🤖 AI 速览

OpenAI 发布可在对话间持续工作的 AI 代理 Dots，标志着 AI 从单轮工具向长期自主执行演进；Anthropic 的 Claude Opus 5.5 在 Epoch AI Index 中超越 GPT-6 Astra，头部模型能力排序生变。同期，GPT-6 系列模型指南发布，为推理、工具协调与生产部署给出分层建议，而多篇论文开始质疑现有 LLM 评估指标的系统性偏差，可部署性与真实可信度成为关注焦点。
📋 文章元数据
发布时间
2026-10-03
类型
ai-daily
字数
3317
阅读时长
16 min

2026-10-03 AI日更 | OpenAI Dots 开启持久代理时代，Claude Opus 5.5 登顶 Epoch AI Index 链接到标题

OpenAI 发布可在对话间持续工作的 AI 代理 Dots，标志着 AI 从单轮工具向长期自主执行演进；Anthropic 的 Claude Opus 5.5 在 Epoch AI Index 中超越 GPT-6 Astra，头部模型能力排序生变。同期，GPT-6 系列模型指南发布，为推理、工具协调与生产部署给出分层建议，而多篇论文开始质疑现有 LLM 评估指标的系统性偏差，可部署性与真实可信度成为关注焦点。

📖 本期 Watch List 深度导读 链接到标题

今天有三条主线值得你花时间。一是政策与产品路线图的“问号感”。一档播客深度复盘了特朗普超级情报峰会与 AI 安全协议，把数据中心国家安全、网络安全军备竞赛与最新经济数据放进同一框架；OpenAI 也发布了 GPT-6 系列模型指南，对推理、工具协调与生产部署给出更细的分层建议。二是 LLM 评估的集体反思。多篇论文指向同一问题：首 token 逻辑、人类偏见结构、可解释性指标可能系统性高估或扭曲模型行为，评估团队尤其值得读《The First Token Is Not the Verdict》。三是可部署性与成本。从设备端 NER、Text-to-SQL 的 Schema 预算，到合成 RLVR 数据审计和阿拉伯语大模型碳足迹，工程决策的重心正从能力竞赛转向成本、数据出处与可信度。

🌐 X 平台 AI 热点快讯 链接到标题

话题 1:Anthropic Launches Mods for Customizing Claude Code 链接到标题

  • 分类:AI · News
  • 概况:热度时间:1 day ago,相关帖子数:9100
  • 是什么事:Anthropic 为 Claude Code 推出 Mods 功能，开发者可用 TypeScript 扩展自定义提示、界面和功能。
  • 为什么重要:这使 AI 编码智能体具备插件化可扩展性，有望强化开发者生态，并推动 AI 编程工具从通用模型向可深度定制平台演进。
  • 讨论概况:X 上的讨论聚焦于 TypeScript 钩子带来的灵活性，关注其与现有插件生态的对比、自定义能力边界，以及对扩展安全性与碎片化的担忧。

话题 2:Earendil Launches Pi 1.0 Stable AI Coding Agent 链接到标题

  • 分类:AI · News
  • 概况:热度时间:1 day ago,相关帖子数:2800
  • 是什么事:Earendil 发布了 Pi 1.0 稳定版 AI 编码代理。
  • 为什么重要:这标志着 AI 编码代理从实验阶段进入稳定可用的生产级工具阶段，可能加速软件开发流程的自动化。
  • 讨论概况:X 上的讨论主要集中在其实际编码稳定性与可靠性、与现有 AI 编码工具的差异，以及对开发者工作方式和就业的潜在影响。

话题 3:OpenAI Launches Persistent AI Agents Called Dots 链接到标题

  • 分类:AI · News
  • 概况:热度时间:1 day ago,相关帖子数:45000
  • 是什么事:OpenAI 推出可在聊天之间持续工作的 AI 代理 Dots，并向部分付费用户和市场开放。
  • 为什么重要:这标志着 AI 从单轮对话工具向可长期自主执行任务的代理演进，对权限管理、可靠性和自动化工作流提出新要求。
  • 讨论概况:X 上讨论集中在持久代理的权限边界与可靠性风险：支持者认为其能改变工作方式，质疑者担忧自主运行缺乏透明和控制。

话题 4:OpenAI Paid Users Await Delayed Global Usage Reset 链接到标题

  • 分类:AI · News
  • 概况:热度时间:15 hours ago,相关帖子数:13000
  • 是什么事:OpenAI付费用户遭遇全球使用量限额重置延迟，额度未按预期恢复。
  • 为什么重要:此事凸显AI商业服务在高负载下的运营稳定性问题，并涉及付费用户权益与平台信任。
  • 讨论概况:X上用户多抱怨延迟影响日常工作，要求补偿或透明说明；也有人讨论这是否暴露OpenAI基础设施和客服响应不足。

话题 5:Anthropic’s Claude Opus 5.5 Tops Epoch AI Index Ahead of OpenAI’s GPT-6 Astra 链接到标题

  • 分类:AI · News
  • 概况:热度时间:1 day ago,相关帖子数:13000
  • 是什么事:Anthropic的Claude Opus 5.5在Epoch AI Index中超越OpenAI的GPT-6 Astra，排名第一。
  • 为什么重要:这表明前沿大模型的能力排序发生变化，Anthropic在重要评测基准上暂时领先，可能影响行业对头部模型竞争格局的预期。
  • 讨论概况:X上的讨论主要围绕该指数的可信度、Claude Opus 5.5的领先幅度，以及GPT-6 Astra尚未全面开放是否影响比较公平性。

