利用跨LLM分歧引导专家参与：大规模数据标注编码本的高效修订方法
针对大规模文本标注中编码规范（Codebook）构建耗时漫长的问题，该研究提出利用大语言模型（LLM）加速这一流程。方法通过在早期将编码本应用于数据，筛选出多个LLM之间存在显著分歧的疑难样本，从而精准引导专家介入并提供针对性反馈。研究探讨了多种专家反馈形式，包括直接编辑由跨模型分歧驱动生成的修改方案，以及解答模型争议问题等，有效提升了人机协同标注与规范迭代的效率。
DC AI 热点
精选
当前热点完整榜单 →
1Black Forest Labs 推出开源具身智能模型 FLUX 3 Action77 热度 ⌁2谷歌、OpenAI与Anthropic拟联合组建AI安全标准自律组织SAFA75 热度 ⌁3谷歌云 API Gateway 支持 MCP：将 REST API 原生转化为 AI Agent 工具75 热度 ⌁4Sakana AI聘请AI先驱Jürgen Schmidhuber担任首席科学顾问75 热度 ⌁5Agent Plugins 1.0.0 发布：科技巨头联手推跨平台 Agent 技能与 MCP 打包规范73 热度 ⌁9月24日2026-09-24
句子级法律解释准则分类：基于德国联邦宪法法院判决的评测基准
针对大语言模型在司法推理分析中的难点，该研究提出了一个句子级基准，用于评估大模型分类法律解释准则的能力。研究基于传统法学解释理论构建了分类标准，发布了经过句子级人工标注的德国联邦宪法法院判决数据集，并在专家手写提示词设定下，对来自三个模型家族的四款大语言模型进行了基线性能评测。
LEGO：融合专家GraphRAG与思维链的法律推理框架
针对大语言模型在复杂法律推理中面临的结构性挑战，研究人员提出了LEGO框架。传统RAG及GraphRAG往往侧重词汇或语义相似度，忽略了法律条文间的规范关系；而普通思维链提示易生成缺乏法律规范结构的推导过程。LEGO采用双模块架构，将法律专家GraphRAG与专家级思维链相结合，有效规范了法律条文检索与逻辑推理链路，旨在突破高风险法律领域的推理瓶颈。
EduBehaviors：面向教育对话可审计标注的断言架构框架
大语言模型已被广泛应用于教育对话数据的教学构念标注与分类，但其黑盒推理特性导致难以验证模型对具体话语分类的机理依据。为此，研究团队提出了 EduBehaviors 框架。该框架是一种可解释且具扩展性的教育数据标注方案，通过利用大语言模型量化与多种构念相关的可观测重复行为，进而训练下游分类器，实现标注过程的可追溯与审计（原摘要结尾略有截断）。
终端基准测试何以称“难”？研究揭示智能体评测中的“真假难度”陷阱
前沿基准测试常依赖当前模型无法解决的任务来衡量能力边界，但零通过率并不等同于真正的高难度。该研究指出，任务全军覆没既可能源于真实的能力代差，也可能是由缺失上下文、损坏的参考方案或基础设施故障等“虚假难度”导致。基于 Terminal-Bench 3 等基准中涵盖 639 个任务、2.8 万余次试验及逾 10 万美元开销的真实记录，研究系统性厘清了导致智能体任务失败的本质原因，为评测体系纠偏。
Lean Pool：由AI智能体自主维护与优化的形式化数学代码库
Lean Pool 是一个形式化数学代码库，其核心特色在于完全由 AI 智能体负责拓展、维护与持续优化。该项目展示了人工智能在形式化定理证明与复杂数学知识归档中的自主管理潜力，有助于提高数学形式化库的组织效率与代码质量。由于原论文摘要提供的信息极为简略，具体的智能体协作机制与工程实现细节仍有待进一步公开。
AI神经科学家：面向神经影像分析的交互式智能体界面
神经影像数据分析通常需要专业的编程与统计技能，这给非计算背景的研究人员带来了门槛。为此，研究团队推出了“AI神经科学家”，这是一种用于交互式数据探索的语言智能体。该系统将大语言模型与神经影像专业工具集相结合，支持研究人员直接通过自然语言查询数据质量、执行建模与可视化并设定分析参数，为小规模数据探索提供了一种替代传统脚本处理流程的透明且交互式的解决方案。
