检索标题、摘要与正文，把分散的信息连起来。
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:2610.31789v1 Announce Type: new Abstract: Scientific computing increasingly relies on large language model-based agents for performance engineering tasks such as instrumentation, analysis, and workflow porting. However, agent effectiveness depends heavily on the surrounding harness, which typically relies on manually written skills and curated memory. This limits autonomous learning, forcing agents to repeatedly rediscover solutions rather than retain and reuse knowledge from prior executions. We introduce Phronix, a capability-centric learning paradigm that enables agentic harnesses to acquire, validate, and refine reusable capabilities from their own executions. Phronix operates through a predictor-validator-corrector loop: MCP tools and associated skills propose solutions, tool ex
译文排队中，当前为原文 · en
arXiv:2610.31107v1 发布类型：新 提要：网络代理在预订旅行、购物、日程安排等重复的在线任务中，越来越多地为同一用户服务，因此其长期实用性取决于它们对用户偏好的了解程度。被动记忆与个性化方法无法获取用户从未透露的偏好，而那些仅根据当前任务收益来评估问题价值的澄清方法，则忽视了在后续任务中复用答案所带来的益处。我们研究主动偏好获取（APA）：哪些缺失的偏好值得付出提问的成本？我们将某项缺失偏好的前瞻性个性化价值（PPV）定义为：该偏好在未来任务中预期带来的累计效用增益，减去提问所需的努力以及披露风险成本，并据此选择提问内容
