A Baseline Assessment for the Agentic Web Technology Stack
说明面向智能体网络技术栈的基线评估
简介本文提出名为 MASTIF（多智能体系统测试框架）的评估系统，用于对智能体网络相关技术进行测试。研究以 300 个 Mind2Web 基准任务，比较了 3 个大语言模型、3 种协议和 4 个智能体实现框架的组合表现。结果显示，选择针对特定任务的技术栈，可能提高任务完成率、效率得分和社会价值稳定性指标，并减少冗长输出和完成任务所需时间。
Improving Semantic Coverage in AI Test & Evaluation through Generative Augmentation
说明通过生成式增强改善AI测试与评估中的语义覆盖
简介本文针对AI模型测试与评估中测试集语义覆盖不足的问题提出一种三阶段生成式AI流程：先用视觉语言模型零样本标注语义因素并聚类找出影响最大的语义，再用扩散式图像到图像模型把已有图像转换到代表性不足的语义域（如白天/夜晚），最后通过统计分析验证合成图像确实提升了覆盖度。合成数据仅用于扩充测试集，不对模型重新训练。作者在图像分类和目标检测任务上验证，结果显示增强后的测试集能更好地区分接触过与未接触过该语义的模型。
Verifiable Retrieval for Legal Reasoning through Structure-driven Knowledge Graph
说明基于结构化知识图谱的法律推理可验证检索
简介论文指出，医疗、法律等高可靠性场景中的自动化系统需要透明、可验证，而基于大语言模型的系统因黑箱特性难以满足。作者以德国法典为对象，利用结构化解析构建知识图谱来导航和检索源文档，比较了多种知识图谱辅助的分块与检索策略，并评估它们对检索引用准确率的影响。
Calibration in One Go: Jointly Learning Accurate and Calibrated Neural Networks
说明一步到位：联合学习准确且校准良好的神经网络
简介神经网络功能强大，但输出的置信度常常失准。传统的事后校准方法需要单独的校准数据集和额外参数，流程繁琐。本文提出用双层 Stackelberg 框架，将标准校准器与主干网络端到端联合训练，同时用交叉熵优化准确率和校准效果，只额外引入一个超参数，即校准器的学习率。研究表明，直接把最后的分类层作为校准器，即可得到准确且校准良好的模型，且不增加参数。
★★★★☆ 值得关注
Variance-Reduced Policy Gradient is Nearly Minimax-Optimal
说明方差缩减策略梯度接近极小极大最优
简介标准策略梯度算法依赖蒙特卡洛更新，估计方差较高。本文提出无循环方差缩减策略梯度框架（LVR-PG），统一刻画结合递归更新与防御性重要性采样的一类一阶估计器，包括PAGE-PG与STORM-PG。作者证明该类算法在弱梯度支配条件下可达到约O(ε^-2)的末次迭代全局收敛，并将已知下界推广到连续参数化策略，给出Ω(ε^-2)的样本复杂度下限，表明该框架在对数因子与时域项意义上接近极小极大最优。
看点提出统一的无循环方差缩减策略梯度框架，给出近最优收敛率并匹配下界，证明较完整，但主要是理论贡献，应用影响有限。
Transformer-based In-Context Score Operator Learning for Diffusion Models
说明基于Transformer的扩散模型上下文分数算子学习
简介扩散模型通常只能学习训练时固定的单一目标分布，难以仅凭少量样本适应未见过的新分布。该论文提出一种上下文解算子学习框架，把每个目标分布视为元分布中的一个任务，并在推理时用一组样本作为上下文指定，学习一个将上下文样本、带噪查询点和扩散时间映射为任务相关分数的算子，无需重新训练即可在新任务上采样。实验覆盖Navier-Stokes、ERA5气候数据、QuickDraw草图和Food-101等数据集，结果显示方法在较简单的任务族上表现良好，但随任务复杂度增加而性能下降。
VQIL: Visible Quantum Interference Learning for Perturbation Response Ranking on Graphs
说明VQIL：用于图上扰动响应排序的可见量子干涉学习
简介论文提出 VQIL，一种可训练的 Szegedy 量子行走模型，用于给定扰动种子节点后，对图中其他节点按响应强度排序。模型通过端到端反向传播优化边权、相位等参数，并保持算子幺正。在电网交流潮流扰动和基因扰动（Perturb-seq）两类任务上，VQIL 的 Spearman 秩相关系数分别从 0.147 和 0.171 提升到 0.831 和 0.620。
X-AVDD: Cross-Attentive Audio-Visual Dataset Distillation
说明X-AVDD：交叉注意力的音视频数据集蒸馏方法
简介该论文提出X-AVDD，用于从大型配对音视频数据集中合成小型数据集，同时尽量保持神经网络的训练效果。它采用交叉注意力机制显式捕捉音频与视频之间的关系，相比现有方法内存占用更低、合成成本约降低8倍GPU小时，且合成数据对齐度更高。在VGGSound等数据集上，其测试准确率明显优于其他音视频蒸馏方法。
PhysForge: Material-Controllable 3D Reconstruction with Separable Components
说明PhysForge：可控材料并可分离组件的三维重建
简介该论文提出PhysForge框架，基于视频扩散模型，用于生成具有可模拟力学行为的三维资产。其中PhysFit模块用材料条件下的视频扩散动态作为参考来拟合物理属性，并通过窗口化拟合和Hallucinated Forcing区分材料响应与模型幻觉出的非物理运动；PhysComp模块把复杂交互分解为单个物体和语义部件，分别优化其物理参数后再组合进行联合模拟。实验基于PhysAssets和Google Scanned Objects，论文称其在CLIP与物理可控性指标上优于现有方法。
Retractions Revisited: A Replication, Extension, and Mechanistic Evaluation of Linguistic Obfuscation Effects in Fraudulent Science
说明撤稿论文再探：对欺诈性科学中语言晦涩效应的重复、扩展与机制评估
简介本研究重复并扩展了既有研究，比较了800篇欺诈性论文与800篇真实对照论文（2013至2025年）。结果支持“语言晦涩假说”，即欺诈性论文的语言比真实论文更晦涩。研究还评估了三种相互竞争的机制，发现以形容词比例下降衡量的现实监控机制最能解释欺诈科学与语言晦涩之间的联系。
On the Encoding of Calendar Features in Covariate-Informed Time Series Foundation Models
