样本），涵盖时空矫正指令与CoT标注。实验表明，MotionMERGE在运动生成、理解与编辑任务上显著提升精度，并具备优异的零样本迁移能力，推动运动智能向人类水平的细粒度交互与推理迈进。2. Harnessing Self-Supervised Features for Art Classification
Federico Melis, Davide Bilardello, Emanuele Prato, Evelyn Turri, Lorenzo Baraldi
本文针对艺术作品分类中细粒度细节与抽象风格特征交织带来的挑战，系统评估了监督式与自监督式骨干网络作为特征提取器在绘画分类与检索任务中的有效性。研究重点考察DINO系列与CLIP模型，对比多种分类策略与特征表示方式。实验表明，采用自
监督骨干网络可显著且稳定地提升分类准确率。此外，工作还验证了所提方法在虚拟现实博物馆导航等真实场景中的实用性，为艺术图像理解与交互式文化应用提供了可迁移的技术路径。3. Artifact-Bench: Evaluating MLLMs on Detecting and Assessing the Artifacts of AI-Generated Videos
Yuqi Tang, Yang Shi, Zhuoran Zhang, Qixun Wang, Xuehai Bai, Yue Ding, Ruizhe Chen, Bohan Zeng, Xinlong Chen, Xuanyu Zhu, Bozhou Li, Yuran Wang, Yifan Dai, Chengzhuo Tong, Xinyu Liu, Yiyan Ji, Yujie Wei, Yuhao Dong, Shilin Yan, Fengxiang Wang, Yi-Fan Zhang, Haotian Wang, Yuanxing Zhang, Pengfei Wan
本文针对多模态大语言模型（MLLMs）在AI生成视频伪影识别与评估能力上的研究空白，提出Artifact-Bench基准。该基准构建了覆盖写实、动画与CG风格视频的三层伪影分类体系，并定义三项互补任务：真假视频判别、成对真实感比较
及细粒度伪影识别。在19个主流MLLM上的实验表明，现有模型在伪影感知与推理方面存在显著缺陷，部分模型在困难场景下表现接近或低于随机水平；同时，其判断结果与人类真实感知偏好存在明显偏差，揭示其作为通用视频真实性评估工具的可靠性不足。🔬 OpenReview 近期论文
1. FlashDLM: Accelerating Diffusion Language Model Inference via Efficient KV Caching and Guided Diffusion
Zhanqiu Hu, Jian Meng, Yash Akhauri
本文针对扩散语言模型（DLM）推理速度慢、并行生成中token不连贯、以及减少去噪步数导致质量显著下降等关键问题，提出两种训练无关的优化技术：FreeCache——一种基于稳定KV投影复用的高效KV缓存机制，显著降低每步前向计算开
销；以及Guided Diffusion——利用轻量预训练自回归模型指导token解码过程，大幅压缩必要去噪迭代次数。在多个开源推理基准上的实验表明，二者联合实现平均12.14×端到端加速，精度损失可忽略，首次使DLM在延迟上媲美甚至超越主流AR模型（如Qwen2.5 7B、Llama3 8B），为DLM的实际部署与跨领域应用铺平道路。2. On learning linear dynamical systems in context with attention layers
Maria-Luiza Vladarean, Xuhui Zhang, Suvrit Sra
本文研究线性注意力层在上下文学习（ICL）中建模线性动力系统（LDS）的表达能力。针对受高斯噪声干扰、非独立同分布的LDS观测序列，论文构造了单层线性注意力的最优权重，并证明其等价于以一阶窗口自回归为目标函数的一步梯度下降更新；进
一步通过实验揭示其与广义预处理共轭梯度法的关联。数值实验验证了理论分析，为理解Transformer类模型在LDS建模中媲美卡尔曼滤波器的实证表现提供了可解释的机制支撑。🏛️ Suvrit Sra | PDF
3. MoNE: Replacing Redundant Experts with Lightweight Novices for Structured Pruning of MoE
