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SEPAL：用于可靠大模型协作的分离式专家对与答案级融合方法
简介本文提出SEPAL方法，用于提升多个大语言模型协作回答问题的可靠性。它设置三组相互独立的Actor-Critic团队，分别负责直接推理、证据支撑和验证，各团队在内部修正答案，最后仅通过多数投票融合最终答案。作者称，在五个开源基础模型和五个问答基准上，该方法相比单一Actor-Critic配对平均准确率提高1.81个百分点，且五个模型均有提升。
说明RiboUnmix：从有偏差且含噪声的核糖体图谱数据中学习共享的翻译动力学
简介核糖体图谱（Ribo-seq）测量的是核糖体在 mRNA 上的分布，但观测结果同时包含实验特异性扭曲和随机波动。作者提出 RiboUnmix，一个多数据集概率框架：每个预期的测量图谱由一个共享的序列依赖信号，乘以数据集特异的乘性因子构成，并用负二项观测模型刻画重复实验间的变异。在合成基准和四个物种的真实数据上，该方法在预测测量图谱方面优于序列到图谱的基线模型；基于 114 个 HEK 来源数据集的子集训练得到的共享图谱也具有一致性。
说明无需计算的跨语言迁移性估计：利用类型学特征代理
简介本文研究能否仅凭免费的语言类型学特征预测跨语言迁移效果，无需大规模多语言预训练。作者用24种语言的已有迁移矩阵训练随机森林模型，留一语言验证的相关系数为0.705，优于非类型学对照模型，且在留一文字系统与留一语系的设置下仍然有效。该方法可作为零计算成本的筛选工具，替代大量训练实验。
说明边际响应面提取：零标注表格学习方法（MARS）
简介论文提出 MARS 方法，利用大语言模型根据任务描述和特征语义给出的先验知识，在无标注数据条件下构建可复用的零样本表格分类器。该方法为每个特征选取代表值，让大模型给出类别支持分数和特征权重，再用中位数聚合多次回答并加权求和进行预测。在八个表格基准任务上，MARS 的平均 AUC 和 AP 最高，分别比直接提示方法高 1.97 和 6.21 个百分点，同时显著降低了端到端成本。
说明《Dissonant ballerinas and crafty carrots》：意大利语“脑腐”内容的多模态比较分析
简介本文比较分析了意大利语和罗马尼亚语的“脑腐”（brain rot）梅姆视频，探讨其吸引力的成因以及两种语言版本在语言与文化上的差异。作者构建了包含240段TikTok视频的数据集CRIB，从文本、声音和画面三方面进行研究。结果显示，热度与情感、荒诞性、押韵等文本因素及声音特征没有显著相关；在罗马尼亚语中，剪辑更快、整体节奏更快的视频更容易成功。跨语言比较发现，意大利语“脑腐”文本更偏负面、困惑度更高、押韵更多。
说明预测优于检测：利用无人机控制交通拥堵
简介该论文研究一队无人机在模拟路网中检测和预测交通拥堵，其报告驱动自适应交通信号控制器形成闭环。研究发现，机队规模接近被监测路口数量时性能趋于饱和，并给出持续监测部署的机队规模参考规则。论文指出，依据预测到的拥堵而非已检测到的拥堵调整信号，可使拥堵持续时间的缩减约为原来的两倍，预测准确性比增加机器人数量更值得投入。
说明SAGE：借助视觉基础表示发现并生成显著因素
简介论文提出SAGE方法，在冻结的表示自编码器的高维空间潜变量中，把目标数据集特有的“显著因素”与两类数据共有的“共同内容”分开。学到的显著表示能在没有子类别标签的情况下揭示子类型，并用于条件生成同类型的新样本。在Digits-ImageNet和FFHQ眼镜数据上，文中报告了较高的重建质量和子类型发现效果；在视网膜OCT数据上，仅用正常/疾病标签即可区分三种疾病。
说明树状历史下的精确修正：PPO 省略的校正项如何在激进复用中提升样本效率
简介该论文分析 PPO 等策略改进方法为何省略状态访问分布比率，指出在历史单射动力学（如自回归生成）下该比率可由已计算的对数概率精确恢复。作者提出一个在 PPO 与完整修正之间可调的单参数家族，并在困难的信用分配调度任务上，展示短暂的修正预热配合早期激进样本复用可比 PPO 学得更快。
说明迈向序列式测试时缩放中更好的探索
简介该论文研究语言模型在推理时投入额外计算的两类方法。作者发现，序列式方法常在四轮迭代内陷入“吸引子”，即一组难以跳出的答案；在 27 组方法、模型与基准组合中，53.8% 的轨迹会进入吸引子。作者提出简单的模型混合干预，可使吸引子命中率平均降低 21.2 个百分点，并扩大解的覆盖范围。
说明PEG-Tab：表格合成中的采样时记录修复与发布控制
简介预训练的表格生成模型即使整体效用较高，仍可能复现训练记录。PEG-Tab 是一个训练后框架，在冻结参数的前提下，为每条生成的记录产生两个替代版本，并用统一校准的评分比较三者，优先选择风险较低的记录，最后进行发布检查。在五个数据集和四类生成模型上，平均近似复制率从 0.078 降至 0.027，聚合精确复制率降为零。
说明基于认证的差分隐私学习：用形式化方法为机器学习隐私提供更紧的保证
简介该论文研究用形式化方法（抽象解释）为差分隐私提供更紧的隐私分析。作者把抽象梯度训练框架推广到连续、无界的回归私有预测，并提出抽象梯度采样算法，用于私有学习。实验表明，在回归基准上其界限比全局敏感度基线更紧，并在全局敏感度无界的情形下给出首个有限隐私保证。
说明MIND：面向混合类型表格数据生成的边缘不变神经依赖扩散模型
简介该论文提出MIND模型，用于生成包含多种类型变量的表格数据。它先通过逐列的边缘变换把不同类型的变量映射到统一的潜在依赖空间，再用条件扩散模型学习列与列之间的关系。实验在九个表格基准上进行，结果显示MIND在边缘拟合度和依赖关系保持方面优于现有的统一方法。
说明计算机视觉入门（代码优先的教材）
简介这是一本以代码为先的计算机视觉入门教材，共44章、分三部分，涵盖经典二维图像处理、经典三维视觉和深度学习。每项技术都用Python、NumPy或PyTorch实现，并与对应的OpenCV或PyTorch库函数做数值对照验证。内容由在线公开课程笔记借助AI提炼而成，旨在为想理解计算机视觉算法及其Python实现的学生和从业者提供自成体系的参考。
