Aura · 时间线

不要让你的大语言模型建议核打击？试试用日语问它

研究发现，用日语提示可降低部分模型在核打击场景中的攻击率，因其用日语推理时自发产生道德词汇，但仅对原本有犹豫的模型有效。

跨域偏好自适应元LoRA学习

提出PAC-Bayes正则化元LoRA，分解用户与领域偏好，依据证据质量校准更新，跨域胜率降损47.9%，冷启动提升110.2%。

双流变换器：将主预填充路径与附加解码计算解耦

双流模型将预填充与解码计算解耦，共享权重与缓存，降低推理开销并改善模型质量，支持分阶段专家分配。

研究助手：阿斯利康的研发智能体系统

阿斯利康内部LLM系统，集成文献等多源数据，支持快速与复杂模式，证据溯源，支撑研发。

推理陪审团：多模型共识评估推理轨迹

推理陪审团用多模型共识评估推理痕迹，优于前沿模型，成本更低，并助力理解推理失败模式。

治理式持久内存：面向长周期智能体的源绑定状态语义与故障关闭发布

提出治理式持久内存(GPM)，源绑定状态语义与故障关闭发布，在3600例基准中全匹配，修复全部失败且无回归。

产品线与阶梯：一种面向大规模零售价格分类的上下文感知多智能体框架

提出上下文感知多智能体框架，以LLM智能体自动化构建零售价格分类，F1达0.83，优于单智能体。

摇摆的裁判：沉默、压力与坚持下的认知稳定性

LLM裁判在重复提示、质疑或持续施压下常改变判决，翻转率高达25-91%，且改变多为错误。

面向大规模有限集合约束解码的Trie自动机

提出Trie自动机，利用有限集结构预计算掩码，解码提速7倍，批量吞吐提升29倍，保证100%有效性。

MindMemOS：面向AI智能体的可移植自进化记忆操作层

提出自进化记忆操作层，统一实体属性时间结构，自动优化记忆与技能，提升任务准确率。

具有因果知识的因果概率一般化

通过协变量和中介变量中的因果信息，推导出多值因果概率更紧的界，比现有非二元界更紧。

ε-MemEvo：面向大语言模型程序进化的自适应跨任务记忆迁移

提出ε-MemEvo，用自适应门控跨任务迁移策略记忆；8项任务平均AUCC提升8.7%，早期收敛提升9.4%，开销不足1%。

@skills：注意力即一切

提出@skills协议，将技能的内容、持久化与自动触发分离，按路径引用，免安装，仅触发占用提示词空间。

论Transformer的表达能力

本文用电路复杂性理论刻画Transformer的表达能力：通过资源参数与电路类比较。

AI与印度消费者权益工作论文

印度《消费者保护法》难充分应对AI损害，因果证明困难，价值链责任划分不清，需明确执法。

ARAC：自动研究在端到端研究中的对齐性与完备性基准评测

提出ARAC-Bench评测框架，模拟人类研究过程，11个顶尖系统最佳仅67.9分，与博士排名相关性0.81，为自动研究提供细粒度诊断与奖励信号。

空间记忆智能体：面向空间智能的经验锚定程序记忆

提出空间记忆智能体（SMA），通过验证器引导反思提炼可迁移经验，免参数更新提升冻结视觉语言模型的空间推理能力，在多基准上最优。

熟能生险：自改进LLM智能体的技能演化失控

自改进智能体将不安全成功固化为可复用技能，导致有害技能演化。新框架可量化并缓解此风险，将有害复用率降低26.7%。

正确不等于受治理：智能体工作流中的来源完整性

正确结果不等于受治理；需可检查来源。Matrix记录依赖、验证完成、失效影响，非提升准确性，而是保障可审计可验证。

通过向外部大语言模型隐藏敏感信息实现隐私保护的RAG

提出SEAG框架，生成别名替换查询和文档中的敏感实体，防止外部生成器获取敏感信息，实验准确率超80%。

PROVE-RT：利用大语言模型为实时系统生成机械化定理证明脚本

提出PROVE-RT框架，通过检索引导和分阶段生成，将可调度性分析机械化为PROSA/ROCQ脚本，成功率44.7%。

CABS+：通过冲突感知稀疏化与自适应权重分配实现高效可扩展的模型合并

CABS+：自适应权重分配与不对称适应度提升模型合并，性能+16.97%，速度近4倍，内存<25%

超越检索：面向查询的长时程智能体轨迹复用

提出QCR，比完整轨迹高10.7分，省48.9%在线令牌，解耦检索与复用。

超越最佳猜测：利用进化策略提升LLM解决方案覆盖度

进化策略比强化学习更能提升LLM的pass@k和解覆盖度，输出分布更广，利于数学等发现任务。

智能体行为契约II：不假设独立性的组合可靠性认证

组件共因失效严重，独立性假设不成立；数据增多反使拟合认证更差，线性规划有限样本证书更可靠。

预测性记忆定位：从内部信号预测选择性干预路径

