机器学习、人工智能、自然语言处理、计算机视觉、多智能体。
说明参数高效微调的范畴图谱：锥、轨道与规范
简介本文把参数高效微调（PEFT）的各类方法看作从预训练模型权重点出发的映射，用范畴论的切片范畴进行比较。作者提出表达能力与训练动态等不变量，证明了零初始化LoRA等方法的若干结论，并依据公式对来自138篇论文的382种方法做了七个维度的分类。
看点用范畴论统一刻画上百种参数高效微调方法，并证明多个关于LoRA初始化、秩上界和优化器对称性的精确结论，证明完整。
说明Zebra3D：面向可扩展三维重建的高效混合基础模型
简介该论文提出Zebra3D，一种分层稀疏-线性混合注意力框架，用于提升预训练三维基础模型的效率，无需从头训练。作者发现不同网络阶段对线性替换的敏感度不同，据此为较不敏感的阶段分配线性注意力，为敏感阶段分配块稀疏注意力。文中报告在视角数增加时端到端加速可达7.1倍（1,024个视角），训练后的Zebra3D-VGGT在RealEstate10K上AUC@30为80.5%，平均注意力稀疏度为94%。
说明空间上下文还是历史记忆？稀疏观测场神经代理模型的输入规模研究
简介本文研究用稀疏、有噪声的传感器预测物理场的神经代理模型，比较读取附近传感器窗口与过去时刻历史两类输入的权衡。作者用精确的高斯分析给出最优误差作为参照，并在线性场、Burgers流和Kuramoto-Sivashinsky（KS）方程上训练模型进行验证。结论是：窗口大小应按场的相关长度来设定，固定输入预算的分配应依据模型要服务的预测步长来决定。
看点用精确高斯分析证明稀疏噪声观测下只需读取邻近传感器，并发现提前量相关的历史与窗口权衡反转，实验覆盖多场景且有已知最优对照。
说明无监督多模态奖励建模：不依赖人工偏好标注的视觉语言奖励模型
简介该论文提出一种不使用人工偏好标签的视觉语言奖励模型方法：在冻结的 Qwen3-VL 主干网络中间层上训练一个线性头，使其为网页原始描述打出高于同一描述扰动版本的分数，标注数据仅用于选择层。作者报告该方法在三个基准上达到或超过 GPT-4o（32B 规模），并分析了扰动采样器对奖励的决定作用及基于验证器的自举训练效果。
看点用冻结骨干中间层的线性头、以扰动字幕作为无人工偏好的训练信号，结合层选择、与GPT-4o的对比及幻觉评测，构成有新意的方法并有较充分实验支撑。
说明RePrior：面向稀疏视角锥束CT重建的测量一致先验校正方法
简介该论文针对稀疏视角锥束CT（CBCT）投影不足导致重建欠约束的问题，提出RePrior多阶段渐进式先验校正框架。方法依次包括选择性校正提议、测量约束协调和混合残差增强，使学习到的先验与患者特定的X射线测量保持一致。作者报告相较R²-Gaussian，在LUNA16、PANORAMA和PENGWIN数据集上三维PSNR提升约2.6 dB，且无需测试时的真值或针对单个病例的网络微调。
说明AI驱动的时序感知功耗优化
简介本文提出一种AI驱动的布线后功耗回收框架，由学习模型对功耗回收修改和随后的修复动作进行排序，而确定性的电子设计自动化（EDA）分析负责每一项修改的接受与否。框架记录基线约束裕量，并以校准后的梯度提升模型预测功耗变化、损伤降低和约束回退风险。论文提出了该框架的规范、学习策略、事务流程和公开评估方案，但未报告训练模型的结果。
说明人类注视与模型注意力的对比：基于眼动验证的CNN、Mamba与ViT可解释性分析
简介本文在卷积神经网络（CNN）、视觉Transformer（ViT）和视觉Mamba（ViM）上系统评估可解释性，利用眼动追踪数据作为人类视觉注意的参照，将模型归因图与注视热图映射为空间概率分布后比较一致性。结果显示：CNN关注范围较广，ViT偏向细粒度的局部特征；Mamba在医学任务中表现较好，但在自然图像中分布差异明显。
说明乘积蒙特卡洛：在多个概率密度乘积下求期望的方法
简介该论文提出乘积蒙特卡洛（PMC）算法，用于在多个概率密度的乘积下计算任意期望，只需使用各个密度的蒙特卡洛样本。作者将这一难以直接计算的乘积期望转化为回归问题，并给出一致性的理论保证与收敛速率。实验显示，该方法在估计精度、不确定性覆盖和计算成本方面均有改进，且无需评估密度，可用于基于模拟的推断。
说明激活标注者：在数据标注中落实生活经验
简介这篇论文提出 AXLE，一个在标注前运行的预标注环节：先用情景短文引导一段简短的对话，再把对话整理成第一人称微叙事返还给标注者。在 104 名标注者、30 条仇恨言论样本、共 1,040 条标注的 2x2 组间实验中，该环节使标注者的身份共鸣和对伤害的敏感度提高，同时提高了标签熵、降低了标注者间一致性。作者认为它揭示的是标签的多元性，而非制造共识。
说明原对偶流匹配：面向逐样本约束的生成方法
简介本文研究在满足用户指定的逐样本约束、且约束满足概率可控的前提下学习生成数据的问题。作者基于流匹配参数化提出原对偶流匹配（PDFM）算法，在正则性假设与速度场族表达能力充分的条件下给出约束满足概率的理论保证。该方法仅需二元成员判定反馈，无需可微距离、投影或凸性等约束集结构，实验显示其约束满足率优于原始流匹配，并在保持分布保真度的同时与约束感知基线相当。
说明通过密度相关的骨干构造与强化学习补全来最大化代数连通度
简介本文研究在顶点数和边数固定的条件下，构造代数连通度最大的图拓扑这一开放性网络设计问题。作者提出一种依赖图密度的两阶段方法：先构造结构骨干，再用基于强化学习的方法补全其余边。数值结果显示，该方法获得了较高的代数连通度，且运行时间的可扩展性较好，优于已有方法。
说明临界规模：结构不相交划分随其所依赖的化合物库扩大而漂移
简介论文指出，分子机器学习中常用的结构不相交划分规则是按某一固定规模设定的，此后随化合物库变大而失效。作者提出一种优化版本，使其能在公开的大型谱库（22.769万个分子）上计算。在该规模下，划分图出现渗透，一个连通分量包含库中95.5%的分子，并且留出的化合物通常比训练化合物更大。
说明Fin_Agent 在 FinEval 2026 的多语言金融自然语言处理任务方法
