每周各领域值得关注的论文
2026年10月5日 ~ 2026年10月11日. AI 论文按 Hugging Face Daily Papers 点赞数排序；医疗论文选自 Europe PMC 上的开放获取论文（PubMed Central、bioRxiv、medRxiv）。
跳到领域 · 入选多的领域在前
语言模型
-
On-policy 参数更新方向决定 LLM 后训练的泛化
揭示 SFT 沿恒定方向、On-policy 学习则不断改变方向更新参数这一差异，并尝试将其用作改进 SFT 泛化的原理的研究
arXiv 2609.36659 · 点赞 87 · 2026-09-29 · PDF
-
Latent-MOPD：隐藏表示层面的多教师 On-policy 蒸馏
不仅将多个专家教师模型的输出分布，还将隐藏状态传递给学生模型，是 LLM 中首个表示层面的多教师 OPD 方法
arXiv 2610.02381 · 点赞 70 · 2026-10-01 · PDF
-
质疑问题：让推理模型的自我进化持续下去的方法
指出用自生成的问题反复训练导致性能崩溃的原因在于错误问题和数学上等价的变体问题的累积，并探索延续自我进化的方法
arXiv 2610.04299 · 点赞 70 · 2026-10-03 · PDF
生成式媒体
-
UltraText Bench：评估图像生成文本渲染的韩英、中英双语基准
以 24 个真实场景、3 个难度级别的 432 条提示词，评估能否在图像多个区域准确绘制长文本的英文、中文基准
-
FrameMorrow：以未来信息为准选择过去帧的长时视频生成
提出不以当前而以未来所需信息为准选取生成历史的思路，研究视频生成变长时的记忆成本和冗余问题
-
GRACE：面向高效视频生成的生成感知潜在压缩
指出高压缩视频自编码器与现有 DiT 不匹配、需要重新训练成本的问题，提出考虑生成质量来压缩潜在空间、加速视频扩散模型的方法
计算机视觉
-
EditHero：长程部件级 3D 编辑基准
首个以自然语言指令和目标图像评估多轮连续部件级 3D 编辑的基准，并比较智能体式与非智能体式编辑方法
-
World Embedding Benchmark：评估视频表示是否包含物理信息
用流体、固体力学、光学等 80 个类别的 8,000 段仿真视频及物理标注，通过 3 项任务衡量视频表示包含多少物理信息
-
Tetris3D：用相互嵌合的物体生成 3D 场景
以周围物体的形状和物理关系为条件生成各个物体，从单张图像重建物理上相互嵌合的 3D 场景，并公开 120 万场景数据集 ComOb
多模态
-
VepAgent：通过工具使用强化学习衔接因果转移的视频事件预测智能体
显式建模从最后观测状态到未来事件的逻辑链条，并结合工具使用强化学习来增强视频事件预测的智能体框架
arXiv 2610.06293 · 点赞 55 · 2026-10-05 · PDF
-
OmniReasoning：挑战音视频联合推理的极限
同时提出需要声音和视频证据才能解答的 1,150 题基准、自动数据引擎和训练方法，以评估并提升音视频联合推理
-
OneSearch-VL：涵盖图像与视频的统一多模态深度研究智能体
以连接视觉依据、实体关系和来源事实的证据图（VGEG）为核心，将单图、多图和视频深度研究统一到一个智能体中
语音·音频
-
DEFINE：用示例语音控制口音的零样本 TTS
用不同的示例语音分别对说话人音色和口音进行条件化，无需重新训练即可用单个权重连续调节口音强度的零样本 TTS
-
WorldSonus：为世界模型配上声音
面向世界模型的交互式视频-音频生成框架，目标是实时流式生成、响应中途的声音指令，以及匹配场景和相机的空间立体声
-
HelixWorld：实时交互式音视频世界模型
视频和基于相机的空间立体声会随用户操作一同变化的实时世界模型，针对现有无声世界模型的局限
智能体
-
通过递归式自我重写扩展复杂任务的轨迹
提出 RSR，让单个模型将在多个 harness 中找到的成功解法重构为通用 harness 的训练轨迹，在约 3 千个终端任务中解决了 759 个
arXiv 2610.02826 · 点赞 103 · 2026-10-02 · PDF
-
VeriHarness：面向长程任务的智能体式验证扩展
在没有标准答案和评分标准的情况下，为 LLM 提供工作空间和证据工具，使其成为智能体式验证器，并从多个 Rollout 中甄别可信结论的方法
