保留完整资讯流，用来源、主题和时间找到你关心的消息。
arXiv：2610.33014v1 发布类型：新 提要：谈判助手无需准确预测对方的反应，也能达成一笔不错的交易。我们探讨的是，针对社会世界模型的评估是否直接检验了这种预测能力。我们对1999年至2026年间发表的113篇相关研究进行了梳理。其中9项主要评估测量的是，当系统或实验者选定某一行动后，真实个体对该行动的反应。仅有2项还把明确的反应预测与实际反应进行了对比。这些研究的预测模型所使用的信息仅限于行动被选定之时，而用于评估的反应数据在拟合过程中已被排除；且两项研究均对干预措施进行了随机化处理。此外，我们对25篇有关语言模型的研究进行了全文核查，未发现任何一项实验同时满足上述条件。其余评估则侧重于当前状态推断、任务成功率或预测准确性等指标。
arXiv：2610.33275v1 发布类型：新 摘要：计算型笔记本会在整个会话期间独占一块GPU，然而GPU仅在单元格执行时进行计算，其余时间则处于空闲状态。无服务器执行模式可以在各单元格之间释放GPU资源，但在新的工作节点上重建累积的笔记本状态会对每个GPU单元格带来显著的开销。本文提出了一种面向交互式笔记本的无服务器GPU平台——LooseLeaf。LooseLeaf能够推导出每个单元格的状态及其导入闭包，即该单元格所需的最小变量与软件包集合。我们在5,000个真实世界笔记本上的分析表明，这些闭包规模很小，且用户对单元格的编辑操作只需数秒即可完成准备。LooseLeaf会在用户编辑单元格的同时，基于这些闭包为GPU工作节点做好准备。执行结束后，该工作节点…
arXiv:2610.33027v1 发布类型：新 摘要：下一个标记预测（NTP）仅奖励紧随其后的那个标记，而对所有其他可能的候选标记均予以惩罚。然而，自然语言往往存在多种表达相同意义的方式。我们提出了一种名为 Conceptizer 的训练框架，它在下一个标记预测的基础上，额外引入了针对语义的奖励机制。Conceptizer 使用一个固定且与模型无关的约 9,000 个概念词汇表，该词汇表由上下文中的同义词构成，将这些概念作为语义单元，与作为文本单元的标记并列使用。它将每个下一个标记的分布映射为一个概念分布，并在目标语义的所有可能表述之间共享相应的奖励。这种方法能够在不增加模型参数的前提下，提供概念级别的训练信号。在应用于包含 10 亿至 80 亿参数的三类模型时，Conceptizer 实现了最低的保留集 NTP 对数困惑度。
arXiv：2610.32322v1 发布类型：新 摘要：LLM智能体从公共技能中心检索技能，这些中心最多可存储约10万条记录，并服务于众多模型。随着模型性能的提升，技能中心必须识别出某一模型已内化哪些技能——即该模型已不再依赖这些技能——并将其退役；然而，目前尚无可靠的方法来衡量技能的内化程度。现有规则仅依据有无某项技能时的性能差异来判定其是否应被退役，而这种差异在技能已被内化的情况下以及当模型和该技能均无法提供相应能力时（我们称此状态为“未被发现”）都接近于零。因此，我们选择暂不退役该技能，而是基于由该技能合成的任务对模型进行评分，并且只有在另一模型确实因该技能而获得提升时，才信任模型的高分——因为近一半的高分往往来自那些并未涉及该技能的任务。
arXiv：2610.33475v1 发布类型：新 摘要：基础大型语言模型（LLM）在云数据中心的广泛部署，标志着从无状态深度学习向分布式、内存密集型生成式工作负载的根本性范式转变。然而，在严格的服务水平目标（SLO）下为大规模基础模型提供服务，会暴露出关键的物理与系统瓶颈。这些挑战包括持续存在的高带宽内存（HBM）墙、计算密集型预填充与内存带宽受限的解码之间的运行不对称、键值（KV）缓存的爆炸式增长、代价高昂的无服务器冷启动，以及硬件可靠性方面的漏洞。现有的文献综述仍局限于各层次的孤立视角，未能将底层加速器的虚拟化与集群……
