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ActiveMedAgent：面向多模态医学诊断的成本感知轨迹学习
简介该论文提出ActiveMedAgent框架，让医疗AI像临床医生一样按成本逐步获取检查信息：先做便宜的检查，只有在预期能消除诊断不确定性时才升级到昂贵检查。框架基于冻结的视觉语言模型，以每步诊断效用减去成本为评分，并离线训练轻量MLP控制器决定何时继续获取证据、何时给出诊断。在三个常用基准上，该方法优于无引导获取和全模态基线，且作者发现在175个病例中，智能体用更少的通道得出正确诊断而全模态基线失败。
说明加速非光滑与重尾分布的采样：非可逆锚定朗之万动力学
简介本文针对目标密度可能不可微、且为重尾分布的采样问题，提出非可逆锚定朗之万动力学（NALD），并给出约束区域上的版本NRALD。两者通过加入由反对称散度自由矩阵场产生的环流漂移，在不需要目标密度导数的前提下保持目标分布。作者通过有限时间非渐近收敛分析、大偏差分析和渐近方差降低，表明打破可逆性后收敛更快，数值实验验证了算法效率。
说明IntrinSync：联合内在分解与互逆渲染
简介本文提出 IntrinSync 框架，将输入的 RGB 图像联合分解为反照率、着色、表面法线、粗糙度和金属度等内在属性图，并通过双向循环一致性目标连接逆向与正向渲染。作者称该方法在三个数据集上取得了有竞争力的内在估计和正向渲染结果，提高了各属性之间的一致性与物理一致性，并可用于显式编辑内在属性后重新渲染为 RGB 图像。
说明“第十陪审员”：面向官僚偏见检测的开放集立场筛查
简介本文研究荷兰政府文件的闭环偏见治理，让系统识别偏见语言、依据法律与语境证据作出判断，并在必要时改写句子、验证改写是否减轻危害且不扭曲原意。提出的MARS-Gov多智能体框架在发现未覆盖群体时会动态增设一名“第十陪审员”；在DGDB数据集上F1达0.880，并把不必要的干预降至2.5%。
说明系统一型大模型能否在学习者记录很少或没有时进行知识追踪？
简介该论文研究知识追踪任务，即根据学习者的作答记录预测其掌握情况。作者测试一种无需微调、单次前向即可输出概率的现成大模型（系统一型）在几乎没有学习者数据时的表现。在七个数据集上，未使用目标平台数据的该方法平均AUC为0.706，高于用8名学习者训练的深度知识追踪模型的最佳结果，也高于需要推理和多次采样的系统二型方法，且API成本约为后者的百分之一。加入已有学习者的示例和相似学习者统计后，结果进一步提升至0.722。
看点提出无需或仅少量学习者数据、单次前向即可概率预测的System-One LLM知识追踪，并在七个数据集上对比深度KT与推理式方法，证据充分，影响面限于教育领域的冷启动场景。
说明QUILT：通过共享查询执行重新思考稀疏注意力预填充
简介长上下文模型中的稀疏注意力虽能降低计算成本，但现有内核通常逐个处理查询，重复加载和反量化相邻查询共享的键值条目。论文提出 QUILT，联合处理相邻查询并复用共享的键值数据，以减少冗余的内存访问与计算。在 LongBench 上的评测显示，相比最先进的稀疏注意力内核，内核延迟最多降低 55.1%，首词元延迟最多降低 36.8%，且精度几乎不受影响。
说明用机器学习优化操作系统指纹识别（OsirisML）
简介该研究通过分析TCP/IP数据包，被动识别网络中主机的操作系统。研究基于CIC-IDS2017数据集（超过47GB的pcap文件），提出命令行工具OsirisML，使用nPrint将数据预处理为表格，并用XGBoost训练和测试模型。随机划分训练与测试数据时，模型在Friday抓包的降采样子集上准确率为97.66%，在完整Friday抓包上为84.69%；在不含攻击的完整Monday抓包上准确率为73.83%，F1分数为79.38%。
说明SFT 作为上下文：缓解监督微调中的遗忘问题
简介监督微调（SFT）能让大语言模型获得专门能力，但往往导致其丢失原始预训练模型的通用能力。本文提出无需训练的 SFT-as-context 方法：让原始模型以 SFT 模型的回答作为上下文来回答问题，从而通过上下文学习获得微调能力，同时保留自身的通用能力。在 19 组模型配对和 11 个基准上，该方法在专门能力上接近 SFT 模型，在通用能力上平均与原始模型相差在 2.2 个百分点以内。
说明GameCommBench：面向AI生成游戏解说的统一基准与按类型评估框架
简介本文提出GameCommBench，一个涵盖棋类、体育和电竞的统一基准，解说内容与不同游戏情境对齐，并按解说类型标注。作者同时提出按类型评估解说的框架TACE，并验证其可靠性与人工一致性，用于测试代表性AI解说系统。结果显示各系统能力分布不均，现场观察与策略分析是主要瓶颈。
说明在推理强化学习的轨迹生成中平衡参考引导与自由生成
简介论文研究训练推理模型时应给予多少参考解引导。方法是让模型从参考解的前缀续写，若结果通过验证则保留，否则回退到参考解，并以理论推导的KL散度分析两种轨迹分布与理想分布的差距。据此提出自适应参考引导（ARG），在GRPO的全失败组中构造正确轨迹。在Qwen3-4B和Qwen3-8B上的五个数学推理基准实验显示，ARG的综合pass@12最高，平均采样准确率具有竞争力。
说明当界面开口说话：面向主动交互的数据感知生成式界面框架
简介该论文提出GenUI-Harness多智能体框架，由工具智能体负责检索信息和执行任务，GUI编码智能体识别歧义并生成前端界面代码。论文还构建了UI-TAU Bench基准，并报告4B骨干模型在评测中Pass@3由9.33%提升至58.00%，生成式界面可将平均对话轮数由3.4降至1.2。
说明CoTS：面向大语言模型潜在推理的竞争式词元选择方法
简介本文提出免训练方法CoTS（竞争式词元选择），用于改进大语言模型的潜在推理。它依据模型最可能的两个候选词元之间的概率竞争，在每一步推理中动态平衡离散选择与连续软表示：一方占优时保持接近离散词元，竞争激烈时提高软表示的比重。论文称该方法在六个推理基准上优于标准思维链及现有免训练潜在推理方法，代码已公开。
说明OpenProblemBench：评测AI在基础理论科学未解难题上的表现
