机器学习、人工智能、自然语言处理、计算机视觉、多智能体。
说明Sol-H3：面向MiniMax-H3视频扩散模型的递归自我改进推理加速（云端与边缘）
简介论文针对MiniMax-H3这一大型开源视频扩散模型在云端和边缘设备上延迟高、显存受限的问题，提出了从算法到算子的全栈推理流程。算法上采用跨分辨率两阶段生成调度，并用学习到的潜变量映射模块替代VAE解码再编码过程；算子上通过递归自我改进循环搜索内核融合与内存布局。文中报告最高可实现30倍端到端加速和约20%的显存降低。
说明仅靠上下文不够：用于个性化奖励建模的测试时训练
简介论文指出，基于上下文学习的个性化奖励模型难以捕捉用户历史偏好对所表达的偏好关系。作者提出偏好对齐的测试时训练（P-TTT），把这些关系编码为用户专属的快速权重，用于个性化奖励预测。该方法在单次前向传播中完成快速权重更新，无需推理时反向传播，实验显示其效果明显优于现有方法。
说明语言模型内省机制的机理研究
简介研究探讨大语言模型能否察觉并定位其内部激活被人为扰动的情况，即使输入文本中没有任何干预的痕迹。作者在固定输入文本的条件下，向十个位置之一的隐藏状态注入概念向量或不做干预，让模型判断扰动位置或报告未发生干预。研究在三类模型中发现两组具有不同作用的注意力头：中间层的门控头影响模型是否报告变化，后面层的路由头帮助选择报告的位置。
说明DoAtlas-2：面向自我演进式因果生物医学发现的基础框架
简介论文提出 DoAtlas-2，一个围绕因果机制组织知识、并借助人群外部证据持续演进的系统。它整合了 771 个研究资源（覆盖 48 个国家的 72 万余名参与者）以及约 470 万条文献证据记录，自动从证据缺口提出研究问题、预先设定因果设计并完成验证分析。在人类表型项目（HPP）中，系统提出 4014 个候选通路问题，对前 1079 个进行筛查，其中 756 个获得统计支持；研究发现血压是连接肥胖、肝脏与血脂表型和血管结局的汇聚节点。
说明DRIFT：用于单细胞扰动预测的解耦响应-不变流传输方法
简介该论文提出DRIFT框架，用于预测细胞受扰动（如药物处理）后的状态变化。方法通过变分编码器把每个细胞分解为不受扰动影响的不变部分和会被改变的响应部分，再用条件流匹配只传输响应部分，以避免将原有细胞间差异与扰动效应混淆。作者称在多个基准测试中，该方法在组合扰动和未见扰动预测任务上优于已发表的最强方法。
说明E3J：面向 GPU 与 TPU 的欧几里得等变运算高效开源后端
简介本文提出 e3j，一个用于几何深度学习的快速欧几里得等变运算后端，提供 GPU 与 TPU 的 JAX 接口。它结合优化的 CUDA 与 Pallas 内核及算法改进，在前向与反向计算中均取得较高吞吐量。在机器学习原子间势（MLIP）场景中，据称在使用 MACE 的水盒 NPT 模拟上较 cuEquivariance 最多快 34%，并在 TPU 上显著提升了内存带宽利用率。该库以 Apache 2.0 许可证开源。
说明SpikeLite：面向时间序列预测的轻量级脉冲神经网络
简介本文提出SpikeLite，一种基于脉冲神经网络（SNN）的时间序列预测框架，包含频率选择脉冲编码器（FSSE）和稀疏脉冲通道注意力（SSCA）两个模块，前者利用LIF动力学的低通特性对序列做频率敏感编码，后者通过二值掩码选择性地进行跨通道信息交互。在多组基准实验中，SpikeLite在两种协议下综合表现最佳，并在ECL数据集上报告了最低的能耗。
说明DF-CBM：面向深度伪造检测的区域感知概念瓶颈模型
简介本文提出DF-CBM，一种用于可解释深度伪造检测的区域感知概念瓶颈模型。它从文本伪影标注中构建一组紧凑的篡改相关概念，并将每个概念关联到可能的人脸与边界区域，再通过受解析人脸掩码引导的概念级掩码注意力从视觉特征预测这些概念，最终由概念瓶颈给出真假判断。实验表明，DF-CBM在概念预测和深度伪造分类上优于基于概念的基线，并与最先进的黑盒检测器相当。
说明用多视角字幕推进视频-文本预训练
简介本文指出视频-文本预训练中文本监督质量不足，现有数据集通常每段视频只有一条稀疏字幕。作者提出基于多模态大语言模型的监督生成框架，从约1000万段视频生成多视角字幕，并引入区分摘要与详细描述的文本表示。实验表明，该方法在零样本和微调检索任务上均有提升，且预训练语料规模小于现有方法。
说明生成式AI能否自动为荟萃分析提取数据？以间作研究为例
简介荟萃分析需要从大量已发表文献中提取数据，过程繁琐且缺乏标准化。本研究比较了三种基于大语言模型的方法（直接零样本提示、分阶段流程和多智能体系统）与六个开源模型在间作文献数据提取上的表现。结果显示直接零样本提示最强且最稳定，但所有方法都远未完全准确；多数组合能判断变量间关系的方向，却无法准确估计其大小。
说明GraphHCA：面向长程大模型智能体的闭式事后信用分配方法
简介本文提出 GraphHCA，一种无需模型的事后信用分配方法，用于为长程任务中的大语言模型智能体分配步骤级信用。它将事后比率化简为相邻状态下成功概率之比，并通过在转移图上的折扣递归估计成功势函数，无需额外模型或前向计算。实验显示，在 ALFWorld、WebShop 和 Sokoban 上取得了优于各基线方法的结果。
说明连续变分合成：一种在连续空间训练、再离散化以适配DNA化学合成约束的生成方法
简介该论文针对用化学方法合成设计DNA序列时模型训练受限的问题，先在连续空间中用随机梯度下降训练变分合成模型，再通过训练后量化施加硬件与湿实验约束。作者在酶、多肽、抗体CDRH3和调控DNA元件上进行了演示，称模型能满足严格的奖励标准并保持设计多样性，体外表现与计算机模拟结果一致。
说明长时程智能体强化学习中的跨轨迹贝尔曼闭包（CRBC）：一种利用共享状态信息为每一步分配信用的方法