arXiv:2610.33001v1 发布类型：新 摘要：当合法的写作目标发生冲突时，学术修改便呈现出治理难题。写作过程与社会科学的研究表明，修改具有递归性，且措辞承载着认识论与学科层面的承诺。这些文献指出了若干重要约束，却未能明确在简洁性、发表形式或风格多样性与证据及主张边界发生冲突时，究竟应以何者为优先。本文将修改建模为一种在有序约束下的可接受性问题。任务相关的不变量、情境约束以及可变的呈现方式共同界定可接受的空间；而一项主张保持契约则将证据与判断与经授权的主张边界相联结。四项治理命题具体阐明了p
arXiv：2610.32308v1 发布类型：新 摘要：多步逆合成反应需要通过一系列连续的反应步骤，将目标分子逐步转化为可购买的构建模块；近期的研究开始借助大型语言模型（LLM）的推理能力来解决这一问题。在最新进展中，LLM推理已进入长时序阶段：模型能够在相互依赖的各步之间持续追求目标、与环境交互并根据反馈进行调整。这一转变显著提升了LLM的能力，人工智能驱动的数学研究领域也由此取得了突破性进展。在此前沿领域，我们提出了 Solvent，一款拥有80亿参数的LLM，成功将长时序推理扩展至多步逆合成任务。通过两轮后训练课程，Solvent学会了在迭代过程中穿插……
arXiv:2610.33036v1 发布类型：新 摘要：口语风格字幕（SSC）旨在生成自然语言描述，用于刻画语音的表达方式，捕捉诸如声音音色、韵律和表现力等副语言特征。许多下游应用，包括对话式 AI 智能体、可控语音生成以及大规模音频标注，都需要针对特定维度的风格字幕，以描述语音的特定方面（例如说话者特质、情感或表达风格），而非单一的无差别描述。然而，现有研究缺乏对可控口语风格字幕的统一建模方法。我们通过将 SSC 定义为一项遵循指令的音视频语言任务来弥补这一不足，在该任务中，明确的指令用于指定口语风格的维
arXiv：2610.32305v1 发布类型：新 摘要：多阶段分析任务要求大型语言模型（LLM）代理利用中间证据来决定是继续、重定向还是停止。自我反思——即代理对其输出进行批判性评估——已得到广泛研究，然而，这种批判性评估并不能说明证据是否确实影响了下一步行动。我们将这一能力称为“自我约束”。现有的代理基准测试大多仅衡量任务完成度或输出质量，而未对这一能力进行检验。DMAIC-Bench 通过围绕精益六西格玛明确的统计前提条件构建的、涵盖四个行业领域中15个工业场景的97个种子任务，对此进行了评估。成对的反事实变体在相同的工作流位置上要求采取相反的动作，从而能够区分有依据的自我约束与无差别的随意停止。我们采用……对执行轨迹进行评估。
arXiv：2610.33018v1 发布类型：新 摘要：学术知识图谱（SKGs）支持文献检索、科学发现以及智能体辅助研究。然而，大多数构建学术知识图谱的方法都预先规定了所要表示的知识单元，通常以学术实体或贡献层面的陈述为名，并且仅保留能够通过该单元表达的出版内容。这种选择导致了两种主导但截然不同的范式：以概念为中心的学术知识图谱侧重于保存实体及其局部关系，而以陈述为中心的学术知识图谱则聚焦于以句子形式呈现的高层次话语。在这两种情况下，图谱反映的都是所选定的抽取目标，而非论文如何构建并传达知识。我们提出了 SUDO——学术上层话语本体，它定义了知识的……
