跳到主要内容
检索

Arizona State University

9 篇关联报道

订阅更新
  1. arXiv

    智能体要自己认出偏微分方程:RSI-PDEbench 用 1001 个案例考它,四模型平均通过率最高提升 181.9%

    从采样解数据反推偏微分方程,需要专家完成方程发现、系数估计和数值求解器配置。RSI-PDEbench 把这一流程做成 1001 个案例、42 个方程模板的基准,分无噪声、50% 高斯噪声和未见模板加偏移系数三种设定;配套的 RSI-PDE 智能体用残差筛出候选方程、用相对反馈修正系数与求解器,并以验证门保留改进。四个前沿模型上,其平均通过率相对单次运行基线提升 106.5%–181.9%,相对原生智能体框架提升 3.0%–19.6%。

  2. bioRxiv

    指南更新了,答案却还停在旧版:强模型检索多个ASCO指南版本后,过时回答出现频率约为不检索时的四倍

    肿瘤指南随证据滚动修订,答案即使忠实引用真实指南,也可能引用已被取代的版本。ASCOBench把288个问题绑定到具体版本的ASCO乳腺癌与前列腺癌指南,并由肿瘤科医生复核参考答案;版本敏感的草稿约四分之一需要修改或重写,事实类不足十分之一。14份被后续文件取代的指南中只有1份声明自己已被替换;对强模型Gemini而言,检索多个指南版本使过时回答的出现频率约为不检索时的四倍,而以验证为先的SentryLine把错误回答降到4.2%至5.2%。

  3. arXiv

    LinkedIn与多校团队发现:7B到72B学生模型用更小的冻结模型生成拒答,代码与数学表现反而更好且算力更省

    该研究在SODA式两阶段偏好蒸馏流程中固定提示、优选回答、SeqKD初始化、DPO目标与训练预算,只改变拒答来源,发现7B至72B的Qwen2.5学生在代码生成与数学推理上,用参数更少、推理算力更低的冻结Base模型生成拒答,比用学生自身拒答训练出的学生更强,并进一步用线性化特征模型给出有限时域效用界,提出混合来源、提示重分配与词元置换、按参考策略似然重选三类干预。

  4. arXiv

    综述把视频-音频联合生成、跨模态生成与联合编辑统一到同一分布上,并首次系统梳理出九类、28种联合音视频编辑

    这篇综述指出视频与音频虽被共同感知、但多数生成模型仍各自独立处理,于是把联合生成、跨模态生成(由一方生成另一方)与联合编辑三类问题统一定义为同一个音视频对分布上的问题,围绕“输出如何在时间与语义上保持跨模态一致”这一核心问题,提出沿生成策略、音频表示、视频表示、对齐施加方式、预训练复用五个设计轴的分类体系,并首次系统梳理联合音视频编辑,将其映射为九类编辑、28种编辑类型,同时整理各设定下的方法、数据集与指标,最后给出长时程一致性、细粒度控制、物理合理性与评测等开放问题。

  5. arXiv

    CUA-SWE 用 105 个可执行任务测出:给智能体看运行界面后,GPT-6-Astra 四域均值从 11.3% 升到 59.9%

    作者提出 CUA-SWE——一个覆盖 Web、Game、DevOps、Mobile 四个软件工程领域、共 105 个任务的基准、交互式开发环境与评测流水线,让智能体在同一任务中改代码、跑命令、操作运行中的软件并查看截图,用任务专属的确定性测试判定结果;在代码-only 与混合 CUA 两种条件下对比前沿模型,GPT-6-Astra 取得最高四域均值 59.9%,且每个前沿模型在混合 CUA 下聚合成功率都更高,增益集中在必须从应用材料(图纸、服务契约、图形参考卡)中恢复需求的任务上。

  6. GateScope 黑盒审计 10 家商用 LLM API 网关:部分平台对 gpt-5 的模型识别率低至 13.09%,o*ey 账单高出预期 62.8%

    作者提出 GateScope 这一仅依赖公开 API 的轻量黑盒审计框架,从响应内容、多轮对话一致性、计费准确性和延迟特征四个维度评估 LLM API 网关,在官方端点验证中 24 个模型的平均 F1 为 0.968±0.085,随后审计 10 家商用网关,发现部分平台对 gpt-5 的模型识别率低至 13.09%、多轮记忆检查点通过率下降、o*ey 的 gpt-4o 账单高出预期 62.8%,以及 b*ie 的延迟变异系数明显偏高。

  7. arXiv

    MeshHeal 用双时间尺度同伴评审在 BBH、MATH、MMLU-Pro 上以每任务 51k token 达到 0.839 降级期准确率,优于 Symphony 的 0.807(115k token)

    该工作提出 MeshHeal,一个完全去中心化的自愈框架,通过跨两个时间尺度的能力匹配同伴评审来应对去中心化 LLM 多智能体系统中的灰色故障:在快时间尺度上,自适应层级将不确定或低分输出从重复单评审者评估升级到委员会审议并在使用前纠正;在慢时间尺度上,任务与能力条件的同伴相对检测器聚合分数以区分持续退化与普通输出波动,触发强制委员会评审并最终将退化智能体排除出常规路由,恢复探针为其重新加入提供新证据;作者同时提出 Model-Backed MAS Evaluation 将能力分配绑定到执行模型,并在 BBH、MATH、MMLU-Pro 上报告 MeshHeal 在降级期达到 0.839 准确率、每任务共 51k 模型 to

  8. arXiv

    跨25个模型定位VQ视觉语言模型的L0注意力路由回路,仅消融该回路使开放生成物体幻觉相对下降31%

    该研究用激活修补在横跨八个LLM家族的二十五个模型上识别出VQ分词视觉语言模型共有的早期层(L0)注意力路由回路,提出三门槛诊断区分出十个携带该回路的模型并排除其余十五个,通过单变量架构替换(LLaVA-1.6 CLIP+MLP→VQ+Linear)证明向量量化是该病理性信号的来源,并显示只有L0消融能在开放生成中降低物体幻觉(CHAIR_i相对下降31%),而调优后的DoLA与VCD无此效果。

  9. 胰腺癌残余肿瘤-间质空间构型与术后复发风险相关

    该研究在203例接受新辅助治疗并根治性切除、且仅达轻微病理缓解的胰腺导管腺癌患者中,用人工智能流程从常规H&E全切片图像分割癌与间质并量化空间组成与构型,发现碎片化、界面丰富的肿瘤-间质生态与更短的无病生存期独立相关,两个空间风险模型(癌平均形状指数加间质形状指数变异性,校正HR 1.71,P=0.003;平均间质斑块面积加边缘密度,校正HR 2.19,P=0.002)在病理缓解分级和残余癌面积无法分层的情况下仍能分层预后,且高风险构型伴随瘤内TIL密度与浸润比降低、TIL相对聚集于癌周与间质,符合免疫排斥表型。

已读完全部报道