本文介绍了团队PSL参加QIAS 2026阿拉伯伊斯兰继承推理共享任务的情况。该任务评估大型语言模型解决需法律解释、多步推理及精确数值计算的继承案例能力。作者比较了商业模型与开源模型在统一提示策略下的表现，以衡量它们在结构化法律推理中的有效性，同时最小化特定任务的适配。结果显示商业模型在识别继承人、排除规则应用及推理连贯性方面表现更佳，而开源模型在处理依赖性法律决策与份额调整时较不稳定。最佳模型为Gemini 2.5 Flash，MRE达0.989。
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：本文介绍了团队PSL参加QIAS 2026阿拉伯伊斯兰继承推理共享任务的情况。该任务评估大型语言模型解决需法律解释、多步推理及精确数值计算的继承案例能力。作者比较了商业模型与开源模型在统一提示策略下的表现，以衡量它们在结构化法律推理中的有效性，同时最小化特定任务的适配。结果显示商业模型在识别继承人、排除规则应用及推理连贯性方面表现更佳，而开源模型在处理依赖性法律决策与份额调整时较不稳定。最佳模型为Gemini 2.5 Flash，MRE达0.989。
继承推理涉及复杂的法律规则和精准计算，选择合适的模型可以提升推理准确度。该研究通过比较商业与开源模型，揭示了它们在序列化法律问题上的优势与不足，有助于推动法律AI模型的发展与应用。
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、models 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。