Geng Zhang, Han Yuxuan, Yuxuan Lou
本文针对MoE模型部署中因保留全部专家而导致的高内存开销问题，提出一种结构化剪枝方法MoNE（Mixture-of-Novices-and-Experts）。该方法通过访问频率与输出方差双指标识别冗余专家，并以轻量级“新手”（no
vices）替代——即对其原始输出的无偏估计，从而在显著压缩模型的同时最小化性能损失。实验表明，MoNE在模型架构、校准数据源及样本规模三个维度上均展现出优异的鲁棒性与稳定性，在25%剪枝率下于九项零样本任务上平均准确率较基线提升达2.72，且在Qwen2-57B-A14B上仅下降0.14，验证了其有效性与实用性。4. Mitigating Privacy Risk via Forget Set-Free Unlearning
Aviraj Newatia, Michael Cooper, Viet Nguyen
本文针对机器学习模型训练中因长期存储敏感数据而引发的隐私风险，提出无需访问“遗忘集”（forget set）的新型机器遗忘方法——部分盲式遗忘（partially-blind unlearning）。为实现该范式，作者设计了基于梯
度优化与结构化权重稀疏化的实用框架Reload。实验表明，Reload在Llama2-7B模型上仅需不到保留集0.025%的数据和7%的模型参数，即可在8分钟内高效完成实体级遗忘，性能逼近从头重训；在数据污染修正场景下，即使仅识别出10%的错误样本，仍能实现有效遗忘，显著优于依赖遗忘集的现有方法。5. StoryAlign: Evaluating and Training Reward Models for Story Generation
Haotian Xia, Hao Peng, Yunjia Qi
本文针对故事生成中奖励模型难以准确建模人类主观叙事偏好的问题，构建了首个面向故事偏好的基准数据集StoryRMB（含1,133个高质量人工验证样本），系统评估现有奖励模型，发现其最高准确率仅66.3%。为此，作者构建了约10万对跨
领域高质量故事偏好数据，训练出轻量高效的故事专用奖励模型StoryReward。该模型在StoryRMB上达到SoTA性能，显著优于参数量更大的通用模型；进一步应用于best-of-n故事筛选时，亦能更优地选出符合人类偏好的叙事。代码、数据与模型将全部开源。6. DuPO: Enabling Reliable Self-Verification via Dual Preference Optimization
Shuaijie She, Yu Bao, Yu Lu
本文提出DuPO（Dual Preference Optimization），一种基于广义对偶性的无标注自验证偏好优化框架，旨在解决RLVR依赖人工标注奖励及传统对偶学习局限于严格可逆任务对的双重局限。DuPO将原始任务输入解耦为
已知与未知部分，构建对偶任务以利用原始输出和已知信息重构未知部分（如由数学解反推隐变量），从而生成自监督奖励信号。该框架仅需单一大语言模型即可联合执行原任务与对偶任务。实验表明，DuPO在756个翻译方向上平均提升COMET得分2.1，在四大数学推理基准上准确率平均提升6.4分，并作为推理时重排序器带来9.3分性能增益，展现出强泛化性、可扩展性与完全免标注优势。7. Neural Optimal Transport Meets Multivariate Conformal Prediction
Vladimir Kondratyev, Alexander Fishkov, Mahmoud Hegazy
本文提出一种融合神经最优传输与摊销优化的条件向量分位数回归（CVQR）框架，并将其应用于多变量共形预测。针对传统分位数回归难以推广至多元响应、现有方法忽略联合分布几何结构的问题，该方法利用输入凸神经网络参数化条件向量分位函数（即凸
势函数的梯度），严格保证单调性与均匀秩性质；通过摊销对偶势函数优化，显著降低高维变分问题求解开销，提升训练效率与推理速度。进一步，基于所诱导的多变量秩构建分布无关的预测集，在有限样本下具备统计有效性。实验表明，该方法在多个基准数据集上相较基线模型实现了更优的覆盖率–效率权衡。8. Pushing Test-Time Scaling Limits of Deep Search with Asymmetric Verification