简介本文介绍 Fin_Agent 参加 FinEval 2026 共享任务的方案，涵盖希腊语金融命名实体识别、日语隐含语意识别和多语言金融问答三项任务。希腊语实体识别结合标注感知的数字规则与零样本 Qwen2.5-32B 分类，公开集 F1 为 0.9521，私有集 F1 为 0.8884；日语隐含语意识别采用可解释的线索排序方法，测试准确率为 98.0%；问答任务使用 BGE-M3 检索配合 Qwen3-32B 生成，公开集与私有集 ROUGE-1 F1 分别为 0.3023 和 0.3419。
说明新生儿脑电图低电压间期的专家级自动检测及其作为脑病生物标志物的研究
简介该论文提出以振幅和持续时间定义的低电压间期（LVI），作为传统爆发间期的替代指标，并开发了基于ConvNeXt的AI检测方法。研究使用654小时、123名新生儿的脑电图数据，检测准确性达到专家水平。在444名新生儿的联合数据中，LVI比例与脑电图分级、缺氧缺血性脑病分级和癫痫发作风险均存在关联。
说明通过单步隐式采样实现摊销推断
简介本文提出一种名为OSIS（单步隐式采样器）的方法，用于在高维贝叶斯后验分布中实现单步摊销采样。该方法利用短时MCMC动力学定义隐式分布演化的局部目标。作者分析了其收敛性质，并讨论了与其他生成模型及采样算法的联系。实验表明，OSIS在采样时效率远高于多步摊销采样器，效果也优于非摊销MCMC基线。
说明WoodBR-Cross：公开木材图像数据集与按单棵树划分的树种识别基准
简介该论文发布了WoodBR-Cross木材横切面图像数据集，共4,875张图像，涵盖38个分类类别，来源于巴西林业局收藏的303棵树。作者设计了按单棵树划分训练、验证与测试集的基准，避免同一棵树的图像同时出现在不同数据集中，以更客观地评估对未见过树木的识别性能。实验比较了ResNet-50、ConvNeXt-Tiny和ViT-B/16等模型，其中冻结特征的DINOv2取得了较高的宏平均F1值。
说明在能量与先后顺序约束下面向空中监测的鲁棒可扩展无人机-无人车协同规划
简介本文研究由无人机与无人车组成的协同团队在空中监测任务中的路径规划，监测点需按指定先后顺序访问。无人车兼作移动充电站并搬运无人机。作者提出多项式时间算法，联合确定路线与时间以最小化任务完成时间，并给出可行性保证、复杂度分析与数值比较结果。
说明GeoFitBench-LLM：评估大语言模型在地理分析任务中识别地理空间数据需求能力的基准
简介该论文提出GeoFitBench-LLM基准，用于测试大语言模型能否从自然语言的地理分析请求中推断所需的数据集、支持资源和约束条件。基准围绕时空关系与语义落地两个推理维度构建，并用固定的、与数据提供方无关的模式编码标准答案。在七个模型上的实验显示，识别所需资源通常可以做到，其中GPT-5.4 Thinking在66.67%的请求中找全了全部资源；但随着推理要求提高，准确说明数据适用性仍然更困难。
说明用于智能体持续学习的循环式工具框架（ReHarness）
简介论文提出ReHarness，一种面向语言模型智能体持续学习的循环框架，在严格在线的数据流中，除前向读写外，还根据每次交互的执行轨迹反向修订已检索的反思内容。作者在三个持续学习基准和三种语言模型主干上测试，结果显示其优于原始上下文、记忆/反思类方法及提示优化方法，并能纠正分布偏移下过度泛化或过时的经验。
说明perturber：一种无状态、保持语义的文本扰动服务
简介这篇论文介绍了 perturber，一个无状态的服务与 Python 库，每次调用只施加一种保持语义的文本扰动。它提供来自 11 个类别、共 68 种扰动的目录，组合扰动由调用方串联完成。论文评估的是工具本身的正确性、可复现性与成本，而非任何模型的鲁棒性。
说明面向人机协作决策的增量式检索增强生成（iRAG）
简介论文提出 iRAG，一种结合检索增强生成与混合决策的人机协作决策支持系统。与依赖静态知识库的传统 RAG 不同，它面向知识库初始为空、通过人工决策逐步积累的场景，把以往决定存为可检索的先例。实验显示，在不同漂移程度下，iRAG 的最终决策误差与对比基线相比有所变化，且检索衰减在变化的知识上提升表现，在稳定知识上增加误差，体现的是稳定性与可塑性之间的权衡。论文同时指出，人工监督是工作流的架构设计，其在真实用户中的可用性尚待评估。
说明从原型到体量：学习图对应关系以实现可扩展的立面建模
简介本文提出一种建筑立面建模的辅助流程：设计师先制作一个原型，系统通过孪生图注意力网络学习原型与目标体量之间的对应关系，并将原型中的立面构件规则迁移到更大的目标体量上。在原始的85/15划分测试中，原型到体量的前1准确率达到96.5%，高于报告中的76.5%原始特征基线。作者还用Rhino演示并在四个已建项目上做了定性应用。
说明MagicBeanStalk：用递归数据合成跳出 RLVR 零优势陷阱
简介论文指出，许多广泛使用的 RLVR 数学训练数据中，约 88% 的题目在每次采样中都全部答对或全部答错，学习信号很弱。作者提出 MagicBeanStalk 算法，从种子题目递归合成保留推理结构、难度经过校准的新题目。在 8 个数学基准上，该方法使 gpt-oss-120b 提升 8.6 分、DeepSeek v4Flash 提升 5.4 分。
看点提出以策略和预算校准的递归数据合成方法，并系统刻画零优势陷阱；8个基准上提升明显，但以数学为主。
说明英国气溶胶监测的数据驱动最优传感器布设
简介本文提出一种数据驱动的传感器布设框架，并将其应用于英国的气溶胶监测。研究将训练好的卷积高斯神经过程嵌入DeepSensor优化框架，采用带惰性求值与缓存的遗传优化，使平均计算时间减少60%，同时布设效果与贪心算法相当。以CAMS参考场构建回溯性基准，选出五个站点后，基于联合互信息的遗传布设使联合负对数似然约提升22%。季节与风况分析显示，模型准则与基准的一致性随气象输送条件而变化。
说明一种面向高维稀疏配方重建的物理信息混合正反向机器学习框架
简介论文针对工业过程中高维、稀疏的配方设计问题，提出由正向质量模型、稀疏逆向重建器和可行性约束排序层组成的混合框架，并在纺织染色场景中验证。结果显示，在正向模型中HGB与GBDT的表现较优，逆向重建的配方向量MAE为0.0295；作者同时指出碱调节与误差降低之间仅为观察性关联。该框架旨在作为人机协同的决策辅助工具，减少昂贵的实验室试验。