话题 6:PewDiePie Launches Uncensored Local AI Ajax After OpenAI Bans 链接到标题

  • 分类:AI · News
  • 概况:热度时间:20 hours ago,相关帖子数:3300
  • 是什么事:PewDiePie 在 OpenAI 采取封禁措施后，推出了一款名为 Ajax 的本地运行、无审查 AI 工具。
  • 为什么重要:此事凸显创作者与 AI 平台在内容审核上的冲突，可能推动本地化、去中心化 AI 作为规避审查的替代方案。
  • 讨论概况:X 上的讨论聚焦于无审查 AI 对言论自由的意义与潜在滥用风险，同时关注 PewDiePie 的名人效应能否加速本地开源模型进入大众视野。

话题 7:Ben Affleck Reveals AI Use in Directing Netflix Thriller Animals 链接到标题

  • 分类:AI · Entertainment
  • 概况:热度时间:1 day ago,相关帖子数:23000
  • 是什么事:本·阿弗莱克透露在执导 Netflix 惊悚片《Animals》时使用了 AI 技术。
  • 为什么重要:此事显示 AI 正加速进入主流影视制作流程，引发业内对创作效率、岗位影响与艺术原创性的广泛关注。
  • 讨论概况:X 上讨论焦点包括 AI 在电影制作中的具体用途、是否威胁传统影视岗位，以及导演使用 AI 参与创作是否削弱艺术价值。

今日 X 上的 AI 舆情小结 链接到标题

今天舆论主线围绕AI代理与工具从实验走向生产化、平台化和持久化展开：Claude Code Mods、Pi 1.0、OpenAI Dots等新发布显示AI编码与任务执行正从单轮对话转向可定制、可长期运行的智能体，Claude Opus 5.5在基准上超过GPT-6 Astra也加剧了头部竞争讨论。共识是AI正加速进入开发、工作流和影视制作等实际场景，带来效率提升与生态扩展；分歧则集中在自主代理、本地无审查工具是否更值得信任，以及AI参与电影创作是否削弱岗位与艺术原创性。潜在风险主要包括OpenAI付费限额恢复延迟暴露的运营稳定性和用户信任问题，以及插件碎片化、无审查模型滥用、基准评测公平性和影视就业冲击等争议。

💡 大佬观点(Influencer Insights) 链接到标题

今日大佬观点暂缺,推荐阅读 Watch List 深度内容。

📚 附录:今日 Watch List 更新源列表 链接到标题

时间窗口:最近 3 天;覆盖 22 个源;共 34 条更新

All-In Podcast (A_full) 链接到标题

  • Trump’s Super Intelligence Summit, AI Safety Accord, GDP Beats, Midterm Predictions
    • 发布时间:2026-10-03 06:30 北京时间
    • 摘要:- (0:00) 闺蜜介绍。
      • (2:01) 特朗普的超级情报峰会：幕后花絮以及该协议是如何制定和签署的。
      • (17:57) 网络安全军备竞赛、数据中心国家安全、America.gov、协调的厄运消息传递。
      • (45:22) 最新经济数据：GDP、就业、柴油、通货膨胀、利率、制造业、贫困等。
    • EN 要点:
      • (0:00) Bestie intros
      • (2:01) Trump’s Super Intelligence Summit: Behind the scenes and how the accord was created and signed
      • (17:57) Cybersecurity arms race, data center national security, America.gov, coordinated doomer messaging
      • (45:22) Recent economic data: GDP, jobs, diesel, inflation, rates, manufacturing, poverty, and more

Stratechery by Ben Thompson (A_full) 链接到标题

  • 2026.40: Dots and Question Marks
    • 发布时间:2026-10-03 01:00 北京时间
    • 摘要:-（希瑟·迪尔/盖蒂图片社拍摄）。
      • 欢迎回到本周的Stratechery！
      • 提醒一下，每周、每周五，我们都会发送 Stratechery 捆绑包中的内容概述；突出显示的链接对所有人免费。
      • 此外，您可以完全控制我们发送给您的内容。
      • 就此而言，这是本周我们最喜欢的一些。
    • EN 要点:
      • (Photo by Heather Diehl/Getty Images)
      • Welcome back to This Week in Stratechery
      • As a reminder, each week, every Friday, we’re sending out this overview of content in the Stratechery bundle; highlighted links are free for everyone
      • Additionally, you have complete control over what we send to you

OpenAI Blog (A_full) 链接到标题

  • A model guide for the GPT-6 family

    • 发布时间:2026-10-03 00:15 北京时间
    • 摘要:- 了解初创公司如何选择 GPT-6 模型、调整推理工作、改进提示和技能、协调工具以及准备生产工作流程。
      • OpenAI 博客的这篇文章解释了 GPT-6 系列的模型指南如何塑造更广泛的人工智能和基础设施景观。
      • 它还为遵循 GPT-6 系列模型指南的创始人、运营商和投资者提供了实际意义。
    • EN 要点:
      • Learn how startups can choose GPT-6 models, tune reasoning effort, improve prompts and skills, coordinate tools, and prepare workflows for production.

