本文全面介绍了QIAS 2026共享任务，该任务作为OSACT7研讨会的一部分并与LREC 2026同期举办。该任务旨在评估大型语言模型在复杂的宗教与法律领域伊斯兰继承推理中的能力。与传统问答基准不同，QIAS 2026强调从自然语言案例端到端推理，包括识别继承人及分配正确份额。任务基于包含12,500个阿拉伯继承案例的MAWARITH数据集，并使用多阶段评估指标MIR-E。共有16支队伍参与，采用提示、检索增强生成及微调等方法。结果显示，伊斯兰继承推理对当前语言模型依然具有极大挑战，尤其在精确法律解释及结构化数字推理阶段。本文总结了任务设计、数据集、评价框架、参赛系统及主要结果。
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：本文全面介绍了QIAS 2026共享任务，该任务作为OSACT7研讨会的一部分并与LREC 2026同期举办。该任务旨在评估大型语言模型在复杂的宗教与法律领域伊斯兰继承推理中的能力。与传统问答基准不同，QIAS 2026强调从自然语言案例端到端推理，包括识别继承人及分配正确份额。任务基于包含12,500个阿拉伯继承案例的MAWARITH数据集，并使用多阶段评估指标MIR-E。共有16支队伍参与，采用提示、检索增强生成及微调等方法。结果显示，伊斯兰继承推理对当前语言模型依然具有极大挑战，尤其在精确法律解释及结构化数字推理阶段。本文总结了任务设计、数据集、评价框架、参赛系统及主要结果。
伊斯兰继承推理法律复杂且涉及多步骤准确计算，该共享任务提供了大规模真实数据集和多阶段评估标准，有助于推动语言模型在法律推理与复杂数值计算能力上的进步。
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 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。
开放车间排序问题（OSSP）在工业和服务领域中普遍存在，但随着作业和机器数量增加，计算难度显著提升。传统精确方法难以应对大规模问题，经典调度规则和元启发式方法则需大量调参保证解的质量。本文提出了一种基于Transformer的调度策略，采用编码器-解码器架构和多头注意力机制，使用仅含处理时间矩阵的输入，在Taillard基准（4x4至10x10）上训练，生成的调度计划的完工时间通常在最优值的15-30%范围内。该策略在未经再训练的情况下应用于40x40至100x100的随机大规模实例，表现出对比经典调度启发式（SPT、LPT、MWKR、EST）具有良好的竞争力，平均误差在12.89%-15.12%间，优于SPT和LPT，表现与EST相近。结果表明，该Transformer策略具备从小规模实例推广到大规模问题的能力，且作为一种特征轻量的基于学习的方法，是经典调度规则的有效替代方案。
本文提出了UP-NRPA，一种基于用户画像的嵌套展开策略自适应在线框架，利用大型语言模型动态调整目标导向对话系统中的对话策略。该方法通过实时用户反馈和用户个性、偏好及目标的映射，实现无需离线强化学习即可适配多样化用户特征。UP-NRPA在协作与非协作对话基准测试中表现优异，多任务成功率达100%，谈判任务中售出率提升56.41%。
沾泥孩子难题是一个关于知识与无知的经典谜题，推动了认识论逻辑的发展。论文追溯了过去两百年来逻辑与文学出版物中该谜题的起源，并介绍了许多变体，如涉及数字或彩色帽子。文中还提出了一个包含自指的新帽子谜题。