说明Kronecker积注意力：通过结构化分解压缩KV缓存、降低显存占用的论文
简介该论文针对自回归生成中键值（KV）缓存显存占用过大的问题，提出Kronecker积注意力（KPA），用紧凑的、依赖词元的矩阵因子之Kronecker积之和来表示键和值。作者称KPA严格泛化了TPA，并提出与之匹配的结构化旋转位置编码。原文报告称，在相同训练条件下，KPA在四种模型规模和九项下游基准上与TPA、MHA、MQA、GQA、MLA相当或更优，KV缓存压缩最高可达10倍。
说明CLEAT：为交互式智能体学习价值引导的澄清
简介该论文提出CLEAT框架，让大模型智能体在任务中判断何时提问更有价值，并与任务策略联合训练。方法通过比较提问与不提问的成对执行结果估计澄清价值，从而让智能体提出更有用的问题并据此行动。在四个基准的十种评估设置中，基于Qwen3-4B的CLEAT均取得最高平均分。
说明SynAct：面向LLM智能体的协同主动反馈学习
简介该论文针对执行多步流程的大语言模型智能体，提出SynAct框架，在专家反馈有限的条件下，把反馈分配到单个决策上：依据多次运行中所选动作与最终结果之间的互信息排序，向专家询问价值最高的决策，并将修正提炼为可复用规则。在四个智能体基准与四个模型上，SynAct在全部16个评估设置中提升了留出集准确率；同一信号也可用于推理时路由，在16个设置中有15个优于预算匹配的基线。
说明视觉语言模型中的特征竞争及其表征根源：基于 Stroop 范式的证据
简介论文借鉴心理学经典的 Stroop 任务，构造文字与颜色相互冲突的图像，测试多种视觉语言模型在回答颜色问题时的表现。结果显示，模型在文字与颜色不一致时普遍偏向文字；嵌入空间分析表明文字线索比颜色线索表征更强、更易分离，且向文字方向引导模型比向颜色方向更容易成功。
说明基于机器学习与时间序列基础模型的大学建筑日前电力负荷预测
简介本文针对一座大学建筑，比较了统计模型、机器学习模型、循环神经网络以及预训练的TimesFM模型的日前电力预测效果。在同一57个测试日上评估，结果显示带协变量的TimesFM 3.0整体误差最低，平均绝对误差相对周季节性朴素预测约降低43%。XGBoost表现也具竞争力，但配对日比较未显示TimesFM在平均绝对误差上有明确优势。
说明平面机器人群中用于闭合空洞的分布式调和协方差反馈
简介本文研究平面多智能体系统中的空洞闭合问题，其感知圆盘构成随时间变化的Čech复形。作者提出一种调和协方差反馈，利用调和边信号定位空洞并将其转换为智能体受力，并通过对正则化Hodge拉普拉斯算子的固定次数多项式进行局部运算实现分布式计算。文中在假设空洞面积可测且有界等条件下给出了累积空洞面积的有理下界，并在15秒数值演示中显示所有空洞在9.9秒时闭合且此后保持闭合。
说明ForcingBooster：面向快速自回归视频扩散的自适应逐块去噪方法
简介该论文针对自回归视频扩散模型在生成每个视频片段时对所有空间块采用统一去噪步数、造成计算浪费的问题，提出 ForcingBooster 框架，为各个图像块动态分配去噪步数：简单块提前结束，困难块获得更多精修步数。该方法可兼容大多数现有的少步自回归扩散模型，仅需一个轻量路由模块并进行少量训练。实验显示，其视频块的去噪总步数约减少 50%，视觉质量与四步基线相当。
说明MemReg：基于混合记忆缓冲的流式户外激光雷达点云配准
简介该论文提出 MemReg，一种面向流式激光雷达扫描的多帧户外点云配准网络，通过隐式特征缓冲和显式位姿缓冲保存并更新时序信息，并用动态历史加权模块融合当前与历史特征。在 KITTI、nuScenes 和 Apollo-Southbay 三个户外数据集上，论文报告该方法优于此前的成对配准方法和多帧 SLAM 系统；在 3DMatch、3DLoMatch 和 ScanNet 上的多视角室内实验也显示出有竞争力的结果。
看点在成对配准之外引入带位姿的混合记忆缓冲与动态历史加权，新意明确；在KITTI、nuScenes、Apollo-Southbay及室内数据集上做了广泛对比实验，证据较充分。
说明网格原生分词：将基础模型迁移到非结构化数据
简介本文提出网格原生卷积（MNC），一种面向非结构化网格数据、具有局部感知能力的分词层，编码方式类似卷积神经网络。借助它，在规则网格上预训练的物理基础模型可以高效迁移到非结构化网格上，许多情况下零样本部署即可达到可接受的精度，经少量微调后优于现有基线。
说明GeopoliticalQA：基于情报报告的检索与生成基准测试
简介该论文提出 GeopoliticalQA，一个基于 415 份公开地缘政治与战略情报报告的问答基准，包含 5,525 组有原文依据的问答对。研究评估了 15 个检索系统和 6 个开源大语言模型在检索增强生成中的表现。结果显示，在块级检索中，中等规模的 bge-m3 模型优于商业嵌入接口，即使给出正确证据，回答生成在推断性和风险类问题上仍然困难。
说明SoftwareGym：用合成的多样化软件环境扩展计算机操作智能体的训练
简介本文提出SoftwareGym，一条自动化流程，用于合成具有多样界面、可执行功能并经运行时验证的图形界面软件环境。研究者合成了182个应用（覆盖十二个类别），GUI任务平均通过率为91.5%，并构建了120个任务的评测集SoftwareGym-Bench。用这些环境收集的轨迹训练后，模型在OSWorld上的Pass@3从41.39%提升至56.97%，在SoftwareGym-Bench上达到40.0%。
说明《知道不等于会讲》：大语言模型如何表示跨境族群的身份固化
简介该论文研究中国西南边境与中南半岛之间九个跨境族群，考察大语言模型如何表述它们。作者提出“身份固化”概念，即模型把流动的跨境族群身份转化为单一的民族国家身份，并设计了TIODF诊断框架，比较事实问答与开放式叙述问答。测试GPT-5.1与DeepSeek-V3.2（英文与中文）发现，固化比例差异很大，且模型即使答对事实问题，仍常讲述单一国家的叙事。
说明事实标签改变了大语言模型的情感基调，却没有消除种族差异
