推荐算法日报 - 2026-10-31
2026-10-31
| 2026-11-2
Words 13031Read Time≈ 33 min

推荐算法日报 - 2026-10-31

Section 1: 📊 Trend Analysis

🔥 检索系统的竞争焦点从“排序精度”转向“成本与决策账本”:Context as Infrastructure 仅用 BM25+grep 就把 BrowseComp-Plus 做到 85%、FRAMES 做到 91%(两基准不可直接比较),并指出真正的瓶颈已变成重复查询、重读文档与窗口占用——证据充分时查询 token 降 91%、平均降 38%,延迟从 140s 降到 30s。Completeness and Cost 给出同一条曲线的另一面:COLT 查询时零 LLM 调用即达 .328/.583,AnyTool 达 .301/.398 却要中位 31–38 次调用、约 5 分钟/查询;Search When Needed 也用 +2.1 CEM 换来总搜索次数 −6.8%。我的判断是,“会不会检索”与“值不值得检索”正在取代“检索得准不准”成为系统级指标。
💡 显式结构回归,但被证明只能作为“选择性证据”:ArchOR 用结构签名把 1,100 题 Macro-Avg 提升 2.68pp,却在全量替换基线选择器时让 Micro-Avg 下降 1.91pp,最终靠仲裁让 374 题走结构分支、726 题保留基线;KITE 去掉 facet 后准确率从 93.5% 降到 90.0%,说明类型化结构确有独立贡献。Peeling the Matryoshka 更激进——98K 参数探针即可从冻结 MRL 嵌入解码出 Graph F1 .885/.931 的分类 DAG,高于使用文档的 OLLM 参照 .644/.633;但 Context as Infrastructure 同时给出反例:RAPTOR 摘要树、PageIndex 大纲等在称职 harness 下没有可检测的精度增益。结构不是稠密检索的替代品,而是可验证、可计价的接口,关键在于何时启用它。
🔥 评测标尺上移:从“单点正确”到“元能力与系统后果”:BlindToChange 揭示 8 个前沿模型被直接询问时多数高强度配置准确率≥96.5%,原生搜索下的间接探针却下降 40.5/27.5pp(低/高强度);ProSearch 显示最强检索器在 1,515 条多约束查询上 nDCG@10 仅 0.290,90% 的 top 非相关段落至少违反一个约束——两者测的都是“是否意识到该找/是否同时满足全部条件”。Completeness and Cost 给出完整集 21/21 成功、不完整集仅 2/39 成功的下游差距;Recommendation Feedback Loops 则把评测拉到城市尺度,循环内 21–71% 训练场所无访问,且离线准确率最高的 UR-POI 隔离也最高。评测对象正从答案本身扩展到“该不该检索、检索是否完整、长期有何后果”,这会反过来改变系统的优化目标。

Section 2: 📋 今日速览

  • BrowseFlow(工业界,机构未披露)提出 extent-first 分解 + 离散流匹配的生成式用户模拟,TaobaoBrowse 上 ES 0.07264、Count W1 0.0697 均为最优。↗
  • Search When Needed(工业界,机构未披露)用局部结论可靠性监督“搜索/不搜索”决策,7B 模型在 7 个 QA 基准上平均 CEM 69.3(较 HiPRAG +2.1),总搜索次数减少 6.8%。↗
  • AutoAnalysis(工业界;Harvard Business School、MIT Sloan)发布自动化、可重跑的元分析平台,综合 420 篇论文的 1,955 个效应量,得人类增强 g=0.53、人机协同 g=−0.35。↗
  • ProSearch(学术界,机构未披露)发布首个实验科学多约束协议检索基准,1,515 条查询上 19 个检索器的最佳 nDCG@10 仅 0.290。↗
  • ArchOR(学术界,机构未披露)提出结构感知技能检索与仲裁,1,100 题 Macro-Avg 提升 2.68pp 至 60.61%,但全量替换基线使 Micro-Avg 下降 1.91pp。↗
  • Recommendation Feedback Loops(学术界,机构未披露)用四城市长期仿真量化反馈循环,循环内 21–71% 训练场所无访问,tail-boost 在 15% 准确率预算内使场所消失下降 54–75%。↗
  • Context as Infrastructure(学术界,机构未披露)把文档预编译为带逐字证据的知识工件并由 harness 门控,平均查询 token 降 38%(证据充分时 91%),延迟 140s→30s。↗
  • Completeness and Cost(学术界,机构未披露)系统比较六类多工具检索结构,多目标 completeness@10 仅 .08–.17,COLT 以零 LLM 调用达 .328/.583。↗
  • KITE(学术界;Memoket AI、Stuttgart、Georgia Tech、清华)提出向量无关的决策式长期记忆检索,LoCoMo 93.5%、LongMemEval-S 86.0%,读者上下文仅 1.5k/1.6k tokens。↗
  • MILES-Rec(学术界,机构未披露)从移动行为推断跨域 POI 意图并用 GRPO 优化,4B 模型 Hit@50 由 1.50% 升至 3.40%,27B 变体取得最高 SIA@10。↗
  • Towards Trustworthy MORS(学术界,机构未披露)为观点论文,提出“法律合规—鲁棒性—伦理规范”的可信框架,未报告实证结果。↗
  • PEEL(学术界,机构未披露)用 98K 参数探针从冻结 MRL 嵌入解码分类 DAG,wiki-ol / arXiv-ol 的 Graph F1 达 .885 / .931。↗
  • KERE 策略对比研究(学术界,机构未披露)构建摘要与全文两个数据集比较五类 LLM 关系抽取策略,LoRA-T5 以 macro F1 0.7408 / 0.7013 最佳。↗
  • Fidelity Synopses(学术界,机构未披露)用 cell×配置的 fidelity 统计做查询前 ANN 选型,16 个模型×方向组合成本全低于静态方案,中位 0.72×。↗
  • AUDIOHELIX(学术界,机构未披露)构建分层 DualGraph 长音频 RAG,9 个模型×基准组合全面提升,延迟降 11.1×、TFLOPs 降 17.6×。↗
  • How BERT-based Cross-Encoders Model Relevance(学术界,机构未披露)追踪相关性信号在层间的流动,发现 relevance 最后几层先汇聚到 query token 再传入 [CLS];具体性能数字未报告。↗
  • Page-Centric VDR(学术界,机构未披露)形式化页面级视觉文档检索并审计 42 个基准,指出评测集中于独立项检索、分级判断稀缺。↗
  • Pix2Evidence(学术界;Tongji University、Tencent Yuanbao)提出截图 tile 与转写文本联合编码的多模态 RAG,重排后 NQ 33.2、NQ-Tables 27.1、SimpleQA 77.6。↗
  • BlindToChange(学术界,机构未披露)发布直接/间接探针配对基准,8 个前沿模型直接探针多数配置≥96.5%,间接准确率中位在逝世事件下降 40.5/27.5pp。↗
  • On-device Detection of Wearer-induced NLOS(学术界,机构未披露)在同一设置下对比链路指标与机器学习分类器并评估 16 种混合方案,平均准确率 85.8%–93.1%,部分方法 +1% 准确率却带来 27.8× 运行时。↗