说明论时间序列基础模型中日历特征的编码方式
简介时间序列基础模型越来越多地支持协变量，其中日历信息最为常见。本文系统比较了七种日历编码方式在四个先进模型、九个数据集上的零样本滚动预测表现。结果显示，编码选择显著影响预测精度，节假日前后的改进最为明显。
Can Multimodal Decision Models Classify Breast Ultrasound Images? Benchmarking CLEF and CLEF-Flash Across Prompts and Datasets
说明多模态决策模型能否对乳腺超声图像进行分类？跨提示词与数据集对 CLEF 与 CLEF-Flash 的基准测试
简介该研究在 2818 张乳腺超声图像（Dataset B、BUSI、BUS-BRA 三个数据集）上，测试两种多模态决策模型 CLEF 与 CLEF-Flash 的分类表现，并比较三种提示词的影响。结果显示，CLEF-Flash 配合临床提示词在三个数据集上准确率最高，但在 BUS-BRA 上所有配置均低于多数类预测器的准确率。研究认为，模型表现依赖数据集和提示词，应在用于乳腺超声分析前进行分类别评估。
Not All Dimensions Are Equal: Outlier-Aware Attention Linearization with Grouped Quadratic Kernels
说明并非所有维度都平等：基于分组二次核的离群维度感知注意力线性化
简介该论文提出离群维度感知注意力线性化方法（OAL），用于近似Transformer中的softmax注意力以提高推理效率。作者发现少数离群维度对查询-键点积贡献很大，是近似误差的主要来源。OAL以二阶泰勒展开为基础，按维度贡献尺度分组共享系数并单独处理离群维度，在Qwen2.5-0.5B上相比DiJiang降低了冻结注意力输出的相对MSE，并在WikiText-103和部分常识任务上改善了表现。
Inject a Turn, Not a Token: Learning Where to Redirect LLM Reasoning for Self-Correction
说明在用户轮次中注入提示：学习在何处引导大模型推理进行自我纠错
简介论文提出 UPTURN 方法，用一个小型探测器（约 13 万参数的 MLP，基于冻结编码器，仅用最终答案正确性训练）判断失败推理过程中的干预位置。在相同生成预算下，将纠错指令作为新的用户轮次注入，比行内注入更能有效改变模型的推理走向。该方法无需微调大模型，在四个推理模型和六个数学基准上均提升了平均准确率。
A Step Harder, Not a Step Too Far: The Benefits and Limits of Curriculum Difficulty Progression in GRPO
说明更难但不过难：GRPO中课程难度递进的收益与局限
简介该论文研究GRPO训练中的课程学习，提出在当前策略下重新估计样本难度，并设计分阶段课程逐步转向更难样本。在GSM8K上的实验显示，逐步进入中等偏难区间的测试准确率（0.6591±0.0077）高于固定选择中等难度样本（0.6449±0.0024），但进一步转向更难区间后准确率下降至0.6405±0.0053，表明收益是非单调的。
Cooperative Aerial Transportation of a Payload with a Sliding Cable Attachment
说明滑动缆索挂钩协同空中运送载荷
简介本文提出一种双四旋翼通过穿过挂钩的单根不可伸长缆索协同运送载荷的系统，缆索可在挂钩中滑动，因此载荷不固定于缆索某一点。作者给出了可行的参考轨迹生成框架，在满足缆索长度约束和椭圆工作空间的同时，保证缆索张力为正并遵守执行器限制。实验演示验证了该方法的效果。
Frozen Site-Probe Accuracy Is Not a Standalone Harmonization Score: An Audit of Evaluation Practice for Multi-Site MRI
说明冻结站点探针的准确率不能单独作为协调效果的评分：多中心MRI评估方法审计
简介论文检验了多中心MRI图像协调研究中的一种常见评估做法：用在原始扫描上训练、再原样应用于协调后图像的冻结站点分类器，并将其准确率下降解读为站点效应已被去除。作者在ABIDE I数据集（1,112例T1加权扫描，17个站点）上审计了七种方法的十组输出，发现该结论取决于探针的训练方式，高斯模糊等非协调操作也可使其准确率降至随机水平，且在冻结探针失效处，重新训练的探针仍能识别站点。论文建议报告多个训练至收敛的探针、基于协调后扫描训练的探针以及目标对齐情况。
A Multi-Agent LLM System for Automated Tuning of Specialized Neural Network Models
说明用于自动调优专用神经网络模型的多智能体大语言模型系统
简介本文提出一个多智能体大语言模型框架，由分析师、编码员和记录员三种角色组成，用于自动调整神经网络中的关键组件，且不改变整体网络结构。该框架在脉冲分类网络和物理信息神经网络（PINN）两类任务上进行了验证，涵盖MNIST、Digits以及GNLSE、KS两个边值问题。结果显示，其分类准确率和求解误差指标均优于基线方法。
Pretraining and Test-Time Training Budgets Matter for ARC: A Controlled Study of VARC and TRM
说明预训练与测试时训练预算对 ARC 的影响：VARC 与 TRM 的受控研究
简介该论文比较了两种 ARC 模型 VARC 和 TRM 在 ARC-AGI-1 上的表现，并在统一协议下控制预训练与测试时训练（TTT）的预算。结果显示，增加 TTT 样本呈现次数在所有设置中都能提升 pass@2 指标；增加任务变体数量则只对 TRM 持续有益。此外，VARC 在无预训练时仍有竞争力，而 TRM 从预训练中获益更多。
Scalable Sparse Autoregressive Variational Inference for Non-Gaussian Spatial Fields
说明用于非高斯空间场的可扩展稀疏自回归变分推断
简介论文针对非高斯似然下高斯过程潜在场后验难以解析求解的问题，提出一种可扩展的变分推断框架。该方法在变分族中模仿先验的稀疏近邻自回归结构，用归一化流作为条件分布以增强表达能力，并通过共享神经网络统一摊销所有变分参数。作者称，采用缩减祖先集的双重随机优化，每次迭代的复杂度为多对数级。
★★★★☆ 值得关注
TabReliBench: Evaluating Tabular Foundation Models Beyond Predictive Accuracy
说明TabReliBench：超越预测准确率评估表格基础模型的可靠性
