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DeepAJM：面向不规则采样数据的深度关联联合模型
简介该论文提出DeepAJM，一种不依赖参数假设的深度联合模型，同时建模纵向数据与生存结局。模型采用编码器-解码器结构学习患者随时间变化协变量的潜在模式，并通过可部分解释的关联结构，将纵向输出与基线协变量结合后用于生存风险预测。在心血管疾病电子病历队列、原发性胆汁性肝硬化（PBC2）数据集和模拟数据集上，该模型在C指数、时间依赖AUROC和AUPRC方面表现最佳。
说明视觉-语言模型微调过程中语义能力的获得与专门化
简介该论文研究视觉-语言模型微调时语义能力何时获得、何时达到峰值以及后期如何变化。作者提出基于轨迹的分析框架，并引入结构化语义路由（SSR）方法，在六个预训练骨干上进行实验。结果显示，监督方式会影响能力获得，而继续优化可能保留目标类别名检索能力，同时削弱可迁移的语义能力。
说明WildMatch：利用弱监督适配图像匹配模型以实现野生动物个体再识别
简介该论文关注用相机陷阱图像识别个体野生动物的问题，即从已知动物参考集中检索查询图像对应的个体。作者提出一种弱监督方法，仅使用身份标签对预训练关键点匹配器进行对比微调，无需关键点或几何对应标注。实验显示，该方法在多个开源数据集上优于现成匹配器和一种先进的局部-全局融合方法，并能迁移到未见过的个体。
说明HyperNSDE：用于联合生成静态与纵向临床数据的个性化神经随机微分方程
简介该论文提出HyperNSDE模型，用于生成真实的患者级临床数据，同时建模静态特征、不规则采样的纵向轨迹以及观测时间。模型通过超网络让患者基线特征影响潜在神经随机微分方程的轨迹演化，并用潜在状态相关的强度过程建模观测时间。在模拟和真实临床数据集上，实验显示观测时间的保真度有所提升，整体性能具有竞争力。
说明GeoWM：在显式几何中高效直接建模世界
简介该论文提出 GeoWM，一种几何世界模型，用于预测自动驾驶和机器人场景中未来的三维几何结构。它借助几何基础模型把观测到的 RGB 帧转化为几何历史，再由流匹配 Transformer 直接预测指定未来时间点的场景几何，无需递归推演。在城市驾驶、航空飞行和动态操作四个数据集上的实验显示，其在深度、相机位姿和三维几何预测方面优于所评估的其他世界模型，且在较长时间跨度下显著降低了推理时间。
说明SimCortex v2：近乎零碰撞与自相交的大脑皮层表面联合重建
简介该论文提出SimCortex v2，一种深度学习方法，可从T1加权MRI同时重建左右两侧的白质和软脑膜表面。模型先由体积分割得到拓扑正确的初始表面，再用多尺度速度场联合细化四个表面。在560例、14个队列上的测试显示，其表面距离精度与最强基线相当，且92.14%的病例未检测到表面间碰撞，自相交比例在学习类方法中最低，为0.044%。
看点在深度学习皮层表面重建中联合重建四个表面并显著降低碰撞与自相交，对已有方法有实质改进；在14个队列、560例数据上与基线对比充分。
说明MemCo：面向未见环境的以记忆为中心的LLM智能体协作框架
简介本文提出MemCo，一个让大语言模型智能体能泛化到未见交互环境的记忆协作框架。它同时维护局部记忆与全局记忆：局部记忆保留特定环境的细节，全局记忆则收录从局部轨迹中提炼出的可迁移工作流程。在线交互时，MemCo会根据智能体当前状态和决策阶段调取相关记忆。在交互式决策基准上的实验显示，相比独立记忆和共享记忆基线，MemCo提高了任务成功率并减少了重复探索。
说明多群体公平性与全能预测：分离与等价
简介本文研究“全能预测”（omniprediction）这一学习保证：单一预测器需在一族损失函数下都能与基准假设类中的最优假设相竞争。论文考察它与多群体公平性概念（多准确性、多校准）之间的关系。作者证明：普通全能预测不必依赖多群体公平性，而更强的“损失不可区分性”（loss OI）则与一种校准多准确性形式等价。
看点证明了全能预测不必蕴含多组公平性（分离结果），并给出损失OI与校准多准确性的等价刻画，理论贡献明确，为结构性新结论。
说明面向开放集行人重识别的身份条件分数融合方法
简介该论文提出一种身份条件分数融合框架，无需训练即可为每个图库身份分别调整人脸、步态、体型等线索的融合权重。方法通过对比同一身份的一致性与不同身份的冒充者，提取身份特定特征，并结合查询条件自适应的无参数规则。在三个换装行人重识别基准上，该方法优于统计类、基于排序和学习类基线，错误未识别率绝对降低最多8.8%。
说明谁写的不够，还要看是谁贡献了见解：检测审稿意见的见解来源
简介随着大语言模型越来越多地参与科学写作和同行评审，仅判断文本由谁撰写已不够，还需判断底层见解由谁提出。论文提出“见解溯源”任务，基于4057篇论文和12660条人工审稿意见构建数据集，并用GPT-4o、Gemini和DeepSeek模拟不同程度的大模型参与，在句子层面标注来源。论文还提出两阶段对抗框架以抑制捷径信号，并发现AI见解多停留在通用或论文已有信息上，人类见解更常引入外部知识和独立判断。
说明在严格资源约束下为大模型评测动态分配预算（HARP方法）
简介本文研究在多轮交互中评测大语言模型的时间至事件问题，即模型需要多少步交互才能出现某个目标事件，如越狱成功或智能体完成任务。计算资源有限时，部分交互会在事件发生前被中止，导致事件时间只能部分观测。作者提出HARP方法，在满足硬性预算上限的同时自适应地回收并重新分配未用预算，并利用它构造时间至事件的下预测界和越狱率等指标的估计。实验涵盖智能体任务成功、越狱、有毒内容生成和RAG幻觉等场景，结果显示其覆盖率接近名义水平、方差较低，且从未超出给定预算。
说明通过Blackwell序量化多元高斯系统中的冗余与协同信息
简介这篇论文为多元高斯系统定义了部分信息分解（PID），用来量化多个信息源对同一目标提供的冗余信息与协同信息。作者基于Blackwell序给出定义，并证明高斯信道在提取冗余信息与并集信息方面是最优的，由此得到几何解释和高效数值算法。论文还表明其并集信息与协同信息与BROJA度量一致，并给出两个信息源情形的闭式表达式。
