前沿金融判断：智能体能否识别影响股价的因素？
新基准评估智能体金融判断，最强仅52.4%匹配专家，误报率差异显著，需区分新旧信息。
弃锚：基于脉冲星注意力的分布式系统统计上下文摘要
提出Pulsar Attention，用内容感知前缀和跨块摘要替代静态锚点，降低3.3倍计算量，长序列性能提升达4.7%。
通过残差记忆与偏移框架实现仿射一维细化迭代的精确ReLU实现
利用残差记忆与偏移框架，实现M≥3时仿射细化迭代的精确固定宽度ReLU网络，深度O(n)
From Agent Failures to Text Policies: What Works and What Breaks
评估与守护智能科学综述中的引文忠实性
现有引文验证不可靠，提出金标准评估协议，确保引文真实可测有界。
MiniCache：利用小模型接口实现高效LLM推理的可重用程序缓存
MiniCache通过小模型接口实现程序缓存复用，降低大模型调用开销，提升推理效率达3.1倍。
展示而非言说：基于生成像素而非LLM文本评估空间认知
提出ProVisE框架评估空间认知，发现图像生成模型在像素表达上有优势，文本VLM在组合推理上领先。
TransBiolab：一个真实世界多视图的杂乱透明生物医学物体数据集
提供杂乱透明生物医学物体的多视图RGB-D数据集，含15类物体、1.03M实例，支持分割、深度估计和6D姿态估计。
大语言模型在动态用户意图中迷失
LLMs在静态任务中表现优异，但在用户意图动态演变的多轮对话中大幅下降，暴露关键能力缺失。
使用奇偶瓶颈层扩展可解释Transformer
提出ParityTransformer，用参数无关奇偶瓶颈层实现可扩展可解释性，性能优于后验SAE，特征原生。
SalesLoop：基于绩效反馈的销售线索排序强化学习
SalesLoop通过闭环反馈和判别式GRPO优化线索排序，NDCG@K提升7.9%，生产测试累计提升4.7%-8.7%。
人格的几何学：基于荣格认知功能的激活引导
本文用荣格认知功能替代大五人格，实现LLM人格的单调控制，发现其几何结构与多维控制特性。
可执行推理约束下的大型语言模型数学问题求解的表示鲁棒性
LLM数学解题对表面表示敏感，代码推理未能消除脆弱性，需将表示作为接口设计变量。
因果-代理IR：自适应图像恢复代理的自我进化因果记忆
提出Causal-AgentIR多代理框架，构建因果记忆图，实现知识积累与协作推理，有效提升图像恢复适应性。
Telco-GAIA：面向电信领域的双语多模态智能体基准
Telco-GAIA含100个双语多跳推理任务，评估发现最强模型仅解71%，视觉理解尤待提升。
Rushes：用于多元对齐的人类偏好数据集
Rushes数据集显示，先进LLM预测用户选择不及流行度基线，揭示单一人口目标无法捕捉个性化偏好。
SiGMA：面向多模态持续指令微调的符号引导合并与适应
提出SiGMA框架，用符号引导自适应调优与合并减轻负干扰，在多模态持续指令微调中达最优性能。
面向散焦去模糊的RealDefocus基准
RealDefocus基于真实Bokeh数据集，提供配对图像、预定义划分和统一评估框架，用于散焦去模糊方法比较。
REGARD：大型语言模型中的区域情感差异
REGARD用VAD分析发现，LLM情感框架差异中通用回答率与低唤醒度强相关，聚类不受模型来源影响。
基于可靠性感知的LLM对齐方法应对不一致人类反馈
提出RGPO框架，通过估计标注者可靠性和动态优化，有效应对不一致人类反馈，提升LLM对齐性能。
自适应多时间跨度强化学习
提出自适应多时间跨度方法，无需手动调参，灵活适应奖励变化，在连续任务中表现优越。
REFACT: 自适应事实复述以实现紧凑且忠实的链式思维推理
REFACT通过自适应事实复述与两阶段训练，提升长上下文问答忠实性并减少令牌消耗。
Geo3R：缓解多模态大语言模型中的空间推理幻觉
Geo3R是一种无训练即插即用框架，通过几何证据与3D推理有效缓解多模态大模型空间推理幻觉。
C-PTQ：面向多模态大语言模型后训练量化的Fisher加权通道敏感度方法
C-PTQ利用Fisher加权近似海森矩阵，将任务敏感度融入量化缩放，无需辅助模块达SOTA。
基于控制障碍函数层的高维安全最优反馈控制的端到端学习
结合算子分裂与无雅可比反向传播，实现高维安全控制器的可扩展端到端学习，状态维度达1200。
多样性指标是否衡量多样性？对LLM集成中多数投票增益的能力控制审计
多样性指标实际反映能力而非多样性；多数投票增益有限；能力控制后仅共享错误与增益负相关。
面向可信机器学习驱动光网络的基于解释的运行时验证