  • Chatham scales its capital markets expertise with OpenAI

    • 发布时间:2026-10-02 08:00 北京时间
    • 摘要:- Chatham Financial 使用 Codex 和 GPT-5.6 来构建技术并重新设计工作流程，将交易验证时间从 30 分钟缩短到 4 分钟以下。
      • OpenAI 博客中的这篇文章解释了 Chatham 如何通过 OpenAI 扩展其资本市场专业知识，塑造更广泛的人工智能和基础设施格局。
      • 在 Chatham 通过 OpenAI 扩展其资本市场专业知识后，它还为创始人、运营商和投资者带来了实际影响。
    • EN 要点:
      • Chatham Financial uses Codex and GPT-5.6 to build technology and redesign workflows, cutting trade validation from 30 minutes to under 4.

ArXiv cs.AI (B_intro+search) 链接到标题

  • Heavy-Tailed Memory Traces in Long-Horizon Language Agents

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00010v1 公告类型：新。
      • 摘要：长视野语言智能体越来越依赖外部记忆作为冻结的世界模型，但当前的记忆系统通常仅通过任务成功或令牌成本来判断。
      • 我们认为缺失的对象是记忆使用的形式：在有限的上下文和重复检索下，智能体记忆可以集中在一个小核心上，而在长尾中留下罕见的状态，在那里预测错误会累积。
      • 我们通过保守的尾部审计研究了这种效应，发现集中度是可重复的，但取决于政策。
    • EN 要点:
      • arXiv:2610.00010v1 Announce Type: new
      • Abstract: Long-horizon language agents increasingly rely on external memory as a frozen world model, yet current memory systems are usually judged only by task…
      • We argue that the missing object is the shape of memory use: under finite context and repeated retrieval, agent memory can concentrate on a small core while lea…
      • We study this effect through a conservative tail audit and find that concentration is reproducible but policy-dependent

  • When Do Causal World Models Help Modular LLM Agents

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00012v1 公告类型：新。
      • 摘要：LLM 代理越来越多地通过模块化系统（例如订单、付款、库存和运输服务）进行操作，其中一个模块中的操作会改变另一个模块中有效的转换。
      • 标准世界模型通常适合观察轨迹，但这不是干预时间计划所需的数量：轨迹可能显示付款在发货之前，但无法确定付款是否授权发货、库存是否调节效果，或者隐藏的触发器解释两者。
      • 我们通过 FedCausalCompose 研究这一差距，FedCausalCompose 是模块化 LLM 代理的因果世界模型框架，其中本地操作为跨模块接口提供干预响应证据。
    • EN 要点:
      • arXiv:2610.00012v1 Announce Type: new
      • Abstract: LLM agents increasingly act through modular systems, such as order, payment, inventory, and shipment services, where actions in one module change whic…
      • Standard world models usually fit observational traces, but this is not the quantity needed for intervention-time planning: a trace may show that payment preced…
      • We study this gap through FedCausalCompose, a causal world-model framework for modular LLM agents in which local actions provide intervention-response evidence…

  • From Proposal to Verified Effect: Praxa, an Evidence-Bound Harness for Governed AI Agent Execution

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00015v1 公告类型：新。
      • 摘要：大语言模型智能体可以提出并执行动作，但提案、授权、调度、验证外部效果和服务推广是不同的说法。
      • 我们推出了 Praxa，一种代理工具，它通过确定性准入、代理执行、外部回读、协调和审查提升来明确代表这些状态。
      • 我们报告了四个证据通道。
    • EN 要点:
      • arXiv:2610.00015v1 Announce Type: new
      • Abstract: Large-language-model agents can propose and execute actions, but proposal, authority, dispatch, verified external effect, and serving promotion are di…
      • We present Praxa, an agent harness that represents these states explicitly through deterministic admission, brokered execution, external read-back, reconciliati…
      • We report four evidence lanes

  • What Do Rationales Communicate? A Message-Intervention Study in Role-Specialized QA

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00018v1 公告类型：新。
      • 摘要：角色专用的 QA 管道越来越多地将基本原理从推理者传递给验证者，但尚不清楚此消息实际购买的是什么：更好的答案、更强的支持评估或新的失败面。
      • 我们引入了一种消息干预诊断，可以修复证据和候选答案，同时仅改变跨推理者到验证者边界传递的基本原理。
      • 在使用 DeepSeek 作为生成器和验证器的 400 个 MuSiQue、HotpotQA 和 2WikiMultiHopQA 示例中，忠实的基本原理几乎不会在没有基本原理的情况下增加答案准确性，而损坏的基本原理会强烈改变支持判断。
    • EN 要点:
      • arXiv:2610.00018v1 Announce Type: new
      • Abstract: Role-specialized QA pipelines increasingly pass rationales from a reasoner to a verifier, but it is unclear what this message actually buys: better an…
      • We introduce a message-intervention diagnostic that fixes the evidence and candidate answer while varying only the rationale passed across the reasoner-to-verif…
      • On 400 MuSiQue, HotpotQA, and 2WikiMultiHopQA examples with DeepSeek as generator and verifier, faithful rationales add almost no answer accuracy over no ration…

  • Measuring the Microtask Eligibility Gap: When Is an Off-the-Shelf SLM Enough for an Agent Harness?

