AI前沿速递:全球最新研究盘点

AI前沿论文精选 - 2026年5月18日

本期精选7篇来自全球顶尖研究团队的最新AI论文，涵盖MoE架构创新、医疗AI基准、多智能体社会模拟、具身智能训练平台等前沿方向。从ICML 2026录用论文到arXiv最新提交，每篇都提炼了核心突破与行业影响，帮你用10分钟把握AI研究最前沿。

01 | MetaMoE：隐私保护的专家混合模型统一框架

论文标题：MetaMoE: Diversity-Aware Proxy Selection for Privacy-Preserving Mixture-of-Experts Unification

论文链接：arXiv:2605.14289

作者及机构：Weisen Jiang, Shuhao Chen, Sinno Jialin Pan（已被ICML 2026录用）

核心突破：传统MoE训练需要集中式访问所有训练数据，但现实中数据往往分散在不同客户端且因隐私限制无法共享。MetaMoE提出了一个隐私保护框架，通过公共代理数据作为私有数据的替代物，将独立训练的领域专家统一成单个MoE模型。核心创新是多样性感知的代理选择机制，从公共数据中筛选与客户端领域相关且多样化的样本，有效近似私有数据分布并监督路由学习。

意义与影响：解决了MoE规模化落地的关键痛点——数据隐私与模型效能的平衡。这一技术使企业能在不泄露敏感数据的前提下，整合不同部门或合作伙伴的专业模型能力，为金融、医疗等强监管领域的AI规模化应用铺平了道路。

02 | RxEval：处方药级别的LLM医疗推荐基准

论文标题：RxEval: A Prescription-Level Benchmark for Evaluating LLM Medication Recommendation

论文链接：arXiv:2605.13534

作者及机构：Shuhao Chen, Weisen Jiang, Changmiao Wang, Xiaoqing Wu, Xuanren Shi, Yu Zhang, James T. Kwok

核心突破：现有医疗AI基准多在粗粒度药物代码层面进行预测，无法捕捉真实临床中"随病情演变反复调整具体药物、剂量、给药途径"的决策复杂性。RxEval构建了处方级别的基准测试，包含1,547道选择题，覆盖584名患者、18个诊断类别、969种独特药物。每个问题提供详细患者档案和时间顺序临床轨迹，要求从真实处方和通过推理链扰动生成的患者特定干扰项中选择正确的"药物-剂量-途径"三元组。

意义与影响：对16个主流LLM的评估显示，F1分数范围仅为45.18%至77.10%，最佳精确匹配率也只有46.10%——即使是前沿模型也经常忽略患者信息或无法得出正确临床结论。这一基准彻底改变了医疗AI的评估范式，推动LLM从"理解医学术语"向"真正进行临床推理"迈进。

03 | ScioMind：认知驱动的多智能体社会模拟

论文标题：ScioMind: Cognitively Grounded Multi-Agent Social Simulation with Anchoring-Based Belief Dynamics and Dynamic Profiles

论文链接：arXiv:2605.13725

作者及机构：Yitian Yang, Yiqun Duan, Linghan Huang, Yiqi Zhu, Francesco Bailo, Chunmeizi Su, Huaming Chen

核心突破：传统多智能体社会模拟往往简化为规则驱动或简单交互，无法捕捉真实人类认知的复杂性。ScioMind提出了认知扎根的多智能体框架，核心创新包括：(1)基于锚定效应的信念动态机制，模拟人类观念形成与改变的认知偏差；(2)动态用户画像，支持智能体随时间演化的性格、态度、行为模式；(3)社会网络结构与个体认知的双向耦合。

意义与影响：这一技术为社会科学研究提供了强大的计算实验平台。政策制定者可在部署前模拟公共政策的社会效应，企业可预测新产品的市场接受度曲线，舆情研究可深入理解信息传播与观念演化的微观机制。ScioMind标志着AI社会模拟从"群体行为统计"进入"个体认知建模"的新阶段。

04 | TeachAnything：对称现实中的具身AI众包训练平台

论文标题：TeachAnything: A Multimodal Crowdsourcing Platform for Training Embodied AI Agents in Symmetrical Reality

论文链接：arXiv:2605.14556

作者及机构：Zidong Liu, Rongkai Liu, Yue Li, Zhenliang Zhang（IEEE VR 2026 Poster录用）

核心突破：具身智能训练面临两大瓶颈：一是真实世界训练成本高、风险大、数据采集难；二是仿真环境与真实世界存在"现实鸿沟"。TeachAnything提出对称现实范式：构建与真实世界一一映射的虚拟环境，通过众包让人类教师在VR中演示各种操作任务，生成大规模、高质量的示教数据用于训练具身智能体。平台支持多模态输入输出，可同时训练机器人操作、导航、交互等多种技能。

