本研究评估了一种检索增强、多智能体、大语言模型驱动且包含人工审核的框架，用于从临床笔记中检测皮肤免疫相关不良事件（cirAEs）。与人工审核相比，该框架将准确率（F1）从0.77提升至0.88，Cohen's kappa系数从0.50提高至0.82，并将平均审核时间缩短约一半。该框架展示了LLM在跨器官系统识别免疫相关毒性方面的应用潜力，并有望实现准确、可扩展且透明的不良事件数据提取。

一篇新论文提出，混合专家模型的路由机制本质上是一种哈夫曼编码，并揭示了“频率-多样性定律”：模型会对常见词元分配少量专家，而对链式思维中的罕见复杂任务调用高多样性专家委员会。研究还指出了强制负载均衡可能带来的冗余陷阱，并提出子集差异剪枝来释放模型的潜在哈夫曼效率。

现有的大语言模型（LLM）幻觉缓解方法难以改变模型内部知识或泛化能力差。对比解码利用层间差异减轻幻觉，但之前仅研究Transformer模型。本研究针对混合专家（MoE）模型，发现共享专家MoE中不存在层间差异，但高层专家在事实与幻觉输出中激活模式不同。据此提出EAACD方法，通过专家感知自适应对比解码，将高层专家分为高可靠组和低可靠组，对比预测并放大低可靠组的幻觉作为负参考，有效减轻QA任务幻觉，在四个数据集上超越基线方法。

本研究通过两个实验探讨了具备推理能力的大语言模型如何评估文学质量。实验一使用30篇涵盖六个质量等级的真实文本构建基准，提取模型的隐含质量理论，发现其重视意图性、技巧、深度和独特声音，而非正确性。实验二通过对五篇经典散文进行系统降级处理，发现词汇简化对质量影响最小，而结构和声音的损失最大。研究结果表明，大语言模型对写作质量的判断是整体性的、与作者相关的，且对结构特征比词汇特征更敏感，对自动写作反馈和计算美学具有启示意义。

该论文将多LLM聚合重新表述为不确定性感知的信任估计问题，并借鉴决策理论中的结构化专家判断方法，采用Cooke式对数加权，根据每个模型概率预测的校准质量为其分配权重，而非假定所有模型同等可信。

一篇预注册研究检验了Gemma 2 2B中活跃稀疏自编码器特征平面上的和乐集中假说，结果发现活跃特征平面携带的和乐反而少于匹配的混合特征对照，与预测方向相反。

研究者提出生成式贝叶斯滤波（GBF），用预训练的条件变分自编码器（CVAE）替代传统滤波中受限的观测模型，将测量更新转化为基于分数的后验采样问题，在合成数据和制造系统监控、心律失常诊断等真实任务中提升了状态估计的精度与鲁棒性。

该研究通过轨迹-读取视角分析循环变压器的自适应深度问题，发现固定先验深度监督能产生难度感知轨迹，且简单的后验置信度读取器常优于学习门控。实验表明，联合门训练导致的轨迹问题是性能瓶颈，而非门控表达能力不足。

本文提出多模态 CoLRAG-TF，一种四轴融合架构，结合密集文本嵌入、BM25、知识图谱三元组过滤和图像相似度，用于复杂 PDF 的检索增强生成。在 43 份日本灾害教训 PDF 上构建索引，检索召回率达 0.9909，多跳答案相似度比单跳提升 71.6%。

一项新研究将基于大语言模型的闭环通道配置搜索从稀疏评估扩展到每轮250个候选网络的密集采样，发现准确率随轮次呈线性提升，最佳模型以11.8M参数达到0.3676的CIFAR-100准确率，并揭示了非2的幂通道宽度和结构化通道分配等架构规律。

arXiv论文通过消融实验分解Muon优化器加速grokking的机制，发现正交化（牛顿-舒尔茨迭代）是主要贡献者，而非谱范数约束。研究还表明减少迭代次数可加速但会牺牲稳定性，并建议同时报告首次穿越时间和持续grok时间。

一篇新论文指出，生产环境中的语言模型常需填写JSON等结构化表单，而强制性的字段要求本身会诱发幻觉。实验显示，当输入信息不足以回答问题且答案格式为必填字段时，多数模型会编造答案，甚至无视“证据不足”的选项和禁止推断的指令。研究者发布了PhantomFill基准，并提出用一行schema修改来缓解该问题。

DataPrep-Bench是首个统一基准，联合评估大语言模型在数据构建和数据质量评估两个互补能力上的表现，涵盖六个领域和多种基础模型。该基准引入了Data-Construction-Skill智能体和Distributional Alignment Score (DAS)评估指标，在多个领域取得了领先结果。

研究人员将卡梅尼卡-根茨科夫的贝叶斯说服框架适配到生成式智能体，并发布SDR-Bench数据集（包含6，279个客户成功案例，横跨22个行业、约200家企业），通过时间约束模拟防止未来数据泄露。在多个前沿LLM和深度研究智能体上测试后，发现个性化存在明显天花板；在《财富》100强科技公司队列中，没有任何模型能统计显著地区分成功与不成功的推广。一项由12名专业销售代表参与的实地部署验证了该框架，48%的模型生成内容被评为立即可用，与资深专家的一致性达到皮尔逊相关系数0.82。

arXiv新论文提出PlanE，一个用于构建抽取式大语言模型的规划框架，涵盖数据分解、指令微调和提示推理，并引入数据-微调-推理（DTI）规划器，为特定数据集自动选择最优基础模型及其DTI组合。实验从同模型跨数据集与同数据集跨模型两个角度验证了有效性，并检验了DTI规划器在不同优化目标下的泛化性。