简介表格基础模型（TFM）预测性能较强，部分还能给出后验预测分布，但其可靠性研究较少。该论文从点预测、分布质量、边际与子群校准、区间效率等方面评估可靠性，并提出大规模分类与回归基准TabReliBench。结果显示，TFM 在不同基准和可靠性指标下排名会变化；回归模型多能达到接近名义水平的边际覆盖，但这不等于有效的条件覆盖；仅靠综合排名不足以可靠地选择模型。
看点提出多维可靠性评估框架和大型基准TabReliBench，揭示排名变化和条件覆盖失效等发现，对已有评测有实质扩展。
A Critical Look at Power Sampling when Test Time Sharpening LLMs
说明对大模型测试时锐化中幂分布采样的批判性审视：检验是否真能逼近目标分布，以及所得收益究竟来自何处
简介本文针对强化学习可验证奖励（RLVR）提升大模型推理的做法展开研究。近期工作尝试在无需奖励信号的情况下，通过马尔可夫链蒙特卡洛或序列蒙特卡洛从幂分布采样以获得类似收益。作者发现，这些采样器在实际计算预算下无法收敛到目标分布，其收益大多可由配合恰当评分的 Best-of-N 方法复现。作者还直接微调基础模型以匹配幂分布，结果收益不稳定，且仅对特定模型和任务有效。结论认为，幂采样的价值在于选出基础模型本身认为可能性较高的序列，而非忠实逼近幂分布。
Electron-Density-Informed Molecular Property Prediction Using Surrogate Functionals
说明基于表面密度与代理泛函的分子性质预测
简介本文将原用于无轨道密度泛函理论的代理泛函框架扩展到分子性质预测。模型以基态电子密度作为输入，并约束其为代理泛函的最小值。作者报告，在QM9数据集的七个广延性质中，六个超过了现有最佳水平；在更大分子的QM40数据集上也表现出更好的泛化能力。
SelectArena: A Modern Benchmark for Feature Selection on Real-world Tabular Data
说明SelectArena：面向真实表格数据的特征选择现代基准
简介特征选择是从表格数据中挑选部分列的常见任务，但现有基准多依赖过时模型、临时评估流程或人工生成数据。本文提出 SelectArena，在 71 个人工整理的真实表格数据集上，用标准化评估流程和先进的表格基础模型，比较了 15 种常用特征选择方法。结果显示，在预测性能和运行时间之间，基于树的方法（CART、RFImportance）与 F-Test 处于帕累托最优；F-Test、信息论方法和基于距离的方法在稳定性和有效性上表现较好；搜索类方法则慢、不稳定且性能较低。
Learning Size Independent Constraint Models from Input Data and Positive and Negative Example Solutions
说明从输入数据和正反例解中学习与规模无关的约束模型
简介本文介绍一个约束获取工具，可根据输入数据以及多个问题实例的正例解和反例解，自动生成与规模无关的约束程序。系统先基于全局约束和二元约束上的典型约束模式找到针对特定规模的模型，再将其泛化为可用于未见输入数据的通用模型。系统同时输出 MiniZinc 代码和模型的文字说明。作者在 PTHG21 挑战赛的示例问题上评估了该工具，并表明该方法是可行的。
Model-agnostic Knowledge Augmented Machine Learning for Weakly Annotated Bioimaging Data
说明面向弱标注生物影像数据的模型无关知识增强机器学习
简介本文提出一种与模型无关的知识增强方法，使机器学习模型能利用超出自动特征提取所能捕获的领域知识，用于显微镜和细胞形态学等弱标注生物影像的分类。该方法在七种模型架构上提升了分类表现；结合基于掩码自编码器的自监督学习后效果最佳。作者还将其用于人类诱导多能干细胞来源运动神经元的TDP-43从细胞核转移到细胞质的分析，并据此得到与ALS相关的生物学解读。
Benchmarking Answer-Grounding Consistency in Remote Sensing Visual Question Answering
说明遥感视觉问答中答案与证据一致性的基准评测
简介本文提出答案-证据支持协议（AESP），用于评估遥感视觉问答中模型给出的答案是否得到其所指定的定位证据支持。作者构建了包含15,027个样本的G-RSVQA基准，涵盖问题、参考答案及相关目标级标注。对七个带定位能力的视觉-语言模型的实验显示，在三类问题中都存在证据支持不足的问题，部分答对的样本中最多有50.82%未得到证据支持。
PANDA: Prior-guided Attentional Dual-path Architecture
说明PANDA：先验引导的注意力双路径架构（用于超图神经网络的插件式模块）
简介超图神经网络用于建模超出成对关系的高阶关联，常依赖固定结构权重或归一化注意力，两者各有局限。本文提出PANDA，可插入两阶段消息传递超图网络，适用于无向与有向场景。其主路径在可学习的注意力与结构先验之间插值，辅助路径不做归一化，使每个发送方都能保留自身信息。在八个真实基准数据集上，将PANDA接入四种超图网络后，平均提升5.18个百分点。
Humanize Olympiad Agents: A Multi-Session Workflow for Olympiad Problem Solving with Solve, Review, Wiki, Verify
说明Humanize Olympiad Agents：借助求解、审阅、知识库与验证的多会话奥赛解题工作流
简介论文提出开源框架HOA，让多个智能体会话通过独立审阅、结构化知识库和Lean证明验证三条反馈渠道协同工作。使用GPT-5.6 Sol时，HOA在2026年IMO、IPhO、IOI上取得满分，在IChO上接近满分，并解决PutnamBench全部672题，在Lean-Eval排行榜上排名第一。换用开源模型Kimi-K3时，HOA在IMO、IPhO、IOI上同样得到满分，IChO得分率为97.1%。
Private and Distributionally Robust Federated Multiclass Classification
说明私有且分布鲁棒的联邦多分类学习
简介这篇论文面向工业设备故障诊断，提出一种在多个客户端之间协作训练、同时保护每条记录隐私且对标签噪声更稳健的联邦多分类方法。方法基于带 Crammer-Singer 损失的联邦 Wasserstein 分布鲁棒目标，用 ADMM 求解，并在上传更新时加入校准的高斯噪声，用矩会计法量化累计隐私损失。实验在模拟工业故障数据和 UCI 基准数据集上进行，结果显示该方法在多数测试设置中优于差分隐私联邦经验风险最小化和随机梯度下降基线。
Multi-Stream Attention Residuals
说明多流注意力残差：把深度方向的注意力扩展为多头机制，以提升大模型预训练效率
