大语言模型

DESA：混合检索中的通道非对称查询扩展方法

该研究提出 DESA（Dense Expansion and Sparse Anchoring）方法，用于混合检索中的非对称查询扩展。LLM 生成参考段落，通过正交残差扩展增强稠密检索，通过分数乘积锚定限制稀疏检索的词汇支持。在七个 BEIR 数据集上，DESA 相比未扩展查询将 nDCG@10 和 Recall@20 分别提升 3.82% 和 2.38%，

亚马逊购买稀有书籍用于AI训练，引发争议

据404 Media报道，亚马逊正在购买大量稀有书籍，通过切断书脊并扫描的方式用于AI模型训练。一个追踪设备显示，一本稀有书籍最终被送往拉斯维加斯的亚马逊设施VGT3。亚马逊回应称，购买书籍是为了改善客户使用的产品和服务。由于互联网文本已被大量使用，稀有书籍成为新的训练数据来源，且2022年前出版的书籍不含AI生成内容，可避免模型崩溃风险。

另有 2 家信源报道

美团详解Agent评测：从观测到持续迭代的实践方法论

美团技术团队发表了一篇关于Agent评测的科普文章，系统介绍了评测的定义、体系建立方法以及长程Agent框架带来的评测变化。文章基于图灵Agent评测团队两年的实践经验，提出了“观测+评测=持续迭代”的研发公式，并分享了人人对齐、人机对齐等核心方法论。文章还讨论了长程Agent时代评测范式的变化，以及Skill评测等新趋势。

AI聊天机器人检索医学研究的能力评估：模型、用户角色和样本量的影响

一项研究评估了Claude Sonnet 5、Gemini 3.1 Pro和ChatGPT GPT-5.5在医学问题中检索临床研究的能力，发现平均仅能检索到Cochrane综述中39.2%的纳入研究，且存在对大规模试验的偏见。模型和用户角色显著影响检索性能，其中ChatGPT表现最佳，研究者角色检索效果优于临床医生和患者角色。

DFT-GEN：面向阅读障碍教育文本的保真视觉可访问性框架

香港理工大学的研究团队提出了DFT-GEN框架，用于在面向阅读障碍学生的教育文本中保持信息保真度的同时提升视觉可访问性。该框架结合了受保护跨度保留和确定性阅读障碍可访问性控制器（DAC），并在2280个双语考试题目上进行了评估，结果显示在视觉可访问性方面优于对照组，同时保持了任务关键信息。

顶级数学家：LLM是强计算器但缺乏创造性思维

顶级数学家Timothy Gowers和Peter Sarnak认为，大型语言模型在数学计算方面表现出色，但在创造性思维上存在局限。Gowers指出，模型擅长组合已知方法和探索多条路径，但缺乏在广阔搜索空间中选择有效路径的直觉。Sarnak补充说，AI能从现有理论推导结果，但无法从基本问题出发发展出支撑重大证明的抽象概念。DeepMind研究员Tom Zah

LLM辅助多轮合同网协议用于移动边缘计算流处理调度

本文提出 MAS-DecStream 系统，其核心是 LLM-MR-CNP 协议，扩展了经典合同网协议，引入语义化 CFP 生成、渐进式上下文披露、多轮提案修订、协商记忆和确定性验证。实验基于阿里 ASI 追踪数据，结果显示该方案将延迟违规率降至 3%，消除资源过度承诺，在 20 个代理下冲突解决率达 0.91，效用相比多轮规则基线提升最多 22%。研究表明

不要分类，要幻觉：LLM 标签生成新思路

Simon Willison 在其博客中介绍了一种利用 LLM 进行内容标签化的新方法。该方法不直接让模型从现有标签列表中选择，而是先让模型自由生成可能的标签，再通过向量嵌入与现有标签库匹配，找到最接近的具体标签。Doug Turnbull 提出了这一解决方案，并建议在提示中提供标签形状示例以提升效果。

缓解英语到罗马尼亚语机器翻译中的性别偏见

该论文提出了一种混合流水线，结合基于大语言模型的性别分类与标签感知的神经机器翻译，以缓解英语到罗马尼亚语机器翻译中的性别偏见。系统通过微调的LLM检测目标词的性别并插入提示标签，再由微调的Transformer模型生成形态正确的罗马尼亚语翻译。在WinoMT和WinoGender基准上，性别准确率相比基线系统提升了超过40个百分点。这是首个显式解决并评估英罗

LLM能否超越纳什均衡？自博弈多智能体游戏中的去中心化协调测试

麦吉尔大学的研究人员提出一个基准测试，评估大语言模型在无通信、单轮博弈中的协调能力，并与纳什均衡对比。结果显示，两个前沿托管模型在双人矩阵游戏中持续超过纳什基准，接近最优联合结果，而多数开源模型仅获得部分收益，且在四人及以上团队游戏中性能显著下降。该研究为多智能体系统的去中心化协调提供了新见解。

