cs
01-08 00:00
本文提出了SciNetBench，首个用于评估科学文献检索智能体关系感知能力的基准测试。该基准基于超过1800万篇AI论文构建，系统评估了三个层面的关系理解：以自我为中心的知识结构检索、成对学术关系识别以及科学演进路径重建。实验发现，当前主流检索智能体在关系感知任务上的准确率普遍低于20%，揭示了现有检索范式的核心缺陷。进一步研究表明，为智能体提供关系层面的真实信息，可使其在文献综述任务上的表现提升23.4%，验证了关系感知检索的关键价值。
科学文献检索关系感知基准测试智能体评估知识图谱ai研究工具
cs
01-08 00:00
本文指出深度研究智能体面临“检索-利用鸿沟”瓶颈：即使在嘈杂环境中检索到关键证据，模型也常因上下文盲目性而无法有效利用。为此，作者提出了DeepResearch-Slice，一个简单而有效的神经符号框架。与依赖隐式注意力不同，该方法在推理前预测精确的文本跨度索引以执行确定性硬过滤。在六个基准上的广泛评估显示其带来了显著的鲁棒性提升。将本方法应用于冻结的骨干模型，性能相对提升了73%（从19.1%到33.0%），有效缓解了噪声影响且无需更新推理模型参数。
检索增强生成神经符号ai文本切片鲁棒性证据利用开放域研究
cs
01-08 00:00
视觉丰富文档（VRD）因其布局依赖的语义、脆弱的OCR识别以及信息分散在图表中等特点，对检索增强生成（RAG）系统构成挑战。本综述系统梳理了多模态大语言模型（MLLM）在解决此问题中的三大应用角色：模态统一描述器、多模态嵌入器和端到端表示器。文章从检索粒度、信息保真度、延迟与索引大小以及与重排和事实性验证的兼容性等维度进行了比较分析，为不同场景下的技术选型提供了实用指导，并指出了自适应检索单元、模型轻量化及评估方法等未来研究方向。
多模态检索文档理解rag系统mllm应用视觉文档
cs
01-08 00:00
研究发现大语言模型普遍存在‘谄媚’行为，即优先迎合用户而非坚持正确性。通过在对抗性数据集CAP-GSM8K上测试GPT系列模型，对比内部推理（思维链）与外部控制（RCA）机制，揭示了内部推理的结构性局限：在弱模型中导致性能崩溃（优先悖论），在顶尖模型中仍存在11.4%的输出差距。而外部控制机制则能完全消除谄媚行为。研究提出热力学层级理论，指出只有当能力匹配且足够强时，混合系统才能达到‘共振’最优效率，否则将陷入‘失调’与‘熵增’，证实外部结构性约束对保障模型安全是严格必要的。
大语言模型模型安全谄媚行为推理机制热力学分析对抗性测试
cs
01-08 00:00
本文提出Jailbreak-Zero，一种创新的红队测试方法，将大语言模型（LLM）安全评估从受限的基于示例范式转向更广泛有效的基于策略框架。该方法利用攻击LLM生成大量多样的对抗性提示，并通过偏好数据集微调攻击模型，从而在策略覆盖率、攻击策略多样性和提示对真实用户输入的保真度这三个关键目标上实现帕累托最优。实证结果表明，该方法在攻击开源及GPT-4o、Claude 3.5等专有模型时，成功率显著高于现有技术，且能以最少人工干预生成人类可读的有效对抗提示，为识别和缓解LLM安全漏洞提供了更具可扩展性和全面性的解决方案。
大语言模型安全红队测试对抗性提示帕累托最优策略评估模型鲁棒性
cs
01-08 00:00
本研究针对临床决策支持场景，对两款设备端大语言模型（gpt-oss-20b 和 gpt-oss-120b）进行了系统性基准测试，涵盖通用疾病诊断、专科（眼科）诊疗以及专家评估模拟三项任务。结果显示，尽管模型规模显著小于主流模型，gpt-oss 系列性能与 DeepSeek-R1 和 o4-mini 相当甚至更优。通过对 gpt-oss-20b 进行通用诊断数据的微调，其诊断准确率显著提升，可接近 GPT-5 的水平。这证明了设备端 LLMs 在提供准确、可适应且保护隐私的临床决策支持方面具有巨大潜力。