Section 3: 🎯 今日主题

检索作为决策程序:从 top-k 到「何时、是否、多少」

问题背景。 检索增强系统的精度红利正在见顶——Context as Infrastructure 仅用 BM25+grep 就把 BrowseComp-Plus 做到 85%、FRAMES 做到 91%——但检索仍被当作无条件的 top-k 调用,系统的成本与失败模式因此转移到别处。
  • 智能体不会主动核实可能过时的假设:BlindToChange 中模型被直接询问时多数高强度配置准确率≥96.5%,原生搜索下间接探针准确率中位却下降 40.5/27.5 个百分点。
  • 固定 top-k 无法表达“没有匹配”:KITE 指出 embedding 相似度无法判断检索到的记忆是否满足问题条件,也无法显式返回 no-match。
  • 多工具请求要求完整工具集,而现有检索器按单工具查询构建:四目标以上 completeness@10 仅 .08–.17。
  • 上下文成本缺少计价:重复查询、重读文档与无关段落塞满窗口,Context as Infrastructure 测得证据不充分时 token 反而上升 1.9%。
代表方案对比。 六篇工作从不同层把“检索”改写为带状态的决策,而不是一次打分。
  • Search When Needed(工业界,机构未披露):切口是“搜索/不搜索”的监督信号错配,做法是用局部结论的序列级不确定度构造动作特定过程奖励并接 GRPO,结果 7B 模型平均 CEM 69.3、较 HiPRAG 高 2.1,总搜索次数减少 6.8%。
  • KITE(Memoket AI / Stuttgart / Georgia Tech / 清华):切口是相似度排序无法判定条件满足且固定 top-k 不返回 no-match,做法是把查询编译为类型化计划在 posting list 索引上确定性执行,结果 LoCoMo 93.5%、LongMemEval-S 86.0%,读者上下文仅 1.5k/1.6k tokens。
  • Completeness and Cost(机构未披露):切口是多工具请求的“全有或全无”,做法是固定嵌入与 LLM 后端、系统比较六类检索结构并单列调用成本,结果 COLT 以查询时零 LLM 调用在 AppWorld / MCP-Bench 达 .328/.583,AnyTool 达 .301/.398 但中位需 31/38 次调用。
  • Context as Infrastructure(机构未披露):切口是准确率已被 harness 解决而上下文成本未计价,做法是把文档预编译为带逐字证据的 claim–evidence 叶并由 harness 做证据门控,结果证据充分时 token 降 91%、平均降 38%,端到端延迟 140s→30s。
  • Fidelity Synopses(机构未披露):切口是离线固定一个 ANN 配置要为最难查询过度配置,做法是用 cell×配置的 fidelity 统计在查询前选配置并按预算约束违反率,结果 16 个“模型×查询方向”组合成本全部低于静态方案、中位 0.72×。
  • BlindToChange(机构未披露):切口是现有基准写明要找什么、测不出“是否意识到要找”,做法是为同一事件配对直接与间接探针,结果直接探针多数高强度配置≥96.5%,间接准确率中位在逝世/任期事件分别下降 40.5/27.5 与 18.7/15.0 个百分点。
核心差异。 它们都把“检索”拆成状态机,但决策层与依据不同。
  • 沿“决策对象”轴:Search When Needed 训练“何时检索”,BlindToChange 诊断“何时该核实”,KITE 与 Completeness 管“检索到什么程度才算够”,Fidelity Synopses 管“用哪个执行配置”。
  • 沿“决策依据”轴:Search When Needed 依赖学习到的可靠性映射,KITE 与 Context as Infrastructure 依赖符号化契约和类型校验,Fidelity Synopses 依赖离线经验统计。
  • 共同前提是接口必须能表达负向状态——不检索、no-match、不完整、证据不足;传统 top-k 列表没有这些状态,也就无法把成本纳入优化。
一句话:这不是又一轮检索器精度竞赛,而是检索接口协议的重新设计。
趋势判断。 下一阶段的竞争点会从“召回多少”转向“状态是否可判定、成本是否可计价”。
  • 检索接口将从 top-k 列表扩展为带状态与预算的协议;KITE 的 no-match 与 Context as Infrastructure 的盈亏平衡判据是早期形态。
  • “何时检索”会成为可训练的元认知能力,Search When Needed 的过程奖励与 BlindToChange 的诊断有望形成训练—评测闭环。
  • 成本账本会进入主表:token、LLM 调用次数与延迟将与 nDCG 并列,Completeness and Cost 与 Fidelity Synopses 已经这样做。
方案
机构
提升幅度
部署状态
数据规模
场景泛化
置信度
Search When Needed
未披露(工业界)
CEM 69.3(较 HiPRAG +2.1);搜索总次数 −6.8%
未披露
7 个 QA 基准;7B 主模型
Qwen2.5-3B / Llama-3.2-3B 可迁移
中高:多基准 + 消融
KITE
Memoket AI / Stuttgart / Georgia Tech / 清华
LoCoMo 93.5%(较 EverMemOS +0.4pp);LongMemEval-S 86.0%(+3.0pp)
未披露
1,540 + 500 题
两套长期记忆基准;单会话偏好 63.3% 为弱项
中:LLM-as-judge
Completeness and Cost
未披露
COLT .328 / .583;AnyTool .301 / .398;免训练结构 k=16 仅 9.6%
未披露
AppWorld 345 查询 / 456 API;MCP-Bench 103 任务 / 257 工具
需域内标注(COLT)或每查询 31–38 次 LLM 调用(AnyTool)
中高:六类结构系统对比
Context as Infrastructure
未披露
平均 token −38%;证据充分时 −91%;延迟 140s→30s
未披露(附部署判据)
BrowseComp-Plus、FRAMES
无向量索引;依赖称职 harness
中:含明确负结果
Fidelity Synopses
未披露
成本中位 0.72× 静态;按查询最优 0.20–0.41×
未披露
LAION 5.8M;341K 留出;9 个配置
4 个嵌入模型 × 3 个 ANN 家族
中高:16/16 组合
BlindToChange
未披露
间接探针 −40.5 / −27.5pp(逝世);−18.7 / −15.0pp(任期)
公开评测基准
2,078 + 751 事件
8 个前沿模型、原生搜索环境
中高:人工一致率 99.5% / 98.5%