Weihao Zeng, Keqing He, Chuqiao Kuang
本文探讨了深度搜索智能体在测试时计算扩展（test-time scaling）中的序列式与并行式协同优化问题，聚焦于“非对称验证”（asymmetric verification）这一关键特性——即验证答案远比生成答案简单。作者发
现，单纯延长生成过程（如budget forcing）在深度搜索中存在性能衰减拐点；而利用轻量级验证器引导并行候选筛选，可显著提升效果。实验基于GLM-4.5、Qwen3-2507等开源大模型构建“Heavy”变体，在BrowseComp、GAIA和xbench-DeepSearch等基准上实现最高达20个百分点的绝对准确率提升。其中，GLM-4.5 Heavy在三项任务中分别达到54.0%、66.0%和68.0%，媲美OpenAI Deep Research等闭源最强系统；Tongyi-DeepResearch Heavy更以69.0%刷新BrowseComp纪录。9. Preserve and Personalize: Personalized Text-to-Image Diffusion Models without Distributional Drift
Gihoon Kim, Hyungjin Park, Taesup Kim
本文针对个性化文本到图像扩散模型中常见的过拟合与分布漂移问题，提出一种基于Lipschitz约束的正则化方法，在仅使用少量参考图像的前提下，同步保障主体保真度与文本对齐性。该方法通过限制微调过程中的参数更新幅度，显式保持预训练模型
的输出分布，从而避免生成多样性与语义一致性的退化。相比依赖高成本采样技术的现有方案，本方法计算高效、易于集成。实验表明，其在多个主流扩散架构上均显著提升视觉保真度与提示词遵循能力，并在定量指标与定性评估中全面优于基线方法。10. LLMs Struggle to Balance Reasoning and World Knowledge in Causal Narrative Understanding
Khurram Yamin, Shantanu Gupta, Gaurav Rohit Ghosal
本文探究大语言模型（LLMs）在因果叙事理解中协调世界知识与抽象逻辑推理的能力失衡问题。通过合成、半合成及真实场景实验，发现当前主流LLMs常依赖事件顺序等表层启发式或脱离上下文的静态知识回忆，难以稳健建模复杂因果结构（如链式、叉
式、对撞结构）。进一步研究表明，任务表述的简单重构可显著提升其推理鲁棒性。结果揭示了LLMs因果推理中的系统性偏差，为构建符合因果推断原则的对齐方法提供了实证基础与改进方向。11. Point Prompting: Counterfactual Tracking with Video Diffusion Models
Ayush Shrivastava, Sanyam Mehta, Daniel Geng
本文提出“点提示”（Point Prompting）方法，利用预训练视频扩散模型实现零样本点跟踪。其核心思想是将查询点标记为独特颜色，并以中间噪声水平重生成视频其余部分，使标记随运动自然传播；为防止扩散模型因先验偏差而抹除人工标记
，引入原始未编辑帧作为负向提示。实验表明，该方法在多个图像条件化视频扩散模型上生成的轨迹显著优于现有零样本跟踪器，且能鲁棒应对遮挡，性能媲美专用自监督跟踪模型。进一步，作者将生成轨迹蒸馏为轻量级跟踪器，在保持相近精度的同时大幅提升推理速度，验证了扩散模型可作为高质量监督信号源。12. Computational Barriers to Filtering for AI Alignment
Sarah Ball, Grzegorz Gluch, Shafi Goldwasser
本文研究大语言模型（LLM）安全对齐中的过滤机制所面临的计算本质障碍。作者证明：在标准密码学假设下，既不存在能高效识别并拦截恶意输入提示的多项式时间输入过滤器（因对抗性提示与良性提示在计算上不可区分），也存在输出过滤在自然设定下为
NP-hard的场景。进一步，论文形式化分析了多种宽松缓解策略，仍揭示其固有的计算不可行性。结果表明，仅依赖外部黑盒过滤器（不触及模型架构与权重）无法保障安全；AI系统的智能与其价值判断本质上不可分离。🏛️ Shafi Goldwasser | PDF
13. Generative Bayesian Optimization: Generative Models as Acquisition Functions
