机器学习、人工智能、自然语言处理、计算机视觉、多智能体。
说明自动驾驶车辆集体路径选择需要社会意识，以便与人类驾驶车辆共存
简介本文研究混合交通中自动驾驶车辆（AV）的路径选择，指出只追求自身出行时间的路由可能增加人类驾驶车辆的通行时间。作者在自动驾驶奖励中加入“边际成本”（对比移除该车辆的反事实仿真），并用多智能体强化学习在因戈尔施塔特和普罗万两个真实路网上进行实验。结果显示，纳入社会成分后，人类驾驶车辆的时间增幅减少，自动驾驶车辆自身出行时间也缩短，系统整体表现更好。
说明回放时干预：突破策略上限的智能体强化学习
简介本文提出回放时干预（RTI）方法，在智能体生成轨迹的过程中借助奖励侧的评估准则，把错误轨迹修正为成功轨迹，为模型很少能自行解决的任务提供有效学习信号。作者发现，将分布偏移过大的干预轨迹过滤掉后，这些离策略轨迹仍可有效指导策略优化。在五个基准上的实验显示，RTI 优于强化学习基线，使后训练策略接近更强的当代大模型，并超越其原有能力边界。
说明对学习得到的事件表示进行局部诊断，用于HL-LHC异常检测
简介该论文研究在大型强子对撞机高亮度阶段（HL-LHC）条件下，如何用神经网络学到的低维表示检测偏离标准模型的碰撞事件。作者在一个含7.5亿事件的模拟数据集COLLIDE-2V上比较了有监督与自监督嵌入方法，以潜在空间自编码器的重建误差作为异常分数。论文还提出了局部诊断流程，用于定位被标记事件并按局部判别能力对可观测量排序。
说明PPG-Bench：用于光电容积脉搏波（PPG）基础模型的统一基准测试
简介该论文提出 PPG-Bench，一个开源统一基准，在 9 个公开数据集、26 项任务上评估 5 个公开 PPG 基础模型，并与随机/常数基线、基于脉搏变异性（PRV）的确定性特征集及通用时间序列基础模型 MOMENT 对比。研究发现，在 68 个任务与评估方式组合中，35.3% 未显示出优于随机/常数基线的明显优势，83.8% 中没有 PPG 专用基础模型同时优于 PRV 与 MOMENT。作者认为，目前的 PPG 基础模型尚不能声称提供了通用、可迁移的 PPG 信号表示，今后评估应包括与简单非学习型基线的对比。
说明基于Sigmoid标签的CNN-Transformer高分辨率亚度级波达方向估计
简介该论文针对基于深度学习的波达方向（DOA）估计中的网格量化误差问题，提出一种Sigmoid标签，将信源方向编码为角度平移的单调Sigmoid函数之和。使用该标签训练CNN-Transformer网络，可在0.25度网格步长下实现亚度级精度和1度分辨率。在统一的网络结构下，论文将其与高斯标签、0-1硬标签及二元交叉熵基线进行比较，结果显示Sigmoid标签的精度和分辨率最优。
说明金融语音是否需要持续学习正则化？关于 EWC 与 mini-KFAC 在财报电话会议语音识别上的研究
简介本文研究财报电话会议语音识别中的持续学习问题，将 Whisper-small 从通用语音语料适配到 Earnings22 基准。结果显示，在同领域金融语音上，所有方法在适配过程中都有改进，而非遗忘，因此在这种任务互补的情况下正则化反而不利。若确需正则化，文中认为分层 mini-KFAC 近似比对角 EWC 的词错误率更低、优化更稳定。
说明当 AI 顾问意见一致时：区分预测风险与预测可靠性
简介本文研究七个 AI 顾问（由十个 Gemini 配置组成）对 232 只资产第一季度回报的预测一致性。作者比较了共识预测与“不变化”基线的误差，发现误差随分歧增大而上升，但基线误差上升几乎相同，表明一致性更多反映资产本身的风险。文章指出，共识的方向准确率还依赖于汇总规则，因此应分别评估一致性、资产风险与汇总方式的预测能力。
说明时间序列因果发现入门指南：面向多领域的统一综述
简介这是一篇教程类论文，梳理了时间序列因果发现（检测时间序列之间因果关系）在统计学、动力系统和机器学习等不同研究社区中的发展。文中介绍了现代发现方法所依据的关键原理，讨论了其局限与假设，并说明了这类方法如何评估、基准测试与调优。文章还提到该技术在农业、地球科学、医疗和人工智能系统中的下游应用，并附有配套代码与资源仓库。
说明SADL：用于ISLES 2026慢性脑卒中病灶分割的大小自适应决策层
简介该论文针对T1加权MRI上慢性缺血性脑卒中病灶难以分割的问题，构建了由十一个nnU-Net模型组成的集成，并加入名为SADL的决策层，根据病灶体积自适应设定阈值并修剪与补救小病灶。在按站点划分的91例测试集上，SADL取得Dice 0.7322、lesion-F1 0.7461和PR-AUC 0.8430，相对单一成员的lesion-F1提升在p=0.024水平显著，且小病灶场景提升最大。
说明Web$hell：面向智能体网页访问的统一接口
简介该论文提出 Web$hell，一种将网页访问统一到单一访问模型下的接口，供大语言模型智能体使用。它通过 WebCompiler 把实时网页编译为可寻址的信息与操作对象，并借助 WebCache 持久维护这些对象。作者报告，在网页搜索、网页导航和深度研究基准上，该方法以较低成本取得了较好的任务表现。
说明TextVBench：评估视频生成中的文字渲染与保持能力
简介该论文提出 TextVBench 基准与评估框架，用于检测视频生成模型能否正确生成、并在整段视频中保持文字。它包含两个赛道：依据提示词生成文字（T2V），以及保留参考图中的文字（Ref2V）。评估同时考量单帧空间准确性与跨帧时间一致性，并按文字、版式、载体和运动等属性分组分析。原文报告 MiniMax-H3 的 T2V 得分为 68.32，最高 Ref2V 得分为 56.51，且参考文字区域数量增加时表现明显下降。
说明系统辨识中的上下文学习：概率化建模、长序列处理与基准验证
简介传统系统辨识先用训练数据估计模型，再用模型预测新输入的输出；本文采用上下文学习方法，由离线训练的元模型直接从训练数据和查询输入映射到输出，无需显式估计模型。作者提出结合 Transformer 编码器-解码器与长序列处理机制的统一概率元辨识架构，并展示预训练元模型可作为带不确定性的合成数据生成器。在标准非线性系统辨识基准和一个分布外场景上的评估显示，该方法精度与现有先进方法相当，并具有较强的泛化能力。