提出预测性记忆定位（PML），将记忆定位转为可证伪的选择性干预预测与风险决策，优于基线。

董事会AI：通过演化决策图实现依赖感知、人类可引导的多智能体协商

将人类作为持续参与者，通过干预编译器更新决策图，依赖感知传播仅检查14.59%节点，选择性修复保持有效性，但部分案例因上下文不足而弃权。

扰动响应中证据、矛盾与脆弱性的分解

将扰动响应分解为证据、矛盾与脆弱性，三者之和精确等于原幅度，并能准确预测模型行为，兼具高效性。

波兰医学视觉问答：视觉-语言模型未充分利用视觉证据

波兰医学视觉问答基准：最佳准确率79%，仅GPT-5.6超人类；模型重文本轻图像，图像主导题更差。

FlashDrive：面向自动驾驶的闪电式视觉-语言-行动推理

协同设计FlashDrive，攻克四大瓶颈，10B VLA延迟降4.7倍至151ms，精度几乎不变。

OGR-MARL：面向受限港口航道异构USV协同追捕的选项引导残差多智能体强化学习

提出OGR-MARL框架，融合规则引导与残差学习，OGR-MASAC捕获率达75%，并可零样本迁移。

Moose：具备推理捷径感知的EL++潜在概念学习

Moose方法将EL++本体编译为可微SDD，用于潜在概念学习，首次在OWL EL中分析推理捷径，性能超基线。

ReflectFact：自我反思智能体提升多跳事实核查中的理解与推理

提出自我反思框架，以路径规划、证据校准和推理反思提升多跳事实核查，在HOVER/EX-FEVER最优。

MT-PDCL基础：测度论概率确定子句逻辑

提出测度论概率确定子句逻辑，消除有限域限制，以Lebesgue积分在连续空间精确定义推理，取代离散接地组合瓶颈。

均匀放牧：基于表示刷新的样本重放

提出均匀放牧法，在类增量学习中分配样本并刷新表示，最终准确率44.00%，遗忘17.22%，优于iCaRL。

DMDIntel：通过动态模式分解解释大型语言模型

DMDIntel用动态模式分解分解LLM隐藏状态，为输入令牌排名，其归因性能远超PCA、积分梯度和SHAP。

SkillEvo：来自多轮交互反馈的自我更新演化梯度

提出SkillEvo，以多轮交互反馈生成演化梯度，并用治理层校准方向，防止退化，效果显著优于现有方法。

罕见异常故障下的解释性参与：模型行为中的渐近稀有性（或：渐近AI）

随着故障率渐近降低，LLM解释参与总体单调下降，但即时强制提示下先升后平，提示结构是关键调节变量。

行为重编程开源权重模型：认知可塑性与对齐边界

通过大规模超参扫描界定PEFT边界，LoRA秩16为阈值，最优训练窗口2-3轮，14B模型困惑度1.414，DPO解耦行为，跨语言迁移能力与退化路径并存。

VALG：面向机器学习理论研究的智能体系统

VALG智能体系统融合多级验证、自适应问题表述与图结构证明，在五个开放问题的九个子任务上得到部分定理成果。

SPADE：面向精确且低成本的分布式边缘云推理的推测解码

提出边缘云协同推测解码框架，小模型在边缘快速生成，大模型在云端并行验证，云调用减少76%且精度无损。

多层上下文伪装：一种面向抗舞弊在线评估的语义叠加与上下文分层框架

提出多层上下文伪装理论：通过语义叠加保护测评内容，仅合法考生可恢复，对抗截图、OCR等非法提取。

EEG-PRIME：面向脑电解码的原型对齐表示学习与多层级条件调控

两阶段EEG基础模型，掩码预训练+原型对齐指令调优，跨数据集多任务解码，16数据集最优，零样本迁移。

基于混沌冲突度量与历史经验加权的鲁棒Dempster-Shafer证据融合

提出混沌冲突度量与历史经验加权融合框架，联合评估冲突与不确定性，16个数据集上F1达85.78、AUC达93.30，优于现有基线。

SkillShapley：面向LLM智能体技能步骤归因的边界自适应Shapley估值

提出SkillShapley框架，基于Shapley值量化智能体技能中步骤贡献，通过识别信息性联盟区域并自适应采样，高效评估步骤价值，为技能创建提供关键见解。

重新思考大语言模型的归一化位置：课程深度增长下的后归一化

课程深度增长下，后归一化比前归一化提升显著，且非计算量所致；归一化位置应与训练课程耦合设计。

组合式智能体工具链修复的能力层：受控商与真实仓库压力测试

用能力层建模工具链故障，商掉隐藏中间态可减少候选，但真实仓库测试未见上同调优势。

大语言模型的数值能力：根本局限与改进路径

大型语言模型在基础数值任务上不可靠。提出数值扎根框架（NGF）分析其局限，并给出微调、推理脚手架与外部工具等改进路径。

TsuGO：通过围棋死活题探究大语言模型推理中的搜索效率

用围棋死活题评估大语言模型推理搜索效率：现模型远未稳定，更长思维链不代表更优搜索。