arXiv AI67
Qwen 团队在 WMT2026 通用机器翻译评测中提交 Lumen 系统，聚焦指令特化翻译。该系统采用四阶段流程：继续预训练与监督微调、在线偏好优化、从大模型向 Qwen3-14B 学生的同策略蒸馏、以及结构感知推理与选择性修复。系统覆盖 23 个翻译方向，在 1–5 分 LLM 评判量表下总体均分为 4.60，14B 规模底座达到接近领先水平的成绩，且模型已开源。
为什么值得看此前翻译系统多以通用译文质量为唯一目标，对术语、风格和结构化输出等细粒度指令的遵循能力较弱。该工作把指令遵循与翻译质量分开评测，并用在线偏好优化和同策略蒸馏专门强化这一维度，使较小底座模型也能在评测中接近领先水平，说明指令特化正成为机器翻译的新竞争点。
arXiv AI63
arXiv 论文提出 ActICL，用于多模态大模型的智能体式上下文学习。它通过工具增强推理训练 MLLM 智能体，让模型在迭代推理中判断自身信息缺口，据此定向检索候选示例，再用已有上下文过滤、精炼或重新检索。当智能体判断上下文足够或达到资源上限且满足用户请求时，将上下文交给作答模型。采用两阶段后训练联合优化检索与作答。
为什么值得看此前多模态 ICL 的示例检索多采用固定打分一次性取回，容易带入冗余和噪声；上下文感知检索虽支持增量取回，但检索策略仍由外部流程决定，模型本身并未学会判断自己需要什么示例，ActICL 把这一判断能力交给模型。
arXiv AI61
arXiv 论文提出 MemDuet，一个受 Kahneman 快慢思考启发的双过程记忆框架：用小型语言模型并行从原始文档块中快速挑选证据，用大型语言模型按文档顺序验证记忆更新并重写记忆。训练分三阶段：先监督微调 System 1，再用 GRPO 优化 System 2，最后联合优化两者。在 RULER-HQA、LongBench v2 和 2WikiMultiHopQA 上，相对 RL-MemAgent 平均端到端推理加速 9.74 倍，输出 token 减少 73.91%。
为什么值得看此前长上下文推理中，文本越长，推理性能与推理效率之间的取舍越尖锐。MemDuet 将证据选择与记忆更新拆成两种不同规模模型的分工，并给出可量化的加速与 token 压缩结果，说明长文档推理的精度—效率边界可能被重新划定，而非只能靠扩大上下文窗口硬扛。
arXiv AI60
这篇论文提出 RuleTrek，一个面向复杂场景下 agentic rule reasoning 的多领域基准。它通过规则图谱构建流程，从结构化规则图中生成并增量拼接子场景，评估 Rule Identification、Rule Deduction 和 End-to-End Rule Reasoning 三项能力。对 11 个前沿 LLM 的实验中，RI 与 RD 最高分仅为 62.47% 和 60.43%，E2E 得分在 26.97% 至 55.29% 之间。
为什么值得看已有规则推理基准通常只用少量事实陈述描述场景，弱化了从分散文件中识别并应用规则这一核心难点。RuleTrek 把场景信息分散到多文件交互工作区，并将规则推理拆成三项可分别测量的能力，使评估更接近真实专业场景中的规则使用过程。
arXiv AI60
研究者发布了一个面向 Persian 仇恨言论的细粒度、多跳推理基准，覆盖内容初筛、目标识别、仇恨策略与道德基础分析、文本证据抽取、有害叙事推断和严重度评估。评估主流 LLM 后发现，任务越需要细粒度语义与推理，模型表现越下降；闭源模型总体优于开放权重模型，推理型模型无明显优势；加入中间推理步骤能明显改善严重度预测。
为什么值得看此前 Persian 等低资源语言缺少细粒度标注数据与评测方法，仇恨言论分析多停留在二分类检测。该基准把评测推进到目标识别、策略归因与严重度评估，并公开数据，使低资源语言的审核质量可被分步衡量。