每日 AI 论文简报（2026-10-31）
重点关注
Nemotron 3.5 Super and Lightning: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Models for Agentic AI
全文 PDF 核读。 作者：NVIDIA 及研究团队（完整名单见论文）。来源：arXiv；分类：cs.CL、cs.AI、cs.LG。
- 核心问题： 如何在长上下文、推理和工具代理任务中同时提升能力与推理吞吐。论文介绍两款混合 Mamba-Transformer MoE：Super 为 120B 总参数、12B 激活的多模态模型；Lightning 为 30B 总参数、3B 激活的文本模型。
- 方法与基线： 两款模型经过大规模蒸馏和长上下文训练；Super 额外进行印度语言继续预训练、软件工程代理中训，以及监督微调、RLVR/RLHF 和多教师在线策略蒸馏。评测覆盖代理、推理、多模态、长上下文与多语种任务；软件工程评测跨六种代理 harness，并比较 Nemotron 前代模型及其他模型。作者在论文中说明不同 harness 的得分排序会改变，因此必须连同 harness 配置一起看分数。
- 作者报告的结果： Super 在 SWE-bench Pro 报告 51.78%，作者称其以约 4.6 倍更少的激活参数超过 Nemotron 3 Ultra；印度语言继续预训练在相关基准上最多提升 9.82 个百分点。NVFP4 量化的 36 项基准中位准确率恢复为 BF16 的 99.62%；GB200 上最高报告 4,856 输出 token/秒/GPU，同时目标为每位用户至少 50 token/秒。SWE-bench Pro 单项分数不是跨代理脚手架的普遍能力保证。
- 创新、局限与复现： 论文把模型训练、量化、推测解码和代理执行效率放在同一报告中；还明确展示 harness 会改变比较结果，并报告量化前后出现的停止失败和长循环。它是模型开发方的 arXiv 报告，训练计算规模极大，文中没有可直接与其他团队对照的完整美元/FLOPs预算。污染审计受候选筛选召回率限制，且只检查题面，不能覆盖所有答案记忆或数据伪影；部分基准使用专有评判模型。论文链接了 NeMo Gym 评测与复现材料 和 Nemotron 后训练数据集，但独立团队的复现结果尚未在此报告中提供。
- 适合谁读： 大模型训练、推理部署、MoE/状态空间模型和代理评测团队。建议读第 2–4 节的模型与训练、代理基准结果、第 5 节推理效率，以及附录中的量化停止失败和污染审计。
From Intent to Improvement: Agentic Dataset Search for Better Model Training
全文 PDF 核读。 作者：Qiaosheng Chen、Kaijia Huang、Fanqi Zhou、Gong Cheng。来源：arXiv；分类：cs.AI、cs.IR。
- 核心问题： 训练数据检索不仅要找语义相似的数据集，还要核验任务、许可证、训练阶段等硬约束，并判断找到的数据是否真的有助于模型训练。
- 方法与基线： AgenticDS 把语言模型决策转成有类型的查询计划，再由确定性算子执行混合检索和有界知识图谱扩展；证据需带来源，检查不通过时只允许局部修复。作者在 200 个查询、24,908 个等级标注、15 个系统上比较稀疏/稠密混合检索和商业 LLM 代理，并另做数学、代码、医学领域的 search-to-train 受控实验。
- 作者报告的结果： AgenticDS 的 NDCG@10 比最强稠密-稀疏混合基线高 25.7%，比最佳代理基线 Claude Code 高 18.9%；主要 NDCG 差异在多重比较校正后仍显著。作者还报告，检索出的数据集在三个下游领域取得最佳准确率。
- 创新、局限与复现： 它把数据检索结果和下游训练效用连起来，并通过类型化接口与确定性校验约束代理自由发挥。局限是部分图谱关系查询的基准构造与检索引擎共享图谱，可能带来重叠优势；作者报告 200 个问题中 130 个没有图谱派生的金标，且无图谱版本仍超过非代理基线。效用实验每个领域的问题数有限、只覆盖少数基础模型，不能证明所有任务都会受益；代理主干能力仍决定排名质量。论文公开了代码与数据。
- 适合谁读： 数据中心 AI、训练数据治理、检索系统和机器学习平台团队。建议读第 3 节任务与执行契约、第 5 节检索/下游训练结果、第 6 节讨论及附录 I 的局限。