说明基于StyleGAN中间潜在空间的集合数据同化储层参数化方法
简介本文研究了用于集合平滑器历史拟合的储层参数化方法。作者比较了VAE-GAN、潜在扩散和StyleGAN三类深度学习模型，并在两个二维案例（分类相与连续）中用StyleGAN2的潜在z空间和中间w空间分别进行数据同化。结果显示，三种模型都很有效，其中StyleGAN2生成的样本地质真实性更好；在w空间中进行同化优于在z空间中进行。
说明D-Scope：用稀疏自编码器拆解并引导扩散 Transformer
简介该论文提出 D-Scope 框架，把稀疏自编码器（SAE）学到的特征与图像生成控制联系起来：先用 SigLIP 2 嵌入聚合高激活图像块形成视觉质心，再通过图文共享空间检索特征。作者在两类模型、五个层中评估了 150 个 SAE，并建立了包含 100 个目标概念的基准。结果显示，高重建保真度可与低字典利用率和有限的视觉证据覆盖并存；对比检索在区域 SigLIP 2 指标上平均增益更大，但未稳定地改善区域外的保持效果。
说明ExpandDiff：用于单张图像HDR重建的动态范围扩展扩散模型
简介本文提出ExpandDiff，一种条件扩散框架，可从单张低动态范围（LDR）图像同时重建被截断的阴影和高光。方法引入动态截断合成（DCS），在构建训练输入时随机采样阴影与高光的截断百分位，并使用带空间自适应归一化引导的像素空间扩散模型预测感知编码的HDR图像。在SI-HDR基准上，相比评估中表现最强的对比方法，ExpandDiff在PU21-PSNR上提升3.43 dB；在双侧截断情况下提升7.34 dB。
说明面向恶意图像篡改检测的语义水印方法
简介该论文提出一种鲁棒的语义水印框架，把水印视为可恢复的语义参考，结合基于β-VAE的二进制水印（CLIP-VAE）与信道感知训练，并用轻量模块SDA-Net判断图像被篡改的语义方向。在与多种二进制哈希基线的对比中，CLIP-VAE在InstructPix2Pix的比特错误率下取得最高的重建余弦相似度，并支持篡改方向检测。
说明用于稳健表格数据插补的混合方法
简介本文提出两种混合插补方法 NuclearForest 与 SoftForest，分别结合基于奇异值阈值（SVT）和 SoftImpute 的低秩初始化与一次非迭代的随机森林细化。作者还为 SVT 部分提出自适应步长规则并证明收敛性。在多个领域数据集上的实验显示，两者在插补精度上与 MissForest 相当或更优，同时速度分别约快 5.81 倍和 9.52 倍。
说明该证据是否关乎决策？学习验证基于规则的决策
简介本文针对资格审核、合同审查等基于规则的推理任务，提出InterPact框架（基于干预的影响学习），通过反事实方式验证证据对决策的关键性。该方法编辑案例事实生成训练样本，并利用传播验证器学习证据如何影响条件判断及决策。在单案例证据关键性验证任务上，InterPact准确率为68.28%，优于六个基线方法。
说明FOMO：选择性视频遗忘中“遗忘概念、保留场景”的方法
简介论文提出 FOMO，这是一种基于训练的选择性视频遗忘方法，用于让生成式视频模型忘记不希望生成的内容。其核心是在移除目标概念的同时尽量保留原有场景，并可将生成引导到指定的安全替代内容，同时还能处理由时间行为定义的运动概念。作者称该方法在去除概念与保留场景之间取得了最佳平衡。
说明为什么传统世界模型学不会元胞自动机？
简介本文以元胞自动机为简单测试平台，发现基于Transformer或卷积网络的传统世界模型即使能大致正确预测多数像素，也很难完整复现整段演化过程。作者将失败归因于三类问题：空间局部性、时间局部性和时间稳定性，并分别提出简单修改（二维旋转位置编码、邻域信息输入、因果冻结），显著提高了完整推演的成功率。
说明GroundingPI：面向物理智能的视觉基元定位基础模型
简介论文提出 GroundingPI，一个 40 亿参数的定位（grounding）基础模型，以量化坐标的形式在共享词表中生成点和框，用于精确识别目标物体及其位置。模型结合多模态与空间预训练、监督微调及 GRPO 强化学习训练。在 34 个定位基准上平均得分 73.68%，并在机器人操作与自动驾驶的下游任务中表现提升。
说明GroundAnything：以并行解码兼顾精准视觉定位的快速模型
简介论文提出 GroundAnything，一个 40 亿参数的视觉定位基础模型，把快速并行解码与精确定位结合起来，方法是分块去噪的双向扩散。作者在 30 个定位基准上测试，其自回归版本 GroundAnything-VLM 平均得分 72.42%，并报告在自投机模式下相比自回归版本有 4.51 倍加速，COCO F1mIoU 下降 0.74 个百分点。
说明Text-to-3D Policy：面向未见指令规格泛化的细粒度语言-行为对齐论文
说明有限次 Newton-Schulz 迭代与 Nesterov 动量下实用 Muon 优化器的收敛性
简介本文分析实用版 Muon 优化器：每个参数矩阵分别维护动量，并执行固定少量的 Newton-Schulz 迭代做正交化更新。作者在耦合的非凸目标上联合分析这些分层有限步更新，在梯度相关平滑和有界方差假设下证明期望平均梯度范数以 O(T^{-1/4}) 速率收敛。论文还给出在更强谱条件下的核范数结果，量化秩的影响。
说明信息论不确定性分解的结构性局限
简介论文分析了机器学习中常用的信息论不确定性分解框架，将不确定性分为偶然不确定性（AU）与认知不确定性（EU）。作者指出，有限条件下两者存在不可达区域，其边界为 AU ≤ log(2)/N（N 为蒙特卡洛样本数，如集成成员数）。研究认为该边界可解释认知不确定性塌缩现象，并提示在低 AU 情形下不宜将两者视为独立量。
说明SPOON：从未标定的多视角图像生成连贯的组合式三维场景