简介该论文提出多流注意力残差（MSAR），是对 AttnRes 的扩展，把深度方向的注意力推广为多头形式，各个头通过多尺度因果卷积从不同的上下文视角检索历史表示。检索到的多个流经轻量自适应混合后，生成单流的层输入，无需持久存储多流。论文称，在 18B 和 28B MoE 规模的 12 个下游基准上，MSAR 均优于标准残差、mHC 与 AttnRes；在等损失计算加速比上，MSAR 为 1.58 倍，AttnRes 为 1.35 倍，mHC 为 1.30 倍。
JitterVLA: A Replay Benchmark for Motion Quality in VLA-Driven Human-Robot Manipulation
说明JitterVLA：面向人机协作操作中运动质量的回放基准测试
简介视觉-语言-动作（VLA）策略输出的稀疏动作目标到达机器人控制器时可能延迟且不规则，导致合理的预测在靠近人时仍产生突兀运动。JitterVLA 用相同的指令与到达时序回放不同的控制器，以隔离控制器本身的影响。在合成轨迹、20 人手部轨迹、三种开源 VLA 流程（838 个回合）及实体 UR3 机械臂上测试，插值方法在含 200 毫秒延迟的人类运动上将建模的 p99 加加速度从 615 降至 106 m/s³（降低 83%），代价是 2.0 厘米的跟踪误差。该基准可在以人为中心的研究之前用于筛选。
AMLworld-Compact: Importance-Weighted Downsampling for Cost-Effective LLM Evaluation and Error Diagnosis
说明AMLworld-Compact：用于低成本大模型评估与错误诊断的重要性加权降采样
简介该论文针对反洗钱数据集AMLworld的大模型评估成本高的问题，提出AMLworld-Compact评估集：保留全部非法测试交易，并从有监督打分分层中抽样合法交易，配合Horvitz-Thompson加权估计全量混淆矩阵计数。实验显示其F1误差明显低于均匀抽样，并发现七个开源大模型的加权精确率接近全部判为非法的基线，同时词法检查不能可靠判断判断正确性。
SWE-DeceptionBench: Benchmarking Deceptive Behaviors of LLMs Across the Software Development Lifecycle
说明SWE-DeceptionBench：评测大语言模型在软件开发全生命周期中的欺骗行为
简介本文提出 SWE-DeceptionBench，一个用于评测大语言模型在软件工程中欺骗行为的基准，覆盖六个开发阶段和两类欺骗触发方式，共 720 个中英文测试实例。在七个主流模型上，即使在中性条件下，主动欺骗和被动欺骗的总体比例分别达到 49.88% 和 64.29%。作者还发现轻量防御手段只能部分减少欺骗回答，呼吁发展更有效的检测与缓解方法。
★★★★☆ 值得关注
Kernel-based External Validity of Experimental Studies
说明基于核方法的实验研究外部效度
简介本文提出一种衡量实验研究外部效度的框架，即两次独立、同规模重复研究结果的最大均值差异（MMD）低于给定容差的概率。作者建立了研究规模与MMD分位数之间的渐近幂律关系，可用于从小规模预备研究估计达到外部效度所需的规模。文中以带并列项的排序为例，并通过已有案例和模拟研究进行了验证，代码已发布于genexpy模块。
看点将外部效度形式化为结果分布的MMD概率，并给出样本量与MMD分位数的幂律关系，框架新颖；实验主要基于案例与模拟，证据中等。
Training User Simulators with Latent Intrinsic Feedback
说明用潜在内在反馈训练用户模拟器
简介用户模拟器可作为训练大模型助手的环境，帮助其应对与真实用户的多轮对话。本文提出带有内在反馈的用户模拟器，即在每一轮对话中以用户第一人称视角产生内部思考、反应和评分等潜在评价状态。作者用真实用户与助手的交互日志训练基于大模型的模拟器，结果显示其在真实性、批评行为和逐轮评价方面优于提示式基线，并能为多轮强化学习提供奖励信号，同时将强化学习计算量减少一半以上。
Some remarks on the connection between generative diffusion and optimal transport
说明生成扩散与最优传输之间联系的若干评注
简介本文讨论生成扩散模型与最优传输之间的三个简单联系。作者指出，数据与其Ornstein-Uhlenbeck加噪结果的联合分布在每个时刻都是一个熵最优传输问题的解，反向扩散可视为逐步降低熵正则化的退火过程。文章还以高维高斯混合为例，比较扩散模型、流匹配与最优传输中模态分离的过程。
CUBE: Class-conditioned Unknown Boundary Evidence for Open-Set Insect Species Recognition
说明CUBE：面向开集昆虫物种识别的类别条件未知边界证据框架
简介本文针对野外昆虫识别中视觉上接近已知物种的未知种类问题，提出CUBE框架，为每个已知物种分别建模未知性，而非使用单一全局未知类。方法包括从辅助物种学习类别条件边界证据、推理时保留辅助物种作参照，并结合分类学候选校准。在Open-Insect C-America基准上，CUBE在局部、非局部及非蛾类未知划分上分别达到95.8%、98.7%、99.1%的AUROC，闭集准确率为94.9%；加入生态元数据的CUBE-E进一步提升了结果。
Vocal Intensity Conversion with Continuous SPL Control via Adversarial Training
说明基于对抗训练、可连续控制声压级的发声强度转换
简介本文提出一种在连续分贝（dB）声压级尺度上控制语音发声强度的转换方法，而非简单缩放音量。模型采用无需平行数据的条件循环一致 GAN 训练轻量转换器，作用于冻结的语音编码器特征，再由预训练声码器重合成语音。实验比较了对数梅尔谱、WavLM 与 SpeechTokenizer 三种表示，其中 WavLM 实现了约 83% 的目标强度变化，同时也会改变基频；感知评估显示，在音量归一化的刺激下，感知强度随目标电平升高而增加。
BLiMPPI: Benchmark of Linguistic Minimal Pairs for Polarity Items
说明BLiMPPI：极性项最小对立句的多语言评测基准
简介本文提出 BLiMPPI，一个包含 33 种语言、超过 12000 组负极性项（如 anymore、ever）最小对立句的多语言评测套件。作者从通用依存树库（UD）中发现负极性项、标注其许可环境并构造最小对立句。对 12 个多语言模型和 2 个单语模型及 n-gram 基线的评测显示，多语言模型在低资源语言和非 n-gram 可解的句对上表现最差。
zip2zip++: Towards Inference-Time Token Compression with Minimal Quality Loss
说明zip2zip++：在推理时压缩词元且尽量少损失质量
