lit-radar — 2026-10-18

科研牛马们，我来汇报组会工作——paper reading了。今天一共10篇，老规矩，不念公式，只讲人话。

第一篇，《食品安全检查的连续风险排程：历史衰减与事件驱动的消费者评论信号结合》。食品安全检查人手有限，传统做法是按固定周期排班，结果有些刚查过没问题的店反而出了大事。能不能让检查排班随新信息实时调整，把刚查过但后来出问题的店重新排到前面去。咋整的呢？作者用加州圣塔克拉拉县九千五百多次检查记录，做了一个按时间衰减的风险分数，再把店家的网络评论用语言模型筛一遍加进去。结果你猜怎么着，只靠历史分数能提前六十九天发现问题，但八起虫害关店一起都没提前发现；加入评论后抓到七起，平均提前一百一十七天。按作者自己的说法，历史记录有个结构性盲区，刚查干净的店在纸面上看起来很好，只有外部信号能戳破这层幻觉。一句话总结：把评论当实时证据能让检查更早命中，但要严防旧评论跨过检查时点被当成新证据。

第二篇，《治理、测绘、计量、吸收：公共部门参与式 AI 治理中的“可见性陷阱”》。政府用人工智能做决定越来越常见，出问题时最常拿出的补救办法是开听证会、让社区参与。为什么社区参加了、意见也记录了，系统还是照原样上线，这个参与到底卡在哪一步。具体怎么折腾的：作者把三个真实案例的二十二份官方和社区文件放在一起做话语分析，看机构是怎么把参与写进记录的。折腾完发现，机构只记录能被自己表格装下的意见，要求别上线、质疑前提这类最要命的意见，在选择记录方式时就被过滤掉了。作者还顺手讨论了一下，反复收集意见却从不回应，本身就是一种伤害，它切断了人和政府之间我说你听的关系。说人话就是：只有把否决权、独立监督机构和举证责任写进法律，参与才可能真正约束权力。

第三篇，《政府机构与个人信息的“数据托管”：香港与韩国公民偏好的比较》。人脸识别这类服务要用到个人信息，让人自己管隐私越来越难，于是有人提议由政府机构当“数据托管人”。香港和韩国的普通市民到底信不信政府当这个托管人，这种信任又受什么影响。方法上，作者在两地各做了一次调查实验，香港一千零三十一人、韩国一千零四十人，让他们评价不同机构管理人脸信息的可信度。最后发现，信任会被问责机制影响，也跟个人的机构使用经验、政治倾向、社会信任和隐私偏好有关，而且收集环节的信任不会自动转到存储环节。作者的解读是，托管模式能不能成立，取决于它有没有顾及不同社会、不同人和不同治理环节之间的信任差异。划重点：把政府当数据托管人不是换个说法就行，设计上必须允许信任在不同环节之间分别建立。

第四篇，《有害 YouTube 视频检测：在线伤害分类体系与多模态大模型作为替代标注者》。视频平台每天给几十亿人推内容，其中不少是有害的，可平台自己也说不清什么算有害。能不能先定出一套说得清的有害内容分类，再让多模态大模型来代替人工做标注。咋整的呢？研究者先用关键词、频道和外部名单凑出六万多个疑似有害视频，再抽一万九千多条，让训练有素的标注员、众包工人和 GPT-4 各标一遍。结果你猜怎么着，判断有害还是无害时两边准确率都是六成六，但模型更擅长放过无害视频，众包更擅长抓住有害视频。按作者自己的说法，模型和人的错误方向不一样，模型偏保守，人偏激进，所以两者不能简单互换。一句话总结：这套六类分类体系可以复用，多模态大模型适合做大规模初筛，但最终判断仍要人来看。

第五篇，《2024 年韩国戒严危机中的抗议图像与情感公众互动网络》。2024 年底韩国突然宣布戒严，人们涌上街头也在网上吵成一片，情绪和照片一起被转发。不同的情绪会不会长出不一样的转发网络，配什么图又会让人更愿意回复、点赞和转发。具体怎么折腾的：研究者抓了韩国语推文六万一千多条和九万四千多张配图，用韩语情感模型分五类情绪，再用视觉工具把图片分成有人、有文字和纯物件三类。折腾完发现，愤怒和悲伤的网络最大，恐惧的网络最抱团；开心情绪的推文互动最多，有人物的图更容易被回复点赞，纯文字的图更容易被转发。作者还顺手讨论了一下，情绪不是背景音，它决定了人群怎么连在一起，图像则是把情绪变成行动的那层皮。说人话就是：抗议研究不能只看文字，要把情绪、图像和网络结构放在一起看，才能理解数字行动怎么聚起来。