看点基于Blackwell序为高斯系统定义分解，证明高斯信道最优，并给出两源情形闭式解，理论上有实质推进。
说明评估整个防护栈，而非单一层：确定性规则与LLM裁判对智能体动作的拦截会独立失效吗？
简介该论文检验了智能体工具调用运行时防护的一个假设：多层防护的漏检率是否会相乘。研究基于三个语料库的1119个已标注智能体动作，比较了一个确定性规则层与四个LLM裁判的组合。结果显示，两个裁判的组合约相当于1.2至1.4层，规则层加一个裁判约为1.86至2.09层，层间耦合程度因评分定义和数据子集而异。
说明面向可解释基准的野火后泥石流数据驱动预测研究
简介本文针对野火过后泥石流（PFDF）的数据驱动预测，提出统一基准，以便在不同模型和特征配置下进行公平、全面的评估。作者还提出一种基于强化学习的特征选择框架，用于识别那些扰动后会使正负样本难以区分的因素，以探究不同地区泥石流发生的潜在机制。代码和基准已公开发布。
说明面向一致性多图 SysML 模型的已验证数据集与基准
简介本文提出 SEMAADB 数据集，包含 3000 个工程语境和 15000 张图，每个语境含五种相互关联的 SysML 视图。其中 100 个语境经人工核验构成基准测试集。研究评估了三个语言模型在图表修复和跨图更新两项任务上的表现，结果显示语法修复已基本解决，而语义修复和跨图一致性仍具挑战。
说明跟踪不等于永久保留：视频世界模型对被遮挡物体究竟记住了什么
简介该论文研究视频世界模型在物体被遮挡时是否仍保留其信息。作者把冻结的V-JEPA 2预测器在隐藏区域的预测与编码器表示进行比较，发现静止物体部分保留，被容器装着的物体基本不保留，运动物体约0.3秒内丢失。编码器仍能读出物体存在，但预测器输出中的信息明显缺失；在渲染场景上，用合成容器进行预测器训练可显著改善这一表现。
说明评估LLM路由的升级信号：目标、控制与五种自欺方式
简介本文研究何时把查询从小模型升级到大模型。作者测试了语义熵在GSM8K等基准上的表现，它能较可靠地识别小模型的错误，并在相同成本下比随机升级提高路由准确率。文章主要提出一组检验方法，用于发现看似有效的信号其实只是反映问题难度，并给出评估升级信号的通用检查清单。
说明轨迹检索推测解码：模型自身的历史何时有用？
简介长链推理会增加逐词解码的成本，同时也积累了大量可能被复用的续写内容。本文研究这些历史何时能为草稿模型提供有用的候选，并提出轨迹局部自适应检索方法（TLAR），根据近期验证结果调整检索的启用与候选宽度，并与模型草稿共同构成候选树。在代码调试、数学和开放式写作任务上，该方法在相同验证预算下提高了词元接受率，端到端吞吐量也超过了草稿模型基线。
说明RELACE：面向长程语言智能体的回溯似然动作信用估计
简介论文提出 RELACE，一种无需价值网络（critic-free）的强化学习方法，用于为多轮语言智能体的每个动作分配更细粒度的信用。方法通过对已执行动作在原始上下文与结果增强上下文下的似然进行比较，对折扣回报加权，并在同一任务的等价状态间构造局部优势。在 ALFWorld 与 WebShop 上，1.5B 模型取得优于 GRPO、GiGPO 与 HCAPO 的结果。
说明Stepped MoE：可配置推理复杂度的分段级路由模型
简介本文提出一个统一框架，把弹性网络结构与稀疏门控（MoE）结构结合，使大语言模型能够同时适应部署资源约束与任务需求。模型以上下文和目标效率规格为条件，在推理时可细粒度调节精度与效率的权衡。作者称一个模型可灵活使用1至4十亿参数，并在知识密集型基准上比稠密模型高2至5%。
说明Rationale-Guided Policy Optimization：利用自适应推理脚手架学习推理的强化学习方法
简介该论文提出 RGPO 框架，针对大语言模型强化学习中奖励稀疏的问题，根据模型当前能力自适应地利用真实推理依据作为临时引导。训练时仅把引导下得到的更高奖励的模型自生成解答迁移回无引导设定，无需离策略数据与强化学习任务格式一致。论文称在纯文本和视觉语言推理任务上，该方法均优于 RLVR 基线，消融实验显示自适应引导是主要贡献因素。
说明CausalBind：面向蛋白质-分子虚拟筛选的因果建模与学习方法
简介该论文提出CausalBind方法，用于蛋白质与小分子的虚拟筛选。作者认为结合主要由少数关键局部相互作用（如氢键、疏水接触和盐桥）决定，因此基于稀疏交互模式建模，并通过V型结构因果模型给出可辨识性理论结果。在DUD-E和LIT-PCBA基准上，该方法均优于强检索基线，并能推广到新靶点和骨架层面的分布外划分。
说明面向战术战伤救治的、以条令为依据的视觉问答数据集
简介该论文提出 TC3-VQA 数据集，由公开的战术战伤救治教学与现场视频及权威 TC3 文件构建，共 581 个条目、1860 个问题，涵盖操作识别、条令、临床推理、流程指导以及视觉信息不足时的拒答。基于条令的答案保留原文逐字段落及字符位置，并附有设备框、解剖标注、时间片段和来源元数据。作者通过自动审核及两名医生、两名医学生的评分来评估标注质量，其中 88 个保留条目有人工评分。
说明Logbook：超长时长音频事件理解基准
简介该论文提出 Logbook 基准，用于小时级乃至六天时长的连续音频理解。系统需对音频预测无缝隙的分段，并为每段给出事件标签和描述。作者比较了 52 个端到端与级联系统，并分析了微调、上下文长度和推理预算的影响。结果显示任务可行，但最佳系统仍低于人类参考水平。
说明基于层级语义定位的文生图扩散模型组合式概念擦除（HGSS）
简介该论文针对已部署的文生图扩散模型，提出一种无需训练的组合式概念擦除框架HGSS，用于移除指定概念。方法包括层级文本片段定位，以及在早期去噪阶段通过反事实参考和保留感知的交叉注意力目标进行属性绑定调整，且不更新模型权重。作者报告在SEE基准上层级规避指标由29.54降至10.02，并在UnlearnCanvas上略优于匹配的Semantic Surgery基线。
说明面向长时程决策的成本感知型LLM智能体选择性批判方法
简介本文提出SAG框架，让大语言模型智能体在长时程交互中仅在预期收益足以抵消成本时才调用批判模块。方法通过全局熵和局部前二差值等动作歧义信号，无需训练即可估计批判价值，并结合在线自我改进以逐步减少对批判的依赖。在ALFWorld等三个基准上，SAG在性能与成本的权衡上优于无批判和常开批判的方案，任务成功率由24.6%提升至78.4%。