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00025v1 公告类型：新。
      • 摘要：代理越来越希望在围绕前沿大语言模型 (LLM) 规划器的微任务上运行小语言模型 (SLM)：自动批准 shell 命令、写入内存、选择工具、对过去的轮次进行排名。
      • 我们询问现成的 SLM 是否满足从业者定义的阈值，当它们失败时，为什么会失败，以及量化是否会改变答案。
      • 我们构建了 4 个具有固定提示和自动指标的此类微任务的基准，每个微任务都有一个预先指定的阈值 $\tau$，锚定到廉价的非 LLM 基线和 CI 感知资格规则（只有当其置信界限清除 $\tau$ 时，配置才能通过）。
    • EN 要点:
      • arXiv:2610.00025v1 Announce Type: new
      • Abstract: Agent harnesses increasingly want to run small language models (SLMs) on the microtasks around a frontier large language model (LLM) planner: auto-app…
      • We ask whether off-the-shelf SLMs meet practitioner-defined thresholds and, when they fail, why, and whether quantization changes the answer
      • We build a benchmark of 4 such microtasks with fixed prompts and automatic metrics, each with a pre-specified threshold $\tau$ anchored to a cheap non-LLM basel…

  • Characterizing a Configuration Where Inference-Time PRM-Pruned Fragment Grafting Is Inert: Evidence from Three Reasoning LMs

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00047v1 公告类型：新。
      • 摘要：并行思想链中的多样性崩溃激发了基于自然设计的推理时间干预：当过程奖励模型（PRM）修剪一条链时，其高 PRM 前缀被提取并逐字移植为上下文演示到仍在解码的同级中。
      • 我们将这种机制（PRM-修剪片段嫁接（PPFG））分离出来，作为跨轨迹步骤级转移的成本最低的操作化，并在之前的片段嫁接工作报告仅在额外补偿成分下获得增益的操作点上对其进行测试。
      • 在 Qwen2.5-7B-Instruct with Math-Shepherd 上完整的 MATH500（n=500，三个种子）上，停滞和随机目标变体中的 PPFG 在统计上与每个测量轴上的独立平行 CoT 基线无法区分。
    • EN 要点:
      • arXiv:2610.00047v1 Announce Type: new
      • Abstract: Diversity collapse in parallel chain-of-thought has motivated inference-time interventions built on a natural design: when a process reward model (PRM…
      • We isolate this mechanism, PRM-Pruned Fragment Grafting (PPFG), as the most cost-minimal operationalization of cross-trajectory step-level transfer, and test it…
      • On Qwen2.5-7B-Instruct with Math-Shepherd on full MATH500 (n=500, three seeds), PPFG in both stagnation- and random-targeting variants is statistically indistin…

  • Gradient-Aligned Pair Selection for Personalized Preference Optimization

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00061v1 公告类型：新。
      • 摘要：个性化大型语言模型 (LLM) 需要将生成行为与用户特定的偏好而不是总体质量保持一致。
      • 虽然直接偏好优化 (DPO) 为偏好学习提供了稳定的框架，但其在个性化设置中的有效性关键取决于如何选择偏好对。
      • 现有方法通常依赖于启发式标准，例如基于可能性的极端值，这将优化与显式用户效用脱钩，并可能导致个性化程度降低。
    • EN 要点:
      • arXiv:2610.00061v1 Announce Type: new
      • Abstract: Personalizing large language models (LLMs) requires aligning generation behavior with user-specific preferences rather than aggregate quality
      • While Direct Preference Optimization (DPO) provides a stable framework for preference learning, its effectiveness in personalized settings critically depends on…
      • Existing approaches typically rely on heuristic criteria, such as likelihood-based extremes, which decouple optimization from explicit user utility and can lead…

  • K-Dense BYOK: An Open-Source AI Research Assistant That Runs Locally and Keeps a Hash-Chained Lab Notebook

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00074v1 公告类型：新。
      • 摘要：K-Dense BYOK（自带密钥）是一款免费、开源的 AI 研究助手，适用于任何领域的科学家，在研究人员自己的计算机上运行。
      • 研究人员提供对他们选择的模型的访问（在本地托管或运行），应用程序提供其他一切：运行工作的地方、一层科学脚手架和完整的记录。
      • 每个项目都是一个普通文件夹，因此数据、代码、结果和记录保留在研究人员管理的机器上，并且可以在多年后无需应用程序读取。
    • EN 要点:
      • arXiv:2610.00074v1 Announce Type: new
      • Abstract: K-Dense BYOK (bring your own keys) is a free, open-source AI research assistant for scientists in any field that runs on the researcher’s own computer
      • The researcher supplies access to a model of their choice, hosted or running locally, and the application supplies everything else: a place for the work to run,…
      • Each project is an ordinary folder, so the data, the code, the results, and the record stay on a machine the researcher administers and can be read years later…

  • Scientific Agents: Evaluating Profession-Specific System Prompts on Scientific Tasks

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00084v1 公告类型：新。
      • 摘要：详细的专业特定系统提示提高了令牌使用和每次响应的估计成本，但没有一致的准确性增益。
      • 我们通过 Pi 代理工具中的 OpenRouter 使用 Gemini 3.8 Flash 评估 Scientific Agents，这是一个包含 503 个专业 AGENTS.md 配置文件的开源语料库。
      • 我们将匹配的个人资料与四个对照进行比较：最小基线（“你是一个有用的助手”）、个人资料的开头角色句子、通用科学严谨指南以及来自不相关领域的个人资料。
    • EN 要点:
      • arXiv:2610.00084v1 Announce Type: new
      • Abstract: Detailed profession-specific system prompts raise token use and estimated cost per response without a consistent accuracy gain
      • We evaluate Scientific Agents, an open-source corpus of 503 profession-specific AGENTS.md profiles, with Gemini 3.8 Flash via OpenRouter in the Pi agent harness
      • We compare matched profiles with four controls: a minimal baseline (“You are a helpful assistant”), the profile’s opening role sentence, a generic scientific ri…

  • Comedic Fool’s Gold: Reward Exploits and Countermeasures in Conversational Humor