简介该论文针对基于组的强化学习（如GRPO）训练大模型智能体的场景，提出跨轨迹贝尔曼闭包（CRBC）方法。它将同一任务的多条轨迹合并为有限的经验过程，通过一次线性求解得到行为策略的贝尔曼不动点，从而利用共享状态传播证据并聚合替代路径，进而为每一步计算信用。在ALFWorld、WebShop和Sokoban三个基准上，该方法在多种模型规模下都提升了最终性能与学习效率；例如在ALFWorld上使用Qwen2.5-1.5B-Instruct时，比最强基线高出5.59个百分点。
说明先传播后锐化：对已冻结节点分类器的事后精修
说明RefineDrive：面向视觉-语言-动作自动驾驶的可靠失败引导学习框架
简介该论文针对自动驾驶视觉-语言-动作（VLA）模型过度依赖专家示范、未充分利用自身失败案例的问题，提出 RefineDrive 后训练框架。方法包括基于模拟器状态的可验证失败诊断、从人类轨迹库中检索满足硬安全约束的修正轨迹、修正监督微调，以及带安全分层奖励的 GRPO 强化学习。在 NAVSIM v1 上，4B 基础策略的 PDMS 由 87.7 提升至 91.7；同一模型在 NAVTEST 场景并以 NAVSIM v2 扩展指标评测时达到 89.4 EPDMS。
说明什么因素驱动生产级大语言模型的引用？——对一千万页网页上约两百万次AI引用的观察性多方法研究
简介本文观察了ChatGPT、Claude、Google AI和Gemini四个商业引擎六个月内约200万次引用，并与来自19个B2B SaaS工作区的1万个网页相关联。作者用九种方法的综合框架检验了60多个页面特征，结论包括：页面内容与提示词的匹配度是最主要的预测因素；常见的AEO检查清单在合并数据中呈正向，但加入域名固定效应后效果消失或反转；域名层面的AI权威性影响远超其他页面特征。
说明ReCo：在部署约束下何时迁移传感器套件——以非侵入式负荷监测为例
简介本文研究传感器套件何时应留在原地或迁移的问题，以非侵入式负荷监测（NILM）为案例。作者提出基于约束的迁移框架，并实例化为ReCo（按覆盖增益迁移），在联合目标-背景特征空间中统计新的运行状态，预测各住户未来增益，并每晚比较留守与迁移的收益。在Plegma数据集的回放部署实验中，ReCo在所有设置下均优于固定停留、基于计数的调度和阈值规则。
说明置信度过早上升：通过提前锁定答案检测捷径推理
简介该论文提出ConfLens框架，追踪大语言模型在推理过程中对最终答案置信度的变化，发现捷径样本会在早期推理阶段就对答案高度确信。作者进一步提出分布式答案锁定分数DACS，用各推理步骤答案概率分布的熵来衡量置信集中程度，无需标准答案或任务专用验证器。实验显示，在数学和代码推理任务上，该方法比强基线的F1值提高超过4.3%。
说明Fruchterman-Reingold 图可视化与凝聚式聚类之间的关联研究
简介本文研究了 Fruchterman-Reingold 图可视化方法与四种凝聚式聚类（单链接、全链接、平均链接和 Ward 链接）之间的可能关系。研究使用了三类数据集，分别在二维、十维以及十维数据经 PCA 投影到二维的情形下进行比较。结果显示，两类方法之间的关系在三类数据中差异不大；凝聚式方法结果彼此较为相似，与原始数据有中等程度的相似性；Fruchterman-Reingold 可视化与原始数据相似，但与凝聚式方法的相似性相对较低。
说明并非所有轨迹都值得学习：面向后训练强化学习的轨迹估值
简介本文研究强化学习在线训练中的轨迹估值问题，即如何识别并减轻有害轨迹。作者提出动态轨迹估值（DTV）方法，在小批量层面仅依据梯度信息估计轨迹效用并过滤有害轨迹。实验覆盖PPO、GRPO和DPO等设置，结果显示该方法能提升性能、提高数据效率并稳定优化。
说明行为之回响：道德历史可以影响并引导大语言模型的行为选择
简介本文指出，现有对大语言模型道德性的评估通常孤立地看待单次决策，忽略了无关的既往行为是否会影响模型之后的选择。作者提出MoralLedger框架，在固定决策情境下研究行动者的道德历史如何影响模型行为，并同时从模型输出与内部表征两个层面进行考察。结果显示，既往道德历史会按其极性与强度系统地改变后续选择，并在残差流中形成可线性恢复、可泛化的方向，沿该方向干预可产生双向的、随强度变化的决策改变。
说明面向神经车辆路径问题的闭合仓库式多分量构造方法
简介多数神经构造求解器按路线逐条构造，一次只扩展一条路线直到完成。本文提出多分量构造：同时维护多个路线分量，并以任意顺序合并。作者将每个分量视为隐式闭合的路线，使中间状态都是可行解，合并的精确成本下降即为Clarke-Wright节约值。仅在CVRP100上训练的策略，在CVRP100-500上优于代表性神经求解器的已报告结果，并在约束紧度测试中，于容量10至500的各设置下都优于已报告的神经求解器。
看点提出多路径组件并行构造与Clarke-Wright节约信号结合，新颖；大规模与零样本实验较充分，对神经路由求解器有较明显影响。
说明TempoKV：面向内存语义闪存的LLM KV缓存及时预取
简介本文提出TempoKV，一种感知时间的资源承诺层，用于大语言模型推理中可复用KV缓存在GPU与SSD支持的内存语义闪存层级之间的调度。它将可复用KV命中记为仅含元数据的声明，并在预计检索时间接近预计完成驻留与保护所需时间时才申请资源。在vLLM和LMCache上实现后，相比立即预取，每个请求占用的受保护快速层字节时间降低63%至91%，同时保留了大部分提前预取的服务收益。
说明超越梯度流：从分布快照中辨识与恢复动力学
简介论文研究如何从演化分布的快照中推断动力学。作者指出，仅凭单时刻的福克-普朗克约束无法唯一确定漂移场，并证明多个时间点的约束可以消除多项式规范方向。文中还给出了统计收敛速率的下界与上界，并提出用光滑测试函数估计的方法，同时通过规划环流实验验证了理论预测。
看点提出以多时刻Fokker-Planck约束识别漂移场规范自由度的新框架，给出显式障碍与下界速率，证据较完整但应用范围偏理论化。
说明面向可泛化三维异常检测的关系不一致建模
简介该论文针对工业检测中的三维点云异常检测问题，指出现有方法多以学习正常样本分布为核心，缺乏对缺陷本身的显式建模，导致判定边界模糊。作者提出关系不一致建模框架，将缺陷视为相邻结构间几何一致性的违背，并通过受控的关系违背伪异常进行学习。在Anomaly-ShapeNet和Real3D-AD数据集上，该方法在域内和跨域设置下均优于先前的先进方法。