Section 4: 📰 Daily Digest

1. ProSearch: Benchmarking Multi-Constraint Protocol Retrieval in Experimental Science(未披露)

论文提出 ProSearch,这是首个面向实验科学多约束协议检索的基准,填补了现有基准缺少对“多约束联合绑定”能力系统性评估的空白——查询基于真实实验记录与专家模板,覆盖 60 个实验字段及其依赖关系,每条查询含 3–5 个显式约束(含数值与否定约束),共构建 1,515 条查询、六个实验领域。方法上采用专家引导的流水线:专家定义字段、依赖与角色级模板,GPT-5.2 抽取结构化协议记录并归一化,GPT-5.4 生成自然语言查询并判定相关性,Claude Sonnet 4.6 从忠实性、清晰度、检索有用性三维质检,且段落相关当且仅当同一实验配置下该段落同时满足全部约束,以避免拼接不同配置造成的假匹配。在 1,515 条查询上评测 19 个检索器(稀疏、通用稠密、科学、推理导向),以 nDCG@10 为主指标,最佳检索器 Qwen3-Embedding-8B 平均仅 0.290,重排序后为 0.474,结构化诊断与混合诊断分别达到 0.774 与 0.814,查询改写收益有限(最佳 DIVER-QExpand 仅 +0.027);对 300 个查询-段落对的人工错误分析显示,90% 的 top 非相关段落至少违反一个约束。结论指出,现有检索器(包括推理导向模型)难以在同一实验配置内联合满足全部约束,联合约束绑定才是核心瓶颈,而显式约束匹配提供了强排序信号,ProSearch 因此为科学检索系统与下一代科学智能体提供了可系统评估的测试平台。↗

2. Structure-Aware Skill Retrieval and Arbitration for Optimization Modeling(未披露)

论文把检索识别为 LLM 优化建模智能体中“原型中心化技能库”的瓶颈:原始缓存技能向量会模糊原型边界,纯语义技能卡则让结构不兼容的工作流显得适用,论文提出的 ArchOR 仅改变查询到技能的路由方式。方法上,CARL 用低秩原型残差(λ=0.35、残差秩 r=16)把缓存向量的近邻排序拉向结构原型,S3R 为每个技能附加开放维度结构签名(problem_class、var_pattern、constraint_family、objective_form、solver_backend),按加权 Jaccard 重叠优先排序,仅对前 K=8 个候选做 LLM 语义重排,并用保基线仲裁规则决定是否替换原选择器。在 OptiBench(605)、OptMATH-Bench(166)、Mamo.C(211)、IndustryOR(100)、ComplexOR(18) 共 1,100 题上,使用同一 DeepSeek-V4.1-Flash 骨干与冻结技能库评测求解器验证的 Pass@1,ArchOR 相比 OptSkills 提升 Macro-Avg 2.68pp(至 60.61%)与 Micro-Avg 1.64pp(至 65.00%),多答对 18 题(697→715),McNemar 检验 p=0.0009,五个基准全部有提升,ComplexOR 增幅最大(5.55pp);CARL 留一法检索诊断将 Hit@1 从 0.607 升至 0.804,但直接全量替换基线选择器反而使 Micro-Avg 降至 61.45%(-1.91pp)。论文据此把结构检索定位为“选择性证据”而非普遍替代:直接替换有害,仲裁能在保留基线成功的同时收获结构收益,1,100 题中 374 题走结构分支、726 题保留基线分支。↗

3. BrowseFlow: Sparse Event Flow Matching for Generative User Simulation(未披露)

论文针对同一推荐流下同一用户会产生不同浏览轨迹的随机响应问题,以及点击、点赞等关键事件高度稀疏(三个数据集中正反馈仅占有效曝光的 1.52%–5.96%),提出生成式用户模拟方法 BrowseFlow,以浏览范围(extent)与有序关键事件序列表示完整浏览响应。方法上采用 extent-first 分解 p(D,E|X)=πη(D|X)pθ(E|D,X_D):先用 session Transformer 与 history Transformer 对可达浏览范围打分并采样 D,再屏蔽深度 D 之后的物品进行二次编码,随后用连续时间马尔可夫链对有序事件序列做离散流匹配,插入操作的转移率分解为总强度与归一化的间隙、深度、事件标记三因子,事件数量由插入过程隐式学习而非单独计数头预测。在 TaobaoBrowse(100K/10K/20K,关键事件率 5.48%)、KuaiRand-Like(1.52%)与 AdSERP(5.96%)三个数据集上,BrowseFlow 均取得最优 ES 与 Count W1:TaobaoBrowse ES 0.07264(最优基线 DBN 0.10847)、Count W1 0.0697(最优基线 UserSim 0.2595),KuaiRand-Like 为 0.02703/0.0207,AdSERP 为 0.14271/0.1215;但 TaobaoBrowse 上 AUC 0.6126 低于多个局部预测器。消融显示稀疏表示与插入式流匹配互补,完整模型优于稠密自回归(0.07815、0.45158),说明强局部预测能力并不必然带来对条件响应分布的准确建模,论文由此把稀疏关键事件与随机响应统一为基于浏览范围和离散流匹配的结构化条件生成问题。↗