-
HyperBrowseComp：面向网页浏览智能体的多语言、多模态压力测试
由 13 种语言的母语者亲自撰写的 423 个高难度问题构成，需要搜寻视频、扫描文档、地图等异构来源的网页浏览智能体基准
arXiv 2610.03574 · 点赞 60 · 2026-10-02 · PDF
物理 AI·机器人
-
MotorMind：用通用 VLM 实现零样本机器人操作
一项不依赖外部工具、让通用 VLM 像远程操作员一样直接根据观察进行推理并输出动作，以尝试零样本机器人操作的研究
arXiv 2609.38078 · 点赞 114 · 2026-09-29 · PDF
-
ProWAM：具备渐进式视觉规划的世界动作模型
在预测动作的同时预测有序的稀疏视觉子目标，在长时程任务执行全程引导动作生成的世界动作模型
arXiv 2610.02508 · 点赞 97 · 2026-10-01 · PDF
-
NAVA-WAM：直接从视频中学习动作先验的世界动作模型
仅用无动作标签的观察视频直接预训练动作策略，从而减少对昂贵机器人动作标注数据依赖的世界动作模型训练方法
arXiv 2610.03391 · 点赞 88 · 2026-10-02 · PDF
强化学习
-
Self-Retrospection Distillation：将事后经验转化为事前预测能力
针对所有 Rollout 奖励相同导致学习信号消失的 RLVR 局限，提出用事后经验监督行动前预测的前瞻学习以及 SRD
-
MiMo-V2.6：面向自我改进的强化学习扩展
全模态模型 MiMo-V2.6 系列的技术报告，公开了在最长 1M 上下文下通过异步训练等三个方向扩大强化学习计算的过程
arXiv 2610.11959 · 点赞 74 · 2026-10-08 · PDF
-
MetaRubric：面向基于评分细则的强化学习的奖励学习
指出对回答中不存在的信息也给分的“空洞评分”问题，交替使用反事实提示与评分细则适配，提高评分细则奖励的可靠性
效率·基础设施
-
LoGRA：用低秩梯度草图扩展 LLM 强化学习
将梯度压缩为低秩并通过 KL 预测调节更新幅度，使 LLM 强化学习后训练的内存占用最多减少 45.7%
arXiv 2610.06647 · 点赞 147 · 2026-10-05 · PDF
-
TRIAGE：稳定原生 NVFP4 强化学习中的不一致
分析低精度 NVFP4 执行时训练器与采样器之间的不一致如何与策略更新方向相互交织并扰乱训练，并提出稳定方法
-
MC-Sparse：弥合 Diffusion Transformer 的稠密-稀疏注意力差距
将高稀疏度下质量下降的原因分解为三点，并以无需训练、逐个选择 KV token 的稀疏注意力降低视频与 3D 生成延迟
AI 安全
-
LTBD：用于防御提示注入的可学习信任边界分隔符
保持 LLM 参数不变，仅用少量可学习分隔符标明输入的信任来源，从而拦截外部数据中恶意指令的轻量防御方法
arXiv 2610.11634 · 2026-10-08 · PDF
-
通过规则文件提示注入对编码智能体发动的软件包幻觉攻击
提出在 AGENTS.md 等共享规则文件中植入恶意提示、诱使编码智能体安装攻击者软件包的攻击，以及对其进行优化的 PackHallu
arXiv 2610.09264 · 2026-10-07 · PDF
-
AdvSim2Real：在网页世界模型中针对自适应提示注入训练网页智能体
在网页世界模型中让任务课程、注入攻击者与智能体共同演化，突破固定攻击训练局限的网页智能体防御训练方法
arXiv 2610.08773 · 2026-10-06 · PDF
安全·对齐
-
实际环境中的来源偏好：LLM 智能体按来源挑选条目
表明 12 个智能体模型在购物、住宿、论文推荐中即使条件相同也会因来源偏袒某些条目，且这种偏好可能超过需求满足程度，并提出缓解方法
arXiv 2610.03195 · 点赞 47 · 2026-10-02 · PDF
-
让 LLM 所说即所想：衡量并改进 CoT 与内部推理的对齐
提出衡量 CoT 表述与通过可解释性工具检测到的模型内部推理策略之间一致程度的指标 CIA，在三项任务上进行测量并探索改进方法
-
U-Space：揭示语言模型的不确定性何时、为何产生
无需重复生成或额外模型，揭示推理过程中不确定性在何处产生、如何变化，帮助判断单个回答可信度的方法
