更多选择，更少决策：类 JEV 直接决策模型中的序数尺度偏差
研究分析 JEV 1.13 和 3 个开源 KEV 模型，发现直接决策模型存在序数尺度利用偏差，会压缩候选决策空间。在 ANLI 上，JEV 虽有 74.95% 准确率，却将 38.8% 预测和 51.3% 错误归为 Neutral；36 个序数数据集上最终决策仅使用 67--76% 有效 gold support。BA-LoRA 后训练在 8 个监督尺度上将利用率从约 47% 提至 86%。
#评测/基准
#评测/基准
今日 0 条Hugging Face Daily PapersAI 评分4949 Hugging Face Daily PapersAI 评分3333 面向决策的推荐重排序：Jev 的实证研究
一项实证研究评估 TypeSafe AI 所称“System One Model”的 Jev 用于个性化推荐重排序，并与推荐专用模型及 pointwise、listwise Qwen rerankers 比较。实验覆盖多个 Amazon Reviews 领域和候选集大小，结果显示 Jev 推荐效果较强，延迟增长比 pointwise Qwen rerankers 更平缓，但仍显著高于推荐专用模型。
Hugging Face Daily PapersAI 评分4343 WorldAuditBench：用于多模态智能体交互式 3D 世界审计的基准
WorldAuditBench 是一个 3D 世界审计基准，包含 Unreal Engine 5 构建的 13 个环境、213 个异常任务和五类异常。论文评估 5 个前沿模型的两种审计范式，成功率为 6.6% 至 42.3%，显著低于人类表现 83.4%。
Hugging Face Daily PapersAI 评分4747 A2Z GameSpec-Bench：编码智能体能多忠实地根据游戏设计规范生成游戏？
A2Z GameSpec-Bench 提供 100 份长篇 GDD，用于评估编码智能体端到端生成游戏时对设计规范的忠实度。它将每份 GDD 转为包含规则、约束和前置关系的依赖感知契约，并结合源码检查、场景回放和自适应游玩测试。评估显示，当前智能体难以同时满足代码实现和实际游玩中的相互依赖需求，基于需求的反馈两轮后使 GDD Fidelity 相比自我修订提升 10.9%。
Hugging Face Daily PapersAI 评分4343 APM-Bench：面向第一视角流式视频助手的跨会话持久记忆基准
APM-Bench 将真实流式交互重构为多会话生活轨迹，用于评测第一视角流式视频助手的跨会话持久记忆。该基准包含 549 sessions、104 trajectories 和 2,719 candidates，覆盖客观与开放式问题。评测显示，现有方法仍难以同时实现可靠长期回忆、低开销和有效的跨会话主动辅助。