说明用持久候选集加速线性赌博机
简介针对动作数量很多的线性赌博机，穷举式乐观打分每轮代价高昂。本文提出 PC-LinUCB，保留 k 个活跃动作，每轮从其余动作中均匀抽取 q 个挑战者，只对这 k+q 个候选打分。实验显示它能显著加速 LinUCB，同时遗憾值相近，且该机制也可推广到 LinUCB 以外。
说明半干旱地区荒漠化预测：用深度学习探究土地退化动态的可观测极限
简介该研究用卷积LSTM网络，基于2000至2023年卫星地球观测数据，预测塞阿拉州（巴西）的退化指数（IDV）逐年变化。结果显示，网络对区域整体趋势有一定预测力，但对单个网格单元的逐年变化预测能力有限。因此，基于卫星数据的荒漠化预测适用于区域趋势，不适用于单个地块。
说明为何在复杂多变的世界中线性模型仍然有效
简介本文指出，即使底层机制是非线性的，线性模型在复杂领域中仍可能有良好的预测表现，原因在于世界的复杂性超过了能从有限、部分观测数据中可靠学到的程度。灵活模型可能捕捉到只在某一环境中成立的曲率、阈值和交互作用，而在其他环境中失效；当这种不稳定性主要存在于非线性部分时，省略它反而可使线性模型在新环境中的预测误差更低。作者给出了一个平方误差情形下的命题作为论证。
说明RegulaTutor：基于理论的长期个性化学习框架
简介本文提出 RegulaTutor，一个面向长期个性化辅导的框架，借鉴自我调节学习理论，将学习者的历史记录、学习状态判断与教学策略相互关联，并随新观察更新。作者还提出 PairRoute 离线改进流程，用于区分框架、模型或两者混合造成的错误并进行针对性修正。作者称该框架在历史证据准确率、学习者诊断和教学质量评分上平均有所提升。
说明迈向世界屋脊：藏语自然语言处理研究进展
简介本文对藏语自然语言处理研究做了系统性文献计量调查，统计了2004至2026年ACL Anthology与DBLP中的140篇论文，按发表场所、研究领域、第一作者所在国家和资源发布情况进行标注。研究显示，84%的论文发表于2018年以后，研究领域由语料、分词逐步扩展到文字、语音、应用与大语言模型，中国大陆研究者第一作者占87%。文章指出藏语在方言、负责任的自然语言处理、评估、资源开放等方面仍存在缺口，并建议在大语言模型时代推动开放科学与社区参与。
说明无模型贝叶斯聚类与多峰后验概括
简介本文提出一种无模型、考虑噪声的贝叶斯聚类框架，从预测贝叶斯角度构造关于聚类结果的鞅后验，无需显式的似然和先验设定，也不依赖昂贵的MCMC采样或众数搜索型变分近似。为解释高维后验，作者引入基于Wasserstein距离的概括方法，将大量后验样本压缩为少量带权代表，并边缘化密度水平的不确定性。结果表明该框架能够有效刻画聚类与噪声的不确定性。
说明ProgramGym：为长周期程序复现智能体扩展训练环境
简介该论文提出 ProgramGym 框架，包含用于构建可验证训练环境的 Program-Env 和用于长周期程序复现的 Program-Agent。研究构建了涵盖 C、C++、Go、Rust 的 1,648 个训练环境，并在 ProgramBench 上进行实验。文中报告经微调后 Qwen3.8-27B 的性能从 34.87% 提升至 42.84%，Program-Agent 的基础与微调模型分别达到 55.71% 和 56.25%。
说明PlacePulse：从结构化地理数据中学习可迁移的地点表示
简介本文提出PlacePulse，一个结构化地理空间基础模型，将美国约105万个H3七级网格单元的572项属性（扩展为2288个输入）压缩为256维单位范数嵌入。作者还设计了一套双轴基准，分别评估表示本身的质量与下游预测效用。实验显示，该嵌入在多项外部目标上优于维度匹配的特征选择基线，并与谷歌的人口动态基础模型相当，在健康、经济、选举、经济流动性和社会脆弱性等方面各有优势。
说明基于影像组学与标签条件共形预测的甲状腺结节分类
简介该研究提出一种基于影像组学的甲状腺结节恶性程度分类方法，使用PyRadiomics提取特征，并以广义可加模型（GAM）作为分类器。研究采用标签条件交叉共形预测为预测结果提供不确定性估计，对模糊病例标记为需临床复核。在公开超声数据集TN5000上，经筛选保留36个特征，GAM验证集AUC为0.89，灵敏度0.83，特异度0.82；测试集中63%的结节获得确定性预测，其余37%转交临床医生。
说明MoPrO-SD：面向立场检测的模块化提示词优化方法
简介大语言模型在立场检测上仍有困难，因为立场常隐含在讽刺或语境之中。本文提出MoPrO-SD框架，将提示词拆分为语义功能模块，并借助大语言模型反馈按顺序逐步优化，同时比较了三种优化策略。作者还发布了用于疫苗立场检测的人工标注数据集VaccineStance，实验显示该方法在多数设置下优于人工编写的基础提示词。
说明BLOKS：用素描块预条件扩展核求解器
简介论文提出BLOKS，一种基于共轭梯度法的求解器，用于Nyström素描的核岭回归（KRR）。它将块Jacobi近似与素描相结合设计预条件器，其内存开销与数据集规模和参数数量无关，从而可扩展到大模型。作者在大规模基准数据集上测试，结果显示BLOKS的精度与现有先进方法相当或更好，同时保持有利的时间和内存复杂度。
说明从结构到有效性：面向大模型评分标准的机制引导生成与精修
简介该论文系统分析了评分标准（rubric）设计中的标准组织、标准可操作化和分数聚合三个环节。研究发现，结构化组织有助于更全面地构建评分标准，仅靠语义描述并不能保证标准层面判断的有效性，而复杂的分数聚合带来的额外收益有限。基于这些发现，作者提出了结合自适应树构建与语义优先、响应校准精修的 ARTS-Hybrid 方法，实验显示其提升了端到端评估表现和评分标准本身的质量，并可为模型优化提供有效信号。
说明用专家选择偏置缓解数据不平衡问题
简介论文指出，混合专家（MoE）模型中，若训练数据在各类别间不平衡，少数类别的标记可能集中于少量专家或分散低效。作者提出按输入类别施加专家选择偏置，引导不同类别的标记倾向于不同的专家子集，并允许在有用时保留跨类别共享。实验显示，在模态、低资源语言和代码等类别上，参数规模最大达 10.6B 的模型均有性能提升。