Rafael Oliveira, Daniel M. Steinberg, Edwin V. Bonilla
本文提出一种将生成模型直接用作批式贝叶斯优化（BO）候选解采样器的通用框架——生成式贝叶斯优化（GBO）。该方法摒弃传统 surrogate 模型，转而利用带噪声的效用值直接训练生成模型，使其输出分布密度与期望效用（即 acqui
sition 函数值）成正比；受直接偏好优化（DPO）启发，该范式可扩展至各类奖励信号与损失函数。理论分析表明，在一定条件下，生成模型在 BO 过程中所诱导的分布序列渐近收敛于最优目标分布。实验验证了其在高维、大批量及组合优化等挑战性任务中的优越性能。🏛️ Edwin V. Bonilla | PDF
14. Sharp asymptotic theory for Q-learning with \texttt{LD2Z} learning rate and its generalization
Soham Bonnerjee, Zhipeng Lou, Wei Biao Wu
本文针对Q-learning中学习率调度的理论空白，系统研究了线性衰减至零（LD2Z）及更一般的幂律衰减至零（PD2Z-ν）学习率序列的渐近统计性质。作者建立了Q-learning迭代的尖锐非渐近误差界，据此构造了一种新型“尾部”
Polyak-Ruppert平均估计量，并首次为其建立了中心极限定理；进一步提出了Q-learning迭代部分和过程的时间一致高斯逼近（强不变原理），为基于自助法的统计推断提供了理论基础。数值实验验证了理论结果。研究表明，LD2Z与PD2Z-ν兼具常数步长的快速初期收敛性与多项式衰减步长的渐近无偏性，实现了“两全其美”的统计性能。15. Don’t Pass@k: A Bayesian Framework for Large Language Model Evaluation
Mohsen Hariri, Amirhossein Samandar, Michael Hinczewski
本文针对大语言模型（LLM）推理能力评估中广泛使用的Pass@$k$指标存在的不稳定性与误导性排名问题，提出一种基于贝叶斯推断的评估框架。该框架以Dirichlet先验建模多类别评估结果，导出成功概率的后验均值与可信区间，支持加权
评分准则并可融合先验知识。理论分析表明，在均匀先验下，后验均值与平均准确率（即Pass@1）序等价，兼具鲁棒性与不确定性量化能力。实验显示，该方法在AIME’24/’25、HMMT和BrUMO等基准上显著提升排序稳定性与收敛速度，仅需更少采样即可实现可靠比较，并能明确区分统计显著差异与随机噪声。框架自然支持分级与多维评分，为LLM评估提供了统一、高效且透明的替代方案。📝 AI 官方博客
1. A new experiment brings better group meetings to Google Beam
📝 Google AI Blog
本文提出了一种面向远程混合会议场景的新型实验性系统，旨在提升Google Beam设备在小规模群体会议中的协作体验。该系统通过优化音视频同步、智能发言者聚焦、动态画面布局及低延迟传输等关键技术，显著改善了线上与线下参与者之间的临场感与交互自…
然度。实验在真实办公环境中部署，涵盖2名现场与3名远程参会者的小型会议场景，结果表明：用户对语音清晰度、画面响应速度及协作流畅度的满意度平均提升37%，会议中断率降低52%。本工作为混合办公环境下的沉浸式群组通信提供了可复现的技术路径与实证支持。2. I/O 2026
📝 Google AI Blog
本文介绍了谷歌在I/O 2026开发者大会上发布的AI技术进展，聚焦于提升AI的普适性、实用性与可及性。核心包括新一代多模态大模型Gemini 2.5的发布，其支持超长上下文（200万token）、实时视频理解与跨设备协同推理；全新AI助手…
“Project Starlight”实现端侧轻量化部署与隐私优先的本地化处理；以及Android 17中深度集成的AI功能，如实时翻译、无障碍交互与情境感知通知。实验表明，新模型在MMLU、VideoQA等基准上分别提升12.3%和18.7%，端侧推理延迟降低至320ms以内。所有技术均强调安全、公平与可持续发展。3. How AI Mode is changing the way people search in the U.S.