4. Search When Needed, Proceed When Reliable: Metacognitive Reliability Supervision for Efficient Agentic Search(未披露)

论文指出用最终答案正确性或轨迹级反馈监督搜索决策存在“性能与可靠性错配”——不搜索而答对可能只是无依据的幸运猜测,有信息量的检索也可能因后续推理失败而答错,因此提出用中间推理状态中局部结论的可靠性来监督“搜索”与“不搜索”决策的元认知框架。方法以序列级不确定度(结论 token 的平均负对数似然)衡量局部可靠性,并为每个骨干拟合不确定度到经验准确率的映射 f_m(50,000 个状态、每状态采样 32 条结论、100 个等宽区间核平滑),对不搜索决策计算 S_cur = R_ns − b_m,对搜索决策用匹配探针(保持状态与查询相同、只改变是否含检索证据)计算 ΔR,再将两个动作特定过程奖励与答案奖励、格式奖励相加输入 GRPO。在 7 个 QA 基准上,7B 模型平均 CEM 为 69.3,比最强基线 HiPRAG(67.2)高 2.1 分且全部数据集均有提升,搜索次数单跳减少约 20.9%、多跳增加 6.6%、总体减少 6.8%(1.64 vs 1.76);消融中完整方法为 65.9,仅当前状态分数 63.4、仅搜索动作分数 62.3、用原始置信度替换映射 61.9、无过程奖励 61.2。结果表明两个动作分数互补、经验可靠性映射优于原始置信度,且增益可跨模型规模与家族迁移(Qwen2.5-3B 为 65.9、Llama-3.2-3B 为 66.1),实现按任务类型重分配检索的准确率–效率权衡。↗

5. Recommendation Feedback Loops Shape Urban Income Segregation and Venue Visitation(未披露)

论文针对平台仅用离线准确率评估位置推荐系统、无法刻画反馈循环长期城市后果的问题,构建了基于真实移动数据、含距离与容量约束的长期仿真框架,量化体验性收入隔离与场所消失。方法上基于四个美国都市区细粒度 GPS 移动数据模拟居民按观测日程进行餐饮出行,推荐受出行距离与场所有限容量约束,系统每周用过去四个月轨迹重训练形成人–AI 反馈循环,并与仅训练一次的 out-of-loop 基线对比,覆盖 UR-POI、ItemKNN、UserKNN、Markov 四种算法,另测基于 CAPRI-FAIR 线性重打分的 tail-boost 干预。实验显示循环内最后六个月 21–71% 训练场所无访问(out-of-loop 为 5–30%),其中 55–75% 由重训练造成且损失集中于低活跃、低收入社区;UR-POI 准确率最高(波士顿 NDCG@20 .322)但隔离也最高(S_i .353,观测值 .291),tail-boost 在 15% 准确率损失预算内使场所消失下降 54–75%、三种算法下隔离下降 4–14%,活动密度每增加一个标准差,场所无访问几率降低 48%(OR .52)。论文由此指出反馈循环中越准确的算法使人越隔离,仅按离线准确率选择算法会带来系统性的城市社会后果,主张影响评估应纳入反馈循环并报告隔离与场所消失指标。↗

6. AutoAnalysis: An automated, self-updating meta-analysis of human-AI collaboration(Harvard Business School、MIT Sloan School of Management)

AutoAnalysis 针对人机协作实证结论相互矛盾、传统元分析高度依赖人工且难以吸收新证据的痛点,构建了一个自动化、可定期重跑的平台,让前沿 AI 代理完成检索、筛选、全文审阅、效应量提取与综合的全流程。方法上,gpt-6.1-sol 负责清洗与摘要筛选、gpt-6-astra 负责全文审阅与效应量提取、Claude Fable 5.1 负责审计,并通过 OpenAlex API 做前向与后向引文滚雪球扩展语料,以 Hedges' g 为效应量、采用三层随机效应模型配合稳健方差估计与 Knapp–Hartung 校正,分别度量人类增强(人机组合 vs 人类单独)与人机协同(人机组合 vs 人类或 AI 中较优者)。2026-10-26 数据版本综合 420 篇论文的 1,955 个效应量(滚雪球得 15,495 条记录、摘要筛选纳入 2,403 篇),人类增强 g = 0.53(95% CI [0.45, 0.61],p < 0.001),人机协同 g = −0.35(95% CI [−0.52, −0.18],p < 0.001,基于 171 个效应量),异质性 I² 分别为 92.9% 与 93.8%。结论是人机组合平均显著优于人类单独、却显著劣于人类或 AI 中较优者,"提升人类表现"与"实现人机协同"是两个不同目标,评估协作须同时对标人类与 AI 单独表现——这一模式与 2024 年主要基于非生成式 AI 的元分析一致,即便研究几乎不重叠,说明生成式 AI 能力更强并未消解协同难题。↗

7. Context as Infrastructure: Knowledge Compilation for Retrieval in Agentic Systems with Harnesses(未披露)

论文指出 agentic 检索的准确率问题已被搜索 harness 基本解决——仅用 BM25+grep 与 MiniMax M3 即答对 BrowseComp-Plus 85%、FRAMES 91%(两基准数字不可直接比较)——真正的瓶颈已转为循环重复查询、重读文档、把用不上的段落塞满窗口等上下文成本,因此提出在查询前用 LLM 将源文档编译为带逐字证据、血缘可追溯的类型化工件的"知识编译"供给层,与作为控制侧的 harness 分工。其管线为 Parse→Chunk→Enrich(抽取器 glm-4-flash)→Validate(证据跨度须与源文逐字匹配,校验不过的单元直接丢弃)→Assemble→Register(登记源版本、偏移、抽取器版本、校验状态与访问控制标签),核心是可测的"主张-证据对"⟨c,e,s,τ⟩ 叶导航树,提供证据优先检索、证据替换与决策门控阅读三种服务模式,harness 则以能力检查→证据预取→证据门控→有预算的并行工具循环→兜底作答并绑定引用与成本归因五站点约束循环。在 BrowseComp-Plus 与 FRAMES 上(全程无向量索引与稠密检索腿),证据充分时总查询 token 降 91%、不充分时升 1.9%、平均降 38%,反推实测充分率约 43%、盈亏平衡充分率约 2%,决策门控把端到端延迟从 140 s 降至 30 s,摊销规则 N*≈2.6c、有穷部署判据为 p_h > 2.0% + c/(0.929Q);同时给出负结果:在称职 harness 下,RAPTOR 摘要树、PageIndex 大纲、LLM wiki、实体关系图等在 FRAMES 上无可检测的精度增益,PageIndex 式目录在大纲规模下反成负资产。作者据此主张检索首先是 harness 问题而非索引问题,知识编译的价值应记在成本与部署账本而非精度账本——主张-证据叶机制带来 38% 的平均 token 节省与明确的盈亏平衡/摊销判据,而本体、图、wiki 等工件应在治理、跨源整合、时间定位等可预注册指标的部署维度上评估。↗