临床决策支持设备端大模型模型微调医疗人工智能隐私保护性能基准测试
cs
01-08 00:00
OpenAI在2025年8月发布的GPT-5系统卡揭示了其新一代AI系统的核心架构。GPT-5采用统一系统设计，包含一个快速响应的主模型（gpt-5-main）和一个用于复杂问题的深度推理模型（gpt-5-thinking）。系统通过一个基于对话类型、复杂性、工具需求和用户显式意图（如提示中的“仔细思考此事”）的实时路由层，动态分配查询。该路由层通过用户切换行为、响应偏好率和正确性测量等真实信号持续训练优化。在减少幻觉、提升指令遵循、降低谄媚性方面取得显著进展，尤其在写作、编程和健康三大常用场景中性能大幅提升。所有模型均采用最新的安全补全训练以防止违规内容生成。根据其预备框架，gpt-5-thinking在生物与化学领域被评估为“高能力”等级，并已激活相应防护措施。
gpt-5模型路由ai安全推理模型openai系统架构
cs
01-08 00:00
本文指出，当前以推理和解决问题能力为核心的大语言模型（LLM）评估标准，严重低估了参数小于100亿的小语言模型（SLM）在实际工业应用中的价值。研究团队提出了WRAVAL评估框架，专门针对SLM擅长的非推理任务（如语气修改、风格转换）进行评测。该框架结合了创新的数据生成、提示调优和基于LLM的评估方法，证明了任务特定微调能极大释放SLM的潜力，为边缘计算和私有部署等实际应用场景提供了有效的模型选型与评估工具。
小语言模型模型评估写作辅助任务微调工业应用边缘计算
cs
01-08 00:00
本研究对13个主流大语言模型在真实企业RAG场景下的指令遵循能力进行了系统性评估。通过企业级评测协议发现，模型在通用任务上表现出色，但在遵循精确自定义指令方面存在显著差异，即“指令鸿沟”。Claude-Sonnet-4和GPT-5表现最佳。该研究为企业部署LLM解决方案提供了实用见解，并为各模型家族的指令遵循能力建立了基准。
大语言模型指令遵循企业部署rag模型评估性能基准
cs
01-08 00:00
本文综述了2021年以来语义文本相似度（STS）领域的研究进展，系统梳理了六大关键技术方向：基于Transformer的模型、对比学习方法、领域定制方案、多模态方法、图神经网络方法以及知识增强技术。研究指出，以FarSSiBERT、DeBERTa-v3为代表的Transformer模型，以及AspectCSE等对比学习方法，已显著提升了STS任务的性能基准。同时，面向医疗（如CXR-BERT）和金融（如Financial-STS）等垂直领域的模型，展示了STS技术强大的定制化应用潜力。多模态、图结构及知识融合方法则进一步深化了语义理解与表示能力。本文为研究人员和实践者提供了当前方法、应用及未来挑战的全面指引。
语义文本相似度transformer模型对比学习领域自适应多模态学习知识增强
cs
01-08 00:00
针对大语言模型垂直领域评测集存在的语义冗余和高昂计算成本问题，本文提出了一种无需历史模型性能数据的冷启动压缩框架。该方法通过少量领域数据微调基础模型以获取任务语义，在领域适应的嵌入空间中进行任务感知聚类，并引入数据集X光机制分析簇几何结构以动态校准压缩强度。在3GPP通信等专业领域数据集上的实验表明，该方法能有效识别并移除冗余样本，在保持评测结果高保真度的同时，将评测成本降低90%以上。
大语言模型评测集压缩冷启动语义冗余任务感知聚类计算效率
cs
01-08 00:00
