全部动态
论文与会议论文
本页材料
完整标题与摘要 · 12 条- 论文Hugging Face Daily Papers
通过逆向蒸馏实现数据遗忘（IDU）
研究者提出数据遗忘框架 IDU（Inverse Distillation for Unlearning），从在完整数据集上训练的扩散或流模型教师出发，训练一步生成的学生模型，在抑制指定数据子集的同时保持其余数据的生成质量。该方法只需遗忘数据的样本，训练中无需保留图像或额外分类器。在 MNIST 和 CIFAR-10 上，以流匹配与基于分数的扩散模型为教师，IDU 对目标类别实现强抑制，并在保留数据上维持有竞争力的生成质量。
- 论文论文追踪
SelfSearch：无需奖励信号的自改进 Agent 搜索方法
研究者提出 SelfSearch，一种无奖励信号的搜索流程，让 LLM Agent 利用此前自改进过程的记录来修改自身的指令、工具和执行流程，这些记录包含推理、工具动作和结果。在六个模型与基准组合上，SelfSearch 都提升了群体平均成功率，单个 Agent 在 Terminal-Bench 2.1 上最高提升 11.2 个百分点；在 SWE-bench Multilingual 上，一个 Agent 成功率提升 5.0 个百分点，同时在初始与进化后 Agent 都能解决的任务上把执行成本降低 38.5%。
- 论文Hugging Face Daily Papers
Local Support Learning：无需旧数据缓解 LLM 灾难性遗忘
研究者提出 Local Support Learning（LSL），一种无需访问旧数据即可在梯度训练中保留模型原有能力的通用框架。LSL 将标准权重适配器与基于高斯混合模型（GMM）的门控函数配对，使更新仅作用于当前训练分布的输入激活，从而在多个训练阶段中同时保留预训练与微调能力。该方法在最高 70 亿参数的 LLM 上缓解了灾难性遗忘，且内存与计算高效、对超参数选择稳健，并展现出扩展潜力。
- 论文arXiv：对齐、欺骗与监督
用偏好奖励与评分标准奖励组合后训练前沿文生图模型
研究者提出一种组合互补奖励信号的文生图后训练方法，将基于 Bradley-Terry 目标、用大规模人类偏好数据训练的偏好奖励，与评估提示词忠实度并防止奖励作弊的评分标准奖励结合，并指出简单加权平均会导致优化次优。在 Arena 文生图排行榜上，经 RL 训练的 Flux2dev 的 Elo 比基座模型高 69 分，后训练的 Ideogram-4 以 1223.5 的 Elo 超过所有开源模型（SOTA 声明基于 2026 年 9 月 4 日的排行榜快照）。团队同时发布 1K 子集 Arena-T2I-Training 以支持可复现研究。
- 论文论文追踪
小米 MiMo-V2.6 发布：以强化学习扩展推动模型自我改进
小米发布 MiMo-V2.6 系列全模态模型，含 1.02T 参数、42B 激活参数的 MiMo-V2.6-Pro 和 310B 参数、15B 激活参数的 MiMo-V2.6-Flash，通过扩展强化学习算力推进模型自我改进。其 RL 训练每步消耗 1,568 个样本、2.7∼3.7B tokens，上下文长度最高 1M，覆盖代码、通用、视觉与网络等环境，并冻结 MoE router、建立多层防御以抑制奖励作弊。团队开源训练动态、RL 环境与 RL 框架。
- 论文arXiv
基于差分隐私扩散模型的能源时间序列插补：裁剪感知的目标条件化方法
针对能源时间序列缺失值插补，研究提出裁剪感知的目标条件化方法，在固定阈值 DP-SGD 下用 v-prediction 缓解余弦扩散调度后期低 SNR 时间步的梯度放大，并引入扩散调度感知的动态加权在裁剪前加强衰减。在五个真实能源时间序列数据集上，覆盖随机点缺失、连续块缺失、持续中断及多种缺失严重程度，该方法在匹配 DP-SGD 设置下插补效用一致优于 ε-prediction 基线。梯度诊断显示裁剪前梯度范数上尾更低、裁剪比例下降，后期低 SNR 时间步衰减更强。