Agentic LLM reasoning in pediatric diabetes outcome prediction from multimodal medical records
全文 PDF 核读。 作者：Daniel Palacios、Guantong Qi、Anna Kadi、Natali Borrego、Sukru Aras、Michael L. Ferm、Elizabeth Kubota-Mishra、Maria J. Redondo、Zhandong Liu、Mustafa Tosur、Hu Chen。来源：arXiv；分类：q-bio.QM、cs.CL。
- 核心问题： 在儿科糖尿病的小样本、少见结局场景，能否让 LLM 代理从结构化病历、社会决定因素和连续血糖数据中给出可追溯的风险预测，并在近期化验稀疏时保持表现。
- 方法与基线： CEDAR 以 18 个月随访输入预测约 24 个月时的 7 项二型糖尿病结局及 4 项一型糖尿病结局。团队将引用病历证据的代理与经典分类器、时间序列机器学习基线放在相同留出患者上比较；另由两名儿科内分泌医生盲评代理引用的证据和推理，并测试把机器学习分数作为工具提供给代理是否有帮助。
- 作者报告的结果： 两个队列的汇总 ROC-AUC：二型糖尿病 CEDAR 为 0.815，经典 ML 为 0.700、时间序列 ML 为 0.656；一型糖尿病分别为 0.756、0.631、0.603。代理引用的 70,246 个数值中有 4 个与病历不符；医生只看引用证据和推理时，约九成案例与 CEDAR 得出相同预测，医生彼此一致率为 90.5%。作者指出收益主要出现在近期筛查稀疏的结局；提供 ML 工具分数只在一项结局上增加准确性。
- 创新、局限与复现： 引文级审计及临床盲评让预测理由可以复核。研究是单中心回顾性研究，按每个结局自适应选择测试患者，模型与统计基线的信息不完全对称：CEDAR 可使用一般临床指南先验。论文明确表示，单一时间切分和成人外部数据库检查均不能代替多中心儿科验证；工具使用收益也不是所有结局都成立。底层病历受隐私和 HIPAA 限制，不能公开下载；作者公开了分析代码与队列构建代码。
- 适合谁读： 临床 AI、电子病历预测和可解释医疗代理研究者。建议读 Results 中的队列比较与错误分析、Methods 的共同测试集与基线定义、Discussion/Limitations；医疗应用不能依据单中心回顾性结果直接部署。
EPSBench: Benchmarking LLM Agents for Earnings Forecasting
全文 PDF 核读；AI/金融应用。 作者：Yanbin Yin、Chuyu Xu、Liqin Ye、Jing Peng、Chao Zhang。来源：arXiv；分类：cs.CL、cs.AI。
- 核心问题： LLM 能否从给定时间点可用的财报、业绩电话会和新闻中，推导收入、成本等损益表驱动项，再形成有根据的季度 EPS 点预测和区间预测。
- 方法与基线： EPSBench 含 86 家美国公司、149 个公司季度。六个模型在共同 harness 中读取固定证据，按公司会计 schema 估计驱动项，由共享计算器换算 GAAP 稀释 EPS。基准与同一日期的分析师一致预期比较点预测误差，并以名义 80% 区间覆盖率检查校准；作者发布了 schemas、工具、提示、评测脚本、逐例预测和评分。
- 作者报告的结果： 六个模型中三者与分析师一致预期的点预测误差没有可检测差异，另外三者误差更高；例如 Opus 4.6 中位相对误差为 0.113%，GPT-5.5 为 0.131%，分析师一致预期为 0.111%。模型报告的名义 80% 区间实际覆盖率仅为 37%–70%，多数漏出实际 EPS 的上界，反映预测偏低；作者将大部分模型间误差差距追溯到营业利润估计。
- 创新、局限与复现： 公司特定的会计驱动项和证据引用记录，比只比较一个 EPS 数字更便于定位错误。样本仅 149 个季度，模型/API 为特定时期版本；关闭模型的推理成本和服务变化影响复现，测试不代表真实交易盈利或因果效果。不同模型的知识截止时间和可用证据仍需逐项核对，不能把公司级预测表现泛化成市场预测能力。作者公开了工具服务端、harness、提示、评测脚本和预测记录。
- 适合谁读： LLM 财务分析、基本面预测和金融基准设计团队。建议读第 2 节任务 schema、第 3 节误差与区间评分、第 4 节结果表和来源消融。
Where Do Vision Language Models Fail at 3D Reasoning?