说明TIDE：面向智能体强化学习的教师-学生信息蒸馏与探索过渡方法
简介论文针对多轮智能体的强化学习训练问题，指出固定比例的教师蒸馏加奖励优化会限制小模型探索并阻碍其超越教师。作者提出TIDE方法，依据师生分歧变化趋势在训练中动态切换蒸馏与强化学习的权重，并在各轮交互中分配两类更新。多个基准与模型规模的实验表明该自适应协调方法有效。
说明因果Transformer在不同上下文长度下的通用性与泛化能力
简介论文研究一个带掩码的Transformer能否用同一组与长度无关的参数，一致地逼近任意长度序列上的因果逐词映射。作者用α-Hölder序列或共同连续模刻画不同采样分辨率之间的关系，并给出有界回归下的泛化误差界，同时在物理时间序列上做了实验验证。
看点提出单一长度无关Transformer对任意长度因果映射的一致逼近，并给出与长度无关的泛化界，理论改进明显；实验仅限于物理时间序列，支撑有限。
说明感知质量损失，还是感知质量的丧失？——对深度语音增强中 PESQ 辅助损失的评估
简介该论文指出，深度语音增强模型常在损失函数中加入 PESQ 辅助项以提高感知指标分数，但指标提高并不一定代表听感改善。作者通过客观与主观实验，比较两种 PESQ 损失训练的模型，发现其在多数其他指标上没有显著变化，主观听感测试中则普遍不如未使用 PESQ 损失的模型。论文还显示 PESQ 在 CSIG、CBAK、COVL 复合指标中占主导，并强调应采用完整的评估流程。
说明OPIS：面向视频世界模型多物体记忆的、以输入为基准的评测集
简介本文提出OPIS基准，用于评估视频世界模型能否在时间推移中保持多个物体的视觉状态。该基准以初始观测中固定的物体实例为锚点，避免生成历史或选定视角带来的干扰。数据集包含500个案例，涵盖真实场景、具身机器人和游戏世界，共标注12,672个刚体、关节体和可变形物体实例。论文报告，在八个模型上OPIS得分介于48.65至56.01之间，且随物体数量增加，存在时间记忆的总体下降趋势。
说明EMPIRIC：通过实验学习机器人规划用的残差世界模型
简介该论文提出 EMPIRIC 智能体，它在物理引擎基础上补充物理引擎缺失的机制（如胶水固化、水加热、风力）的程序代码，构成残差世界模型。贝叶斯推断根据带噪声的观测估计这些机制的参数和隐藏状态，使智能体能够预测动作结果、选择有信息量的实验，并在预测失败时修正假设。在五个模拟领域中，EMPIRIC 以比三个基线更少的环境交互解决更多任务；在实体机器人上，它学习了风力和多米诺骨牌质量，从而完成操作任务。
看点提出在物理引擎上学习缺失机制代码的残差世界模型，新颖；在五个仿真域和一台真实机器人上验证，但规模有限、与基线的对比范围有限。
说明LEGAU：用于可扩展类别级姿态估计的语义高斯先验学习
简介本文提出 LEGAU 框架，基于单张 RGB-D 图像联合预测 NOCS 对应关系、物体位姿与尺寸，并生成规范形式的语义高斯场作为结构先验。该方法以类别文本嵌入为条件，通过 Transformer 融合视觉、几何与类别信息。论文称在合成与真实基准上表现良好，单模型多类别设置下在 SOPE 上最高提升 22%，并能迁移到真实数据。
说明BA-DPO：面向语言模型对齐的偏差校正直接偏好优化
简介论文提出一种名为BA-DPO的方法，用于改进基于人类偏好的语言模型对齐。标注者可能对某些属性（如性别或种族相关的名字、语言变体、格式或长度）存在系统性偏好，直接偏好优化（DPO）会吸收并放大这些偏差。BA-DPO为每位标注者增加一个针对带有指定属性回答的偏差参数，作者在带有人为植入偏差的数据和真实标注的MultiPref数据上进行了实验，结果显示该方法能大幅减少DPO造成的属性偏移，并且在KL散度不高于DPO、判断质量不下降的情况下实现。
说明开放集识别中的混合先验决策风险（MPRisk）：一种直接按决策错误打分的不确定性方法
简介该论文研究开放集识别中系统会出现的三类错误（误接受、误拒绝、误识别），指出基于 KL 散度的贝叶斯不确定性汇总并非总能与决策风险单调对应。作者提出 MPRisk，在同一贝叶斯后验上直接为所选决策对应的错误事件打分，仅需四个在验证集上调节的非负权重。在九个图像、音频和文本基准上，MPRisk 在多数工作点取得最佳或并列最佳的预测拒绝比（PRR），并在五个基准上相对 HolUE 有自助法确认的提升。
说明基于图学习的火星大气多时效预报
简介本文提出MaGMA框架，将OpenMARS再分析数据转换为图结构学习对象，用于火星大气多时效预报。模型以局部大气区块为节点，结合空间邻域、时间连续性与动态相似状态进行建模，并在五个未见过的火星年份上进行了评估。结果显示，常规年份整体R²约为0.73至0.85，沙尘柱预报在多数对比中优于基线模型；全球沙尘暴年份中，前两个时效的沙尘柱预报R²仍高于0.8，但多变量表现下降。
说明GUIDE-FBO：通过不确定性干预与分布交换实现联邦贝叶斯优化的引导
简介本文提出联邦贝叶斯优化方法GUIDE-FBO，各智能体不交换原始观测数据，而是交换由局部高斯过程后验推断出的最优解位置分布。服务器合并并重新加权这些分布后返回子集，智能体据此构建联邦干预高斯过程以指导本地决策。论文在12个合成基准和3个真实优化任务上进行了实验。
说明角色跟随不等于选择性控制：LLM用户模拟中的“中性缺口”
简介该论文检验了用大模型模拟用户时常用的角色提示：只改变一个用户属性，是否只影响该属性。结果显示，在审计的八个黑盒模型中，改变目标属性也会影响未提及的其他偏好，且当非目标属性被声明为中性时影响仍然存在，作者称之为“中性缺口”。
说明THEIA：用于模拟集成电路版图视觉-语言分析的多模态数据集与基准
简介本文提出THEIA，包含数千张版图图像及配套问答对话的数据集，并给出一个基准。研究者微调了视觉-语言模型，用于分析模拟电路的GDSII版图文件，使设计者能够以自然语言查询版图。在涵盖五项任务的数千个模拟设计上，微调模型显著优于通用视觉-语言模型，最高领先达73%。