- 论文arXiv：可解释性
动物重识别模型学到了什么？DINOv3 中线性生物概念及其来源
基于 DINOv3 骨干、用 triplet-margin loss 微调的西部低地大猩猩重识别模型，其表征中性别与年龄以线性方向存在，对留出个体可达 0.91 AUROC，且每个个体仅需一张图像即可恢复。激活引导显示性别方向被模型因果使用，能显著改变预测性别；对比现成与微调骨干表明重识别训练并未创造这些概念，而是将其在网络中重新分布。数据归因进一步显示该表征反映渐变的生物轴、在群体中冗余编码，并受视觉模糊个体影响。
- 论文arXiv：危险能力与安全评测
DocTalkBN：孟加拉语专家远程医疗对话数据集
DocTalkBN 是孟加拉语真实专家远程医疗对话的大规模多模态数据集，采集自全国播出的远程医疗节目，含 557.63 小时配对音文、1,515 通多轮患者来电、10,274 组主持人与医生问答，共 1.7M tokens，覆盖 26 个医学专科。数据集保留低资源语言下真实医患交互的口语特征，并构建医疗分诊分类、建议安全评估和医疗命名实体识别三项下游任务，对多种大语言模型与编码器基线进行评测，结果显示其在临床推理类任务上尤为实用。数据集与源码已公开。
- 论文arXiv：危险能力与安全评测
研究分析 185 份真实报告：AI 聊天机器人使用相关的妄想与伤害
一项对 2025 年 8 月至 2026 年 2 月间收集的去标识化在线调查回复的横断面二次分析，刻画了与 AI 聊天机器人使用相关的心理健康伤害。研究分析了 95 份第一手和 90 份第二手叙述，中位年龄 35.0 岁。配对评分者将 102 份报告（55.1%）编码为与妄想信念一致，其中 50/102（49.0%）出现聊天机器人对信念的认可。常见后果包括孤立、关系破裂、住院、失业和财务损失，另有 4 份第二手报告描述了自杀死亡。作者强调样本为自我选择的便利样本，报告为回顾性且未经核实，结果应视为初步信号检测，而非流行率或因果证据，并呼吁开展前瞻性监测和基于轨迹的安全评测。
- 论文arXiv：危险能力与安全评测
防技能退化设计：元认知反馈减少对 LLM 助手的认知卸载
一项预注册在线实验（N=704，2×2 设计加无 AI 对照组）发现，元认知反馈能减少用户向 LLM 助手卸载答案的行为（OR=0.47），并提升随后无辅助测试的成绩（OR=1.51）。实验任务是借助仅在明确请求时才给出解答的 LLM 助手练习分数运算，之后进行无辅助测试。基于努力的奖励对卸载行为和测试成绩均未产生可检测影响。
- 论文arXiv：危险能力与安全评测
研究称 GPT 系列安全训练把性别歧视转化而非消除
一项被 EMNLP 26 主会接收的研究分析了 GPT-2 到 GPT-5 共 15 个模型、45 万条性别指向的补全文本，提出“harm laundering（伤害洗白）”概念，认为显式歧视内容在安全训练后是被转化而非被移除。研究发现 GPT-2 中针对女性的性暴力聚类到 GPT-4 已消失，而针对男性的补全获得了照护、情感表达、盟友身份等正向表征空间，女性指向的补全没有；在 GPT-5 上，一个含 1,997 篇文档的主题聚类把乳腺癌框定为男性权利议题，女性指向输出中没有对应聚类，三个独立分类器都将其判为非毒性。
- 论文arXiv：危险能力与安全评测
人机协作中的达克效应：Human+AI 得分更高但自我评估并未变准
一项 N=366 的研究对比了人类单独与 Human+AI 在推理任务上的表现，Human+AI 得分更高，但自我评估与成绩仅弱相关，平均高估程度与人类单独组相近。Human+AI 组中信心区分正确与错误答案的准确性更低，达克效应在两组均存在且该组对比更明显；控制分数噪声后效应减弱但未消失。研究据此区分了表现增强与元认知增强，并呼吁界面支持验证、传达任务相关的 AI 模型表现。