arXiv：2610.33004v1 发布类型：新 提要：光学字符识别（OCR）对于历史档案的数字化至关重要，然而诸如字符错误率（CER）等标准评估指标并不一定能反映诸如姓名、日期和标识符等重要信息是否得以保留。在本研究中，我们从实体层面分析OCR错误，以此作为评估历史文献中OCR质量的补充视角。我们使用了一个公开的基准数据集，包含来自Berrutti档案馆的175份文档，并辅以5,209个经人工标注的实体提及——这些标注将在论文被接收后公布——对序列识别型OCR系统、专为OCR设计的视觉-语言模型以及通用视觉-语言模型进行了比较。除了全局转录准确率之外
arXiv：2610.33016v1 发布类型：新 摘要：Llama-3、Qwen3 以及许多其他开源大型语言模型，均采用一种仅允许 Unicode 字母作为词类的正则表达式对文本进行预分词。由于天城文元音符号属于组合标记，该正则表达式会在每一个元音符号处切分尼泊尔语单词，因此使用该正则的模型在处理尼泊尔语文本时所消耗的 token 数量，是同等英文文本的 2.6 至 5.8 倍。基于合并的词汇扩展方法无法将被切分的片段重新拼接：对于 Llama-3 和 Qwen3 而言，无论新增多少次合并操作，其额外开销始终难以降至约 2.2 的阈值以下；而即便是已发布的十次扩展，其性能也仅比这一预分词基准低不到 4%。我们针对已部署的正则表达式提出了一项小幅修改，经证明能够在不包含组合标记或天城文字符的情况下，确保每个 token ID 的完整性。通过新增 32,000 次合并，该方法使尼泊尔语与英语的 token 开销比降至 1.01 倍，且
arXiv：2610.32412v1 发布类型：新 摘要：递归式大型语言模型（LLM）智能体通过分解、执行与环境反馈来解决长周期任务。然而，在生成一个原子级子任务后，它们往往再次调用同一款大型模型，将熟悉的指令转化为可执行的动作。我们观察到，高层规划具有任务特定性，而底层动作的具身化则在不同任务间反复出现，并且能够对照环境允许的动作进行验证。为此，我们提出了 LeafSkill，这是一种外部复用层，它能够检索语义相关的具身化经验，将动作模板绑定到当前对象与可执行动作上，并借助一个轻量级的 17 亿参数选择器来决定采用已绑定的动作，或将未发生变化的子任务交由原始智能体继续处理。技能始终处于外
arXiv:2610.31968v1 发布类型：新 摘要：准确估算救护车行驶时间对于紧急医疗调度至关重要，然而现有的决策支持方法往往依赖于静态查表或对救护车与普通乘用车行驶时间差异的简化假设。例如，这些方法通常假定救护车的行驶速度仅比普通乘用车快一个固定比例（如5%）。然而，这类假设很少经过真实救护车运行数据的验证，也难以充分反映行程优先级、时间背景以及起点—终点等因素的影响。我们利用瑞典斯科讷地区的历史救护车出行数据，有效弥补了上述局限性。我们的分析表明，救护车的行驶时间在不同时段、不同日期之间存在显著差异，并且……
arXiv:2610.33020v1 发布类型：新 摘要：如果你的大脑直接与他人的大脑相连，你还能分辨哪些想法属于你自己吗？我们构建了一个功能版本，其中包含同一语言模型的两个副本：每个副本都持有各自的私有规则和代码词，而其中一个副本——接收端——还会关注其伙伴的内部记忆。接收端将伙伴的任务视为自己的任务。当被问及自己被分配了哪条规则时，在伙伴的记忆权重为双倍的情况下（无链接时则为零），它在97%的回答中给出了伙伴的规则；而在开放性报告中，它甚至将自己的伙伴的代码词称为“自己的”，而非伙伴的。所有权并不取决于接收端判断伙伴所分配内容的能力。在权重相等的情况下，这种连接使接收端大约以一半的概率采纳伙伴的规则。
