标签
论文提出 CogDrills-4D（CogDrift-4D），一种层级式 4D Transformer 多模态框架，通过 18 个月内七次非脚本化交互的行为数据建模时间性行为衰退，用于轻度认知障碍（MCI）早期检测，分类准确率达 0.733±0.13。
PCCG-2 提出了一项 EOS 门控研究：冻结的 Qwen3-4B 回答计算过程由一个学习得到的、含 101 个参数的门控器控制，该门控器仅改变原生终止分数；同时，该研究提供了跨厂商证据，表明来自 OpenAI、Anthropic、Google 和 Moonshot 的 11 个前沿模型均出现了零字节的“Void”响应。
本文介绍了一个名为SAFE的受控基准，用于研究AI模型在行动前是否会获取与安全相关的证据，揭示了GPT-5.5、o3和Claude变体等前沿模型不同的获取策略。
本文研究了在细调下大型语言模型中注意力层级代理与行为表现之间的分离，揭示了仅凭注意力敏感性来诊断上下文学习能力并不可靠。
本文探究了大语言模型为何回答结构性无解问题，得出结论：模型虽能识别不可能性，但未能将此识别路由至拒绝，表明这是决策过程中的路由失败而非编码失败。
TutorTrace提供了一个数据集和分类体系，旨在AI辅助编程教育中对学习者行为状态进行分类，借助IDE遥测和行为上下文实现实时可见与可计算的适应性辅导系统。
本文引入了行为提升度量，用于衡量AI思维模型中推理行为与正确答案的相关性，揭示了一个放大-提升差距，其中训练放大了并非最能预测成功的行为。
对 Nvidia 的 Nemotron 3.5 Lightning 进行的行为审计发现其具有强大的完整性，捕获了所审查代码中的一处微妙认证漏洞，并通过了安全探针测试，同时指出了其在基于行为的诚实性方面存在盲点。
本文介绍了Base Sequence Analysis框架，该框架将LLM智能体的运行时行为编码为紧凑序列，揭示了高风险模式（如'P-X-P'三元组）和验证缺失。它提出了Governor，一个运行时干预系统，使任务成功率提高了6.2%，并将令牌消耗减少了44%。
研究人员在圣彼得堡博弈中评估了28个LLM，以区分风险决策中的结果层面相似性与机制层面一致性，发现LLM通常产生类似人类的出价，但缺乏潜在的人类一致推理机制。该研究表明，行为对齐可能是表面的，敦促高风险评估应超越结果相似性。