每日自动追踪全球权威信源，模型生成中文摘要与有效期判断，人工抽检把关。 不追热点，只留经得起推敲的那一部分。
AI 与可被 AI 赋能的行业方向，每个领域独立成脉
共 70 条符合条件
该论文提出将语言模型集成视为"陪审团"而非"选民"：每个专家的可靠性未知，通过EM算法仅从无标签的答案一致性模式中估计各专家可信度，决策规则等价于对数几率加权的线性打分。在1560题基准上，9个最大3B参数专家的无监督融合效果与有标签拟合权重相当，并优于最佳单模型和最强无标签基线，为无标注场景下的模型集成提供了可靠方案。
研究指出仅靠PDF文本的AI检测器在数学密集内容上准确率大幅下降，而LaTeX格式信息可显著提升检测效果。作者提出基于截图的图像检测器SnapJudge，在0.1%误报率下对证明和正文的检测率达92%和93%，优于Pangram 4，并开源数据、模型与代码。
提出 ReviewFact 基准与 PremiseCheck 框架，用于检测人类或 AI 审稿意见中对论文内容的事实性误述。做法是让 LLM 将评论改写为显式前提，再用廉价判定模型逐条对照论文核验，在 NLP、机器学习与自然科学三个领域以约一半成本达到前沿 LLM 的准确率。
ReviewPilot 是一个面向系统综述 PRISMA 流程的多智能体系统，通过对话定制筛选标准与抽取模式，并保留项目记忆，实现论文筛选与证据抽取的自动化。每条筛选决策附理由、每个抽取值附来源，在流行病学专家评审中优于单提示 LLM 与 AgentSLR，筛选宏 F1 达 0.776、抽取 F1 达 0.788，值得关注其可追溯性与跨领域迁移潜力。
论文提出参数轨迹交叉编码方法，仅用检查点权重追踪语言模型预训练中反嵌入矩阵（读出层）的演化。发现Pythia预训练0.4-1.1%处读出层重组，而隐藏状态早已编码任务信息，说明行为时间线可能只反映读出层学会表达的时刻，而非模型真正习得能力的时刻。
论文研究如何从语言模型输出中提取影响决策的关键子问题（cruxes），提出三种成本递增的策略：先验询问、单次推理后提取、多次采样对比提取。实验发现前两种廉价方法均不足以识别完整关键因素，高 stakes 决策仍需多次采样，但可用 reranker 将成本降至 judge 的约 1/86。
该论文提出用池化选择率标准差（pooled SD）统一衡量多选题的选项偏差，并将其分解为翻转率与位置偏斜两个无标签因子。在41个检查点和12个基准上，先验校正主要降低位置偏斜，顺序聚合主要降低翻转率，但聚合可能让模型稳定选错。建议同时报告两个因子以区分缓解手段的效果。
该研究系统评估语义层、编排与压缩三种上下文工程技术在数据智能体中的效果，覆盖7个LLM、5个基准的1514个长周期任务。发现无CET的智能体分为调查者、过早作答者和早停者三类，CET仅对匹配的行为类型提升准确率，对调查者反而有害，为按行为选择CET提供指导。
论文指出长程LLM智能体的上下文压缩摘要会混入压缩器自身的推理，智能体无法区分事实与臆测，83%失败源于执行了无环境依据的摘要条目。作者提出免训练的Source-Judged Compaction（SJC），用非生成式判定模型Jev为每条摘要打分并剔除无来源条目，在AppWorld和OfficeBench上提升2.1%-8.9%可靠性且不增加token消耗。
CoTranslator 提出一种反向到正向的思维链翻译器，用于推理蒸馏。它先用已知答案生成廉价的反向 CoT，再学习将其翻译为接近经拒绝采样验证的正向 CoT 分布，从而在保持学生无答案推理一致性的同时降低教师调用成本。在六个数学基准上平均准确率最高提升 5.82 个百分点，4B 学生以约 36% 算力保留 95% 拒绝采样精度，并可零重训迁移到新数据集、教师和 STEM 任务。
该论文发布0.6B-14B开源权重模型，通过指令微调、偏好对齐与模型融合适配沃洛夫语（2300万使用者），在63项任务上表现良好，8B/14B模型可与更大商业系统竞争，已在客服试点并公开于Hugging Face。
PRISM 框架研究工具调用语言模型中激活干预的可迁移性，发现利用量化 NF4 标签和跨语言迁移可稳定估计安全干预方向，无需目标语言微调即可将 Llama-3.1-8B 的不安全违规降低 21.95 个百分点，并可迁移至 70B 模型。
APRiL 是一个面向中文社会意识的开源评测基准，含 2196 个评测实例、六大类别与两项任务：社会情境分析与社会意识回应。它用实例专属评分标准弥补现有基准覆盖面窄的问题，并在 12 个模型上发现「理解强、回应弱」的稳定差距，为中文社交场景下的模型评估提供系统资源。
该研究在全双工语音语言模型中发现一个决定「何时抢话」的晚期残差流方向——initiative vector，无需训练或标注即可从模型自身对话中提取。缩放该方向可将说话占比从 6-12% 调至 42-61%，并能用一段短参考录音把特定说话人的轮流风格迁移到模型上，且迁移具有参考特异性。
CoTS 提出一种免训练的隐式推理框架，用最高两个候选 token 的概率竞争动态调节离散承诺与软探索的强度，替代传统阈值硬切换，无需额外前向计算，在六个推理基准上优于标准 CoT 及现有免训练隐式推理方法。
论文对比非生成式判定模型与前沿LLM在RAG声明验证上的表现：两者准确率统计上无差异，但成本相差187倍。关键发现是准确率相同掩盖了错误结构差异——廉价模型放行更多无支撑声明。基于置信度的级联路由可降本，但随机升级对照实验表明节省来自升级比例而非置信度选择。
该论文将长程任务失败拆解为三个可逐步评分的组件：重复识别、局部处理和计数器追踪，在400步账本任务中测试Qwen3-8B。发现重复识别错误在后期上升，而插入无关内容会使计数器在全部种子中失败，但外部精确状态提醒可在一两步内纠正。揭示了聚合错误分类会掩盖组件差异。
MeddeX 是一个医疗报告分析系统，将 QLoRA 微调的 LLaMA-3 8B 与 RAG 及 Gemini Vision 多模态层结合，支持文本 PDF、扫描件和放射影像，提供有证据支撑的摘要、报告内检索与纵向对比。相比基线模型 ROUGE 与 BLEU 显著提升，展示领域微调在临床辅助决策中的实用价值。