简介该研究审计了四款大语言模型在带有或不带有“真实性标签”的虚假与真实新闻标题下，对模拟情绪的评分。结果显示，标签显著改变了情绪基调，但模型对黑人角色的负面情绪评分仍普遍高于白人角色，即使在与种族无关的标题上也是如此。研究认为，事实纠正与人口统计学上的一致性是大语言模型的两种不同特性，应在敏感场景部署前分别审计。
说明语言模型的自我保存：利用模型自身生成回放数据防止持续学习中的遗忘
简介论文研究持续学习中的遗忘问题：模型在学习新任务时会丢失旧能力，而用于保护的任务往往只覆盖部分知识。作者将任务描述及示例组织为任务库，由冻结的语言模型据此生成回放数据；在 Qwen 系列不同规模模型上的实验显示，生成的回放能减少对库外任务的遗忘，组合部分任务库效果更好。在 4B 模型上，依据新任务选择回放目标比随机选择保留率更高，但较小模型未见此优势。
说明对深度研究智能体进行反思式提示优化：一项跨主题、多随机种子的评测方案，用于衡量可迁移收益与提示层面的过拟合
简介本文将反思式提示进化方法（GEPA）用于一个多智能体深度研究系统的两条系统提示，并在训练、验证与测试集之间不共享主题的划分下评估。在留出测试集上，引用奖励从0.702提升到0.781，三个随机种子下的结果也都重复出现提升。作者通过消融实验发现，分维度反馈是收益能够迁移的关键因素，而改用单一标量奖励则会导致留出集上的迁移变为负值。
说明STAPLE：通过嵌入模块对预训练检查点进行静态稀疏升级
简介该论文提出STAPLE方法，把静态稀疏记忆集成到已预训练的大语言模型中：保留原有的FFN上投影，并以残差方式加入按词元索引的嵌入，从而在不从头做稀疏预训练的情况下扩展模型容量。在OLMo-2 1B上，相比继续稠密训练，HumanEval提升4.27分，MBPP提升2.80分，GSM8K提升2.27分，DROP提升1.65分；同时解码速度约为MoE升级基线的2倍。
说明超越二元可验证奖励：面向软件工程智能体的行为自奖励
简介该论文针对软件工程智能体的强化学习训练，指出仅依靠可执行测试的二元奖励难以区分调试质量差异较大的轨迹。作者提出行为自奖励（BSR）方法，让策略模型比较同一任务、同一验证结果下各轨迹的可观察调试行为，并将成对偏好转化为有界的辅助奖励。在SWE-bench Verified和SWE-bench-Live上，基于Qwen3-14B和Qwen3-32B的实验显示了一致的提升。
说明SpireBench：用《杀戮尖塔》评测智能体模型的长程策略博弈能力
简介论文提出SpireBench，让大语言模型完整通关商业卡牌构筑游戏《杀戮尖塔》（Slay the Spire）的最高难度。在20个模型的测试中，前沿模型超过启发式基线、与人类平均水平相当，但仍远逊于专家，且差距随局数拉长而扩大。研究还发现模型普遍对长局风险判断不足，且跨局记忆的改进效果有限。
说明知道自己不知道什么：基于演化生成空间的智能体数据合成，用于闭环学习
说明场景作为攻击面：揭示多模态大模型中基于场景的安全失效
简介本文发现，即使视觉输入不含额外攻击指令，与任务相关的场景语义也可能使多模态大模型从拒绝转为服从。作者提出 SceneSafetyBench 基准，在八类风险、九个模型上进行测试，并设计了基于场景的攻击方法 SGA，在九个目标模型上平均攻击成功率为 86.17%。
看点发现任务相关场景语义本身即可使MLLM从拒答转为服从，提出SGA攻击并在九个模型上平均ASR达86.17%，新意明显，证据较充分。
说明基于高斯与均匀分布概率混合的人体姿态估计
简介现有人体姿态估计模型从离散热图中确定性地提取关键点坐标，在严重遮挡和分布外场景下容易出错。本文提出一种后处理式连续概率框架，将原始热图建模为高斯混合模型并加入空间无关的均匀分布，无需修改网络结构或重新训练。作者报告该方法的空间期望精度可与主流亚像素解码器相当，并在分布外异常检测和部分校准指标上有所改进，同时可扩展到多视角三维模型。
说明真实性与准确性：从生成式建模角度看事件序列预测
简介本文把多步事件序列预测视为条件生成建模问题，不仅评估预测准确度，也评估分布的真实性。作者提出了一个包含两类指标、统计基线、相关领域模型和真实数据集的基准。评测显示，没有任何方法同时在准确性和真实性上表现最佳。文中还提出了Wasserstein BaryBooster算法，将扩散模型生成的样本聚合为预测结果，表明分布真实性可以转化为预测准确度。
看点将事件序列预测视为条件生成问题并引入真实性与精度的联合评估基准，提出Wasserstein BaryBooster聚合扩散模型样本，实验覆盖多基线与多数据集。
说明一个模型适配多种循环次数：用于语言模型的弹性潜在循环
简介该论文提出弹性潜在循环（ELR）方法，训练可通过改变循环次数在推理算力与准确率之间权衡的语言模型。论文称，在单次循环时，ELR模型的推理成本与同规模非循环模型相同，且在相同数据上训练后准确率相近；增加循环次数可提升准确率，但会增加推理算力。论文还报告了4B稠密模型与30B-A3B混合专家模型上的实验结果，并基于该方法得到名为Koi-4B的检查点。
说明CLUE：用于无监督事件类型归纳与标注的对比学习框架
简介论文提出 CLUE 框架，无需人工预先定义事件本体，即可自动归纳事件类型、为其命名并完成标注。方法包括设计同时表达动词视角与语义视角的联合嵌入表示，用对比损失引导聚类归纳事件类型，并进行事件命名与修正。作者称实验证明了该方法的有效性，代码已在 GitHub 公开。
说明《弥合时间鸿沟：评估视频模型在驾驶场景中的时间理解能力》：考察视频语言模型能否准确理解驾驶视频中的动作与时间变化
简介这篇论文通过自车运动任务，检验视频语言模型能否从驾驶视频中识别动作。研究发现，多种提示方法的效果都不稳定，且存在明显的类别偏差；而轻量级LoRA微调和对中间视觉特征的简单探测器，能恢复较强的运动判别性能。结论认为，当前模型在驾驶场景中并不是可靠的时间推理者，更像是逐帧、带偏差的识别器。
说明数字病理学中多教师蒸馏的扩展：把多个大型基础模型的知识压缩到一个小型高效模型中
简介该论文研究多教师蒸馏方法，即把多个“教师”网络的知识迁移到一个“学生”网络中。作者发现，标准方法在教师数量增加时表现不佳，并提出可学习的教师标记、定制注意力机制、混合专家层和对比损失等设计，以学习教师专属表示。实验涵盖39项切片级与整张切片级任务，所训练的紧凑学生编码器效率可达教师模型的10倍，性能相当甚至更优，并发布了名为OMNI的新基础模型系列。
