本文提出Neuro-Symbolic Drive，一种结合经典基于规则规划器推理轨迹与视觉语言代理（VLA）的驾驶框架。该方法利用规则规划器的执行轨迹和决策痕迹作为结构化监督，微调Qwen3.5-4B模型，使推理过程与运动规划因果连接。实验表明，该方法显著降低了平均距离误差和目标漏检率，提升了多摄像头感知下的驾驶性能。
这条 研究论文 信号说明，来自 arXiv cs.AI 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.AI 发布了这条关于 研究论文 的更新：本文提出Neuro-Symbolic Drive，一种结合经典基于规则规划器推理轨迹与视觉语言代理（VLA）的驾驶框架。该方法利用规则规划器的执行轨迹和决策痕迹作为结构化监督，微调Qwen3.5-4B模型，使推理过程与运动规划因果连接。实验表明，该方法显著降低了平均距离误差和目标漏检率，提升了多摄像头感知下的驾驶性能。
该研究有效解决了当前Chain-of-Thought推理缺乏因果连接推理步骤的问题，通过直接使用规则规划器的决策轨迹作为监督，保证了推理与动作生成的一致性，提高了驾驶模型的性能和可信度。
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。
RIFT-Bench是一种基于图表示的新方法，针对自主决策的AI系统（由大型语言模型驱动），提供统一的安全评估框架。其分为发现系统结构和扫描自适应攻击两个自动化阶段，能够跨45个不同架构和实现的系统进行效果验证，并支持评估防御策略。该方法解决了传统安全评估局限于特定实现或领域的问题，实现了对异构自主AI系统的全面动态安全检测。
本文探讨了“代理”及其构成，特别是在大型语言模型（LLM）兴起、被称为“编码代理”“AI共同科学家”等工具背景下的代理定义。文章梳理了AI代理的现状，从目标、身份、决策、自我调节和学习五个维度分析代理架构，强调真正的代理性需要这些结构内化于系统自身，而非依赖外部组成。区分了“代理性”系统（依赖外部工程流程）与“代理化”系统（内生能力包括社会交互），界定了自动化与自主性的边界。基于此，提出了通用代理模型——目标-身份-配置器（GIC）架构，融合分层目标分解、身份演进、基于世界模型的模拟推理、自我调节与自主学习。并讨论了拥有更大自主性的系统在审计、控制和安全方面的见解。
尽管自动语音识别（ASR）系统整体词错误率较低，但仍存在影响语义关键标记（如命名实体、否定词和情感词）的残余词汇错误。这些错误往往具有结构性，源于语音相似性而非随机噪声，使得简单的逐词纠正不足。本文提出G-SPIN框架，结合语音图建模与上下文语言理解，通过图神经网络构建语音邻近候选词，再由掩码语言模型进行局部上下文评分，最后由指令调优的大型语言模型对候选集进行上下文感知重排序，提高纠正准确度。该框架轻量、模块化，完全在推理阶段运行。