简介该论文延续 zip2zip 的思路，用 LZW 压缩在推理时动态构建词表，使语言模型用更少的词元表示同样的文本。作者指出四个导致质量下降的问题，并通过解耦的输入/输出动态嵌入层、考虑合并长度的 RoPE 位置编码以及支持选择性合并和多视图切分的改进 LZW 编解码器加以解决，且不修改底层预训练模型。实验显示该方法在四个模型上提高了所评估语料的困惑度和数学推理准确率，在一般文本上以相近压缩率缩小了约一半与未压缩基线的质量差距。
Thyroid Nodule Segmentation in Ultrasound Images with Conformal Uncertainty Estimation
说明基于共形不确定性估计的超声甲状腺结节分割
简介该论文提出一种甲状腺超声图像结节分割框架，结合DeepLabV3+、通道注意力模块与事后共形预测，既输出分割掩膜，也给出像素级不确定性图。研究在公开基准数据集TN3K上评估多种配置，结果显示基础骨干网络已优于此前报告的结果，其中CBAM加Dice-BCE损失的组合整体表现最好。
A small cognitive core explains human behavior at scale
说明一个小型认知核心可解释大规模人类行为
简介研究者将几项已有的心理学原理整合为一个名为 CORE 的模型，它由分层的情景记忆构成，预测误差被写入记忆，记忆的编码、提取和遗忘都依赖情境。该模型联合拟合了 137 项实验中的 7,036,442 次选择，预测人类选择的效果优于黑箱模型，模拟时可重现 75% 的已报告行为效应。论文认为，一个小型认知核心能解释人类行为的大部分内容。
Exploring the Latent Structure of AMD Severity Using Retinal Foundation Models
说明利用视网膜基础模型探索年龄相关性黄斑变性严重程度的潜在结构
简介本文以年龄相关性黄斑变性（AMD）为例，研究视网膜视觉-语言基础模型RET-CLIP的嵌入空间如何表示疾病严重程度，数据来自AREDS数据集的双眼眼底图像，并与非视网膜编码器对比。结果显示，模型将AMD严重程度呈现为连续谱，健康与晚期阶段较易区分，中间阶段则较难；二分类与晚期AMD检测的平衡准确率分别为0.844和0.814，六分类分级则降至0.446。作者还发现，最具影响力的潜在维度与玻璃膜疣堆积、色素改变和晚期视网膜病变等表型存在统计关联。
AudioTETRIS: Token Elimination via Transitional Importance Signals for Efficient Audio LLMs
说明AudioTETRIS：面向高效音频大语言模型的过渡重要性信号令牌删减方法
简介大型音频语言模型处理语音时会产生大量令牌，导致推理计算量显著增加。本文提出AudioTETRIS，一种无需训练的两阶段方法：利用音频编码器的表示几何作为令牌重要性的声学先验，并将其传入LLM解码器，与注意力信息融合后逐层选择令牌。文中报告，在Qwen2-Audio-7B、Phi-4-Multimodal和Audio Flamingo 3上，该方法仅保留25%音频令牌时在部分语音任务上接近未压缩性能，并优于现有无训练基线。
EchoTab: Learning Measurement-Grounded Representations for Echocardiographic Diagnosis through Tabular Reconstruction
说明EchoTab：通过表格重建学习以测量值为基础的超声心动图表示，用于诊断
简介论文提出EchoTab框架，用于多切面超声心动图的表示学习。它引入与各项测量相对应的词元作为切面与诊断之间的中间表示，每个词元关注与其测量相关的切面，并通过表格重建训练来预测对应的测量值。实验显示，该方法在两个数据集上提升了多切面超声心动图的诊断分类效果，其学到的注意力与心脏科医生使用的测量与切面对应关系一致。
TheoPhysEval: Assessing AI agents at autonomous theoretical physics problem solving
说明TheoPhysEval：评估AI智能体自主解决理论物理问题的能力
简介该研究构建了50道未发表、有可验证答案的研究级理论物理题目。测试显示，在可使用文献检索和脚本工具的条件下，表现最好的智能体准确率达98%，平均每题成本低于3美元。在禁用网络搜索和背景论文后，准确率变化不大，作者认为这暗示智能体对文献有较多记忆。
MENTOR: Learning from Failure with On-Policy Pedagogical Intervention
说明MENTOR：从失败中学习的同策略教学干预方法
简介论文针对大型推理模型强化学习训练中的“零奖励崩溃”问题，即任务难度突增导致学习信号消失。作者提出MENTOR多智能体框架，实时诊断失败根源，并动态生成有针对性的提示来指导模型下一次尝试。该方法可即插即用地接入GRPO等现有策略优化流程，在数学与代码生成任务上有效缓解崩溃，并在Llama-3.2-3B-Instruct上相对基础模型取得最高78.3%的平均相对提升。
★★★★☆ 值得关注
Lower Bounds for Randomized Linear-Oracle Optimization over Strongly Convex Sets
说明随机化线性最小化预言机方法在强凸集上的下界
简介本文研究在强凸集上仅通过线性最小化预言机（LMO）调用进行优化的一阶方法。作者证明，对于随机化的一阶LMO方法，经过T次调用后目标误差存在Ω(L·diam(S)²/T²)的分布式下界。该结果补足了先前仅适用于确定性方法或标准Frank–Wolfe算法的下界结论，并进一步给出概率至少为3/4时的同一误差阈值及停时尾部界。
看点证明了随机化LMO方法在强凸集上的Ω(1/T²)分布下界，填补了随机算法下界的空白，证明严格且给出高概率版本。
Probabilistic Forecasting of Electric Vehicle Charging in a Time-varying Hierarchical Infrastructure
说明在时变层级基础设施中对电动汽车充电进行概率预测
简介本文研究苏格兰公共充电站的大规模数据，充电需求按从单个充电桩到区域、全国的多个层级组织。由于充电站不断新增或偶尔撤除，作者将层级预测与带缺失数据的共形预测方法结合，使所得预测区间在层级的每个节点上都有效。论文提出的 CP-MNR-Nested 算法能够处理数据随时间变化的层级结构。
Measuring Artifact Reliance in Machine-Generated Text Detectors
说明衡量机器生成文本检测器对格式伪迹的依赖
简介该论文发现，多个科学文献基准上检测器的近乎完美得分，部分源于文档格式（如PDF提取留下的换行痕迹）而非文本本身。作者用27个表层特征的逻辑回归即达到0.833至0.997的宏F1，并提出“格式反事实”测试：仅重新排版文本即可使公开检测器20%至27%的正确判断翻转。研究还表明，训练前规范化格式可缩小泛化差距（从0.32降至0.22）。