说明全晶体管物理学习 Transformer 可训练出上下文学习能力
简介论文提出一种基于全晶体管电路的物理学习注意力机制，利用亚阈值 MOSFET 的指数电流特性实现点积注意力所需的乘法。在仿真中，该电路经训练后能完成一个简单的上下文学习任务，并且需要使用交叉熵损失而非均方误差。训练所用的优化器 Lion 可用每个参数一个电容器来实现。
说明并行草稿的上下文修正：用于推测解码的 DCOCO 方法
简介该论文针对推测解码中并行草稿块内词元彼此独立预测的问题，提出轻量级的 DCOCO（DFlash 上下文修正器）。它保留多个候选词元，并并行评估相邻草稿位置之间的上下文兼容性，以较低额外开销进行有上下文依据的词元选择。论文报告在四种验证模型与十个基准上，DCOCO 在各评估配置中平均吞吐量最高，相比普通解码最高加速 6.6 倍；在 4 至 32 个并发请求下，也比最强的竞争方法高出 6% 至 23%。
说明SWE-Duel：面向编程智能体的自扩展竞技场
简介论文指出，静态编程基准在发布后任务容易泄露到训练数据中，且会被更强的智能体做饱和。作者提出SWE-Duel，让两个编程智能体在镜像的红蓝回合中互相出题、互相评审，任务与测试在评估时才生成。论文报告在15个仓库、1500个回合的锦标赛中，GPT-5.5（Codex CLI）解题能力最强，Claude Opus 4.8（mini-swe-agent）出题胜率最高，并初步显示新版本模型出的题更难。
说明MIRAGE：基于前馈视觉的度量推断与可靠性感知高斯估计（一种融合激光雷达与视觉的三维重建与定位方法）
简介前馈三维先验能从图像序列中重建高质量场景，但通常缺乏可靠的度量尺度，且长时间运行会产生轨迹漂移。本文提出MIRAGE，将前馈视觉几何与激光雷达-惯性测量的度量运动相结合，并根据对应点支持度和跨模态一致性调节在线位姿修正，从而同时实现精确的度量位姿估计和高保真高斯重建。在Oxford Spires、M2DGR和INS数据集上的实验表明，其轨迹估计效果优于COLMAP。作者还构建了多模态采集平台，建立了新的纯视觉基准，并评估了近期单目大规模重建方法在长时间室内场景中的表现。
说明CASTER：将合成视频零样本机器人操作形式化为约束优化问题
简介该论文研究如何把视频生成模型产生的合成任务视频转化为机器人可执行的轨迹，实现零样本操作，无需真人示范。作者把这一过程形式化为约束优化问题：从视频中提取的物体轨迹作为初始猜测，机器人再在数字孪生中加以修正，同时保证物理可行性和语义一致性。去掉现有方法的若干简化后，平均任务成功率比表现最好的基线提高34.1%。
说明样本自适应零阶后训练：用更少的模型查询加速大模型微调
简介该论文提出样本自适应零阶优化方法SAZO，用于微调大语言模型。它在线学习每个训练样本的重要性，并据此分配查询次数，无需真实梯度，也不增加额外模型评估。作者称其收敛速度严格快于标准方法，实验中在多个模型系列上下游性能有所提升，达到相同训练损失所需查询次数最多可减少至六分之一。
说明Fly-by-Code：面向空中操作的具身编程智能体，采用主动视觉与物理反馈
简介该论文提出一种空中操作方法：智能体根据自然语言指令生成可执行程序，并依据执行反馈修正。针对载荷限制造成的观测不全与动力耦合导致的交互脆弱问题，作者提出主动反馈框架（View and Probe），在仿真中运行诊断程序以从新视角观察或通过针对性物理交互检验失败原因。在六项仿真任务中，该方法将错误完成声明从25次降至5次，最终成功率由31.7%提升至75%，所得程序还可在实体空中操作机器人上运行。
看点提出主动诊断（View and Probe）框架，让编码代理在仿真中生成诊断程序补全执行反馈；六项仿真任务上成功率与误判明显改善，并迁移到真实机械臂。
说明Rubric-CEPR：基于奖励验证自蒸馏的自我演进图像编辑方法
简介该论文提出Rubric-CEPR框架，让图像编辑模型仅利用自身生成结果进行改进，无需人工编辑目标或外部奖励模型。框架通过基于内部表征的对比编辑-保留奖励及分项评分标准验证候选编辑，并将最优结果通过轻量适配器蒸馏回模型。论文报告在Qwen-Image-Edit上，ImgEdit得分由4.36提升至4.60，并在其他基准及Step1X-Edit上也有提升。
说明Dex-One2Many：从单段人类演示学习灵巧操作
简介该论文提出 Dex-One2Many 框架，从单段人类视频中学习可泛化的灵巧操作策略，属于真实到仿真再到真实（real-to-sim-to-real）的方法。作者将视频抽象为按顺序排列的场景图，用以引导强化学习进行高效探索，并约束重置状态的采样与各阶段的稠密奖励。策略完全在仿真中训练，可零样本迁移到真实多指手。在五项工具使用与操作任务上，已见配置中优于基线 6.5%，未见场景中差距扩大至 71%。
说明AutoIndexer：通过在编辑链上训练因果模型实现灵活顺序解码
简介自回归解码难以处理非因果顺序的数据，因为已生成的输出无法事后修改。AutoIndexer 设计了一种新的训练与解码机制，模拟编辑链，使模型能够通过插入、替换和删除标记，事后灵活修改已生成的内容。论文称该方法在标准大模型基准上不损失性能，并具备多数自回归与扩散模型所缺乏的生成后上下文编辑能力。
看点提出基于编辑链的训练与解码机制，使自回归模型可事后插入、替换、删除token；实验显示标准基准性能未受损，但验证范围有限。
说明DreamTrue：动作忠实的机器人世界模型与反事实后训练
简介该论文提出 DreamTrue，一种多视角、跨机器人本体的世界模型，用于预测既忠于动作指令、又符合物理规律的视频。作者通过图像空间动作条件与离线几何标定提升动作跟随能力，并用反事实后训练扩展交互覆盖面，再借助人工标注数据训练的视频奖励模型进行强化学习后训练。在 AgiBot 上，人工评估的交互缺陷率从 48.12% 降至 6.25%。
说明AI时间跨度估计及其有效性：对METR图表的统计审视
