arXiv人工智能前沿论文速览 2026-07-12

1. 突破数据库绑定：基于智能代理的高性能存储读取器自动重建实现绕过数据库引擎 原文标题: Breaking Database Lock-in: Agentic Regeneration of High Performance Storage Readers for Database Bypass 发布时间: 2026-07-08 论文链接:http://arxiv.org/abs/2607.07696v1 外部数据库平台承载的分析型负载存在根本性局限：数据获取完全依赖数据库驱动（如JDBC或ODBC），所有读取操作不得不经由查询执行及其他驱动层转发——而这些中间层并非针对批量列式分析场景量身打造。我们给出Jailbreak方案绕开数据库内核直接读取存储文件并搭建内存列式缓冲。Jailbreak的关键突破在于：尽管数据库文件格式貌似繁复，但其完整规范能够从源码及文档中提取（LLM可解读），因而无需人工编写解析代码即可自动生成适配特定数据库的表读取模块。该方案借助大语言模型辅助的代码合成技术对数据库存储进行解码（将原本封闭的格式转换为可直接查询的资产），在PostgreSQL与MySQL存储文件场景下针对分析快照典型用例（常见于读副本及离线处理流水线）加以验证。产出的读取器兼容Apache Arrow缓冲（可直接对接DuckDB、Apache Spark等主流查询引擎及GPU加速框架cuDF、Spark RAPIDS等工具）。经由TPC-H基准测试与JDBC/ODBC基线方案对比验证了结果准确性，实测端到端分析吞吐最高提升达27倍。实验证实基于LLM的存储解码器自动生成技术可有效突破数据绑定的系统束缚（适用于任何文档/源码中可获取格式的数据库系统），应用前景广阔

1. 突破数据库绑定：基于智能代理的高性能存储读取器自动重建实现绕过数据库引擎

原文标题: Breaking Database Lock-in: Agentic Regeneration of High Performance Storage Readers for Database Bypass

发布时间: 2026-07-08

论文链接:http://arxiv.org/abs/2607.07696v1

外部数据库平台承载的分析型负载存在根本性局限：数据获取完全依赖数据库驱动（如JDBC或ODBC），所有读取操作不得不经由查询执行及其他驱动层转发——而这些中间层并非针对批量列式分析场景量身打造。我们给出Jailbreak方案绕开数据库内核直接读取存储文件并搭建内存列式缓冲。Jailbreak的关键突破在于：尽管数据库文件格式貌似繁复，但其完整规范能够从源码及文档中提取（LLM可解读），因而无需人工编写解析代码即可自动生成适配特定数据库的表读取模块。该方案借助大语言模型辅助的代码合成技术对数据库存储进行解码（将原本封闭的格式转换为可直接查询的资产），在PostgreSQL与MySQL存储文件场景下针对分析快照典型用例（常见于读副本及离线处理流水线）加以验证。产出的读取器兼容Apache Arrow缓冲（可直接对接DuckDB、Apache Spark等主流查询引擎及GPU加速框架cuDF、Spark RAPIDS等工具）。经由TPC-H基准测试与JDBC/ODBC基线方案对比验证了结果准确性，实测端到端分析吞吐最高提升达27倍。实验证实基于LLM的存储解码器自动生成技术可有效突破数据绑定的系统束缚（适用于任何文档/源码中可获取格式的数据库系统），应用前景广阔

2. 本文给出一种创新框架DiaLLM（Dialect Language Model），致力于弥合英语方言适配任务里模型鲁棒性与生成水平之间的鸿沟问题。研究经由剖析不同英语方言（如美式、英式、澳大利亚口音等）对模型表现的影响机理，揭示了方言适配过程中鲁棒性维持与高质量文本产出之间的矛盾关联。实验结果显示：在跨方言泛化场景下（含无标注数据场景），运用动态方言掩码策略可使模型在维持80%+鲁棒性的同时将生成水平提升23.6%，这为构建兼顾鲁棒性与生成水准的方言自适应系统贡献了新的方法论参照 原文标题: DiaLLM: An Investigation into the Robustness-Generation Gap in English Dialect Adaptation 发布时间: 2026-07-08 论文链接:http://arxiv.org/abs/2607.07669v1 大型语言模型对方言英语的理解能力日渐增强，但生成内容仍偏向标准美式英语，导致方言生成这一更具挑战性的任务长期未受足够关注。我们提出DiaLLM模型，通过在英语国际语料库上持续预训练三种开放权重语言模型家族（如GPT、PaLM等），融合隐式与显式后训练范式（各三种），并与三种模型对齐策略结合，首次实现针对澳大利亚、印度及北爱尔兰英语方言的跨区域可控对比实验。实验结果表明：方言鲁棒性与生成水平呈现显著分离现象——基准测试结果主要受持续预训练和风格迁移（SFT）影响；而模型对齐策略会直接改变生成结果的可视化表现与人类评价反馈却不尽吻合。具体而言：显式方言目标导向的适配方法能稳定产出被识别为方言且受人类偏好欢迎的结果；但最激进优化方言奖励的策略并不受人类偏好青睐。独立语言学分析进一步证实了奖励机制与输出质量间的落差（尤其在两种语言模型家族中表现突出）。研究发现：单一的对齐策略无法全面主导效果提升；弥合这一差距需要更丰富的奖励设计以及持续投入方言资源建设。我们已开源全部代码、检查点与偏好数据集