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00197v1 公告类型：新。
      • 摘要：我们研究了对话幽默中训练语言模型的自动奖励，重点关注奖励利用和对策。
      • 有两种方法旨在捕捉可理解的惊喜和预测的观众娱乐。
      • 受控测试表明，基于嵌入的惊喜奖励可以像接受机智的回复一样轻松地接受单词打乱的回复。
    • EN 要点:
      • arXiv:2610.00197v1 Announce Type: new
      • Abstract: We investigate automated rewards for training language models in conversational humor, focusing on reward exploits and countermeasures
      • Two approaches aim to capture understandable surprise and predicted audience amusement
      • Controlled tests show that an embedding-based surprise reward accepts word-shuffled replies as readily as witty ones

ArXiv cs.CL (B_intro+search) 链接到标题

  • On-Device Named-Entity Recognition: A Deployability Study of Accuracy, Cost, Reliability, and Confidence

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00007v1 公告类型：新。
      • 摘要：设备上越来越需要命名实体识别 (NER)（无 API、低延迟、数据保存在本地）。
      • 从业者的问题不是排行榜，而是哪个模型是可部署的，如何在没有人工注释的情况下对其进行评估，以及其置信度是否可信。
      • 我们在三个不同特征的数据集上放置了跨三个范式和 13 M 到 8 B 参数的 9 个系统：经典标记器 (spaCy)、双向编码器专家 (GLiNER，166 到 460 M) 和本地运行的生成 LLM (Qwen3-0.6B/1.7B/4B-Instruct、DeepSeek-R1-1.5B/8B)，并报告精度加上两个轴文献忽略了：延迟和输出有效性。
    • EN 要点:
      • arXiv:2610.00007v1 Announce Type: new
      • Abstract: Named-entity recognition (NER) is increasingly wanted on-device (no API, low latency, data kept local)
      • The practitioner’s question is not the leaderboard but which model is deployable, how to evaluate it without human annotation, and whether its confidence can be…
      • We answer these jointly

  • SCM-based Fairness and Faithful Explainability for Legal Document Classification

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00045v1 公告类型：新。
      • 摘要：LegalBERT 等 Transformer 模型越来越多地用于法律决策支持，引发了人们对模型解释的公平性和透明度的担忧。
      • 这些属性通常是单独评估的，从而改变公平性的去偏干预是否也会改变解释反映模型推理的忠实程度。
      • 本研究调查了 LexGLUE 的 ECtHR 涉嫌违规语料库中的这种关系。
    • EN 要点:
      • arXiv:2610.00045v1 Announce Type: new
      • Abstract: Transformer models such as LegalBERT are increasingly used in legal decision support, raising concerns about both fairness and the transparency of mod…
      • These properties are usually evaluated separately, leaving open whether a debiasing intervention that changes fairness also changes how faithfully explanations…
      • This study investigates that relationship on the ECtHR alleged-violations corpus from LexGLUE

  • The First Token Is Not the Verdict: Hidden Costs of Reading LLM Judges Without Generating

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00054v1 公告类型：新。
      • 摘要：从第一个生成的标记的逻辑中读取 LLM 法官的判决很便宜，不需要生成，并且正是约束解码和似然评分评估工具所产生的结果。
      • 我们表明，这种读数在一个方向上扭曲了位置偏差：它在我们测试的每种条件下都夸大了它，因此以这种方式获得的数字表现为上限。
      • 机制是，法官并不总是以判决标记为主导，对于三个 Qwen3 法官来说，在 12% 到 49% 的配对上，对于 Llama-3.1-8B 和 Phi-3.5-mini 来说，这一比例低于 3%，并且强制读取这些配对会返回首先显示的响应而不是判断。
    • EN 要点:
      • arXiv:2610.00054v1 Announce Type: new
      • Abstract: Reading an LLM judge’s verdict from the logits of its first generated token is cheap, requires no generation, and is exactly what constrained decoding…
      • We show that this readout distorts position bias in one direction: it overstates it in every condition we test, so figures obtained this way behave as upper bou…
      • The mechanism is that judges do not always lead with a verdict token, on 12% to 49% of pairs for three Qwen3 judges and under 3% for Llama-3.1-8B and Phi-3.5-mi…

  • Measuring Human-Like Bias in LLMs? A Critique of Human-Derived Bias Constructs in LLM Evaluation

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00070v1 公告类型：新。
      • 摘要：研究人员越来越多地使用人类衍生的偏见结构来研究大语言模型（LLM），包括隐性偏见和刻板印象激活等社会认知结构，以及锚定、框架效应和确认偏见等认知偏见。
      • 此类方法提供了明显偏见调查的替代方案，特别是当直接提问可能掩盖偏见或模型行为在规范上可接受时。
      • 然而，使人类偏见结构适应法学硕士会带来推论差距。
    • EN 要点:
      • arXiv:2610.00070v1 Announce Type: new
      • Abstract: Researchers increasingly use human-derived bias constructs to study Large Language Models (LLMs), including social-cognitive constructs such as implic…
      • Such approaches offer alternatives to overt bias probes, particularly when direct questioning may obscure bias or when model behaviour appears normatively accep…
      • However, adapting human bias constructs to LLMs introduces an inferential gap

  • Legal text classification in Korean sexual offense cases: from traditional machine learning to large language models with XAI insights

