每日从 TechRxiv 精选工程与计算机相关预印本，拆成快讯直接发布。
24 期 · 最新 2026/11/03
据TechRxiv预印本论文，作者Ravi Natarajan提出一种面向受治理智能体系统的模式化架构方法，名为K9-AIF。论文称，智能体系统日益融合多个协作智能体、异构模型与外部工具，在企业规模下给治理、可追溯性与架构可扩展性带来新挑战；现有编排框架多侧重任务协调，对一致的政策执行、可观测性与长期可维护性支持有限。该架构以架构构建块（ABB）与解决方案构建块（SBB）的清晰分离为基础，采用配置驱动的工厂、运行时智能体加载器与分层架构抽象，以模块化、治理优先的方式组织编排、推理集成、持久化与监控。论文以图示说明这些元素如何组合为统一架构，在保持稳定架构契约的同时支持扩展性。该论文为预印本，尚未经过同行评审。
Jessica Sciammarelli于2026年3月5日发布的一篇预印本文章提出一种去中心化AI基础设施模型，将区块链集成到机器学习运维（MLOps）工作流中，以增强数据治理、模型可追溯性和生命周期透明度。文章称，现代AI系统依赖数据管道、MLOps与云服务构成的复杂基础设施栈，而这些组件的中心化控制带来数据操纵、缺乏可追溯性和治理失效等风险。该模型使用智能合约执行治理策略、控制数据集访问权限，并在模型工件全生命周期内进行登记。文章称，该架构表明区块链可在不牺牲性能或可扩展性的前提下，为现有AI基础设施补充去中心化协调、可审计性与策略执行能力。该文为预印本，尚未经过同行评审。
Rohith Namboothiri在预印本中提出授权优先检索（AFR）架构，要求授权机制在检索候选集进入任何学习组件之前先行约束。作者称，在28份文档、43个文本块、覆盖五个企业角色与三个敏感级别的受控语料上，针对六类攻击的93条结构化查询中，先检索后过滤流程在96.8%的查询中暴露未授权上下文，并在所有本应拒绝的查询上违反授权正确性；AFR则将结构性泄露与答案泄露均降至0/93。作者还称，分块粒度扫描显示AFR不受分块策略影响，而先检索后过滤的泄露随分块增大单调上升。作者同时指出，参数化知识泄露是检索架构所能保证的边界。该研究为预印本，尚未经同行评审。
据TechRxiv预印本，Ramanayake等作者提出一种机器学习框架，用于在起终点不固定的情况下预测车辆到站时间。研究开发并评估了线性回归、人工神经网络、长短期记忆网络、决策树与随机森林等模型，数据取自斯里兰卡多条公共交通线路按固定间隔采集的记录，并以平均绝对误差（MAE）衡量性能。结果显示，线性回归误差最高，随机森林误差最低；作者称模型效果同时受数据采集方法与特征选择影响。作者表示，随着数据集质量与模型设计的进一步改进，该框架在公交管理与出租车服务等对到站时间预测精度要求较高的场景中具备实际部署潜力。该论文为预印本，尚未经过同行评审。
据TechRxiv预印本，Morgan Mekale Smith等作者提出VFS-Net，一种同时基于顶点与面的双路深度学习流程，用于动态三维模型的分割与分析。作者称，该框架在生物与合成两类三维模型上均取得良好的分割与分类指标，显示其适用性较广；跨多数据集基准测试显示，VFS-Net对模型复杂度与网格密度的变化保持稳健。作者指出，传统机器学习方法需要结构化网格或体数据，难以优化处理随尺度与表面积大幅变化的数据点。该流程针对结构光扫描获得的三维模型设计，可准确捕捉复杂表面几何与拓扑特征。作者表示，未来将整合二维数据，以拓展其在生物医学研究中的相关性。
Louis Nisiotis与Nikita Markov在TechRxiv预印本中称，其构建了基于RAG的后端AI系统以支撑虚拟世界原型中的虚拟代理对话能力，并测试两个小语言模型系列在8位、4位和3位三种量化水平下的表现，通过端到端延迟、首token时间、吞吐量和内存余量评估系统性能，同时由专家对照非量化基线评估回答的准确性、相关性、安全性和人类对齐度。作者称，结果表明适度量化可实现性能良好的实用边缘部署并保持较好回答质量，边缘部署的量化SLM能够支持实时叙事交互，对虚拟世界代理具有实际可用性。该论文为预印本，尚未经同行评审。