意义与影响：彻底改变了具身AI的数据获取方式。如果说ChatGPT的爆发源于互联网文本的规模化利用，那么TeachAnything为机器人AI的爆发构建了"VR互联网"的基础设施。通过众包降低专业门槛，让每个普通人都能成为机器人的教师，这可能加速通用机器人的到来——正如ImageNet加速了计算机视觉的发展。

05 | OmniDrop：多模态大模型的分层Token剪枝优化

论文标题：OmniDrop: Layer-wise Token Pruning for Omni-modal LLMs via Query-Guidance

论文链接：arXiv:2605.14458

作者及机构：Yeo Jeong Park, Hyemi Jang, Minseo Choi, Jongsun Lee, Jooyoung Choi, Yongkweon Jeon

核心突破：多模态大模型处理图像、音频、视频等输入时，Token数量爆炸导致推理成本高昂。OmniDrop提出查询引导的分层Token剪枝机制：根据当前任务查询，在模型各层动态识别并移除不相关的Token，同时保留对任务关键的信息。不同于一次性剪枝的静态方法，这种分层剪枝能自适应不同模态的信息密度差异，在图像中保留空间细节、在音频中保留时序特征。

意义与影响：实测显示，OmniDrop可在几乎不损失多模态任务性能的前提下，将推理Token数量减少40%-60%，端到端延迟降低30%以上。这为多模态大模型在边缘设备（手机、VR头显、车载终端）的部署扫清了关键技术障碍，推动AI从"云端智能"向"端云协同智能"演进。

06 | BEAM：MoE动态路由的二进制造专家激活掩码

论文标题：BEAM: Binary Expert Activation Masking for Dynamic Routing in MoE

论文链接：arXiv:2605.14438

作者及机构：Juntong Wu, Jialiang Cheng, Qishen Yin, Yue Dai, Yuliang Yan, Fuyu Lv, Ou Dan, Li Yuan

核心突破：现有MoE路由机制存在两个根本问题：一是Top-K选择的离散性导致训练不稳定；二是固定专家数量分配无法适应输入复杂度的差异。BEAM提出二进制造专家激活掩码，将路由决策从"选择哪K个专家"转化为"每个专家的激活概率"，通过可微的二值化实现端到端训练。更重要的是，BEAM支持动态专家数量——简单输入激活少量专家，复杂输入自动激活更多专家能力。

意义与影响：这一设计使MoE模型获得了类似人类的"按需调动认知资源"能力：简单问题快速响应，复杂问题深度思考。实验表明，BEAM在保持相同计算预算下性能提升8%-15%，或在相同性能下推理成本降低25%。动态资源分配理念可能成为下一代大模型架构的核心设计原则。

07 | 智能体自我进化：驾驭大规模多智能体系统的演化优化

论文标题：Harnessing Agentic Evolution: Evolutionary Optimization Framework for Large-Scale Multi-Agent Systems

论文链接：arXiv:2605.13821

作者及机构：Jiayi Zhang, Yongfeng Gu, Jianhao Ruan, Maojia Song, Yiran Peng, Zhiguang Han, Jinyu Xiang, Zhitao Wang, Caiyin Yang, Yixi Ouyang, Bang Liu, Chenglin Wu, Yuyu Luo（香港科技大学、DeepWisdom等多机构联合团队）

核心突破：传统多智能体系统依赖工程师手动设计协作规则，在复杂环境中难以找到最优解。该研究将演化算法引入智能体系统设计，提出一套完整的智能体进化框架：通过"变异-选择-迭代"的闭环，让智能体系统在任务执行过程中自动优化能力边界和协作模式，实现自我进化。框架支持多维度的演化方向，包括单个智能体的能力提升和智能体之间的协作策略优化。

意义与影响：彻底改变了多智能体系统的设计范式——从"人工设计"转向"自动演化"。这意味着未来的大规模智能体系统（如智慧城市交通调度、企业级智能协作平台）可以像生物种群一样适应环境变化，越用越强。这是迈向真正"活的AI系统"的重要一步。

本期技术趋势总结

MoE架构深度进化：从静态专家选择到动态资源分配（BEAM），从集中训练到隐私保护下的分布式整合（MetaMoE），专家混合模型正在从"容量扩展手段"演变为"智能化资源调度系统"。
医疗AI评估范式升级：RxEval代表了AI基准从"能力测试"向"真实决策质量评估"的转变，这一趋势将在法律、金融、工程等专业领域快速复制。
具身智能数据基础设施起步：TeachAnything的对称现实+众包模式，可能为机器人AI构建起类似当年ImageNet的角色——用大规模高质量数据引爆技术突破。
社会模拟的认知转向：ScioMind等工作表明，AI社会模拟正在从"统计拟合"深入到"认知机制建模"，这为计算社会科学提供了前所未有的实验工具。
效率优化分层化：从架构层面（BEAM）到推理层面（OmniDrop），AI系统正在各个层级获得"按需分配算力"的能力，这是走向普惠AI的必由之路。