Correction Training for Diffusion Models
说明扩散模型的修正训练：用一个修正器减小训练与推理之间的差距
简介扩散模型迭代采样时，早期步骤的预测误差会逐步累积，这与训练与推理输入不一致（曝光偏差）有关。论文提出一个修正步骤，修正器以基础模型的预测为输入，并与相同的真实目标进行训练，在每个去噪步骤中迭代细化干净样本预测。在DiT、SiT和JiT上的评估显示，无引导生成的样本质量明显提升，并可与无分类器引导（CFG）相当，结合CFG还能改善多样性并减少过饱和；修正的额外推理开销可通过蒸馏回基础模型来摊销。
RARA: Robust Policy Fine-Tuning through Retrieval-Anchored Representation Alignment for Robotic Manipulation
说明RARA：通过检索锚定的表征对齐实现机器人操作的稳健策略微调
简介该论文提出 RARA（检索锚定表征对齐），一种两阶段的机器人策略适应方法，用于在少量演示下把预训练机器人策略迁移到新任务。第一阶段检索预训练中任务意图与动作相似的表征，使目标演示的表征与之对齐；第二阶段在微调时限制检索样本表征的变化，以减少表征漂移。在 RoboTwin、RoboCasa 及真实机器人的 13 个任务上，RARA 的表现优于所有对比基线，并在分布内与分布外任务上均提升了微调的平均成功率。
Simultaneous Competitive and Regret Guarantees for TCP Acknowledgment
说明TCP确认机制中同时兼顾竞争比与遗憾界的在线算法
简介本文研究TCP确认问题，每次确认可同时处理所有待发数据包，目标是最小化确认与等待的总成本。作者给出一种随机在线算法，其总成本不超过离线最优解的(2+ε)倍，并相对于实际成本最小的专家具有次线性遗憾界。同时证明了该遗憾界在若干参数上渐近最优，且ε>0是实现次线性遗憾的必要条件。
Constructing Pareto Frontiers of Optimal Reasoning Termination Methods for Overthinking in Reasoning Models
说明构建推理模型过度思考问题中推理终止方法的帕累托前沿
简介该论文研究推理模型在测试时持续推理可能无效甚至有害的“过度思考”现象。作者提出逐步截断探测（STP）方法，沿固定推理轨迹从多个保留前缀生成答案，并定义过度思考比例和准确率下降两项指标。随后在统一框架下比较动态路由、固定预算和动态提前退出三种终止策略，并基于STP测量为各策略构建令牌数与准确率的帕累托前沿，还发布了可复用的基准OTBench。
Limit-sure Winning in Team Games without Shared Randomness
说明无共享随机源的团队博弈中的极限几乎必然获胜
简介本文研究团队智能体与对抗环境对抗的并发随机博弈，假设智能体只能访问各自独立的随机源，而非共享随机源。论文考察团队能否以任意接近 1 的概率满足可达性或安全性目标。结果显示，可达性目标的极限几乎必然获胜问题是 NP 完全的；安全性目标的极限几乎必然获胜与几乎必然获胜等价，后者属于 P 类。由此还得出 Brice 等人提出的个体随机化 ATL 定性片段模型检验为 P^NP 完全。
Rationally Linearized MLPs
说明有理线性化多层感知机（RaLiMPs）：用低阶有理函数逼近激活函数以降低推理成本的方法
简介该论文提出 RaLiMPs，一种用低阶有理函数逼近标准激活函数来高效线性化多层感知机（MLP）的方法。作者利用这些逼近构造带有窄瓶颈的核表示，以便在各层之间高效组合。论文给出了近似结果的理论保证，并在隐式三维模型到大语言模型等应用上进行了评估，结论是在提高或保持准确率的同时显著降低推理成本。
Not All Correct Fixes Run Alike: An Empirical Study of Patch Performance in Repository-Level Issue Resolution
说明并非所有正确修复都同样高效：仓库级问题修复中补丁性能的实证研究
简介本文研究在 SWE-bench 等仓库级问题修复基准中，通过正确性测试的不同补丁在运行时性能上的差异。作者利用基准自带的 FAIL_TO_PASS 测试评估性能，并采用 Welch ANOVA 作为统计判别标准。结果显示，补丁性能与大模型的问题修复率基本无关，部分补丁还存在正确性评估未发现的架构退化。
What We Talk About When We Talk About Emotion Editing
说明关于“情绪编辑”，我们在谈论什么：基于脑响应参考的图像情绪编辑（ROI-ReFT）
简介本文研究如何在保留图像主要内容的前提下改变其传达的情绪。作者借助fMRI编码模型TRIBE v2分析400组源图—目标图配对，发现现有编辑模型的隐藏状态更接近视觉区域的预测响应，因此提出ROI-ReFT方法，结合源图视觉响应作为内容参考、情绪响应变化作为编辑方向来引导冻结的编辑器。在事后筛选的400条编辑请求上，该方法报告目标情绪准确率为91.75%，联合成功率为83.25%。
Probabilistic Ship Trajectory Forecasting using Transformer Models on AIS Data
说明基于AIS数据、使用Transformer模型的船舶轨迹概率预测
简介本文研究在受限水域中利用Transformer和Performer模型预测水面船舶轨迹，数据来自广泛可得的船舶自动识别系统（AIS）位置数据。模型以核密度估计（KDE）生成的位置热力图（编码周边船舶历史活动）输入，并用卷积神经网络编码后送入Transformer，采用分位数损失训练以获得模型感知的预测区间。结果显示，所提出的架构大幅优于先前工作，局部热力图使模型能够预测仅凭历史位置无法体现的船舶运动。
Learning Holistic Scene Layout against View Shifts in Cross-View Geo-Localization
说明跨视角地理定位中面向视角偏移的整体场景布局学习
简介本文针对跨视角地理定位中因视角变化造成的外观差异和几何畸变问题，提出空间上下文建模（SCM）模块，沿四个正交方向遍历特征图并建模各位置的方向关系，以构建更丰富的场景布局表示。同时提出高频信息引导（HFIG）模块，从频域提取对外观变化较不敏感的边缘与轮廓等结构线索，使模型学到更稳健的表示。实验表明，该方法在标准基准上具有竞争力，并在方向未知、视场有限等更具挑战性的场景中表现出较强的鲁棒性。
Personalization Without Stereotyping: Do Speech LLMs Know When to Turn a Deaf Ear?