说明在排序相关的曝光假设下，通过曝光-相关性分解进行推荐排序的离线策略评估
简介本文研究推荐排序策略的离线评估，即利用日志数据估计评估策略的表现。作者将点击分解为曝光与相关性两部分，提出 LE-IIPS 与 ED-DR 两种估计器。实验显示，在样本量较大、曝光依赖排序时，ED-DR 的均方误差低于现有方法；小样本或级联用户行为条件下则存在局限。
说明JRDB-AVR：面向真实环境具身智能体的主动视觉推理基准
简介本文基于现有真实机器人数据集JRDB构建了JRDB-AVR基准，要求智能体在有限视野下按时间戳和视角主动请求观察，并同时评估最终答案与支撑答案的视觉证据。作者还提出了参考方法JRDB-AVR-Agent，使用基于观察的图结构世界模型进行推理。实验显示，现有模型的答案准确率与证据准确率之间存在明显差距，说明需要关注证据的主动评估。
说明PEAR：面向工业搜索系统的渐进式证据驱动自动研究框架
简介该论文提出PEAR框架，用于工业搜索系统的迭代优化：通过证据驱动的研究状态和假设修正，替代“保留更优者”的简单规则；同时设置四级置信度门控评估流程，只有统计显著正向效果的候选策略才进入成本较高的在线实验。在真实工业搜索系统的两次A/B实验中，相关策略使Main Order/DAU分别相对基线提升2.7336%和3.2957%。
说明浅层线性网络在训练步数增长时的快速学习率迁移
简介本文研究神经网络宽度增大时学习率的迁移问题，其中训练步数也随宽度增长。作者在单隐藏矩阵的浅层线性网络、全批梯度下降训练下，给出在附加谱假设下的快速迁移条件，并证明当T=o(√n)时学习率实现快速迁移。论文还刻画了迁移速率，并推导了最优学习率与最优损失的极限分布。
说明VEX-Bench：评估大模型生成虚假信息的核查复杂度基准
简介论文提出 VEX-Bench 基准，用于评估大语言模型生成的虚假信息在筛查阶段被感知的核查复杂度，涵盖可核查性、危害潜力、来源可信度信号、冒充合法性和预计核查工作量等维度，并定义综合 VEX 分数。研究构建了 5,880 篇文章的数据集，评估了 7 个前沿模型和 7 种生成方法，发现没有单一方法在所有维度占优，且生成高 VEX 内容的成本远低于基于智能体的核查。
说明WebPageBench：面向网页智能体的事件级验证与受控界面变体生成基准
说明AutoDataBench：智能体能否编写用于自我改进循环的数据？
简介该论文提出 AutoDataBench 基准，考察智能体能否为可执行的智能体任务编写新的训练任务，并按有效性、新颖性、难度和行为覆盖等验收标准评估单个任务。在三个基准上，所测试的智能体在 45 分钟默认时限下得分均未超过 20 分（满分 100）；给最强智能体四倍时间后得分明显提高，而单个可用任务的成本几乎不变。
说明Proxy2World：无需见过代理-视频配对数据、从轻量代理生成世界的可控模型
简介该论文提出 Proxy2World，一种可控世界模型，用于根据轻量级场景代理（如布局与运动框架）生成视频。模型仅从普通带位姿的 RGBD 视频中学习，不依赖人工制作的代理-视频配对数据，通过跨模态流匹配同时学习深度条件 RGB 生成与联合 RGBD 生成。论文还提出 ProxyBench 评测集，实验显示其在结构一致性与视觉质量之间取得比相机控制和几何条件方法更好的平衡。
说明利用频谱特征检测针对超分辨率模型的对抗攻击
简介本文针对超分辨率模型中可能嵌入的对抗攻击，提出基于频谱的检测方法。作者以径向平均功率谱密度作为判别特征，训练XGBoost检测器，并与基于幅度和相位的傅里叶频谱检测器进行比较，在多种训练及跨架构场景下评估。结果显示，所提检测器在多数场景中优于对比方法，且高频特征对检测跨超分辨率架构的AdvSR攻击最有信息量。
说明基于最优传输引导掩码的时空预测中空间不可区分性研究
简介本文针对时空预测中的“空间不可区分性”问题：不同节点历史模式相似、未来却走向不同，导致传感器网络预测效果下降。作者提出自监督框架STOT，利用最优传输引导的结构化掩码在预训练阶段突出易混淆位置，并通过相似性感知度量刻画动态节点关系。在六个真实数据集上，该方法在所评估的基准上与现有先进方法表现相当，并可通过传输计划可视化提升可解释性。
说明语言强制：通过全身世界动作模型的语义对齐推进人形机器人移动与操作
简介论文提出 LANGUAGE-FORCING 训练策略，用语言引导全身世界动作模型（WAM）更关注与任务相关的视觉变化。训练时借助冻结的视觉语言模型生成未来状态变化描述，并将其文本嵌入与未来视觉特征对齐，推理时不增加额外开销。在 HumanoidArena 上平均成功率为 79.17%，在五项真实任务中由 53.33% 提升至 71.33%。
说明验证线性表示假设：视觉稀疏自编码器的可解释性有多高？
简介本文讨论视觉稀疏自编码器（SAE）能否把模型特征拆解为单一语义概念。作者把自动可解释性评分（AIS）改编到视觉任务，并通过用户研究验证。结果显示，常用的SAE可解释性指标彼此之间，以及与AIS之间都没有明显相关，因此单凭某一种无参考指标不足以验证视觉SAE的可解释性。
说明路径条件注意力可迁移性：SegFormer 中从深度到执行枢纽的重组
简介论文研究层次化视觉 Transformer（SegFormer-B5，用于人体分割）中注意力头能否在相邻深度间迁移，发现只有保留其计算上下文时才可行。作者将保留的120个第三阶段注意力头从40个执行深度整合到20个执行枢纽，在相同头数预算下mIoU与对照基本持平，差异在统计上不显著。部署方面，FOLDED_VEC 在 NVIDIA L4 上使端到端延迟在不同批大小下降低约 3.15% 至 5.28%。
说明人工生命智能体利用社会信息所需的环境条件：基于进化可塑人工神经网络的研究
简介该论文借助人工生命模型，用进化可塑人工神经网络（EPANN）研究智能体在不同觅食环境中使用社会信息的进化条件，以达到规定适应度所需的世代数衡量。实验采用可同时进化拓扑结构和权重的NEAT算法。结果显示，简单的拓扑结构即可让智能体快速达标，此时社会信息并非必需；因此，社会信息若要进化出现，环境需要更高的复杂度。