8. Completeness and Cost of Retrieval Structures for Multi-Tool Requests in LLM Agents(未披露)

论文针对"多工具请求下工具检索器必须返回完整工具集否则任务失败,而现有检索器主要按单工具查询构建与评测"的错配,系统比较了六类检索结构在完整度与检索成本上的表现,并在 ToolRet 上揭示聚合完整度掩盖了单目标与多目标两种差异明显的情形。方法上固定 bge-base-en-v1.5 为嵌入模型、DeepSeek-V3.2 承担所有 LLM 步骤,每类结构按其作者原设计运行(COLT 与 HYSET 在测试床训练查询上训练,其余免训练),比较 BM25/bge/e5 扁平检索、LLM 查询分解、AnyTool 层级导航、MCP-Zero 先服务器后工具匹配、Graph-of-Skills 依赖图与集合级训练检索器,并单独计量每查询 LLM 调用次数、token 与墙上时延。实验在 AppWorld 345 条测试查询(456 个 API,必需集 2 至 12 个、中位 6)与 MCP-Bench 103 个任务(257 个工具,97 个需多工具)上进行:单目标 completeness@10 为 .58–.67,四目标以上仅 .08–.17;k=16 时免训练且每查询至多一次 LLM 调用的结构在 AppWorld 最多完成 9.6%;两个领先结构成本迥异——COLT 分别达 .328 和 .583 且查询时零 LLM 调用(需 75–90 条域内标注查询训练),AnyTool 达 .301 和 .398 但中位需 31 和 38 次 LLM 调用、约 5 分钟/查询。结论是多工具完整检索只能靠域内标注数据训练的集合级检索器或每查询数十次 LLM 调用的层级导航来换,完整度是下游成功的有效代理(完整集 21/21 成功,不完整集 2/39 成功),且两类领先结构失败模式不同——COLT 漏掉的工具 58% 排在 17–50 名、AnyTool 的 241 个不完整查询中 162 个漏掉前置 API——分别指向"更大预算或集合感知重排序"与"沿生产者-消费者依赖补全"两种改进方向。↗

9. KITE: Retrieval as a Decision Procedure for Long-Term Conversational Memory(Memoket AI Research、Universität Stuttgart、Georgia Institute of Technology、Tsinghua University)

KITE 指出基于 embedding 的相似度排序无法判断检索到的记忆是否满足问题条件、固定 top-k 不显式返回"无匹配",且存储需 O(Nd) 空间、换编码器需重建索引,因而提出向量无关框架把记忆检索形式化为显式决策过程。方法上,每个会话转为带来源、治理主题与类型化 facet 的结构化记忆条目 m=⟨x_m, ρ_m, T_m, A_m⟩,在 topic/entity/participant/object/place/event 六类键上建 posting list 索引,查询编译为类型化计划 πᵢ=⟨select, where, pipe⟩ 后经固定类型语法与索引校验确定性执行(同类型键取并集、跨类型条件取交集,无候选按预定义序列松弛,全部失败则显式返回 no-match),候选用固定可解释评分 S_θ 排序并辅以确定性稀疏词法通道,不使用稠密向量或神经重排。在 LoCoMo(10 段多会话、1,540 题)与 LongMemEval-S(500 题)上以 LLM-as-a-judge 评估,KITE 达 93.5%(超 EverMemOS 0.4pp、超全上下文 2.6pp)与 86.0%(超 EverMemOS 3.0pp、超全上下文 29.2pp),时间推理为 92.2%/85.7%(后者领先次优 8.3pp),而读者上下文仅 1.5k/1.6k tokens(EverMemOS 为 2.3k/2.8k,全上下文为 20.3k/105.1k);固定记忆库对比中准确率/召回率为 93.5%/87.4% 与 86.0%/97.6%,均高于 dense、BM25 与 hybrid,消融去掉 facet 降至 90.0%、仅词法通道降至 81.2%、改用 Recency 排序降至 60.6%。结论是长期对话记忆无需稠密相似度检索或全历史输入也能以紧凑读者上下文取得领先准确率,受控的词表扩展与合并可抑制主题碎片化,而单会话偏好问题(63.3%)仍是薄弱环节。↗