简介该论文讨论METR提出的50%时间跨度指标，即AI有50%概率完成的软件任务所需的人类耗时。作者在228个任务和26个AI上，用样条和项目反应理论重新计算该指标，以放宽任务难度与人类耗时对数呈线性关系的假设。拟合结果显示，2至30分钟区间内曲线近乎平坦，因此从3分钟到30分钟的跨度比从30分钟到5小时的跨度更容易。作者还提出了表现更好的估计值及用于评估构念效度的诊断图。
说明CSF：面向运动生成器的情境安全过滤方法
简介本文提出一种无需训练的情境安全过滤方法（CSF），用于约束文本驱动的全身运动生成器。它把自然语言安全规则与生成器产生的安全和不安全参考轨迹相结合，并通过控制屏障函数二次规划（CBF-QP）加以执行。在四个不同架构的预训练生成器上，该方法能识别不安全场景并显著降低危险事件率，同时保留大部分正常动作，并已在真实的 Unitree G1 机器人上完成验证。
说明平衡的数据配方：解决机器人控制超大规模强化学习中的探索瓶颈
简介该论文针对机器人控制的超大规模强化学习，指出简单地扩大并行仿真环境数量时，大量训练数据会浪费在策略已掌握或尚无法完成的任务配置上。作者提出自适应采样方法成功引导采样（SGS），将训练集中在策略能力边界附近的任务配置上。实验使用最多约一百万个并行环境，使强化学习能够解决多地形四足行走和接触密集型装配等既有方法无法解决的任务。
说明30,000小时第一人称视频学不到什么：扩大数据对世界模型的效果有限
简介本文研究用大规模第一人称人类视频训练世界模型，数据集包含30,000小时视频、1,000余种场景和14,000名贡献者。作者直接评估智能体与物体交互的保真度，发现数据增加100倍后，智能体建模效果良好，但物体保真度提升缓慢且仍明显偏低。文章还提出一种把模型容量从场景外观转向物体动态的监督方案，物体保真度有所提升，但差距依然存在。
说明OuroWorld：让任意三维场景动起来的无缝循环三维动态画
简介OuroWorld 是一个无需遮罩的框架，可将任意静态三维高斯溅射场景转换为可从任意视角无缝循环的三维动态画（3D cinemagraph）。方法借助视觉语言模型推断合理动态并引导视频模型生成参考视频，再提升并补全为多视角视频，并通过周期性四维高斯溅射及落地漂移场学习这些不完美的监督信号。作者在39个重建与生成场景上进行评估，结果显示其优于所有基线方法，用户研究中胜出比例为70.8%至99.0%。
说明WorldGuide：面向程序化任务执行的目标导向视频世界模型
简介视频世界模型能生成合理的视觉轨迹，但长程程序化任务需要根据已生成的内容调整。WorldGuide 仅依据初始图像和任务目标，预测原子动作、生成对应视频片段，并根据生成结果决定下一步动作或结束任务。其规划器与执行器在同一批步骤级程序化示范上训练，并配有分层视觉记忆。在 WorldGuide-Bench 上任务成功率为 33.33%，高于 MiniMax-H3 的 29.90%；在 VideoCraft-Bench 上为 47.69%，高于 MiniMax-H3 的 32.73%。
说明OmniCapBench：面向细粒度视听字幕的深层结构化评测框架
简介论文提出 OmniCapBench，一个用于评估多模态大模型视听字幕能力的基准。它把评测目标从自由文本改为三类可验证的原子单元：实体指代、视觉镜头和音频事件，并结合确定性约束检查与局部的大模型语义比较进行打分。基准包含 786 个密集标注的视频，用于区分时间定位失败、身份漂移、跨模态错位和幻觉描述等错误。对前沿模型的评测显示，其局部感知较强，但长时程视听推理较弱。
说明混合摄影：预演并管理生成式视频重拍中的幻觉风险
简介本文提出“混合摄影”工作流，将实际拍摄与生成式重拍结合。导演可借助可编辑的三维镜头计划和拍摄片段的代理模型，在拍摄现场实时预演幻觉风险，并据此调整镜头、拍摄补充镜头，或有意接受幻觉内容。作者通过移动增强现实应用和离线处理流程进行了演示，并对经验丰富的导演开展研究，考察预演风险如何影响镜头决策。
说明多智能体系统的心智模型：让智能体推断对手的隐藏信念与意图
简介该论文提出“心智模型驱动的智能体”框架，为智能体学习一个关于对手的潜在心智模型，用来推断其隐藏信念、意图和可能反应，并据此选择行动。方法联合学习递归心智理论表示与基于信念的奖励模型，在语言和多模态基准上，显式建模心智状态相较基础智能体系统提升了交互质量与心智理论表现。
说明BrickBench：评估智能体的积木设计能力
简介论文提出了 BrickBench，一个用于评估智能体根据文字描述设计乐高式组装作品的基准。智能体需要从离散零件库中选择零件，并同时考虑局部和整体约束，使设计既符合语义和设计要求，又能实际搭建。作者在三种规模和零件可用性不同的设定下评估有效性、语义契合度和设计质量，并提供了供编码智能体构建、检查和验证设计的环境 BrickAgent。结果显示，主流智能体基本能满足可验证的物理和语义要求，但与人类设计仍有差距。
说明VersaCamVLA：可配置相机的机器人操作视觉-语言-动作策略
简介该论文提出VersaCamVLA框架，让机器人操作模型能适应不同数量和位置的相机，而不必固定相机配置。方法将任意多个带位姿的RGB视角映射为固定大小的场景令牌，并借助腕部相机运动获得位姿多样性。在RoboTwin、LIBERO和真实机器人平台上的实验显示，该方法优于既有VLA方法和多视角基线。
说明Pristine Models（纯净模型）：在预训练阶段把不安全概念知识隔离到可拆卸分支中的文生图方法
简介论文指出，使用未过滤数据训练的文生图模型画质高，但可能学到不应生成的概念；只用安全数据训练则会降低画质。作者提出 Pristine Models，通过注意力机制把安全与不安全知识分到相互独立参数化的分支，推理时可以断开不安全分支。在 ImageNet 和 CC12M 上的实验显示，该方法比只用安全数据训练或事后概念移除的方法画质更好、文本对齐更佳。
说明Bi-FORK：高维分岔系统的生成式建模
简介该论文提出 Bi-FORK，一种用于学习高维分岔系统中一对多解映射的生成式框架。它通过潜在流匹配生成保持时空一致性的完整轨迹，并利用排斥引导采样在单次摊销计算中恢复不同的解分支。作者在屈曲梁、力学超材料和 Allen-Cahn 相分离问题上进行了评估，离散点数最高达 260,000。