说明TermJudge：在文档层面判断而非计数机器翻译术语
简介现有机器翻译术语评估指标只要与固定参考不一致就扣分，把翻译错误与人类译者常见的合理术语变体混为一谈。本文提出TermJudge，在文档层面为每个术语出现给出可解释的判定：符合术语表的直接确定，偏离之处由大模型作为裁判分两步判断，先识别并标注术语错误，再区分合理的文档级变体与不一致。与专家标注和MQM人工评分对照，TermJudge在系统级和句段级元评估中均排名第一，并已开源。
说明面向能源消耗预测的自动特征工程、AutoML与决策导向学习
简介本文针对能源消耗预测（ECF）中机器学习模型依赖专家手工特征工程的问题，提出了面向能源领域的自动特征工程算法AutoEnergy，可从时间戳和滞后消耗量生成可解释特征，并与AutoML结合完成端到端建模。在十八个真实能源数据集上，该方法相比基线AutoML和现有自动特征工程方法，预测误差降低19.52%至84.72%，运行速度快1.31至4.41倍。此外，论文将其与决策导向学习结合用于电池储能系统问题，在英国真实物业数据上使运营成本降低22.9%至56.5%。
说明欧盟价格稳定性：基于随机矩阵理论的系统分析
简介本文将欧元区各国的月度通胀指数视为一个价格系统，利用随机矩阵理论分析其特征值的统计与渐近性质，以区分信号与噪声。研究发现该系统并非随机生成，数据受噪声主导，其中有两个国家扰动通胀动态，另有三组基于地区的国家分组。
说明面向设备端关键词检测的子模型短期记忆卷积：一种降低算力与功耗的在线推理方法
简介该论文把短期记忆卷积（STMC）框架应用于模块化CNN模型，使其能以类似LSTM的方式进行在线推理，用于资源受限的边缘设备（如可穿戴设备）上的关键词检测。相比同样频率运行的标准CNN，该方法的MCPS降幅最高达82%；相比原始STMC降幅最高达46%。在Google Speech Commands的11类任务上，最佳配置准确率为93.8%，使用零填充数据时为97.1%。
说明视觉中断下的视觉-语言-动作模型学习
简介本文针对视觉-语言-动作（VLA）机器人模型在摄像头中途停止输出画面时的表现问题，提出了评测基准 MAIL-Bench，通过在成功参考轨迹的不同阶段中断不同摄像头来衡量策略能力。作者进一步提出 MINT 方法，先训练模型在缺失视觉输入时仍能工作，推理时用光流外推或动作条件世界模型补充缺失观测，并在预测不可靠时撤回。文中报告在 π0.5 和 GR00T N1.5 上，MINT 在摄像头丢失时显著提升任务成功率，并在 AgiBot G2 真实机器人上验证了部署效果。
说明从一次性生成到增量作曲：让通用指令大模型支持持续的符号化乐谱编辑
简介本文研究将通用指令大模型用作可重复调用的编辑工具，而非一次性生成音乐。作者在 ABC 记谱法上设计了和弦添加、补全和移调三种编辑操作，并用爱尔兰传统音乐的对话数据对 Llama 3.1 8B Instruct 进行 LoRA 微调。结果显示，通过检查的输出比例从 29.37% 升至 99.37%，但论文并未证明音乐质量或人机共创效果更优。
说明概率单纯形上的可组合解码：理论与实现
简介本文把大语言模型的解码过程表述为在概率单纯形上、对下一个词分布进行优化的问题，在模型得分与正则项之间取平衡并受支持集约束。作者提出了 CompoSimplex 库，用于构建和评估可组合的解码器。实验表明，组合多种目标可以取得单独使用任一解码目标无法达到的单样本质量、多样本质量与多样性之间的权衡。
说明MaPP：面向数据高效强化学习的边缘化后验预测统一框架
简介本文针对大语言模型带可验证奖励的强化学习（RLVR）中GRPO方法的问题，指出组内采样结果的不确定性会引入“组成噪声”，影响梯度估计并削弱提示选择。作者提出MaPP框架，利用Beta后验通过闭式边缘化对每个回答的优势进行去噪，并据此设计不增加采样成本的提示选择分数。实验覆盖数学、规划和视觉几何任务，五种模型主干上均优于GRPO及强选择基线，同等采样预算下平均准确率最多提升2.45。
说明在正确的步骤给出正确的经验：为自进化智能体推导控制更新
简介论文提出EvoCUE框架，把智能体的工作流表示为可编辑的状态机控制器，并从已完成的执行轨迹中学习局部的指令或技能修改。每个候选修改会在其生效的节点处通过回放对比最终结果来评估，被接受的修改附带适用规则。实验显示，在AppWorld和PAST-Bench办公任务中，该方法提升了任务成功率与执行质量。
说明纽伦堡NLP团队在ChildSafeAds 2026的参赛系统：四种数据访问级别下结构差异较大的投票集成
简介该论文介绍纽伦堡NLP团队为ChildSafeAds 2026共享任务开发的系统，该任务关注面向儿童的YouTube视频中商业内容的监测。系统针对每个子任务采用九个投票器的集成，分为三个分支，在骨干模型、适应方法和类别范围上各不相同。系统在两个子任务中获得最佳成绩，并在任务平均分上排名第三，同时比较了四种数据访问级别。
说明ORPG：通过分目标策略梯度协调多个奖励目标
简介该论文提出ORPG方法，为每个奖励分别构造裁剪策略目标，并把得到的梯度整合为一次策略更新。对于方向一致的梯度，它通过余弦相关的插值进行协调；对于相互冲突的梯度，则按任务优先级进行投影。实验在有益性与安全性对齐以及数学推理的正确性与成本优化两类任务上进行，报告了相对外部基线的改进。
说明ActionUNet：用高效多尺度微调提升视觉-语言-动作（VLA）机器人模型的鲁棒性
简介视觉-语言-动作（VLA）模型能把多模态语义映射为机器人动作，但粗粒度语义与细粒度时序执行难以对齐，在杂乱环境中泛化和鲁棒性不足。该论文提出 ActionUNet，用轻量时序 U-Net 融合层级结构先验，再以带二阶平滑约束的条件 SIREN 作为连续动作解码器，减少抖动。在 RoboTwin 2.0 和 LIBERO-Plus 基准及真实环境测试中，π0.5 成功率分别绝对提升 9.8%、6.1% 和 11.4%。