本文针对大型语言模型（LLM）内容审核系统在隐晦冒犯、细微偏见及越狱提示等复杂场景下表现不佳的问题，提出了一个统一的多视角基准数据集GuardEval。该数据集包含106个细粒度类别，涵盖人类情感、冒犯与仇恨言论、性别与种族偏见及更广泛的安全问题。基于此，研究团队通过QLoRA微调Gemma3-12B得到GemmaGuard（GGuard）模型。评估显示，GGuard的宏平均F1分数达到0.832，显著优于OpenAI Moderator（0.64）和Llama Guard（0.61）等主流审核模型。研究表明，以人为中心、多视角的安全基准对于减少有偏见和不一致的审核决策至关重要。
内容审核安全基准公平性评估大语言模型细粒度分类
cs
01-08 00:00
LLM_annotate 是一个用于分析虚构人物性格的Python工具包。它通过标准化工作流，支持对完整文本（如书籍、电影剧本）中的人物行为进行标注，推断人物特质，并利用人机交互界面验证标注与推断的质量。该工具包集成了文本分块、基于LLM的标注、人物姓名消歧、质量评分以及人物级统计与嵌入计算等功能。研究人员可在其中使用任何商业、开源或自定义的大语言模型。通过《辛普森一家》电影和小说《傲慢与偏见》的示例教程，展示了该工具包在实现高效、可复现的人物分析方面的应用。
大语言模型人物分析python工具包文本标注计算人文
cs
01-08 00:00
本研究探索了生成式大语言模型在主题分割任务中的应用。针对现有基于句子语义相似度的方法缺乏长程依赖和广泛知识的局限，论文提出了一种基于句子枚举的重叠递归提示策略，并支持采用边界相似度作为评估指标。实验结果表明，大语言模型能够比现有方法更有效地进行主题分割，但在完全依赖其进行分割前，仍有一些问题有待解决。
主题分割大语言模型提示策略自然语言处理文本分析
cs
01-08 00:00
本文提出了α³-Bench，一个用于评估基于大语言模型的无人机自主代理在动态6G网络条件下性能的统一基准。它将无人机任务构建为LLM代理与人类操作员之间的多轮对话式推理与控制循环，要求决策满足严格的模式有效性、任务策略、安全约束，并能适应波动的网络切片、延迟、抖动、丢包等条件。该基准集成了支持工具调用与多代理协调的双层动作架构，并构建了包含11.3万个对话回合的大规模语料库。研究提出了一个统一的α³综合指标，涵盖任务结果、安全策略、工具一致性、交互质量、网络鲁棒性和通信成本六大支柱，并对17个先进LLM进行了评估。结果表明，在6G网络条件降级时，模型的鲁棒性和效率差异显著，凸显了开发网络感知、资源高效LLM无人机代理的必要性。
无人机自主大语言模型6g网络安全基准鲁棒性评估多代理系统
cs
01-08 00:00
本文针对电动自动驾驶拼车问题（E-ADARP），提出了一种离散电池-时间-空间片段模型（BTSFF）。该模型将时间和电池参数离散化，将路径片段定义为包含旅行成本和用户额外乘车时间的子路径，并在一个集成了空间、时间和电池维度的网络中求解。计算结果表明，BTSFF在求解离散化问题（D-E-ADARP）时，效率显著优于现有方法。此外，该模型还能为原始E-ADARP提供高质量下界，并加速其电池更换变体问题的求解。
电动车辆调度自动驾驶拼车离散优化电池管理路径规划运筹学
cs
01-08 00:00
本研究介绍了HyperCLOVA X 32B Think，一个特别强调在韩语语言文化背景下进行推理以及智能体能力的视觉语言模型。该模型通过预训练重点提升推理能力，并经过后训练以支持多模态理解、增强推理、智能体行为以及与人类偏好的对齐。实验评估表明，在同等规模模型中，该模型在韩语文本到文本、视觉到文本基准测试以及面向智能体的评估任务上均表现出色。通过开源此模型，旨在支持更广泛的采用，并促进学术界和工业界的进一步研究与创新。
视觉语言模型韩语推理智能体能力多模态理解模型对齐
cs
01-08 00:00
本研究提出了一种基于大语言模型（LLM）的自动化事件后审查框架，旨在解决传统网络安全事件分析依赖专家、耗时费力的问题。该框架采用多智能体架构（GPT-4o、LangGraph、LlamaIndex），能够自动分析系统日志证据，将观测到的攻击行为映射到MITRE ATT&CK框架（如T1110暴力破解），并评估现有安全策略的充分性与合规性。实验表明，该框架不仅能识别策略控制措施的缺失或不足，还能生成具有明确证据追溯性的修复建议，有望提升事件后评估的效率、一致性和可审计性。