科学·生物
-
PDE-JEPA：面向参数化偏微分方程的潜在动力学预测表示学习
表明以预测而非重建为基础的表示预训练能充分保留物理信息，并据此提出 PDE 动力学模型 PDE-JEPA
-
优化优化器：语言模型找到更快的分子结构优化算法
让智能体改写量子化学结构优化器本身以减少力计算次数，以最快的开源优化器 Sella 为起点得到 AutoSella
-
学习蛋白质折叠能否泛化为更广泛的推理能力？
借助基于蛋白质结构、可精确验证的问答数据 FoldingCorpus 与后训练方法 Fold2Reason，检验蛋白质折叠学习是否有助于通用推理
数据·评估
-
RealCompanion：用真实长期对话评估 AI 伴侣对人类理解的基准
公开人与 AI 伴侣在最长 120 天内进行的真实对话共 27,218 条消息，并为所有标签关联依据消息，以评估长期用户理解
arXiv 2610.01780 · 点赞 282 · 2026-10-01 · PDF
-
科学还是垃圾内容？AI 生成论文“科学垃圾内容”的基准与缓解
用 6 个维度定义 AI 生成论文各部分看似合理、但科学逻辑断裂的问题，并构建与人类论文配对的 390 篇论文组成的 SciSlopBench
-
LESSER：利用输出层梯度挑选后训练数据
表明不用全参数梯度、仅用前向传播即可得到的输出层梯度也能实现有效的数据选择，并实现为可直接套用于现有方法的包装器
arXiv 2610.03702 · 2026-10-02 · PDF
数据工程
-
Zephon：在线、有状态的基础模型数据加载中的弹性确定性
即使 GPU 配置变化、从检查点恢复或执行后端不同，也能保证相同训练批次顺序的数据加载器，提高高成本实验比较的可靠性
arXiv 2610.03087 · 2026-10-02 · PDF
-
ARCS：通过结构化消歧实现准确的 Text-to-SQL
提出以明确、受约束的交互而非自由对话来消除问题歧义的“结构化消歧”，并为此构建首个 Text-to-SQL 基准 ARCS
arXiv 2610.09396 · 2026-10-07 · PDF
-
Argo-Bench：用企业级规模工作流评估数据智能体
以真实规模模拟纽约外卖平台，通过跨越数十张表的 210 个数据分析任务，评估超越查询生成的数据智能体能力
arXiv 2610.02122 · 2026-10-01 · PDF
MLOps·LLMOps
-
AGO AI Quality Gate：面向 RAG 部署决策的证据优先质量门
实际用于产业 RAG 评估的质量门，将数据缺失、LLM 评审错误作为显式状态处理，以概率方式判断回归风险，从而决定部署、修改或阻止
arXiv 2610.01218 · 点赞 27 · 2026-10-01 · PDF
-
MOLT：面向 LLM 服务与机会式微调的细粒度 GPU 内存共享
将服务副本中的空闲 GPU 内存用于参数高效微调，同时让推理在数秒内收回内存以满足延迟 SLO 的系统
arXiv 2610.05748 · 2026-10-05 · PDF
-
Lachesis：在 HBM 与高带宽闪存之间进行寿命感知的智能体 KV 缓存放置
按寿命将智能体服务的 KV 缓存分别放置在 HBM 与高带宽闪存中，在规避闪存写入耐久性限制的同时扩大容量的方法
arXiv 2610.08378 · 2026-10-06 · PDF
传统 ML·推荐·检索
-
表格基础模型的测试时计算：机制、收益与局限
从适配、聚合、上下文构建三个维度分析表格基础模型的测试时计算，并提出仅训练 0.003~0.03% 参数即可达到全量微调级性能的 DiagScale
arXiv 2610.12005 · 2026-10-08 · PDF
-
面向 Learned Sparse Retrieval 的小型高效索引
将 SEISMIC 的倒排索引块摘要替换为代表性文档 ID 并压缩正排索引，在保持检索效率的同时大幅降低 Learned Sparse 检索索引的内存占用
arXiv 2610.12300 · 2026-10-08 · PDF
-
Autoregressive Retriever：利用检索结果反馈提升查询理解的通用多模态检索
交替进行条目检索与查询嵌入更新、借助检索到的内容细化信息需求的多模态检索模型，通过 SFT 与强化学习训练