10. MILES-Rec: Uncovering Implicit Intents from Mobility Behaviors for Cross-Domain POI Recommendation(未披露)

MILES-Rec 解决从空间移动域(搜索、路线、导航等地图行为)到本地服务域的跨域 POI 推荐问题,弥合工具性移动行为与商业服务消费之间缺乏直接物品级重叠的功能鸿沟,将任务形式化为从噪声异构地图日志与用户画像中推断一组优先排序的互补服务意图。方法为两阶段框架:先以渐进式思维链演示做监督微调(情境理解→意图扩展→查询排序),再用意图对齐 GRPO 利用后续目标域交互反馈优化查询生成策略,行为奖励由微调的 BGE-reranker-v2-m3 服务匹配(263 个细粒度类别、12 大组,match/compatible/mismatch 三关系)与 Qwen3-Embedding-8B 语义相似度相乘、经最大权一对一匹配计算带排名折扣的覆盖率,并通过两级信用分配协调单条查询相关性与整列表覆盖度。在 MILES-Bench(19,006 条 SFT 演示、3,000 名 RL 用户,MapRec-Rich 与 MapRec-Sparse 各 1,000 用户覆盖 10 城市)上,Qwen3.5-4B 经 GRPO 使 Rich 的 Hit@50 从 1.50% 升至 3.40%、NDCG@50 从 0.171% 升至 0.325%,27B 变体在两基准上取得最高 SIA@10(42.45/21.35)与 SDA(72.19/43.43),四个 backbone 规模(4B/9B/27B/122B-A10B)上 GRPO 相对 SFT 在 Recall@50、NDCG@50、SIA@10、SDA 上均一致提升,并优于 GPT-4o、DeepSeek-v4-pro 等通用 LLM 及 GLoSS、Rec-R1、PIGEON-history、Content-ComiRec-SA 基线。结论是从移动行为推断优先排序的服务意图查询能同时提升具体 POI 检索效用与服务/语义对齐,基于后续交互的行为策略优化在四个模型规模上均带来一致增益,为地图平台利用海量移动日志主动发现本地服务需求提供了可解释、可训练、可跨规模落地的方案。↗

11. Towards Trustworthy Multi-stakeholder Recommender Systems(未披露)

论文指出多目标与多利益相关者推荐(MORS/MSRS)研究对可信性的讨论多局限于偏见、不公平、隐私等负面风险,呼吁补入价值敏感的正向维度,并主张以"法律合规—鲁棒性—伦理规范"的可信 AI 三部分结构对齐基本权利与社会价值。作为观点/展望型论文,其方法为文献综述与概念分析,以 EGTAI 七项可信 AI 要求及 DSA、UCPD、CRD 等欧盟监管框架为依据,以社交媒体平台为主要场景,逐一梳理用户、内容生产者、平台、开发者、监管者、审计者与社会的目标冲突(如创作者推广健康生活方式与饮食失调用户福祉之间的张力),并论证推荐物品不应被视为独立利益相关者。实验未报告——全文无数据集、评价指标或实证结果。作者认为可信性来自对多方价值、目标与不可避免张力的平衡考量而非单纯技术方案,据此提出可信多目标推荐(如 MORS 场景下"对谁公平"的特殊性)、人类价值可操作化、多目标计算复杂度与复杂监管应对四个未来方向,推动案例化、情境敏感的伦理评估与系统化利益相关者识别方法。↗

12. Peeling the Matryoshka: Extracting Ontological Structure from Retrieval Embeddings(未披露)

针对自动分类法构建中聚类方法需逐语料调参、层级不稳定,而 LLM 流水线依赖昂贵任务特定训练且难以跨域迁移的两类瓶颈,论文发现 MRL 嵌入的每个前缀本身可用且前缀长度与金标准分类法的粗到细粒度对齐,并通过打乱维度与末尾 k 维反向两个对照把信号定位到学习到的早期前缀维度,进而提出 PEEL:仅凭概念词表、无需文档与任务特定嵌入训练,即可从冻结检索嵌入中解码分类 DAG。PEEL 在冻结 MRL 嵌入上训练 98K 参数探针(768→128 线性层 + ReLU),以序嵌入损失(margin m=4.0)把层级表示为向量坐标包含关系,训练时随机截断维度 d∈{64,128,256,384,512,768} 并零填充回 768,推理时以坐标违反分数构建有向图、经 Chu-Liu/Edmonds 最小生成树得到无阈值树再按最低违反分数贪心加边扩展为 DAG,探针仅用 wiki-ol 金标准父子边训练(80/10/10 边级划分、负采样 10:1),单 GPU 约 4 秒。在 OLLM 基准的 wiki-ol(8,033 个概念、14,673 条边、深度 3)与 arXiv-ol(61 个类别、深度 2)上,PEEL 仅用概念词表取得 Graph F1 .885 与 .931(零样本迁移)、Cont. F1 .551 与 .604,而使用文档的 OLLM 跨任务参照仅为 Graph F1 .644/.633;消融中 d=512 时 Cont. F1 最高(.551),仅 24K 参数的 dout=32 仍有 Graph F1 .870,三个架构不同的 MRL 模型(Nomic 137M、jina-v3 572M、Qwen3 600M)上 ANOVA 效应量 η² 随分类深度递增(深度 3 达 .34–.40,Cohen's large)。作者认为仅面向检索训练的 MRL 嵌入沿维度轴隐含编码了粗细粒度梯度,98K 探针即可将其解码为显式父子(is-a)结构而无需重训编码器或访问文档,其价值在于把结构归纳隔离为可分模块、可与任意概念发现前端组合成端到端分类法管线,但验证仅覆盖 OLLM 两个领域,向生物医学、法律等专业领域及更深层级的迁移仍待探索。↗

13. Enhancing Knowledge Entity Relation Extraction in Abstracts and Full-text Content of Academic Articles Using Large Language Models(未披露)

针对学术论文知识实体关系抽取(KERE)缺乏系统性策略对比的问题,论文构建了 NLP 领域 Abstract 与 Full-Text 两个人工标注数据集,在文献综述与论文分析基础上设计关系体系并新增 sequence-of、directed-compare、problem-exist 三种关系类型,系统比较五类基于 LLM 的 KERE 策略,另提出 SLM-enhanced open-source LLMs 与 closed-source LLM-enhanced open-source LLMs 两种此前研究较少的策略。方法以两条主线组织:闭源 LLM 的 CoT 提示(human-instructed reasoning + 相似度 KNN 检索 few-shot + 推理模块)与开源 LLM 的 LoRA 适配,并叠加三种增强策略——闭源 LLM 为每个实体生成文本描述并与原输入拼接、SLM 输出关系类型概率分布取 top-N 作为先验写入提示以缩小候选标签空间、闭源 LLM 既作关系解释生成器扩充训练样本又作 0–5 打分器保留 si≥4 的高质量样本用于 LoRA。实验中 Abstract 数据集从 SciERC 选取 305 篇 NLP 摘要,Full-Text 从 ACL Anthology Corpus(1979–2015,共 4,641 篇)每年随机抽 2 篇共 74 篇全文,LoRA-adapted T5 以 macro F1 0.7408 与 0.7013 取得最高;开源 LLM 用单张 RTX 4090(24GB)适配(epochs=2、梯度累积=4、学习率 3e-4),SLM(BERT/Longformer/SciBERT)Abstract 训练 20 epochs、Full-Text 10 epochs(batch size 16、学习率 3e-5、最大长度 512)。结论表明 LoRA 适配的开源 LLM 整体表现最佳且 LLM 生成的实体描述可使 SLM 获益,但不同策略缓解 SLM 各类错误的效果因错误类型而异,将具有不同错误模式的策略组合使用可进一步提升 KERE 性能。↗