大型语言模型（LLM）通过一组参数处理多种任务，但在KV缓存推理下，解码时是否存在任务通用的结构尚不明确。本文提出DecodeShare协议，识别解码时隐藏状态中跨任务共享的低维子空间，并通过仅解码时移除该子空间来测试其因果作用。实验表明，干扰该共享子空间对决策性能的影响远大于干扰预填充或随机子空间。进一步，该解码共享子空间对激活引导有实际影响：常见引导方向可能与任务通用解码通道重叠。投影出共享子空间可直接分离两个组件的功能角色，而解码时评估引导向量比基于预填充的代理能提供更可靠的信号。尽管紧凑，共享子空间可作为解码时的高杠杆因果通道。

研究者推出InferenceBench，一个让AI智能体在H100 GPU和两小时预算内自行部署并优化LLM推理服务的基准。15个前沿智能体配置最高实现8.08倍加速，超过默认vLLM的4.05倍，但仍落后于简单超参数搜索的11.53倍；分析显示瓶颈在于提出多样配置并系统评估的能力，而非领域知识。

DC-Leap是一种无需训练即可加速扩散大语言模型（dLLM）推理的框架。它通过动态连续验证和草稿引导解码克服了由联合概率依赖误差（JPDE）引起的过度保守置信阈值问题，在保持生成质量的同时实现显著加速。实验表明，在MBPP长序列生成任务上速度提升可达53.19倍，结合KV-Cache后可达105.02倍。

JAXBench是一个专为Google Cloud TPU设计的基准测试套件，包含50个JAX工作负载，用于评估AI生成的内核优化方法。研究显示，针对TPU的文档条件化能大幅提升正确性，而搜索结构在正确性基础上进一步加速，但高精度TPU内核优化仍有挑战。

这篇被 EIML@ICML 2026 接收的论文比较了单模型高温重复采样与多模型集成两种方式，并用 Marchenko–Pastur 随机矩阵检验区分信号与噪声。结果显示：单个模型的自洽性采样最多只有一个维度高出噪声，而 24 个模型的集成有四个特征值越界，说明温度变化只能给出逐题不确定性，无法揭示跨题结构。

该论文介绍了一款AI驱动的浏览器扩展ClickGuard，它通过结合Transformer嵌入、语言特征和自定义“诱饵度”评分的混合架构来识别点击诱饵，XGBoost模型在公开数据集上F1达91%，并能在用户访问前后给出预警和文章摘要“剧透”。

一项新的 arXiv 研究系统考察了 LLM 水印在临床场景中的影响，发现水印可能引发词汇损坏、术语幻觉以及影像所见误归因或遗漏等退化，而通用基准上的聚合指标会掩盖这些具有临床后果的失败。

本文提出AINTMA（智能体智能测试管理架构），这是一个多智能体AI系统，旨在将传统测试管理转变为自主质量智能生态系统。该系统部署了六个专门的人工智能代理（测试发现、风险评估、强化学习优先级排序、执行编排、生成式质量智能和云安全监控），通过安全的云原生微服务基础设施进行协调。评估表明，在12个异构软件项目上，测试优先级排序准确率达88.4%，测试周期时间减少43%，缺陷逃逸率从8.3%降至2.1%，9个月投资回报率达340%。

OpenWorker 是一款本地优先的桌面代理工具，专为日常工作任务设计，强调数据隐私和离线可用性。

MIT媒体实验室的一项新研究发现，即使明确标注AI生成内容，接触逼真AI视频也会使观众对后续真实视频的真实性产生怀疑，降低判断信心，并引发感知干扰和社会疏离感。该研究呼吁关注合成内容对感知体验的影响，并设计优先考虑感知安全的策略。

Bohay 是一个开源终端工具，为多个AI编码代理提供统一的监控和管理界面，包括代理状态跟踪、会话持久化、编排协作、Git集成、远程SSH支持以及macOS刘海面板。

特斯拉股价因季度业绩令人失望而暴跌，利润远低于预期，同时AI和机器人支出激增至58亿美元，导致两年来首次现金消耗。

一项针对232,270个数据集→模型→应用链条的研究揭示了广泛的许可证洗白现象，许可证在重新分发过程中被剥离或替换，仅有7%的义务承担许可证能够从头到尾存活。

真实测试表明，使用美国顶级模型如GPT-5.6 Sol运行AI代理两小时需花费300美元，而中国开源模型如DeepSeek V4 Flash完成类似任务仅需不到3美元。尽管能力差距极小，但这种价格差异将小企业、自由职业者和学生排除在AI受益范围之外。文章呼吁竞争性定价，并警告地缘政治限制可能进一步加剧访问难题。

文章探讨AI所用GPU从制造到废弃的环境影响，并与游戏等行业比较，质疑AI好处是否值得代价。