每日论文 2026-08-31 · PolySight

2026-08-31 周一共 5 篇：生成 0 · 代码生成 0 · 智能体 0 · 世界模型与具身 0 · 理解 0 · 音频 0 · 基础模型 5

生成: 文生图 0图编辑 0视频生成 03D 生成 0
代码生成: Visual2Code 03D2Code 0
智能体: GUI Agent 0
世界模型与具身: 世界模型 0具身智能 0
理解: VLM 0OCR 0
音频: 音频 0
基础模型: LLM 5统一多模态 0

前一天后一天

这一天为历史补采：作者单位只来自 OpenAlex，入选论文比每日更新少；要点由 AI 根据论文摘要生成，以原文为准。

共 5 篇

LLMP1 顶会EMNLP 2026

The Illusion of $\textit{What If}$: Evaluating the Breakdown of Counterfactual Reasoning in LLMs（在新窗口打开）

提出开放域反事实因果推理基准 WhatIfBench 与 PRISM 评测框架，最强模型仅约 64.62%。

WhatIfBench：220 道 what-if 题，覆盖 STEM/HSS/混合开放长程反事实推理
PRISM：将自由回答转为语义因果图，联合过程指标与 rubric 指标评测
揭示因果缺口、前提漂移与拓扑碎片化，流畅叙事常掩盖脆弱因果过程

LLMP1 顶会EMNLP 2026

ContextPilot: Teaching Agents for Proactive Context Management via Fine-grained RL（在新窗口打开）

扩展规划/长期记忆/软卸载工具，用分支采样与动作级优势估计做上下文管理 RL。

系统化扩展上下文管理工具：规划、长期记忆、软上下文卸载
针对上下文管理的 RL：用上下文与熵变化定位关键编辑决策并做动作级 credit assignment
长上下文 QA 与 deep search 上以更紧凑工作上下文优于现有基线

LLMP1 顶会EMNLP 2026

Twin Worlds: Equivariance-Based Abstention for Evidence-Grounded Reasoning（在新窗口打开）

用实体替换下的等变性检验推理是否真正基于证据，优于不确定性与充分性基线。

提出 Twin Worlds：通过保关系的 typed 替换构造多世界，以等变性违例作为弃权信号
针对实体激活参数记忆导致脱离证据的生成问题，检验生成过程是否 grounded
在四个基准与三个骨干上优于不确定性与证据充分性弃权方法

LLMP1 顶会ICML 2026

Beyond the Answer Key: Robustness Evaluation of Large Language Models for Step-Level Mathematical Verification（在新窗口打开）

线性方程受控基准评测 LLM 作 grader 的逐步/trace 鲁棒性，扰动合法 trace 误拒率可达 75–85%。

受控线性方程基准：评判最终答案、逐步 trace 正确性及首个错误步
发现 canonical 表现好但对等价扰动 trace 鲁棒性显著下降，尤其错误定位
表明过程级验证仍难，评测者鲁棒性应独立于求解准确率单独衡量

LLMP1 顶会EMNLP 2026

DARTS: Decoder-Aware Representation Tuning via Surgery for Model Merging（在新窗口打开）

分析 decoder 合并后的表示偏置，用熵加权 L1 与逐位置偏置修正，参数增量约 0.1%。

分析 decoder 模型合并中的表示偏置：因果 mask 累积与高低熵位置重要性差异
DARTS：熵加权 L1 强化决策关键位置，逐位置加性偏置做 position-dependent 修正
在代码/数学/指令跟随三域 Llama-2-7B 合并上显著优于标准 surgery