14. Fidelity Synopses: Pre-Execution Plan Selection for Approximate Vector Search(未披露)

论文指出向量搜索部署普遍离线固定一个 ANN 配置、因而要为最难查询过度配置,并把"执行前预测各配置 fidelity"定位为向量搜索版的基数估计问题,提出按嵌入空间 cell×配置记录样本查询 fidelity 统计、配合预算规则把工作负载违反率控制在要求之内的 fidelity synopsis,并直接检验概要依赖的平滑性与配置特异性两大前提。离线用 spherical k-means 选出 K=10,000 个 landmark 划分嵌入空间,对构造样本查询各做一次精确 top-k 并运行全部配置,聚合每个 cell 与配置的平均 fidelity 及 B=20 桶直方图覆盖率;在线仅需一次 O(Kd) 最近 landmark 查找加查表,按 argmin_j c(A_j)+λ(1−π̂_j) 选配置,λ 经 5 折交叉拟合按违反率要求选定,概要规模为 O(K(d+mB)) 且不含精确搜索,同一区域对 HNSW 与 IVFPQ 难度不同故为每配置单独保留统计,样本少于 q_min=10 的稀疏 cell 回退到全样本统计。实验基于 LAION 5.8M 图文对(corpus 5,802,772、构造样本 682,444、留出 341,071),覆盖 4 个嵌入模型与 HNSW/IVFPQ/O-IVFPQ 三家族各三档共 9 个配置(k=100,τ∈{0.7,0.8,0.9},ρ=0.9),全部 16 个"模型×查询方向"组合成本均低于静态方案、中位数为 0.72×,批量查表开销 21–32 μs/查询,而按查询最优配置的成本在各模型仅为静态的 0.20–0.41×。作者认为在相同可靠性要求下概要引导的逐查询配置选择在全部设置中更便宜、面对同一索引集合的最佳静态选择仍保持优势且单索引内不增加内存,局限在于 cell 内 fidelity 变异会限制节省上限、2,048 维模型下单查询精确 landmark 扫描过慢。↗

15. Hierarchical Dual-Graph Retrieval for Long-form Audio Reasoning(未披露)

针对 LALM 处理长音频时难以聚焦分散在远距离片段中的查询相关内容、且全量输入计算开销大的问题,论文提出面向 LALM RAG 的分层 DualGraph 框架 AUDIOHELIX,据作者所知这是首次为 LALM 的 RAG 构建分层多模态图,DualGraph 通过共享概念节点连接音频块,使相关性可跨时间上遥远但内容相关的证据传播以支持多跳推理。离线阶段将长音频切为固定长度 chunk,用 Qwen2.5-Omni 提取 ASR 与事件描述,结合预训练音文编码器嵌入构建 chunk、unit、semantic concept 三级"文本+声学"双图,并用谱聚类得到 10 个声学概念质心(每个单元连接 top-3 最近质心、相似度阈值 γ=0.85);检索时从与查询最相似的概念节点出发按式(1)传播相关性(不重复访问已访问单元),以 Wc=0.05、ψ=ln(1+x) 聚合到 chunk,再经 Personalized PageRank 取 Top-Kc chunk 及每 chunk Top-Ku 声学单元,连同转录与描述按时间顺序拼成 `[{Au; Dc}; Q]` 输入 LALM(Audio-Flamingo-3 不支持多输入,音频单元按原始时间戳位置嵌入合并为单条录音)。在 TraceAV-Bench(AR 子集)、MMAU-Pro(long/ultra-long)、AudioMarathon(除 ASR 任务)上评测 Audio-Flamingo-3、Voxtral-3B、Qwen3-Omni-30B,AUDIOHELIX 在全部 9 个模型×基准组合上均优于对应基座,如 Audio-Flamingo-3 为 56.9→59.4 / 50.7→52.3 / 57.3→58.5,Qwen3-Omni-30B 为 71.3→71.6 / 66.1→67.2 / 63.7→66.1,相对 PlanRAG-Audio 提升 6.0–32.8,同时相比全量音频延迟降低 11.1×、TFLOPs 降低 17.6×,平均 32.9 分钟录音离线建图耗时 391s。作者认为分层 DualGraph 同时组织文本与声学证据并传播跨模态相关性,在多种 LALM 架构上一致带来性能提升,未来拟通过增量图更新降低离线索引成本并扩展检索以纳入流式输入信息。↗

16. How BERT-based Cross-Encoders Model Relevance in Information Retrieval?(未披露)

论文系统研究 BERT-based cross-encoder 的相关性预测机制,回答信息如何在层间流动、query-document 匹配信号如何形成、以及域内与域外行为是否一致,以弥补该结构在优化与效率改进上的理解缺口。方法上组合 Neuron Integrated Gradients、消融与 Information Bottleneck Attribution 追踪关键注意力头、FFN 神经元与信息流,并以 LDA 考察 [CLS] 中的 relevance 子空间,在 MiniLM-L12-v2(33M)、自建 MonoBERT-base 与 MonoBERT-large(340M)上以控制变量分离规模、深度(12/24 层)与预训练策略的影响。实验覆盖 TREC-DL 2019–2022(226 个 topic、超 40 万条四级相关性评估)与 BEIR 六个域外数据集(FiQA、TREC-Covid、NFCorpus、BioASQ、Natural Questions、TREC-Robust04),具体性能数字未报告(仅说明在附录 A.3 给出)。结论确认多阶段流程跨域一致:document-to-query 与 query-to-document 同等重要,relevance 在最后几层先汇聚到 query token 再传入 [CLS],且 [CLS] 在早中期层近似 no-op,而 MiniLM 似依赖 non-relevance 信号,提示不同架构构建 relevance 子空间的方式存在根本差异。↗