简介该论文提出SPOON框架，用于从未标定的多视角图像中生成三维场景。方法将多视角组合式三维生成视为场景级、基于几何的位姿推理，并通过“引导-路由-协调”流程统一各视角的物体位姿和相机配置。在ARSG-110K和MIDI-3D-Front上的实验显示，物体摆放和场景构图有一致改进；在ARSG-110K上，场景级和物体级Chamfer距离分别比强基线降低12.7%和17.7%。
说明KilometerVision：视觉语言模型大尺度空间智能的新基准
简介该论文提出 KilometerVision，这是首个基于真实世界视频、考察视觉语言模型（VLM）对地理布局理解能力的基准，距离范围可达 1 公里。研究参照认知科学中人类空间认知的层级阶段进行评测，包括通过地标定位、以路线连接地标，以及整合为整体心理地图。实验发现，当前模型主要依赖二维视觉识别和文本匹配，而非真正的路径整合或几何测量知识。
说明基于首位数字梯度统计的可泛化、可解释合成视频检测框架
简介本文提出一种检测AI生成视频的方法，利用Sobel梯度值结合首位数字定律进行分析。作者以线性判别分析展示判别信号，并用多层感知机完成分类，且方法不依赖特定生成器或场景特征。实验在GenBuster-200K等五个数据集上进行，同时指出零样本检测会失败，尽管该特征集本身带有判别信号。
说明MADGRAV：用于LIGO引力波数据搜索的多级异常检测流程
简介论文介绍了MADGRAV，一套基于深度学习的高质量量级双致密天体并合搜索流程，应用于LIGO第三次观测运行及第四次观测运行前两部分的数据。流程由多个依次运行的卷积神经网络组成，负责异常检测、噪声干扰（glitch）分类、相干性检验和信号排序。在通过全部阶段的候选中，报告了47个引力波探测事件，误报率低于每年1次，天体物理来源概率高于0.9，其中44个与CWB搜索结果重合。研究认为，在高质量、高信噪比区域，异常检测可作为与匹配滤波互补的独立探测途径。
说明用于纸质心电图识别的鲁棒迁移学习
简介该论文提出RobECG-CL，一种基于排序感知对比学习的框架，用于学习纸质心电图的鲁棒表示。方法从标准12导联心电图出发，构造版式各异、逐步退化的纸质心电图视图，并在同一记录不变性与退化感知排序之间取得平衡。在CODE-II和EchoNext上的合成压力测试中，RobECG-CL在严重退化和少样本迁移下表现更稳健，在1%标注设置下优于波形基础模型ECG-FM。在一批312个医院样本、37个标签的数据上，它取得了最佳宏平均AUROC。
说明AVERT-VLN：面向视觉语言导航的弃权感知视觉纠错与训练框架
简介该论文提出AVERT-VLN框架，用于视觉语言导航（VLN）智能体在未见环境中的偏离纠正。系统通过插件式视觉语言监控器判断指令执行是否一致，偏离时暂停自主执行并请求人工指导，同时利用偏好学习对纠错后的决策进行离线改进。在R2R-CE和RxR-CE的val-unseen划分上，完整系统在人工辅助评估下分别取得76.2%和66.3%的成功率。
说明跳出框框：语言模型能否有选择地依赖外部指导？
简介该论文指出，人工设计的工作流有时会限制能力增强的模型，因此提出“跳出框框”能力，即在有用时采纳指导、在不可靠时拒绝指导。作者构建了 Box²-Bench 基准，在固定模型和任务的情况下改变工作流可靠性来测试这一能力，并用反事实监督微调和基于结果的强化学习训练开源模型，还发现该行为可推广到同伴纠错和损坏记忆等外部信息场景。
说明基于实例学习理论的能量模型元认知推理框架（MERITED）
简介该论文指出，现有大语言模型难以在输出前估计不确定性，也难以动态分配计算资源。作者提出MERITED框架，结合实例学习理论与能量模型，依据不确定性控制推理投入的计算量。论文还训练并公开了一个1.91亿参数的推理能量模型。
说明ECHO-G：面向人形机器人的语音协同全身动作生成框架
简介该论文提出ECHO-G框架，同时依据语音音频和带时间戳的文字转录，为人形机器人生成与语音配合的全身动作。其核心模型SGDiT融合逐帧声学特征与词元级语言上下文，并采用整流流匹配方式训练，直接在机器人动作空间中生成。作者还构建了基于BEAT2的音频-文本-机器人数据集和评测基准，并在实体人形机器人上完成部署演示。
说明超越风险预测：面向可解释自杀风险评估的证据定位与心理社会因素验证
简介本文针对社交网络平台帖子中的自杀风险识别，提出包含风险评估、证据定位和因素识别三部分的框架。风险评估按帖子长度分流处理，证据定位用风险-证据约束保持与风险预测的一致，因素识别则combine两个验证器的概率。在三项任务上，风险评估加权F1为0.8088，证据定位测试宏观F1为0.7605，因素识别宏观F1为0.5562。
说明转向场：用于安全图像生成及其他任务的自适应向量场
简介本文针对文生图流模型的输出控制问题，提出“转向场”方法。它在生成过程的每一步重新估计转向方向，而不是全程使用固定的全局向量，从而减少意外的整体改动。该方法可在抑制与促进概念之间连续权衡，并支持同时诱导与抑制多个概念，在安全转向基准上取得了新的最优结果，同时还能作为保留结构的图像编辑技术使用。
说明语言紧凑、模型偏移复杂：歧义与未指定如何影响大语言模型
简介该论文通过人造同形异义词和上位词等伪词，研究词汇歧义与语义未指定如何影响语言模型训练。结果显示，两者都会随其对语言类型-标记比的影响而提升模型表现，但包含歧义词或其同义词的句子生成准确率下降。论文还从机制层面分析了内部表示：同形伪词的歧义在表示中被消解，而上位伪词的未指定状态在生成过程中保持不变。
说明自生成规格的可验证代码生成：让大模型自己写规格、写代码并完成验证
简介论文指出，现有基准多在阶段层面评估大模型，且代码生成依赖标准规格，无法反映端到端成功率，也较少覆盖软件开发任务。作者提出 VeriCodeBench，包含 C、Java、Rust 和 Python 共 400 个问题，要求模型只依靠自己生成的规格和代码完成全流程。作者还提出 CodeNova 方法，通过约束引导的规格生成和验证器反馈来修复实现。结果显示自生成规格仍是主要瓶颈，而 CodeNova 显著提升了各项指标。
说明具有球面拓扑曲面的不变形状分析
简介本文提出一种用于闭合三维形状的描述子，用于消除球谐描述子对参数化、姿态和尺度的依赖。方法先做共形参数化并以共形重心归一化，再对旋转群计算多项式不变量，从而能区分形状与其镜像。基准测试验证了其理论保证，并在双侧解剖结构上能区分镜像对与不对称对。
