🤖 AI 速览

今日主线是智能体进入专业工作流：OpenAI 与 Atlassian、Ironclad 推进企业知识执行与合同流程智能体，评估可靠性同步受到审视；DeepMind 开源 EmbeddingGemma 2，多模态检索下沉端侧；美国“超级智能力量”表态则引发政策集中化讨论。
📋 文章元数据
发布时间
2026-10-07
类型
ai-daily
字数
2940
阅读时长
14 min

2026-10-07 AI日更 | 智能体深入企业合同与知识工作流，EmbeddingGemma 2 开源端侧多模态 链接到标题

今日主线是智能体进入专业工作流：OpenAI 与 Atlassian、Ironclad 推进企业知识执行与合同流程智能体，评估可靠性同步受到审视；DeepMind 开源 EmbeddingGemma 2，多模态检索下沉端侧；美国“超级智能力量”表态则引发政策集中化讨论。

📖 本期 Watch List 深度导读 链接到标题

今天的主线可概括为：智能体进入专业工作流，效率与评估被同步审视。OpenAI 与 Atlassian、Ironclad 的更新适合一起读：前者把企业知识转为行动，后者在合同流程中训练计算机使用智能体，数学推理进展则显示前沿模型仍在向科学问题延伸。Google DeepMind 发布 EmbeddingGemma 2，开放轻量多模态嵌入；arXiv 上 SYNLAT 的长 CoT 压缩、固定输入嵌入表等研究，共同指向推理成本与轻量化。评估侧则有多篇论文提醒：参考选择、脑对齐分数与通用决策基准都可能被误读，评估团队值得精读。

🌐 X 平台 AI 热点快讯 链接到标题

话题 1:Trump Launches Super Intelligence Force to Lead U.S. Efforts 链接到标题

  • 分类:AI · News
  • 概况:热度时间:2 days ago,相关帖子数:111000
  • 是什么事:特朗普宣布启动“超级智能力量”以牵头美国AI事务。
  • 为什么重要:此举显示美国在联邦层面加强AI战略协调，可能重塑AI政策、监管与全球竞争格局。
  • 讨论概况:X上讨论聚焦于该力量的实际权责与执行效力、AI政策是否会走向集中化，以及任命Jay Clayton等人对创新与监管的影响；观点在加速美国AI领先与担忧政治化或过度集权之间存在分歧。

话题 2:Google Launches EmbeddingGemma 2 for On-Device Multimodal AI 链接到标题

  • 分类:AI · News
  • 概况:热度时间:7 hours ago,相关帖子数:4000
  • 是什么事:谷歌发布开源多模态嵌入模型 EmbeddingGemma 2，可在手机等消费级设备上处理文本、代码、图像、视频和音频。
  • 为什么重要:该模型将多模态检索能力下沉到端侧，降低延迟和隐私风险，并通过 Matryoshka 表示学习大幅减少存储与内存占用，推动本地 AI 搜索和轻量级多模态应用。
  • 讨论概况:X 上主要关注其端侧资源占用、多模态向量质量及与 Mistral Large 4、Nano Banana 2.1 等近期发布的竞争；也有人讨论 Apache 2.0 开源协议对商用落地的意义，分歧在于小参数模型能否满足复杂跨模态检索精度。

话题 3:OpenAI Launches 28-Day Codex Improvement Challenge Amid Claude Rivalry 链接到标题

  • 分类:AI · News
  • 概况:热度时间:2 days ago,相关帖子数:67000
  • 是什么事:OpenAI启动为期28天的Codex改进挑战赛，以应对与Claude在AI编程助手领域的竞争。
  • 为什么重要:此举反映出AI代码生成赛道竞争加剧，OpenAI希望通过社区反馈快速迭代Codex，巩固其开发者工具市场地位。
  • 讨论概况:当前X上的讨论主要聚焦于Codex与Claude的代码能力对比、挑战赛能否带来实质改进，以及开发者对模型实际表现的期待与质疑。

今日 X 上的 AI 舆情小结 链接到标题

今天舆论主线是AI竞争正从模型能力扩展至国家政策、端侧开源与开发者生态多个层面，各方都在加速卡位以争夺主导权。共识在于美国联邦层面加强AI战略协调、模型向消费级设备下沉以及编程助手赛道的重要性上升，都反映出AI主导权争夺日趋激烈。分歧主要集中在特朗普“超级智能力量”是否会带来过度集权或政治化，以及EmbeddingGemma 2等小参数端侧模型能否在复杂跨模态检索中真正满足精度要求。潜在风险在于政策集中化可能抑制开放创新，端侧多模态能力若被高估可能在关键场景中失效，而OpenAI依靠短期挑战赛推动Codex迭代也可能流于社区营销，难以实质缩小与Claude的代码能力差距。

💡 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 35 条更新

Stratechery by Ben Thompson (A_full) 链接到标题

  • Game Decompilation, Is This Legal?, A Well-Trodden Path
    • 发布时间:2026-10-06 18:07 北京时间
    • 摘要:- 游戏正在被反编译，但游戏的真正风险是新游戏和增加的个性化。
      • 15 美元/月或150 美元/年。
      • 通过每周三封电子邮件或播客对当天新闻进行实质性分析。
      • 策略采访。
      • 采访领先的上市首席执行官、私营公司创始人，并与分析师同行进行讨论。
    • EN 要点:
      • Games are being decompiled, but the real risk to gaming is new games and increased personalization.

