检索标题、摘要与正文，把分散的信息连起来。
该研究使用500条Arena-Hard v2.0提示，固定两个模型的回答，以GPT-4.1为裁判，在8种指令组合下重复评测，发现即使聚合分数变化微小（如±1分），高达21.2%的单条提示判决结果（胜/平/负）发生改变；指令调整进一步放大不稳定性，最高导致28.2个百分点的额外判决变动，而聚合分数却可能几乎不变。
推荐理由：研究直击当前LLM评估实践的核心盲区——过度依赖聚合分数而忽视个体判决的可复现性与指令依赖性，为偏好建模、人类反馈强化学习（RLHF）等依赖细粒度判决的任务提供关键方法论警示。
一项发表于2026年10月24日arXiv平台的研究（编号2610.31148v1）指出，在工具增强条件下，六种开源语言模型在五类领域、五种问题表述下的对比稳定性未提高；相反，工具虽提升程序可答问题的准确率，却扩大了不同措辞下模型排名变化的敏感性。
推荐理由：该研究采用新设计的匹配协议，解耦工具调用全流程中的关键环节（如调用决策、工具响应、无调用报告等），实证揭示‘准确率提升’不等于‘比较更稳定’，并指出接口设计与指令细节显著调节敏感性程度，对模型评估实践具直接指导价值。
2026年10月24日，研究团队在arXiv（编号2610.30518v1）发布Protegrity-PII模型，一种面向个人身份信息（PII）识别的新型决策模型；其在新基准PII-SCOPE上实现0.915的类型化召回率与0.907的精确率，推理速度为0.49秒/百万字符，成本仅0.0005美元/百万字符（单RTX 6000，批处理）。
推荐理由：该技术报告提供了可量化的性能指标、明确的硬件与成本条件、新提出的基准PII-SCOPE，以及对分布外泛化能力的实证比较，具备科研透明性与工程参考价值；发布时间（2026-10-24）不晚于当前时间（2026-10-26），属有效近期成果。
一项发表于2026年10月24日arXiv（编号2610.30676v1）的AI研究，对五种开源Llama和Qwen指令微调模型实施后置奇异值谱平滑与尖峰扰动，发现该轻量干预可系统性重塑模型在事实知识、语言理解与演绎推理三类能力上的表现权衡。
推荐理由：该论文首次在多模型、多任务框架下实证验证了变压器前馈层奇异值谱结构对下游能力的因果影响，揭示了能力配置的结构性敏感规律，为模型能力解耦与可控编辑提供了新路径；所有结论均基于公开模型与标准评测，方法透明、评估维度全面。
一项发表于2026年10月24日arXiv的实证研究（论文编号2610.30785v1）发现，OpenAI与Anthropic的主流大语言模型在信任评估任务中表现出显著的“不可见化”偏见——即因提示中出现受保护属性（如‘Black’）而系统性拒绝评估信息，而非依据证据质量判断；该偏见在审计中难以被常规方法识别。
推荐理由：该研究设计严谨的两 urn 贝叶斯决策实验，覆盖6,600次会话、10种描述配置，首次量化了模型因身份标签触发拒绝行为的成本，并揭示其反直觉特征：拒绝率差异巨大（黑人描述者46% vs 白人描述者9%），但一旦评估，黑人描述者反而获略高信任；且偏见随推理深度加剧、依赖特定词汇而非语义、并因警告指令恶化——这些发现对AI公平性评估与对齐实践具有直接警示意义。