看点将时序U-Net多尺度融合与带二阶平滑约束的SIREN解码器结合用于VLA微调，并在两个基准及真实场景上验证，相比基线提升明显。
说明什么让世界动作模型具备泛化能力：关于测试时未来建模的实证研究
简介该论文研究世界动作模型（WAM）在推理时是否需要生成未来画面。比较发现，不生成未来画面的潜在模型在环境扰动、数据效率和任务泛化三方面表现下降，差距主要来自第一步去噪，即为未来做准备而非生成未来。作者据此提出Simple-WAM，用单次前向传播处理完全加噪的视频令牌，在泛化与效率上取得较好平衡。
说明一个传感器，全身姿态——仅用一只消费级耳机IMU估计三维身体姿态
简介这篇论文研究仅用一只消费级耳机（AirPods）中的头部惯性测量单元（IMU），能恢复多少三维身体姿态，以及增加鞋垫等消费级传感器是否有帮助。作者构建了多模态采集系统并建立35段单人动作基准，结果显示单个头部IMU即可较好地估计下半身姿态，但加入足部传感器并不能稳定提升效果，关键在于传感器方向的可靠性而非数量。
说明SPIDER：多层语义视觉令牌剪枝与自适应子层跳过，用于提升多模态大模型效率
简介该论文针对多模态大语言模型的效率问题，指出数据冗余与计算冗余两方面。作者提出 SPIDER，一种无需训练的框架，结合多层语义视觉令牌剪枝与自适应子层跳过机制。原文报告，在 LLaVA-NeXT-7B 上，SPIDER 将 FLOPs 降低 79%，同时保持基线性能的 96%。
说明Inspector：基于大语言模型与卷积神经网络的模拟电路版图对话式轻量分析工具
简介该论文提出一个名为 Inspector 的框架，将微调后的大语言模型与卷积神经网络结合，用于分析模拟集成电路的 GDSII 版图文件，并支持设计者以对话方式与工具交互。实验基于数千个模拟电路设计、覆盖四项实际任务，结果显示该方案优于通用大型视觉语言模型，最高提升约81%，是一种轻量级的 GDSII 分析方案。
说明学会教学：面向大语言模型自我改进推理的提示退火方法
说明APEX-Voice：语音智能体能否通过全双工交互完成专业工作流程？
简介该论文提出 APEX-Voice 基准，包含 120 个交互式专业工作流程，涵盖表单填写、企业谈判、协调、咨询和面试等十类工作。在有状态的语音工作台环境中评估五个前沿实时语音智能体，结果显示没有任何系统的 Pass@1 超过 25%，最佳 Reliable@3 仅为 10.8%。研究指出，有状态协调是各系统的主要失败环节。
说明《Just MLPs》：用轻量网络高效重建多模态语言模型的视觉状态
简介这篇论文研究多模态大语言模型中视觉令牌计算开销大的问题。作者发现，阻断视觉到文本的注意力后，只需恢复少数低秩方向就能挽回大部分准确率，且各层视觉状态可由轻量 MLP 较好地近似。基于此，作者提出 δ-Vision，用低秩适配器替代视觉令牌在 Transformer 中的反复演化，同时保留全部视觉令牌供文本检索。在图像与视频基准上，该方法在相近或更低计算量下准确率高于视觉令牌剪枝基线。
说明面向LLM智能体的动作空间塑造：测量与缓解工具模式偏差
简介论文研究大语言模型在工具调用任务中的一种现象，即同一可执行动作用不同但功能等价的工具模式描述时，智能体表现不一致，作者称之为“模式偏差”。作者提出一个可执行的转换框架，用九种算子改写工具模式，同时保持任务、动作和可达状态不变，并在十一个模型、最多32种模式变体上进行评估。结果显示，仅改变模式就可使成功率从完全失败到97%不等；训练只能修复训练数据中出现过的模式变体。
说明《Grab a Coffee》：面向离散扩散模型的未来感知引导（COFFEE 框架）
简介论文提出 COFFEE 框架，用于在离散扩散模型生成序列时，依据序列级目标进行引导。该方法将序列依赖与目标分离，借助编译得到的有限状态模型，把全局偏好传递给尚未确定的位置，无需重新训练扩散模型。作者在多个符号、语言和生物基准上评估，报告了较强的控制效果，同时存在依任务而异的质量与多样性权衡。
说明诊断并缓解大语言模型的涌现性失准：一种参数空间几何方法
简介该论文研究大语言模型在窄领域微调后出现的涌现性失准（EM），即安全对齐模型在无关领域也出现安全失效。作者追踪训练过程，发现二阶曲率集中于语义关键词元，并提出一种参数级几何缓解框架，将有害梯度子空间从参数更新中正交投影去除。在 Qwen2.5-14B-IT 上，该方法可将自由生成的 EM 抑制至多 80.0%。
说明RoboFL：面向世界动作模型的联邦专家组装方法
简介该论文提出RoboFL框架，用于在多个机构之间联合训练视觉-语言-动作与世界动作模型，而无需共享原始交互数据。方法基于MoSAIC，把各客户端本地训练的LoRA适配器作为专家分支整合进服务器端的MoE结构，并通过路由蒸馏与专家聚合来稳定专家选择。论文报告在RoboTwin 2.0、RLBench和真实Franka机械臂实验中取得较好效果，并相比基于MoE的联邦VLA基线将每轮客户端通信量最多降低86.81%。
说明语义不确定性量化需要事实等价判断
简介该论文指出，大语言模型的语义不确定性量化通常先对多个答案做两两比较，再汇总为一个数值。作者认为，现有方法依赖现成的比较工具（如NLI模型或通用句子编码器），无法准确判断多个答案在事实上是否等价，是主要瓶颈。为此，作者用合成数据对单个编码器进行对比训练，以聚焦目标事实，并在18组模型与数据集组合、126个评估设置中的120个上提升了表现。
说明基于拉格朗日约束PPO与Kolmogorov-Arnold网络的温室安全气候控制
简介本文研究温室气候调控，将其建模为约束马尔可夫决策过程，并采用拉格朗日安全强化学习框架RCPO-PPO，在经济优化与累积安全约束之间解耦，无需手动调节惩罚权重。策略与价值网络使用Kolmogorov-Arnold网络（KAN）替代多层感知机，并加入正弦周期时间特征。在基于冬季生菜温室模型和40天真实天气扰动的仿真中，相比基于固定惩罚的PPO，累积气候违规减少18.65%，生菜经济利润提高2.91%。