OpenAI Blog (A_full) 链接到标题

  • Atlassian and OpenAI expand partnership to turn enterprise knowledge into action

    • 发布时间:2026-10-07 00:00 北京时间
    • 摘要:- Atlassian 和 OpenAI 正在扩大合作伙伴关系，将前沿模型与企业知识联系起来，并帮助团队规划、构建和交付工作。
      • OpenAI 博客中的这篇文章解释了 Atlassian 和 OpenAI 如何扩大合作伙伴关系，将企业知识转化为行动，塑造更广泛的人工智能和基础设施格局。
      • 在 Atlassian 和 OpenAI 扩大合作伙伴关系以将企业知识转化为行动之后，它还为创始人、运营商和投资者带来了实际影响。
    • EN 要点:
      • Atlassian and OpenAI are expanding their partnership to connect frontier models with enterprise knowledge and help teams plan, build, and deliver work.

  • Sharing AI progress in mathematics

    • 发布时间:2026-10-06 20:00 北京时间
    • 摘要:- OpenAI 通过内部前沿模型发布了关于数学中开放问题的新结果，并在 GitHub 上分享了精益证明形式化和研究细节……。
      • OpenAI 博客的这篇文章解释了如何在数学领域共享人工智能进展，从而塑造更广泛的人工智能和基础设施格局。
      • 在分享人工智能在数学方面的进展之后，它还为创始人、运营商和投资者带来了实际影响。
    • EN 要点:
      • OpenAI publishes new results on open problems in mathematics from an internal frontier model and shares Lean proof formalizations and research details on GitHub…

  • Advancing computer use with Ironclad

    • 发布时间:2026-10-06 18:00 北京时间
    • 摘要:- 了解 OpenAI 和 Ironclad 如何在复杂的合同工作流程上培训和评估人工智能代理，以促进计算机在专业工作中的使用。
      • OpenAI 博客的这篇文章解释了如何通过 Ironclad 推进计算机使用，塑造更广泛的人工智能和基础设施格局。
      • 在通过 Ironclad 推进计算机使用之后，它还为创始人、运营商和投资者带来了实际影响。
    • EN 要点:
      • Learn how OpenAI and Ironclad are training and evaluating AI agents on complex contracting workflows to advance computer use for professional work.

Google DeepMind Blog (A_full) 链接到标题

  • EmbeddingGemma 2: an open, lightweight multimodal embedding model
    • 发布时间:2026-10-07 03:57 北京时间
    • 摘要:- EmbeddingGemma 2：开放、轻量级的多模态嵌入模型。
      • 这篇来自 Google DeepMind 博客的文章解释了 EmbeddingGemma 2：一种开放、轻量级的多模态嵌入模型如何塑造更广泛的人工智能和基础设施格局。
      • 它还为 EmbeddingGemma 2 的创始人、运营商和投资者带来了实际影响：一个开放的、轻量级的多模态嵌入模型。
    • EN 要点:
      • EmbeddingGemma 2: an open, lightweight multimodal embedding model

ArXiv cs.AI (B_intro+search) 链接到标题

  • Training Numerical Intelligence via Auto-Diagnosis and Skill Discovery

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03872v1 公告类型：新。
      • 摘要：人工智能代理生成科学代码的能力越来越强，但生成代码并不等同于改进其背后的算法。
      • 对于数值求解器，执行反馈可能会暴露性能不佳，但很少揭示其根本原因以及解决方法。
      • 我们引入自动诊断和技能发现（ADSD），这是一个将数值诊断与可重用求解器自我改进联系起来的框架。
    • EN 要点:
      • arXiv:2610.03872v1 Announce Type: new
      • Abstract: AI agents are becoming increasingly capable of generating scientific code, but generating code is not the same as improving the algorithms behind it
      • For numerical solvers, execution feedback can expose poor performance, but rarely reveals its underlying cause and how to address it
      • We introduce Auto-Diagnosis and Skill Discovery (ADSD), a framework that links numerical diagnosis to reusable solver self-improvement

  • REACT: Physically and Chemically Consistent Reconstruction of Marine Active Tracers