说明用信息瓶颈揭开无分类器引导的黑箱
简介本文从信息论角度研究扩散模型中无分类器引导（CFG）的激活时机，把扩散轨迹建模为随时间变化的信息瓶颈。作者发现条件信息的作用在采样过程中并不均匀，在由 Fisher 信息平衡条件刻画的关键阶段之后明显增强。据此，论文提出一种无需训练的动态 CFG 策略，在估计的引导增益超过预设阈值时才激活引导，并说明区间引导是其极限特例。
说明基于物理感知的多领域拉曼光谱自监督预训练
简介本文提出一种基于掩码自编码器（MAE）的多领域自监督学习框架，用于从生物、化学、法医和材料等异构拉曼光谱数据中学习可迁移的表示。预训练结合了掩码强度重建与稀疏Voigt峰形解码器，并加入去噪目标。实验表明，在标注数据有限的困难任务上预训练收益最明显，注意力探测比线性探测能挖掘更多信息。
说明AgentSWE：编程智能体能否构建用户真正想要的智能体？
简介该论文提出AgentSWE基准，用于评估编程智能体构建智能体软件的能力，涵盖从需求创建完整智能体、编辑生产代码库和面向可衡量目标优化三个阶段，共25项任务。评估采用隐藏测试用例，按需求衍生的评分标准判定是否真正交付需求。结果显示，现有编程智能体远未达到需求要求，并总结了对可见用例过拟合、看似完整实则空壳运行、以及无依据宣称完成等常见失败模式。
说明SWE-Critix：用于评估编程智能体执行轨迹的通用验证器后训练方法
简介该论文提出SWE-Critix，一种对编程智能体执行轨迹进行判断的通用验证器训练流程。验证器根据任务及其执行过程，给出任务是否完成的判断并附上自然语言分析。方法结合监督微调与强化学习，在保留测试集上分类准确率从基础模型的57%提升至监督微调后的66%，强化学习后达到78%。
说明AlphaNIST：仅凭二元任务奖励习得的装配技能
简介本文研究在NIST装配任务板#1上，仅用稀疏的二元任务奖励和任务多样性训练机器人装配策略，是否能让机器人自行发现装配方法，而无需演示、进度奖励或逐任务调参。作者在仿真中从零训练单一策略，完成全部20个装配任务，训练成功率为98.2%。学到的策略还表现出灵巧操作和类似规划的行为，例如为后续装配选择抓取方式、利用周围几何结构调整零件朝向。
说明EmoGavel：面向多模态情感偏好学习的可验证奖励与错误定位强化学习框架
简介该论文提出 EmoGavel，用于多模态情感偏好学习，即判断哪一条开放式情感描述更符合人类判断。方法包括先做带定位监督的微调（Grounded SFT），同时学习偏好预测、错误定位、修复和缺失证据恢复；再用 GA-GRPO 以可验证结果进行强化学习优化。作者称，在 EmoPrefer 和受控错误评测集上，该方法提升了偏好预测与错误辨别能力。
说明《AI 的扑克脸：语音多轮对话中说服与谄媚的对比》
简介这是一项随机对照实验（N=616），参与者与大语言模型进行多轮语音对话，分为非指向性及两种持相反立场（支持或反对女权主义）的指向性条件。研究考察了观点变化、修辞策略以及谄媚行为，发现两种指向性条件都使观点向各自立场移动，但支持女权主义的一方变化更大。谄媚行为虽普遍存在，却与观点变化无关，而是影响了用户的主观体验。
说明用于基于知识的材料替代的分层多智能体推理系统
简介本文提出 MARS，一种分层多智能体推理系统，用于在科学与制造约束下进行基于知识的材料替代。研究以替代全氟和多氟烷基物质（PFAS）为案例，系统依次完成需求分析、有依据的候选材料生成以及可制造性评估与工艺设计。在多随机种子的消融实验中，MARS 在三个子系统上整体表现最好，且在骨干模型固定时优势依然存在。
说明临床机器学习中隐藏的数据问题：MIMIC-IV 预处理的时间、语义与人群对齐偏差
简介论文指出，常被复用的电子健康记录预处理流程可能隐含关于信息可得时间、标签对应的临床事件以及缺失值含义的假设，而这些假设很少被系统审计。作者以 MIMIC-IV 为案例，量化了时间、语义和人群三类对齐问题，并给出时间有效、临床对齐且可复现的预处理建议，相关代码已公开。
说明测试时记忆构建：在推理过程中按需构建LLM的长期记忆
简介大语言模型在回答跨越多个会话的长交互历史问题时表现不佳。本文提出T²Mem框架，离线只提取轻量的片段级元数据作为检索线索并保留指向原始交互的链接，在测试时由大模型按查询需要逐步检索、组织并构建记忆。在LoCoMo和LongMemEval上，该方法在多种骨干模型下优于强基线，并显著降低了记忆构建开销。
看点将记忆构建推迟到推理阶段并按查询自适应，对已有离线记忆系统有实质改进；在LoCoMo和LongMemEval上多骨干模型一致优于强基线。
说明为何没有长跳跃连接的DiT模型作为表征学习器表现较差
简介该论文研究扩散模型主干网络中间激活（扩散特征）用于视觉理解的效果。作者发现，带有长跳跃连接（LSC）的扩散Transformer（DiT）能产生更好的特征。分析指出，扩散噪声携带扩散轨迹信息，若穿过主干会干扰图像信号，而长跳跃连接可让噪声直接绕过主干，因此提升特征质量。
说明通过振荡动力学理解 Mamba-3
简介Mamba-3 在循环状态更新中引入了依赖输入的旋转。该论文把这些旋转解释为欠阻尼二阶动力学，并以此研究振荡在序列建模中的作用。对照实验显示，在状态跟踪任务上欠阻尼动力学优于非振荡的阻尼方式；语言模型预训练也显示出对长上下文预测和长度泛化的益处。
说明VideoAWR：用解耦时间步优势加权校正强化视频流模型
简介该论文针对基于回归的强化学习训练视频流模型（flow models）的问题，提出VideoAWR方法。它将采样过程与优化锚点解耦：由EMA参考策略生成引导采样结果以保持奖励可分性，可训练策略则对无引导条件锚点进行校正。实验在Wan2.1-1.3B和14B模型上进行，结果显示在无CFG和启用CFG两种设置下，训练都较稳定，视觉与运动质量均有提升。
说明文生图Transformer中的注意力汇聚点：扩散模型与自回归模型的比较研究
简介该论文研究文生图Transformer中的“注意力汇聚点”，即持续获得过高注意力权重的token或位置。作者比较了双向扩散模型与因果自回归模型，发现两者汇聚点的位置不同：自回归模型集中于首个及全局性token，扩散模型则出现在模态边界、文本区域和空间角落。研究还通过扰动实验与引入寄存器token，考察这些汇聚点的功能作用。
