Trace
PulseAugur coverage of Trace — every cluster mentioning Trace across labs, papers, and developer communities, ranked by signal.
- 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
9 天有情绪数据
-
斯坦福大学研究人员发布 TRACE 以修复 AI 代理的失败
斯坦福大学的研究人员开发了 TRACE，这是一个开源系统，旨在识别和纠正 AI 代理中反复出现的失败。该工具采用合成强化学习，通过创建针对已识别弱点的特定训练场景来提高代理性能。
-
新的TRACE水印确保LLM代理轨迹的来源
研究人员开发了TRACE，一种新颖的双通道水印，旨在确保LLM代理轨迹的来源。该系统能够抵御可能试图重新品牌化或替换代理的对手，因为它将水印直接嵌入到轨迹日志中。TRACE利用一个基于局部内容进行无失真动作选择的选择通道，以及一个基于日志骨架以在重写下保持不变的计数通道，从而确保即使日志被篡改也能进行归因。
-
新方法提高了 AI 模型忠实视觉归因的准确性
研究人员开发了两种新的忠实视觉归因方法 CoPAIR 和 TRACE，该方法可识别支持模型预测的图像区域。这些方法侧重于生成紧凑的 top-k 证据掩码，而不是对所有区域进行完全排序。CoPAIR 使用 PhaseWin-Greedy 方法进行候选生成，而 TRACE 则使用交叉熵采样和其他技术直接搜索固定基数的掩码。这两种方法在 ImageNet 分类和 MLLM 归因等各种归因任务上都取得了新的最先进成果，其中 TRACE 掩码在…
-
TRACE框架对因果表示学习中连续机制演化进行建模
研究人员推出了一种新颖的专家混合（Mixture-of-Experts）框架TRACE，旨在解决当前时间因果表示学习方法的局限性。与假设因果机制之间瞬时切换的现有方法不同，TRACE通过将连续过渡表示为原子机制的凸组合来对其进行建模。该框架能够恢复潜在因果变量和连续混合轨迹，即使是训练期间未见的中间状态。实验表明，TRACE可以将混合轨迹的相关性提高到0.99，显著优于离散切换基线。
-
新的TRACE基准突显了评估工具增强型AI对话的挑战
一项新的研究论文介绍TRACE，这是一个旨在评估使用外部工具的对话式AI系统的基准。现有的评估方法不足，因为它们常常无法检测到AI代理可能误解工具结果但用户仍感满意的关键错误。TRACE基准包含系统合成的对话，涵盖了各种潜在的错误场景，初步评估表明当前最先进的框架在实现理想性能方面存在困难。
-
新的TRACE方法检测LLM辅导中的答案驱动推理
一项新的研究论文介绍了截断推理AUC评估（TRACE）作为一种检测基于LLM的教育辅导中答案驱动推理的方法。研究发现，当像Qwen2.5-3B-Instruct这样的LLM能够访问答案密钥时，它们的解释在生成的文本早期显示正确答案的可能性会显著增加。这表明LLM可能正在生成针对已知答案量身定制的解释，而不是从问题本身推导出答案。
-
新的TRACE框架处理AI代理的对话数据
研究人员开发了TRACE，一个新颖的查询处理框架，旨在处理AI代理对话数据的复杂性。TRACE将对话建模为时间证据图，整合因果关系和更新等关系，以跟踪信息随时间的变化。这种方法允许进行状态感知的推理，区分当前信息和已过时信息，从而为长期运行的助手提供更准确的答案。实验表明，TRACE在改进长期对话问答基准上的时间推理和多跳推理方面非常有效。
-
新的TRACE框架在检测语音中的情感同步方面达到97%的准确率
研究人员开发了TRACE，一个用于检测双人语音互动中情感同步的新颖框架。该框架利用经过情感微调的Whisper表示，将对话建模为序列互动轨迹，并纳入对话上下文和关系信息。TRACE在新引入的DyadEE数据集上达到了97.01%的准确率，该数据集包含自然和经过合成修改的对话，用于研究同步。
-
TRACE模型通过概念瓶颈提供可解释的胶质母细胞瘤反应评估
研究人员开发了TRACE，这是一种概念瓶颈模型，用于使用3D MRI扫描进行可解释的纵向胶质母细胞瘤反应评估。与直接预测标签的传统深度学习方法不同，TRACE利用临床上有意义的肿瘤测量作为根概念，并通过确定性规则推导出下游概念，与RANO 2.0标准保持一致。该模型处理配对的基线和随访扫描，并纳入扫描间隔和新病灶信息。在LUMIERE数据集上的交叉验证中，TRACE实现了0.4769的4类宏F1分数和0.7085的二元F1分数，其性能…
-
新方法监控个性化过程中的SLM稳定性
研究人员开发了一种方法来监控小语言模型（SLM）在序列化个性化过程中的稳定性，这一过程对于使这些模型适应边缘设备上不断变化的用户数据至关重要。该研究侧重于LoRA个性化，并引入了一个检查点级别的协议来跟踪任务性能、遗忘和参考集漂移。该方法旨在识别标准任务级别指标可能隐藏的不稳定模式，从而为确保SLM在持续学习场景中的稳定性指明研究方向。