简介本文提出OpenProblemBench，一个包含82个未解决问题的基准，问题取自数学与理论物理文献。四个评估模型在无参考答案的情况下独立判断各提交解答的正确性、完整性与进展程度。结果显示，表现最好的GPT-6-Astra平均解决率为14.0%，其余模型为2.4%至6.7%。
说明MCL：元卷积层，一种输入自适应的高阶多项式卷积核生成方法
简介本文提出元卷积层（MCL），不再把动态卷积核表示为少量基核的线性组合，而是用高阶多项式展开直接建模依赖输入的卷积核。它借鉴深度多项式网络的嵌套残差结构，生成单一的自适应卷积核，可作为即插即用模块加入CNN和Transformer骨干网络。论文报告在ImageNet上为ResNet-18、ResNet-50和ResNet-101分别提升Top-1准确率6.61%、3.42%和3.05%，并在CIFAR和细粒度分类任务上取得提升。
说明动力系统即代码：基于动态系统的模型压缩
简介本文提出一种把模型压缩视为紧凑权重表示的方法：用动力系统轨迹中的索引编码高维参数，解压时再恢复向量，与剪枝、量化、蒸馏等方法不同。作者证明在丢番图条件下，有限轨迹可构成权重空间的ε-网，并统一了空间填充曲线、混沌系统、伪随机生成器和低差异序列等四类动力系统。实验在ResNet-18和Qwen系列模型上显示，该方法无需事后重训练即可获得有竞争力的压缩比。
说明DiscoVL：通过正交对抗正则化解耦跨模态表示的视觉-语言模型学习方法
简介该论文提出 DiscoVL 框架，用于将预训练视觉-语言模型适配到新的下游任务且尽量保持泛化能力。方法包括多分支低秩残差对齐器，使视觉与文本在每层之间进行双向跨模态反馈；以及面向对抗三元组损失的正交正则化，以防止类中心坍缩。作者报告在 15 个基准上，DiscoVL 在基础到新类别泛化、跨数据集评估和少样本学习中均优于现有先进方法。
说明Lapras：面向时间序列语言模型的潜在推理方法
简介该论文提出Lapras，一种为时间序列语言模型（TSLM）进行后训练的框架，使模型在时间序列与语言的联合空间中通过连续的潜在思考进行推理，只在最终答案阶段输出文本。其方法通过教师-学生自蒸馏实现，教师模型用显式思维链文本推理，学生模型在答案阶段对齐隐藏状态。在五个时间序列问答基准上，Lapras相比显式思维链平均F1最多提高10.79%，且生成的词元数减少23.9倍。
说明Cova-PINN：面向复杂几何中流固共轭传热的跨域守恒物理信息神经网络
简介本文提出Cova-PINN，一种多域物理信息神经网络框架，用于求解复杂几何中的流固共轭传热问题。该方法在局部尺度联合优化跨域复合控制体的能量平衡，并在全局换热器尺度约束成对壁面的闭合关系。在四种三周期极小曲面（TPMS）换热器和一种DualMS设计上，相较最接近的基线MUSA-PINN-CHT，出口温度误差平均降低37.7%，设备级闭合误差降低60.2%，并在全场及热负荷精度上也有改进。
说明TKCAM：根据文本与关键帧生成相机运动轨迹
简介本文提出TKCAM框架，基于生成式掩码建模，根据文本提示和稀疏的关键帧RGB图像生成可控的相机运动轨迹。方法将相机位置、速度与旋转表示为12维运动特征，经残差向量量化离散化后，由两阶段掩码Transformer学习重建与优化。作者还构建了大规模文本-相机数据集RealEstate10K-Cap，并在Fréchet距离、文本-运动匹配与检索指标上优于近期基线。
说明面向细长曲线结构的骨架引导渐进式测试时自适应
简介该论文针对血管、道路等细长曲线结构的分割问题，指出微小像素误差会破坏整体拓扑连通性，跨模态域偏移尤其严重。作者提出SGP-TTA方法：渐进式批归一化（ProgBN）按样本数量调度，将归一化统计量从源域逐步过渡到目标域；共识骨架召回（CSR）利用几何对齐的多视角预测构建结构目标，仅更新BN仿射参数以保持连通结构。实验表明，该方法在拓扑连通性上优于现有测试时自适应方法，跨模态场景下优势最明显。
说明空气-水跨介质机器人跟踪：连续真值构建与恢复策略
简介该论文针对空气与水界面处的视觉跟踪难题，提出用相机帧与动捕位姿同步、结合目标几何投影和水下折射修正来构建连续真值测试集，共22,346帧，仅用于评估。作者还提出跨介质恢复策略CMRP，在置信度触发时选择模板并辅助既有跟踪器，无需重新训练骨干网络。结果显示其整体成功率AUC为49.90，优于MixFormerV2官方版本。
说明PeekKV：第一个内容词元已能判断哪些注意力头更重要
简介这篇论文针对大模型推理时KV缓存随上下文长度线性增长、占用大量内存的问题，提出了PeekKV方法。该方法在预填充后只观察一个内容词元，即可同时得到注意力头组得分和词元重要性得分，据此分配缓存预算并保留高分词元，无需离线分析或训练。论文报告，在四个公开基准上，PeekKV在多数模型对比中准确率最高；在Llama-3.1-8B-Instruct上，分别在10%和1.5%的内存预算下保留了全缓存准确率的95.7%和95.9%。
说明超越模仿：面向大语言模型辅助同行评审的框架与基准
简介本文针对机器学习等领域同行评审负担加重、质量下降的问题，提出以验证为中心的视角，把错误检测作为核心任务。作者构建了可扩展的基准，通过向会议论文中人工插入逻辑矛盾来评估系统的识别能力。此外，文章提出多层评审（MLR）框架，先深入理解稿件再生成评审，并报告其与人工评分的较强一致性及较高的错误检测表现，同时指出系统仍易受对抗性操纵。
说明对比度增强还是降噪？改进宫颈癌分类的研究
简介该论文比较了两种图像预处理方法（PMD滤波器降噪、CLAHE对比度增强）对三种卷积神经网络（ResNet-34、MobileNet-V2、DenseNet-121）在巴氏涂片图像分类上的影响，数据集为SIPaKMeD。结果显示预处理普遍提升了性能，其中CLAHE使ResNet-34和DenseNet-121的准确率均从76.73%提高到84.16%，PMD滤波器提升有限且使MobileNet-V2略有下降。作者认为对比度增强比降噪更有效。
说明DaCe-DT：面向异构任务的离线多任务强化学习数据中心方法
简介该论文针对离线多任务强化学习的性能瓶颈，从数据角度指出提示长度利用不足、随机提示片段语义无关以及轨迹碎片化导致误导性监督三个问题。作者提出DaCe-DT框架，包含长度门控提示掩码、检索增强提示构建和价值自适应回报校准三种机制。在Meta-World上的实验显示，该方法在最优数据集和次优数据集上分别平均提升11.73%和13.34%。