说明AgentTune：面向调用工具的大语言模型智能体的统一训练生命周期库
简介该论文介绍了 AgentTune，一个可获取源代码的 Python 库，用于统一开发和优化会调用工具的智能体。它以两层 EventLog 表示保存智能体的执行轨迹，并支持训练、评估和审计。库中提供工具调用强化学习、智能体蒸馏、检索增强生成、评估工具等组件，论文以法律合同检索等任务展示其用途。
说明PDE-PFN：基于先验数据拟合的神经偏微分方程求解器
简介该论文受大语言模型在噪声预训练数据下仍具泛化与鲁棒性的启发，提出 PDE-PFN，用于通过上下文学习预测二维偏微分方程的解场。模型基于带自注意力与交叉注意力的 Transformer 型 PFN 架构，并以物理信息神经网络生成的带噪近似解进行预训练。论文报告其在多种异构方程上具有经验泛化能力，在噪声先验下保持鲁棒，并且无需梯度更新即可进行上下文推理，预测精度与所比较的基线相当或更好。
说明基于掩码扩散语言模型的工具集成化学推理智能体
简介本文提出ChemDiffAgent，这是首个用于工具集成化学推理的掩码扩散语言智能体，将推理与工具调用轨迹视为迭代去噪过程，使工具使用决策能结合完整轨迹上下文共同确定。作者采用两阶段后训练框架（智能体监督微调与方差降低偏好优化），并构建了覆盖六类化学任务、包含单轮与多轮工具调用的基准。在预算与评估条件一致时，该方法整体优于自回归智能体，约提升20%；其8B模型在部分情形下可与GPT 5.5、Claude Opus 4.7等更大规模模型相当甚至更优。
看点首次将掩码扩散语言模型用于工具集成化学推理，提出全轨迹去噪的新范式；但实验覆盖面与对比细节需进一步验证。
说明DuoRate：面向混合专家模型推理的双速率逐专家精度分配
简介本文指出，混合专家（MoE）模型推理时，常驻存储按全部专家计费，而单步解码只读取被选中的专家，二者的比特率不同。作者提出DuoRate，离线只存储一份统一精度的权重，在线依据工作负载的预填充结果，通过拉格朗日率失真分配为解码读取分配精度。在Qwen3-30B-A3B上，2.3 bpw的读取速率超过了所有2比特级基线，2.9 bpw可与读取量多出1.4至1.6 bpw的4比特格式相当。
说明将分词从主机卸载到 GPU，用于智能体式大模型服务
简介智能体工作负载会反复发送几乎不变的长上下文。前缀缓存虽能跳过大部分预填充，但每个请求仍需先完整分词，分词在首 token 延迟中占比最大。本文提出 GraphTok，把整个编码流程作为一个可重放的 CUDA 图在 GPU 上运行，与参考分词结果逐位一致，并可接入 vLLM 与 NVIDIA Dynamo。论文报告其在吞吐和尾延迟上相对 gigatoken 等方法有明显提升。
说明CoVA：组合变分自编码器表示用于生成学习，一种无需外部编码器、轻量提升扩散模型训练效果的方法
简介该论文提出CoVA框架，在流匹配训练中在线组合生成模型自身VAE的特征，作为分阶段引导。训练早期让SiT中间特征与之对齐，之后移除对齐并使用后验进行软标签条件化。在ImageNet 256×256上，SiT-XL/2的FID从17.2降至7.4，并以仅8.5M训练辅助参数实现，且推理阶段无额外开销。
说明面向LLM预训练数据的主机感知网络爬取研究
简介该论文研究如何在网页爬取中分配预算，以获取更多高质量的大语言模型预训练数据。作者发现，文档质量分数的差异约有一半来自不同主机之间，并比较了基于图中心性的选择方法与随机顺序、均匀深度抓取等策略的效果。研究表明，先抽样少量页面再按样本得分深入抓取高分主机，可获得更多高质量页面。
说明SBNO：面向缺失信息正逆问题的薛定谔桥神经算子
简介该论文提出SBNO，一种无需方程、基于成对数据的扩散桥匹配框架，用于在部分观测下学习偏微分方程（PDE）的正问题与逆问题条件算子。模型通过掩码感知的端点耦合训练薛定谔桥漂移对，推理时积分概率流ODE得到确定性点重建，无需调节引导权重。在五个PDE基准（5%观测）上，SBNO精度与基线相当或更优，且推理速度至少快9.7倍、GPU显存至少减少4.3倍。
说明ThinkDrag：基于视觉推理的语义拖拽式图像编辑
简介拖拽式图像编辑通过指定起点和目标点来控制图像的空间变化，但现有方法多把拖拽理解为几何位移，难以处理需要理解图像内容的语义编辑。本文提出统一的多模态框架ThinkDrag，可将点约束与物体和场景层面的语义变换相关联，并可选择生成解释编辑意图的推理过程。研究还构建了语义拖拽数据集，并提出DragBench++基准。实验表明，该方法在生成质量与合理性方面达到领先水平，同时保持了较好的点跟随精度。
说明JEPA-kMMVAE：时变无线信道的 CSI 预测
简介本文提出 JEPA-kMMVAE 方法，利用神经网络根据带噪声的历史观测，预测时变多天线无线信道的信道状态信息（CSI）。该方法将联合嵌入预测架构与 k 记忆马尔可夫变分自编码器结合，通过具有时序结构的潜在表示预测未来 CSI，并支持直接预测与相对于最新潜在状态及带噪 CSI 观测的残差修正。仿真结果显示，在中等和较高输入 CSI 信噪比下，残差配置优于所评估的基线方法；在噪声较强时，序列基线仍更准确。
说明NovaSplat：基于3D高斯泼溅的无模型6D物体位姿估计
简介本文提出NovaSplat，一种无需CAD模型的6D物体位姿估计方法。它用手机短视频训练3D高斯泼溅模型，既用于检测与粗略位姿估计，也作为可微分骨干进行位姿精修。在家用物体基准上超过所有基于模型的方法；在无纹理、高反光的工业基准上优于所有无模型方法，并大幅缩小与基于模型方法的差距。文中还提出推理加速的NovaSplat-Lite，速度快3.1倍，精度损失可忽略。
看点将3DGS同时用作无CAD模型位姿估计的模板与可微优化骨干，在家用与工业基准上超过多数方法，属有实质改进的组合。
说明面向智能建筑的可持续云-雾-边缘系统：内存受限下的算法适配与动态编排策略