全文 PDF 核读。 作者：Khai Le-Duc、Nguyen Kim Hai Bui、An Ngo、Nam D. Hoang、Yueqi Song、Jiarui Liu、Thai Quoc Hoang、Fang Wu、Chris Ngo、Terry Jingchen Zhang、Mona T. Diab、Ran Xu、Silvio Savarese、Xiao-Ming Wu。来源：arXiv；分类：cs.CV、cs.AI。
- 核心问题： 视觉语言模型可能答对单个判断，却未必能准确恢复物体属性、在组合题中一致使用，或真正依赖图像证据。BedBench 用可控 3D 任务拆开测这三种能力。
- 方法与基线： 基准包含 13 个程序生成任务，评估 12 个开放权重模型和 4 个前沿模型，并与人类表现对照；另使用定向微调、输入特征探针、提供中间计数文本和移除图像等诊断，检查错误来自信息提取还是信息使用。开放模型每个条件重复五次并报告均值/标准差，前沿模型由服务 API 单次评测且推理预算由供应商决定。
- 作者报告的结果： 颜色计数上人类准确率为 93.3%，最佳模型为 7.2%；一个模型微调后由 3.0% 升至 68.6%，但其“最常见颜色”答案仍常与自己的颜色计数矛盾。Qwen3.5-27B 的视觉输入探针能以 65.0% 读出精确颜色计数，而模型答案只有 3.0%；移除图像的控制还发现部分表面成功无需视觉证据。
- 创新、局限与复现： 论文不只给最终准确率，还检查跨答案一致性和图像依赖，揭示“表征中有信息”不等于模型会可靠使用。基准主要是程序生成的体素/几何场景，向自然图像和真实具身环境的外推尚待验证；前沿模型只测一次，且推理预算不一致，比较不完全公平。作者在摘要中链接了项目页与数据集；需关注提示格式、选择题偏差及重复评测方差。
- 适合谁读： 多模态模型、视觉推理和基准设计研究者。建议读第 3 节任务构造、第 4–5 节实验与诊断、第 6 节结论和 Limitations。
AI 论文
The Indian Financial Automated Advice Bias (IFAAB) Dataset: Auditing Socioeconomic and Demographic Disparities in LLM-Generated Financial Advice in India
仅依据摘要。 作者：Kriti Mahajan。来源：arXiv；分类：cs.CY、cs.AI。研究在印度金融建议场景中测量 LLM 会否因人物社会身份而改变建议，构造 31,734 条 GPT-4o 对合成人物的回答，并控制问题不变、改变性别、种姓、教育、就业、居住地、年龄和地区。作者报告男性标签人物获得的初始资源高 60.1%，建议后的总资源差距为 46.8%；加入地区信息后，性别差距降至 7.9%，显示结果强烈依赖地区设定。该反事实审计适合发现模型输出差异，但它测的是单一模型对合成画像的回答，不是现实用户的实际财富变化，也不能单独说明差异机制；摘要未列出可用代码或数据仓库。
Adaptive Query Routing: A Tier-Based Framework for Hybrid Retrieval Across Financial, Legal, and Medical Documents
仅依据摘要。 作者：Afshan Hashmi。来源：arXiv；分类：cs.IR、cs.AI。论文在小规模金融、法律和医疗语料中比较 Vector RAG、Tree Reasoning 与自适应混合检索 AHR，并用 GPT-4o-mini 判分。总体 Tree Reasoning 得分 0.900，高于 AHR 的 0.845；AHR 只在交叉引用问题得分最高，Vector RAG 延迟较低。FinanceBench 前 50 题中 Tree 为 0.938、AHR 为 0.901、Vector 为 0.821。它说明路由的价值可能取决于问题类型；但各配置的文档可见范围、提示和输出长度不同，不能把差异只归因于检索结构，样本也很小。
Vendster: An Evaluation Arena to Investigate How Forecasting Tool Quality Affects LLM Agent Behaviors in Buyer-Vendor Negotiation