Distribird：基于文献信息的贝叶斯模型校准先验分布设计

本文提出 Distribird 方法，利用大型语言模型（LLM）自动搜索科学文献并提取数值，为贝叶斯模型校准构建可追溯的信息先验分布。该方法解决了传统均匀先验不充分且文献调研成本高的问题，同时克服了直接提示 LLM 生成先验缺乏可追溯性和引用的问题。研究表明，Distribird 能提供有据可依的先验，提高校准效率与可靠性，并确保科学研究的可审计性和归因。

混合线性注意力大语言模型中的大规模激活：预注意力尖峰与尖峰间平台

本研究首次系统性地探讨了混合线性注意力大语言模型中的大规模激活现象，揭示了两种与架构对齐的形态：全注意力层前的预注意力尖峰和线性注意力层间的尖峰间平台。研究发现，随着全注意力密度增加，这些形态逐渐连接并恢复为全注意力模型的稳定形态。该现象在多种架构、配置和数据域中普遍存在，且受输出门控机制的不对称影响。

修辞如何影响AI评审？研究揭示结构化偏差

一项研究通过构建4200篇改写论文和超过42000次AI评审，系统分析了修辞框架对AI科学评审分数的影响。研究发现，证据框架和新颖性立场对评分影响最大，且效果受评审者身份、原始分数和评审严格程度影响，而非改写复杂度。研究还发现，更复杂的改写流程并不总能带来更大收益，并建议构建对内容保持性写作变化鲁棒的评估系统。

穷人的智能体建模：在笔记本电脑上模拟大型LLM智能体社会

该论文提出一种在笔记本电脑上模拟大规模LLM智能体社会的方法，通过用低参数代理模型替代每个LLM智能体，这些代理模型从数百到数千次廉价查询中拟合而来。研究引入了一个交互顺序×记忆的分类法，用于预测替代误差的N趋势，并在EconAgent等八个LLM模拟中验证了该方法的有效性。

另有 1 家信源报道

扩散语言模型用于无损文本压缩：突破吞吐瓶颈

本文首次将扩散语言模型（DLMs）引入无损文本压缩领域，以替代自回归LLM的逐符号生成瓶颈。作者设计了符号提交调度和初始上下文策略，解决DLM在压缩中的算法挑战。在enwik8基准上的实验表明，该框架在压缩率和吞吐量权衡上优于现有神经压缩方法，并具有进一步改进的潜力。

AI检测在学术诚信中的失效：误报与规避问题研究

该研究通过对照实验发现，商业AI检测器无法区分AI辅助编辑与完全由LLM生成的文本，导致合规使用AI辅助写作的学生面临更高的处罚风险，而使用人类化工具规避检测的作弊行为却几乎无法被识别。研究分析了2013-2015年与2023-2025年四个领域的642篇摘要，发现未修改的2023-2025年原文被误报率为9-15%，非STEM领域更高，而经Undetect

工具架构如何塑造编码智能体行为：接口设计的关键作用

该研究通过控制实验比较了六种工具架构对编码智能体行为的影响，涉及三个模型和11,700条轨迹。结果显示，即使工具能力相似，架构也会改变智能体行为：结构化低级接口提高一致性，自然语言搜索扩大探索范围，Python CodeAct风格接口减少41.6%步骤和56.3%令牌使用，而轻量级认知脚手架工具影响有限。

Sci-Surf：通过人类反馈与智能摘要导航科学文献发现

Sci-Surf 是一个面向科学文献发现的意图中心系统，结合了反馈驱动的个性化推荐与多模态博客式论文摘要。该系统通过 LLM 用户画像细化意图表示，并生成融合文本和视觉信息的结构化摘要。真实用户评估显示，引入口头化画像使预测对齐度平均提升 10.4%。

基于LLM的LGPD合规需求工程简化研究

本研究探讨了大型语言模型（LLM）在巴西通用数据保护法（LGPD）背景下简化需求工程（RE）的潜力。研究开发并评估了一种基于检索增强生成（RAG）的系统，利用LGPD文本和ANPD指南，通过少样本提示和思维链技术自动生成用户故事和验收测试场景。评估结果显示高性能，证实了LLM能从软件初始阶段确保法规合规，弥补了现有研究多聚焦GDPR且偏重事后验证的空白。

影响策略是否重要？探究提示框架对LLM代码生成的影响

本研究首次大规模实证探究心理影响策略（如理性说服、奉承、交换等八种）对LLM代码生成的影响，基于Yukl & Falbe的分类法构建提示模板，在五个开源模型和两个基准上评估。结果显示，强调紧迫性的提示框架会降低代码的正确性和安全性。研究为设计透明可解释的人机交互提供见解。