简介本文提出一套面向智能建筑的边缘计算架构与算法方案，使建筑内的学习系统能够自主运行、具备韧性并保护隐私。研究包括基于低成本 Arduino 的可靠数据采集与存储，一个用于服务等级协议动态管理的轻量编排框架，以及在低功耗微控制器上改造广义 Hebbian 算法（GHA）进行主成分分析的分批学习方法。在 Tour Perret 的高维传感器数据上的实验表明，该方法能收敛，结果质量与全量内存处理视觉上相当，并可可靠地识别两种运行状态。
说明面向半精度近端策略优化的结构感知数值稳定方法
简介本文研究在普通 GPU 上以半精度（FP16）运行近端策略优化（PPO）时的数值稳定性与计算效率。作者提出 PPO-FP16，包含三个结构感知模块，分别保护全局标量统计、当前策略与行为策略之间的微小差异，以及优化器状态与参数写回。在六个连续控制任务、五个随机种子的实验中，该方法的平均回报曲线下面积排名最佳，并使 PPO 更新获得 1.16 至 2.03 倍加速，优化器状态内存减少约 72% 至 75%。
说明MORAD：用多目标奖励的强化学习做RNA逆向设计
简介本文提出MORAD，一种在线强化学习框架，用一个共享策略服务于多种目标骨架结构的RNA扩散模型。它同时优化六项指标，涵盖三级几何、碱基配对、构象集合行为和序列组成，并用加权几何平均把这些目标合并。文中报告，应用于预训练的RIDE模型后，GDT-TS和配对MCC均有提升，构象集合缺陷下降，并在测试集上优于RiboDiffusion、gRNAde和RDesign。
说明FutureLens：学术文本与未来工作引用中的纵向主题模式
简介该论文利用2012至2022年间5655篇ACL论文的快照，包括其中4005篇的未来工作文本，比较了NMF与LDA两种主题模型在主题分布、稳定性及输入与引用一致性方面的表现。研究发现NMF的归一化互信息更高、分配更稳定，LDA的关键词多样性更强，而两者的主题集合平均重叠度约为0.49至0.52。作者强调这是一项测量研究，而非新算法或预测系统。
说明节点方差不同、重尾扰动下的有向无环图结构学习
简介本文研究如何从观测数据中学习有向无环图（DAG）的结构，所用的线性结构方程模型中各节点扰动服从重尾分布且尺度各不相同。作者提出节点相关的 Student-t DAGMA 方法，同时估计图结构、各节点的扰动尺度和自由度参数，并建立了图与扰动参数的可识别性。合成数据实验显示，在异质重尾扰动下结构恢复效果更好；真实金融数据实验显示测试集负对数似然低于所比较的基线方法。
说明无标签的评分细则澄清：提高了LLM评审之间的一致性，却未提高与人类的一致性
简介该论文研究一种无需人工标签的方法：根据多个LLM评审之间的分歧，找出最有争议的评分子标准并由编辑模型改写。在SummEval、HealthBench和USR Topical-Chat三个数据集上，评审间一致性有所提高（SummEval上Krippendorff's α提高0.069），但与人类专家评分的一致性没有可检测的改善。
说明PAGE：面向语音手势肖像视频生成的部件感知引导方法
简介该论文提出 PAGE，一种与骨干网络无关的扩散模型优化框架，用于根据单张参考图和语音生成与语音同步的肖像视频。它在训练阶段加强嘴唇、眼睛、手部等关键区域的监督，在推理阶段通过音视频一致性分类器纠正不一致之处，并分别细化面部与身体动作。作者还构建了中文数据集 CAS，实验显示该方法在 PATS 和 CAS 上于感知质量、手势多样性和音视频对齐方面取得较好结果。
说明Sonic-AMG：基于空间音频的流式人体动作生成
简介该论文提出 Sonic-AMG，是首个从空间音频流式生成人体动作的框架。模型把声音内容与相对身体的声源位置分别编码，由因果 Transformer 和流匹配头生成连续动作，并引入排练训练与空间反馈，以减少训练与推理之间的偏差。作者称其在 SAM 数据集上取得了最佳的 FID 和 R-precision 指标，并支持实时在线生成。
说明解码寄存器令牌可保留全局场景细节
简介该论文研究预训练视觉Transformer中的寄存器令牌（register tokens）能否在解码图像时保留全局场景信息，如光照、模糊和风格。作者在冻结编码器上使用表示自编码器，解码器通过联合自注意力同时处理寄存器与全部图块令牌。在ImageNet-1K上，相比仅用图块的基线，重建FID分别降低9.5%（DINOv2）和5.2%（DINOv3），生成任务中DINOv2模型的平均FID也下降9.8%。
说明资源受限边缘网络中的多源多维信息融合
简介该论文提出一种多源多维语义信息融合框架，在通信与计算资源受限的条件下协调终端上传与边缘侧融合。框架包括Hyper-Slot融合方法、基于贡献的激励机制以及双层Stackelberg-Nash博弈模型。在COCO2014三模态扩展及Flickr30K图文检索实验中，Hyper-Slot的mAP和RSum分别比最强基线提高3.66个百分点和15.9分，参数量减少超过80%。
说明PRIME：面向结构化文档检索的检索前索引建模与增强方法
简介该论文提出 PRIME，一种在检索前优化索引端的框架，包含利用大模型重写长文档为信息密集段落的语义重构，以及提取语义锚点与标题结构、实现由粗到细检索的元数据合成与层级检索。论文称，确定性元数据的检索质量与结构感知分块相当，同时嵌入计算量减少 45.8 倍、索引向量数减少 22.4 倍；完整部署下语义重构使 Answer-F1 提升 13.7%。作者还在 QASPER、BRIGHT 和 NFCorpus 上归纳了索引端优化有益或有害的三种情形，并指出强重排序器可抵消这些效应。
说明用拉格朗日神经网络从轨迹中恢复不可约的三体相互作用
简介该论文研究拉格朗日神经网络（LNN）能否仅从运动轨迹中学到无法拆分为两体项之和的多体相互作用。作者以三体色散项Axilrod-Teller相互作用为对象，只学习由粒子间距离和角度决定的势能，并通过聚焦三体信号较强区域的采样策略进行训练。结果显示，学到的势能能重现该相互作用的径向标度、角度依赖和符号反转，符号回归还能还原其闭式表达式。
说明提示词优化器会不会破坏它们并未评分的要求？一项预注册研究