Silvirianti、Georges Kaddoum、Bassant Selim与Mahdi Chehimi在预印本论文中提出一种量子对抗深度强化学习（QADRL）方法，用于缓解低轨卫星网络面临的AI驱动干扰攻击并提升服务质量。该论文称，QADRL基于零和马尔可夫博弈，构建两个相互对抗的学习网络：一个优化卫星路由链路以规避干扰、改善服务质量，另一个针对干扰方，优化无人机轨迹、干扰节点与功率以最大化干扰成功率。论文结果显示，与经典对抗深度强化学习（CADRL）相比，QADRL将干扰成功率降低33.33%，并将卫星网络平均服务质量提升18.4975%。上述结果来自预印本，尚未经同行评审。
据TechRxiv预印本，作者Rohith Namboothiri提出一种名为双轮理解增量的测量构念，将教学效能重新定义为标准化评估者在接受教师讲解前后理解程度的变化。该论文称，现有方法依赖需受训评分者的课堂观察或与学生实际学习成果相关性较弱的学生评价，均存在主观性、可扩展性受限和已知偏差问题。作者认为大语言模型可作为受控的学习者代理，并给出形式化框架：对特定领域评估向大语言模型施测两次，一次不提供教师讲解，一次提供，两次得分之差即为增量。论文将该构念建立在《教育与心理测试标准》的效度理论之上，并从教学内容知识与讲解质量研究角度加以分析，同时给出实现该方法的参考架构。作者称，双轮增量可作为现有教学质量衡量手段的可复现、可扩展补充，尤其适用于异步教学、教师资格认证与专业发展场景；论文围绕Kane的解释/使用框架提出效度论证，讨论该方法的构念边界，并列出评估其主张所需的实…
据TechRxiv预印本综述，Kai Jiang等作者提出一种哲学分类法，重新界定大语言模型偏见，并将现有研究围绕偏见评估、偏见缓解及缓解技术评估三个核心领域加以组织。该综述区分实质性伤害（对个人或群体可感知的不利影响）与表征性伤害（贬损或刻板化呈现、侵犯尊严），并指出两类伤害常相互作用、彼此强化。作者称，将指标、数据集与方法纳入这一分类框架，可为开发更公平、更具包容性的语言模型奠定基础。该论文为预印本，尚未经同行评审。
据TechRxiv预印本，Zongyuan Zhang等作者提出基于Transformer的拥塞控制优化框架TCCO，用于多路径传输。该框架采用解耦架构，通过轻量级内核客户端与用户空间代理将控制决策卸载至外部决策引擎，使边缘设备可借助外部算力并保持TCP/IP兼容。外部决策引擎中的Transformer深度强化学习智能体利用自注意力捕捉时序依赖、过滤噪声，并以统一策略协调各子流控制。作者称在仿真与真实双频Wi-Fi测试床上评估显示，TCCO相较现有基线具备更优适应性与性能。该预印本尚未经同行评审。
据TechRxiv预印本论文，韩国研究团队Seung Heon Oh、Geon Woong Byeon、Young In Cho、Seungmin Kwon与Jong Hun Woo提出以强化学习结合图神经网络求解武器目标分配（WTA）问题。论文称，既有动态规划、线性规划、元启发式与启发式方法受限于模型过度简化、计算负担、对突发扰动缺乏适应性以及问题规模变化时需重新计算。该研究称所提方法贴合OODA循环（观察—判断—决策）的现实决策框架，并在多种环境中与现有启发式及元启发式方法对比以验证有效性。作者称，这为传统上被视为人类专家专属的战术指挥控制智能决策提供了新方法。该论文为预印本，尚未经同行评审。
Zhe Li、Detong Wang、Sheng Fang等作者在预印本中提出模态不变特征提取网络MFE-Net，用于无监督多模态变化检测。作者称，现有方法通过深度学习将跨模态图像对齐到公共子空间，但未从中间特征中分离残余模态噪声，直接比较特征会导致对齐不佳与判别错误。MFE-Net由混合CNN-KAN编码器（HCK）与模态差异学习模块（MDLM）构成：HCK结合卷积神经网络的局部感知与Kolmogorov-Arnold网络的全局非线性建模以抑制模态噪声，MDLM以对抗式多任务学习分离模态不变成分与模态特定噪声。作者还设计差分特征增强模块（DFEM），通过Spearman秩相关融合特征级差异计算变化强度。作者称在六个真实数据集上的实验显示MFE-Net优于现有方法。该研究为预印本，尚未经同行评审。