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00087v1 公告类型：新。
      • 摘要：自然语言处理（NLP）的进步扩大了法律领域基于人工智能的文本分类。
      • 然而，由于法律文本的复杂性和法律类别之间的细微差别，准确分类法律文件仍然具有挑战性。
      • 本研究使用十类韩国性犯罪先例来评估从传统机器学习技术到大型语言模型 (LLM) 的法律文本分类模型。
    • EN 要点:
      • arXiv:2610.00087v1 Announce Type: new
      • Abstract: The advancement of natural language processing (NLP) has expanded AI-based text classification in the legal domain
      • However, accurately classifying legal documents remains challenging due to the complexity of legal texts and subtle differences between legal categories
      • This study evaluates legal text classification models ranging from traditional machine learning techniques to large language models (LLMs) using ten categories…

  • BudgetSchemaBench: A Budget-Swept Diagnostic for Schema Context in Text-to-SQL

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00092v1 公告类型：新。
      • 摘要：结构化源上的数据代理必须将数据库模式适合模型的上下文窗口。
      • 大型目录可以跨越许多数据库和数千个列，因此成本限制可能需要在上下文窗口填满之前在表覆盖率和序列化详细信息之间进行选择。
      • 我们引入了 BudgetSchemaBench，这是针对此设置的基于执行的诊断。
    • EN 要点:
      • arXiv:2610.00092v1 Announce Type: new
      • Abstract: Data agents over structured sources must fit database schema into the model’s context window
      • Large catalogs can span many databases and thousands of columns, so cost constraints may require choosing between table coverage and serialization detail well b…
      • We introduce BudgetSchemaBench, an execution-grounded diagnostic for this setting

  • FACET at WMT 2026 Automated Translation Quality Evaluation Task

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00096v1 公告类型：新。
      • 摘要：机器翻译中的不同错误类型需要不同的证据。
      • 意义是否保留只能根据源来判断，而目标是否格式良好，或者它是否一致地命名一个实体，可以单独根据目标来判断。
      • 我们提出了 FACET，这是我们向 WMT26 自动翻译质量评估任务提交的无参考资料，它将评估分解为流畅性、准确性和一致性阶段，并仅为每个阶段提供其错误类型所需的上下文。
    • EN 要点:
      • arXiv:2610.00096v1 Announce Type: new
      • Abstract: Different error types in machine translation require different evidence
      • Whether meaning is preserved can be judged only against the source, while whether the target is well-formed, or whether it names one entity consistently, can be…
      • We present FACET, our reference-free submission to the WMT26 Automated Translation Quality Evaluation Task, which decomposes evaluation into Fluency, Accuracy,…

  • Metric-Construction Coupling Inflates Measured Synthetic Dialect Recovery

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00164v1 公告类型：新。
      • 摘要：韩语方言语料库可用，但不可重新分配：权重可能会被释放，但无法从基础数据中再现训练和评估。
      • 我们询问监督合成数据恢复了多少，以及恢复是否可以独立于合成管道进行测量。
      • 我们贡献 KoDialectBench，三个轴上五个区域的 1,000 个项目，以标识符哈希值和评分代码的形式发布，以便用户从自己的许可副本中重建项目。
    • EN 要点:
      • arXiv:2610.00164v1 Announce Type: new
      • Abstract: Korean dialect corpora are available but not redistributable: weights may be released, while reproducing training and evaluation from the underlying d…
      • We ask how much of that supervision synthetic data recovers, and whether that recovery can be measured independently of the synthesis pipeline
      • We contribute KoDialectBench, 1,000 items across five regions on three axes, released as identifier hashes and scoring code so users reconstruct the items from…

  • When a Data Artifact Isn’t a Shortcut: Causal Auditing of Synthetic RLVR Corpora

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00202v1 公告类型：新。
      • 摘要：最近的几个管道通过屏蔽一段真实的语料库文本并要求语言模型围绕它发明看似合理的错误答案来构建 RLVR 训练数据。
      • 因此，正确的选择是真正的人类散文；每个干扰物都是合成的。
      • 正确性和出处变得纠缠在一起，原则上政策可以学习第二个而不是第一个。
    • EN 要点:
      • arXiv:2610.00202v1 Announce Type: new
      • Abstract: Several recent pipelines build RLVR training data by masking a span of real corpus text and asking a language model to invent plausible wrong answers…
      • The correct option is therefore genuine human prose; every distractor is synthetic
      • Correctness and provenance become entangled, and a policy could in principle learn the second instead of the first

  • A Holistic Assessment of the Carbon Footprint of Noor, a Very Large Arabic Language Model

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00223v1 公告类型：新。
      • 摘要：随着更大的语言模型变得越来越普遍，考虑它们对环境的影响至关重要。
      • 以极端的规模和资源使用为特征，最近几代模型因其对计算的贪婪需求以及因此产生的巨大碳足迹而受到批评。
      • 尽管碳影响报告在机器学习论文中变得越来越普遍，但这种报告通常仅限于严格用于培训的计算资源。
    • EN 要点:
      • arXiv:2610.00223v1 Announce Type: new
      • Abstract: As ever larger language models grow more ubiquitous, it is crucial to consider their environmental impact
      • Characterised by extreme size and resource use, recent generations of models have been criticised for their voracious appetite for compute, and thus significant…
      • Although reporting of carbon impact has grown more common in machine learning papers, this reporting is usually limited to compute resources used strictly for t…

ArXiv cs.LG (B_intro+search) 链接到标题

  • Reverse Item Response Theory for Sparsity-Robust Ranking in Fragmented Cancer Drug-Response Matrices

