个性化演示文稿生成不仅需要基于当前提示或模板，还需维持用户偏好稳定，保留修改中的新偏好和约束，并可靠执行局部编辑。MemSlides提出了分层记忆框架，将长期记忆分为用户档案记忆和工具记忆，工作记忆承载多轮修改中的活跃偏好与约束。同时结合局部幻灯片修订，仅针对受影响区域进行更新，避免整组重生成。实验表明用户档案记忆提升多角色多意图匹配中的个性化准确度，工具记忆增强闭环修改行为，工作记忆支持偏好延续，体现出分离持久档案、会话工作记忆与执行经验对个性化演示生成的重要性。
这条 研究论文 信号说明，来自 arXiv cs.CL 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.CL 发布了这条关于 研究论文 的更新：个性化演示文稿生成不仅需要基于当前提示或模板，还需维持用户偏好稳定，保留修改中的新偏好和约束，并可靠执行局部编辑。MemSlides提出了分层记忆框架，将长期记忆分为用户档案记忆和工具记忆，工作记忆承载多轮修改中的活跃偏好与约束。同时结合局部幻灯片修订，仅针对受影响区域进行更新，避免整组重生成。实验表明用户档案记忆提升多角色多意图匹配中的个性化准确度，工具记忆增强闭环修改行为，工作记忆支持偏好延续，体现出分离持久档案、会话工作记忆与执行经验对个性化演示生成的重要性。
因为个性化演示文稿生成涉及多轮交互和复杂偏好管理，传统单一记忆结构难以满足需求。MemSlides通过分层记忆设计和局部修订机制，有效支持多轮局部修改并保持用户偏好稳定，显著提升了个性化与编辑效率，解决了长期且细粒度个性化表达的难题。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers、agents 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
OpenAI and Molecule.one show how a near-autonomous AI chemist using GPT-5.4 improved a key drug-making reaction, advancing medicinal chemistry research.
本文提出了一种名为DivInit的方法，用于智能搜索中的查询初始化，通过在首次查询时选取多样化的种子查询，解决了标准并行采样中查询冗余导致的性能瓶颈。实验证明，DivInit在五个开源模型和八个基准测试中均优于传统方法，在多跳问答任务中平均提升了5到7分。该方法无需额外训练，代码已开源。
法律案例检索因法律语言的复杂性及查询与案例间精确词汇对齐的需求而具有挑战性。尽管密集检索模型取得进展，研究表明BM25依旧是强有力的基线。本文提出了一个无需参数训练的自我进化规则驱动查询重写框架，基于大型语言模型（LLM）创建并验证重写规则，通过实验反馈迭代优化规则。该方法在中文法律案例检索基准LeCaRD-v2上优于非进化基线，特别是在高性能LLM支持下。分析表明，LLM利用历史实验和规则淘汰知识在规则集精炼中起关键作用。