仅依据摘要。 作者：Charin Polpanumas。来源：arXiv；分类：cs.GT、cs.AI。Vendster 将 M5 需求样本放进买方/供应方 LLM 谈判场景，测试预测工具误差、偏差和区间宽度如何影响下游谈判。作者在四个开闭源模型家族上报告，模型预测令销售目标达成率最多提高 17 个百分点；用人工控制预测偏差的实验发现，低估需求反而能提升对预测更敏感代理的谈判结果，而区间宽度在零偏差时无显著影响。可配置环境及代码见 Amazon Science 仓库。结果来自单一谈判实例和代理，不是现实采购或市场行为；闭源与开源模型、策略随机性也会影响比较。
KamonBench: A Grammar-Based Dataset for Evaluating Compositional Factor Recovery in Vision-Language Models
仅依据摘要。 作者：Richard Sproat、Stefano Peluchetti。来源：arXiv；分类：cs.CV、cs.LG。作者提出 20,000 个合成日本家纹图像，并配以形式化描述和容器、修饰、图案等已知生成因子；基线包括 ViT/Transformer、VGG 解码器和微调 Qwen3-VL-4B/8B。基准设计可检验组合因子恢复，而不仅是描述是否流畅；但摘要没有给出模型间的具体分数或显著性，合成家纹任务与自然图像的距离也限制外推。
Anagent For Enhancing Scientific Table & Figure Analysis
仅依据摘要。 作者：Xuehang Guo、Zhiyong Lu、Tom Hope、Qingyun Wang。来源：arXiv；分类：cs.CL、cs.AI。AnaBench 含九个学科的 63,178 个表格/图形分析实例；Anagent 由规划、检索、求解和批判四个代理组成，并用监督微调与强化学习训练组件。作者在 170 个子领域报告最高 13.43% 的免训练提升和 42.12% 的微调提升。多代理拆分复杂图表任务有助于诊断工具价值，但摘要未解释“提升”的聚合口径、基线成本或运行方差；也需要确认跨学科数据切分是否足以排除相似图表泄漏。项目页：Anagent。
LibriVAD: A Scalable Open Dataset with Deep Learning Benchmarks for Robust Voice Activity Detection
仅依据摘要。 作者：Ioannis Stylianou、Achintya kr. Sarkar、Nauman Dawalatabad、James Glass、Zheng-Hua Tan。来源：arXiv；分类：cs.SD、cs.LG。论文从 LibriSpeech 构建可控制语音/静音比例与多种噪声的数据集，提供 15 GB、150 GB、1.5 TB 三种规模；比较波形、MFCC、Gammatone 特征及 ViT、增强 DNN、卷积 LSTM 等 VAD 模型。作者报告 ViT+MFCC 在已见、未见和 OOD 场景（含 VOiCES）优于既有基线，数据规模扩大也改善 OOD 表现。公开数据规模利于复现，但最大版本存储成本高；摘要没有给逐条件数值、统一算力或采样授权细节。
The Athlete as a Scientist of One: Agentic Bayesian Experimental Design for Individualized Physiology from Consumer Wearables
仅依据摘要。 作者：Behnam Moradi。来源：arXiv；分类：cs.RO、cs.AI。EpiCoach 为单名越野山地车运动员建立可审计的个人数字孪生，用心率、GPS 和气压高度预测训练结果，并让代理在负荷/安全约束下规划下一周的两次试验。18 个月回放显示模型改善心率预测但没有改善分段时间，代理循环也未胜过静态模型；三周前瞻试运行记录 20 个预测、评分 14 个，安全人员两次否决计划。优点是预测可事前封存且可证伪；证据只有一个人、极短实时试行，无法支持群体健康结论，代码数据发布状态摘要未给具体链接。
Sparse Autoencoders as Implicit Diversification Regularisers for Cross-Sectional Cryptocurrency Returns