说明单一模块多深度：采用深度编程专家的循环视觉Transformer
简介该论文提出reViT，用一个Transformer模块循环应用来替代全深度视觉编码器，无需中间特征蒸馏，在相近推理计算量下达到相当精度。模型用一小组共享专家的凸组合表示每个循环深度的前馈网络，并由连续归一化深度坐标控制混合权重。从头训练的reViT-B/16在ImageNet-1k上达到DeiT III精度，所存储参数减少约70%。
说明《Telling FIBS》：探针可有效识别破坏行为，并发现未明言的欺骗
简介该论文提出一种白盒探针方法用于检测大语言模型的欺骗行为，并发布了迄今规模最大的欺骗训练数据集 FIBS。新探针架构可跨多层、多个标记聚合信息。在 SHADE-Arena 和 BashArena 智能体编程基准上，探针的 AUROC 分别达到 98.3% 和 98.0%，优于仅基于行动文本的黑盒监控器。论文还报告了其在无法仅从上下文判断的内省式欺骗场景中的效果，以及对开放权重模型在政治敏感话题上说谎的检测。
看点提出新的跨层跨token聚合探针架构并构建最大规模欺骗数据集，在多个智能体基准上优于黑盒监控器，影响面较广。
说明预条件器空间中的舍入：重新设计4位AdamW优化器状态量化
简介本文针对AdamW优化器的状态量化，从"舍入空间"角度重新设计4位量化方法，分析二阶矩量化误差如何影响后续自适应更新。文章提出两种方案：ZIP-SR在二阶矩码本中保留零值并在预条件器空间进行随机舍入；ZE-EDEN使用不含零的码本并对量化块重新缩放。在130M至2.7B参数的GPT和Llama式预训练实验中，两种方法都缩小了与32位AdamW的验证损失差距，最大缩小幅度达70%。
说明LEGO：一种无需提升为三维的外视到第一人称视频生成方法
简介该论文研究从单段第三人称（外视）视频生成第一人称（自我中心）视频的新视角合成问题，两个视角重叠很少。作者提出不依赖深度估计、点云或重投影的方法：用微调后的LVSM式Transformer直接渲染第一人称视角，并以概率性对应分布取代确定性映射，再由扩散模型恢复细节。论文称该方法优于现有显式流程，且无需重新训练即可泛化到其他数据集。
说明基于Stein位移场的密度比估计
简介本文提出用作用于基准分布的位移场来参数化目标分布与基准分布之间的密度比，对数比被建模为基准分布的Stein算子作用于该场的负值（差一个归一化常数）。该方法通过单一凸优化问题同时给出分布偏移的统计与动力学描述，并据此提出两种迭代推断算法。文中还给出了在基于仿真的推断及非线性独立成分分析中分布偏移问题上的应用示例。
说明AI智能体生态：协作形成群体起飞的临界规模
简介该论文提出AI智能体种群的生态理论，用种群增长方程描述其适应度与网络安全能力的关系。作者指出，若智能体之间协作，群体的集体网络安全能力会随种群规模增长，从而形成临界种群规模：低于该规模种群衰退，高于该规模则会自我强化地扩张（生态学中称为强Allee效应）。作者建议开展生态层面的红队测试，并逐步扩大受控环境中的种群规模以估计临界值。
说明VioLA：从人类数据学习通用人形机器人控制策略
简介这篇论文提出VioLA，一种通用人形机器人策略，它预测身体和手部的运动潜变量而非关节指令，由预训练控制器在机器人上执行。人类动作与机器人动作被映射到同一潜空间，使大量人类录像可直接用于训练，训练数据共1.406亿帧，其中93.2%来自人类。论文报告，VioLA无需针对任务微调即可在真实机器人上零样本完成移动指令，成功率为100%，同时在操作任务上达到88.6%。
说明FAITH：面向高维系统、兼顾可行性的安全过滤强化学习
简介本文提出FAITH，一种无需模型、考虑可行性的安全强化学习框架，通过前馈网络近似最优安全值并实现最小干预过滤，使任务策略在过滤后的动态中优化回报。在双积分器、Safety Gym以及29自由度人形机器人实验中，FAITH在安全率与保留回报之间取得了较好平衡，并在真实Unitree G1人形机器人上进行了演示。
说明FastBench：流式视觉语言模型能否感知高动态真实视频流？
简介该论文提出FastBench基准，用于评估流式视频大语言模型在高动态真实视频流中的感知能力。基准含306组问答，涵盖8个领域、6种能力及前向、即时、后向三类时间范围。最强模型Gemini-3.5-Flash得分仅50.7%，同时提出训练免费的ProactiveFrame基线，但仍明显低于依赖标注信息的聚焦方法。
说明RoboRSI：复杂真实环境中稳定、高效且可复用的机器人自我进化系统
简介本文提出 RoboRSI，一种机器人自我改进系统，基于自顶向下的技能精化方法（TSR），把任务分解为复合、原子和基础技能，并将每次执行结果归因到负责的分支，仅在该分支内修订。系统由 Manager、Planner、Engineer 和 Reviewer 协同完成规划、执行、诊断以及经验证后的新技能发布，稳定的技能序列还会被整合为可复用的复合技能。作者报告，该系统在移动机械臂上完成了 104 轮多物体家庭清洁任务，并在仿真中于 LIBERO、LIBERO-PRO、LIBERO-Plus 和 RoboTwin 上取得最高成功率，比最强基线高出 2.7 至 11.0 个百分点。
说明Pumpire：度量距离估计的统一基准
简介本文提出 Pumpire，一个用于评估图像级和视频级三维基础模型点对距离估计能力的统一基准。数据集 pumpire-6k 包含 100 个真实场景、共 6400 帧，每个场景标注了实际测量的点对距离。实验覆盖 29 种基线配置并给出分析，旨在评估模型在重建三维空间中感知和估计物理尺度的能力。
说明基于Transformer的掩码扩散模型可证明地学习具有潜在结构的分布
简介掩码扩散模型通过并行解掩码生成离散数据，其误差来自并行采样和有限样本训练。本文给出端到端统计保证：当数据分布可由隐马尔可夫树混合模型良好近似时，基于Transformer的掩码扩散模型可用与潜在结构相关的样本量实现KL散度意义下的ε精度采样，且无需事先知道树结构或分量参数。
说明超越时空先验：一种面向稠密对应匹配的可泛化方法