17. Defining Page-Centric Visual Document Retrieval and Evaluating Existing Benchmarks(未披露)

论文指出既有页面中心视觉文档检索(VDR)研究把正式任务定义与基准设计选择混为一谈,首次将页面级 VDR 形式化,明确区分"检索什么"与"如何评测"。其框架将文档建模为有序页面序列 D_i=(p_i1,…,p_iM_i),学习以父文档为条件的相关性函数 s_ij=f(q, p_ij|D_i),区分三种页面相关性语义、三种文档相关性以及独立项、证据集与迭代三种检索范式,并按文档来源与结构、查询与标注过程、标注结果三组共 8 项标准审计 42 个 VDR 基准。该工作属基准审计与文献分析、未训练新模型,性能指标未报告,但给出关键统计:仅 TaR-ViR 采用 query-to-source 标注方向,论文类语料平均约 20 页/文档、FinMRAGBench 达 133.5 页/文档,M4DocBench 的 158 个实例中 112 个为多模态,分级相关性仅见 ViDoRe V3/KoViDoRe(三级)、Nayana-IR(三级)与 MultiDocR(五级)。结论指出现有评测集中于页面级独立项检索,源自真实信息需求的查询与分级判断稀缺,应用所需能力与协议可验证能力之间存在缺口,其价值在于建立统一术语并给出按场景选基准、设计新基准的可操作规则。↗

18. Pix2Evidence: A Multimodal RAG System for Text and Visual Evidence(Tongji University、Tencent Yuanbao)

论文针对视觉丰富文档 RAG 中截图内文字事实难以检索、且主题相关不等于包含答案证据的问题,提出将截图 tile 与转写文本融合为单一图像–文本表示进行检索的 Pix2Evidence 系统。方法上以 Qwen3-VL-Embedding-2B(LoRA)联合编码约 710 万页面、2820 万 tile 的截图与阅读顺序转写(约 85% tile 转写非空),FAISS 取 top-N 后经 Qwen3-VL-Reranker-2B 重排、Qwen3-VL-4B-Instruct 生成答案,并用 Qwen3-VL-32B 教师生成的问题条件证据描述以 L=L_NCE+λL_align(λ=0.05、τ≈0.07)对齐训练。在 NQ、NQ-Tables、SimpleQA、MMSearch、Encyclopedic-VQA 五个基准上,无重排版本在四个基准准确率领先主对比、MMSearch 达 26.0%(较 PixelRAG 高 4.4 个百分点),加视觉语言重排后 NQ 33.2、NQ-Tables 27.1、SimpleQA 77.6(分别高 2.1、1.3、4.8 个百分点),证据对齐消融中前向 KL 得 0.7900 优于纯对比学习的 0.7725。结论强调 RAG 不仅要保留丰富文档内容,更要把正确证据交付读者,并给出可复现的"转写索引+教师证据训练+重排"方案;重排可按场景开关(NQ/NQ-Tables/SimpleQA 更优,MMSearch/EVQA 无重排更强),存储计算开销与端到端延迟尚未测量。↗

19. BlindToChange: AI Agents Can Find Changes When Asked But Do They Look When Needed?(未披露)

论文指出具备实时搜索能力的 AI 智能体未必会主动核实自身可能已过时的假设,而 BrowseComp 等基准已写明需查找的内容、无法暴露这类失败,因此提出 BLINDTOCHANGE 基准。该基准从 Wikidata 自动抽取逝世与任期结束两类事件,为同一现实事件配对"直接探针"(显式询问事实是否改变)与"间接探针"(推荐类请求,使实体在事件前是自然候选、事件后失去资格),以分离"找到事实"与"意识到要找"两种能力,流程由 Gemini-3.1-Pro 生成候选探针、Gemini-3.7-Flash 生成配对直接探针、Gemini-3.5-Flash-Lite 担任 LLM 评判。在 2026 年 2–6 月的 2,078 个逝世事件与 751 个任期事件上(每模型每类采样 200 个探针,评判与人工一致率 99.5% / 98.5%),8 个前沿模型仅被要求时多数高强度配置直接探针准确率至少 96.5%,但原生搜索环境间接准确率中位数在逝世事件下降 40.5(低强度)/27.5(高强度)个百分点、任期事件下降 18.7 / 15.0 个百分点,且共享环境 13/15 个配置中"未搜索/无关搜索"占逝世失败至少 75%。结论认为找到信息与意识到何时该去找是两种不同能力,声明"要找什么"的基准会高估智能体的世界变化跟踪能力,其价值在于提出一个可定期刷新、可持续追踪的新评测维度。↗

20. On-device Detection of Wearer-induced NLOS on Chest-worn UWB Tags: Machine Learning, Link Indicators, or Both?(未披露)

论文首次在完全相同的实验设置下系统对比面向穿戴式 UWB 标签的链路指标(LI)与机器学习(ML)两类 WNLOS 分类器,填补二者缺乏定量比较的空白。基于 Qorvo MDEK1001(DW1000)胸挂标签与 SS-TWR 测距,提取 PD、CL、CL* 三种 LI 及可全片上运行的 REMNet(CNN)与 XGBoost,共评估 21 个分类器并提出 16 种融合互补性的混合分类器,用 OptiTrack 动捕提供毫米级真值、完整刻画 0–360° 身体朝向,覆盖 3 个信道、3 种射频配置、2 种环境与 5 名受试者。在超 150 万条测距样本、198 种配置的 pose/mobile 两个数据集上,所有分类器平均准确率达 85.8%–93.1%(遮挡严重时接近 100%),但部分方法仅提升 1% 准确率却带来 27.8 倍运行时与 39.6 倍能耗,且准确率最高者并不总是 LOS 样本测距误差最低。结论指出分类器性能(含误分类导致的残余测距误差)强烈依赖信道与 PHY 配置,需在精度与开销间按应用需求权衡,其价值在于提供可复现的评测基准、公开数据集与选型工具 Libra。↗

本日报由 AI 自动生成,解读观点仅供参考。
  • 推荐系统
  • 日报
  • 推荐周报 2026-W45推荐算法日报 - 2026-10-30
    Loading...
    Catalog
    0%