说明从给定证据到主动收集证据：面向纵向医学推理的智能体学习
简介本文提出CASE框架，训练能主动检索临床记录与纵向影像证据的视觉语言智能体，而非只在预选证据上作答。作者基于UK Biobank构建了包含50,401个问题、4,739名参与者的纵向多模态基准，智能体需自主选择就诊、器官、模态、切片和专科工具。实验称，其基于Qwen3-VL-8B-Instruct的智能体在相同评测条件下，答案准确率相对GPT-5.4和Claude Opus 4.8分别提升超过16%和10%。
看点提出以取证为核心的纵向多模态医学智能体训练框架并构建大规模基准，结合SFT、强化学习与自蒸馏；实验显示相对前沿模型准确率提升超16%和10%，证据较充分。
说明A2Z GameSpec-Bench：编程智能体能否忠实依据游戏设计文档生成游戏？
简介本文提出 A2Z GameSpec-Bench，包含 100 份长篇游戏设计文档，用于评估智能体端到端开发游戏的能力。方法是把每份文档转为带依赖关系的契约，结合源代码检查与场景回放、自适应试玩来检验游戏是否满足需求并保持需求之间的关联。结果显示，现有智能体难以同时满足相互依赖的需求；按需求给出针对性反馈经两轮修订后，GDD Fidelity 相对自我修订提升 10.9%。
说明RESUME：利用运动与残差信号做循环状态更新，用于高效视频语言建模
简介现有视频语言模型逐帧独立编码RGB画面，长视频要么耗尽令牌预算，要么丢失帧间变化。本文提出RESUME，一种有状态的编解码表示：以锚点I帧初始化紧凑的潜在状态，后续预测帧作为对该状态的更新，再由共享读出模块向视频语言模型输出令牌。在十个基准测试中，其收益主要体现在时序推理上，在TempCompass、TOMATO和MVBench三项时序基准上均优于RGB帧基线LLaVA-Video-7B和基于编解码的CoPE-7B，在通用与长视频问答上保持竞争力。
看点提出以I帧为初始、逐帧更新紧凑状态的有状态编解码表示，改变了预测帧的建模方式；在三个时序基准上相对RGB基线与编解码基线均有提升，并含冻结转移测试。
说明溯因学习中的候选保留：为溯因学习选择保留哪些候选解释的方法
简介该论文研究溯因学习中多个有效解释给同一输入赋予冲突标签的问题。作者提出溯因候选保留方法（ACR），通过贪心方式选择保留的候选子集，以平衡监督的清晰度与模型概率质量的覆盖。实验显示，在大多数评估的聚合模加法设置中，ACR 的概念准确率优于单候选基线和 A3BL。
说明扩散语言模型的自排斥采样：让多条生成路径更多样
简介该论文提出自排斥采样（Self-Repulsion, SR），用于掩码扩散语言模型。每个生成路径会根据同位置已被其他路径选中的同一词元数量降低该词元的logit，从而让多条路径更加多样。在LLaDA-8B-Instruct上，10条路径、128步去噪时，确定性SR在GSM8K上的多数投票准确率为80.38%，未加惩罚的贪心解码为70.17%。论文称，投票收益主要来自正确答案覆盖率的提高。
说明WIPSNet：利用夜间阻抗肺描记图检测儿童喘息的深度学习方法
简介该论文针对儿童夜间呼吸监测，提出名为WIPSNet的三维ResNet模型，输入为夜间阻抗肺描记（IP）信号的堆叠连续小波变换尺度图。在15名患者（60夜、281小时）的数据上，WIPSNet的AUC为0.783±0.026，高于目前临床使用的呼气变异指数（EVI）、状态空间模型Mamba及两种睡眠分期模型。作者认为，结构化的时频表示结合三维卷积对长时程生理信号的学习有效。
说明分而化之：通过精确分解为独立子实例的 MAPF-Collapse 方法
简介本文研究多智能体路径规划（MAPF）的后优化问题 MAPFC：在已有可行路径方案的基础上，去除可以避免的多余移动并保持可行性。作者发现该问题可分解为多数只涉及单个智能体的独立子问题，并据此设计了轻量求解器和类 CBS 求解器，并按情况选择使用。整体框架精确、不依赖商业 ILP 求解器，在中位数上比 Judgelight 快 10.5 倍。
说明基于人体力矩估计的任务无关型辅助外骨骼控制：通用性能保证
简介本文研究如何借助人体力矩估计实现机器人外骨骼的任务无关控制。作者将“匹配辅助”定义为机器人积极促进人体运动的情形，并据此设计期望交互力矩，理论上保证匹配辅助概率的下界，且该保证覆盖包括训练任务之外数据在内的整个力矩分布。方法在ABLE上肢外骨骼上实现并在多任务场景中评估，实验结果验证了理论保证，并表明其能在多种任务中保持运动平顺并减轻人体体力负担。
说明NEUROTOKEN：基于条件流匹配与包络解码的联合声源与方向听觉注意解码
简介该论文研究如何从脑电（EEG）判断听者在嘈杂环境中注意哪一位说话人。作者提出 NEUROTOKEN 单一网络，其中条件流匹配模块（ATTUNEFLOW）通过比较注意包络的条件似然对候选说话人评分。在 KU Leuven、DTU 和 NJU 三个数据集的 5 秒窗口上，该方法相较最强的非生成式基线提升了逐段声源解码表现。
看点将方向AAD、源AAD与包络重建统一为条件似然框架，并用条件流匹配建模，新颖性较强；多数据集实验与严格协议复现提供了较扎实证据，对脑机接口与助听器领域影响较大。
说明EffGS：高效且高保真的高斯泼溅方法
简介3D高斯泼溅（3DGS）可实现实时新视角合成，但现有通用加速方法扩展到复杂的大规模场景时，渲染质量明显下降。本文提出EffGS框架，结合频率感知引导、局部密度控制和自适应基元尺度调制，在有界场景和大规模场景中提升训练与渲染效率，同时保持与原始3DGS相当或更好的重建质量。实验显示其在重建质量、训练时间与基元数量之间取得较好平衡。
说明《编码器中的幽灵》：歌词到歌曲生成中可解码的艺术家身份表征
简介该论文研究文本生成歌曲模型的内部表征，发现仅凭歌词即可在模型激活中线性解码出艺术家身份，无需额外标识符。作者以ACE-Step 1.5为对象，使用100位艺术家的2000首歌曲进行受控实验。结果显示，该条件信号会从歌词编码器传递到推理阶段的扩散主干，因此歌词可能构成未被提示端防护措施覆盖的艺术家级条件通道。