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03888v1 公告类型：新。
      • 摘要：通过稀疏观测重建全球海面 pH 值对于监测海洋酸化和了解海洋碳循环至关重要。
      • 传统的同化和逆模型具有物理基础，但大规模重建成本高昂。
      • 最近的黑盒和物理引导的人工智能模型提高了效率，但主要是为被动追踪器设计的，其中重建的变量也是运输的库存。
    • EN 要点:
      • arXiv:2610.03888v1 Announce Type: new
      • Abstract: Reconstructing global sea surface pH from sparse observations is critical for monitoring ocean acidification and understanding marine carbon cycling
      • Traditional assimilation and inverse models are physically grounded but costly for large-scale reconstruction
      • Recent black-box and physics-guided AI models improve efficiency, but are mainly designed for passive tracers, where the reconstructed variable is also the tran…

  • Proxy Confidence: Auditing Black-Box LLM Agents with a Surrogate’s Log-Probabilities

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03894v1 公告类型：新。
      • 摘要：部署的 LLM 代理会发出可能默默错误的工具调用、查询和代码 - 当错误出现时，操作已运行。
      • Frontier 聊天 API 隐藏了模型的 token 概率；代理人所声称的信心几乎无法战胜重大错误的可能性；并且重采样没有帮助，因为前沿模型具有高度重复性，会在样本之间复制相同的调用。
      • 我们从并行的低成本开放权重代理运行中恢复丢失的信号。
    • EN 要点:
      • arXiv:2610.03894v1 Announce Type: new
      • Abstract: A deployed LLM agent emits tool calls, queries, and code that can be silently wrong – by the time the error surfaces, the action has run
      • Frontier chat APIs hide the model’s token probabilities; the agent’s stated confidence barely beats chance on the mistakes that matter; and resampling does not…
      • We recover the missing signal from a low-cost open-weight surrogate run in parallel

  • SGAnalog: An End-to-End Circuit Benchmark from Open-Source Silicon Tapeouts

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03934v1 公告类型：新。
      • 摘要：现有的模拟集成电路设计基准使两个问题难以回答：模型是否学习了可转移的电路技能而不是回忆熟悉的示例，以及其输出是否在定义的流程和测试条件下工作。
      • 我们引入了一个由与 Tiny Tapeout 制造梭相关的人工设计的开源电路构建的基准。
      • 该集合包含 273 个拓扑不同的顶级设计。
    • EN 要点:
      • arXiv:2610.03934v1 Announce Type: new
      • Abstract: Existing analog integrated circuit design benchmarks make two questions hard to answer: whether a model has learned transferable circuit skills rather…
      • We introduce a benchmark built from human-designed, open-source circuits associated with Tiny Tapeout manufacturing shuttles
      • The collection contains 273 topologically distinct top-level designs

  • MLLMs Fail to Refuse when Using Tools Agentically

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03938v1 公告类型：新。
      • 摘要：代理多模态大语言模型（MLLM）最近通过调用缩放和标记等工具推动了视觉推理的前沿。
      • 尽管代理 MLLM 最近取得了巨大成功，但这项工作揭示了工具使用范式中的一个关键安全失败：使用代理工具的 MLLM 拒绝有害请求的能力变得越来越弱。
      • 我们的实验证实，在三个流行的安全基准中，我们测试的所有顶级开放式和封闭式重量 MLLM 在使用工具的设置中的安全性明显低于在非工具设置中的安全性，相对拒绝故障率增加高达 68.7%。
    • EN 要点:
      • arXiv:2610.03938v1 Announce Type: new
      • Abstract: Agentic multimodal large language models (MLLMs) have recently pushed the frontier of visual reasoning by calling tools such as zooming and tagging
      • Despite the recent strong success of agentic MLLMs, this work uncovers a critical safety failure in the tool-use paradigm: agentic tool-using MLLMs become less…
      • Our experiments confirm that, across three popular safety benchmarks, all the top open- and closed-weight MLLMs we test exhibit significantly lower safety in to…

  • Retrieval-Augmented Large Language Model Decision-Making for Autonomous Driving Guided by Chinese Philosophical Wisdom

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03948v1 公告类型：新。
      • 摘要：自动驾驶决策系统必须在复杂的交通交互中平衡安全、效率和社会规范。
      • 在基于数值优化、序列预测和大语言模型（LLM）的现有自动驾驶决策方法中，哲学和伦理考虑受到的关注有限。
      • 我们提出中国哲学智慧引导驾驶（CPW-Drive），这是一种闭环检索增强生成（RAG）框架，它将中国哲学的价值指导融入到自动驾驶决策中。
    • EN 要点:
      • arXiv:2610.03948v1 Announce Type: new
      • Abstract: Autonomous driving decision systems must balance safety, efficiency, and social norms in complex traffic interactions
      • Philosophical and ethical considerations have received limited attention in existing autonomous driving decision-making approaches based on numerical optimizati…
      • We propose Chinese Philosophical Wisdom-Guided Driving (CPW-Drive), a closed-loop retrieval-augmented generation (RAG) framework that incorporates value guidanc…