简介本文在预注册的研究设计下，比较了 GEPA、MIPROv2 和 TextGrad 三种提示词优化器在 HotpotQA、SQuAD 2.0 和 IFEval 上的表现，并用确定性检查统计未计分要求（如输出格式、引用、拒答）的违规情况。按预注册标准，三者都出现了退化，其中 HotpotQA 上引用有效性的净退化最为明显。事后分解显示，多数退化来自输出在 200 token 上限内被截断，在可解析的输出中，净退化接近零。
说明BoundaryEvo：在能力边界上进行数据与模型协同进化，用于长链推理蒸馏
简介本文提出BoundaryEvo框架，用于从大型教师模型蒸馏长链推理轨迹以提升小型语言模型的推理能力。方法分两阶段：先直接蒸馏少量教师生成的推理轨迹以建立基础能力；再反复选取学生尚未掌握但专家能可靠解答的问题，随学生能力变化更新训练数据。论文称仅用1000条训练样本，该方法在11个推理基准上优于静态与动态数据选择基线，并将Qwen3.5-4B在IMO-AnswerBench上的准确率从62.9提升至75.3，在AMO-Bench上从26.8提升至46.0。
说明QCLR：通过量化增强自监督骨架动作识别对比学习鲁棒性的插件模块
简介该论文针对基于骨架的自监督人体动作识别中的对比学习方法，指出其易受对抗攻击的问题。作者提出即插即用的量化鲁棒化模块QCLR，在编码流程中采用双层量化，以阻断梯度传播并吸收微小对抗扰动。实验表明，该模块能在多个基准数据集上显著提升对白盒与黑盒对抗攻击的鲁棒性，同时保持有竞争力的分类精度。
说明MHR-Router：面向视觉语言模型推理的多模态异构检索增强自适应路由
简介视觉语言模型各有所长，但对于一个图文问题，如何挑选最合适的模型并不容易。本文提出MHR-Router框架，先将冻结的多模态特征融合为查询表示，再检索各专家模型过去的成功与失败记忆作为局部证据，由共享打分器自适应地选出最优专家。实验表明，该方法能有效实现异构模态路由，并且比传统基线方法持续提高准确率。
说明超越最终嵌入：基于词元级证据检索记忆
简介记忆增强型助手需要从已存储的对话和文档中检索证据。该论文提出一种无需额外训练的稀疏词元匹配方法：查询的每个词元在候选记忆中匹配少量词元，将匹配分数汇总后与整体相似度结合进行排序。还可选择训练一个低秩查询适配器，同时保持编码器和记忆表示不变。论文称该方法在八个基准和多个模型系列上提升了检索效果，并带动长期记忆问答准确率提高。
说明CopRoute：面向语言模型的考虑依赖关系的保形路由方法
简介该论文提出 CopRoute，用于多个语言模型的查询路由。它按每个模型能新增答对的查询数量排序，并为每个查询决定调用范围，同时在目标风险下控制调用次数。在 RouterBench 和 RouterEval 上，相比同样可认证风险的现有策略，它在多数数据集上调用次数更少，最多减少 79%。
说明Agent4Spec：基于大语言模型的智能体系统，通过自动校验与市场分析优化API规范
简介本文提出Agent4Spec，一个由多个自主智能体组成的框架，包含两条流程：一是校验流程，检测并自动修正OpenAPI语法错误；二是市场分析流程，对照行业领先者进行竞品调研，找出功能缺口并自动生成缺失的API规范功能。作者在通用与工业场景的两组API规范数据集上，对9个SOTA大语言模型进行了评测，表现最好的模型在语法错误检测上达到100%，修正方案的实现成功率超过95%，建议的接口改进采纳率超过50%。
说明OWLET：通过证据迁移进行同策略加权学习，用于视频大语言模型后训练
简介本文针对视频大语言模型（Video-LLM）的后训练方法提出OWLET。现有强化学习只用整条回答的单一奖励，对所有词元一视同仁，粒度太粗；同策略蒸馏只匹配输出分布，缺少对时空表征的直接监督。作者发现，同一模型在结合全局时序上下文与问题相关细节的视频视角下推理更准确，并据此利用这一视角提供的视觉证据训练。OWLET包含证据感知的信用重分配和时空状态对齐两个机制。
说明ConClick：元素级对比学习提升GUI定位能力
简介本文针对GUI智能体中的界面元素定位任务，发现多数错误点击落在非目标元素而非背景上。作者构建了含4292组目标-干扰项配对的ConClick-Data数据集，并用列表排序与成对间隔目标进行对比学习训练。结果显示Qwen3-VL-8B在ScreenSpot-Pro、MMBench-GUI L2和OSWorld-G上的准确率均有提升，并提出推理阶段策略ReClick，三个基准平均再提高2.96个百分点。
看点针对GUI定位中干扰元素错误提出元素级对比学习，并在三个基准上实测提升明显，有新意但基于已有框架组合。
说明遗忘并非总是坏事：一种受神经科学启发、用于修复被投毒LLM智能体记忆的机制
简介论文提出DREAM，一种无需额外训练、由智能体自身完成的记忆修复框架，用于对被投毒的大语言模型智能体进行选择性遗忘。该方法分三步：通过扰动诱发隐式再激活，揭示恶意记忆的结构脆弱性；基于多维激活模式进行自适应异常诊断；再由动态记忆修复模块抑制有害记忆、强化良性记忆。论文称，在后门投毒攻击下攻击成功率降低超过95%，同时保持良好的正常任务效用。
说明CV-OPD：对比式视觉在线策略蒸馏，让视觉语言模型真正依据图像作答
简介论文发现，经在线策略蒸馏训练的视觉语言模型即使遮挡或替换相关图像区域，仍能答对问题，说明模型走了捷径、并未真正依赖视觉证据。作者提出CV-OPD方法，通过正、负裁剪图像得到的教师分布进行对比，并用对比散度损失和判别感知门控引导模型关注视觉内容。实验显示该方法在多个细粒度视觉基准上缓解了捷径问题，并提升了视觉推理能力。
说明SheafPrune：基于层结构图传播的视觉令牌剪枝方法
简介多模态大语言模型需要处理完整的视觉令牌序列，即使许多令牌与指令无关，也会增加预填充成本。本文提出SheafPrune，利用稀疏的文本-视觉图传递相关性，并在视觉图上传播分数并进行度数校正，之后仅保留一次top-k子集输入冻结的语言模型。在四种骨干、十个基准和七种剪枝比例下，该方法在28组设置中有22组取得最佳保留效果；在LLaVA-NeXT上保留10%视觉令牌时，预填充加速约5.15倍，端到端FLOPs降低84.0%。
说明视觉-语言-动作策略的双流记忆机制
