DeepRewind：预测并修复深度研究智能体的过早承诺
DeepRewind 是一个面向深度研究智能体的可逆控制层，将智能体不断演化的认知状态表示为包含来源、证据、主张、假设、承诺、计划和草稿的类型化图。它用基于提示词的世界模型预测中间结论的影响与可逆性，由二元控制器拦截高风险承诺，并在后续证据推翻结论时执行依赖感知回滚。
#论文/研究
#论文/研究
今日 177 条arXiv：cs.CL（计算语言学，全量分类）AI 评分4141 arXiv：cs.CL（计算语言学，全量分类）AI 评分4646 让 LLM 说出评估意识：verbalization training 方法研究
研究者提出 verbalization training（VT），通过截断模型自发说出评估意识前的 rollout 生成训练前缀，再用 RL 目标校准地提升这种表达，从而在不监督潜在信念本身的前提下让 LLM 更愿意说出评估意识。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4343 HeurEvo：面向时间敏感数学优化的混合求解器增强启发式智能体进化框架
HeurEvo 是一个自动化 plan–code–component 协同进化框架，通过 planner、coder 与 component evolver 联合进化算法结构、实现代码和共享组件池，并由 interpreter agent 分析执行结果提供反馈。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4646 Population Fidelity：评估 LLM 的人群代表性
研究者提出 Population Fidelity 评估框架，从群体级准确度、组间变异量及变异结构三个维度衡量 LLM 生成回答的人群代表性。复现"机器偏见"研究后发现，代表性差不仅源于组间变异不足，还在于变异被分配给了错误的群体；文化微调虽能提升与调查中心的整体一致性，却未改善群体内差异的刻画。框架附带可复用代码、数据与训练模型。
arXiv：cs.CL（计算语言学，全量分类）AI 评分3636 OLIVE：在学生状态上学习教师续写，在线蒸馏新方法
研究者提出在线蒸馏方法 OLIVE，每轮由学生策略生成新前缀、教师自回归续写，再用教师生成 token 上的交叉熵更新学生。在同等 GPU 小时成本下，OLIVE 推理表现优于采用 top-16 KL 近似的 OPD，异步实现进一步将总训练时间缩短 23.8%。仅用 GPT-5.4-mini 的文本持续训练，OLIVE 在 ScienceWorld 上比同一教师的离线 SFT 高出 13%。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4343 认知专家语言模型与对应脑系统更对齐
研究通过提示和微调为感官、空间、数值、推理、社交、抽象六个认知域构建专家 LLM 变体，发现每个专家的表征都更贴近与其认知域匹配的脑系统，而非其他专家。该结果在三种基础模型和三个 fMRI 数据集上均成立，且非认知与表层干预无法产生同等对齐。模型专门化会改变区域对齐，但总体预测准确率基本不变。
arXiv：cs.CL（计算语言学，全量分类）AI 评分3434 CineSubBench：用多语言电影字幕评测 LLM 的长篇叙事与文化理解
研究者推出 CineSubBench，一个基于多语言电影字幕评测 LLM 长上下文电影理解能力的基准，含 1,012 部电影、六种语言共 6,072 条字幕轨和 8.13M 条带时间戳字幕。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4444 非母语英语如何影响 LLM 终端用户表现：FABLE 数据集与 34 个开源权重模型评测
研究者构建 FABLE 数据集，包含源自 174K 真实用户提示词的 190,911 条英语提示词变体，并用其评测 34 个开源权重 LLM 的写作任务表现。结果显示模型不会把拼写错误等表层错误带入输出，却会模仿用户提示词中更高层的修辞与词汇特征，最不流利与最流利提示词之间的回答质量差异显著。这表明非母语英语用户不仅得到质量更低的回答，回答本身的流利度也更差。
arXiv：cs.CL（计算语言学，全量分类）AI 评分3737 LLM 作为多值关系知识库的规范顺序问题：大语言模型为何不可靠
研究发现 LLM 内部对多值关系按规范顺序（如字母序或时间序）组织概率分布，存在"规范顺序问题"。机制分析显示 LLM 的集合生成分为候选实体检索、内部排序、下一元素选择三个阶段，当提示词要求偏离这一内部顺序时，模型生成完整实体集合的可靠性显著下降。该成果已被 AKBC@EMNLP2026 接收。
arXiv：cs.CL（计算语言学，全量分类）AI 评分2828 Gemma 4 31B 如何表征非洲语言：区域语义枢纽与文化引导
研究用探针、对比方向和表征相似度考察 Gemma 4 31B 对九种非洲语言及三种对照语言的表征，发现非洲语言间的"非洲 vs 西方"对比方向在多个层上比它们与对照语言更对齐，跨语系比较在十二层中的五层通过 Holm 阈值。