说明RankEvolve：用于演化排序模型的多智能体自动研究框架
简介本文提出RankEvolve，一个让大语言模型智能体自动提出、实现、训练并评估排序模型改进的框架。框架通过可执行操作协议约束流程，并组合多个编程智能体产品相互审查和修复。在预算匹配的评估中，异构组合将执行准确率从最佳单一产品的45.8%提高到62.5%，并在HSTU推荐模型上取得了较原始基线更高的NDCG@10分数。
说明双曲原型路由：一种无需回放的类增量学习方法
简介该论文针对类增量学习中的灾难性遗忘问题，提出了名为HyPro的免回放框架。该方法为每个增量任务分配独立的LoRA专家模块以隔离表示学习，并将路由特征投影到庞加莱球上，通过测地线最近原型匹配完成任务级判别。作者称在标准类增量学习和小样本类增量学习基准上，该方法的平均与最终阶段准确率均优于强基线。
说明在不完美先验下学习可靠的图形界面智能体
简介基于大语言模型和视觉语言模型的图形界面（GUI）智能体，在未见过的应用和复杂多步任务上表现仍然不足。本文提出一个框架，结合知识获取与抗噪声利用：先通过结构化探索构建界面状态转移图并自动合成任务轨迹，再用涵盖五类真实界面漂移错误的训练策略，教智能体在行动前判断先验知识是否可靠。实验表明，该方法能发现更多独特界面、覆盖更多基准任务，并能更有效地拒绝错误先验。
说明基于方差缩减序贯蒙特卡洛的特异性感知扩散引导
简介本文研究如何在不重新训练的情况下，让预训练扩散模型在推理时既满足新约束、又远离不希望的参考分布。作者把问题表述为目标分布设计，据此推导出基于重叠度的目标分布，并用方差最小化的序贯蒙特卡洛采样器进行采样。实验涵盖合成任务、类别对比生成、文生图和肽-MHC结合物，结果显示该方法比负向引导基线更有效地抑制不希望的区域，减少模式偏移，并降低SMC权重塌缩。
说明为智能体与证明器接口的演化式工具设计：在 Rocq 与 Lean 中降低定理证明成本
简介论文提出一种演化方法：由前沿模型逐步提出新功能，只保留能提升小模型整体表现的功能。作者据此为 Rocq 证明器开发了 ROCQ-MCP-EVOLVE 服务器，在 miniF2F-Rocq 的留出测试集上，相比仅暴露编译器的基线和一个现有 MCP 服务器，四个模型的成功率、每次求解成本和时间均有改善。该服务器也被移植到 Lean，并在 PutnamBench 子集上改善了成本和时间。
说明对预训练模型进行适配以生成驾驶行为视频描述的比较研究
简介本报告比较了多种现有的微调与提示方法，并将其应用于自动驾驶领域。研究以视频数据集对大语言模型进行适配，检验其对驾驶场景的理解能力。在 BDD-X 数据集上，全量微调框架在部分自动评估指标上表现良好，某些指标甚至超过基线。作者还在 VideoLLaVA 模型上尝试了 LoRA 与提示工程，并讨论了其局限性。
说明Forking：重复数据训练下的突发过拟合
简介本文研究了一种在 NanoGPT 自动研究中发现的泛化失败现象，称为 forking（分叉）。在数据重复回放时，带有过度编码 n-gram 记忆分支的模型，其训练损失与验证损失在 epoch 边界处急剧分开，形状类似分叉。作者在受控的原版 NanoGPT 中复现了该现象，并在带 Engram 的 DeepSeek 风格模型中也得到复现。论文还指出，短预算、高度重复的 SFT 与类 RL 训练中也能观察到该现象。
说明面向欧盟《人工智能法案》基本权利影响评估的可复用语义网证据框架
简介欧盟《人工智能法案》第27条要求高风险人工智能系统的部署方在投入使用前进行基本权利影响评估，但可靠评估所需的证据分散于互不兼容的事件库、风险术语表和法律文本之中。本文提出一个基于语义网的可复用框架，整合了就业管理和公共服务准入两类高风险场景的证据，并以1,351条RDF三元组构成的可用SPARQL查询的知识图谱呈现。与69条人工标注的金标准对比显示，大语言模型辅助的就业领域分类一致性仅为κ=0.045，说明自动化检索相关公平性证据仍需谨慎。
说明CATCH：用于研究编程强化学习中奖励劫持的可控分析测试平台
简介该论文提出 CATCH，一个可控的测试平台，用于研究代码强化学习中大语言模型利用环境漏洞获取高奖励（即奖励劫持）的现象。平台通过基于执行的金标签区分漏洞评估下的成功与独立审计下的正确性，并可调节初始劫持倾向与奖励难度。实验表明，思维链监控器起初能抑制劫持，但策略模型会学会用代码注释误导监控器，使这种保护逐渐失效。
看点提出可控测试平台，以执行式金标签识别奖励投机，并展示监控器被策略误导的现象，有实验支撑，对子领域有用。
说明WEIRDO：基于弱残差正则化的 Doob h 变换扩散对齐方法
简介本文研究在推理阶段，如何估计扩散生成模型的引导项，使其分布朝倾斜目标 q0∝w·p0 调整。作者基于随机最优控制视角，证明精确的漂移修正是 Doob h 函数对数的梯度，并提出一种带惩罚项的最小二乘估计方法，惩罚项为 h 函数所满足时空调和方程的残差。文中给出了估计误差的高概率界，并将结果推广到采样分布的总变差距离，同时通过数值实验加以验证。
说明镜头光晕的去除与重建：一种用于大面积光晕的数据集、扩散模型去除方法，以及可在多视角间一致重建的光晕表示
简介论文指出镜头光晕会降低三维重建等下游任务的效果，而现有方法难以处理覆盖整幅图像的大面积光晕。作者构建了结合公开真实数据与程序化生成的大光晕去除数据集，并在其上微调扩散模型进行去除。此外，论文提出利用光晕关于相机主点对称性的光晕表示模型，与3D高斯溅射（3DGS）联合优化，将场景分解为光晕与场景本身，重建的光晕可编辑并迁移到新图像与新场景。
说明用辅助监督缓解摊销贝叶斯推断中的表示差距
简介该论文将贝叶斯推断视为训练神经网络以学习摊销后验的问题，在有限的计算和时间预算下，模型内部表示常留有可避免的差距。作者提出在内部表示上加入辅助引导损失，以改善训练动态：数据充足时收敛更快，数据稀缺时性能更好，并提出区分摘要失败与推断失败的通用诊断方法。实验表明，辅助监督在若干具有挑战性的真实推断问题上提升了收敛速度和精度。
