Trace
PulseAugur coverage of Trace — every cluster mentioning Trace across labs, papers, and developer communities, ranked by signal.
- 2026-08-28 product_launch Manifund has launched Trace, a new database dedicated to tracking AI safety funding. 来源
- 2026-06-29 research_milestone Researchers introduced the TRACE framework for detecting emotional entrainment in dyadic speech, achieving 97.01% accuracy on the DyadEE dataset. 来源
- 2026-06-10 research_milestone Researchers introduced the TRACE method for detecting LLM ghostwriters, achieving state-of-the-art performance on a new dataset. 来源
- 2026-06-02 research_milestone A new framework called TRACE was introduced, significantly improving multi-video event understanding and claim generation. 来源
13 天有情绪数据
-
新的基准RH-Detect提高了LLM中奖励破解的检测能力
研究人员推出RH-Detect，这是一个旨在提高语言模型中奖励破解检测能力的统一基准。该基准将来自十一个公共数据集的数据整合到一个通用模式中，创建了一个包含92,761行、涵盖六种行为类别的的数据集。在包括多轮工具使用轨迹在内的开放式任务上进行评估时，性能最佳的现成语言模型达到了0.962的AUROC。然而，在多轮工具使用数据集上的准确率显著下降，这表明了在实际部署监控方面存在一个关键挑战。
-
新的TRACE框架将情感建模为一个展开过程，表现优于当前AI
研究人员推出TRACE，一个旨在模拟真实社交场景中情感展开过程的新框架。该框架将情感事件形式化为三个阶段：条件（Condition）、情感（Affect）和效应（Effect），整合了可观察的线索与认知因素，如内部立场和情感表达的调控。为评估多模态模型，他们开发了TRACE-Bench，一个包含3,746个问答对、646个视频的数据集，涵盖情感识别、调控解码和因果推理等任务。研究发现人类与模型能力之间存在显著的性能差距，通用大型多模态…
-
新的TRACE算法增强了AI从语言反馈中学习的能力
研究人员开发了一种名为TRACE的新算法，旨在改进AI代理从自然语言反馈中学习的方式，特别是当反馈指示违反了要求时。TRACE以树状结构组织潜在的约束，并通过生成符合这些约束的操作来测试改进。该算法仅在后续反馈不矛盾的情况下才承诺改进，与现有的提示基线相比，在RecMovie等任务上显示出更高的成功率。
-
开发者概述了带有回归门槛的 6 步 AI 代理改进循环
一位开发者概述了一个旨在提高 AI 代理性能的六步循环，并强调仅靠可观察性是不够的。确定的核心问题是代理输出缺乏质量评分，这阻碍了有效的错误识别和纠正。提出的循环包括观察代理行为、通过评分机制（基于规则、LLM 裁判或人工审查）评估输出、识别低评分的追踪记录、将这些记录整理成标记的评估案例，然后改进代理的提示、上下文或模型。至关重要的是，开发者强调了回归门槛作为第六步的重要性，它充当内存，防止先前修复的错误再次出现，并使用真实的失败追…
-
新的TRACE方法审计LLM检查点中的有害SFT目标
