把论文视为需要核对的研究主张：明确任务、测试数据、基线和失败案例。预印本不等同于经过同行评审的证据，基准进步也不一定能迁移到实际场景。
arXiv:2610.22511v1 发布类型：新 摘要：评估语言模型和代理需要结合基准准确性、基于判断的评估、运行时性能、工具使用行为和检索质量。接口、度量语义和跟踪格式的差异使这些比较变得复杂，并且可能隐藏智能体工作流中的失败。
arXiv:2610.22444v1 公告类型：新 摘要：时空视频接地（STVG）旨在根据自然语言查询在空间和时间上联合定位目标。尽管不断取得进步，现有的 STVG 基准仍然主要集中在通过特定于实例的描述来本地化目标，这使得它们在很大程度上与多模态大语言模型 (MLLM) 中日益强调的长形式推理脱钩。
arXiv:2610.22428v1 公告类型：新 摘要：在小型语言模型中，词汇表是最大的部分。在 Gemma 3 270M 中，嵌入表包含 268M 参数中的 168M，并且由于量化方法将嵌入保留为 16 位，因此一旦模型的其余部分被压缩，它也是文件的大部分。我们询问那张桌子实际上买了什么。
arXiv:2610.22516v1 公告类型：新 摘要：在现代商业中，公司和平台通常使用不同来源的客户特征来个性化价格：一些特征是使用卖家记录或第三方数据进行验证的，而另一些特征是自我报告的，可能会被寻求更低价格的买家进行战略性操纵。
arXiv:2610.23470v1 公告类型：cross 摘要：开放式搜索与基础模型相结合产生了一些进步，例如更快的算法、开放数学问题的新结果以及自我改进的代理。我们将这种范式扩展到决策推荐，重点关注可能的选择集是固定的但选择它们的原因不是固定的决策。
arXiv:2610.22474v1 发布类型：新 摘要：图形对于科学交流至关重要，视觉问答（VQA）领域旨在测试大型多模态模型（LMM）的图形理解能力。在这里，我们研究了几种低成本 LMM 在天空天文图像的特定领域 VQA 任务上的准确性。
arXiv:2610.22454v1 公告类型：新 摘要：在预填充期间通过较少的路由专家运行提示令牌是一种使专家混合 (MoE) 服务更便宜的简单方法，但尚不清楚这会造成什么损害。我们通过对四个 MoE 系列简答问答的令牌、层次和注意力路径干预来定位损害。
arXiv:2610.22430v1 公告类型：新 摘要：多元时间序列的准确预测需要同时捕获变量特定动态和跨变量相互作用的模型。
arXiv:2610.22468v1 公告类型：新摘要：动作名义结构（ANC）以名义形式表达事件，其参数标记遵循从句或普通名词短语中发现的模式。在本文中，我们研究了不同的语法配置如何影响语言模型对 ANC 和相关结构的学习，以及这些学习偏好如何与自然语言的类型分布进行比较。
arXiv:2610.22507v1 公告类型：新 摘要：命令行界面 (CLI) 代理越来越多地执行长期任务，但现有基准要么假设用户指令在整个执行过程中保持固定，要么在不捕获运行时协作质量的情况下评估任务结果。
arXiv:2610.22373v1 公告类型：新 摘要：基于 LLM 的代理越来越多地用作分布式多代理系统中的自主协调器，但仍然存在控制差距：没有协议级机制允许人类操作员注入在整个规划周期中持续存在的绑定指令。
arXiv:2610.22505v1 公告类型：新 摘要：高斯喷射同时定位和建图 (SLAM) 通过密集、可渲染的 3D 场景表示增强了传统 SLAM，从而实现了高质量重建和新颖视图合成。然而，其定位、重建和渲染性能在很大程度上取决于保留哪些观察结果用于映射。