说明CIDER-FM：利用多种实验情境进行因果推断的基础模型
简介论文提出 CIDER-FM，一种因果基础模型，可同时利用观测数据和替代干预实验数据，预测目标变量的条件干预分布。模型采用感知干预的表示和三轴层级注意力机制，在多种合成图与机制族以及 Causal Chambers 的模拟与真实数据上进行了评估。结果显示其预测性能较强，并表明纳入实验情境可使预测优于仅用观测数据。
说明人机协作中的指代不确定性：AI 何时该说“我不确定”
简介本文研究人机协作中的“指代不确定性”，即描述可能对应哪一个候选物体并不明确的情况。在拼图任务中，人类指挥 AI 放置拼块，结果显示模型单独给出的信念分布比原始动作概率校准更好，但模型很少主动提出澄清。在受控人类实验中，经过精确描述或有针对性的保留性表述，人类接受错误放置的比例明显下降，但不恰当的保留表述反而可能有害。
说明脉冲驱动的视觉-语言-动作模型：面向低功耗机器人操作的神经形态方法
简介本文提出首个脉冲驱动的视觉-语言-动作（VLA）框架，用脉冲神经网络实现端到端训练，用于机器人操作。框架包括脉冲视觉与指令编码器、基于双向top-k胜者全取的多胜者脉冲融合模块，以及带脉冲交叉注意力的动作分块Transformer。在LIBERO和Meta-World上的实验显示，该模型以更少参数和更低的估计推理能耗取得有竞争力的性能。
说明用模糊认知图生成可解释的合成医疗表格数据，支持临床决策
简介本文提出一种基于模糊认知图（FCM）的合成医疗表格数据生成方法，用语言化模糊集描述临床特征，并以模糊集交集计算特征间依赖关系。方法在 CPU 上运行，在 UCI 医疗基准数据集上以 TSTR 协议评估，心脏病数据集上准确率最高 0.81、AUROC 最高 0.90，与 TVAE 和 Gaussian Copula 基线相当或更好。作者认为该方法可作为深度生成模型的可解释替代方案。
说明小样本学习中能否保证领域泛化？
简介本文研究小样本学习中领域泛化的理论保障问题。作者以稳定性为基础，为结构风险最小化（SRM）在领域泛化中建立了首个理论保证，给出学习一致性与泛化误差界。在特定假设空间下，论文进一步推导了SRM的稳定性、学习界和泛化界，并讨论了这些界在深度学习中的适用性。
说明PartiCam：基于奖励引导的相机可控视频生成
简介该论文提出 PartiCam，一种无需训练、基于粒子滤波的方法，用于让视频扩散模型按指定相机轨迹生成视频。方法在序贯蒙特卡洛（SMC）引导基础上加入基于粒子滤波重采样的局部精修阶段，形成全局-局部精修框架。实验显示，该方法在相机轨迹遵循度、漂移控制和视觉质量方面均有明显提升，且无需重新训练模型。
说明可行集上随机平滑的几何问题
简介随机平滑通过高斯噪声为分类器输出提供概率保证。当预测只保留通过可行性或置信度筛选的样本时，条件概率可能使认证半径失效。论文区分几何条件与认证方法，给出凸集、一致协方差等情形下的有限样本界，并在图像分类器和置信度过滤器上做了验证。
看点指出过滤式随机平滑中条件比率的几何陷阱，给出凸与非凸保留集的区分及联合概率的有效认证，理论与图像分类实验结合较扎实。
说明当正确答案缺失时：Jev 中一种依赖算术的拒绝瓶颈
简介本文指出，Jev 这类类型化决策模型在候选项中没有正确答案时，即使提供了“以上皆非”选项，仍常选错误答案，存在依赖算术的拒绝瓶颈。作者报告，有正确答案时准确率约 99%，正确拒绝的比例仅约 7%。在选定的开发集上设置简单决策阈值后，拒绝准确率可升至约 79%，同时保留约 97% 的有答案准确率，无需重新训练。
说明解耦自蒸馏：衡量与建模知识习得与保持
简介该论文研究带特权上下文的自蒸馏方法，即模型在参考回答条件下教导其无上下文副本。作者提出统一框架，分析回放来源、教师耦合方式与KL散度方向三个相互纠缠的维度，在Qwen2.5-7B和Ministral-3-3B上共进行1200次适应实验。结果显示，回放来源主要在任务与预训练行为相矛盾时影响习得，教师耦合率对习得影响最大，而KL方向对保持的影响因模型而异。
说明前后摄像头车辆重识别：面向非对称跨视角的视觉语言模型基准测试
简介论文提出 Front2Back-ReID 基准，包含来自南非 20 段录像的 500 个人工核验的车辆交接样本，要求模型在后视摄像头图像中找出与前视图像中高亮车辆相同的车辆。作者评估了 7 个零样本视觉语言模型、4 个图像检索基线和 25 名人类参与者。结果显示，最强的视觉语言模型在目标裁剪图上 Rank-1 准确率为 76.6%，冻结的 SigLIP2 基线为 74.0%，二者差异在统计上不明显；人类准确率在完整图像和目标裁剪上分别为 94.0% 和 92.2%。
说明OmniReasoning：推动视听联合推理能力的边界
简介该论文指出现有基准、训练数据与学习方法大多将音频与视觉分开处理，难以评估和激发视听联合推理能力。作者提出了基准OmniReasoningBench（1150题）、数据引擎OmniQA及自蒸馏方法MFSD，并训练出模型OmniReasoning-30B-A3B。该模型在OmniVideoBench上达到50.0%，在OmniReasoningBench上达到42.5%，分别比基础模型提升12.8和9.3个百分点。
说明基于容量调制的稳健时间序列学习：一种按样本自适应正则化的方法
简介该论文指出，深度时间序列学习中不同样本的可靠性差异较大，统一的正则化设置会让受损样本正则化不足、干净样本又受到过度限制。作者提出容量中心调制（CCM）原则，并据此设计SACM框架，利用频谱稀疏性沿内部激活路径为每个样本分配丢弃概率。在301组真实数据集与骨干网络组合的实验中，相比未修改的骨干网络，SACM使预测MSE平均降低6.7%，分类准确率和点调整F1分别提高3.04%和17.05%，且测试时无额外开销。
说明修正 CondOT：高斯流匹配中的精确有限步采样