  • LatentQuant: Preserving the Policy-Facing Latent Contract under NVFP4 VAE Quantization

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03959v1 公告类型：新。
      • 摘要：最近的世界动作模型（WAM）重用了预训练的视频 VAE，其编码器潜在直接调节下游动作策略。
      • 因此，量化不仅必须保持重建保真度，而且还必须保持冻结政策所预期的面向政策的潜在契约。
      • 直接 NVFP4 使 W4A4 量化误差得不到补偿，而联合量化感知训练 (QAT) 可以通过移动此表示来恢复重建。
    • EN 要点:
      • arXiv:2610.03959v1 Announce Type: new
      • Abstract: Recent world action models (WAMs) reuse pretrained video VAEs whose encoder latents directly condition downstream action policies
      • Quantization must therefore preserve not only reconstruction fidelity but also the policy-facing latent contract expected by the frozen policy
      • Direct NVFP4 leaves W4A4 quantization error uncompensated, whereas joint quantization-aware training (QAT) can recover reconstruction by moving this representat…

  • ROAR: Unifying Runs across Heterogeneous AI-Driven Research Systems

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03966v1 公告类型：新。
      • 摘要：人工智能驱动的研究系统 (ADRS) 的每次运行都是在巨大的解决方案空间中进行昂贵的搜索，而可靠的评估需要多次运行，这使得运行数据的生成成本高昂，且对于大规模分析而言保留起来很有价值。
      • 然而，这些数据仍然支离破碎：团队独立运作，ADRS 框架以不同格式发出结果，并且不存在用于聚合或比较跨问题和系统的运行的共享基础设施。
      • 我们推出 ROAR，这是一种系统地统一和分析异构 ADRS 输出的解决方案。
    • EN 要点:
      • arXiv:2610.03966v1 Announce Type: new
      • Abstract: Each run of an AI-driven research system (ADRS) is an expensive search over a vast solution space, and dependable evaluation requires many runs, makin…
      • Yet this data remains fragmented: teams operate in isolation, ADRS frameworks emit results in different formats, and no shared infrastructure exists to aggregat…
      • We present ROAR, a solution for systematically unifying and analyzing heterogeneous ADRS outputs

  • Teaching Agents to Code Reliably

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03984v1 公告类型：新。
      • 摘要：自主编码代理通过读取代码、运行命令、编辑文件和提交补丁来解决存储库问题。
      • 额外的推理时间计算只有在产生有用的修复并为选择修复提供可靠的证据时才会产生收益。
      • 三种行为决定两者，我们认为它们是可教的而不是规模的副产品，因此政策可以承载它们而不是脚手架。
    • EN 要点:
      • arXiv:2610.03984v1 Announce Type: new
      • Abstract: Autonomous coding agents solve repository issues by reading code, running commands, editing files, and submitting patches
      • Extra inference-time compute yields gains only when it produces a useful repair and supplies reliable evidence for choosing one
      • Three behaviors decide both, and we argue they are teachable rather than byproducts of scale, so a policy can carry them instead of a scaffold

  • Behavioral History Outperforms Descriptions of the Person for LLM Synthetic Personas

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03998v1 公告类型：新。
      • 摘要：大型语言模型 (LLM) 越来越多地用作代表调查受访者的合成角色。
      • 它们作为特定受访者替代品的有效性取决于它们是否再现了个人的决定。
      • 我们研究哪些信息可以帮助综合受访者预测每个人后来的选择，使用五个条件逐渐添加更丰富的信息：无个人信息、人口统计、个性特征、认知得分，最后是受访者早期的调查选择作为行为历史。
    • EN 要点:
      • arXiv:2610.03998v1 Announce Type: new
      • Abstract: Large language models (LLMs) are increasingly used as synthetic personas representing survey respondents
      • Their validity as substitutes for particular respondents depends on whether they reproduce individuals’ decisions
      • We examine what information helps synthetic respondents predict each individual’s later choices, using five conditions that add progressively richer information…

ArXiv cs.CL (B_intro+search) 链接到标题

  • Fine-Grained Emotion Classification from Mobile App Reviews: An Empirical Study with Large Language Models

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03802v1 公告类型：新。
      • 摘要：背景：移动应用程序评论的细粒度情感分类使需求工程活动能够超越基于极性的意见挖掘，包括基于情感的问题优先级划分和面向特征的反馈分析。
      • 然而，从应用程序评论中自动细粒度的情感提取仍然没有得到充分研究。
      • 目标：本文以先前发布的注释框架和改编自 Plutchik 分类法的人类标记的基本事实为基础，研究了如何在严重类别不平衡的情况下利用大型语言模型进行自动多标签情感分类。
    • EN 要点:
      • arXiv:2610.03802v1 Announce Type: new
      • Abstract: Context: Fine-grained emotion classification of mobile app reviews enables requirements engineering activities that go beyond polarity-based opinion m…
      • However, automatic fine-grained emotion extraction from app reviews remains understudied
      • Objectives: Building on a previously published annotation framework and human-labelled ground truth adapted from Plutchik’s taxonomy, this paper investigates ho…