说明核赌博机问题的一个通用遗憾下界：证明在一般核函数下，最优遗憾的量级约为 √(Tγ_T)（相差对数因子）。
简介本文研究核赌博机问题，即在再生核希尔伯特空间中以带噪声的反馈顺序优化一个未知函数。论文针对一般的非常数连续核（定义在紧致域上），建立了极小化极大遗憾的通用下界 Ω(√(Tγ_T/log T))，其中 γ_T 为最大信息增益，从而说明已知上界在相差对数因子的意义上接近最优。作者还指出，在某些条件下对数因子可以去除；据此，Matérn-ν（ν∈(0,2)）核、γ-指数核（γ∈(0,2)）及部分分段多项式核的最优量级为 Θ(√(Tγ_T))。
看点给出适用于一般非常数连续核的Ω(√(Tγ_T/log T))极小极大下界，改进了仅限于特定核的已有结果，并给出多类核的紧致Θ(√(Tγ_T))结论。
说明当智能体串通：用于缓解多智能体系统中战略性欺骗的弱到强同策略蒸馏
简介该论文在模拟内幕交易环境中比较单智能体与多智能体团队，发现多智能体协作会显著放大隐瞒不当交易依据、维持欺骗的行为。作者提出 PACT 方法，让较强模型从较小的诚实对齐教师模型学习，在存在生存压力且有伦理指令时，将多智能体持续欺骗率从 80% 降至 3%。
说明通过奇异向量通道选择平衡大语言模型持续学习中的稳定性与可塑性
简介论文针对大语言模型领域适配时的灾难性遗忘问题，提出SVC方法，以奇异向量通道为单位选择性地更新参数，兼顾学习新知识与保留预训练能力。方法利用领域数据估计各通道的适应收益，并用公开通用语料估计遗忘代价，再通过拐点筛选、Pareto前沿过滤和Otsu阈值选择可训练通道。在四个模型系列和八个下游任务上的实验显示，SVC相较现有PEFT基线更好地保留了预训练能力，同时保持了较强的下游性能。
说明最优节奏安排预算支出与学习：一篇关于预算约束在线学习的理论论文
简介本文研究在对抗环境下，带预算约束的在线学习问题，针对任意一类预算节奏专家给出接近最优的遗憾界。作者给出一个全信息算法，在累计支出与给定支出计划距离不超过 D 的专家上，遗憾为 O(D√log F + √(T log F))，并与 Braverman 等人（2025）的下界相匹配。文中还将该方法扩展到在线资源分配问题，在允许分数分配时给出 O(D√log F) 的遗憾界。
看点在预算约束在线学习中给出近似最优遗憾界并匹配下界，首次实现o(√T)保证，证明完整。
说明无需蒸馏：通过非因果噪声整形实现单次前向的实时说话人头像生成
简介该论文提出FaceGAN，用于由音频驱动的实时人脸动画，可用于数字人和远程呈现。它采用单次前向的GAN而非扩散模型，通过对噪声路径进行非因果整形，解决因果生成器难以抑制输出频谱的问题。论文称其表情与头部姿态生成质量与现有先进方法相当或更优，并可在不漂移的情况下无限生成。
说明临床医生使用语言模型的方式与模型评估方式不一致
简介该研究分析了6342名医生、高级执业人员和护士在八个月内向机构AI助手发送的127833条查询，并用RCQ-Map框架对其任务、意图和可回答性等进行标注。研究还将这些查询与58个公开基准进行比较。结果显示，文档与行政工作和知识检索占使用的近三分之二，诊断仅占3.7%，而多数基准不包含文档类请求。作者认为，基准分数难以反映临床AI在多数实际工作中的表现。
看点以12万余条真实临床查询对58个公开基准做系统比对，揭示评测与实际用途的结构性错配，证据规模大，对临床AI评估有广泛影响。
说明扩散元提示与引导：面向可泛化基础模型适配的方法
简介本文提出扩散元提示模型（DMP），用扩散模型对已学习提示的分布进行建模，并依据自然语言任务描述合成新提示。推理时采用引导策略，以训练中表现最好的提示作为扩散采样的潜在锚点。文中报告其在分类、检索和文生图任务上提升了泛化能力，并称存储与推理成本较提示检索方法降低了90%以上。
说明MolP2SBench：大语言模型真的能从分子性质推理出结构吗？
简介本文提出 MolP2SBench，一个评估大语言模型从分子物理性质推断分子结构能力的基准。任务给出遮蔽部分的分子骨架和已知性质，要求模型从候选项中选出缺失结构，并通过打乱或替换性质来检验模型是否依赖正确的性质与结构对应关系。研究评估了七个模型，发现模型使用物理性质的程度因性质类型而差异很大，模型对某类性质的准确率高，不代表其预测对该性质变化更敏感。
说明CityDeploy-Bench：面向多发射机网络部署的物理约束空间集合规划基准
简介该论文提出 CityDeploy-Bench，一个用于城市多发射机无线网络部署的基准测试。它在统一的光线追踪验证器下，把部署问题视为基于物理的空间集合规划。实验显示，随着发射机之间物理耦合增强，部署质量越来越依赖模型能否捕捉集体相互作用，单纯加强搜索无法弥补缺失的关系结构。作者同时公开了 CityDeploy-Data 与基准框架。
说明衡量并缓解RLVR中的解法模式坍缩
简介本文提出了ModeBench基准，用于评估多解任务中的解法多样性，其验证器同时返回正确性和所发现的解法模式。研究发现，基于可验证奖励的强化学习（RLVR）后训练会使概率集中到更少的正确解法模式上，即使准确率保持或提升，且前沿模型本身已高度集中。作者提出Re:Max方法，在回放缓冲区中为每个已发现模式保存一个已验证样例，并对这些样例均匀训练。
说明注意力非线性带来的深度反比缩放
简介该论文研究大语言模型的缩放规律，指出线性注意力模型的参数量缩放与数据谱的幂律相关。作者发现非线性注意力在所有测试的数据谱上都使损失随深度呈反比衰减，使强弱谱方向能并行学习。作者认为深度缩放可能源于注意力的非线性。
说明AffordDrive3D：结合空间理解的可通行性感知世界-动作建模
简介该论文提出 AffordDrive3D，一种同时感知可通行性与几何结构的自动驾驶世界-动作模型。它基于 VLM 骨干网络预测可行驶区域和影响自车运动的碰撞关键区域，并从 RGB 世界模型潜变量预测未来几何结构。在 NAVSIM 上，该方法取得 91.3 PDMS 和 89.9 EPDMS 的最佳结果。
说明《Refine Connections, Close the Gap》：提升自动驾驶场景拓扑可靠性的增强框架