简介本文针对需要记忆的机器人操作任务，提出一种用于视觉-语言-动作策略的双流记忆方法。一路用门控 DeltaNet 将历史压缩为单个时序令牌，另一路用任务条件检索器保留相关帧并编码为空间令牌。在 RoboMME 的 16 项任务中平均成功率为 49.22%，高于参考方法的 44.51%；在四项真机任务中平均成功率为 62.5%，高于 37.5%。但在杯子交换的情境下，持续的身份追踪仍是未解决的问题。
说明面向Transformer跨头注意力的数据自适应马氏度量学习
简介本文提出DAMCHA（数据自适应马氏跨头注意力），这是一种通过度量学习视角推广多头注意力（MHA）的注意力机制。该方法学习完整的跨头度量矩阵以捕捉头之间的交互，并将度量矩阵参数化为输入相关的函数，使注意力几何能够随数据结构动态调整。作者还引入了堆叠式参数共享等正则化策略，并称其可直接替换多种Transformer中的MHA，实验显示在多个基准任务上表现优于对比基线。
说明超越单一裁剪图：面向球员重识别的上下文嵌入方法
简介该论文提出ContextReID框架，用于体育转播视频中的球员重识别。它不仅依据单个球员的图像裁剪，还同时考虑同一帧中的其他球员以及视频不同帧中的观测。模型基于视觉语言模型实现，并结合上下文学习与检索目标进行训练。在三个多目标跟踪基准上的实验显示，该方法在Rank-1和mAP指标上优于传统单裁剪嵌入方法。
说明非均匀介质中超声波传播的神经代理建模
简介本文研究用神经网络作为超声波传播的快速替代模型（代理模型），以替代耗时的波动方程数值计算。作者指出，基于傅里叶神经算子（FNO）的方法难以捕捉反射等关键信号特征，而基于U-Net的方法能较好地学习波场，却难以在不同空间尺度间传递信息。为此，作者将FNO与局部积分重采样融入U-Net架构，提出新模型，并表明其可用有限数据训练，对输入噪声稳健，且适用于不同空间尺度。
说明CAST：面向跨分词器同策略蒸馏的信用对齐方法
简介该论文针对跨分词器的同策略蒸馏（OPD）问题，指出仅靠解码文本对齐只能确定文本片段层面的对应关系，却无法决定学生模型各个词元应分得多少学习信号。作者提出 CAST 方法，对已对齐片段利用预测不确定性和局部教师信号平滑度重新分配优势值，对无教师对应的位置则通过 KL 惩罚将学生模型约束在初始策略附近。论文报告在数学、科学和代码六项基准上取得了平均优于最强基线的结果。
说明表格基础模型实际上相当浅层：删减多数层仍能保持性能
简介该论文研究上下文学习的表格基础模型（TFM）能否通过删除冗余的Transformer层来简化。作者提出一种无需标签、闭式求解的仿射转换器，可替换最多96%的连续模块。在171个分类数据集上评测八个前沿模型，结果显示替换一半模块的AUROC中位数下降至多0.002，且仍优于其他完整深度模型和调优后的GBDT。删减深度最多节省约15亿参数，GPU推理最多加速6倍。
说明视觉Transformer仅从图像中学到词义
简介研究者发现，两款最大的DINOv3视觉Transformer模型，仅靠图像自监督预训练，没有配对文字或标签，就能按词义组织图中渲染的单词。同行业的品牌名、同领域的名词会在嵌入空间中彼此靠近，国家与首都之间也呈现一致的向量偏移。
说明音频-语言模型评判生成音乐时在听什么？四项探针与专家评分对照
简介开源音频-语言模型常被用作生成音乐的评判者，但与专家评分的相关性并不能说明它依据的是音频、文本提示还是提问方式。论文提出四项探针：去除音频、替换为同一提示下其他模型生成的片段、交换成对比较中的片段顺序、改写指令，并以人类评分作为对照进行分析。实验覆盖MusicEval的2,748个片段（另两项探针还用于SongEval的歌曲）。
说明基于深度学习的分娩奶牛实时宫缩检测方法
简介本文提出一种基于计算机视觉的方法，用于自动识别奶牛分娩时的宫缩。研究收集了100段奶牛分娩视频，提取出约8500个宫缩片段和约25000个非宫缩序列作为数据集，并使用卷积神经网络（CNN）和视觉Transformer（ViT）提取视频帧特征进行检测和分类。论文报告检测准确率超过95%，并认为该系统可用于实时监测以便及时干预。
说明Jag：面向高效视觉定位的直接框预测方法
简介该论文提出Jag，将紧凑的预训练多模态模型改造为直接预测连续边界框的方法。模型用轻量回归头读取最后一个有效输入token的状态，一次前向传播即可同时输出四个框坐标，无需逐步生成坐标或解析文本。实验称，相比基础模型其定位精度有所提升，与现有专用定位模型相比精度相当，且单次请求延迟和显存占用更低。
说明State-OPD：面向多轮智能体的状态锚定在线策略蒸馏
简介本文研究如何把前沿大模型的推理能力蒸馏到小模型，并将其扩展到多轮智能体任务。作者提出State-OPD框架，将教师监督锚定在交互状态上，并将采样预算分配给高响应熵的状态，生成多组完整的推理加动作响应。在ALFWorld、ScienceWorld和WebShop上的评测显示，对Qwen3-4B学生模型，其宏平均成功率由最强基线的26.07%提升至31.74%。
说明JEPA在医学影像中的可预测性偏差：基于CT的研究
简介该论文研究联合嵌入预测架构（JEPA）在CT医学影像中的表现。作者提出TAP-JEPA模型，在113,611个CT体数据上训练，并分析模型对病变与解剖结构的预测情况。结果显示，预测会显著削弱病变区域的表示，但对解剖结构影响较小，表明上下文可预测性并非临床相关性的充分指标。
看点提出可预测性偏差概念，并在CT数据上通过重放训练计算审计JEPA预测路径，揭示病理特征被预测抑制，新颖且证据较充分。
说明AMR解析器输出有多可靠？AMR解析的不确定性估计
简介本文首次研究了抽象语义表示（AMR）解析器的不确定性估计问题，在黑盒设定下利用束搜索得到的前k个候选结果，依据候选之间的两两相似度估计不确定性，并用预测拒绝率进行评估。研究分析了解析性能与不确定性之间的关系、束候选分布的可靠性、评估指标对不确定性评价的影响，并找出在性能与可靠性之间取得较好平衡的解析器。
说明ClawLoop：通过原生线束训练闭环实现自我改进的智能体