说明面向分布式MoE训练的内存高效专家路由（RelayMoE，一种环形执行方式）
简介混合专家（MoE）模型扩展到数百个专家后，分布式训练的内存成为瓶颈，峰值内存主要来自MoE模块。本文提出RelayMoE，采用环形执行方式：专家权重或token沿环循环流动，各节点在本地计算，从而避免构建完整的top-k展开分发缓冲区，并让通信与计算重叠。在30B至57B规模的生产级MoE模型上，单层实验中RelayMoE相比Megatron-LM平均加速2倍；在相同GPU显存预算下的全模型训练中，吞吐量最高提升2.02倍，可训练的最长序列长度最多扩大2.85倍。
说明面向智能体强化学习的 MoE 专家选择结构化控制
简介长时程大模型智能体常采用稀疏混合专家（MoE）模型实现，但智能体行为与 MoE 结构的协同设计研究尚少。论文发现，现成 MoE 模型的专家选择呈现专门化结构，与智能体轨迹自然对应：执行语义相近操作的回合之间路由重叠更多。为此提出分层路由控制框架，在回合层面鼓励专家选择与智能体操作对齐，在 token 层面进行正则化以保持局部一致性，并引入熵门控机制解决训练稳定性问题。结果显示，该框架在所有评测基准上成功率均有明显提升。
说明SharedKV-BT：面向行为树智能体的节点本地类型化决策方法
简介该论文提出SharedKV-BT，在行为树的每个活跃节点上暴露阶段局部字段与候选项，由Shared-KV并行打分并把选定决策交给独立的执行系统。作者在机器人操作、移动导航和计算机操作三类任务上进行了测试。结果显示，相比提示匹配的自回归解码，该方法做出类型化决策的速度快2.36至4.15倍；在操作任务上，联合决策准确率从75%提升至94%，闭环成功率从0%提升至60%。
说明无需人工标注，在X光安检图像中定位任意物体
简介本文提出LAO-X，一种自监督适配框架，用于在X光安检图像中定位任意类别的物体。方法包括基于显著性引导的物体挖掘、基于物理的吸收域图像合成，以及遮挡可控的课程式微调Segment Anything Model 2（SAM2）。在六个X光基准数据集上，该方法在高度杂乱场景中比SAM2及X光专用基线的mAP提升2%至23%，且全程不使用人工标注。
说明时间序列基础模型的尺度不变训练方法
简介论文指出，常见的仿射归一化（如ReVIN）在计算损失前会还原输出，导致高尺度序列在训练中权重过大，称为尺度污染训练（ScaleCon）。作者提出在缩放后的目标上计算损失的尺度不变训练（ScaleIn），并证明其梯度与优化轨迹对训练序列的任意独立重缩放保持不变。实验显示，ScaleIn在24组预训练对比中均降低了MASE，在GIFT-Eval和M系列竞赛上平均分别降低18.8%和21.9%，且通常只需改一行代码。
看点指出归一化逆变换导致样本尺度成为隐式权重，提出尺度不变训练并给出梯度不变性证明，在多个架构和基准上验证。
说明面向神经符号人工智能的基于规则语言
简介本文综述了用于神经符号人工智能符号部分的主要规则语言，包括Datalog、答案集程序和概率逻辑程序。作者从语义、表达能力、神经网络集成和求值机制四个方面进行比较，分析了50余个近期系统与应用。文章还给出了将应用场景映射到所需特性的决策矩阵，并指出了尚待解决的开放问题。
说明理解并缓解智能体记忆在推理时的过度依赖
简介该论文指出，LLM智能体检索到的过去经验即使正确且相关，也可能因只有部分证据迁移而干扰推理，并将此称为记忆过度依赖。作者提出即插即用框架MEMTRIM，在写入时为记忆证据建立索引，读取时控制其复用，去除重复或冲突的证据，无需重新训练，实验显示可减轻过度依赖并保留有用记忆的收益。
说明错误情境中的正确记忆：长期智能体记忆中检索可采性的验证
简介论文指出，长期记忆智能体可能检索到对当前请求不可采用的信息，例如属于其他主体、违反政策或生命周期状态不符的内容，而召回率和最终答案准确率无法反映这一问题。作者提出一个检索可采性验证框架，将每个记忆与查询的配对标记为可采、不可采或未确定，并追踪记忆在提示中的暴露与目标层面的披露。
说明Kurate：可扩展的科学论文质量分析系统
简介本文提出Kurate系统，利用大语言模型评估已发表研究的证据质量，并把每项判断关联到支撑它的原文段落。研究者对4,347篇论文（其中3,913篇为随机试验）在8个设计与报告维度上打分，发现统计效力、选择性报告和分析预先设定方面问题较多。与60篇专家标注的临床试验文件对比，其提取信息在协议和结果报告中分别与专家标签一致，文中还以一项高质量临床试验为例展示评分拆解过程。
说明在协变量缺失情形下、无需强假设的逻辑回归
简介本文研究协变量存在缺失时的逻辑回归参数估计问题，且假设协变量分布未知（仅有界）。作者设计了一种基于新型单调算子的随机逼近（Z-估计）方法，在协变量完全随机缺失的假设下，证明其计算高效且能以参数速率恢复信号。理论结果表明该方法的估计误差优于仅使用完整样本的“完整案例”估计量，并给出了极小极大意义下的信息论下界。
看点在未知有界协变量分布下设计基于新单调算子的Z估计，给出精确风险刻画和信息论下界，证明优于完全案例估计器。
说明随机双层优化的单循环、常数批量一阶罚函数方法
简介该论文针对随机非凸强凸双层优化问题，提出一种单循环、常数批量的一阶罚函数方法SICO。方法每次迭代对下层原问题和罚函数问题各做一次随机梯度更新，并用指数移动平均稳定上层梯度估计。作者称，在有界方差假设下样本复杂度为O(ε^-6)，在下层随机梯度满足均方光滑假设时可达O(ε^-4)，且每次迭代仅需O(1)个样本。
说明在开发者心流中介入：谷歌规模下的低延迟智能体程序修复
简介论文提出 FlowAgent，一个在谷歌部署的 AI 智能体，用于在持续集成系统的提交前阶段自动修复测试失败，并集成到内部开发工具中。它采用生成与验证循环，并设置严格的执行前后过滤机制以保证建议质量和低延迟。原文报告：在195个真实测试失败上人工评估准确率为67.18%；全谷歌部署后对295,508次变更给出修复建议，开发者预览65,069次，应用28,554次。