arXiv：2610.33062v1 发布类型：新 摘要：统一的大型多模态模型（ULMMs）能够通过交错进行的文本-图像生成来执行视觉推理，但生成显式的中间图像会带来显著的计算开销。尽管视觉潜在推理可以解决这一问题，但现有方法大多依赖于无法进行视觉生成的视觉-语言模型（VLMs）。我们提出了一种名为Oddin的新框架，能够在ULMMs中实现潜在的视觉推理。Oddin用紧凑的潜在标记取代中间图像，这些标记完全由理解分支处理，而生成分支则专门用于生成最终输出图像。我们通过离线自蒸馏训练该模型，包含三项优化目标：最终图像生成损失、文本蒸馏损失以及交叉熵损失，用于
arXiv：2610.34436v1 发布类型：新 摘要：循环语言模型在每个标记上会运行 $R$ 轮层，因此其键值（KV）缓存为每递归层保存 $R$ 个平面，而自推测解码（先用几轮进行初步推断，再用全部 $R$ 轮验证）会读取所有这些平面。我们发现，前缀键值的影响主要体现在较晚的阶段：在扰动幅度相同的情况下，第 25 至 32 轮的敏感度分别是第 2 至 9 轮的 $e^{15.0}$ 倍（Huginn-0125）和 $e^{12.8}$ 倍（Raven-Llama），且各平面随循环次数呈几何级数逼近最后一个平面，每轮分别达到 0.88 和 0.81。至于是否仅保留最深层的平面即可，这取决于晚期平面的成熟程度：在 Raven 上，仅存储最深层平面与从 bf16 转换为 fp32 的效果几乎无差异；而在 Huginn 上，仅有 1% 的位置就贡献了其误差的 74%。我们将这一发现转化为 RIPE，该方法存储最深层的
arXiv：2610.32431v1 发布类型：新 摘要：一次失败的视觉—语言—动作（VLA）展开并不意味着所有动作都导致了失败。然而，在群体相对策略优化（GRPO）中，展开中的所有动作都会被赋予单一的轨迹级优势。这样一来，那些本可带来帮助的恢复尝试也可能与其试图纠正的错误一同受到惩罚。我们利用成功概率与策略得分的鞅理论，刻画了用于失败反馈的理想停止条件。在这些停止点上，基于保留信息的条件期望下，被移除的梯度贡献的条件期望为零。因此，截断操作既能保持参考GRPO群体梯度估计器的期望值，又能降低其协方差。其中一种停止情形发生在成功条件概率达到……时。
arXiv：2610.32104v1 发布类型：新 摘要：为刻画Transformer架构的能力与局限性，人们已发展出若干形式化理论，这些理论分别采用不同的抽象方法，以捕捉该架构的不同特性。由于其底层假设与概念框架存在差异，这些理论在预测Transformer对哪些任务感到容易或困难时往往意见不一。我们梳理了七种关于Transformer能力的理论（Star-free、$\mathsf{AC}^0$、$\mathsf{TC}^0$、C-RASP、MPC、BAPO以及敏感性），并将其研究结果转化为一张通用的预测矩阵，覆盖一系列涉及不同计算结构的任务。我们还提供了新的理论成果，以完善这一矩阵。随后，我们对这些理论进行评估
arXiv：2610.33501v1 发布类型：新 提要：大型语言模型（LLM）的推理服务依赖于批处理以提升推理吞吐量，但键值（KV）缓存会随序列长度增长，从而限制了GPU上的并发度。通过CPU卸载，可以利用主机内存扩展KV缓存容量，然而现有系统在很大程度上仍受GPU瓶颈制约：只有当GPU调度器能够提供合适的重叠机会时，CPU驻留的请求才能取得进展。因此，主机内存与CPU计算无法作为独立的推理资源发挥作用，导致负载下CPU端进度波动加剧，并使尾部词间延迟（ITL）显著增加。我们提出了DualPace，一种将主机转变为独立调度解码引擎的LLM推理运行时。DualPace在两个引擎之间划分了调度权：GPU引擎