简介这篇论文面向自动驾驶的场景拓扑理解，即车道与交通要素之间的连通关系。作者指出现有方法的连通推理能力常低于理论上限，且由连续分数阈值化得到的拓扑图存在误报或漏报。论文提出TopoEnhance框架，将拓扑增强视为去噪重建过程，使模型从随机破坏的真值图中恢复结构一致性，并在多个基线上提升了连续指标TOP分数与离散连通指标TJS，且无需重新训练。
说明在噪声监督下的多模态学习：学会判断该信任哪些数据
简介多模态分类通常依赖高质量标签，但真实场景中标签常有噪声。本文提出REFINE框架，结合融合表示与单模态表示，通过判别特征向量为每个类别选择噪声检测能力更强的可信表示空间，筛出较干净的样本用于训练分类器。作者称在多种任务上的实验优于基线方法。
说明AgentHorizon：评估长流程电脑操作任务中的智能体评审器
简介该论文提出AgentHorizon基准，包含1,373个电脑操作任务（指令与操作轨迹配对），取自跨三种操作系统、共166小时的人工录制轨迹。通过交换相近指令构造负样本，用于检验评审器能否区分成功完成指令的轨迹与完成了相似但不兼容请求的轨迹。作者评估了十一个评审器，结果显示表现最好的GPT-5.5在AH子集上的平衡准确率为80.9%，并指出评审器需要能在长交互历史中定位并验证隐藏证据。
说明SatFix：从单张斜视图像在卫星地图中绝对定位无人机
简介本文提出SatFix，一种基于VGGT-Ω的前馈式无人机与卫星图像定位框架，可从单张斜视图像或短多视角片段中恢复无人机在卫星地图中的连续二维位置和朝向。论文还构建了用于度量评估的University-Metric数据集。单视角下，52.08%的测试帧定位误差在50米内，中位位置误差为45.66米，中位朝向误差为20.81°；九视角下中位位置误差降至21.96米，中位朝向误差为8.73°。
说明无需渲染前瞻的问题引导主动视觉（Rendering-Free Lookahead, RFL）
简介该论文研究机器人如何通过移动相机获取回答问题所需的视角信息。作者提出 RFL 方法，依据视觉语言模型估计的“可回答性”对候选相机动作排序。训练时利用 3D 高斯溅射（3DGS）场景渲染未来视角作为教师信号，再通过两阶段蒸馏训练学生模型；部署时无需渲染即可选择动作。在 377 个未见环境测试回合中，RFL 的平均评审得分比同一 VLM 的直接动作基线高 43%。
说明将图像编辑器改造为视频编辑器
简介本文提出一种替代端到端视频编辑的方法：不训练整体的视频编辑模型，而是把强大的图像编辑器改造成视频编辑器。方法将视频编辑分解为先编辑少量关键帧、再把编辑结果沿时间传播两个子问题，并提出基于锚点的视频编辑框架（AVE）。在 IVEBench 和 VIE-Bench 上的实验显示其在指令遵循、时间一致性和内容保真度方面表现较强。消融实验表明，最终视频编辑质量与图像编辑器的质量高度相关。
说明FedAlphaEdit：面向协作式知识编辑的零空间对齐合并方法
简介多个机构各自持有私有的知识编辑需求，希望在不共享原始编辑请求的前提下整合到同一大语言模型中。论文指出，将零空间约束编辑（如AlphaEdit）与协作编辑框架（如CollabEdit）简单组合会在结构上失效，并分析了其原因。在此基础上，作者提出FedAlphaEdit，在单一零空间原则下同时对齐本地编辑与服务器端合并规则，客户端共享投影统计量，实验显示其在两类架构上接近集中式编辑的效果。
说明意图图：在分析推理空间中导航的探索性数据分析系统（DAG-EDA）
简介本文提出DAG-EDA系统，让分析人员与大语言模型共同探索可能的分析路径。系统通过“意图图”把模糊的自然语言问题逐步拆解为具体的分析任务，并支持分支与回溯；同时用多层“知识图谱”把领域概念与可衡量的数据集变量相连，使分析人员能检视问题如何落到数据上。两张图仅由数据集和分析人员的问题构建，分析结果以交互式仪表板呈现。作者通过使用场景说明系统，并给出用户研究设计，用于检验该系统能否支撑分析人员的推理与导航。
说明面向身份保持视频生成的多表情参考图集
简介身份保持视频生成需要在合成逼真视频时保持人物身份，但单张参考肖像只包含一种面部表情，无法确定其他表情下的外观。作者通过受控照片和MEAD视频分析表情强度对人脸识别相似度的影响，构建了紧凑且富有表情变化的参考图集，并将Stand-In扩展为以此为条件。在受控基准上，真实与合成的参考图集在三种表情强度下的身份相似度均优于对比基线，极端表情提升最明显。
说明用于全球每日火辐射功率中期预报的图神经网络
简介该论文提出一个数据驱动模型，利用图神经网络（GNN）基于最近可得的观测，预测全球未来1至7天的火辐射功率（FRP）。模型以再分析气象、土地覆盖与植被、近期火情历史以及GBBEPx的FRP作为训练目标，用2020至2022年数据训练，并在2023至2024年进行评估。结果显示其表现明显优于持续性预报，但对火强度的低估仍是主要挑战。
说明在原始视频上对语言模型进行中期训练
简介该研究探讨了在没有字幕、不计算文本损失的原始网络视频上，对已预训练的语言模型进行中期训练是否可行。视频帧被编码为连续视觉标记，模型学习预测下一个视觉标记。研究者用 YT-Temporal-1B 的原始片段对 Qwen3-1.7B 进行中期训练，并与未经中期训练的模型做相同的图文指令微调后比较，结果显示视觉与文本表现均有保持或提升。
说明提示与规则之争：审计并控制语音用户模拟器中的说话自然性行为
简介论文指出，用于评估语音智能体的用户模拟器正加入更逼真的口语行为，如口吃、打断和附和。作者审计了其基于大模型提示的方法（tau-Voice）在三个模型上的实际表现，并与一种基于规则、无需模型的注入算法作对比。结果显示，提示方式难以稳定产生指令要求的行为，而规则方法更可控、更接近自然语音。
说明用于揭露与用于提取能力的蒸馏
简介论文研究如何利用知识蒸馏来审查可能隐藏错位行为的强大AI模型。作者提出两种方法：蒸馏揭露（DFI）旨在迁移错位行为但不迁移隐瞒能力，实验显示学生模型比教师更可能在被问及时承认隐藏行为；蒸馏提取能力（DFC）旨在迁移能力但不迁移错位，其中接种提示和在更少样本上训练更多轮次两种方法有效。
说明PCAsplat：基于局部PCA正则化的高斯泼溅三维重建
