论文精读

蚂蚁集团开源Agent安全护栏框架：NSFA风险分类法+双模式推理，0.8B小模型即可实时拦截Agent运行威胁，F1超Llama Guard 3达30个点。

用胁迫性、紧迫性语言给LLM下指令会显著降低代码正确性和安全性——18万次生成的大规模实证研究证明，对AI’施压’适得其反，而模型选择远比prompt措辞重要。

EMNLP 2026研究发现：嵌入式激活转向在SFT/RLHF微调后权重编辑几乎不被逆转（ρ=0.004），但行为可能通过替代通路回归，安全相关的拒绝抑制在SFT下平均损失64%效果。

用凸组合结构化数据预测器让流轨迹可证明地落在合法token嵌入上，甩掉CE解码器后Gen. PPL反而从60降到33。

Prime Intellect开源Prime Agent：不训练模型、不写死工作流，只用持久REPL+递归子代理+可精炼记忆三层状态架构，让同一个模型的长程任务得分翻三倍——harness即能力。

港科大/牛津等提出 DPQ：量化会悄悄改变模型的置信度与弃答行为，校准数据应按部署目标定向选择——边界保持用高怀疑混合（r75），宽分布保持用温和配方。

Adobe/Vanderbilt 等机构提出 Personalized Auto-Research：把研究者画像作为上下文贯穿检索、假设、实验、写作、评审全流程，解决 AI co-scientist 千人一面的问题。

蚂蚁安全实验室提出NSFA风险分类法（185类风险变体，对齐3份OWASP指南）+双模Guardrail：生成式推理做可解释离线审计，冻结骨干上的轻量分类头做到50ms实时检测，0.8B-9B全尺寸模型F1超最强竞品6-12个点。

中科院团队提出SWE-Touch基准：在Agent修Bug过程中注入与任务冲突的用户代码编辑，9个主流模型平均解决率暴跌7.7个百分点，排名大幅洗牌——自主能力强的模型不等于能应对共享工作区的变化。

系统对比8个开源SLM在急诊三大决策任务上的微调策略：LoRA微调的Mistral-7B分诊准确率反超Claude Sonnet 4.5，转诊推荐全面领先，仅诊断预测仍有差距——隐私合规驱动的本地化医疗AI正走向实用。

七个通用工具的图推理智能体 GRA，在工业混合知识图谱上以不到三分之一的输入 token 胜过全量上下文基线 5.1 个百分点——赢在’选择性访问’而非图拓扑本身。

Benjamin Belay 提出计算溯源（Computational Provenance）概念：经过验证的模型内部因果状态，可以决定生成文本中的统计信号，即使最终答案完全相同，检测器也能从文本措辞中恢复出模型实际走了哪条内部计算路径。

上海交大 & 蚂蚁集团提出 Consistency Forcing，用模型自身解码轨迹做自蒸馏，让 dLLM 早期低上下文预测对齐后期高置信预测，TPF 从 6.94 提到 9.08 且质量不降。

ERSkill把记忆检索行为建模成可执行的技能程序，用经验前缀树+双前沿机制让技能集与路由器共同进化，三个记忆基准上平均分超最强基线28-31%，且跨数据集直接迁移有效

SingGuard-NSFA用CIA三元组构建185类Agent安全风险分类体系，生成式推理离线审计+判别式分类头在线拦截双模式，9B模型超最强竞品6-12个F1点，50ms完成实时检测