看点将智能体修复与持续集成预提交流程结合并低延迟部署，是有新意的工程组合；在195个真实失败上准确率67.18%，并有全谷歌范围部署数据支持。
说明FlexiFlow：基于多臂赌博机的机器学习工作流模型切换
简介这篇论文提出 FlexiFlow 系统，在机器学习工作流中，当当前模型准确率较低时，自动切换到备选模型，而不是只用一个模型处理所有数据。系统使用一种新的多臂赌博机方法对模型排序，考虑运行时间、通过用户断言的概率以及工作流的计算结构。实验显示，运行时切换模型并复用中间结果，可提高准确率，并比顺序运行工作流效率提高 48%。
说明Lock-in EP：面向振荡硬件的原位训练算法
简介该论文提出锁相均衡传播（LIEP）训练方法，用于振荡网络。它无需单独的前向和后向扫描，即可为网络中每个组件提供局部梯度信息，有望在模拟振荡硬件上实现原位学习。研究表明，LIEP既可用于从头训练，也可在预训练参数受扰动后恢复性能；目前仅在浅层网络上验证，作者认为其在更深、更大规模网络中可能适用。
说明智能体评测的可信层：判断得分是否值得相信
简介论文提出一个附加在评测之后的“可信层”框架，对每个已记录的得分给出是否可信的判断。它检查四项内容：结果是否得到基准自身评分逻辑的支持，通过的答案是否有可追溯的计算过程，智能体的完成声明是否与实际发生的情况一致，以及重复运行后结果是否稳定。在 108 个任务上测试五种智能体配置后，作者发现大量通过的运行缺乏可追溯计算、存在被证实的虚假完成声明，并且 18%至 46% 的任务在五次运行中不能稳定在同一分数区间内。仅 22.6% 的记录通过项通过全部四项检查。
说明CIRRA：面向家庭交互任务中具身机器人的双层持续指令协调与执行框架
简介论文提出 CIRRA 框架，用于家庭机器人在执行原有任务时接收新指令的情况：先由大语言模型理解新指令，再在保留原有子任务序列的前提下，将新子任务插入位置匹配的片段并选出逻辑最一致的方案。作者还发布了包含120个片段的文本基准 CHIRP。文中报告 CIRRA 在该基准上决策一致率为74.2%，并在 Unitree G1 人形机器人上取得了优于各基线的结果。
说明算法对齐的神经凝聚式树构建（NN-linkage）：用神经网络学习层次聚类的合并规则
简介该论文提出 NN-linkage，一种神经网络模型，用于学习层次聚类中的合并规则，同时保留经典链接算法的递归结构与高效推理。模型与 Lance-Williams 递推框架算法对齐，可表示单链、全链、平均链等经典方法。论文证明其可逼近连续链接函数，并能精确实现任意对称常系数 Lance-Williams 递推。作者在时钟树布线和系统发育重建的合成与真实数据上评估了该方法。
说明模型是否真的在用这个特征？区分引导干预与内部机制
简介该论文指出，大语言模型中的内部特征即便能跟踪某个概念、其操控也能改变相关行为，并不足以证明模型真的在用它。作者提出一组经验检验：把特征在自然输入上观测到的数值复制到匹配的输入中（植入或移除），或在上游编辑后恢复该特征（下游补救）。结果显示，两类强度差异明显，结论只对所测试的干预方式成立。
说明语言能保留多少地点信息：面向跨视角地理定位的零样本语言推理
简介该论文研究能否仅用语言完成跨视角地理定位，即用多模态大模型把地面全景图和卫星图块都描述成结构化文本再进行比对，全程无需训练。在 VIGOR 数据集的 9,826 组图像对上测试，直接按描述相似度排序几乎找不到正确图块（Recall@1 为 0.39%）；缩小到十个相邻图块后，描述可用，大模型评审的结构一致性打分约为随机排序的两倍，并能指出哪些字段一致、哪些冲突。在已训练的视觉检索器上做重排序时，基于图像的重排效果较好，基于文字描述则较差（Recall@1 分别为 23.5% 和 10.7%）。
说明并行编码智能体的协调验证：NP-Bench 与调度规划器
简介论文指出，多个编码智能体各自测试通过，合并后却可能失败，而单智能体评测无法发现这一问题。作者把协调问题转化为调度问题：事先按声明范围划分互不冲突的工作，并依生产者到消费者的依赖顺序安排合并。在 NP-Bench 基准的测试中，该规划器将干净集成的场景从 1/9 提升至 9/9，并将合并冲突从 13 次降至 0 次。
说明MemMux：面向并行编码代理集群的运行时验证与资源归因工具
简介论文提出 MemMux，一个无需内核特权的本地运行时，用于管理同时运行的多个编码代理所占用的内存。它能按代理归因资源、确认终止的代理进程已被完全回收、发现逃逸的子进程，并在超量分配时限制占用。在 Linux 主机的实验中，MemMux 将代理总占用控制在 7500 MiB 预算内且未使用交换空间，而未受管控的工具超出预算两倍并占用约 2 GiB 交换空间；同时其 1 Hz 监控在十个代理时约占 2.7% CPU，高于作者设定的 2% 目标。
说明用于图鞍点问题的神经算法推理：让神经网络模拟一种原始-对偶优化算法来求解图上的鞍点问题
简介本文提出一种名为GraphPDHG的消息传递框架，基于Chambolle-Pock原始-对偶混合梯度（PDHG）方法，用于求解一般的图鞍点问题。作者从理论上证明该网络可以通过模拟PDHG来高效求解一类图鞍点问题，并表明网络还能学习加速版的PDHG算法。实验中，该模型被用作二阶优化方法（SSNAL）的学习型热启动，结果显示，与未对齐算法的图神经网络基线相比，与PDHG对齐的模型具有更强的规模泛化能力。
说明神经场编码适应几何结构
简介神经场通常只按重建观测的好坏来评估。本文指出这忽略了拟合后网络的两项性质：能否快速适应新观测，以及其权重保留了哪些历史信息。研究发现，适应成本可由局部线性模型较准确地预测，并且权重在重复拟合序列观测后能保留波动历史的信息，例如最终权重能以68.6%的准确率识别波速方向。
说明将智能体经验内化到扩散模型权重中的论文：通过同策略上下文蒸馏
简介论文提出扩散同策略上下文蒸馏（D-OPCD）方法，把智能体改进后的提示词视为特权上下文，将智能体框架中的知识蒸馏进扩散模型权重。实验显示，四个基准上直接生成的平均得分从60.52提升到65.09。随后模型可在不依赖完整框架的情况下保留部分收益，框架还能继续演化。
