English(EN) RAP: Research Attention Prediction Reveals Target-Conditioned Evidence Acquisition Biases

新基准揭示 AI 模型难以预测研究趋势

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-10 04:00

研究人员开发了一个名为研究注意力预测 (RAP) 的新基准，用于评估大型语言模型跟踪 AI/ML 领域内研究注意力变化的能力。该基准涵盖 278 个 AI/ML 领域和 1,390 个时期，涉及 LLM 代理在受限的 arXiv 语料库中搜索以预测未来六个月的论文份额。结果表明，虽然搜索通常有帮助，但模型通常表现不如简单的指数移动平均基线，这凸显了证据获取和未来特定更新方面的瓶颈。在已实现结果上进行微调可以改善 Qwen3-4B 等特定模型的性能。 AI

影响该基准可能催生更复杂的 AI 研究代理，使其能够理解和预测科学趋势。

排序理由该集群包含一篇详细介绍用于评估 LLM 的新基准的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 12 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍用于评估 LLM 的新基准的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Yingqian Wu, Jingcong Liang, Siyuan Wang, Zhenfei Yin, Philip Torr, Junchi Yu, Zhongyu Wei · 2026-09-10 04:00

RAP：研究注意力预测揭示目标条件证据获取偏差

arXiv:2609.10092v1 Announce Type: cross Abstract: Large language models (LLMs) increasingly act as research agents, yet their ability to track shifts in research attention is difficult to evaluate because reviews and research ideas lack uniquely verifiable outcomes. We introduce …

本文如何被排名

报道来源 [1]

RAP：研究注意力预测揭示目标条件证据获取偏差

相关实体

相关话题