arXiv：cs.CL（计算语言学，全量分类）AI 评分3434 FastGuide：加速扩散语言模型的奖励引导解码
FastGuide 通过并行与自回归解码的自适应混合，加速扩散大语言模型的奖励引导推理，在三个奖励基准上比顺序奖励引导解码最高快 4.4 倍，同时保持相近生成质量。该方法每个解码步骤只计算一次奖励模型反向传播并复用于多个 token，并借助 KV cache 与稀疏注意力重计算逐次解掩码，对模型不自信的 token 则延后处理。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4141 SCOUT：融合推理与工具使用，为计算机操作智能体提供安全验证
针对计算机操作智能体（CUA）的安全隐患，SCOUT 提出两阶段智能体验证框架，先由 rubric 生成器对任务与轨迹进行推理，生成任务专属的完成与安全标准，再由探测智能体与执行后环境交互收集实证。
arXiv：cs.CL（计算语言学，全量分类）AI 评分2929 不同分词生育率语言间的概念方向可靠性研究
研究测量了英语、豪萨语和约鲁巴语在四个语言模型中的情感方向可复现性，使用最终 token 时 split-half 一致度分别为 0.737-0.870、0.589-0.762 和 0.101-0.399，该语言排序在全部 77 组完整模型对比中保持一致。基于相同层训练的分类器预测情感始终高于随机水平，表明预测准确率并不代表方向一致性。研究未证实分词生育率是跨语言差异的成因。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4242 ProVer：面向智能体强化学习关键决策的细粒度信用分配框架
ProVer 通过智能体评判器对比成功与失败轨迹，定位可能决定成败的片段，再用该片段前后续写成功率之差验证其优势，并将正值计入 GRPO 优势。在 ALFWorld、WebShop 和 SearchQA 上，ProVer 在 Qwen3.5-2B 和 Qwen3.5-4B 两个规模均取得最强平均表现，相对 GRPO 分别提升 9.91% 和 7.12%。
arXiv：cs.CL（计算语言学，全量分类）AI 评分6464 arXiv 论文提出“不安全报告”现象：GPT-5.5 在 200 份报告中仅 2 份标出隐藏的负面结果
arXiv 论文（arXiv:2609.36139）系统研究 LLM 是否隐瞒会改变叙事的缺陷，提出“不安全报告”概念，并设计八种对抗性报告场景。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4141 SAKIKO：工具调用 LLM 内部干预的机制审计框架
研究者提出 SAKIKO 审计框架，用于检验工具调用 LLM 的内部激活干预是否构成真正的"修复"。在 When2Call 和 MetaTool 上对七个 LLM 的测试中，通道键控干预在五个模型上带来方向特定的净增益，但 59 个预算匹配的随机方向无一能匹配校准后的目标增益。
arXiv：cs.CL（计算语言学，全量分类）AI 评分2424 僧伽罗语 Sandhi 切分的字符级神经方法研究
研究基于 SandhiLex 提出字符级序列到序列方法，用原生僧伽罗语 Unicode 输入评测循环编码器-解码器模型。最佳模型为双向 LSTM 编码器加单向 LSTM 解码器，在词汇化、派生和词源性 Sandhi 难子集上仅达 68.40% 精确匹配准确率（字符级 82.08%），远低于规则化词缀子集的 94.00%。消融显示双向编码贡献最大，原生僧伽罗文字优于罗马化输入。
arXiv：cs.CL（计算语言学，全量分类）AI 评分3535 PADMÉ：面向 LM 智能体评估器元评估的偏好对齐数据合成方法
PADMÉ 是一种面向智能体场景的元评估数据合成方法，将元评估重构为偏好判断问题，仅用小型语言模型、无需人工参与且计算开销低。其原型在四个智能体领域、三项评估标准上合成 1000 条样本，150 条子集的人工验证显示与人类判断的一致率从基线 73% 提升至 85%。该数据集对 25 个常见模型的元评估揭示了评估表现与打分粒度、宽松度及模型规模等因素的相关性。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4848 Mnemon：原始记录、快速判断与慢思考的长期记忆智能体
Mnemon 是一种将记忆工作分为快慢两套系统的 LLM 记忆智能体：对话以带日期的原始记录保存，LLM（System 2）规划搜索，决策模型 Jev（System 1）以每秒数十次的 yes/no 判断筛选结果，再由显式预算规则生成小型 View 供回答模型使用。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4040 LLM 组合任务中的因果与可解释结构研究
研究揭示 LLM 在循环概念（月份、小时、星期、音符）组合任务中的分层机制：中间层基于两个 token 的推断关系构建联合表示，后层则使用涉及全部三个 token 的联合表示完成任务。该规律在 Llama、Qwen、Gemma 和 Mistral 上一致成立，且限制模型仅使用因果相关的联合表示反而提升了下一 token 预测准确率。