  • Same Output, Different Gold: Measuring How Reference Choice Moves a Multilingual Benchmark Score

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03825v1 公告类型：新。
      • 摘要：基准分数将系统输出与参考进行比较，方法论的注意力几乎完全落在第一项上。
      • 个人身份信息的六种语言基准的保留注释记录包含两个独立注释者标签、作为黄金交付的聚合以及来自独立专家对样本重新注释的审阅者黄金。
      • 使用它，我们可以固定得分输出并交换参考。
    • EN 要点:
      • arXiv:2610.03825v1 Announce Type: new
      • Abstract: A benchmark score compares a system output against a reference, and methodological attention falls almost entirely on the first term
      • We measure the second
      • The retained annotation record of a six-language benchmark for personally identifiable information contains two independent annotator labellings, the aggregate…

  • The Score Is Not the Structure: Brain Alignment and Cross-Lingual Transfer

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03827v1 公告类型：新。
      • 摘要：研究人员经常通过报告相似性得分来支持模型与大脑或跨语言共享结构的说法。
      • 我们询问当共享结构不存在或测量它的工具不起作用时，这样的分数读起来是什么。
      • 我们检查了两个设置，两个设置中的分数都不是它所显示的那样。
    • EN 要点:
      • arXiv:2610.03827v1 Announce Type: new
      • Abstract: Researchers often support the claim that a model shares structure with the brain, or across languages, by reporting a similarity score
      • We ask what such a score reads when the shared structure is absent, or when the tool that measures it does not work
      • We check two settings, and in both the score is not what it appears

  • OncoNoteBERT: A Foundation Representation Model for Natural Language Processing of Real-World Outpatient Oncology Notes

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03829v1 公告类型：新。
      • 摘要：现实世界的门诊肿瘤病学笔记包含专业术语、肿瘤分期表达、治疗名称、毒性描述和机构特定的去识别标记，这些标记可能无法通过一般生物医学或相邻的临床语言模型有效表示。
      • 我们使用受监管的英国门诊肿瘤学语料库开发并评估了肿瘤学特异性 BERT 式编码器，该语料库包含来自 21,564 名接受肺癌和头颈癌治疗的患者的 290,026 个注释。
      • 我们将 RadBERT 和 PathologyBERT 与两种本地策略进行了比较：OncoNote-RadBERT（通过持续掩码语言模型预训练生成）和 OncoNoteBERT（使用肿瘤学 WordPiece 标记器从头开始训练）。
    • EN 要点:
      • arXiv:2610.03829v1 Announce Type: new
      • Abstract: Real-world outpatient oncology notes contain specialised terminology, tumour staging expressions, treatment names, toxicity descriptions, and institut…
      • We developed and evaluated oncology-specific BERT-style encoders using a governed UK outpatient oncology corpus comprising 290,026 notes from 21,564 patients tr…
      • We compared RadBERT and PathologyBERT with two local strategies: OncoNote-RadBERT, produced by continued masked language model pretraining, and OncoNoteBERT, tr…

  • SYNLAT: Syntax-Aligned Text-Latent Compression for Chain-of-Thought Reasoning

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03839v1 公告类型：新。
      • 摘要：长链思想（CoT）痕迹会带来巨大的输出代币成本。
      • 在预算有限的情况下，压缩必须保留关键答案信息，使边界放置成为中心。
      • 令牌级和固定长度边界可以分割连贯的跨度，例如短语、公式和局部推导，而步骤级边界可以绑定需要不同压缩操作的内容。
    • EN 要点:
      • arXiv:2610.03839v1 Announce Type: new
      • Abstract: Long chain-of-thought (CoT) traces impose substantial output-token costs
      • Under constrained budgets, compression must preserve answer-critical information, making boundary placement central
      • Token-level and fixed-length boundaries can fragment coherent spans such as phrases, formulas, and local derivations, whereas step-level boundaries can bind con…

  • When Evidence Changes: Evaluating Memory Repair and Re-reading in Language-Model Agents

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03902v1 公告类型：新。
      • 摘要：当支持代理人推导出的事实的文件被撤销或替换时，是否应该修复记忆或重新读取当前证据？
      • 我们引入了对公共 ICU 记录中的药物和问题列表任务的证据修订评估。
      • 在撤销、替换和控制事件下，我们将两个 7B 模型的完整重读和源过滤重读与缓存、重建和图形本地修复进行比较。
    • EN 要点:
      • arXiv:2610.03902v1 Announce Type: new
      • Abstract: When documents supporting an agent’s derived facts are revoked or replaced, should it repair memory or re-read current evidence
      • We introduce an evidence-revision evaluation on medication- and problem-list tasks from public ICU records
      • Under revocation, replacement and control events, we compare full and source-filtered re-reading with caching, rebuilding and graph-local repair across two 7B m…

