来源：arXiv cs.AI / cs.LG / cs.CL · 精选 5 篇（论文日期 2026-09-25，比执行日期滞后 4 天，属周末冻结批次；已比对近 5 天日报，零重复）
今日精选
1. 自监督置信度训练：不学”何时停”却能更早停
- 原标题: Learning to Stop without Learning to Stop: Self-Supervised Confidence Training Improves Reasoning Efficiency
- 作者/机构: Parsa Hosseini 等（马里兰大学 University of Maryland · Capital One AI Foundations，ICLR 2027 投稿）| arXiv
- 核心贡献: ① 解决推理模型思维链过长、推理成本高的问题 ② 仅用 600 道训练题，自监督微调模型在推理中途预测自身答案置信度——损失函数完全不含长度/效率目标，推理时也不加任何早停机制 ③ 在 Gemma、Qwen、Nemotron、GPT-OSS 四个模型家族的数学/科学/代码基准上，精度持平下生成 token 减少最多 25%，效果与显式优化长度的 RL 方法相当
- 工程关联: 对 LLM 推理成本优化方向有直接参考：元认知信号（置信度）作为训练目标可以”免费”带来推理效率，无需改动推理管线
- 价值点: 训练侧加一个置信度头即可省 1/4 推理 token，比早停启发式和长度惩罚 RL 都更简单、更稳
2. 陈旧文档投毒：过时检索证据如何覆盖正确答案
- 原标题: Stale-Document Poisoning: When Outdated Retrieval Overrides Correct Model Answers
- 作者/机构: Md Shamim Ahmed、Lukas Galke Poech、Richard Röttger（南丹麦大学 University of Southern Denmark）| arXiv
- 核心贡献: ① 揭示 RAG 的时间对齐失效：过时证据会让原本能答对的模型答错 ② 构建含 317 个已验证”知识反转”的基准（医疗/法律/软件/平台政策）；过时检索在无指令情况下使 Llama 翻错 30%、Qwen 翻错 37%，显式”遵循文档”指令下升至 66%/75% ③ 实验表明模型已具备时间适用性推理机制——明确告知旧证据何时失效后，大模型几乎能完美切换；配合基于日期的混合重排器可降投毒 4.6-10 个百分点
- 工程关联: RAG 系统安全的必备知识：知识库不仅要”检索到”，还要保证文档时效性与元数据完整
- 价值点: 生产 RAG 必须做选择性信任——给检索文档附可靠时间戳与失效信息，否则模型会被旧证据系统性带偏
3. 策略多样性采样：错误的自训练数据胜过 235B 蒸馏
- 原标题: Strategically Diverse Sampling for Self-Training
- 作者/机构: Alexander Gurung、Esmeralda S. Whitammer、Mirella Lapata（爱丁堡大学 University of Edinburgh）| arXiv
- 核心贡献: ① 挑战”自训练数据要以正确性为先”的假设：IID 采样会过表征模型已偏好的解法 ② 提出 GROOT（构造解法层次树、采样不同路径）与改造版 Verbalized Sampling 两种策略多样性采样法 ③ 在竞赛编程与 Next-Chapter Prediction 上，策略多样数据训练的模型在难题上超过 IID 对照；最惊人：Qwen3-4B 对”多样但错误”轨迹自训练，效果超过从 235B 教师做 IID 蒸馏
- 工程关联: 对 LLM 后训练与数据工程方向参考极大——构造自训练/蒸馏数据时，解法多样性比答案正确性和教师规模更关键
- 价值点: 小模型自训练数据构建的新原则：花预算在”不同的解题路径”上，比堆更大教师模型更划算
4. 编码 Agent 的紧凑文档：roundtrip 基准 + 一个诚实的负结果
- 原标题: Compact Documentation for Coding Agents: A Benchmark, an Optimizer, and Why It Does Not Transfer
- 作者/机构: Md Shohel Arman、Igor Molybog（Daffodil International University · 夏威夷大学马诺阿分校 HawAII，代码开源）| arXiv · 代码
- 核心贡献: ① 研究”给代码写自然语言文档能否帮助 Agent 修复 issue” ② 提出 roundtrip 基准：用文档再生的代码能否通过原始测试来评分，发现驱动保真度的是完整性而非长度；据此搜索出的文档生成 prompt 达到满保真并泛化到未见文件 ③ 但在 2 个模型家族 × 10 个仓库上（含阳性对照验证评估有效），文档并未提升真实 issue 解决率——源码在场时，静态紧凑文档和检索上下文都不如 issue 本身
- 工程关联: 对 AI Engineering / Agent 开发有直接参考：为 Agent 维护代码库文档的 ROI 可能被高估
- 价值点: 划定了文档有用的边界——Agent 能读到源码时，与其维护文档不如保证 issue 描述质量；这是省钱的第一手证据
5. EAServe：多模态 LLM 服务的 Encode 感知三段分离
- 原标题: EAServe: Encode-Aware Disaggregated Serving for Multimodal Large Language Models
- 作者/机构: Kunxiong Zhu 等（佐治亚大学 University of Georgia · Western Digital · 德克萨斯大学阿灵顿分校，PACT 2026 接收）| arXiv
- 核心贡献: ① 多模态 LLM 在 Prefill/Decode 之外新增 Encode 阶段，现有 PD 分离框架不覆盖、EPD 框架又不调控下游流量，且 Encode GPU 在高负载下严重闲置 ② 将 Encode 重建为管线控制点：负载自适应微批、限速部分卸载到共驻 prefill worker、动态 SM 分区，配置层用 TPE 贝叶斯优化搜索 GPU 分配/批大小/卸载比 ③ 在图像/视频/音频三种 MLLM 上，同 SLO 约束下 goodput 比 NVIDIA Dynamo 高 4.3 倍、比 vLLM 高 1.7 倍
- 工程关联: 对模型部署/推理基础设施方向直接可用：多模态 serving 的三段分离与 Encode 调度是新标准问题
- 价值点: 自建多模态推理服务时，Encode 阶段是最大免费的吞吐洼地——调度得当可获得数倍 goodput
今日关键词
推理效率（Reasoning Efficiency）· 置信度训练（Confidence Training）· RAG 时效安全（Stale-Document Poisoning）· 自训练数据多样性（Strategic Diversity Sampling）· 编码 Agent（Coding Agents）· 多模态推理服务（Disaggregated Serving）· 元认知信号（Metacognitive Signals）