检索标题、摘要与正文，把分散的信息连起来。
arXiv:2610.33044v1 发布类型：新 摘要：具身视觉-语言模型必须根据部分且不断变化的观测结果来回答问题。其成功既取决于所选用的推理能力，也取决于该能力所能获取的证据。专家路由器通过调整内部计算来应对，而工具增强型系统则通过获取外部证据来弥补；若单独选择其中一种方式，可能会导致合适的专家缺乏其所需的证据。我们提出了 EKT-Router，这是一种有限框架，能够同时选择合适的推理能力专家、可选的知识以及感知工具。基于结果的特征表示了通用推理、空间推理与时空推理专家之间的优势互补。一个联合效用函数在调用预算范围内对完整的专家—证据路径进行评分。获取完成后，数据包验证器会确认有效数据包
arXiv:2610.32103v1 发布类型：新 摘要：在药物研发中，先导化合物的优化需要同时提升各项性能指标，例如提高渗透性并降低毒性，同时尽量减少骨架结构的改动，以免影响化合物的活性。基于强化学习的后训练方法，如 C-MORAL，通过微调分子语言模型，直接针对目标优化分子先导化合物，但这种方法依赖于昂贵的任务特定数据集，并且在实现多目标优化（MOO）方面面临诸多挑战。我们认为，预训练模型可能已经蕴含了有益的分子修饰信息，而零样本生成难以高效地触及这些信息。鉴于零样本生成的搜索能力有限，我们提出了一种高效的 Metropolis-Hastings 搜索策略，以……
arXiv：2610.34521v1 发布类型：新 摘要：主流运行时上的 Actor 框架纷纷宣称支持 Erlang/OTP 式的监督机制，但 OTP 的一致性契约假定使用的是同步的单线程监督器，而端口则将这一假设的缺失视为未加审视的风险。我们对照已锁定版本的 OTP 官方文档与源码原文，逐一检验了各项监督保障；同时，还基于三个其他 Rust Actor 框架在固定版本下的源码进行了比对，并参考了有关 Actor 模型的文献，记录下每项设计决策背后的依据。通过盲目的对抗性审计与跨框架研究，我们发现了 24 类缺陷，其中 8 类可归结为同一个根本原因：即通过显式机制重新构建了同步监督器所隐含的原子性。我们提出了一种监督运行时 th
arXiv：2610.32429v1 发布类型：新 摘要：大型语言模型（LLM）代理正越来越多地以异步方式执行任务：主代理在子代理运行的同时继续工作，而任务状态可能在其结果到达之前就已发生变化。主代理必须决定哪些工作需要更新或保留、哪些检查需要重复，同时避免进行被禁止的修改。仅凭最终任务的成功并不能说明这些结果是否被正确处理，而且自然的异步到达现象也难以复现。我们提出了 Async-RBench，一个用于评估 LLM 代理中异步任务执行的基准测试，包含涵盖八种场景的 200 个可执行任务。场景控制器通过预定义的任务状态条件来调控结果的交付，而事件响应契约（ERC）则规定了每种响应应满足的要求
arXiv:2610.33006v1 发布类型：新 摘要：基于Transformer的大型语言模型（LLMs）在上下文长度增加时会带来巨大的计算与内存开销，这促使人们研究在推理前将上下文压缩为更短表示的方法。现有的软提示压缩方法通常采用与目标模型相同的Transformer主干架构，而在生成压缩表示的过程中会产生显著的延迟开销。这使得这些方法仅适用于离线场景——即上下文被一次性压缩后，在多次查询中重复使用。我们提出了Boa压缩器，这是一种即插即用的在线上下文压缩器，基于Mamba状态空间模型（SSM）构建，能够在一次线性时间的遍历中编码任意长度的上下文，并生成一个可用于后续条件化的表示……
arXiv:2610.33012v1 发布类型：新 摘要：具备工具调用能力的大型语言模型（LLM）智能体，在从相同初始状态出发的多次独立运行中，表现出行为不一致的现象，例如调用不同的工具、产生相互矛盾的输出，或采取截然不同的策略。这种行为上的波动会随时间累积，从而削弱部署的可靠性。现有的评估指标主要通过基于任务完成度的得分来衡量正确性，而未能捕捉智能体在多次执行中的行为一致性。此外，对智能体行为的分析要么停留在词元层面，借助概率分布进行评估；要么聚焦于单次响应层面，采用语义聚类方法，但两者均无法刻画不一致性如何在轨迹的后续步骤中进一步传播。我们提出了递归语义发散（RSD），一种无
arXiv:2610.33007v1 发布类型：新 摘要：在集成的地面与非地面（TN/NTN）6G网络中，自然语言服务意图可能存在不完整、模糊或不一致的情况，这使得无约束的大型语言模型生成难以实现面向网络的可靠编排。本文提出了一种知识引导的大型语言模型框架，该框架将语法约束的语义解析与知识图谱驱动的澄清循环相结合，从而为四大典型服务类别生成经过验证、可直接用于编排的服务配置文件。在包含200个样本的意图数据集上，该框架实现了89%的分类准确率和95%的策略有效性，且每条请求平均只需0.66次澄清迭代。与纯大型语言模型基线相比，所提出的框架显著提升了策略的有效性及共
arXiv：2610.33039v1 发布类型：新 摘要：我们推出了 Nemotron 3.5 Bolt 74B-A9B 24GB，这是一种混合型 Mamba-Transformer 视觉语言模型，可在本地智能体驱动的工作负载中实现每 GB 内存的处理速度与智能性能的最优平衡。该模型源自 Nemotron 3.5 Super VL 120B-A12B 系列，通过结合 Star Elastic 压缩与 2 位量化感知蒸馏技术，适用于内存受限的部署场景。该模型针对推理、智能体工具调用以及网页与终端交互进行了优化。此外，我们还训练了一款名为 LiLiCorr 的投机式起草器，并随模型一同发布，以达到预期的推理速度。最终得到的模型在多项基准测试中，于相同内存占用和速度条件下，其准确率均高于同类领先模型，适用于通用智能体任务。
arXiv：2610.33019v1 发布类型：新 摘要：当多模态智能体进行持续交互时，长期记忆发挥着两种既 distinct 又互补的功能：细粒度的证据召回，以及用于全局理解的内化解读。尽管情景记忆与隐式记忆分别通过显式的历史记录和内化的经验来满足这些需求，但由于情景记忆在证据覆盖与整合方面的局限性，以及隐式记忆在事实基础构建上的不足，单一的范式难以兼顾不同任务间多样化的记忆偏好。为弥合这一鸿沟，我们提出了一种双记忆框架，将模型原生的隐式记忆作为直观的先验，同时结合多索引的情景记忆，通过检索驱动的联合对齐实现精确的证据重建。在 i
arXiv:2610.31981v1 发布类型：新 基本摘要：在最简单的非欧几里得流形——一维平坦环面上，我们展示了一种分布，在该分布下，一种近期提出的黎曼流匹配扩展方法能够通过一个将样本从数据分布中推开的速度场实现全局最优。我们将这种失效模式归因于我们称之为“兼容性”的性质：基于似然的流匹配目标若具备兼容性，则其总体最小化解能够恢复由数据与耦合所诱导的边际速度场。我们给出了兼容性的通用条件，并将其应用于现有方法，同时以在兼容性条件下趋于零的残差项为基准，对最坏情况下的误差进行了界定。此外，我们指出，现有的兼容性目标会在紧致流形上对那些不可行的速度施加密度约束。
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……