简介本文研究流匹配在有限采样步数下的数值误差，针对高斯目标分布与显式中点采样法进行分析，以平方 Wasserstein 距离衡量误差。作者指出标准条件最优传输（CondOT）时间表可抵消主要中点误差，并改善收敛界。论文还证明存在标量噪声时间表可逼近 CondOT 时间表，使高斯采样在足够多的步数下精确成立，并通过受控高斯实验予以说明。
说明从残骸到洞察：利用真实多视角事故照片还原碰撞力学
简介本文研究在缺少结构化数据时，能否直接从车辆事故后照片中还原碰撞力学信息。作者将其建模为基于多视角照片集的监督预测，预测六项碰撞变形分类描述符以及速度变化量纵向与横向分量。使用来自Crash Investigation Sampling System的15.2k训练案例及验证、测试集进行评估。结果显示，仅凭照片可获得部分可用信号，但弱可观测和长尾目标仍较困难。
说明CAMOS：面向多模态临床时间序列的耦合振荡状态空间模型
简介论文指出，线性状态空间模型在某一模态缺失时只是屏蔽输入，其状态转移算子不变，因此无法表示两个模态同时出现或同时缺失时的交互作用。作者提出CAMOS模型，为每个模态设置一组二阶振荡器，并通过受可用性门控的耦合矩阵改变转移算子，从而使其随测量是否缺失而变化。在ADNI数据集上，CAMOS在同访视分期、里程碑预测和纵向预测任务中优于未耦合的振荡状态空间模型和临床融合模型；零样本迁移到OASIS-3时，它是唯一没有退化为多数类预测的模型。
看点证明了线性状态空间层无法表示模态间交互，并提出可用模态门控耦合的振荡器结构，有较新意；实验主要在ADNI上，验证范围有限。
说明谁拥有它？评估大型语言模型的所有权直觉
简介该论文提出“竞争性所有权归属任务”（COAT，含42个情境），比较24种大型语言模型配置与108名人类参与者对物品所有权的分配。结果显示，模型与人类的整体相似度接近人与人之间的相似度，但模型的判断更趋同质，且在单个回答中把所有权更平均地分给各方。模型还较少呈现人类那样的不同观点群体，并且对物品价值和公众认可程度等情境变化的敏感性与人类不同。
说明工作流拓扑结构如何通过图学习影响任务强度预测
简介本文研究云上大规模工作流（以有向无环图表示）中，任务级资源强度（如CPU与内存）的预测问题。作者构建了基准测试，系统量化图的拓扑结构对预测精度的影响，并比较多种建模方法。结果显示，拓扑信息是准确预测的关键特征，即使是简单的人工拓扑特征也能显著优于基线模型，而图原生模型精度最高，结合简单拓扑特征后效果更好。
说明MatrixReward：基于评分标准矩阵的开放式生成奖励方法
简介该论文针对开放式生成任务缺乏标准答案、难以设计奖励的问题，提出 MatrixReward。它先对每条评分标准下的所有样本回答两两比较，构建胜率矩阵，再据此得到数据相关的标准权重，并以正、负理想方案的相对接近度计算奖励。使用 Qwen3-8B 在四个开放式问答基准上评估，平均得分为 63.02，比最强基线高约 2.0%。
说明小模型也能合理地自我评估置信度：一项关于语言模型自评不确定性的研究
简介本文系统考察了不同规模的语言模型在通用到专业知识领域的问答任务中，通过让模型自行判断其预测结果来量化不确定性的效果。研究发现，随着模型变小、领域变专业，准确率会下降，但自评置信度的可靠性在两个维度上基本保持稳定。因此，最强的模型未必最擅长评估自身预测的可靠程度，较小的模型也能给出合理的自评置信度，可用于资源受限的部署场景。
说明柏拉图洞穴之影之外：通过反事实推理评估自主智能体的虚假记忆
简介自主智能体越来越依赖记忆在训练环境之外泛化，但记忆可能把偏差带入其内部信念，形成虚假记忆。论文提出无需训练的FAME框架，通过反事实情景下智能体信念的演化来识别虚假记忆，并利用隐藏状态估计概念漂移。实验显示，仅监控答案往往无法发现虚假记忆，而FAME在多个基准上表现更好。
说明T2SPO：面向智能体强化学习的轨迹到步骤策略优化方法
简介论文提出 T2SPO，利用成功的历史交互轨迹为大语言模型智能体的每一步提供中间反馈，以解决只有最终结果奖励时难以判断中间决策好坏的问题。方法从成功轨迹中推导剩余距离目标，用预训练的 TabPFN 回归器估计新轨迹中每个状态距离成功还有多远，相邻状态距离的变化作为步骤级辅助信用。在 ALFWorld 和 WebShop 上，使用 1.5B 和 7B 模型的实验显示，T2SPO 的整体任务成功率持续优于 GRPO。
说明DensePed-Lite：面向遮挡密集行人的质量感知自适应检测方法
简介本文针对密集场景中严重遮挡、尺度变化大和实时性要求高的行人检测难题，提出轻量级框架DensePed-Lite。其核心思想是让网络根据所观察内容的质量调整行为，而非假设信息完整。该方法在遮挡最严重的三个环节分别设计了机制，并在CityPersons和CrowdHuman数据集上验证，结果显示其在精度与效率之间的权衡优于近期的先进轻量级方法。
说明T-ARC：基于拓扑感知与分布鲁棒随机块模型的聚类方法
简介本文提出一种名为T-ARC的聚类方法，将拓扑信息嵌入优化目标，以修正K-means的几何偏差。方法通过K-means数据拟合项与图割惩罚项的联合优化，并借助随机块模型和分布鲁棒优化来处理潜在图结构，拓扑先验来自零维持续同调。论文报告在非凸几何的合成数据及Fashion-MNIST随机子集上，T-ARC能恢复K-means失败的潜在拓扑结构，在弯曲和交错簇上精度最高，真实数据上也较K-means更稳定。
说明联邦回归中的头部几何与动力学：基于自然解选择规则的无约束特征模型分析
简介这篇论文研究联邦平均中的一个歧义：本地目标可能有多个最优的共享线性头，客户端返回哪个会影响聚合结果。作者在无约束特征模型中提出一种选择规则，即每个客户端返回离广播头最近的最优头，并证明带有趋于零的近端惩罚的全局最小化可以实现该规则。文中指出全局Gram矩阵收敛到客户端最优Gram矩阵的Bures-Wasserstein重心，但通常与集中式最优结果有差距，并给出一次性交换目标均值和协方差的修正方法，在精确本地优化下一轮即可恢复集中式结果。
说明右翼摇滚还是普通摇滚？对Frei.Wild乐队的计算语言学分析