TechRxiv于2026年3月6日发布的一篇综述以斗地主作为不完全信息纸牌游戏（IICG）的代表性测试平台，系统梳理并归类现有AI方法。作者Qian Luo、Daochen Zha、Tianqiao Zhang与Xuewen Tan指出，不完全信息游戏因隐藏信息与多智能体交互而对决策构成挑战，其中IICG规则各异、策略结构多样，但既有综述多聚焦一般多智能体学习，对这一子类关注不足。据该综述，斗地主因三方角色不对称、状态-动作空间大、策略交互复杂而成为新兴研究热点，近期工作涵盖基于搜索的方法（如MCTS）、深度强化学习方法（如DQN、DMC、PPO）以及融合学习、搜索与对手建模的混合方法。作者称现有文献仍较零散、缺乏系统综合，因此该文分析各类方法的优势与局限、梳理趋势并与现有基线比较性能，同时提出超越标准规则的泛化、叫牌与出牌统一、持续学习及标准化评估等开放挑战与未来…
Sanjay Kumar Mishra发表预印本，对Oracle Autonomous Database 26AI的SELECT AI功能进行独立实证评估，该功能借助OpenAI GPT-4将自然语言转换为可执行SQL。据该论文，作者使用自建评估框架和22条TPC-H基准查询（覆盖简单、中等、复杂三个难度层级），测量SQL生成准确率与端到端延迟。结果显示整体准确率为95.5%，其中精确SQL匹配为90.9%；平均端到端延迟为3906毫秒，其中94.5%归因于大模型生成开销。论文称模型表现出智能查询优化行为，倾向选择目标列而非宽泛的COUNT(*)模式，而这一行为未体现在精确匹配指标中。作者称上述结果为企业级NL2SQL部署建立了可复现基线，并将大模型生成列为首要优化目标。
Qi Lyu、Jiahua Dong等作者在TechRxiv发布综述，系统梳理人工智能领域的世界模型研究。据该综述，世界模型通过学习状态与观测的预测性表征，为建模环境随时间演化提供统一路径；大规模生成建模与多模态基础模型的进展扩大了其在交互与多模态领域的适用性，但现有研究在建模范式、应用领域与评测协议上仍较为分散。作者按建模范式将世界模型分为四类并给出形式化数学表述：观测级生成式、潜空间、基于强化学习以及以对象为中心的世界模型。综述还覆盖机器人、自动驾驶、科学发现、游戏仿真、图形界面智能体以及可解释性与可信性等应用，并分析基准、新评测指标、仿真平台与各模型对比结果。作者称，长时程一致性与泛化等仍是关键挑战，并给出未来研究方向；该综述维护一个持续更新的GitHub仓库以追踪进展，旨在为理解、比较与推进世界模型提供统一参考。
据Runguo Chen的预印本论文，LXB是一种跨设备移动自动化框架，采用神经-符号混合架构，针对视觉语言模型（VLM）驱动的移动自动化在复杂多页任务上延迟高、API成本高、可靠性差的问题提出三项设计：VLM-XML融合，通过点包含匹配将VLM的语义检测与XML无障碍节点对齐；Route-Then-Act范式，将确定性的图导航与AI引导的执行分离；节点驱动探索，通过广度优先遍历已发现的导航节点构建导航图。论文称在淘宝与哔哩哔哩的8项真实任务上总体成功率为100%；在需至少2次导航跳转的深度任务上，LXB成功率为100%且仅需1.0次模型调用（仅在规划阶段进行一次LLM查询），而VLM-ReAct为80.0%、需3.87次模型调用，模型调用减少74%，token消耗减少58.6%。该结果为预印本报告，尚未经同行评审。
Yahia Hamdi、Mohamed Fnadi、Wenqian Du等提出一种基于Swin Transformer的深度学习框架，用于检测和分类河流、海岸线及港口等漂浮垃圾聚集区的水面垃圾。研究对Swin-T进行贝叶斯优化与微调，并与ResNet-50、InceptionV3、VGG-19及ViT对比；所用数据集由公开数据与多水文、光照条件下新采集的RGB图像扩充而成。论文称，优化后的Swin-T分类准确率达98.5%，检测mAP为52.3%，优于基线Transformer和传统CNN。作者称，系统性超参数优化可显著提升Transformer模型用于海洋垃圾监测的性能。
Shingo Kitayama发表研究，提出工具sqlew，将2011年提出、因人工操作负担而被搁置的架构决策记录（ADR）改造为LLM的外部设计记忆，通过模型上下文协议（MCP）实现ADR自动记录与结构化查询选择性检索，构建静态指令（CLAUDE.md）与动态理由（ADR）共存模式。作者在12.5轮TypeScript工作流审批系统开发上开展三条件对照实验：无ADR、自始采用sqlew、事后采用（v2s）。论文称，sqlew条件开发时间减少10.1%（496分钟对552分钟），工具调用总数减少10.8%；计入无ADR条件为补E2E测试所需的补充轮次（第12.6轮，29分钟、21751K tokens）后，时间差扩大至14.6%。思维链关键词密度分析显示推理模式由试错循环转向基于上下文的推理，先前决策引用密度加速分化（+21%→+64%→+137%）。作者称最突出发现…