简介稠密对应匹配传统上依赖平滑运动、刚性几何等时空先验，但在图像编辑和参考引导生成中这些假设不再成立。论文提出FreeMatching框架，结合生成式与语义基础表示，并利用经典数据集、跟踪视频和合成场景的异构监督，在无需稠密对应标注的情况下通过教师引导的迭代细化提升对应质量。实验显示，单一模型在困难的图像编辑图像对上明显提升对应质量，并可作为衡量身份保持的指标，其分数与人类判断相关。
说明面向安全关键强化学习的统一贝尔曼算子
简介该论文提出一种新的贝尔曼算子，将任务性能与安全目标统一到一个联合价值函数中。作者证明了使用该联合算子的时序差分学习在两时间尺度随机逼近框架下收敛，收敛后的最优策略在任务回报最大化的同时始终保持安全。基于神经网络近似的连续控制实验显示，训练稳定，测试时安全违规接近于零。
说明OneSearch-VL：面向图像与视频的统一多模态深度研究智能体
简介该论文提出OneSearch-VL，一个统一的多模态深度研究智能体，以视觉锚定证据图（VGEG）描述视觉定位、外部检索与事实组合之间的依赖关系。作者据此构建了数据、训练奖励与评测基准，并构建了两个新的评测集。实验显示，OneSearch-VL-8B在两个新基准上分别比带工具访问的Qwen3-VL-8B提升20.2和17.6个百分点，并在7个图像基准和VideoDR上取得明显提升。
说明WOVEN：将视觉世界建模融入多模态大语言模型
简介该论文指出多模态大模型在空间、具身、物理和时序推理上表现不足，并认为这源于视觉状态转换推理能力的缺失。作者构建了WOVEN训练数据与基准，包含36,076个样例，覆盖20类场景、5类动作和8类推理类型。实验显示，在WOVEN上训练的模型在26个外部基准中的22个上有所提升，最高提升27.3个百分点。
说明MAMHOI：通过可供性分解场景感知的人-物交互
简介该论文提出MAMHOI方法，用于在复杂三维室内场景中生成真实的人与物体交互动作。方法通过显式的“可供性”（affordance）中间表示把问题拆成两步：先由场景条件模型预测交互在何处、以何种方式可行，再由可供性条件的人-物交互模型生成对应动作。这种分解使两类数据可以分别学习而无需成对的人-物-场景数据。实验显示，该方法减少了物体与场景的穿透，并较好地保持了人与物体的交互质量。
说明WorldCast：分布式多人世界模型
简介该论文提出WorldCast，一种分布式多人世界模型，每位玩家运行一个包含视频生成器和状态模型的本地客户端，客户端之间只交换玩家状态和场景状态。在《反恐精英2》上的实验显示，相比联合生成方法，其玩家渲染速率提升超过一个数量级，并能在整局中保持较好的视觉一致性和实时性能。
说明用价值表示预测对齐泛化
简介该论文研究如何预测对大模型进行某一价值观微调后，其在其他未见价值上的行为变化（即对齐泛化预测）。作者分析了现代对齐目标中的66种价值，并比较了多种表示方法。结果显示，基于模型激活的表示明显优于基于文本描述的方法，相关性分别约为0.45与0.05。
看点提出对齐泛化预测新任务，系统评估66个价值观并证明激活表示显著优于文本描述（0.45对0.05），证据较扎实，对子领域影响较大。
说明探寻“有害拒绝”：对一项 AI 安全基准的心理测量审计
简介该论文检验 HELM Safety 中的“有害拒绝”（模型拒绝危险或违反政策提示的倾向）能否被视为单一可测量属性。作者发现四个候选数据集中三个已饱和，对剩余的 HarmBench 进行多维项目反应理论与差异项目功能分析，结果显示它并不测量单一属性。论文认为，综合分数会掩盖饱和并混合不同行为，因此分数在用于比较模型前应先证明其对应单一属性。
说明LeWAM：基于 JEPA 与扩散引导 MPC 的世界动作模型
简介该论文提出 LeWAM，一种双向 Transformer，在无解码器的 JEPA 潜在空间中端到端训练，可同时完成正向、反向、逆动力学和策略预测。实验称其潜在表示比重建式模型更能反映机器人与物体状态，并忽略视觉干扰；闭环评估与同规模的流匹配策略相当，同时还能作为世界模型使用。论文还指出，在策略头的噪声空间中规划，比直接采样原始动作的 MPC 方法表现更好。
说明ViSkill：用可演化的视觉原生技能强化视觉语言模型智能体
简介论文提出 ViSkill 框架，把成功的交互轨迹编码为可供视觉语言模型（VLM）智能体直接调用的视觉技能卡，而非纯文本。检索到的技能同时用于指导推理和奖励塑形，成功轨迹又回流到技能库中，形成技能积累与策略改进相互促进的闭环。在 Sokoban、FrozenLake 和 PrimitiveSkill 上，ViSkill 总体成功率为 0.89，加入冷启动后为 0.91，原文称优于所有被评估的基线并比标准 PPO 收敛更快。
说明SpaceCast-Bench：评测视觉语言模型的预测性空间推理能力
简介该论文提出 SpaceCast-Bench，这是首个直接、诊断性评测“预测性空间推理”的基准。基准包含来自 182 个真实场景的 3,862 道题目，涵盖 16 类任务，分为静态感知、局部预测和全局预测三个层级。评测 21 个模型后发现，最强模型得分 58.0%，人类为 87.2%，空间专用模型接近随机水平。
看点提出评测预测性空间推理的新基准，对三层任务与21个模型做了系统评估，并有受控分析与微调验证，证据较充分。
说明学习全球-区域对齐的公里级天气预报（ScaleCast）
简介该论文提出ScaleCast框架，用于公里级区域天气预报，通过全球-区域对齐，把预训练全球天气模型的大尺度预报引导到高分辨率区域预测中。实验基于ERA5与CERRA数据，结果显示区域预报在地面和高空变量上有所改进，且单一模型可配合Pangu-Weather、GraphCast和HRES等多种全球预报驱动而无需专门重训。作者还在3公里分辨率的HRRR数据上微调，并以风暴案例和站点观测进行验证。
说明SpaceFlow：可局部控制的三维生成方法
简介该论文提出SpaceFlow，一种无需训练的三维生成流程，可根据文字描述和一组几何基元进行局部可控的三维生成。用户可为每个基元指定局部控制强度，决定区域是严格贴合输入形状还是允许生成式补全。论文报告，该方法在高控制区域保持指定几何，在低控制区域允许合理的形状变化；文字条件分配在固定几何下的外观评测中取得了较好的提示词一致性与颜色、材质准确度。