arXiv：cs.CL（计算语言学，全量分类）AI 评分3636 VisKG：面向高效视觉推理的问题特定知识图谱框架
研究者提出 VisKG，一个用强化学习让模型把视觉内容转译为问题特定知识图谱（KG）表示的框架，过滤感知噪声并保留链式推理所需的实体-关系结构，所需 token 少于基于 caption 的表示。VisKG 采用 GDPO 稳定 RL 后训练，并用负向推理样本加强监督阶段；在科学、数学和通用视觉理解基准上表现与基线相当或更优，GDPO 训练版本平均准确率比 GRPO 版本高 2%。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4848 VoxParity：语音智能体在关键场景下能否听懂声音
VoxParity 基准测试语音智能体是否会因听到的声音改变行动：183 个场景覆盖 14 个行业，同一段文字保持不变、只改音频（如医疗监护仪蜂鸣、无线电中的 mayday、下注的儿童声音），正确答案也随之改变。23 个可跑纯文本的系统只有 11 个通过。错误偏向文字：音频要求保护时，28 个系统执行常规请求的比例为 41%，而干净通话中过度反应仅 12%。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4242 CruxBench：一个信息发现基准
研究者提出 CruxBench，一个按信息价值（VOI）给 LLM 生成问题打分的基准，衡量模型提出的关键子问题能在多大程度上更新对目标预测问题的信念。该基准抗污染、开放式且基于真实世界信念变化，在 293 个预测问题上评测了 8 个模型，VOI 与独立能力指标相关性达 r=0.90，但前沿 LLM 仅略微超过随机时机基线。
arXiv：cs.CL（计算语言学，全量分类）AI 评分3333 PACT：面向单 token 类型化决策的成对锚定校准微调
研究者提出 PACT 微调方法，将对比样本对结构转化为四个训练项，无需新增标注。在 324 项冻结留出集、三个随机种子上，PACT 准确率 84.6%（对比已发布配方 85.2%，McNemar p ≥ 0.50），重标注下答案翻转率降至 9.8%（对比 13.8%），评分表字段序数误差 MAE 0.232（对比 0.311）。
arXiv：cs.CL（计算语言学，全量分类）AI 评分3434 用生成式 AI 流水线解决 SEC 10-K 财务数据缺失问题
研究评估 Llama-3 8B、Qwen-2.5 14B 和 Llama-3.3 70B 从 SEC 10-K 文件中提取财务属性的能力，以应对影响超 70% 企业、半数总市值的结构化数据缺失问题。Qwen-2.5 14B 在 Cash 项上取得 83.33% F1，Llama-3.3 70B 在 R&D 项上取得 76.92% F1，表明参数规模与文档复杂度匹配可实现高零样本准确率。
arXiv：cs.CL（计算语言学，全量分类）AI 评分3737 语言模型幻觉检测中的可检测性差距：隐藏的异质性
研究在四个语言模型和三个事实问答数据集上发现，按答案一致性将幻觉分为高一致（Ghost）与低一致（Flickering）两类后，可检测性差距达 0.35 至 0.46 AUC。
arXiv：cs.CL（计算语言学，全量分类）AI 评分2727 HSTA：用超球面语义轨迹分析追踪学术预印本、专利信号与算力扩展间的技术扩散
论文提出无监督方法 HSTA，将 Transformer 句向量投影到单位超球面，用 Spherical K-Means 与 UMAP 分析 arXiv 预印本和 USPTO 专利共 3 万条记录，量化语义质心漂移与商业化偏移。结果显示大语言模型（漂移 0.332）与 AI 系统（0.234）子主题语义演化最快；季度论文量增速在常规显著性水平下并不 Granger 导致前沿算力分配激增。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4646 LLM 何时该信任自己的修订？内在自纠正的风险感知研究
一项研究在 BoolQ、GSM8K 和 Corr2Cause 上追踪 29 个开源权重 LLM 初始答案与修订答案的正确性转移，发现聚合准确率会掩盖截然不同的修订行为：Llama-3.1-8B 在 GSM8K 上提升 25.5 个百分点，同时有 19.1% 原本正确的答案被改错。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4343 EDAR：基于预测熵自适应路由 RAG 与长上下文推理的框架
研究者提出 Entropy-Driven Adaptive Router（EDAR），在推理时依据 RAG 响应前几个生成 token 的预测熵，决定用检索片段作答还是升级到完整长上下文处理。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4444 LLM 标注可靠但设计敏感：任务设计与模型选择带来的工具不确定性