MedGate-Fusion：融合初诊文本与生理指标的脑卒中风险分层模型
针对基层医疗中早期卒中风险信号分散于常规指标与非结构化临床文本的难题，研究人员提出了多模态门控架构 MedGate-Fusion。该模型通过 Transformer 提取患者初次就诊叙述的语义嵌入，并与 10 项常规生理风险标志物进行多模态融合。研究基于加拿大基层医疗监测网络（CPCSSN）的电子病历数据，构建了包含超 10 万名患者的初诊队列，旨在实现前瞻性卒中风险分层。
大模型智能体缺乏人情世故？新研究提出关系社交推理框架ReAdapt
该论文指出当前大模型智能体在社交决策（如是否互动或联系谁）中，往往仅关注内容显著性而忽略人际间的潜在关系（如关系强度、互惠性等）。现有的智能体循环无法根据新关系证据动态调整社交假设，导致在关系与内容线索产生分歧时做出表面化选择。为此，研究团队形式化了这种失效模式，并提出了包含500个样本的关系推理基准测试及ReAdapt方法，以提升智能体的社交推理能力。
面向企业数据智能体的学习型数据理解：压缩与路由机制
在企业环境中，结构化数据智能体需要面对分布在模式、数据关联和业务规则中的复杂环境。现有系统常依赖Markdown格式的记忆或技能文件来沉淀信息以减少重复探索，但该做法模糊了合理的分工界限。研究指出，智能体更擅长语义推理，而学习型系统更适合执行预测与数据组织。论文围绕此分工探讨了针对数据智能体的数据压缩与路由方法（注：原文摘要存在截断）。
提升智能体一致性：研究提出通过“技能习惯化”解决重复任务的冗余与偏差
针对当前智能体在重复任务中表现不一致且极度耗费资源的缺陷，研究团队开展测试发现，智能体在重复执行中不一致率达38%至74%，且超95%的生成内容都在重复推导已知方案。为此，研究提出“技能习惯养成”（skill habit formation）机制，让智能体从历史执行记录中挖掘候选确定性技能，使其与既有方案竞争并界定适用输入空间，从而大幅改善智能体在重复任务中的一致性与计算效率。
UniDataAgent：基于本体的企业级自动化数据分析智能体
针对企业数据智能体需准确保留业务特定语义的需求，研究人员提出了面向自动化“问题到报告”分析的本体驱动系统 UniDataAgent。该系统将语义获取与在线执行解耦，主要包含两个阶段：本体获取与验证阶段（OAV）利用元数据与业务知识构建版本化的企业本体，并经专家评估验证；执行阶段（QRE）则负责具体任务的检索与生成。输入摘要在执行阶段细节处存在文本截断。
基于Wiki LLM索引优化机器学习课程助教系统
该研究探讨大语言模型在充当特定课程导师时的落地优化。研究团队针对真实机器学习课程资料构建了多模态检索增强生成（RAG）系统，前期发现固定检索策略存在局限性，进而转向探索在数据摄入阶段对知识语料库进行结构化整理（如Wiki LLM索引）是否比查询阶段增加检索量更为重要。由于原始论文摘要文本在阐述具体实验前截断，详细结论在摘要中未完全披露。
单模型能否搞定一切？面向智能客服的大语言模型微调策略选择研究
本文探讨了生产级智能客服系统中的核心部署问题：针对意图分类、问答、摘要和工具调用等多项技能，究竟应采用多个专用模型，还是通过多任务微调、连续更新或模型合并训练单一模型。研究团队基于 Qwen、Gemma、Llama 和 Mistral 等 5 个模型家族的 13 款模型（涵盖 0.6B 至 32B 参数），在 4 个公开及 4 个专有客服数据集上展开了系统性评测与策略比较。
结合保形分位数回归的迁移学习框架：应对缺电数据匮乏下的光伏预测
针对频繁停电导致历史观测数据极度匮乏地区的光伏预测难题，本研究提出了一种结合保形分位数回归（CQR）的迁移学习框架。该方法首先基于澳大利亚爱丽斯泉的光伏数据集预训练时序预测模型，随后将其迁移适配到模拟的孟加拉国光伏数据中，以应对不同程度的数据缺失。实验表明，该框架在严重数据稀缺环境下显著提升了光伏功率预测能力，并提供了可靠的不确定性估计。
引导与动作的相互强化：多模态网页智能体离线评测基准 WebMRE
