diagnostic

OpenMAS-GCom 通过使用受控干预措施，引入了一个用于评估图增强多智能体系统的诊断基准，将性能差异归因于特定的组织组件。

FDA已批准PrecivityAD2血液检测，该检测由WashU Medicine技术开发，通过质谱技术检测淀粉样蛋白斑块，准确率超过90%，用于辅助阿尔茨海默病评估。

本文提出 D^CF5 诊断工具，用于预测分布偏移下回归任务动态集成中逐区域的增益变化，经多数据集验证其预测结果具有高度相关性。

本文介绍了EC-Reason-Bench，一个无需训练的诊断基准，用于分析通用LLM为何在酶EC编号预测上失败。研究发现外部知识是关键并且必须优先于推理，而基于证据的推理充当了冲突近邻的仲裁者，而非新知识的来源。

本文通过三个数据集研究机器学习何时在风险暴露加权发货优先级排序中优于传统价值排序。

本文引入了answer-in-context，一种用于预算受限多跳RAG的诊断指标，用于衡量黄金答案是否存在于打包后的读者上下文中，并提出了一种子模证据打包方法，在特定条件下优于启发式方法。

本文提出了一种防泄漏诊断方法，通过跨测试样本打乱可靠性分数，来检验质量感知多模态融合方法在推理时是否真的使用了这些分数。在StressID和CMU-MOSEI上的实验表明，打乱后的可靠性分数并未改变性能，说明质量信号仅在能可靠预测单模态正确性时才会影响决策。

本文介绍了 MoDiCoL，一个用于鲁棒语音识别的模块化诊断持续学习数据集，能够对语言内容、说话人特征和声学环境进行受控分析，并提出了一个持续学习课程，以研究鲁棒性是如何获取、迁移和遗忘的。

ToolFailBench，一个用于评估工具使用型代理的诊断基准，已被两个 ICML 2026 研讨会（FAGEN 和 AIWILD）接收。

一条推文指出，许多AI认知将足以完成任务，剩余的工作涉及诊断性分类，例如决定是否值得花钱请律师。

本文研究了长思维链（CoT）训练轨迹中的一种有害现象，即结论后延续会降低训练效用，并提出了一种名为HarmfulContinuationCut（HCC）的诊断方法来检测此类有害延续。

本文将LLM生成的奖励塑形视为稀疏结构化强化学习中的调试问题，识别出奖励泛滥和语义误解等失败模式。作者提出诊断驱动的迭代细化，与一次性生成相比，取得了显著的成功率提升（例如，DoorKey-8×8从2.3%提升至97.6%）。

引入SeqMem-Eval，一种用于序列演化LLM记忆的诊断评估框架，测量超越聚合指标的多个维度，揭示适应性与稳定性之间的权衡。