  • General Decision Models: Benchmarking and Insights Beyond Jev

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03935v1 公告类型：新。
      • 摘要：一般决策模型（例如 Jev）最近已成为法学硕士的有效替代品，用于结构化判断和选择。
      • 但是这些模型可以可靠地做出哪些类型的决策，以及当个体决策被组合成更大的系统时，它们的行为会如何变化？
      • 为了研究这一点，我们引入了 JEVal，这是一个双语基准，包含来自 10 个应用领域的 36 个数据集的 11,257 个实例，并评估了涵盖一般决策模型和生成法学硕士的 25 种模型配置。
    • EN 要点:
      • arXiv:2610.03935v1 Announce Type: new
      • Abstract: General decision models, such as Jev, have recently emerged as efficient alternatives to LLMs for structured judgment and selection
      • But what kinds of decisions can these models reliably make, and how does their behavior change when individual decisions are composed into larger systems
      • To study this, we introduce JEVal, a bilingual benchmark comprising 11,257 instances from 36 datasets across 10 application domains, and evaluate 25 model confi…

  • A Step Towards Forgetting: Optimiser History and the Loss of Answer Mass

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03940v1 公告类型：新。
      • 摘要：在微调过程中，语言模型可以为先前学习的答案分配较小的概率，即使当前梯度用于保留该概率。
      • 有了动量，每次更新还携带在早期模型状态下计算的梯度，并且这些存储的贡献可以将模型推向相反的方向。
      • 我们通过将旧任务丢失分为答案之间的混乱和答案集之外的概率泄漏来研究这种优化器记忆如何导致遗忘。
    • EN 要点:
      • arXiv:2610.03940v1 Announce Type: new
      • Abstract: During fine-tuning, a language model can assign less probability to previously learned answers even when the current gradient acts to preserve that pr…
      • With momentum, each update also carries gradients computed at earlier model states, and these stored contributions can push the model in the opposite direction
      • We investigate how this optimiser memory contributes to forgetting by separating old-task loss into confusion among its answers and leakage of probability outsi…

  • BAIBAICHUCHU at the NTCIR-19 FinArg-3 Task: When Is Maximum Possible Profit Predictable from Investor Text?

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03962v1 公告类型：新。
      • 摘要：BAIBAICHUCHU 团队参与了 NTCIR-19 FinArg-3 的社交媒体子任务，按照最大可能利润（MPP）对中国投资者帖子进行排名。
      • 词汇特征的三轨集成、FinArg-2 预微调的 MacBERT 排名器和 LLM 法官在分组后开发评估中达到 0.734，但我们的最佳官方运行分数为 0.517。
      • 所有 12 个提交的运行分数都在 0.4598 和 0.5402 之间，我们的 26 个一致的三轨对得分为 0.500。
    • EN 要点:
      • arXiv:2610.03962v1 Announce Type: new
      • Abstract: The BAIBAICHUCHU team participated in the Social Media Subtask of NTCIR-19 FinArg-3, ranking Chinese investor posts by Maximum Possible Profit (MPP)
      • A three-track ensemble of lexical features, a FinArg-2-pre-finetuned MacBERT ranker, and an LLM judge reaches 0.734 in post-grouped development evaluation, but…
      • All twelve submitted runs lie between 0.4598 and 0.5402, and our 26 unanimous three-track pairs score 0.500

  • Do Language Models Need a Trainable Input Embedding Table? Fixed Minimal Token Codes at 1.7B-Class Scale

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.04002v1 公告类型：新。
      • 摘要：可训练的输入嵌入表为每个词汇项分配一个独立可调的向量。
      • 我们研究这种特定于令牌的参数化是否是实质性语言建模能力所必需的，或者共享 Transformer 是否可以从固定令牌身份中学习。
      • 我们比较了从头开始训练的三种仅解码器语言模型，使用相同的标记器、上下文主干、未绑定的输出头架构和训练配方，每个模型的目标预算为 1000 亿个预测标记。
    • EN 要点:
      • arXiv:2610.04002v1 Announce Type: new
      • Abstract: A trainable input embedding table assigns each vocabulary item an independently adjustable vector
      • We investigate whether this token-specific parameterization is required for substantial language-modeling capability, or whether a shared Transformer can learn…
      • We compare three decoder-only language models trained from scratch with the same tokenizer, contextual backbone, untied output-head architecture, and training r…

ArXiv cs.LG (B_intro+search) 链接到标题

  • Bayes-Sufficient Compression Is Not Enough: How Does Communication Help Multi-Agent Systems?