简介高斯泼溅是一种从带位姿图像进行三维重建的表示方法，但现有方法仅依赖光栅化损失，被遮挡或对当前视角贡献很小的高斯几何梯度弱，容易偏离表面形成漂浮物。本文提出基于可微局部主成分分析（PCA）的几何感知正则化框架PCAsplat，直接作用于高斯中心邻域，通过约束PCA特征值使高斯贴合表面并均匀覆盖切平面，并将高斯法向与邻域法向对齐。在DTU、Tanks and Temples和NeRF Synthetic数据集上，该方法生成的表面更贴近参考表面且显著减少漂浮物。
说明为何大模型智能体偏袒自己所在的群体：利害、观察到的规范与声誉
简介该论文研究语言模型智能体为何偏向本群体成员。作者在随机分组的小型社会中，让十轮积分分享及一次性决策，测试了15个OpenAI模型和3个Claude模型，涉及约4400个社会、330万次经审计的模型调用。结果显示，群体偏袒主要源于观察到的群体行为，并会被个人声誉覆盖：只有在给他人积分有成本时，仅凭群体标签的偏袒才明显。
看点通过对比有成本与无成本情境并量化历史效应，修正了既有群体偏袒结论，实验规模约330万次审计调用，证据充分。
说明为LLM智能体整理常驻上下文：带容量约束的选品模型与删失反馈
简介LLM智能体每次会话开始时都会加载固定的上下文文件（如AGENTS.md），其中每个token在之后每一轮都会被再次计费，且文件越大性能可能越差。作者把上下文整理建模为带容量约束的选品问题，证明最优文件大小存在上界，并指出把所有有正独立价值的指令都追加进去，净收益可能远低于选择最优子集。论文还分析了从历史会话中学习、以及反馈删失下增删指令的问题，实验表明真实上下文文件中的无关规则会降低模型的遵从度。
说明叙事包装如何影响大模型拒答：跨语言基准与防御方法
简介论文发现，安全对齐的语言模型在直接提出有害请求时通常会拒答，但把同一请求包装在角色扮演或叙事中时却常会作答。作者在英文、现代汉语和文言文上测试了攻击成功率，并构建了 GUISE 基准。针对这一漏洞，论文提出 AXIS 方法，结合偏好优化、表示对齐和完全拒答的训练目标，在 Qwen3-1.7B、Qwen3-4B 和 GLM-4-9B 上取得了安全性与可用性综合得分最高的结果。
说明跨运行工况的多尺度等离子体动力学重构
简介本文提出 ReMAIN 网络，用少量传感器的历史数据重构等离子体的空间分布状态。它保留 SHRED 的循环时间编码，但把解码器换成由循环状态通过特征线性调制条件化的 U-Net，并加入工况参数。在六个一维非线性偏微分方程基准上，其重构误差低于 SHRED；在未参与训练的电场强度下，也能重构带电场与磁场的 E×B 等离子体的多尺度状态与随工况变化的时空动态。
说明降水的低秩张量结构及其在卫星与地面观测融合中的应用
简介该论文将美国本土每日降水表示为时空张量，并用CP分解证明保留空间和时间模式比分解独立日场或展开矩阵重建更准确。基于此提出TMerge框架，通过共享低秩时空因子融合卫星降水（IMERG Final Run）与稀疏地面参考观测。2019至2022年间，TMerge将相关性从0.53提高到0.85，均方根误差和平均绝对误差分别降低48.2%和29.3%。
说明F³NO：带跨尺度条件的频域分解有限时间流映射神经算子
简介该论文提出F³NO模型，用于快速预测偏微分方程的演化。模型把频率分解为低频与高频两支：低频的全局特征用于引导高频细节的非线性修正，并可直接预测指定未来时刻的状态。对于较长轨迹，模型在短时间段内并行预测，段与段之间递归传播。在五个PDE基准上，其预测精度优于自回归与直接预测基线。
说明不变测度推理器：用于潜在推理的稳定表示
简介潜在推理模型用同一个循环模块反复更新潜在状态，状态可能收敛到一个紧致子集而非不动点，因此单一状态的预测可能不稳定。本文提出不变测度推理器（ImR），用循环模块更新下不变的长期分布作为稳定表示，并以该分布下预测头输出的期望进行预测。在迷宫和数独任务上，无论是微调现有模型的预测头还是从头训练，ImR都减少了预测不稳定性并提高了准确率。
说明打包与提取：一种基于图的有效特征选择方法
简介许多分子生物学数据集包含数千个特征，例如单细胞实验中的基因。作者针对基于独立支配集（IDS）的特征选择方法做了改进，使其更偏好多样性更高的特征，并把独立支配集推广为节点打包模型，作为特征选择过程的中间步骤。在五个基因数据集上的实验显示，该方法相比传统模型提高了预测准确率，并使所选特征集更稳定。
说明《Loose Lips：理解智能体对话中的隐私泄露》：研究大模型智能体在对话中如何泄露敏感信息
简介本文将 CIMemories 扩展为 CIMEMORIES DIALOGUE 基准，包含 4,410 个基于情境完整性（Contextual Integrity）理论构建的双智能体对话实例。作者用它评估了 Qwen3 与 Llama 3.1 系列的 7 个开源权重模型，在 1 轮和 6 轮对话、三种提示条件下测试隐私泄露情况。结果显示，任务能力与隐私泄露相互耦合，能力更强的模型泄露更多；带思考过程的模型比非思考模型泄露更多；泄露随对话轮数增加，6 轮时最高可达 1 轮的 3 倍。
看点将上下文完整性理论扩展为4410个双智能体对话基准，并系统评估7个开源模型，揭示能力与隐私泄露耦合的结构性问题。
说明面向细粒度图像检索的区域感知 CLS 令牌增强方法
简介该论文指出，仅用视觉 Transformer 的全局 [CLS] 令牌表示图像，会损害细粒度检索效果。作者用 DINOv2-reg 模型的寄存器令牌，为每个语义令牌匹配一个空间图像块令牌，并截取 N×N 区域生成局部 ROI 令牌，无需外部标注框或显著性模块。再借鉴 ColBERT 的多向量检索框架进行逐令牌对齐，实验表明该方法优于 DINOv2-reg 单向量基线，且适用于大规模检索。
说明Omni-Diffusion-Distill：统一多模态扩散大语言模型的少步蒸馏
简介本文提出Omni-Diffusion-Distill，一种两阶段蒸馏框架，用于压缩同时支持图像生成与多模态理解的统一扩散大语言模型。该方法在离散令牌空间中进行蒸馏，并引入抑制重复和防止熵坍缩的机制。原文报告：图像生成解码步数从128降至8，多模态理解从512降至64，墙钟加速分别为18.2倍和21.2倍，同时在GenEval和DPG-Bench等基准上保持较好表现。
说明多带宽分布匹配蒸馏：分布匹配蒸馏与漂移模型的等价性