研究人员开发了一种名为TRACE的新颖方法，通过分析大型语言模型（LLM）的检查点更新来对其进行审计。该技术直接在模型的权重中识别有害监督微调（SFT）目标的持续痕迹，独立于模型执行或行为评估。TRACE使用参考几何来量化有害程度，在各种微调配置甚至部分检查点访问中保持稳定。这种仅限权重的审计方法为安全评估提供了补充信号，尤其是在行为测试受限的情况下。
-
TRACE框架为混合专家语言模型的FP4量化提供更快速度
研究人员开发了TRACE，一种用于混合专家（MoE）语言模型使用FP4精度进行量化感知训练的新型框架。该方法通过使用滚动（rollout）侧的量化结果来指导训练侧的舍入决策，直接减小了训练和滚动路径之间的差异。TRACE还采用了一种高效的量化信息缓存方案，减少了存储和通信开销。评估表明，TRACE在滚动生成方面实现了高达5.4倍的速度提升，性能与BF16滚动相当。
-
新基准TRACE评估基于文本的电力价格预测
研究人员推出了TRACE，这是一个旨在评估文本运行背景对电力价格预测影响的新基准。与以前主要使用数值数据的基准不同，TRACE结合了预测时可用的官方运行文本，并与美国主要市场五个区域的价格数据配对。评估表明，TRACE可以提高预测准确性，特别是识别上行价格风险，使时间序列基础模型的pinball损失中位数降低7.4%。
-
AI系统TRACE赋能地震学自主物理推理
研究人员开发了TRACE，一个新颖的多智能体AI系统，专为地震学中的自主物理推理而设计。该系统能够规划和执行工作流，并维护从观测到解释的可审计证据链。TRACE在基准任务和两次地震序列上进行了评估，成功重建了2019年里奇克雷斯特地震序列，并对2025-2026年三陆地震序列提出了新的解释，将地震和非地震活动与大断层失稳联系起来。
-
新的TRACE方法增强了LLM在多轮有害请求方面的安全性
研究人员开发了一种名为TRACE（Trajectory Return Attribution and Contrastive Erasure）的新方法，以提高大型语言模型（LLM）的安全性。该技术解决了LLM可能被诱骗生成有害内容的问题，即使它们拒绝单轮有害提示，也可以通过将请求分散到多轮来诱骗它们。TRACE通过分配一个令牌级目标来实现这一点，该目标根据拒绝可归因优势的折扣回报来加权令牌，从而使早期令牌能够因后期的拒绝证据而获得信用…
-
新的适配器方法解决了时间序列基础模型中的路由崩溃问题
研究人员发现时间序列基础模型（TSFM）中存在一个关键问题，即标准的混合专家（MoE）适配器因“归一化引起的路由崩溃”而失效。这种现象发生的原因是预编码器归一化剥离了路由器区分不同数据模式所必需的关键统计信息。所提出的解决方案，原始路由适配器混合（RR-MoA），通过在原始的、预归一化输入上进行路由来进行干预，从而有效地绕过了这种崩溃。实验表明，在使用冻结骨干网络时，RR-MoA 的性能显著优于现有的适配器方法，甚至优于完全微调，这一…
-
TRACE框架使用射频测量实现无线数字孪生的自校准
研究人员开发了TRACE，一个使用射频测量来自校准无线数字孪生的新框架。该系统解决了现有数字孪生中的不准确性，这些不准确性通常源于不完美的3D环境模型。TRACE通过射线追踪孪生、反投影测量和模拟的射频数据以及提取建筑物周围的局部区域来对齐物理世界和数字孪生之间的残差误差。然后，一个多视图校正器融合证据，预测建筑物参数的校正，从而显著提高位置和方向的准确性。
-
EvoGen-Harness 框架通过进化外部组件来增强 T2I 模型
研究人员开发了 EvoGen-Harness，一个旨在增强文本到图像（T2I）生成系统而无需更改核心生成器参数的新颖框架。该系统专注于通过同时进化多个职责来适应提示或路由等外部组件。它使用一种称为 Trace 的方法来有效地归因失败并指导进化，从而防止不必要的更新并提高各种基准的性能。
-
新的 TRACE 系统致力于从学术论文中获取可验证的答案