说明语义几何能否教会AI做判断？
简介本文探讨AI智能体如何判断应遵循哪些规则，尝试用向量几何来识别适用的政策并判断行动与之的关系。作者在四项研究中发现，所测方法均未能可靠地完成行动前的判断。即使能找出全部相关政策，下游机制仍无法正确解读它们，全部测试行动都被升级处理。因此作者提出，AI智能体的判断需要构建一个“后果图”，以连接行为人、权限、政策条件与例外，以及行动可能带来的变化。
说明学习该蒸馏什么：面向大语言模型自蒸馏的双层Top-K词元选择
简介论文提出BiToK-SD方法，用于大语言模型的同策略自蒸馏，学习在训练中应对哪些词元位置进行蒸馏。该方法把问题建模为双层优化：下层用可微的阈值松弛实现Top-K词元选择，使选中位置随学生模型策略演化而调整；上层在选中位置上执行知识蒸馏。在数学推理基准上，BiToK-SD在所有对比方法中平均表现最好，且只需少量额外计算。
说明用于低资源临床环境早期乳腺癌检测的混合跨模态注意力网络
简介该论文针对撒哈拉以南非洲乳腺癌诊断延迟的问题，提出混合跨模态注意力网络（HCMAN），将乳腺X光图像与结构化临床数据结合，使用基于Transformer的跨模态注意力机制。模型基于埃塞俄比亚四家转诊医院收集的2560张图像（1024名患者，活检确诊标签）开发与验证，报告准确率97.8%、AUC为0.987。论文还称该模型对低质量图像较为稳健，并可在标准医院工作站上运行。
说明SPECTRUM：面向循环自蒸馏的近端谱调制方法
简介这篇论文研究模型用自己生成的代码反复学习时的问题：正确率可能提高，但正确解法的多样性会收缩。作者提出 SPECTRUM 方法，在每轮训练中从固定参考锚点重新估计损失敏感的键值几何，并转化为近端谱调制。实验显示，经过五轮训练后，该方法保留的正确 AST 多样性高于普通自蒸馏及子空间投影对照方法，且学生模型在 HumanEval+ 与 APPS Intro 上也有迁移效果。
说明在协变量不确定条件下对时间序列基础模型进行负荷预测基准测试
简介本文对四个从零训练的模型和四个时间序列基础模型，在三个真实负荷预测数据集上进行了系统比较，场景区分未来协变量的可得性与预测质量。结果显示，在未来协变量可用或预测准确时，Chronos-2在零样本和微调两种设置下均表现最佳；但随着协变量预测噪声增大，其性能下降，而TimesNet在严重协变量不确定性下更为稳健。
说明基于Transformer辅助卡尔曼滤波的单目相对导航：对未知航天器的位姿估计
简介本文提出一种基于学习的位姿估计流程，仅使用服务航天器上单个单目相机的图像，估计未知目标航天器的位置和姿态。方法结合Transformer网络（从SuperPoint与LightGlue匹配的特征估计帧间相对位姿变化）与多状态约束卡尔曼滤波器（MSCKF）。在对103个航天器的合成图像数据集上训练评估，并对11个未参与训练的航天器进行泛化测试，结果显示姿态误差中位数为3.7°，相对轨道根数误差中位数为量程的2.2%。
说明马尔可夫过程轨迹之间的条件流匹配传输方法
简介该论文研究在马尔可夫过程轨迹之间进行传输的问题，提出基于流匹配的算法，在保持马尔可夫结构的同时学习从源轨迹分布到目标轨迹分布的传输映射。作者给出了总体极限下的一致性结论，并在混合时间假设下推导了有限样本误差界。在脑电图（EEG）图像检索实验中，将条件流加入ENIGMA解码器后，平均前五检索准确率由43.87%提升至49.05%。
说明自然梯度下降有多低效？从精确最优到 Θ(√log d) 的偏差
简介本文研究机器学习中常用的自然梯度下降（NGD）在对偶平坦族上的效率问题。作者定义了低效比 R（混合测地线的 Fisher 长度与 Fisher–Rao 距离之比），并按参数维度 d 界定其上确界。结果显示：二次势函数族 R=1；有界偏度加有限直径的非二次族 R 与维度无关；而尺度族的乘积（如高斯协方差与 Gamma 速率）R 随 d 增长为 Θ(√log d)。实验与理论结论一致。
看点对自然梯度下降的低效率给出精确刻画，并证明了Θ(√log d)的维度增长，理论上有明显新意，并有实验确认各体制。
说明最小见证强化学习（MWRL）：让强化学习找出多个可解释的充分条件
简介该论文把“哪些不可再约简的条件足以产生某个结果”这一问题形式化为最小见证识别。作者提出最小见证强化学习（MWRL），用验证器的通过与否作为唯一反馈，并按每个候选方案对覆盖并集的贡献来分配信用。实验表明，MWRL 能找出大部分最小见证，而其他方法往往只给出冗余超集或单一解。
看点将最小充分见证族识别形式化为RL问题并给出由验证器反馈驱动的新信用分配，在规划与LLM策略梯度设定下均有实验支持，但实验规模与对比范围有限。
说明TIDE 2.0：一个开源、与模型无关的临床笔记密钥式去标识化引擎
简介临床笔记含有大量患者信息，但需先去除受保护的健康信息（PHI）才能用于研究。本文提出TIDE 2.0，由可替换的识别器和密钥式匿名化器两个相互独立的阶段组成，可在机构自有硬件上运行。替代值以密码学方式生成且不存储对照表，日期按患者平移且保留时间间隔，同一密钥下同一数值在所有出现处得到相同替代。在两个机构的金标注语料上，默认配置的片段级召回率为0.88（域内）和0.77（另一机构），精确率分别为0.88和0.87。
说明基于深度学习的板球非法投球动作检测
简介本文提出一种基于计算机视觉与深度学习的方法，用于在实际板球比赛中检测非法投球动作。方法在视频中定位肩部帧和出手帧，比较两帧之间投球手手臂角度的变化，若差值超过预设阈值（如15度）即标记为可能非法。作者在一个包含62段视频、11名男性投球手的自建数据集上评估，取得较高的真正例率，但仍需在更多环境和更大数据集上验证。
说明数据、数值与几何：数值方法、机器学习与评估三篇教程
简介本文是三篇面向数学研究的实用教程，源自2026年4月在班夫国际研究站举办的DANGER研讨会。第一篇基于微分形式的逐点求值，用通量形式的外导数建立外微积分的数值方法；第二篇通过椭圆曲线、箭图和边值问题，探讨数学结构如何指导神经网络设计，并用区间算术界定训练后网络的残差。第三篇讨论机器学习结果的评估与呈现，包括性能指标、统计不确定性、分类阈值和ROC曲线。