针对网页智能体在实时环境中评估存在状态漂移、难以稳定复现和开展可控训练研究的痛点，研究团队提出了离线评估基准 WebMRE。该基准基于 WebArena 的成功轨迹构建，包含 541 个任务和 5,293 个步骤，配备经过全面审计的测试标签和确定性评估协议，无需运行环境即可确保同一检查点在多次运行中输出一致评分。每个步骤将人类指导语句与具体动作配对，首次实现了对引导与动作相互强化机制的离线研究。
基于混合RAG与本地大模型的处理活动记录（RoPA）自动化提取系统
针对越南《个人数据保护法》等法规对机构维护数据处理活动记录（RoPA）的要求，人工准备耗时且云端大模型存在数据主权合规风险。研究团队提出了 RoPA Manager 系统，通过结合基于 tsvector 的词法检索、稠密向量检索以及倒数排名融合（RRF）的混合 RAG 技术，并采用本地部署的大语言模型，实现 RoPA 信息的自动化提取，以兼顾自动化效率与数据主权需求。
对话式AI分层参与度评估框架：从离线代理到在线决策
针对在线A/B测试受流量和周期限制、难以覆盖大量对话式AI迭代的问题，研究者提出了一种分层参与度评估框架。该研究构建了一套可复用的诊断清单，将离线代理指标解构为三层对齐链条：行为标签与产品结果对齐、分类器与候选助手行为对齐，以及离线聚合信号与在线实验效应相对应。配套评估协议旨在离线环境下无须真实用户暴露即可高精度预测在线实验结果，加速系统迭代。
ZeroGate：面向受治理AI智能体运行时的信任保留快速路径机制
针对AI智能体提前授权可能导致载荷、权限或状态发生漂移的安全风险，研究团队提出ZeroGate架构。该方案将精确操作审批与持久本地准入解耦：签发者签署具有时效性的ActionPass凭证，受信任运行时适配器重构最终操作，再由本地网关验证绑定并消耗nonce。系统利用SQLite事务同步处理nonce注销、配额更新及准入收据生成，在维持信任边界和决策一致性的前提下优化了执行分发延迟。
越南劳动法跨语言法律问答：检索、翻译与验证器引导修正
针对跨语言法律问答中跨语言法条检索及避免无依据主张的挑战，研究者推出了基于越南劳动法的双语评估基准，包含231个越英问答对，其中75个针对五类法律推理现象进行了额外标注。研究评估了一种验证器引导的流程，该流程将答案拆解为主张，检测引用可达性与蕴含关系，并纠正引用失效及事实矛盾。此外，该研究还提出了六种用于评估检索证据忠实度的自动化诊断指标。
ShowTellArena：评估智能体从业务演示中理解工作流能力的基准数据集
研究人员提出了 ShowTellArena，这是一个用于评估智能体在观看带有口述解说的业务演示后其理解能力的基准测试协议与公开数据集。该基准模拟了人类通过“边演示边讲解”指导新同事的场景。v1.0 版本涵盖财务、招聘、采购、客户决策、库存和物流等领域的 50 个业务工作流任务，包含屏幕录像、截图、旁白解说及 502 道评估试题，旨在系统性测试智能体对复杂商业流程的掌握水平。
ChipMEM：面向电子设计自动化智能体的基于验证记忆机制
基于大语言模型的智能体可利用电子设计自动化（EDA）工具，根据综合与验证反馈生成并修正寄存器传输级（RTL）设计。然而，现有方法通常在产生经验的同一任务上评估提炼的技能或奖励模型，容易诱发针对特定任务的反复修改，而非沉淀出可迁移的复用知识。为此，论文提出了名为 ChipMEM 的基于验证的记忆机制（注：输入摘要在介绍 ChipMEM 具体细节处被截断）。
Spectra：用于KYC文档自动化处理的规则驱动LLM流水线
资本市场中的“了解你的客户”（KYC）审查流程通常依赖分析师手动分类文档、从异构数据源提取结构化数据并验证合规性，导致入驻流程常拖延数周。本研究分析发现该流程包含高度可重复且适合AI自动化的环节，进而提出了重构后的自动化工作流及规则驱动的大语言模型流水线Spectra，旨在整合传统繁琐步骤以大幅提升处理效率（论文原始摘要在流程细节处有所截断）。
EviStreams：面向医学系统评价的人机协同 AI 数据提取平台
