可执行rubric延迟最多降至1/320

重点关注

01 评测 当rubric变成代码，长文本评测开始像软件测试

ExecRubrics把写给裁判看的自然语言rubric，改造成可检查、可执行、可编辑的Python评分函数。这样一来，标准中的依赖关系、替代条件、扣分项和一票否决不再被压缩成简单加权求和，评测逻辑也能像测试组件一样复现和组合。在HealthBench、HelpSteer和ArgQuality三个长文本基准上，它匹配或超过自然语言rubric基线，偏好判断准确率最高分别达到53%、78%和92%，同时将延迟最多降低到原来的1/320。对医疗、银行等高风险场景而言，真正有价值的不只是少调用几次LLM裁判，而是每个评分决定都有明确、可审计的执行路径。文本处理库还能为这些规则补充外部能力，但具体提升来自哪些规则、跨任务是否稳定，仍需看全文确认。它也不会消除所有LLM裁判：文风、洞察力和说服力等主观维度很难被可靠程序化，更现实的方向是用代码承接硬标准，把模糊判断留给人工或模型。

原文：ExecRubrics: Executable Tool-Augmented Rubrics for Verifiable and Efficient Long-Form Evaluation

02 训练优化 LoRA合并从一次性配置变成了逐输入决策

面对每个测试输入，LiST会先从适配器库检索邻近分支，再搜索样本专属的融合权重。它结合LoRA参数与提示词行为来判断任务相似性，无需标签，也不更新基础模型或现有适配器。更有意思的是，这让适配器库从一批待合并的文件变成了运行时可检索、可组合的能力池；服务架构也会相应增加路由、融合和结果校验环节。候选组合只有通过安全接受规则才会启用，否则回退到针对当前输入生成的先验方案，给动态决策留出了一道保险。摘要称其在语言和多模态基准上优于静态合并及常规测试时适配，但具体延迟和扩展成本仍需看全文确认——对多任务产品而言，这些系统代价将决定它能否真正取代预先固化的LoRA套餐。

原文：LiST: Local-Simplex Test-Time LoRA Fusion

03 检索 复杂RAG不只要答对，还得学会下一步去哪里找

复杂问题的难点往往不是上下文装得不够多，而是模型不知道证据缺口在哪里、下一轮该搜什么。GTA-RAG先用实体—文档图采样相互关联的文档路径，再合成多跳问答轨迹，并通过实际部署的检索器验证这些轨迹是否真的可执行。训练时，它用GRPO（组相对策略优化）同时奖励答案正确和目标证据覆盖，让模型学习整条搜索决策，而不只是靠最终答案获得稀疏反馈；之后再用自然问答数据训练答案能力。相比扩充上下文窗口或对单次结果重排，这套方法多解决了一层「如何根据已有证据决定下一步去哪里找」的问题，并在五个问答基准、两种Qwen2.5骨干上持续优于同类强化学习方案。对实践团队而言，关键启示是把检索轨迹纳入训练与评估，但其收益能否迁移到自有知识库和检索器，仍需结合全文与实际数据验证。

原文：GTA-RAG: Graph-Trajectory-Augmented Reinforcement Learning for Multi-Turn Retrieval-Augmented Reasoning

04 安全对齐 一个全局效用指标，能算清对齐代价吗？

评估安全对齐时，只报告整体效用下降，可能会掩盖不同语言用户承担的实际成本。这项研究将安全模型与未对齐版本直接配对比较，把对齐单独造成的可用性损失定义为「安全成本」，并按语言分别核算。摘要显示，多种非英语语言不仅效用损失更大，有些还同时面临保护更弱的「双重惩罚」；另一些语言看似效用提高，却可能只是安全过滤器没有正常触发。即使是高资源语言，为达到相近安全水平付出的代价也可能高于英语，不过具体语言、差距大小和评测设置仍需看全文确认。对准备上线多语言模型的团队，这意味着安全评测必须加入分语言审计，同时检查明确拒答和更隐蔽的回答质量变化。

原文：Who Pays More for Safety? Measuring the Disparate Cost of Safety Alignment across Languages