第六篇，《VoteGEO-Bench：生成式引擎优化如何改变选举信息中的候选人可见度》。越来越多人直接问大模型该投给谁，而模型给出的答案取决于它读到的网页。如果有人专门改写网页内容，让模型更愿意提到某个候选人，这种做法到底管不管用、能管用到什么程度。方法上，作者搭了一个基准，用美国大选和日本众院选的真实网页与查询，试了四大类共十一种改写手法和四款生成式引擎。最后发现，不点名对象的改写几乎没用，点名之后再改写就常常有效，其中整理页面结构和加强论证比堆证据、改措辞更管用。作者的解读是，这种改写带来的偏移，比选民资料里写明党派立场造成的差距还小，后者最多能差十一个百分点。划重点：生成式引擎的选举信息很容易被网页改写影响，需要提前设防，而且低曝光的小党相对收益更大。

第七篇，《面向广场移动威胁的异构疏散行为建模：大语言模型驱动的智能体框架》。广场这类开放空间一旦出事，人往哪跑、怎么判断危险，很难用几条固定规则写清楚。能不能让每个行人都由一个语言模型驱动，按自己的性格和记忆做决定，看整群人会不会自然疏散。咋整的呢？作者造了七百零四个智能体，每人只能看到自己视角的一小块网格，记住看到的东西，再按人格设定决定下一步。结果你猜怎么着，知道出口在哪的人八成九成功撤离，不知道的只有百分之一点零五；听见别人话时改主意的比例是一次三成八、之后只有百分之六。按作者自己的说法，真正决定生死的不是空间布局，而是信息能不能被看见、被记住、被用来改计划。一句话总结：这套框架能把“人怎么想、怎么改计划、怎么走”三层都记下来，让疏散仿真从跑道变成可以复盘的过程。

第八篇，《从众仿真中的影响动力学认知模型：同质性信任、相似性学习与结构映射》。社会影响的研究大多停在行为层面，很少追问人脑里到底发生了什么，才让一个人改主意或者随大流。用三种不同的认知机制来模拟一个人被各种来源反复游说时，信念会怎么变，哪一种机制最像真人。具体怎么折腾的：作者虚构了一套基于莎剧奥赛罗的对白数据，九个信使各说两百条，让模型一条一条读，再比较三种更新机制。折腾完发现，只有基于同质性的信任模型能同时再现“被影响”和“从众”两种现象，另外两种要么被消息数量带跑，要么最后把观点平均掉。作者还顺手讨论了一下，光靠架构层面的相似性学习不足以解释从众，关键在记忆动态塑造出的信任积累。说人话就是：仿真社会影响时不能假设人只按相似度更新，信任的获得与失去才是决定观点是否翻转的那个旋钮。

第九篇，《为社会网络安全训练生成合成社交媒体数据：SynX 智能体仿真》。训练学员识别网络舆论操纵，需要大量真实的社交媒体数据，可真数据涉密又不方便反复演练。能不能用智能体仿真加语言模型，按剧本自动生成一套可控、可复现、又足够像真的推文数据。方法上，作者搭了 SynX，让每个账号智能体按剧本独立发帖，文字交给 GPT-4o mini 生成，再逐条验收。最后发现，生成的一小时数据有六百到八百条，网络指标和真实演习数据集接近，但在文本层面检测到的 BEND 手法和预设的有明显偏差。作者的解读是，语言模型能撑起场面，但光靠它不够，需要检测工具回环校验，才知道剧本到底有没有被演出来。划重点：合成数据适合做训练和推演，但必须把“想表达什么”和“实际生成了什么”的差距当成核心指标来量。

最后一篇，《Intern Lumina ：面向全景视觉理解与图像生成的多码本扩散语言模型》。现在的大模型看图和画图往往是两套系统，理解用一套表示，生成用另一套，凑在一起容易打架。能不能让模型只用一套离散的“词汇表”同时做理解和生成，而且画图质量不下降。咋整的呢？作者把每个图像位置拆成多组码本，输入时拼在一起，输出时用一个小自回归头逐码本预测，主干用扩散方式并行去噪。结果你猜怎么着，模型有一百六十九亿参数，在图像理解和生成的多个公开评测上追平或超过同规模统一模型，采样加速四点四五倍。按作者自己的说法，关键不在堆参数，而在于让文字和视觉落在同一个优化空间里，冲突少了，统一才真正成立。一句话总结：这条全离散路线把统一多模态从“拼装”推进到“同一张表”，给后续统一的扩散语言模型提供了可复用的骨架。

以上就是今天的组会汇报。哪篇戳中你了就点进去看全文，没戳中的，就当陪导师开了个会。