Lihui Liu 于3月5日发布综述，聚焦检索增强生成（RAG）的进阶形态「深度RAG」，即把推理、记忆与多步规划整合进端到端研究工作流。论文称，该综述按结构化方式梳理深度RAG系统的查询规划、信息检索、记忆管理与答案生成等关键组件，并涵盖监督微调、迭代自演化与智能体强化学习等优化技术。作者还分析了不同规划策略、自适应检索机制、冲突消解方法与多模态综合，指出其优势与局限，并按工作流类型、推理策略与优化范式对方法分类，梳理当前格局，提出评估、可扩展性与多模态推理方面的开放挑战。综述称，其目标是为设计灵活、可靠且智能的深度RAG系统提供路线图，使其能在最少人工监督下完成复杂现实研究任务。
Tong Guo提出一种名为ReLabel的统一框架，用于在深度学习应用中识别噪声数据并对其进行重标注，重标注时以模型预测作为参考。论文称，初始数据集来自人工标注、大语言模型生成或用户行为日志，均可能含有一定数量的噪声数据；重标注过程可人工完成，也可借助大语言模型进行标注。该框架覆盖分类、序列标注、目标检测、序列生成和点击率预测等多类任务。作者称，开发集评估结果与人工评估结果验证了该思路，并提到目标是在开发集上取得90分以上的成绩。
Laha Ale 等提出一套框架，将智能体工作流与检索增强生成（RAG）结合，部署于6G网络边缘环境，以降低生成式AI的幻觉。论文称，RAG虽能借助模型训练数据之外的外部知识提升事实依据，但单靠RAG无法完全消除幻觉；引入API、搜索引擎与自我反思机制等外部工具的智能体工作流，可使模型迭代评估并修正输出。该框架由生成器与批评者智能体构成多智能体系统，通过迭代自我批评减少错误，并利用6G边缘智能进行数据融合、动态更新知识库与定制化AI服务交付。作者称，这有助于在多种应用中提供更可靠的生成式AI服务。
Lihui Liu 于2026年3月5日发布综述，梳理大语言模型与图学习融合的概念、方法与近期进展，重点面向文本属性图。论文称，在LLM兴起前，图神经网络是图学习主流方法，节点嵌入、图卷积、图注意力与随机游走类技术被广泛采用；处理带文本节点属性的图时，通常以浅层文本嵌入作为初始节点表示，但这类嵌入所捕获的通用知识有限。该综述围绕节点分类、链接预测与基于图的问答等任务，考察两条主要路线：一是“LLM作为增强器”，由LLM以其知识丰富节点文本属性，再由图学习方法作出预测；二是“LLM作为预测器”，将图数据作为LLM输入，由其直接求解图相关任务。作者称，通过对这两个方向的系统考察，给出了关于LLM与图学习整合的观察与新见解。
Manish Tripathy 于3月5日发布预印本，提出绕过“LLM墙”的跨域威胁行为体归因框架。论文称，现有基于BERT、RoBERTa等语义特征的归因方法在对抗性风格迁移下准确率趋近随机。该框架改用行为信号处理：逻辑到达时差（L-TDoA）借鉴电子战信号传播数学测量“认知延迟”，SynGNN则基于依存树结构、词性转移等深层句法嵌入而非词汇学习身份。作者称，在完全结构剥离条件下，SynGNN恢复78.6%（95% CI：75.4-81.8%）身份，而BERT类模型降至12.4%；在200名候选嫌疑人受控对抗场景中，融合模拟综合精确率为91.7%（95% CI：88.3-94.1%）。该研究定位为TRL 3基础框架。
Wei Chen、Jiaming Zhang、Haowen Liu等发表综述，梳理工业智能故障诊断从传统数据驱动方法、深度学习到新兴大语言模型与基础模型的演进路径。论文称，过去十年卷积神经网络、循环架构与生成对抗网络显著提升了旋转机械、电力系统与制造过程的诊断准确率；大语言模型则在自然语言推理、多模态融合与少样本泛化方面形成补充或超越。作者按信号级特征提取、监督与自监督深度架构、迁移与元学习策略，以及结合提示、检索增强生成与微调的LLM流程建立分类体系，并在标准基准上比较代表性方法。论文指出领域专用预训练、实时部署、多模态对齐与可解释性等开放挑战，并给出研究方向。