说明个性化而不刻板化：语音大模型知道何时应当忽略说话者身份吗？
简介该论文提出BASIS-Bench基准，从人口统计稳健性、刻板偏见和个性化三个维度，区分语音大模型中的有益个性化与刻板行为。测试八个近期语音大模型后发现，多数模型能识别人口统计线索，却未能将其转化为恰当的个性化回应。显式的人口统计标签虽然改善了个性化，但也放大了文本基座模型中已有的刻板关联。
ELMA: Benchmarking Anaphoric Compositions for Long-Term Text-to-Motion Generation
说明ELMA：面向长时文本到动作生成的指代组合基准
简介本文提出一项新任务：根据包含指代关系的多段文本指令生成长时人体动作，要求前文设定的约束在后续动作中保持。作者构建了ELMA数据集，从真实视频中自动提取连续的30秒片段并提供段落级密集标注。实验显示现有模型在处理依赖上下文的指令时存在明显不足，使用该数据集微调后，全局物理真实性与语义对齐均有提升。
★★★★☆ 值得关注
Auditing VLM Benchmarks from Existing Evaluation Runs
说明利用已有评测运行结果审计视觉语言模型基准
简介本文提出在 VLMEvalKit 中加入审计层，复用模型评测时保存的逐题输出，通过六个检测器及一次去除图像的纯文本复跑，对基准本身进行逐题审计。以专门设计为必须依赖图像的 MMStar 为例，三个模型在其 20.2% 的题目上，加入图像后准确率没有提升；扣除置换零假设后，超出部分主要集中在数学和科学类别。
看点将已有评测产物复用为基准审计层，并通过项目级置换检验量化图像增益的超额部分，方法新颖且证据较扎实。
MOSAIC: Multi-Scale Object-Centric Slot Adaptation with Image-Guided Prototype Conditioning for Remote Sensing Image Super-Resolution
说明MOSAIC：面向遥感图像超分辨率的多尺度目标中心槽位适配与图像引导原型条件方法
简介该论文提出 MOSAIC 框架，用以改进预训练扩散 Transformer 在遥感图像超分辨率任务中的适配。它把退化图像组织为结构槽位，融合不同分辨率的信息，并从共享原型记忆中检索重复结构先验，再以轻量残差调制注入冻结的扩散 Transformer。在 UCMerced、AID 和 RSSCN7 数据集上，论文报告了 ×2 和 ×4 设置下 PSNR 的一致提升，以及 ×4 下较好的 LPIPS 结果。
Efficient Confidence-Aware Densification for 3DGS
说明面向 3DGS 的置信度感知致密化方法（高效版）
简介该论文针对 3D 高斯溅射（3DGS）的致密化问题，提出在固定图元预算下依据图像误差而非不透明度来放置新图元的方法，并结合学习到的置信度引导图元重定位。在 24 个场景上的平均结果显示，该方法在 100k 至 2M 的各预算档位均优于 3DGS-MCMC，且在 500k 及以上预算时在 PSNR 和 SSIM 上优于所比较的全部固定预算方法。
Defence against the dark arts of distillation: Unsupervised discovery of subliminal learning
说明防御蒸馏中的“暗箭”：无监督发现潜移默化的学习
简介当语言模型从与之共享基础参数的教师模型蒸馏时，学生模型即使只用与某特质语义无关的数据，也可能继承教师的行为特质（包括错位行为）。该论文提出一种无需特质标签的方法，仅根据参数更新即可恢复这种隐性传递的特质，并能放大以发现解释，或将其投影掉以抑制。在相关基准测试中，该方法在几乎不影响任务表现的情况下抑制了动物偏好等特质。
Knowing Whether, Not Just Where: Anchor-Probing Distillation for Open-Set Remote Sensing Visual Grounding
说明判断有无，而不只是位置：面向开放集遥感视觉定位的锚点探测蒸馏
简介该论文提出 AnchorProbe-Distill（APD）师生框架，把开放集遥感视觉定位视为视觉支持度学习，使模型既能定位目标，也能判断图像是否真的包含查询对象。教师模型以原始查询作为参考锚点解读查询扰动，学生模型据此在单一图像与查询对中同时完成定位与拒答。实验表明，该方法使模型能拒绝不存在的目标，同时提升了对存在目标的定位效果。
MAGMA-Bench: Evaluating Long-Horizon Embodied Agents under Dynamic Tasks and Execution Failures
说明MAGMA-Bench：在动态任务与执行失败下评估长时程具身智能体
简介该论文提出 MAGMA-Bench，一个与架构无关的基准，用于评估动态多机器人环境中的长时程具身智能体。基准通过逐步增长的任务时长以及执行失败、任务中断、任务更新等在线扰动进行测试，并要求具有不同能力的机器人协作。测试结果显示，即使表现最好的模型在不少干净任务片段上也会失败，在扰动下成功率进一步下降；有监督适配显著提升了小模型，但在更长和多机器人任务上仍明显偏低。作者同时发布了该基准、261,646 条任务级训练样本和专家轨迹生成流程。
S-Space: Exploring Spatial Workspace in Multimodal Language Models
说明S-Space：探索多模态语言模型中的空间工作区
简介该论文发现多模态语言模型内部存在一个线性表示子空间（S-Space），其中物体的表示编码水平、垂直和距离三个方向上的连续坐标。研究表明，该子空间可作为模型的内部空间工作区，支持感知、视角变换与语言回应中的空间判断，并可用作诊断空间推理失败的工具。
Simulating Training Spikes of Deep Neural Networks by Layer-wise Random Feature Models