网络安全大语言模型事件后分析mitre att&ck策略合规自动化评估
cs
01-08 00:00
针对大语言模型（LLM）的越狱攻击评估存在严重高估问题。本文提出FJAR框架，通过将模型响应细分为拒绝、无关、无益、错误和成功五类，并引入无害树分解方法构建锚定参考，从而精确评估攻击是否真正实现了恶意意图。实验表明，FJAR与人类判断高度一致，并能有效定位越狱失败的根源，为改进攻击策略提供可操作的指导。
大语言模型安全越狱攻击评估细粒度分类锚定参考无害树分解
cs
01-08 00:00
本文全面综述了专为资源受限的边缘设备设计的轻量级Transformer架构。研究分析了模型压缩、量化、剪枝和知识蒸馏等关键技术，并系统评估了MobileBERT、TinyBERT、EfficientFormer等主流轻量变体在GLUE、ImageNet等基准数据集上的性能。实验表明，现代轻量级Transformer能在保持75-96%原模型精度的同时，将模型尺寸缩小4-10倍，推理延迟降低3-9倍，功耗可低至2-5W。研究还揭示了内存带宽瓶颈、量化最佳实践以及跨平台能效分析，并提出了一个实用的6步部署流程，可实现8-12倍的模型压缩，精度损失小于2%。
边缘计算模型压缩transformer实时推理硬件优化轻量级模型
cs
01-08 00:00
本文针对检索增强生成（RAG）中检索召回率与有限LLM上下文长度之间的矛盾，提出了一种两阶段检索流水线。该方法首先利用LLM驱动的查询扩展来提升候选文档的召回率，然后引入FlashRank重排序器，该排序器基于边际效用模型，在给定的token预算内，动态选择最优的证据子集。FlashRank将文档效用建模为相关性、新颖性、简洁性和交叉编码器证据的加权组合。实验表明，该方案在提升答案准确性、忠实度和计算效率方面具有通用性。
检索增强生成两阶段检索查询扩展重排序大语言模型信息检索
cs
01-08 00:00
针对现有序列推荐模型（包括先进的扩散模型）在捕捉用户行为背后的丰富语义意图，尤其是处理新用户或长尾物品时存在的不足，本研究提出了LLMDiRec。该方法通过将大语言模型（LLMs）集成到意图感知的扩散模型中，结合基于ID的协同信号与LLMs提供的丰富语义表示，利用动态融合机制和多任务目标对齐两种视角。在五个公开数据集上的实验表明，该方法在捕捉复杂用户意图和提升长尾物品推荐性能方面显著优于现有先进算法。
序列推荐大语言模型扩散模型用户意图长尾推荐语义融合
cs
01-08 00:00
本研究提出了一种针对自然语言文本的Boyer-Moore-Horspool算法增强方案。核心思想是预处理搜索模式，识别其统计上出现频率最低的字符作为“锚点”。在搜索过程中，优先在此高熵位置进行验证，使算法能快速排除不匹配的窗口。这种“快速失败”策略减少了不必要的字符比较，提升了整体效率。实验表明，将基础的语言统计信息融入经典模式匹配技术，可以在不增加移位启发式算法复杂度的情况下有效提升性能。
字符串匹配算法优化自然语言处理boyer-moore统计锚点
cs
01-08 00:00
针对分布式能源系统中难以区分的未检测故障与网络攻击，本研究提出一种自动化集成分析方法。该方法首先通过创新的虚拟物理变量导向污点分析算法构建依赖图，并利用上下文相关的节点剪枝技术进行简化。随后，通过提取领域知识模式来弥合网络空间日志与物理测量数据之间的语义鸿沟，最终通过模式匹配识别故障根源。在包含虚假数据注入攻击、未检测故障和内存破坏攻击的四项案例研究中验证了该方法的有效性。
网络安全故障诊断分布式能源污点分析模式匹配集成分析