利用解释一致性与物理基础一致性，运行时验证光网络ML决策，拦截错误，保持高自动化率。
注意力退化、功能标记锚定与基于注意力的大语言模型干预的局限性
平均注意力退化是描述性而非因果性的，功能token的作用在于隐藏状态计算而非接收的注意力。
CANN Bench：在真实NPU和算法极限下对AI生成的内核进行基准测试
CANN Bench是华为Ascend NPU上AI生成算子代码的开放基准，覆盖53算子，三维评分评估编译、正确性和性能，对标基线和硬件极限。
Loss Landscape Topology Reveals Why Simple Baselines are Competitive at 3D Point Cloud Segmentation Under Class Imbalance
ConfidenceBench：评估大型语言模型的置信度校准
提出ConfidenceBench基准，用Brier分数评估15种LLM的置信度校准，发现准确率与校准度分离，最准确模型并非最校准。
HalluScope：面向多模态大语言模型的细粒度幻觉诊断
提出细粒度幻觉诊断任务与HalluScope模型，实现检测分类可解释生成，有效指导模型纠正幻觉。
CSPF：面向不可验证偏好评估的约束共享-私有融合方法
CSPF将冻结奖励模型隐藏状态分解为共享与专家私有表示，实现互补融合，在不可验证偏好评估中取得最优性能。
CEDAR：自回归过程的因果边发现
CEDAR方法通过筛选和条件独立性检验，高效发现稀疏自回归时间序列中的滞后因果边，适合数据稀少场景。
第二届LoViF 2026真实世界全能图像恢复挑战赛：方法与结果
第二届LoViF挑战赛推动真实世界全能图像恢复，涵盖模糊、低光等退化，总结有效设计并更新基准。
大型语言模型中生命性概念的所在：追踪生命性概念的电路
发现LLM中存在处理生命性概念的因果电路，但分布广泛且仅部分泛化，体现其上下文依赖与分级性。
LegalCiteTrust：中文长篇法律研究报告中引文可信度的基准测试
提出LegalCiteTrust基准，从存在性、忠实性、适用性评估引文可信度，发现引文感知的证据治理可更有效提升信任得分。
归因市场：计划任务与执行动作间分数信用分配的费雪市场模型
提出费雪市场模型实现计划与执行间的分数信用分配，用熵正则化抵抗噪声并统一算法。
使用GPT-5.5 Pro自动反证实数上的和积猜想
GPT-5.5 Pro自动生成七种反证，证明和积猜想在实数上不成立，平均每试13.2万推理令牌。
一轮足矣：面向任务异构多标签医学影像分类的分析式联邦学习
提出分析式联邦学习框架，两轮通信解决任务异构与缺失标签，在ChestXray14上性能显著优于现有方法。
视角潜变量作为主动推理智能体中因果涌现的结构条件
因果涌现Φr在主动推理中集中于解耦的慢速潜变量，幅度源于架构，学习效应仅体现在组成层面。
病理视觉-语言模型真的能看见病理吗？
PathBind揭示病理VLM存在答案准确与视觉绑定间的显著差距，视觉证据非必要、领域训练增益有限、注意力扩散等问题。
腾讯WorkBuddy Bench：一种抗污染任务构建的多领域编码智能体基准
多领域编码智能体基准，反向工程真实提交构建抗污染任务，四子集覆盖代码、网页、办公、安全，开源可复现。
从词级词典到句子级语义：基于上下文模型的多语言 grievance 标注
用上下文模型替代词典，通过读全文提升 grievance 标注精度，避免了循环验证问题。
PromptPack：规模化在线推荐系统的LLM标注代理
PromptPack通过上下文批处理，降低89%成本，提升2.5倍吞吐量，保持AUC不变。
AppWorld-UL：用于工具使用的多样化代理-用户交互基准测试
AppWorld-UL基准含516个需代理-用户交互的任务，最佳模型成功率仅48.6%，凸显用户交互对工具使用代理成功至关重要。
ArbiGraph：用于评估上下文管理的任意可扩展可验证任务图
ArbiGraph基准生成器评估AI代理上下文管理，复杂依赖任务准确率下降33.3%，暴露单任务评估盲点。
合成少数类数据多余或无效：一种数据依赖的有效性理论与去偏测试
揭示合成少数类数据标准检验有偏，去偏后显示其大多无效或多余，性能提升微乎其微。
slang.gr：大规模众包非标准希腊语资源
首次大规模研究众包希腊俚语资源，构建结构化分类法分析其语言及社区特征，并提出置信度评分。
news-crawler-LM：一种用于高质量新闻爬取的小型长上下文模型
提出微调的小型长上下文语言模型，将HTML转为纯文本和JSON，在Markdown/JSON任务上优于基线，纯文本任务仅略优。