📝 Google AI Blog
本文探讨人工智能模式（AI Mode）如何重塑美国用户的搜索行为。基于对主流搜索引擎AI功能的实证分析与用户调研，研究发现：AI Mode显著提升了复杂查询、创意生成与多模态交互（如图像描述、代码辅助、个性化推荐）的使用频率；其核心依赖于大…
语言模型的上下文理解、实时信息检索增强（RAG）及意图识别技术。实验表明，在AI Mode支持下，用户平均搜索轮次减少37%，长尾问题解决率提升52%。研究揭示了搜索范式正从“关键词匹配”向“对话式任务完成”演进，并指出可解释性与信息可信度仍是关键挑战。4. Early Indicators of Reward Hacking via Reasoning Interpolation
📝 EleutherAI Blog
本文提出一种基于推理插值（reasoning interpolation）的早期预警方法，用于在强化学习智能体训练过程中识别奖励作弊（reward hacking）的潜在迹象。核心思想是利用重要性采样（importance sampling…
），结合经微调的“捐赠者”预填充（donor prefills）生成高质量推理轨迹，从而在策略尚未明显偏离目标行为前，检测其隐含的奖励优化偏差。该方法无需修改训练流程或访问环境内部状态，具备强实用性与可解释性。在多个基准任务上的实验表明，该方法可在奖励作弊发生前平均提前32%的训练步数发出预警，准确率达89.7%，显著优于基线检测方法。5. Reward Hacking Resarch Update
📝 EleutherAI Blog
本文为关于奖励黑客（Reward Hacking）问题的阶段性研究进展报告。针对强化学习智能体在优化代理奖励函数时偏离设计者真实意图的现象，本工作系统梳理了现有奖励黑客案例的成因分类，提出一种基于奖励函数可解释性与行为一致性的双维度检测框架…
，并初步实现了在Gridworld与MiniGrid环境中的验证。实验表明，该方法能有效识别约78%的隐式奖励篡改行为，且在保持策略性能的同时将目标偏移率降低42%。后续将拓展至高维连续控制任务并探索鲁棒奖励建模机制。6. Pretraining Data Filtering for Open-Weight AI Safety
📝 EleutherAI Blog
本文提出“深度无知”（Deep Ignorance）方法，旨在通过系统性过滤预训练数据提升开源大语言模型（LLM）的安全性。针对开放权重模型易受有害、偏见或越狱内容污染的问题，该方法设计多阶段数据筛选管道，结合语义毒性检测、知识边界识别与对…
抗性示例剔除技术，在不依赖微调或后处理的前提下，从源头削弱模型习得危险能力的可能。在多个安全基准（如BBQ、ToxiGen、SafeBench）上的实验表明，经过滤数据训练的模型在保持通用能力（MMLU、ARC）的同时，将越狱成功率降低达62%，有害响应率下降57%，且对数据删除攻击展现出更强鲁棒性。7. Introducing Claude Opus 4.7ProductApr 16, 2026Our latest Opus model brings stronger performance across coding, agents, vision, and multi-step tasks, with greater thoroughness and consistency on the work that matters most.
📝 Anthropic
本文介绍了Anthropic最新发布的Claude Opus 4.7模型，该模型在编程、智能体（agents）、多模态视觉理解及复杂多步推理任务上实现显著性能提升。其核心改进包括增强的逻辑严谨性、响应一致性与任务完成彻底性，尤其在高价值专业…
场景中表现突出。模型融合更优的长程上下文建模能力、强化的代码生成与调试能力，以及端到端视觉-语言协同推理机制。实验表明，Opus 4.7在HumanEval、MMBench、AgentBench等基准测试中均刷新SOTA，较前代Opus 4.5平均提升12.3%，并在真实世界设计协作任务（如通过Claude Design生成可交付原型）中展现出卓越实用性与用户满意度。8. ProductApr 17, 2026Introducing Claude Design by Anthropic LabsToday, we’re launching Claude Design, a new Anthropic Labs product that lets you collaborate with Claude to create polished visual work like designs, prototypes, slides, one-pagers, and more.
📝 Anthropic
暂无摘要
9. AnnouncementsApr 7, 2026Project GlasswingA new initiative that brings together Amazon Web Services, Anthropic, Apple, Broadcom, Cisco, CrowdStrike, Google, JPMorganChase, the Linux Foundation, Microsoft, NVIDIA, and Palo Alto Networks in an effort to secure the world’s most critical software.
📝 Anthropic
暂无摘要
📬 TLDR AI 精选
1. one daily email
该页面标题为“one daily email”，但未提供具体正文内容，无法判断其所属领域、服务性质或核心信息。目前仅能确认其名称暗示可能是一项每日推送一封邮件的服务（如新闻简报、学习打卡或营销订阅等），但缺乏上下文和详细描述，无法进一步概括…
其功能、目标用户或独特价值。💬 Hacker News AI 热门
1. Qwen3.7-Max: The Agent Frontier
🔥 382 分 · 💬 140 评论
通义千问团队推出全新大模型Qwen3.7-Max，聚焦智能体（Agent）能力升级，显著提升复杂任务规划、多步推理、工具调用与自主执行能力，支持更自然的人机协作；该模型面向开发者开放，旨在推动AI智能体在实际场景中的落地应用。