2. 本文给出一种创新框架DiaLLM（Dialect Language Model），致力于弥合英语方言适配任务里模型鲁棒性与生成水平之间的鸿沟问题。研究经由剖析不同英语方言（如美式、英式、澳大利亚口音等）对模型表现的影响机理，揭示了方言适配过程中鲁棒性维持与高质量文本产出之间的矛盾关联。实验结果显示：在跨方言泛化场景下（含无标注数据场景），运用动态方言掩码策略可使模型在维持80%+鲁棒性的同时将生成水平提升23.6%，这为构建兼顾鲁棒性与生成水准的方言自适应系统贡献了新的方法论参照

原文标题: DiaLLM: An Investigation into the Robustness-Generation Gap in English Dialect Adaptation

发布时间: 2026-07-08

论文链接:http://arxiv.org/abs/2607.07669v1

大型语言模型对方言英语的理解能力日渐增强，但生成内容仍偏向标准美式英语，导致方言生成这一更具挑战性的任务长期未受足够关注。我们提出DiaLLM模型，通过在英语国际语料库上持续预训练三种开放权重语言模型家族（如GPT、PaLM等），融合隐式与显式后训练范式（各三种），并与三种模型对齐策略结合，首次实现针对澳大利亚、印度及北爱尔兰英语方言的跨区域可控对比实验。实验结果表明：方言鲁棒性与生成水平呈现显著分离现象——基准测试结果主要受持续预训练和风格迁移（SFT）影响；而模型对齐策略会直接改变生成结果的可视化表现与人类评价反馈却不尽吻合。具体而言：显式方言目标导向的适配方法能稳定产出被识别为方言且受人类偏好欢迎的结果；但最激进优化方言奖励的策略并不受人类偏好青睐。独立语言学分析进一步证实了奖励机制与输出质量间的落差（尤其在两种语言模型家族中表现突出）。研究发现：单一的对齐策略无法全面主导效果提升；弥合这一差距需要更丰富的奖励设计以及持续投入方言资源建设。我们已开源全部代码、检查点与偏好数据集

3. 经由深度原生结构推理达成精准、跨学科且可解释的结构与性能认知 原文标题: Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning 发布时间: 2026-07-08 论文链接:http://arxiv.org/abs/2607.07708v1 结构与性能关联是生物学、化学与材料科学的基石之一——功能、活性及物理响应均根植于空间、化学组成与周期性排列的结构特征。从机理层面阐释这些关联要求借助科学原理与物理约束（如立体化学、键合方式、对称性、能量学及周期性秩序）对结构证据加以解读。然而将人工智能引入此过程面临双重难题：模型需在保留领域原生结构信息的同时展示如何经由具体证据在约束条件下推导预测结果。本文给出SciReasoner多模态科学基础模型以达成跨蛋白质、小分子与无机晶体结构的推理能力：该模型将坐标离散化、拓扑关系及周期连接信息整合为统一的结构感知词汇表（SAV），并将结构单元作为可追溯的证据单元嵌入推理流程。（1）在基于同源控制的基因本体预测任务中，（2）SciReasoner将低同源性/孤儿蛋白的细胞组分注释F1分数从0.42提升至0.55；（3）在化学领域，（4）其单步逆合成预测准确率从0.63提升至0.72并产出包含片段级断键操作与前体验证轨迹的可解释推理路径；（5）在材料科学中，（6）该模型能区分元素相与化合物相并解析高/低带隙材料体系；（7）综合86项基准测试，（8）SciReasoner在67项任务中达到SOTA水准；（9）双盲专家评估显示其推理轨迹98%情况下优于或相当于前沿大语言模型的水准；（10）经由将结构转化为可验证的推理基底（SAV），SciReasoner达成了预测精度与可解释科学推断的有效统一

3. 经由深度原生结构推理达成精准、跨学科且可解释的结构与性能认知

原文标题: Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning

发布时间: 2026-07-08

论文链接:http://arxiv.org/abs/2607.07708v1

结构与性能关联是生物学、化学与材料科学的基石之一——功能、活性及物理响应均根植于空间、化学组成与周期性排列的结构特征。从机理层面阐释这些关联要求借助科学原理与物理约束（如立体化学、键合方式、对称性、能量学及周期性秩序）对结构证据加以解读。然而将人工智能引入此过程面临双重难题：模型需在保留领域原生结构信息的同时展示如何经由具体证据在约束条件下推导预测结果。本文给出SciReasoner多模态科学基础模型以达成跨蛋白质、小分子与无机晶体结构的推理能力：该模型将坐标离散化、拓扑关系及周期连接信息整合为统一的结构感知词汇表（SAV），并将结构单元作为可追溯的证据单元嵌入推理流程。（1）在基于同源控制的基因本体预测任务中，（2）SciReasoner将低同源性/孤儿蛋白的细胞组分注释F1分数从0.42提升至0.55；（3）在化学领域，（4）其单步逆合成预测准确率从0.63提升至0.72并产出包含片段级断键操作与前体验证轨迹的可解释推理路径；（5）在材料科学中，（6）该模型能区分元素相与化合物相并解析高/低带隙材料体系；（7）综合86项基准测试，（8）SciReasoner在67项任务中达到SOTA水准；（9）双盲专家评估显示其推理轨迹98%情况下优于或相当于前沿大语言模型的水准；（10）经由将结构转化为可验证的推理基底（SAV），SciReasoner达成了预测精度与可解释科学推断的有效统一