说明用于医学时间序列扩散模型的循环平稳相位条件化
简介许多生理时间序列（如心脏和脑电记录）的统计特性会随潜在周期相位发生周期性变化。本文提出两种编码循环平稳性的归纳偏置：平移协变的小波表示，以及从受损输入推断的逐样本密集相位条件化。作者还提出一个无需训练的循环平稳性指数，用于衡量相位结构并预测相位条件化何时有效，并通过对反向轨迹进行对偶耦合，在网络评估次数减少为五分之一的情况下取得相近性能。
说明ALICE：上下文零样本互信息估计
简介论文提出ALICE基础模型，用于从样本中估计互信息，无需针对每个分布单独训练。模型仅在大量合成分布上训练，可在未见过的分布样本上直接估计其速度场，再通过固定恒等式得到互信息。作者在基准测试及生物学、遗传学、神经科学三个领域的数据上验证，结果表明其精度可与为每个分布单独训练的神经估计器相当，并支持不同的数据维度与样本数量。
说明ProofLoom：面向研究级随机优化的证明义务驱动理论构建与自动形式化
简介本文提出 ProofLoom，一个全自动的大语言模型智能体系统，用于在 Lean 中自动形式化研究级随机优化的算法模型与理论。给定已发表的算法、目标定理和源证明，系统依据未完成的证明义务构建定义、接口、引理和证明计划，并通过独立裁判拒绝无依据的假设与被削弱的结论。在十五个教材与论文任务上，其人工评分均值分别为 6.3/7 和 6.4/7，高于最强基线的 4.9/7 和 5.0/7；在 33 项开发中产生约 49 万行无 sorry 的 Lean 代码，并在 22 项开发中发现已发表材料中的 28 处错误。
看点提出以证明义务驱动的Lean理论构建与跨任务知识积累，并在15个任务上以人工评分超过基线；大规模形式化并发现已发表文献中的错误，证据较扎实。
说明《AX 就是新的 AEO》：智能体能否读取企业网站，决定其在 AI 回答中的表现
简介该论文提出“智能体体验”（AX）概念，认为在 AI 搜索代理的深入查询环节，能否抓取并读取企业自有网站比单纯被提及更关键。作者在 1056 家真实企业上运行了 37927 次智能体查询，结果显示：对智能体友好的企业，其回答有 78% 基于自有页面（对照组为 56%），被明确推荐的频率高出 1.9 倍。
说明VD-DeepStack：连接视觉比较与语言推理的少样本异常检测方法
简介该论文提出VD-DeepStack方法，用于少样本视觉异常检测。它把查询图像与正常参考图像之间的密集视觉差异，显式地作为语言推理的条件，融合DINO特征与大型视觉语言模型的视觉层级以增强细粒度表示。实验在4个工业和2个医学异常基准上进行，结果显示相比依赖文本比较推理的基线方法有明显提升。
说明基于认知状态转移的主动对话策略优化（CSTPO）
简介该论文针对多轮主动对话，提出认知用户模拟器Cog-Sim，用于维护用户的认知与情感状态并通过受约束的状态转移生成反馈。同时提出CSTPO方法，把每个动作分解为策略标签与具体话语两层，并通过稀疏分支采样分别估计两层的优势以进行优化。实验显示，在三项任务中Cog-Sim表现出单调的剂量-反应关系，自然度优于基于提示的模拟器；CSTPO使Qwen3-14B的表现接近基于GPT-5.5规划方法的水平。
说明伴随引导流：面向VLA策略的摊销式评论家引导
简介基于流的视觉-语言-动作（VLA）策略通常通过行为克隆训练，并不显式优化长期任务回报。本文提出伴随引导流（AGF），将轨迹感知的评论家引导摊销到一个轻量级引导网络中，同时保持预训练VLA策略不变。推理时每一步只需一次引导网络前向计算。在LIBERO、RoboCasa和LIBERO-Pro上，AGF持续改进预训练VLA，并与QGF相比运行速度快3.6倍、参数减少7.0倍，性能相当或更好。
说明将分辨率作为首要决策：面向高效多模态大模型的任务条件路由
简介多模态大模型的推理成本受高分辨率输入产生的大量视觉令牌限制，计算量随之二次增长。该论文提出任务条件分辨率路由方法（TCRR），由轻量跨模态路由器根据文本语义为每个查询选择最小足够的视觉压缩级别，并构建了包含12类任务、50万样本的数据集。实验显示，在Qwen3-VL-8B上视觉FLOPs降低40.9%，延迟降低53.7%，同时保持有竞争力的性能，且无需修改主干模型。
说明XMatch：通过树状外生变量匹配增强协变量感知的时间序列预测
简介该论文提出XMatch模型，利用未来外生变量与历史外生模式的匹配，借助对应的内生模式辅助预测。模型通过树状结构（ProtoTree）自适应决定用于匹配的外生变量数量，并在12个真实数据集上的实验中优于现有基线方法。
说明神经语言模型如何学会依存结构的上下文分布：面向组合性的统计学习理论
简介本文研究神经语言模型如何习得与词汇语义无关、由语法结构编码的结构意义。作者提出：模型学到的依存结构本身会成为后续统计学习的新分布单元，并在设计的合成语法上用 BERT 式掩码语言模型验证，模型能学到单靠词元统计无法推出的复合结构上下文分布。发展分析显示，依存关系的学习总是先于其上下文特征的学习。
说明TaoTex：提升原生三维材质生成中的纹理细节保真度
简介论文提出基于扩散模型的原生三维材质生成方法TaoTex，用于还原复杂纹理。作者构建了高频纹理三维数据以弥补公开数据集的不足，并设计多级特征融合模块、调整损失空间，同时引入可学习视角嵌入以支持多视角输入。实验显示，该方法在单视角和多视角设置下都明显优于现有方法，纹理细节保留更好。
说明《别忘了！》：分解语言模型记忆的训练动态
简介本文研究语言模型在训练过程中如何形成对训练序列的记忆。作者在Pythia模型系列上，将记忆序列的损失轨迹按训练过程和模型参数进行分解，分别考察重复出现的样本（复述）和罕见样本（回忆）。结果显示，两种记忆都与序列级梯度对齐相关，而复述因与其他训练影响不一致而出现遗忘，并指出底层最参与记忆与遗忘。作者还表明，该分解方法在预测记忆上优于交叉熵基线，并可通过干预少量关键参数消除最终模型中的记忆。
说明JazzSAMBA：用于现场音乐模型的爵士标准曲多轨乐队音频数据集