一篇新的研究论文介绍 TRACE，一个旨在弥合查找相关学术论文与从中提取可验证答案之间差距的系统。TRACE 通过采用目标分组检索、独立证据定位和多模态表格提取来解决“基础合同差距”。该系统使用各种表示方法索引了大量论文，并专注于精确的答案归因和模式驱动的表格构建。TRACE 在 LitTraceQA 测试集上取得了 0.760613 的分数，在论文识别和多项选择准确性方面表现强劲，尽管在表格行和单元格准确性方面面临挑战。
-
新的 TRACE 框架提高了 RAG 模型在面对冲突知识时的鲁棒性
研究人员开发了 TRACE，一个新颖的微调框架，旨在增强检索增强生成 (RAG) 模型在面对冲突信息时的鲁棒性。TRACE 利用多智能体辩论痕迹来训练模型识别正确和不正确的知识来源，从而提高其选择可靠外部上下文的能力。此外，该框架还包含一个答案完整性正则化机制，以防止不完整或过早终止的响应。实验表明，TRACE 在知识冲突场景下显著提高了 RAG 模型的性能，从而产生更可靠、更高质量的答案。
-
新框架通过主动内存和详细评估增强流媒体视频理解
研究人员推出了几个新的框架和基准来改进流媒体视频理解。OneStreamer 是一个 4B 模型，通过在未来任务未知之前从视频证据中创建可重用的事实记忆，统一了感知、记忆和主动响应。TRACE 提供了一个条件感知评估框架，明确详细说明证据何时有效、如何维护历史以及如何触发响应，揭示了在准确性方面看似相似的模型之间存在显著的性能差异。此外，MEMO 提出了一个多层次、实体感知的结构化内存，以捕捉跨越广阔时间范围的细粒度视觉信息，而 EG…
-
新框架和基准推动 AI Agent 训练和评估
研究人员正在开发新的框架和方法来改进 AI Agent 的训练和评估。Microsoft Research Asia 发布了 Agent Lightning v1.0，这是一个使用强化学习和现有 Harness 训练 Agent 的轻量级框架，在 Qwen3.5-9B 的编码任务上取得了显著进展。Apple Inc. 的研究人员提出了 RISED 和 SCLATE，分别是用于 Agent 的多环境选择和持续学习评估的系统。Huggin…
-
TRACE框架增强了历史档案中的来源发现
研究人员开发了TRACE，一个新颖的代理检索框架，旨在改进历史档案中的来源发现。该系统解决了OCR退化和数字馆藏中对强来源可追溯性的需求等挑战。TRACE是为DECIDON项目开发的，专注于法国第三共和国时期的政治话语，并已部署给六个机构的24名研究人员使用。在HistoriQA-ThirdRepublic基准测试上的评估表明，TRACE在处理复杂的多跳和跨语料库问题方面，其性能优于各种基线检索方法，同时保持了遗产机构的经济可行性。
-
TRACE方法校正光子计数CT扫描中的环状伪影
一种名为TRACE 的新方法已被开发出来，用于校正光子计数探测器计算机断层扫描 (PCD-CT) 扫描中的环状伪影。这种无监督的两阶段投影图分解技术可以估计和校正由探测器响应不均匀性引起的误差。TRACE 使用固定偏差结合低阶离散余弦变换 (DCT) 分量来表示这些误差，从而能够描述角度变化。在模型数据上的实验表明，TRACE 能有效减少环状伪影并提高图像均匀性，同时保持图像细节和清晰度。
-
新的TRACE框架通过视觉标记修剪提高GUI代理效率
研究人员开发了TRACE，一个旨在提高GUI代理效率的新框架。TRACE解决了由代理轨迹中的高分辨率屏幕截图引起的延迟和内存使用增加的挑战。它采用一种无需训练的方法，根据交互先验、指令相关性和特征新颖性来优先考虑视觉证据。这种方法确保保留的视觉信息可重用，并保持空间覆盖范围而无需重新编码，最终降低了各种GUI基准测试的计算成本。
-
新的混合模型'Trace'能高精度预测网球比赛的实时结果
研究人员开发了一个名为Trace的混合模型，用于预测网球比赛的实时结果，在比赛的不同阶段都达到了高精度。该模型整合了赛前和实时信息，证明了其适应不断变化的比赛动态的有效性。该方法在一系列大满贯比赛的大型数据集上进行了评估，Trace模型与其他评估模型相比表现更优。