arXiv AI1
研究者提出Debate-on-Graph（DoG）框架，结合不确定知识图谱（UKG）的置信度分数与多智能体辩论机制，通过启发式搜索提取可靠子图减少噪声，再利用自适应对抗辩论获得可靠答案。在四个基准问答数据集上，DoG达到了最先进性能，优于现有大语言模型推理方法和基于知识图谱的基线。
为什么值得看以往知识图谱增强大语言模型的方法无法识别图内噪声和错误，可能放大幻觉。DoG利用不确定知识图谱的置信度分数筛选信息，并通过多智能体对抗辩论实现自适应协作，显著提升了推理的可靠性和适应性。
arXiv AI1
研究人员对Hugging Face模型仓库约9.75万个工件进行AI物料清单（AIBOM）完整性测量。结果发现，生成的AIBOM在结构字段上完整，但模型卡、元数据、负责任使用、环境和限制等AI特定文档内容严重不足，导致供应链透明度和治理缺口依然存在。
为什么值得看此前模型仓库普遍缺少机器可读的文档，AIBOM被提出用于填补透明度空白。本研究发现，即使AIBOM结构被遵循，关键AI信息（如数据集、限制、安全评估）仍大量缺失，意味着实际应用中的合规审计和风险评估依然困难，行业标准需要进一步明确内容要求。
arXiv AI1
arXiv论文提出DaoQL系统，将确定性知识显式存储在融合图、列、向量和全文引擎的多模态数据库中，仅将LLM作为推理引擎。系统验证了显式模型在反事实推理上的架构优势，并在嵌入式设备上实现了亚毫秒级查询，但整体QPS较低（1.8）。该方法旨在解决LLM在高精度领域的幻觉、知识冻结、可解释性和可修改性问题。
为什么值得看此前LLM将世界模型隐式编码在神经网络权重中，存在结构风险；DaoQL首次提出将确定性知识显式外化到专用存储系统，为医疗、金融等场景提供了可验证、可修改、可解释的替代方案，明确了隐式模型在反事实推理上的架构缺陷。
arXiv AI1
一篇于2026年7月发表在arXiv AI上的论文提出了一个针对AI智能体行为的诊断框架，即层次归因（layer attribution）。该框架将行为来源分为计算层（架构、记忆、感知、注意力、表征）和行为调制层（身份、资源、目标、社会互动、制度约束、治理），并阐明三个后果：代理有效性是模型-任务-层关系、人机分歧可作为诊断证据、治理需在干预前先溯源。
为什么值得看此前评估AI智能体行为往往忽略其来源差异，相同行为模式可能源于不同层面（计算能力或社会规则）。本框架首次系统化地要求区分行为产生的底层原因，使验证与治理有更精确的目标，改变了单纯靠输出判断智能体行为的做法。
arXiv AI0
LAG-Fusion框架允许机器人模仿学习中多模态扩散策略以异步方式组合，它不要求各模态同步融合，而是让每个模态的策略按自身推理速率运行，并在数据可用时贡献去噪引导。实验在接触丰富操控任务中，将低频视觉策略与高频力觉策略组合，结果显示相比同步融合和手动基线策略，LAG-Fusion提升了策略响应性和任务成功率。
为什么值得看此前多模态扩散策略主要采用同步融合或手动设计的多频率架构，导致高频反馈被拖慢或难以扩展新模态。LAG-Fusion允许各模态以原生频率异步运行，解决了这一矛盾，使得机器人可灵活结合不同速率的信息源，提高实时操控性能。