简介本文提出JazzSAMBA数据集，收录8位音乐家演奏76首爵士标准曲的多轨录音，包括异步（逐轨叠录）与同步（现场合奏）两种录制方式，并提供音乐家选定的首选及备选录音、小节、和弦、段落与独奏者的时间标注。作者用该数据集演示了爵士乐队源分离基线和基于乐谱条件的伴奏消融实验。数据集、代码与样例可通过项目页面获取。
说明PDEU-Bench：面向工具调用大模型智能体的个性化规划全流程基准
简介本文提出 PDEU-Bench，用于评估个性化工具调用智能体从制定计划、执行计划到更新计划的完整规划流程。该基准包含 214 个长程交互任务，涵盖 12 个日常领域和 94 种工具。对 15 个开源与闭源大模型的评测显示，模型能在单次调用中体现用户偏好，但在构建连贯计划和更新计划方面表现不佳；现有个性化与记忆增强方法也未能在整个流程中可靠地保持用户偏好。
说明让语言模型的采样与其陈述的分布一致：用于按指定分布输出样本的训练方法
简介语言模型常被用来按指定分布采样，例如模拟问卷受访者或生成合成数据。研究发现，指令微调后的模型能正确说出目标分布，却未必能按该分布采样；提示和解码调整只能部分缩小这一差距。作者提出 witness advantage，即基于最大均值差异（MMD）为每个采样结果单独计算的优势值，并将其作为 GRPO 的奖励。在未见过的目标分布上，该方法明显降低了与目标分布的总变差距离，同时基本保持了模型的通用能力。
说明《几乎像人，除非关乎重要决定》：VoxParity 与语音应改变的决策
简介本文提出 VoxParity 基准，测试语音智能体能否根据音频而非仅文字改变正确的操作。研究包含来自 14 个行业的 183 个场景，固定文字内容而改变音频（如急救电话中的呼救、医疗监测的蜂鸣、背景噪声等），检验模型是否据此调整工具调用。结果显示，23 个可仅用文字运行的系统中只有 11 个通过了测试，多数错误偏向文字内容。
说明审计脚手架，而非检查点：智能体编程中递归自我改进的平稳性二分法
简介论文提出平稳性二分法：若智能体可达的编辑集合固定，迭代自我修改的收益会严格递减；只有该集合扩展时才能突破。重写工具、验证器等脚手架即使不改动权重也能扩展可达集合。论文还分析了多个同类模型并行择优的上限，并在 SWE-bench 和 401 个生产会话中观察到改进逐轮趋于饱和。
说明基于化学与蛋白质语言模型的分层序列交叉注意力药物-靶点相互作用预测
简介本文提出一种仅基于序列的药物-靶点相互作用（DTI）预测模型，分别用ChemBERTa编码药物SMILES，用ESM-2编码蛋白质氨基酸序列，再通过一维卷积和双向交叉注意力模块建模两者之间的相互作用，最后用注意力池化进行二分类预测。实验在BIOSNAP、Davis和BindingDB数据集上进行，模型在BIOSNAP上表现最佳，在Davis上与最佳AUROC持平，在BindingDB上具有竞争力，参数量为2520万。消融实验和冷启动实验显示该方法对未见过的蛋白质和药物有一定泛化能力。
说明RISE：通过迭代策略演化对现代文生图模型进行红队测试
简介现代文生图系统中成功绕过安全策略的情况很少，先前有效的人工种子提示也常被修补。论文指出，现有自动红队方法存在成功判定不可靠、探索能力弱两大问题，并提出RISE方法，通过演化可复用的生成策略来构造攻击提示。在DALL-E 3、Nano Banana 2和GPT-Image-2上，RISE在经人工核验的条件下攻击成功率最高约13%；在相同的校准评估下，先前方法的攻击成功率从报告的约30%降至接近零。
说明用于深度平均雪崩动力学的物理信息神经网络
简介本文提出一种物理信息神经网络（PINN）框架，用于求解雪崩深度平均颗粒流的Savage-Hutter模型，先用一维解析解验证，再用二维实验验证。一维耦合预测在没有给定数据的情况下同时学习了流深与速度场，并进行了超参数敏感性分析。二维部分仅用物理约束训练会收敛到零解，加入10个稀疏观测点后形成物理与数据结合的混合框架，并在四组不同质量与坡角的实验中，流深RMSE为2.7至6.7毫米，湿润面积IoU平均为69%至81%。
说明Muon 在大语言模型预训练中消解了稳定边缘现象
简介Muon 是一种越来越多用于语言模型预训练的优化器，但经典的梯度下降稳定边缘理论无法解释它的大步长动态。本文推导了随机无动量 Muon 的相干修正条件损失中性边界，并通过对照实验表明，损失平衡与时间方向对齐对学习率和批大小的响应不同。在 130M 与 1B 规模的语言模型实验中，方向始终远未出现相干反转，而训练仍在继续改进。
说明EMMA：基于事件驱动的多模态记忆系统与多智能体检索
简介该论文针对长视频理解中多模态大模型上下文窗口不足的问题，提出EMMA系统。它不再按固定长度切分视频，而是依据视觉语义变化和语音转换自适应地划分事件，并构建原始视频、片段级和事件级三层记忆。检索阶段由多个智能体协作完成，从粗粒度事件逐步缩小到精确片段。作者称在三个基准测试上取得显著提升，代码已在GitHub公开。
说明不要丢弃尾部：动作再利用以加速策略执行
简介机器人策略通常一次预测一段未来动作，只执行前缀部分，其余动作在重新规划前被丢弃。本文提出无需训练的 Action Upcycling 方法，在动作速度保持平滑时继续复用被丢弃的动作，以延长执行时长。实验显示，该方法在多种视觉-语言-动作模型及一个世界动作模型上，可将策略调用次数减少 1.2 至 1.7 倍，且成功率不下降。
说明SincDPNet：面向辅助生活的可解释原始波形浴室活动识别模型
简介该研究针对浴室声音事件识别，提出一个包含7类、21,387段标注音频的数据集，并设计了紧凑的SincDPNet原始波形分类模型。模型使用可学习的sinc滤波器组，其通道通带可直接以赫兹查看。通过按录音环境划分数据，减少了房间相关的信息泄漏。最佳模型在留出环境中达到80.2%准确率、0.760宏平均F1，参数量为14,040；较小配置仅2,848个参数。分析显示，水相关事件之间的频谱重叠和部分门类的瞬态时间结构相似是造成混淆的原因。