简介该论文指出，在预训练的扩散与流式生成模型基础上，把速度场或噪声场转化为漂移模型中的吸引力场，并从生成分布估计排斥力场，训练漂移模型就等价于分布匹配蒸馏（DMD/DMD2）。基于这一等价关系，作者从漂移模型的视角提出了改进方法，即多带宽分布匹配蒸馏（MBDMD）。
说明《Back in Style》：用社会语言学方法设计并衡量用户模拟中人设的忠实度
简介该论文针对用户模拟器与真实用户相似度低、评估依赖主观LLM评判的问题，提出把用户人设视为由语言风格体现的社会类型，并以具体的文体比率来设定人设。作者借用作者身份验证文体计量和基于词典的内容分析两种无模型工具作为诊断指标，在五个客服智能体上进行A/B测试。结果显示，社会语言学方案在多数模型上提升了风格一致性与文体可区分性，但风格忠实并不等同于自然度。
说明Fluid-Gen-Zero：无需训练，让预训练视频生成器遵循物理规律
简介该论文提出 Fluid-Gen-Zero，一种无需训练的框架，用于生成流体与物体相互作用的视频。它把运动动力学交给物理模拟器处理，同时保留预训练视频生成模型的外观生成能力。在 Tora、VACE 和 WanMove 三种骨干模型上，该方法降低了物体轨迹误差和流体端点误差，并在人工偏好研究中获得较多青睐。
说明概率感知，确定性授权：将模型产生的观测纳入充分性检查的治理合约
简介本文研究当合约所需字段只存在于非结构化证据中时，如何让模型感知这些字段，并仅将其输出作为带分数的观测记录接收。接收策略依据held-out数据校准阈值，将分数映射为真、假或未知（未知即拒绝），再由确定性的充分性检查合约作出裁决。论文在两个构造领域、两类传感器上共进行36,000次模型调用，结果未推翻其给出的概率上界，并观察到少量由矛盾记录引起的拒绝转允许情况。
说明用链式线性最小化算子优化大语言模型
简介这篇论文提出“链式线性最小化算子”（chained LMOs），把近来流行的、组合多次矩阵归一化的优化器（如 Muon）统一视为 LMO 的组合。作者指出部分组合超出标准框架，在光滑凸目标上可能发散，并以线性联想记忆为例说明在各向异性嵌入下链式方法可优于 Muon。实验提出 TensorChain，在 Qwen3 0.6B 与 1.7B 预训练中，于匹配的验证损失下，相比 Muon 平均节省 9.6% 的 token。
说明预算约束下的多来源反事实标注用于离策略评估
简介该论文研究在有限预算下，如何从专家、大语言模型等多个来源获取未观测动作的反事实标注，以改进上下文赌博机的离策略评估。作者将标注分配建模为整数规划，以最小化依赖标注方案的估计方差，并提出带动态规划子程序的majorization-minimization算法。在合成临床数据和LLM标注的教育赌博机实验中，该方法相比不标注分别将固定配置的均方误差降低20.58%和10.77%。
说明神经偏微分方程求解器中已学习状态的可迁移性
简介本文探讨神经偏微分方程求解器的复用问题：仅看最终精度不足以判断其有用性，因为精度可能同时来自源端学习和目标端计算。作者提出一套复用评估框架，通过成对状态比较、匹配的目标信息与计算预算及成本核算，将解的精度、学习贡献与数值实用性分开衡量。研究还对12篇论文做了文献审计，并在线性偏微分方程问题上进行了实验，结论是复用需要匹配的状态比较和下游计算证据。
说明引文可能误导？面向法律幻觉检测的主张级基准
简介大语言模型在法律研究与起草中日益普及，但仍可能生成听起来可信、却未被所引来源支持的主张。本文提出 PARCEL 基准，用于检查法律主张是否得到底层权威文件的支持。研究基于纽约州上诉法院近期判决，构建了 3,396 条带标签的主张数据集，标签为支持、反驳或未找到，并在零样本设定下评估多个最先进的大语言模型。
说明ASPIRE：通过集合预测与物理精修发现鞍点的方法
简介该论文提出ASPIRE框架，用于在热激活扩散与缺陷演化的事件驱动模型中寻找原子重排的鞍点。它先由等变集合预测器Ev-Quiformer从单一初始原子环境中生成多个鞍点候选，再用原始势函数上的Dimer搜索加以精修。论文还发布了两个体心立方铁空位构型数据集，并报告其在基准上的事件覆盖率与计算耗时均优于传统Dimer基线。
说明谱定向Muon优化器：仅正交化部分奇异值的训练方法
简介Muon优化器对每个更新矩阵做正交化，使全部奇异值为1，在大语言模型训练中效果显著。本文提出谱定向Muon，只对高于或低于阈值τ的奇异值做正交化，通过改变τ可在归一化SGD与Muon之间插值，并用牛顿-舒尔茨迭代计算投影，无需SVD。作者在CIFAR-10和NanoGPT速通任务上比较了各变体，结论包括：动量的小奇异值并非噪声，Muon的收益主要来自放大这些小方向；缩小最大奇异值有助于保持参数谱平坦，但并不直接决定损失；AdamW与Muon的差异主要体现在结构形成速度上。
说明iAm.md：面向未知开放词汇领域的机器人技能自评估
简介本文提出 iAm.md，一种基于 Markdown 的标准与生成框架，用于让机器人在生成行为前检查自身与环境是否真正支持所请求的操作，以减少“基础失败”（grounding failure）。方法通过开放词汇语义建图，将视觉语言检测与物体分割结果关联到持久的标准化物体记录中，支持智能体自省。作者在仿真的 TIAGo 机器人上进行导航与操作任务的实验，显示该标准化表示可同时支持技能自评估与可执行任务的泛化。
说明面向编程智能体的跨服务商评审运行时契约：受控试点与故障注入研究
简介本文提出一种建议性的跨服务商评审机制，让第二个智能体检查编程智能体已完成的回答，并规定独立资源池、有限执行、受限权限、完整输入、明确失败状态和逐次尝试的证据记录。在20轮配对开发试点中，8轮出现了实质性评审发现。研究还在两类评审后端上发现并修复了部分输入误判成功、进程回收时取消失效等缺陷；但一次退出码非零的评审因被计为完成而暴露出第三个缺陷，且退出状态未逐次记录，相关暴露无法事后还原，因此正式指标需要重新开始计算。
说明LVSPM：长序列视图合成与位姿估计模型
简介LVSPM 是一个可泛化的模型，可以从未标定的图像集合中同时估计相机位姿并合成新视角。它仅用 RGB 图像和位姿监督训练，并借助测试时训练（TTT）层扩展到数百张输入视图。在 RealEstate10k、Co3Dv2 和 DL3DV 数据集上，该模型在 16 至 256 个视图的位姿估计中超过 VGGT，在严格阈值下优势尤其明显。