说明Cascadia：在十一台 AI PC 上常驻运行 975B 混合专家模型推理
简介本文介绍 Cascadia 系统在十一台配备 64 GB 内存和 Arc B390 集成显卡的 Intel Core Ultra X7 358H AI PC 上，常驻运行 975B 总参数、41B 激活参数的 Inkling 混合专家模型。作者提出定制的常驻 MoE 引擎，并报告了不同并发数下的解码吞吐量和首词延迟等测量结果。
说明恒定曲率切片Gromov-Wasserstein：跨不同曲率空间的异构分布对齐方法
简介本文提出一种名为CCSGW的新散度，用于比较支撑在不同恒定曲率空间（如双曲空间与球面空间）上的概率分布。作者补充了球面上基于测地线的一维投影，并将切片GW距离扩展到恒定曲率空间，在保留内在几何关系的同时降低计算成本。文中给出理论分析，并报告将其用于图异常检测、图节点分类和多模态学习后性能有所提升。
说明RoboCap：面向第一视角机器人学习的新平台
简介第一视角的操作数据目前仍然稀缺。本文提出RoboCap，一款重约250克、带六个摄像头和双惯性测量单元的头戴式采集设备，并配套Grounded API这套适配该设备的三维算法。作者报告，在公开基准测试中，该设备、标定与三维算法配合后，在SLAM、第一视角深度估计及第三方设备上的手部追踪方面取得了先进表现。
说明机器学习增强的线性与非线性方程组迭代方法综述
简介本文综述了将机器学习与经典迭代方法结合、用于求解线性与非线性方程组的混合迭代方法。作者指出，大型线性系统通常优先采用迭代求解器，而非线性求解器常依赖反复线性化，收敛性可能较慢或发散。文章总结了现有构造方法，并讨论了开放挑战与未来研究方向。
说明预测社交媒体信息级联的增长：迈向人机协同的谣言分诊
简介该论文面向审核资源有限的场景，用已发布前30分钟的传播数据预测后续传播树的增长。在FibVID数据上，结合早期节点数与结构、时间熵特征后，对数增长的R²由0.307提升至0.323，高活跃传播树上的提升更明显。论文还分析了PHEME线程的前15条回复及Check-COVID的证据检索，并提出结合早期预测、回应模式与证据的人机协同审核系统构想。
说明大语言模型辅助正则化能否在数据稀少的情况下提高移民流量预测准确度？
简介本文研究大语言模型（LLM）能否通过从新闻报道中提取与移民相关的情境信号，并将其纳入带特征专属惩罚的加权Lasso预测框架，以改进移民流量预测。研究覆盖墨西哥—美国、乌克兰—波兰、叙利亚—土耳其等移民走廊，时间为2021年11月至2022年11月。结果表明，各方法表现不一，没有单一方法在所有实验中始终最优；在部分条件下，新闻衍生特征与LLM引导的正则化可改善预测，但走廊特征、文章数量和超参数设置影响显著。
说明分布鲁棒的混合专家模型训练（DRMoET）
简介论文提出一种名为DRMoET的训练目标，用于稀疏混合专家（MoE）模型。它不只追求各专家负载均衡，还针对高损失的路由结果进行优化，以提升模型的可靠性。在FLAME-MoE设定下，于746M与10.3B总参数规模上，其下游任务平均分数优于标准方法及无辅助损失的均衡方法；10.3B模型上七项任务平均分由0.6625提升至0.6767。
说明基于能量条件噪声调度与白化的谱域扩散模型
简介本文提出一种面向变换域扩散模型的能量自适应噪声调度与白化方法。该方法结合全局谱白化，并根据各变换系数的能量以及扩散时间上的图像相关能量路径来分配注入噪声，使前向扩散过程随图像的谱能量分布变化。在CIFAR-10上的实验显示，该方法使一个紧凑的DCTdiff U-Net变体的Fréchet Inception Distance从142.48降至100.45。
说明负责任的机构数据分析：借助人工智能解读偏差
简介该论文针对高校机构分析仪表盘在解读时易受数据局限、分析方法约束及背景信息缺失影响的问题，提出FACTRIA框架，从分析流程、机构背景、课程特征和人口统计四个方面梳理可能的偏差因素。研究将该框架作为输入，设计了一个生成式AI聊天机器人，引导用户在分析时反思这些因素；通过与利益相关者的定性研究（基于四个真实案例）及过渡网络分析，发现聊天机器人帮助参与者意识到此前被忽视的因素如何影响其初始解读。作者认为，结构化框架与AI引导相结合，有助于更具情境意识、更负责任地解读机构数据。
说明SPEAR：交互式人机对齐的五项原则
简介这篇立场论文主张，人工智能对齐不应只被视为部署前的优化问题，而应视为持续的交互设计问题，尤其是在AI代表用户行动的场景中。作者提出SPEAR框架，包含五个支柱：规范（人们如何表达意图并建立共同理解）、过程（智能体如何决定行动、询问、推迟或暂停）、评估（人们如何判断智能体是否成功）、适应（智能体如何在长期使用中适应用户）以及再校准（人们如何根据智能体调整自己的信任、期望和行为）。
说明基于量化充分统计量的精确遗忘方法（QSS）
简介本文提出量化充分统计量（QSS）方法，用于机器学习模型的精确遗忘：删除请求提出后，部署模型需与删除相关信息后重新训练的模型一致。QSS 将一个小型冻结结构与可相加的可变内容分开，删除内容即为精确减法而非重新优化。在 15 个视觉、文本和表格数据集上，QSS-L 与 SISA 相比，在 11 个任务上准确率差距在 2 个百分点以内，并在部分低类别数任务上使删除的预期延迟降低 4 至 483 倍。
说明在连续环境中用阿克曼转向移动机器人实现视觉-语言导航的仿真到现实迁移
简介本文研究让机器人依据自然语言指令在环境中导航（视觉-语言导航）的方法，并将其从仿真迁移到现实。作者使用在仿真数据集上训练的跨模态注意力（CMA）模型，并用自制阿克曼转向机器人（配备摄像头和激光雷达）采集的真实数据进行微调。实验以成功率加权路径长度（SPL）和归一化动态时间规整（nDTW）评估，结果显示该方法能适应真实环境并离线运行。
说明基于智能体的设计空间探索：异构边缘 SoC 上 AI 推理任务的硬件配置与映射联合优化（TraceDSE）
