arXiv AI1
arXiv论文提出Traccia，一个基于OpenTelemetry的AI系统治理平台。它通过添加遥测数据、被动语义护栏评估和执行血统记录到哈希跟踪账本，自动生成抗篡改合规证据包（含SHA-256哈希），映射欧盟AI Act第12、14、19、26(6)、50条的要求，且不侵犯数据隐私。该方案旨在解决现有碎片化LLM评估和监控工具无法保护无界状态空间代理架构免受对齐漂移、SaaS安全威胁和影子AI等问题。
为什么值得看此前AI治理工具碎片化，无法应对代理架构特有的对齐漂移、影子AI等威胁。Traccia首次将OpenTelemetry遥测、语义护栏和执行血统整合为统一哈希追溯层，自动输出符合EU AI Act的合规证据包，为自主AI系统的企业级管理提供了可审计的机器可读基础。
arXiv AI1
SD-MAR是一个用于训练和评估视觉语言模型多图像分析推理的框架。它通过控制扰动构造成对视觉场景，生成语义变化归因和定量比较等推理任务，并使用GRPO-lite与BDA强化学习方法训练。在Qwen2.5-VL-7B和InternVL3-8B上，域内准确率提升高达36.95%，其中Qwen2.5-VL-7B在SD-MAR基准上超越GPT-4.1，且域外泛化性能保持或提升（MME、MMMU-Pro、MathVista波动在1%以内，MMBench提升最高4%）。
为什么值得看此前视觉语言模型虽具备感知能力，但在多图像比较、变化检测和多步视觉推理等需要分析推理的任务上表现有限。SD-MAR通过合成数据和专门设计的强化学习方法，显著提升了这类能力，甚至超越GPT-4.1，且不损害原有任务表现，为实际应用中的视觉对比分析提供了可行方案。
arXiv AI1
德国国家图书馆（DNB）针对当代德文科学文献的自动主题索引任务，对比了监督型极端多标签分类（XMLC）方法与基于大语言模型（LLM）的生成方法。结果显示监督XMLC在整体二元相关指标上最优，但LLM方法在分级相关性和长尾词汇表现更好，被视作未来生产应用的有前途替代方案。
为什么值得看此前自动主题索引主要依赖监督XMLC或词典匹配。本研究首次系统对比LLM生成方法与传统XMLC，发现LLM虽整体精度略低，但在长尾词汇和分级相关性上显著超越传统方法，为实际部署提供了互补路径。
arXiv AI1
该研究使用LoRA微调的Gemma-3-27B-it模型对TOEFL11语料库（12100篇作文，11种母语背景）进行评分，发现模型跨提示泛化良好（整体一致率77.79%），但存在系统性母语偏差：欧洲语言背景作文得分始终高于东亚语言背景，且不能归因于微调数据构成。
为什么值得看此前自动评分研究多关注整体准确性，而该研究首次在大规模数据上揭示微调开源LLM在评分中存在母语相关系统性偏差，可能影响教育评估的公平性，需引起产品设计者注意。
arXiv AI1
该研究对六种多模态大语言模型（MLLM）进行了科学可视化素养基准测试，使用包含49项标准化试题的评估集，并与485名人类参与者数据对比。结果显示模型表现不均衡：Gemini整体最强，超过人类平均水平；开源模型低于人类基线。模型在科学插图、搜索和空间理解任务上表现较好，但在纹理/集成可视化及定量估计方面表现较差。
为什么值得看此前对多模态大语言模型可视化能力的评估多局限于简单图表（如柱状图），缺乏对科学可视化（如流场、体积渲染）的理解测试。本研究首次使用标准化科学可视化素养测试对比人类，揭示了模型在真实科学场景下的能力短板，为AI在科研辅助工具中的应用提供关键参考。