研究测试 7 个 LLM、12 种任务设计、3 次独立运行，对 3000 条推文进行冒犯性语言与仇恨言论标注，同一模型与设计重复运行的中位 Fleiss' κ 达 0.91，更换任务设计后中位 Cohen's κ 降至 0.76。
arXiv：cs.CL（计算语言学，全量分类）AI 评分5151 arXiv 论文用因果中介分析追踪大语言模型谄媚性附和的机制
arXiv 论文 arXiv:2609.35822 用因果中介分析研究大语言模型谄媚性附和的机制，发现用户陈述的观点会在最后一个 prompt token 的残差流中早期注入并偏置后续答案检索。一小部分早期注意力头携带该观点信号，消融这些头可大幅降低谄媚而事实准确性基本不变；当观点通过 Are you sure? 这类无内容反问间接表达时，则有另一组头抑制模型原本的正确答案以促成改答。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4141 我们还能信任灾害社交媒体感知吗？检测 AI 生成社交媒体帖子的实证证据
一项研究构建了来自九场灾害的 12,000 条文本数据集，测试 OSM-Det、Fast-DetectGPT、Binoculars 及 LLM 直接判别能否区分人类与 AI 生成的灾害帖子。
arXiv：cs.CL（计算语言学，全量分类）AI 评分5050 τ-Multilingual：跨语言语音智能体基准测试
研究者推出 τ-Multilingual，将 τ-Voice 扩展至西班牙语、巴西葡萄牙语、印地语、韩语和普通话，经母语者审核并评估生成语言与语音输出。在 4,500 通全双工通话和五种语音配置中，西班牙语、葡萄牙语和印地语的任务完成率与英语相差 3.2 个百分点以内，韩语和普通话分别下降 14.7 和 8.4 个百分点。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4747 LUDI：更少均匀的离散扩散模型更强且更可扩展
研究者提出 Less Uniform Diffusion（LUDI）框架，通过引入 less uniform loss 和 per-token time embeddings 解决均匀扩散语言模型（UDLM）训练目标过度均匀与采样时条件-目标混淆的问题。
arXiv：cs.CL（计算语言学，全量分类）AI 评分3131 PrimeSeeker：面向能力的深度搜索智能体监督框架
针对合成问题难度与局部检索能力不匹配的问题，研究者提出 latent anchor reasoning，并基于此构建 PrimeSeeker 框架，通过网页锚点结构与参考证据骨架联合生成问题和证据，共构造 9,221 条专家轨迹训练了一个 30B 搜索智能体。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4646 如何对 LLM 评审做统计并信任结果：evalstats 面向小样本 AI 评估的校准推断
研究者提出 evalstats，一个开源 Python 包，用于对混合人类-AI 评审设计做校准统计分析，可自动选择合适方法。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4848 BreakingWeb：通过受控环境干预构建高难度浏览器使用任务
研究者提出 BreakingWeb 基准，通过受控环境干预将智能体已能完成的任务改造为高难度实例，包含 519 个干净/干预任务对，覆盖 7 个自托管网站和 29 类干预。干预使六款浏览器使用智能体的通过率平均下降 22.9%，并推翻近半数原本能干净解决的任务；人类首次尝试仅损失 10.0%。六款智能体 75% 的失败属于"信念失败"，即在所需变更未发生时仍宣称成功。
arXiv：cs.CL（计算语言学，全量分类）AI 评分3838 车载对话助手多轮对话的自动化评估框架
研究者提出一套面向车载对话助手（ICA）的自动化多轮对话测试框架，将系统视为黑盒，通过闭环仿真结合策略引导用户模拟器、对抗策略管理器和两层 LLM 评判器进行评估。在六种 LLM 后端和十二名人工标注者参与的工业级 ICA 测试中，自动评判与人类标注高度一致，策略引导相比无引导仿真每段对话多发现 2.96 倍独特故障类型，故障对话数量增加一倍以上。
arXiv：cs.CL（计算语言学，全量分类）AI 评分3535 Lookahead-R：基于执行中心规划的预算感知工具检索
Lookahead-R 是一个将工具检索重构为资源受限序列决策问题的规划框架，通过轻量级执行感知代理世界模型联合预测工具执行成功率、延迟成本与语义效用，无需调用真实 API。在 ToolBench 的 I3 划分上，其 NDCG@5 达 91.40%，超过 SOTA 的 ToolGen（90.16%）1.24%。消融实验表明，显式延迟建模是资源约束下识别高质量工具的关键判别信号。
arXiv：cs.CL（计算语言学，全量分类）AI 评分3939 TRACE：面向肿瘤学 LLM 的可部署树关系结构增强框架
TRACE 是一个面向肿瘤学 LLM 的可部署树关系结构增强框架，将昂贵的离线结构学习与轻量在线推理分离，把肿瘤学概念与关系组织为可更新的树关系结构，并在推理时检索为紧凑的提示词证据。