让AI智能体替人开政策会：746名参与者中，满意度补回单模型基线与亲身参与差距的68%
AI安全政策需要吸纳多元意见，但公众难以直接参与每一场讨论。研究构建“多元智能体”，让每个AI智能体先访谈所代表的人，再在多智能体讨论中为其发声，由政策撰写智能体逐轮起草并修订预算方案。预注册实验中746名参与者认为这一流程优于把意见交给单一推理模型，在满意度上补回单模型基线与亲身参与之间差距的68%，在程序公正上补回82%。
人文与社会科学
奥斯曼诗歌的格律不再靠学者转写：现代土耳其语拼写下，整行完全正确的比例从26.8%升到77.6%
奥斯曼迪万诗歌按“阿鲁兹”格律写作，每个音节分长短，而现代土耳其语拼写丢掉了标记长元音的符号，使长短只能从上下文推断。一个基于格子的隐马尔可夫模型把每个词的候选学术拼写、连读与长读选择铺成路径，用诗作印刷格律经EM训练，在留出诗人上整行完全正确率为77.6%，同一批500行上规则扫描器为26.8%、同监督训练的神经标注器为55.0%、Claude Opus 5.5少样本为63.6%。代码已开源，工具以网页形式发布。
古籍修复有了十万对配对数据：AncRestore按退化类型调度视觉先验，PSNR达26.70 dB
古籍页面常同时出现纸张老化、水渍变形、虫洞与霉斑，而以往公开的修复基准规模有限、退化多为孤立叠加，难以支撑监督式修复。AncBench 以 100,379 对像素对齐的干净—退化图像，把化学、物理、生物三类退化按先后顺序耦合生成；在此数据上训练的 AncRestore 先估计整页与局部的退化表征，再按退化特征动态选择并分配视觉先验。在 AncBench 测试集上，AncRestore 取得 26.70 dB PSNR、0.9191 SSIM 与 0.1346 LPIPS，字符识别准确率 89.58%。
X上的帖子为何先慢后快：分数学物理神经网络把24小时拆成四段，记忆阶数从0.23升到0.99
社交媒体的传播曲线过去要么被预设成固定的增长函数，要么假定历史影响以固定方式衰减。分数学物理神经网络把帖子互动速率写成“每帖传播潜力乘以一条共享增长律”，并用一个可学习的分数阶导数刻画历史记忆的强弱。在X的348条训练帖与86条测试帖上，把24小时窗口切成四段、每段单独训练后，模型在均方误差0.01以内重建了64%的留出轨迹，而九种经典基线中最好的Bass扩散为44%。
官方职业地图漏掉的工作：语言模型采访六个职业，补出79项任务，留存集覆盖率从78.6%升至89.3%
TaskNet 把美国经济中六个职业的任务目录改由语言模型直接采访从业人员来编写，不再只依赖固定问卷。O*NET 式的标准化问卷难以捕捉新出现的任务，由人主持的访谈更有探索性，却昂贵、难以放量。该系统边问边追问澄清，再与工人确认任务清单；在未参与建库的57名工人、1184份任务报告上，六个职业平均覆盖89.3%的报告任务，O*NET 为78.6%；另有79项任务经 O*NET 分析师确认有效却没有对应条目，其中5项因 AI 采用而新出现或被重塑。
判断研究想法是否新颖的LLM评委：提示词换几个词，准确率从93.5%跌到40.9%
Ai2发布“Old Ideas, Novel Problems”研究、基准、数据与代码，检验大语言模型能否可靠判断研究想法的新颖性。研究以ICLR 2026审稿意见挖出154个高新颖度与145个低新颖度人类想法，并把154个人类想法与154个简单生成器产出的想法配对。六个评委模型上，只改提示词措辞就让GPT-5.4在人类加生成配对上的准确率从93.5%降到40.9%，检索与额外推理也未稳定改善判断。
邮件网络里的派系一个月就散掉六成：时序图神经网络追平“照搬上月值”，真正管用的是存活概率
安然邮件网络被切成44个30天快照，最大派系按Jaccard一一匹配后，约六成在一个月后找不到对应群体，下一月张力对多数行没有定义。在24个滚动预测起点上，带残差输出、从“照搬上月值”起步的GCN、GraphSAGE式编码器和GCN+GRU，在存活派系上与照搬上月值等价，普通GCN更差，邻域与循环记忆没有可测增益。可部署设定下，把照搬值乘以简单风险模型的存活概率，误差降低约17%。
中文语法评分不再只改病句：证据图让每条扣分都带规则证书，五级评分MAE降到0.42
面向国际中文教育的语法评估被改写为“带证明的约束推断”：检索到的语法规则、错误片段、最小修改与等级评分由同一张潜在证据图耦合，每条影响评分的判断都要附规则级支持证书。在MuCGEC等公开语料上，PC2G的错误检测F0.5为71.4，高于所列最强检索基线CRAG-style的67.6；五级评分MAE从0.57降到0.42，证据忠实度为91.8%。这些等级对照的是由参考修改推导的银标签评分标准，而非独立教师评分。
招商政策与一人公司互相听得见：中介智能体双向传话，政府综合目标较八基线均值高42.4%
区域招商政策与一人公司之间多了一条双向反馈通道：一人公司由个人借数字平台与AI智能体运营、可在区域间比较，过去政策端与公司端各按自己的估计行动。PolicyMediator把这条通道做成受认知约束的领导者—多跟随者Stackelberg框架，中介智能体向公司解释已核验的政策以建立认知与信任，再把需求与未解疑虑报回政府用于政策学习。在中国六区域、五类一人公司、五套场景与三种模拟器骨干共15组组合中排名第一，政府综合目标较八个基线均值提高42.4%。
高分之下藏着标签级失败：四个数据集、五个模型检验LLM编码本分析
用编码本（把理论概念映射为标签的标注指南）驱动大模型做内容分析时，聚合指标的高分可能掩盖标签级失败。研究在四个数据集、五个模型上系统扰动提示、重复运行并做跨领域迁移，发现最差标签F1与micro-F1相差约26至30个百分点，且模型更依赖标签名称而非定义。这些失败在准确率和micro-F1上看不出来，在提示优化后依然存在。