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03769v1 公告类型：新。
      • 摘要：多代理 LLM 系统将具有广泛上下文的发送者和具有有限本地视图的执行者配对。
      • 我们研究短消息何时可以改善执行者的下一个决策、何时更可取原始上下文以及何时更强的发送者会提供帮助。
      • 我们的框架，\emph{接收者相对有界协调}，将消息效用表示为接收者增益减去协议税。
    • EN 要点:
      • arXiv:2610.03769v1 Announce Type: new
      • Abstract: Multi-agent LLM systems pair a sender with broad context and an executor with a limited local view
      • We study when a short message improves the executor’s next decision, when raw context is preferable, and when a stronger sender helps
      • Our framework, \emph{receiver-relative bounded coordination}, expresses message utility as receiver gain minus protocol tax

  • Least Squares for Time Series Forecasting

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03812v1 公告类型：新。
      • 摘要：时间序列预测是根据该序列的未来值进行评分。
      • 回归下一个潜在变量的表示损失（如 LeNEPA 中所示）是同一瓶颈上的不同最小二乘问题。
      • 预测程序最大限度地减少了将报告的坐标上的解码潜在误差。
    • EN 要点:
      • arXiv:2610.03812v1 Announce Type: new
      • Abstract: A time-series forecast is scored on a future value of the series
      • A representation loss that regresses the next latent, as in LeNEPA, is a different least-squares problem on the same bottleneck
      • We write both programs down

  • Memory-State Critic for Asymmetric Actor-Critic with Application to Vision-Based Pursuit-Evasion

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03830v1 公告类型：新。
      • 摘要：在部分可观察的马尔可夫决策过程中，最优策略通常取决于观察的历史和过去的行动。
      • 当训练期间可以获得额外信息（例如环境的真实状态）时，非对称演员批评家方法已成为学习此类策略的流行方法。
      • 执行时不需要批评家，但可以访问状态。
    • EN 要点:
      • arXiv:2610.03830v1 Announce Type: new
      • Abstract: In partially observable Markov decision processes, the optimal policy generally depends on the history of observations and past actions
      • Asymmetric actor-critic methods have become popular to learn such policies when additional information, such as the true state of the environment, is available…
      • The critic, which is not needed at execution, is given access to the state

  • Where Does Jagged Competence Come From?

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03831v1 公告类型：新。
      • 摘要：有能力的系统通常表现出参差不齐的能力：平均误差较低，并且特定输入出现故障。
      • 我们询问它在由两个已知层构建的任务中来自哪里。
      • 较低层 A 根据记录计算每个时隙的五个总和；上层 B 使用 slot-1 和以及从早期板继承的模式来预测下一个板的类别，因此不能仅根据当前 A 计算 B：B 是 A 的严格扩展。
    • EN 要点:
      • arXiv:2610.03831v1 Announce Type: new
      • Abstract: Capable systems often show jagged competence: low average error alongside failures on particular inputs
      • We ask where it comes from in a task built from two known layers
      • A lower layer A computes five per-slot sums from records; an upper layer B uses the slot-1 sum and a mode carried over from earlier boards to predict the next b…

  • LLM-enhanced spatio-temporal learning for grid-level docked bike sharing demand prediction

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03834v1 公告类型：新。 -摘要：由于时空非平稳性以及将非结构化外部文本纳入数值管道的实际困难，短期共享单车需求预测变得复杂。
      • 传统方法依赖于历史流序列和固定的图结构，从而在异常社会事件扰乱正常旅行模式时限制了其准确性。
      • 我们提出了一个预测框架，其中大型语言模型（LLM）驱动语义冲击波机制，将自由形式的城市文本（例如市政活动时间表、当地新闻和交通公告）转换为量化的时空扰动场。
    • EN 要点:
      • arXiv:2610.03834v1 Announce Type: new
      • Abstract: Short-term bike-sharing demand forecasting is complicated by spatial-temporal non-stationarity and the practical difficulty of incorporating unstructu…
      • Conventional approaches rely on historical flow sequences and fixed graph structures, thereby constraining their accuracy when anomalous social events perturb n…
      • We propose a forecasting framework in which a Large Language Model (LLM) drives a semantic shockwave mechanism that converts free-form urban text, such as munic…

  • KVE-KD: Key Visual Evidence-Guided Knowledge Distillation for Vision-Language Models

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03842v1 公告类型：新。
      • 摘要：知识蒸馏对于在资源受限的设备上部署视觉语言模型至关重要。
      • 然而，现有方法通常对视觉标记施加统一监督或依赖静态标记选择，这会将任务相关线索与背景噪声混淆并降低跨模式推理。
      • 为了解决这个限制，我们提出了关键视觉证据引导的知识蒸馏（KVE-KD），这是一个框架，动态地将特征蒸馏集中在教师模型识别的与任务相关的视觉标记上。
    • EN 要点:
      • arXiv:2610.03842v1 Announce Type: new
      • Abstract: Knowledge distillation is crucial for deploying vision-language models on resource-constrained devices
      • However, existing methods typically impose uniform supervision across visual tokens or rely on static token selection, which confuses task-relevant cues with ba…
      • To address this limitation, we propose Key Visual Evidence-guided Knowledge Distillation (KVE-KD), a framework that dynamically focuses feature distillation on…