仅依据摘要；AI/金融双主题，金融结果见金融简报。 作者：Weijia Han、Lisha Qu。来源：arXiv；分类：cs.LG、q-fin.PM、q-fin.ST。论文用稀疏自编码器从加密资产截面收益提取稀疏因子，并在时间排序评估中与常见基线比较；作者报告组合波动率较低、所选资产相关性较低，但风险调整后收益没有超过简单反转策略，因子也不稳定。它展示表示学习可能带来分散化而非 alpha；摘要未给样本期、交易成本和完整数值，不能把波动下降解读为可交易超额收益。
Discovery of Diverse and Realistic Financial Tail-Risk Using Generative Flow Networks
仅依据摘要。 作者：Adir Serruya、Gilad Katz。来源：arXiv；分类：cs.LG。GRID 用连续 GFlowNet 生成带合理性约束的高维序列宏观金融尾部情景，目标是避免 MCMC 难探索极端区域、强化学习只生成少数模式的问题。作者报告在三次历史危机上，情景多样性、真实性和尾部风险覆盖优于 RL 与 MCMC 基线。对风险压力测试有方法价值，但收益函数/预测 oracle 本身可能错误，三场危机不代表未来分布；摘要没有具体指标和公开代码链接，无法据此判断成本或实务风险覆盖。
Agentic AI for Clustering and Relationship Discovery in Prediction Markets
仅依据摘要。 作者：Agostino Capponi、Alfio Gliozzo、Brian Zhu。来源：arXiv；分类：cs.AI。分层代理把 Kalshi 合约问题和结算规则聚类，再提出市场间有方向的关系；作者以 2026 年 2–9 月八份月度目录、3,030 万笔交易构造价格行为基准，并报告完整样本和留首周评估中，标注关系对的带符号价格变化相关性高于同主题匹配对照。该方法把文字关系与外部市场行为分开检验；相关性不能证明因果或可获利，摘要未列效应大小、费用或代码/数据链接。
LLM-Integrated Bayesian State Space Models for Multimodal Time-Series Forecasting
仅依据摘要。 作者：Sungjun Cho、Changho Shin、Suenggwan Jo、Xinya Yan、Shourjo Aditya Chaudhuri 等。来源：arXiv；分类：cs.LG、cs.AI。LBS 把状态空间模型与预训练 LLM 结合，以隐变量统一数值时间序列和文本观测，并提供灵活预测区间和不确定性估计。作者在 TextTimeCorpus 报告较此前最佳结果提升 13.20%。该组合处理多模态输入有吸引力，但摘要未提供提升口径、具体基线、外部数据验证、污染审计或推理成本，需查看切分方案后再判断泛化。
BURGER: Benchmarking and Understanding Robotic Generalization via Embodied Drawing
仅依据摘要。 作者：Xiangyu Xu、Bangshuai Peng、Ziyi Liu、Mengjie Zhao、Chenhao Lu 等。来源：arXiv；分类：cs.RO、cs.AI。BURGER 用语言指令让机械臂绘制物体或空间组合，含 282 项任务、28,200 条模拟演示，比较五类 VLA 模型的数据规模、语言 grounding 和组合泛化。作者报告一些模型受益于任务多样性，并能组合已见对象绘制未见结构；另展示一台 Franka Panda 机器人在人类干预下绘图。仿真演示可扩大规模，但真实部署仅是有限示范，不能代表复杂环境鲁棒性；代码与项目见 BURGER 页面。
MAServeBench: Benchmarking Multi-Agent LLM Serving Systems with Hierarchical Collaboration Workloads
仅依据摘要。 作者：Shengxuan Qiu、Haochen Huang、Shuzhang Zhong、Zizhuo Fu、Zebin Yang 等。来源：arXiv；分类：cs.MA。该基准将多代理协作规则纳入推理服务 workload，用可组合阶段和层级语义 trace 记录工具/模型操作依赖，并把任务完成情况连接到 GPU/NPU 执行表现。作者报告它能揭示吞吐效率不总能转化为及时完成任务，适合服务系统和硬件评测；摘要未给量化对照和算力设备细节，也不能把服务基准视为模型能力验证。作者开放了基准代码。