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00002v1 公告类型：新。
      • 摘要：我们将反向项目反应理论（IRT）引入药物基因组药物反应分析中，将癌症类型视为具有抵抗能力的潜在“受试者”，将药物视为具有逃避困难的“项目”。
      • 该模型应用于癌症药物敏感性基因组学 (GDSC2) 数据库中的 242,036 项药物敏感性测量，在共享的潜在范围内估计癌症类型水平的体外耐药性和药物水平的广泛活性。
      • 四种缺失方案的验证表明，反向 IRT 比简单平均更好地恢复了完整数据的潜在排名，在 MCAR、癌症偏向和药物偏向稀疏性下，在 60% 缺失情况下具有 Delta-rho = +0.089 至 +0.095 的优势。
    • EN 要点:
      • arXiv:2610.00002v1 Announce Type: new
      • Abstract: We introduce reverse Item Response Theory (IRT) to pharmacogenomic drug-response analysis by treating cancer types as latent “subjects” with resistanc…
      • Applied to 242,036 drug sensitivity measurements from the Genomics of Drug Sensitivity in Cancer (GDSC2) database, the model estimates cancer-type-level in-vitr…
      • Validation across four missingness regimes demonstrates that reverse IRT better recovers the full-data latent ranking than simple averaging, with advantages of…

  • How Far is Adam from Natural Gradient Descent?

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00004v1 公告类型：新。
      • 摘要：Adam 是深度学习中的标准优化器，但其与自然梯度下降（NGD）的几何关系存在未解决的问题。
      • 我们研究 Adam 的完整更新规则，包括动量，作为受对角截断、经验标签替换和时间滞后影响的对角经验费希尔近似。
      • 使用尺度不变的 $\gamma(\Delta\theta)$ 度量，我们测量 Adam 在四个损失场景中与真实 NGD 的几何偏差：良条件线性回归、病态线性回归、逻辑回归和非凸小型神经网络。
    • EN 要点:
      • arXiv:2610.00004v1 Announce Type: new
      • Abstract: Adam is the standard optimizer in deep learning, yet its geometric relationship to natural gradient descent (NGD) contains unresolved questions
      • We study Adam’s full update rule, including momentum, as a diagonal empirical Fisher approximation subject to diagonal truncation, empirical label substitution,…
      • Using the scale-invariant $\gamma(\Delta\theta)$ metric, we measure Adam’s geometric deviation from true NGD across four loss landscapes: well-conditioned linea…

  • FourierQK: Filter Shape, Admissibility and the Leakage-Coverage Law

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00009v1 公告类型：新。
      • 摘要：频率崩溃注意力 [Zeris，2026e] 通过在学习频率下用带通滤波内积替换 Q/K 点积，比标准点积注意力获得了更大的收益。
      • 一个自然的后续问题是：哪种过滤器形状效果最好，为什么？
      • 我们使用字符级语言模型（TinyShakespeare，6 层 GPT）上的受控消融来测试有关滤波器属性的五个假设 - 直流抑制、奈奎斯特抑制、带宽、中心频率和多尺度覆盖。
    • EN 要点:
      • arXiv:2610.00009v1 Announce Type: new
      • Abstract: Frequency-collapse attention [Zeris, 2026e] achieves large gains over standard dot-product attention by replacing the Q/K dot product with a bandpass-…
      • A natural follow-up question is: which filter shape works best, and why
      • We test five hypotheses about filter properties – DC suppression, Nyquist suppression, bandwidth, centre frequency, and multi-scale coverage – using a control…

  • Integrating Fairness and Explainability in a Multiple Instance Reinforcement Learning System

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00035v1 公告类型：新。 -摘要：根据教育互动数据预测学生表现需要准确且足够透明的模型来支持有意义的干预，而人口统计信息会带来不公平预测的额外风险。
      • 这项研究调查了一个多目标框架，该框架结合了基于强化学习的多实例学习（RL-MIL）、对抗性去偏见和偏好条件超网络，用于学生风险预测。
      • MIL 将每个学生表示为一组弱标记的交互，而 RL 代理则选择信息丰富的实例进行下游分类。
    • EN 要点:
      • arXiv:2610.00035v1 Announce Type: new
      • Abstract: Predicting student performance from educational interaction data requires models that are both accurate and sufficiently transparent to support meanin…
      • This study investigates a multi-objective framework that combines reinforcement learning-based multiple instance learning (RL-MIL), adversarial debiasing, and p…
      • MIL represents each student as a bag of weakly labeled interactions, while an RL agent selects informative instances for downstream classification

  • Fast Polynomial Transcendentals for LLMs

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00049v1 公告类型：新。
      • 摘要：图形处理单元 (GPU) 各代以不同的速率缩放矩阵、特殊功能和内存管道，因此内核瓶颈随着硬件的发展而变化。
      • FlashAttention-4 暴露了 NVIDIA Blackwell 内部注意力不平衡​​的情况。
      • 我们测试短多项式程序是否可以加速大型语言模型（LLM）中的其他特殊功能单元（SFU）操作。
    • EN 要点:
      • arXiv:2610.00049v1 Announce Type: new
      • Abstract: Graphics processing unit (GPU) generations scale matrix, special-function, and memory pipelines at different rates, so kernel bottlenecks move as hard…
      • FlashAttention-4 exposed this imbalance inside attention on NVIDIA Blackwell
      • We test whether short polynomial programs can accelerate other special-function-unit (SFU) operations in large language models (LLMs)

  • SW-KAN: Kolmogorov-Arnold Networks with Stieltjes-Wigert q-Orthogonal Polynomials

