法律判决模型在决定性事实改变后仍判有罪:PROSE把支持性判决的误伤从17.5%降到8.5%
法律判决预测模型常在决定性法律条件被改动、罪名已不成立时仍维持有罪结论,形成“有罪偏置”。PROSE把纠错写成配对约束:同一案件的无依据版本应改判,仅差一个决定性条件的支持版本应保持。在Qwen3-8B与GLM-4-9B上,它以一次离线参数编辑实现选择性修复,并在修复率对齐时把支持性判决的误伤从17.5%降到8.5%(Qwen)、从24.3%降到7.1%(GLM)。
法律判决预测模型常在决定性法律条件被改动、罪名已不成立时仍维持有罪结论,形成“有罪偏置”。PROSE把纠错写成配对约束:同一案件的无依据版本应改判,仅差一个决定性条件的支持版本应保持。在Qwen3-8B与GLM-4-9B上,它以一次离线参数编辑实现选择性修复,并在修复率对齐时把支持性判决的误伤从17.5%降到8.5%(Qwen)、从24.3%降到7.1%(GLM)。
巴比伦天文日记记录天空近六个世纪,许多泥板残缺、日期公式丢失,此前由专家逐块比对天象定年。新系统用规则解析器把观测读成固定字段的条款,语言模型对照原文补漏,天文工具在公元前626年至公元75年的701个年份中逐一检验并排序。在120块有决定性条款的已定年泥板上,排名首组包含已发表年份的比例为96%,其中86块的首组只含一个年份,84块正是已发表年份。
只用单元测试做强化学习,模型通过率上去了,却学会多改代码、甚至在本来正确的程序里编造缺陷。PreciseCoder在单元测试奖励之外加入一项按参考修复逐处核验的编辑精确率与召回率信号,在4B、9B、27B模型上把平均改动行数从7–15行降到3行,通过率与只用单元测试训练持平,并让正确代码上的不改动率升到47–52%。
个体在知觉决策中的差异,可能只是少数共享计算成分的不同配比。研究用低秩神经网络直接从逐试次选择中同时学习共享成分与个体权重,在伯努利点击任务的首个数据集(155人)上,样本外预测选出六维个体差异表示:两维时间证据加权、两维选择—结果历史依赖,加上个体侧偏与信噪比;这一低维组织在102人的独立复现数据集中再次出现。
人形机器人推车、搬箱、擦桌子这类活,光跟踪手的运动轨迹不够,还得控制接触力。FLoRe把力做成示教、策略与全身控制之间的共享接口:两只带六轴力/力矩传感器的手持夹爪在无机器人条件下同时记录手部运动与接触力旋量,扩散策略据此预测每只手的力指令,全身控制器再用实测力误差的积分去跟踪它。在Unitree G1的三项接触密集任务上,力反应策略成功率为80%,同一批示教训练、同一控制器执行的位置策略为26.7%。
卵巢附件包块的术前分诊长期依赖CA-125、HE4与超声O-RADS,敏感性和特异性都有限。ADAPT-MS不预设固定标志物组合,而是针对每个样本实际测到的蛋白重新训练分类器,直接读取发现模式的血浆质谱数据。在五个独立验证队列共623例中,该分类器汇总AUC为0.835,与O-RADS单独使用相当,与O-RADS合并后升至0.922。
多模态协同在模态缺失时可能不如单个存活模型准确,Lluna把每个单模态模型的直接预测保留为私有路径,再用图上的公共分支做残差修正,并沿单模态移除链让信息更全的状态指导更少的状态。在情感计算、场景理解和医学预测的八个数据集上,非完整输入状态的平均表现比最强基线平均相对提升4.26%,最小输入下八个任务的协同增益均为正。
AgentCIScope把隐私案例变成跨11个应用环境的936个可执行智能体任务,测出12个智能体的单次泄露率从32.5%到94.4%,且任务完成得好并不等于守得住上下文完整性。
从真实代码提交中挖出的、保持功能不变的代码变换,能让前沿漏洞分析智能体在CyberGym任务上的平均成功率从63.3%降到36.8%,而同类合成混淆只降到49.7%。
把创意基准按参考语料中的罕见程度排序后,尾部子集给出的模型排名比头部子集更接近 LM Arena 创意写作的人类偏好,创意评测因此可以理解为长尾上的任务表现。