针对医学系统评价中数据提取高度依赖人工且必须遵循严格协议与可审计要求的痛点，研究团队推出了开源、无代码的 Web 平台 EviStreams。该平台引入人在回路的大语言模型辅助机制，不仅契合双人独立提取、裁决仲裁的标准审查流程，还能记录完整的数据生成审计日志，使科研团队在关键阶段自主把控 AI 提取过程，显著缓解临床指南研制中的专家人力瓶颈。
LLM用户模拟器特征干扰诊断：行为特征如何渗透并扭曲偏好
基于大语言模型（LLM）的用户模拟器常用于推荐系统评估，通过设定偏好属性（交互内容）与行为活跃度特征（浏览时长）来模拟真实用户。研究发现，模拟过程中这两种特征设定的独立性会失效：一是产生特征干扰，过高的活跃度会打破偏好边界，迫使模型与不匹配内容交互以维持浏览；二是导致评估失效，满意度评分会随着活跃度驱动的页面数量虚假膨胀。
结肠镜检查中假阳性AI辅助提示对医生注视行为影响的眼动追踪研究
该研究探讨了计算机辅助检测（CADe）系统在结肠镜检查中产生的假阳性提示对内窥镜医生注意力的分散效应。研究结合回顾性配对视频实验与前瞻性实时眼动追踪，分析了3名资深及2名初级医生观看60段视频的表现，并记录了9名资深医生在42例实时辅助检查中的视线变化，量化了假阳性提示对注视吸引和注意力占用的具体影响。由于摘要截断，更细致的结果未完整展示。
Meta被指凭借自研Manus登顶应用商店并拉动股价大涨
根据素材信息，Meta依靠自研的Manus产品引发市场热烈反响，推动其股价单日暴涨11%。该应用目前已成功登顶苹果应用商店，在用户增速上反超ChatGPT，并在美国市场引发了极高关注度与使用热潮。由于当前输入素材信息较为简短，关于该自研产品的具体技术架构、功能细节及其持续市场表现等完整事实仍需更多后续资讯补充验证。
Meta 推出 AI 智能体 Muse 全新升级，并将接入智能眼镜
在 Meta 年度的 Connect 大会上，公司首席执行官马克·扎克伯格在开幕演讲中明确表示，Meta 正在全面押注其 AI 智能体 Muse。本次大会展示了 Muse 带来的多项全新功能与升级特性。此外，Meta 还宣布 Muse 将被引入其 AI 智能眼镜设备中，进一步加速该智能体在穿戴硬件端的融合与落地应用。
v0.34.4-rc1: mlxrunner: Update XGrammar to 0.2.7 for structured outputs
We pick up schema fixes for typed dictionary values and short arrays.
v2.1.281
What's changed Added Claude apps gateway support for newer Claude Desktop keys in desktop policy blocks, including blockReadsOutsideWorkingDirectories and disableBypassPermissionsMode Added assume_role on Claude apps gateway Bedrock upstreams: the gateway calls Bedrock as an IAM role it assumes through STS, in another AWS account if needed, optionally one session per developer Added guardrail: {id, version} on Claude apps gateway Bedrock upstreams to apply an Amazon Bedrock guardrail to every request sent through them (set it on all Bedrock upstreams or none) Added telemetry.resource_attributes to the Claude apps gateway config, to put fixed