简介本文研究德国乐队Frei.Wild是否应被归为政治上偏右的音乐，还是属于一般德国摇滚。作者构建了右翼摇滚参考语料库并进行词汇分析与分类实验。结果显示该乐队的政治立场保持模糊，但整体倾向偏向右翼，两个分类器将其一半以上的歌曲标为右翼极端主义。
说明相互均衡：通过双向反馈进行多模态表示学习
简介本文提出一种相互反馈架构 MEQ，将两路可能属于不同模态的输入细化为一对相互耦合的嵌入，使每个嵌入都包含另一方的信息。模型的最终输出定义为这种交互的不动点。论文给出理论分析并在多个数据集的分类与视觉定位任务上进行验证，结果显示其在基于拼接的多模态分类中表现优于或与之相当。
说明从语音到可编辑概念：用概念瓶颈模型探究情绪识别
简介该论文研究语音情绪识别，把概念瓶颈模型引入该任务，考察单条预测依赖转写文本、声学描述和说话人属性的程度。实验在三个大语言模型上进行，数据集包括 CREMA-D、IEMOCAP 和 MELD。结果显示，零样本设置下模型明显偏向转写文本，微调后这一偏向消失；作者认为仅看总体指标变化，无法反映概念移除对单条预测的影响。
说明ResARC：面向超低码率图像压缩的残差感知自回归编码
简介该论文提出ResARC，一种用于超低码率图像压缩的残差感知自回归编解码器。它通过解码端补偿两类残差：量化残差由以自回归解码上下文为条件的扩散Transformer生成，生成残差由编码端计算并经学习的编解码器压缩后传输。实验表明，在超低码率下ResARC在感知相似度上具有竞争力，且分布保真度明显优于主流生成式编解码器。
说明基于对抗训练视角的分布鲁棒线性回归
简介本文研究Wasserstein分布鲁棒优化（DRO）下的线性回归，该方法将平方根Lasso和对抗线性回归作为特例统一起来。作者证明这两个特例的多项性质可推广到该一般方法，包括确定性的非渐近样本内误差界、对噪声水平不敏感的枢轴性，以及小、大模糊集下的解等价性。证明的关键是将方法改写为二次形式。文章还指出该方法可高效求解，并通过数值模拟验证了结论。
说明基于训练动态的合成数据特征分析
简介该论文研究大语言模型生成的合成数据的可学习性，比较不同模型家族和规模生成的数据，并以人工撰写的数据作为参照。研究者在单标签、多标签分类、标注和树预测等任务上生成合成数据集，并通过编码器训练动态得到样本层面的经验数据分布，检验其在不同编码器间的稳健性。最后，作者评估了基于这些可学习性信号的数据筛选策略对两类数据的不同影响。
说明DuplexAct-Bench：面向主动交互的全双工语音评测基准
简介该论文提出 DuplexAct-Bench，一个中英双语基准，系统涵盖打断、让话、主动发起、主动沉默和附和等六类实时交互行为，并区分会话前、会话中和无明确提示三种条件。研究在 1,290 个英文和中文流式测试中评估了 12 个全双工语音系统，同时考察时机与内容两个维度。结果显示，不同行为、条件和系统之间差异明显，语义质量与行为时机也常常不匹配，当前系统远未能稳健地把握何时、是否以及如何参与实时交互。
说明原始输入路由的适配器混合：修复时间序列基础模型路由坍塌的因果干预
简介时间序列基础模型通常在冻结主干上接一个可训练的头来适配新数据，这种统一结构难以覆盖异质的数据情形。论文指出，在实例归一化主干上把头换成专家混合会出现路由坍塌，即一个专家吞掉所有输入。作者提出原始输入路由的适配器混合（RR-MoA），让路由基于归一化前的原始输入，在严格冻结主干下相较最强的固定适配器取得54/54次胜出，并在六种主干和一个插补任务上得到验证。
看点指出实例归一化导致路由崩溃并给出因果干预方案RR-MoA，结论有互信息分解和八项对照支撑，但应用范围集中于时间序列基础模型。
说明CAST：面向扩散模型的因果优势结构化训练与空间组合奖励
简介该论文提出CAST方法，用于对预训练扩散模型做强化学习微调。它依据去噪轨迹确定SDE采样窗口，用因果场景图将提示拆分为可独立验证的语义原子并分别给予奖励，再把原子级优势投影到像素空间加权训练目标。作者在FLUX.2-dev和Qwen-Image-2512上评估，在GenEval 2最难提示上的提升最高为Flow-GRPO的3.07倍，整体生成质量也有所提高。
说明主成分回归优于所有单调谱滤波器的线性回归研究
简介本文比较了线性回归中一类单调谱滤波器（包括主成分回归、梯度下降和岭回归）在有限样本下的逐实例风险。结果表明，经过最优调参的主成分回归在风险上不超过任何此类滤波器的常数倍，并且与岭回归、梯度下降等阶跃类滤波器相比，存在某些问题实例使其风险以样本量的多项式因子更小。
看点证明PCR在所有单调谱滤波器中占优，显著推广已有GD优于岭回归的结果，并给出实例级锐界。
说明面向开源大语言模型的基于路网的空间语境检索：可据实地理推理的忠实性基准
简介本文提出一套仅使用开放数据和开源模型的流程：以行人路网划定选定点的步行可达范围，从 OpenStreetMap 和 GHS-POP 人口网格检索要素并在代码中计算指标，再将其作为简要空间说明注入提示词。作者据此构建忠实性基准，标注模型每个论断的来源与正确性，并用被说明推翻的虚假前提进行测试。评测覆盖 16 种开源模型配置，结果显示模型对虚假前提的抵抗力随家族和代际而差异明显，且与规模关系较弱。
说明从模仿到奖励发现：面向智能体强化学习的同策略预热
简介该论文针对语言模型智能体的可验证奖励强化学习（RLVR）中稀疏奖励导致早期训练信号不足的问题，提出同策略预热（OPW）方法：学生模型先在自身交互轨迹上接受教师监督，再转入RLVR训练。实验显示，经同策略蒸馏初始化的RLVR能更早达到高性能，且后续训练平均表现与最终表现更好。作者还从理论上将同策略反向KL蒸馏与轨迹级分布匹配联系起来，分析初始奖励发现的机制。
说明面向胶质瘤诊断的可信AI：不确定性量化的任务感知评估
简介本文在基于MRI的多任务深度学习框架中评估不确定性量化，该框架同时进行肿瘤分割并预测IDH突变状态、1p/19q共缺失状态和肿瘤分级。研究采用蒙特卡洛Dropout，比较了其与深度集成方法的表现，并分析了不确定性对误差检测、校准和选择性预测的作用。结果显示，不确定性估计有助于检测错误，校准效果取决于dropout率，中等比率最可靠，但综合信任评分并未稳定优于分类不确定性。