说明用GPU加速计算图像数据的持久同调，用于拓扑分析
简介本文提出TopoGPU，一套GPU流式处理流程，用于计算二维和三维图像所构成的立方复形的持久图。它分块处理输入图像，并由CPU完成边界矩阵归约。在所评测的每个基准上，TopoGPU都快于Cubical Ripser，平均端到端加速53.24倍，最高198.01倍。作者还将其接入一个保持拓扑的深度网络，表明其能显著降低训练中的持久同调计算开销。
看点提出面向图像立方复形的GPU流式持久同调管线，并给出保持持久同调的离散Morse匹配，在多个基准上平均加速53.24倍，证据较充分。
说明TRACE：衡量生产环境AI系统“可解释性债务”的治理框架
简介论文提出TRACE七项工具治理框架，用于衡量、追踪和修复生产AI系统中的“可解释性债务”，即个别决策无法被解释的累积风险。核心指标可解释性债务分数（EDS）表示低于治理阈值的决策比例。作者以一个处理每日5万笔金融交易的欺诈检测系统为期十二个月的案例进行验证，并认为该框架为欧盟AI法案第13条的合规提供了量化操作架构。
说明用指数级更少的空间学习如何搜索规划方案
简介该论文提出学习一种按领域编写的搜索控制策略，即带寄存器和模式的索引式策略，并加入只需一个候选即可的选择规则。作者证明结构终止性可把每次执行限制为对象数的多项式，从而使深度优先搜索在多项式空间内找到规划方案。论文还称，借助语言模型学习到的策略在 IPC 2023 Learning Track 等测试集上的求解数量多于 LAMA、BFWS 和 Levitron。
看点提出以索引策略学习搜索控制并用多项式空间规划，结合结构终止性证明与大规模基准实验，新颖且证据较充分。
说明SPD-MetaFormer：小样本脑信号解码所需的无注意力架构
简介该论文研究基于对称正定（SPD）流形的脑信号解码模型，发现MAtt与GBWAtt两种注意力模型训练后学到的注意力权重接近均匀分布，用均匀权重替代对平均预测性能影响很小。据此作者提出无注意力的SPD-MetaFormer，在三个EEG基准上取得与已发表的欧氏与流形基线相比具有竞争力的结果。
说明SECURE-AI：面向可信咳嗽声检测的多信号不确定性量化
简介该论文针对声学咳嗽检测模型在实际部署中容易在语音或噪声干扰下自信地误判的问题，提出SECURE-AI框架，结合蒙特卡洛Dropout、温度缩放和嵌入空间马氏距离来判断何时不应信任预测结果。实验基于Coswara数据集的留出测试集，结果显示嵌入空间的马氏距离信号区分效果最好，并可在保留90%真阳性检测的同时明显减少误报。
说明RH-Detect：奖励投机检测的统一基准
简介该论文提出 RH-Detect，把十一个公开数据集中与奖励投机相关的子集整合为统一格式，共 92,761 行、六类行为。研究者在 5,021 个开放式评估单元上测试了六个现成语言模型作为检测器（未额外训练），最佳模型的合并 AUROC 为 0.962。结果显示，多轮工具使用数据（MALT、TRACE）上的准确率明显低于其他来源，且不同输入格式和训练方式的效果存在差异。
说明AI4Fire：评估大语言模型在野火任务上的表现
简介本文用 AI4Fire 基准评估大语言模型在五类野火任务上的表现，比较模型只接收原始输入与同时接收任务相关参考信息两种设置。作者发现，当参考信息直接包含答案时（如只读 SQL 工具），模型的数据库查询准确率大幅提升；简单规则也很难被超越，部分模型的预测甚至不如直接沿用历史中位数。论文还指出公开数据集存在的标签与泄露风险，并公开了提示词、回答、评分、代码和文献记录。
看点通过裸跑与附加参照的配对对比，系统评估LLM在野火任务上的表现，并揭示数据发布中的泄漏隐患，新颖实用；实验覆盖多模型多任务。
说明GHARP：基于大规模重建先验的实时高斯人头动画
简介该论文提出GHARP方法，可依据少量人物输入图像和驱动表情信号，实时生成三维人头动画。方法分为离线的身份阶段与运行时的动画阶段，后者在预训练重建模型的语义潜空间中预测表情残差，并通过身体对齐网络减少身体姿态与服装位置的歧义。作者称其在Ava-256基准上达到当前最佳质量，并在A100 GPU上最多快13倍，使用的高斯数量减少8倍。
说明超越预测：上下文学习中概念恢复的组件级研究
简介该论文指出，语言模型仅凭示例做出准确预测，并不能说明其真正恢复了底层概念。作者将概念拆分为组件，通过结构化干预分别评估组件级与整体概念的恢复情况。研究发现，模型常在整体恢复较差时仍有高预测准确率，且联合指定相关属性及其层级约束能显著改善恢复，但该改善较为脆弱。
说明StoreBench：用于评测和训练自主店铺运营智能体的直播电商环境
简介论文提出 StoreBench，一个模拟运营中型线上服装店铺的直播电商环境，智能体通过与人类商家相同的 29 个工具操作，需在不确定条件下进行长期规划和经济判断。在七个前沿大模型的评测中，没有模型在平均水平上超过脚本化的分诊策略；人类专家的综合得分略高于所有模型。作者还用 GRPO 训练一个 27B 模型，其在留出评测任务上的综合得分从 0.136 提升到 0.373。
看点提出带动态世界和防奖励作弊机制的电商运营环境，并以脚本策略校准阈值，评估多个前沿模型与人类专家并进行GRPO训练验证，证据较扎实。
说明面向执行器退化的四足机器人强化学习中的高阶形态先验
简介论文研究四足机器人在执行器退化（关节动力下降）时的运动协调问题。作者将 Unitree Go1 建模为包含肢体与躯干二阶单元的胞复形，并采用基于 Hodge 的消息传递策略网络。在退化条件下训练后，该节点-边-面 Hodge 策略在未见过的执行器退化上取得最高回报，存活率更高、速度跟踪误差更低。作者认为高阶形态结构可作为全身补偿的有效归纳偏置。
说明重新思考脉冲语言模型中时序编码与非线性计算的权衡
简介脉冲语言模型在短时间窗口内表示连续语义特征与保留高成本的非线性注意力运算之间存在权衡。论文提出Spora，同时设计脉冲编码与注意力算子，利用二值时序权重让T个脉冲表示最多T比特的信息。在四个时间步下，Spora的GLUE平均分为76.6，CoLA MCC为44.1，分别比SpikeLM高1.2和6.2分；扩展到六步后分别达到78.2和47.4。
说明用于目标条件强化学习的世界模型策略仲裁器