简介该论文提出ClawLoop框架，让基于大语言模型的智能体在沙盒环境中自我改进，无需外部教师模型。框架包括任务合成、训练（SFT和/或RL）以及诊断与反馈三个阶段，形成持续循环。使用Qwen3.6-27B作为循环模型，在SkillsBench、Claw-Eval-Live和ClawGym-Bench上取得一致提升，迭代优化的任务还能迁移到Qwen3.5-4B和9B模型并带来各项基准的增益。
说明用拉格朗日神经网络学习史瓦西测地线运动
简介本文提出用拉格朗日神经网络（LNN）从轨迹数据学习史瓦西时空中的测地线运动。作者引入按坐标与时间导数解耦的位置-速度归一化方案，以及基于最内稳定圆轨道（ISCO）结构的能量约束对数均匀采样数据生成策略。结果显示，模型能再现近日点进动与相对论时间膨胀，并在多个轨道圈数后将能量与角动量守恒误差控制在百分之几以内。
说明FPD-Drive：面向端到端自动驾驶的未来策略蒸馏
简介该论文提出FPD-Drive，一种端到端自动驾驶规划模型。它让能访问未来观测的教师模型把特权未来知识蒸馏给视觉驾驶策略，以提供多条轨迹监督并改进安全候选轨迹的选择。学生模型部署时无需未来观测或教师推理。基础模型在NAVSIM v1 navtest上达到94.9 PDMS，在NAVSIM v2 navhard上达到55.9 EPDMS；放大版FPD-Drive-Pro分别提升至95.5和58.1，并在HUGSIM零样本闭环评测中取得45.1的HD-Score和55.3的RC。
说明ReSFlow：在统计流形上整流类别流，实现一步生成
简介本文提出 ReSFlow（整流统计流）模型，用于离散（类别）数据的生成。它借鉴欧氏空间中整流流的思路，在统计流形上显式学习沿黎曼几何测地线的轨迹，从而把纯噪声在一步内映射为目标离散数据。作者在图像、文本和生物等多类任务上进行实验，结果显示其一步生成质量较好。
说明历史地图中制图符号的自动检测与编码
简介本文提出两阶段框架：先检测历史地图中的制图符号，再生成同时体现语义与风格差异的可解释符号嵌入。作者还发布了开放基准数据集CaSiDD，涵盖多类符号与多种制图风格。使用YOLOv10-X验证了历史地图符号自动检测的可行性，最终方法基于改进的RADIOv4骨干网络，可同时编码符号形态与语义。
说明基于张量融合多模态数据预测癌症风险等级
简介该论文提出一种无监督机器学习框架，通过张量分解融合基因组与临床等异构数据，提取潜在特征后再进行聚类，用于癌症患者风险分层。研究基于LinkedOmics中11,158名、32种癌症类型患者的数据进行验证，以肿瘤纯度、病理分期和生存结局作为参考指标。论文称，其中tSVD+GMM组合在各项临床基准上表现优于其他配置。
说明基于多模态图神经网络思想的无人机海上船只识别与跟踪
简介本文提出名为AMGT的机载多模态图学习框架，用于无人机辅助的海上物联网中的船只识别与跟踪。方法包括：通过透视变换融合可见光与红外图像，对AIS消息做时间同步，使用改进的MAir-YOLOv8-OBB检测器与MAir-SORT算法进行检测与跟踪，并设计图学习关联网络及运动感知坐标统一策略。作者在MAP-M2UAV50数据集上进行实验，报告了较高的精度与效率。
说明通过内部几何构建使AI生成的3D形状具备功能性
简介AI生成的3D模型（如Hunyuan 3D、Meshy）通常只关注外观，内部几何常不完整或不合理，难以直接用于仿真或制造。本文提出一种计算方法，借助基于视觉语言模型的形状分割与图属性推断构建内部感知部件图，并将各部件内部几何建模为广义圆柱体，通过优化从外部几何推断参数。作者在容器、器皿、储物家具等形状上进行了演示，并制作了部分样品进行功能验证。
说明面向无参考点云质量评估的复杂度校准重建差异方法
简介论文提出一种无需参考点云的质量评估方法：通过连续重建估计点云内容复杂度带来的差异，并用它校准输入与重建结果之间的差异，再融合三维几何与二维投影视图的结果得到退化分数。方法基于冻结的预训练感知表征，无需针对点云质量评估进行训练或微调。在三个公开数据库上的实验显示，该方法优于多数通用基线，并与若干全参考指标表现相当。
说明黄金锚点视频生成：用下游视频反馈优化文生图锚点
简介该论文指出，视频生成中作为锚点的图像若直接由文生图模型产出，未必适合后续图生视频模型，且图像美学或结构分数与视频质量相关性弱甚至为负。作者提出黄金锚点学习（GAL），用冻结的图生视频模型评估候选锚点生成的视频，并将视频奖励转化为图像偏好，通过DPO微调文生图模型。论文报告在四个图生视频模型上，VBench平均分提升2.97%至8.46%，动态程度提升5.62%至38.24%。
看点提出以下游视频反馈优化T2I生成器的新框架GAL，并在四个I2V模型上取得VBench与运动度的一致提升，证据较充分。
说明Monarch-MoE：用于多模态持续指令微调的结构化专家模型
简介该论文提出Monarch-MoE，把LoRA专家中的稠密低秩因子替换为通过固定置换连接的块对角因子，以减轻多模态持续学习中的灾难性遗忘。在MLLM-DCL和UCIT基准上，基于LLaVA-1.5-7B的实验显示，首个任务的遗忘更少，适配器参数分别减少约75%和50%。作者还称其可在单张24 GB RTX 4090上完成微调与推理。
说明超越动作：为视觉-语言-动作模型学习未来操作目标
简介该论文提出AFCE方法，让机器人策略不只预测要执行的动作，还预测动作将带来的未来物理效果（Effect）。模型用离线分词器从示范动作、机器人实际响应和视觉变化中构建Effect序列，再由流匹配VLA预测Effect并解码为动作块。在DexJoCo基准上，AFCE总体成功率为50.97%，分别比π0.5和UVT高11.82和15.21个百分点，并在全部五个双臂任务中领先。
说明每次预测需要多少计算量？两个时间序列基础模型中的结构化跳层研究
简介该论文研究在推理时能否跳过预训练时间序列基础模型（Chronos-Bolt 与 TimesFM 2.5）中的整个 Transformer 层。掩码仅在校准窗口上选取，并在 ETTh1、Traffic、Weather、Exchange 的 1,088 个保留窗口上评估。适度跳层时预测质量变化不大，同时降低了 A100 上的中位延迟；但更激进的跳层会明显损害 Traffic 和 Weather 的表现。作者认为这说明存在结构化冗余，但尚不构成可部署的动态推理方法。