简介论文针对异构边缘 SoC 上的 AI 推理任务，提出 TraceDSE 方法，联合选择任务到处理单元（CPU、GPU、NPU）的映射及各单元的配置。方法采用 LLM 提议者与评审者迭代协作，评审者借助执行追踪分析瓶颈并提出改进。在 Intel Meteor Lake SoC 的四组推理任务上，帕累托前沿超体积比 NSGA-II 最多提升 35%、比贝叶斯优化最多提升 68%，且硬件评估次数约减少 6 至 9 倍。
说明从内部识别内省：通过模型结构区分忠实与不忠实的自我报告
简介论文研究大语言模型能否准确报告自身习得的偏好，并区分可信的自我报告与虚构的解释。研究者在受控设置中用低秩适配器训练模型替虚构角色做决策，发现即使没有显式的自我报告监督，隐式决策任务的持续微调也能让模型出现准确的自我报告。作者指出，忠实的自我报告对应一种可测量的结构特征：偏好表征会向更早的层迁移，且决策任务与自我报告任务之间的归因相似度更高，因此可通过网络结构而非报告内容来区分两类模型。
说明从人类研究决策轨迹中学习科学探索
简介本文提出ResearchTrails数据集，由Git仓库中的人类研究轨迹构建，以提交历史作为科学探索过程的代理。作者开发了自动化、可扩展的流程，从提交记录中提取方法、实验和消融实验的逐步变化。实验表明，这些轨迹包含论文成品之外关于中间研究决策的有用信号，并可用于测试时检索经验以及训练模型以提升对新研究决策的泛化能力。
说明CLM-as-a-Judge：在公开评审基准上评估一个开源对比决策模型
简介本文在公开的困难评审基准上测试开源对比决策模型 Contrastive-LM/CLM-v0.1-8B，结果接近随机水平，在 RM-Bench 和 JudgeBench 上与抛硬币无统计差异，在 HaluEval 上以单一常量标签作答。同参数量的奖励模型和生成式评审明显更好，且差距经 Benjamini-Hochberg 校正后显著。该模型的原始置信度过度自信，但单一温度校准可将期望校准误差降至 0.062 以内，并使其自身错误的排序在多数基准上优于随机。
说明CALR：基于渲染式思维压缩的连续锚定潜在推理
简介该论文针对视觉潜在推理中连续与离散两类中间状态表示的问题，提出连续锚定潜在推理方法CALR，通过功能锚定使答案依赖潜在状态，并让这些状态承载与问题相关的有效推理内容。方法包括信息平衡压缩得到的参考潜变量、潜在中介的答案监督与推导层面的语义锚定，并采用并行到自回归的课程训练。作者在五个数学推理基准上评估，报告在匹配预算下较可比的连续潜在推理方法提升26.0个百分点。
说明语言模型中柏拉图式表征的理论
简介多语言语言模型中，互译句子在中间层的表征彼此相似，这一现象尚缺乏理论解释。论文假设数据具有隐含的层级结构，抽象层在语言间共享，表层则各语言或模态各异。作者用共享高层、不共享低层产生式规则的概率上下文无关文法生成合成语言，并以信念传播解释最优预测，结果与在同类数据上训练的 Transformer 相吻合。
说明用于安全模仿学习的交错投影梯度下降法
简介论文提出一种在状态和输入约束下训练神经网络控制策略的模仿学习方法：训练时交替进行标准模仿梯度更新与若干步安全修正，使动作逐步拉向安全集合的投影，运行时只用训练好的网络而不加安全滤波器。在一个非线性自动赛车任务上，该方法在保持与无约束模仿相当圈速的同时，将违规回合比例从15%降至1%，约为最佳权重下惩罚方法的六分之一。
说明一张图，适配所有画布：基于智能体流程的可编辑流程图重排版
简介该论文针对机器学习论文中的流程图需要适配不同宽高比画布的问题，提出将流程图按目标比例重新排版的任务。作者设计了由解析、样式和布局三阶段组成的智能体流水线，每阶段配有结合确定性约束检查与视觉语言模型反馈的审查模块，输出可在draw.io中编辑的mxGraph XML格式。在100张流程图、五种宽高比的基准上，该方法的内容保真度为68.6%，而先前方法为11.2%至41.4%。
说明基础模型可以通过训练数据中的线索进行推理
简介该论文研究训练数据如何在基础模型回答开头的特定词元与其后的推理行为之间建立关联。作者发现，固定特定开头词元可使基础模型在数学和编程任务上接近经强化学习训练的版本，并通过因果数据干预，证明任意词（如"chicken"）也能被改造成有效的推理线索。
说明InterMimicGen：通过自我演进的动作模仿扩展人形机器人的移动与操作能力
简介该论文提出 InterMimicGen 框架，把人体与物体交互的动作捕捉数据重定向为人形机器人可执行的参考动作，并训练一个基于物理仿真的通用跟踪策略来执行这些动作。框架通过反复做小幅的、保持任务的变体并保留仿真中能完成任务的版本，逐步扩大动作覆盖范围。实验显示该方法可跨机器人构型保持接触关系，并能迁移到真实机器人上。
说明CroissantMiner：面向机器学习数据集的 Croissant 元数据自动提取与校验
简介本文提出首个基准，用于端到端评估按社区标准模式（Croissant）从论文中提取数据集元数据的效果，包含602篇论文，其中102篇有人工校验标注，500篇为大模型生成的标注。研究比较了单次提取与四种智能体架构，发现单次完整上下文提取的准确率普遍更高。在需要综合分散信息的长篇负责任AI（RAI）字段上，现有系统的表现仍远不可靠。
看点首个面向Croissant元数据端到端抽取的基准，并发现单次抽取优于代理架构，新颖性中等，证据涵盖102篇人工标注与500篇银标注论文。
说明S2PD：面向物理与逻辑一致视频生成的串行到并行扩散方法
简介该论文提出串行到并行扩散（S2PD），在高噪声阶段采用自回归扩散以协调相互依赖的事件，在低噪声阶段改为并行扩散以整体细化视频。作者用两种架构实现该方法，并在游戏、物理模拟和真实视频上进行了测试。结果显示，其遵循规则的可靠性优于对照的双向基线，时间稳定性和采样效率也优于其他串行方法。
说明BiasFlow：面向虚假特征依赖的几何监测与主干正则化
简介论文提出 BiasFlow 工具包，用于监测冻结主干网络的类别-属性质心对齐（IBMI）、类内质心分离（W-IBMI）及特征投影敏感性，并提出监督式类条件质心对齐惩罚项 BFR。实验显示加入 BFR 后最差群组准确率（WGA）在测试基准上有所提升或持平；在 CelebA 冻结主干并用有偏数据重训练新头部的测试中，BFR+GroupDRO 将 WGA 从 40.7% 提高到 64.1%，但属性信息仍可被探测恢复。