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00050v1 公告类型：新。
      • 摘要：柯尔莫哥洛夫-阿诺德网络 (KAN) 代表了深度学习的范式转变，它用边缘上的可学习单变量函数取代固定节点激活，从而提供增强的可解释性和参数效率。
      • 虽然最近基于多项式的 KAN 变体已经解决了原始 B 样条实现的计算开销，但它们引入了一个基本但尚未充分探索的挑战：无界实值输入与正交多项式基的有界或半无限支持之间的域不匹配。
      • 为了解决这个限制，我们提出了 Stieltjes-Wigert Kolmogorov-Arnold Network (SW-KAN)，这是一种采用在半无限域（0，无穷大）上定义的 Stieltjes-Wigert q 正交多项式的新颖架构。
    • EN 要点:
      • arXiv:2610.00050v1 Announce Type: new
      • Abstract: Kolmogorov-Arnold Networks (KANs) represent a paradigmatic shift in deep learning by replacing fixed node activations with learnable univariate functi…
      • While recent polynomial-based KAN variants have addressed the computational overhead of original B-spline implementations, they introduce a fundamental yet unde…
      • To address this limitation, we propose the Stieltjes-Wigert Kolmogorov-Arnold Network (SW-KAN), a novel architecture that employs Stieltjes-Wigert q-orthogonal…

  • Format-Aware Fusion for Fast FP4 Pretraining

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00053v1 公告类型：新。
      • 摘要：四位浮点 (FP4) 张量核心可加速矩阵乘法，但规模计算、操作数打包、布局构造和保存的向后状态可能会抹掉增益。
      • 我们提出了 \emph{格式感知融合}，它针对原生 \mxfp{}、全局 \nvfp{} 和协作线程数组本地 \nvfp{} 共同设计每个量化生成器及其尺度域和消费者布局。
      • 我们使用 bfloat16 输出投影和编译的交叉熵通过 1600 亿个令牌评估 Llama-3-family 8B 预训练。
    • EN 要点:
      • arXiv:2610.00053v1 Announce Type: new
      • Abstract: Four-bit floating-point (FP4) Tensor Cores accelerate matrix multiplication, but scale computation, operand packing, layout construction, and saved ba…
      • We present \emph{format-aware fusion}, which co-designs each quantization producer with its scale domain and consumer layout for native \mxfp{}, global \nvfp{},…
      • We evaluate Llama-3-family 8B pretraining through 160 billion tokens using bfloat16 output projections and compiled cross entropy

  • “very likely” Means “uncertain”? How LLMs Diverge from Humans in Linguistic Uncertainty Quantification

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00083v1 公告类型：新。
      • 摘要：人类通过标记（例如“可能”、“可能”）口头表达不确定性，但大多数 LLM 不确定性量化 (UQ) 依赖于基于成本可能性或一致性的信号。
      • 从认知角度来看，准确的言语不确定性反映了元认知监控，代表知识边界（“知道你不知道”）以支持监管和信息寻求。
      • 在本文中，我们研究了法学硕士在言语不确定性量化方面与人类有何不同，以及言语标记是否可以可靠地量化法学硕士不确定性。
    • EN 要点:
      • arXiv:2610.00083v1 Announce Type: new
      • Abstract: Humans express uncertainty verbally via markers (e.g., “possible,” “likely”), yet most LLM uncertainty quantification (UQ) relies on costing likelihoo…
      • From a cognitive perspective, accurate verbal uncertainty reflects metacognitive monitoring, representing knowledge boundaries (“knowing that you don’t know”) t…
      • In this paper, we investigate how LLMs diverge from humans in verbal uncertainty quantification and whether verbal markers can reliably quantify LLM uncertainty

  • Nous: Learning and Certifying Memory Decisions Before Source Calibration

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00094v1 公告类型：新。
      • 摘要：基于信念的代理记忆需要对当前状态做出可靠的决策，但其证据可能是嘈杂的、复制的或陈旧的。
      • 存储器必须先校准其来源才能改进其决策吗？
      • 我们将学习、校准和修订认证分开。
    • EN 要点:
      • arXiv:2610.00094v1 Announce Type: new
      • Abstract: Belief-based agent memory needs reliable decisions about current state, yet its evidence may be noisy, copied, or stale
      • Must a memory calibrate its sources before it can improve its decisions
      • We separate learning, calibration, and revision certification

  • One Mastery Threshold Does Not Fit All Knowledge Tracing Models

    • 发布时间:2026-10-02 12:00 北京时间
    • 摘要:- arXiv:2610.00095v1 公告类型：新。 -摘要：辅导系统使用掌握阈值来决定学生何时可以停止练习并继续前进，但当底层知识追踪（KT）模型发生变化时，相同的数字阈值可能会导致截然不同的决策。
      • 我们检查了四个公共教育数据集中的六个 KT 模型，并使用进步后表现、进步覆盖率、实践负担和先前表现组之间的差异来评估从 0.50 到 0.99 的 12 个阈值。
      • 我们还确定了在 30 种预定义的教学设置下平衡表现、额外练习和进步的阈值。
    • EN 要点:
      • arXiv:2610.00095v1 Announce Type: new
      • Abstract: Tutoring systems use mastery thresholds to decide when students can stop practicing and advance, but the same numerical threshold can lead to very dif…
      • We examine six KT models across four public educational datasets and evaluate 12 thresholds from 0.50 to 0.99 using post-advancement performance, advancement co…
      • We also identify thresholds that balance performance, extra practice, and advancement under 30 predefined instructional settings