-
新的TRACE框架通过令牌影响检测RAG中毒攻击
研究人员开发了一个名为TRACE 的新框架，用于检测检索增强生成 (RAG) 系统中的中毒攻击。这些攻击通过将恶意文档插入检索语料库来操纵 RAG 模型，导致输出不正确。TRACE 通过分析令牌影响归因来识别这些中毒答案，提供了一种轻量级的解决方案，无需计算密集型的辅助分类器或 LLM 验证。实验表明，TRACE 在各种问答基准和 LLM 中能有效检测中毒并揭示攻击者指定的目标答案。
-
新AI研究揭示理解神经网络计算的方法
两篇新研究论文介绍了理解复杂神经网络内部工作机制的新方法。第一篇TRAC提出了一种使用分层Transformer和函数移位学习目标在电路图上进行计算学习的新范式，在各种电路模态上均优于现有架构。第二篇DifFRACT将电路追踪技术扩展到多模态扩散Transformer，能够对图像生成模型进行详细的因果分析，并揭示属性绑定和语义传播的机制。
-
软件工作室 Fervon 推出，利用 AI 代理进行开发
Jon Martin 推出了 Fervon，一个将使用 AI 代理构建产品的新软件工作室。该工作室的作品集包括 Trace 和各种开源开发工具，所有这些都是在 AI 代理的协助下开发的。
-
Trace 发布，成为一款设备端、注重隐私的会议转录工具
Trace 是一款新的 macOS 应用程序，专为设备端会议转录和笔记记录而设计。它完全在本地运行，确保音频和转录内容绝不离开用户的 Mac，从而解决了基于云的解决方案带来的隐私问题。该应用程序允许用户在通话期间使用简单的键盘快捷键标记关键时刻，这些标记会直接嵌入到 markdown 转录中，方便查阅。Trace 与 Zoom 和 Microsoft Teams 等热门会议平台集成，其输出可以导出到各种笔记应用程序或与 AI 摘要工具一起使用。
-
新研究利用先进的AI模型解决欺骗语音检测问题
研究人员正在开发先进的方法来检测欺骗语音，由于逼真的合成和语音转换技术，这是一个日益严峻的挑战。一种方法是时间金字塔适配器（Temporal Pyramid Adapter），它使用具有不同感受野的并行时间卷积来捕获多尺度欺骗线索，并整合XLS-R等自监督表示。另一项研究推出了ArFake，这是第一个多方言阿拉伯语欺骗语音数据集，以解决该领域有限的研究。第三篇论文将自监督语音模型转换为专家混合（Mixture-of-Experts）架…
-
新的TRACE记忆框架助力机器人在延迟证据视觉运动任务中表现
研究人员开发了TRACE（TRAjectory-routed Causal Evidence，轨迹路由因果证据）框架，这是一种新颖的记忆框架，旨在帮助机器人在基于过去但已不再可见的视觉信息进行决策。该系统使用路径签名（机器人轨迹的紧凑特征）来索引和检索有限的潜在记忆中的相关证据。TRACE可以附加到现有策略上，而无需改变其核心结构，并且在真实世界的长时程操纵任务中，与基于其他记忆的方法相比，在具有模糊决策点的任务上表现出了改进的性能。
-
新的TRACE方法可检测长文本中的大型语言模型代笔
研究人员开发了一种名为TRACE的新方法，用于检测长篇文本中由大型语言模型生成的代笔。该技术通过分析词语排名等令牌级转换模式，并使用一个独立的轻量级语言模型，来创建独特的指纹。TRACE在新数据集GhostWriteBench上展示了最先进的性能，该数据集包含由前沿大型语言模型生成的超过50,000字的文本，并在分布外场景和有限的训练数据下表现出鲁棒性。
-
新方法提升AI代理的可靠性和安全性
研究人员开发了新方法来提高AI代理的可靠性和安全性。一种名为TRACE的方法侧重于监控长时程代理轨迹，通过分析跨越时间上遥远动作的证据来检测恶意或意外行为。另一种方法，回顾式约束优化（RHO），利用过去的轨迹进行自我监督，并在没有外部验证的情况下改进代理对技能和工具的约束。此外，HarnessFix旨在通过分析执行跟踪并将失败映射到特定约束层进行有针对性的修补，来诊断和修复代理约束中的缺陷。
-
TRACE框架使用自回归模型进行因果发现
研究人员开发了一个名为TRACE的新框架，该框架利用自回归模型来揭示序列数据中的因果关系。该方法重新利用现有的语言模型来进行因果发现，而无需额外的训练或重复采样。TRACE可以从离散事件的单个序列中识别因果图，使其适用于车辆诊断和患者轨迹等传统方法难以处理的领域。
-
TRACE框架通过证据导引提升多视频事件理解能力
研究人员开发了TRACE，一个旨在改进多视频事件理解和声明生成的新框架。TRACE采用先导引后推理的策略，首先使用OCR和对象检测为每个视频创建可文本搜索的时间线。然后，一个纯文本LLM在视觉推理开始之前定位相关证据，从而提高事实完整性和归因保真度。实验表明，TRACE在MAGMaR 2026等基准测试中显著优于基线模型，取得了最先进的成果。