arXiv 2610.11666 · 2026-10-08 · PDF
医疗·生物
-
实现精准治疗反应预测的癌症基因型基础模型
以 3 万余例肿瘤的基因组变异预训练的 MutationProjector 在多种癌症的免疫治疗与抗癌治疗耐药预测中达到顶尖水平，并发现了新的生物标志物
Cancer discovery · Europe PMC · 2026-10-01 · PDF
-
从非结构化医疗报告中提取肿瘤数据：瑞士东部癌症登记处的 AI 工具应用
用微调德语 BERT 构建的工具从 200 余家机构的 82,384 份医疗报告中提取肿瘤信息，并直接对接癌症登记软件的实际运营案例
ESMO real world data and digital oncology · Europe PMC · 2026-09-23 · PDF
-
基于诊疗指南的 LLM 聊天机器人支持风湿病患者自我管理：全国多中心评估
将基于德国指南的 10 个疾病专用聊天机器人部署到 13 个中心和 6 个患者组织，分析 6,291 个问题，并比较 LLM 评审与风湿病专科医生的评估
Journal of medical systems · Europe PMC · 2026-10-05 · PDF
金融·保险
-
从基准到实际服务：面向复杂金融数据的 Text-to-SQL 系统
针对概念以不透明整数键存储的真实金融数据库中通用方法准确率跌破 50% 的问题，借助查找智能体等手段加以解决的领域专用系统 FLINT
arXiv 2610.03524 · 2026-10-02 · PDF
-
面向信用风险模型的排序先验对齐：外部先验何时重要
在标签稀缺的新贷款产品冷启动信用评估中，通过 KL 损失将专家、教师模型、LLM 的排序先验蒸馏到任意模型的框架
arXiv 2610.11146 · 2026-10-08 · PDF
-
MintEval：LLM 能否正确实现所要求的交易策略
为捕捉代码虽能运行、行为却与交易员所述风险逻辑不同的静默失败，评估自然语言策略与生成代码行为等价性的基准
arXiv 2610.03080 · 2026-10-02 · PDF
制造
-
仅靠领域内训练足以实现精细的工业异常理解吗？
表明即使经过训练的专业模型，缺陷定位准确率也只有 75.5%，不及人类专家（92.3%），并提出基于空间依据的多智能体系统 SiGMA
arXiv 2610.12310 · 2026-10-08 · PDF
-
面向金属增材制造 PINN 泛化的基于条件 Flow Matching 的自适应采样
从理论上表明按工艺条件定制的自适应配点采样优于固定采样，并提升金属 3D 打印热建模 PINN 的泛化能力
arXiv 2610.09126 · 2026-10-06 · PDF
-
窄而深：作为工业设备 LLM 智能体知识的本体塔
提出深入涵盖单台设备物理关系派生量与运行日志经验教训的本体，并应用于每天运行真实低湿空调试验设备的 LLM 智能体
arXiv 2610.11768 · 2026-10-08 · PDF
法律·专业服务
-
LexReward：面向法律语言模型的基于分类体系的奖励框架
将法律回答质量分为文体、法律要素、推理链三个维度进行评估的奖励模型框架，在答案正确与否之外提供可解释的奖励信号
arXiv 2609.39071 · 点赞 66 · 2026-09-30 · PDF
-
当引用产生误导：主张级法律幻觉检测基准
将基于纽约州上诉法院判决构建的 3,396 条主张标注为支持、反驳、无依据，评估 LLM 能否判断被引判例是否真正支持该主张
arXiv 2610.10971 · 2026-10-07 · PDF
-
Legal Research Bench：衡量长时程法律研究智能体的端到端可靠性
为专家撰写的 413 个美国法律研究问题配上标准答案、依据判例与评分标准，衡量会因遗漏判例或一处过时引用而崩溃的智能体可靠性
arXiv 2610.00609 · 2026-09-30 · PDF
自动驾驶
-
基于数字孪生的 Real2Sim2Real：通过驾驶场景重建生成模拟器条件
验证一条在模拟器中重建真实驾驶片段、无需标注成本即可生成数据的流水线，能在多大程度上替代新地区的真实数据
arXiv 2610.08339 · 2026-10-06 · PDF
往期周榜
一句话摘要由 AI 根据摘要撰写，详情请查看论文原文。