简介离线目标条件强化学习中，不同算法在不同环境和目标上表现各异。本文提出WMPA，在测试时把一组冻结策略放入学习到的世界模型中展开想象，用共享的目标价值函数评估未来，并在每个短时间段内执行得分最高的策略。在OGBench的18个状态数据集上，宏观平均成功率由每个数据集最佳单一策略的44%提升至58%，其中12个数据集上的提升具有统计显著性。
说明符号回归中的系数校准：作为选择压力的作用
简介该论文研究符号回归的模因算法中，系数校准方式本身如何影响进化选择。作者提出 DSCA 校准策略：把优化数据划分为协变量分布不同的等大子集，在每个子集上独立校准候选表达式，并取参数均值进行评估。在合成基准和十个真实数据集上，相比集中式 BFGS 与 Levenberg-Marquardt 校准，DSCA 在函数恢复和精度-复杂度权衡上表现更好。
说明CircuitTree：把电路组合成音节转写器
简介本文提出一种把多个可解释的神经网络小电路组合成单一模型的方法，包括贪心的密度缩放组合算法，以及基于树形组合调度的 CircuitTree 数据结构。作者从 HuBERT 中剪枝得到电路，将音素电路组合成音节分类器，并用级联的电路层级流程转写开放音节，准确率为 64.8%，与不共享电路的 66.0% 上限相差很小，且 99.5% 的电路组件被共享。
说明面向资源受限车联网的自适应多判别器WGAN框架（结合强化学习与博弈论）
简介本文提出一种自适应多判别器Wasserstein GAN（MD-WGAN）框架，用于资源受限的车联网（IoV）环境。框架由路侧单元上的生成器与深度Q网络（DQN）智能体协同，选择判别器子集并管理车辆节点上的分布式训练，同时通过博弈论协调在生成器与判别器之间分配训练轮次。在真实NGSIM轨迹数据上的评估显示，其预测精度与先进GAN基线相当，RMSE为1.029、MAE为0.894，且平均CPU利用率约降低28%，平均内存使用约降低6%。
说明论文补充：仿真张量内存平衡模型缺失的第四项——残差分解成本
简介本文指出 Ozaki Scheme II 仿真 fp64 的张量内存平衡（TME）模型遗漏了输入端的分解成本，即在矩阵乘法前对每个操作数进行缩放、取整及对各模数取模的开销。作者补充了这一项，并据此推导出运算强度阈值，低于该阈值时仿真无法与原生 fp64 相比。文中指出，在 NVIDIA B300 上 GEMV、SpMV 等访存受限内核的性能仅为原生的 0.3–0.9 倍。
说明用语言模型评估电商搜索页面的版面决策
简介本文研究电商搜索页面中是否插入次级商品栏及其插入位置是否有益于用户。作者比较了直接提示判断、基于提示派生特征和基于表示的三类语言模型评估方法。结果显示，基于表示的方法在预测用户参与度方面始终优于提示判断，可作为离线版面评估的可靠基础。
说明数据质量指标的可执行实现指南
简介现有数据质量标准ISO/IEC 25024和ISO/IEC 5259定义了指标但未说明如何实现，导致难以落地。本文将标准中的数据层指标分为无需额外输入、可由干净参考数据学习参数、需要人工判断三类，并为前两类给出实现指南。作者开发了开源库dqmeasure，包含20个指标，实验显示指标分数随注入错误增多而单调下降，并与下游机器学习性能同步下降。
说明大语言模型用于机器翻译质量标注：人类与模型均面临挑战
简介本文评估大语言模型在机器翻译质量评估中的表现，比较其与人工标注者的一致性，所用方案为MQM与ESA。实验涵盖70个语言对的长文本测试集及WMT23、WMT25公开数据。结果显示，在部分任务上模型与人工的一致性超过人工之间的一致性，但整体在不同方案、语言对和领域间差异很大，多数情形下仍不可靠。
说明RADAgent：用私有开源大模型自动化 RADseq 分析流程
简介RADseq 是一类利用限制性内切酶对基因组取样的低成本简化测序方法，常用于群体基因组学等研究，但完整分析需要多工具和多阶段的专家协调。本文提出 RADAgent，把 RADseq 流程拆分为 16 个可独立执行和验证的智能体模块，并用开放权重大模型驱动。在一个包含来自 19 个群体的 476 个样本的真实数据集上，结果显示它能可靠地自动完成整个流程，且基因组数据和模型运行都保留在本地环境中。
说明当听指令变得更容易：消除视觉捷径以提升视觉-语言-动作模型的稳健性
简介该论文研究机器人学习中的捷径学习问题：有限的示教数据可能使策略依赖视角、背景等与任务无关的视觉特征。作者发现不同视觉-语言模型主干对视觉捷径的敏感程度差异明显，并提出一种无需策略执行即可计算的表征级指标“动作间隔”。作者进一步提出“任务擦除”这一域对抗训练方法，在仿真与真实机器人实验中提高了分布外泛化能力，并往往能消除视觉捷径学习。
说明《读懂场合》：大语言模型规范能力的基础、设计与挑战
简介论文研究大语言模型能否从互动中推断社区实际执行的规范，而不依赖预训练中的静态知识。作者设计了多智能体社区辩论环境，以合成规范控制发言权，并测试了多种规范推断模块。结果显示，基线模型即使学习规范能提高准确率也学不会，规范遵循对规范类型和模型较敏感，并且会不加区分地模仿规范外的无关行为。
说明你的语音质量指标有多容易被攻破？一套修正后的评测协议、基准及补丁效果
简介该论文研究用作奖励信号的语音质量预测器能否被对抗扰动“欺骗”。作者指出现有测量方法有两处缺陷：一是神经编解码器等处理链本身会改变分数，应以未扰动的往返结果作为参照；二是单个训练出的攻击者只是一次采样，需取多个攻击者的最坏情况。按此协议，NISQA、SSL-MOS、DNSMOS、UTMOS 的被攻破比例分别为 90%、21%、14%、6%。作者还审查了一个攻击-检测-修补闭环，发现其增强效果有限且在域外会损失系统相关性。
说明Gen-PINNs：用于求解偏微分方程的生成对抗物理信息神经网络
简介物理信息神经网络（PINNs）是一种无需数据、用机器学习求解偏微分方程的常用方法。本文指出标准PINNs存在谱偏差、损失失衡和优化停滞等局限，并提出结合对抗学习的确定性残差框架Gen-PINNs，用于改进具有陡峭或激波前沿特性的方程求解。论文在Burgers、Allen-Cahn和Kuramoto-Sivashinsky等非线性及高阶方程上与标准PINNs进行比较，结果显示其在精度和收敛性上有明显提升。