说明学习读取扩散Transformer中的上下文令牌
简介该论文研究多模态扩散Transformer（MM-DiT）在生成过程中不断更新的文本上下文令牌。作者训练了一个轻量瓶颈网络，将中间上下文令牌映射到冻结大语言模型的输入空间，使其能够直接据此回答关于生成图像的问题。研究发现这些令牌包含丰富的全局场景信息，且在空提示时仍可解码，同时可读性更高的生成结果人类偏好得分更高，并据此提出了增强视觉语义信息的Contextual Alignment训练方法。
说明递归视频上下文学习：面向智能体机器人的示范视频层级导航方法
简介该论文提出递归视频上下文学习（RV-ICL）方法，无需训练，把一段示范视频组织成由粗到细的层级结构，供调度冻结视觉-语言-动作策略的大模型智能体按需查阅。每个任务只需一段示范。在LIBERO-PRO上成功率从92.6%提升至96.5%，在LIBERO-Plus上从86.7%提升至95.8%。
说明解剖结构感知的细粒度多模态融合：利用CT与影像报告预测喉咽癌T分期
简介喉咽癌T分期对个性化治疗很关键，但目前依赖有创活检，仅靠CT又难以判断复杂的肿瘤侵犯模式。本文提出一种解剖结构感知的多模态框架，将器官级CT信息与影像报告融合为统一表示，包括构建器官图、将报告文本与各器官对齐，并用报告中的侵犯线索优化图表示。作者称该框架在喉咽癌T分期预测中取得了更优的性能。
说明倾斜扩散采样器的直接中间初始化方法
简介该论文研究扩散后验采样中基于高斯倾斜中间分布的方法。作者将这些目标回拉到干净空间后验，并通过高斯桥解析地映射到噪声空间目标；基于此，对MCGDiff在中间时刻直接初始化，先用近似求解器采样，再运行剩余的SMC后缀。在结构化高斯混合逆问题上，该混合方法在相同粒子数下切片Wasserstein距离约提升2倍，在目标模式稀有时提升超过一个数量级。
说明循环模型的正确做法 第二部分：在不动点上重新思考
简介该论文研究循环语言模型的训练与推理，关注递归状态接近不动点时的性质，据此提出可学习的深度先验和正交输入注入两项改进。论文称，两项改进在1亿至16亿参数的规模下都降低了困惑度，其中16亿参数模型使用更小的KV缓存后，下游任务平均表现与固定深度训练相当。
说明UniSlider：用于连续图像编辑的感知均匀滑块
简介该论文提出 UniSlider，一种用于连续图像编辑的滑块方法。现有生成式方法的滑块通常只是强度参数的线性缩放，与感知变化关系不一致，常出现图像回退、某段无变化或突变等问题。UniSlider 训练轻量 LoRA，使滑块值与输入的感知距离近似线性增长，并通过推理时的自适应采样进一步校正。在300个连续编辑的新基准上，其在均匀性、单调性、编辑保真度和身份保持方面优于已有方法，用户研究中也更受青睐。
说明双曲空间多类分类中隐式偏置的渐近分析（论文）
简介本文研究双曲空间中多类分类在黎曼梯度流下的隐式偏置，类原型固定，涵盖交叉熵等一类排列不变的相对间隔损失。作者将到原型的距离分解为径向项与由Busemann函数描述的方向项，证明了径向二分性：漂移系数的符号决定半径被推向理想边界还是退回内部。此外，边界方向收敛到边界上Busemann风险的临界点。这些结果为双曲表示学习中的边界饱和与近边界聚类现象提供了严格的渐近解释。
说明MemPilot：为LLM智能体按需编排多模态记忆整理
简介该论文提出MemPilot框架，用于在不同的性能、成本和延迟偏好下，按需编排LLM智能体的多模态记忆整理。其核心是通过强化学习优化多步策略，在查询无关的记忆检索与针对查询的原始多模态历史整理之间进行选择，并联合控制证据数量、整理指令、模型选择和视觉访问。实验在五个多模态智能体记忆基准上进行，结果显示其在多种优化偏好下取得了较好的性能、成本与延迟权衡。
说明这台机器在玩吗？——让AI编程助手在虚拟世界中自发活动的研究
简介研究人员把一个现代AI编程助手放进一个虚拟身体中，只给出极简指令，未指定任何具体任务或奖励。在约三十小时的运行中，该智能体自发攀爬山丘、堆叠方块、绘制曼陀罗图案、重新诠释体育运动，并进行物理实验。论文探讨这种行为是否符合经典的“游戏”标准，以及游戏能否成为机器发展的一种方式。
说明CLIFT：面向网页智能体训练与推理扩展的保形自验证方法
简介论文提出CLIFT方法，让网页智能体用自然语言回答关于自身操作轨迹的验证问题，并通过保形认证筛选可靠信号，将其作为训练中的奖励补充。推理时，同一套已认证的问题库可用于在多条轨迹中选择结果，无需调用外部评判模型。作者报告该方法在WebArena Infinity、VisualWebArena和Online Mind2Web等基准上取得了较好表现。
说明PlotGround：基于真实科研图表及其源数据的图表数字化基准
简介该论文提出PlotGround，一个从真实科研图表及作者公开的源数据自动构建图表数字化基准的流程。基于此构建的PlotGround-1k包含来自1066篇bioRxiv预印本的1119个经人工核验的问题。测试显示，最佳模型在±5%相对误差容差下准确率为87.5%，收紧至±2%后各模型准确率下降11至24个百分点。
说明TasteVal：衡量AI系统与人类专家在实验研究品味上的差距
简介论文提出TasteVal基准，用于评估前沿模型的实验研究品味，即设计实验和从结果中得出结论的能力，并以达到专家同等分数所需的计算量来衡量。在8项开放性任务中，表现最好的Opus 5.5模型超过专家基线，计算效率倍数为2.3倍。论文还报告，自2025年12月以来，前沿模型的该倍数约每3.0个月翻一番。
说明基于加速度计的睡眠心率深度学习估计：无需光学传感器的人群规模心脏信息研究
简介该论文提出SeqSmoother，一种基于Transformer的时序校正模型，用于从腕部加速度计信号估计睡眠心率，推理时不使用光学或心电信号。在13个受试者互不重叠的留出折上评估，其整体平均绝对误差为1.60 bpm。与官方Nightbeat实现相比，在Nightbeat保留的匹配区间上误差更低，但SeqSmoother能覆盖更大比例的可用记录；论文还报告了一种子谐波比率在识别谐波锁定候选时的AUROC为0.972。