  • BAT-NO: A Boundary-Condition-Aware Transformer Neural Operator for Crashworthiness Prediction of Vehicle Components

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03854v1 公告类型：新。
      • 摘要：高保真有限元模拟提供了准确的耐撞性预测，但其成本限制了迭代设计探索。
      • 深度学习代理可以降低这种成本，但许多组件级模型是在单个规定的边界条件下开发的，限制了对边界变化的泛化。
      • 这项工作提出了一种边界条件感知变压器神经算子（BAT-NO），用于在几何形状和边界条件变化下对瞬态位移场和标量耐撞性响应进行自回归预测。
    • EN 要点:
      • arXiv:2610.03854v1 Announce Type: new
      • Abstract: High-fidelity finite-element simulations provide accurate crashworthiness predictions, but their cost limits iterative design exploration
      • Deep learning surrogates can reduce this cost, but many component-level models are developed under a single prescribed boundary condition, limiting generalisati…
      • This work proposes a Boundary-Condition-Aware Transformer Neural Operator (BAT-NO) for autoregressive prediction of transient displacement fields and scalar cra…

  • Retrieval-Centric Deep Learning in Growing Nonparametric Neural Networks

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03858v1 公告类型：新。 -摘要：我们研究了深度学习的通用层，它不是将任意大小的训练数据压缩为固定大小的权重矩阵，而是在训练期间为每个数据点存储一对新的键值表示，并在推理时通过注意机制检索和重新组合这些表示 - 从而产生不断增长的神经网络（NN）。
      • (arXiv:2202.05798) 从经典对偶性出发提出了这一观点，将通过梯度下降训练的深度神经网络中的任何线性层表示为训练数据点上的线性注意力 (LA)，用更强大的注意力函数取代 LA，正如他们所建议的，结果证明是不平凡的：我们表明，天真地将 LA 案例中的学习规则应用于高级内核不会导致有原则的优化。
      • 在这里，我们填补了这一空白，并基于径向基函数 (RBF) 和类 s​​oftmax 内核，为内核化注意力层开发了基于函数梯度的学习规则 - 建立了有原则的“以检索为中心的深度学习”(RCDL) 范式。
    • EN 要点:
      • arXiv:2610.03858v1 Announce Type: new
      • Abstract: We investigate a general-purpose layer for deep learning that, instead of compressing arbitrary-size training data into fixed-size weight matrices, st…
      • While Irie et al
      • (arXiv:2202.05798) have put forward this perspective from the classic duality expressing any linear layer in a deep NN trained by gradient descent as linear att…

  • Reinforcement Learning on the Discrete Composition Channel of a Crystal Generator: Validated Gains and Reward Hacking

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03880v1 公告类型：新。
      • 摘要：逆向材料设计是计算材料发现的长期目标。
      • 晶体材料的生成模型通常经过训练以匹配结构数据库的分布，而其训练目标中没有任何内容指出特定的设计目标，例如目标属性。
      • 我们使用组相对策略优化（GRPO）通过强化学习将基于随机插值和离散流匹配的生成模型与一般黑盒奖励函数对齐。
    • EN 要点:
      • arXiv:2610.03880v1 Announce Type: new
      • Abstract: Inverse materials design is a long-standing goal of computational materials discovery
      • Generative models for crystalline materials are typically trained to match the distribution of a structure database, while nothing in their training objective p…
      • We use group-relative policy optimization (GRPO) to align a generative model based on stochastic interpolants and discrete flow matching with general black-box…

  • AdaEva: Accelerating LLM-Driven Algorithm Design with Adaptive Partial Evaluation

    • 发布时间:2026-10-06 12:00 北京时间
    • 摘要:- arXiv:2610.03896v1 公告类型：新。
      • 摘要：大型语言模型 (LLM) 越来越多地用于自动化算法设计。
      • 然而，评估生成的算法的计算成本可能过高。
      • 我们考虑常见的 LLM 驱动的自动化算法设计 (LLM4AD) 设置，其中通过聚合共享训练实例集的性能来评估候选算法。
    • EN 要点:
      • arXiv:2610.03896v1 Announce Type: new
      • Abstract: Large Language Models (LLMs) are increasingly used for automated algorithm design
      • However the computational cost of evaluating the generated algorithms can be excessive
      • We consider the common LLM-driven automated algorithm design (LLM4AD) setting in which a candidate algorithm is evaluated by aggregating its performance over a…