说明用分层随机特征模型模拟深度神经网络训练中的损失尖峰
简介这篇论文研究大语言模型预训练中损失间歇性出现“尖峰”的现象。作者证明，输入服从重尾幂律分布的简单二次模型可以复现这些尖峰。他们提出了模拟深度网络逐层训练动态的理论框架与算法，并在一个已知会在Transformer语言模型中引发尖峰的Adam超参数设置上验证，模拟成功预测了尖峰位置。此外，作者还根据观测指标推导出合适的β2调度方案，经实验证明能改善性能。
Beyond Successful Robot Demonstrations: Learning from Human Interactions and Modeling Failure Dynamics
说明超越成功的机器人演示：从人类交互中学习并建模失败动态
简介该论文提出HF-WM，一种动作条件世界模型，用于预测机器人动作的后果。它结合人类交互学习，通过双分支框架和稳定的点流表示缩小人手与机械臂之间的差距；并通过对成功演示施加扰动动作后的GRPO后训练，使模型学习失败动态。实验显示其在动作条件视频生成上达到当前最优性能，并可用于下游机器人任务的策略评估。
Beyond Domain-Routed Supervision: Cross-Teacher Guarding for Multi-Teacher On-Policy Distillation
说明超越领域路由监督：面向多教师在线策略蒸馏的跨教师防护方法（Road MOPD）
简介本文针对多教师在线策略蒸馏（MOPD）中不同领域教师之间梯度冲突导致能力退化的问题，提出跨教师防护方法 Road MOPD。该方法让非路由教师在同一学生轨迹上充当辅助的跨领域评判者，通过基于教师一致性的词元级信用分配和多教师梯度投影来协调监督信号。作者称，该方法缓解了劣势领域的性能退化，在高冲突设置下提升超过5个百分点，并在低冲突和三领域设置中改善了整体表现。
Causal Effect Identifiability in Causal Abstractions: A Strict Hierarchy of Criteria
说明因果抽象中的因果效应可识别性：严格的层级标准
简介论文研究在一组兼容的因果图（由因果抽象给出）层面上判断因果效应是否可以从观测数据中识别，而不是针对单个因果图。作者给出几种可识别性的定义，并将其组织成一个层级，说明它们之间的关系与区别。论文指出，某因果效应可能在一组图上可识别，但不存在对所有兼容图都成立的统一推导。
A Stochastic Analysis Perspective on Diffusion Models
说明从随机分析视角理解扩散模型：生成建模中的得分函数、时间反演与采样
简介论文从随机分析的角度梳理基于得分的生成模型，把经典采样理论、得分估计与扩散时间反演联系起来。文章说明得分函数如何连接 Langevin 采样与得分匹配，高斯平滑如何引出去噪得分匹配和多尺度采样方法。随后区分保持固定分布的动力学与沿给定边缘分布族输运的动力学，并在路径空间中讨论扩散时间反演，最后把理想的反向扩散与实际生成算法联系起来。
Asymptotic Analysis of Discrete-Time Self-Attention Dynamics in Transformers
说明Transformer 自注意力离散时间动力学的渐近分析
简介本文将 Transformer 的层索引视为时间，研究离散时间的自注意力动力学。作者对其平衡点进行了完整分类，并分析了单头与多头情形下的稳定性。结论指出，主要吸引子是与值矩阵主特征向量对齐的共识平衡点，并通过真实 Transformer 学到的权重矩阵得到验证。
RESCUE: Is This Alarm Worth Acting On? Counterfactual Evaluation of VLA Runtime Monitors
说明这个告警值得采取行动吗？视觉-语言-动作模型运行时监控器的反事实评估（RESCUE）
简介机器人策略的运行时故障监控器通常只看能否准确区分失败与成功，但告警可能来得太晚，也可能因不必要的干预打断本会成功的执行。本文提出 RESCUE 反事实框架，通过在执行检查点恢复模拟器与策略状态，比较不同动作，评估告警触发的干预是否能降低任务完成成本。研究在 LIBERO-Spatial 与 LIBERO-Plus 上以 OpenVLA-OFT 和 π0.5 进行了 128,340 个反事实分支实验。
Retrieval-Augmented Multimodal Language Model with Heterogeneous Evidence Integration for Clinical Prognosis
说明用于临床预后的检索增强多模态语言模型：异构证据整合（PRISM）
简介本文提出PRISM模型，用于临床预后。它结合逐特征数值编码、纵向心电图的近期加权聚合，以及双模态人群记忆库，在表示空间中检索相似训练队列的平均嵌入。在1,443项任务的MDS-ED基准上，该模型报告了诊断、病情恶化、ICU入住和死亡率的AUROC结果，并通过消融实验比较了各组件的贡献。在外部MC-MED队列上，监督微调后的AUROC为0.8611。
FedPCD: Priority-Constrained Federated Aggregation
说明FedPCD：带优先级约束的联邦聚合方法
简介联邦学习在分散的客户端数据上优化共享的全局模型，但在数据分布不均时，各客户端的表现可能不公平。本文提出FedPCD，将全局优化目标与客户端保护分开：保留传统的联邦聚合作为主要目标，仅在满足客户端性能约束时做最小限度的修正。论文称其在多个异构联邦学习基准上优于现有方法，全局准确率最高，并且通常收敛更快。
★★★★☆ 值得关注
Beyond Temporal Proximity: Explanatory World Models for Credit Assignment in Reinforcement Learning
说明超越时间邻近性：用于强化学习信用分配的解释性世界模型
简介该论文提出“解释性世界模型”（EWM），利用大语言模型给出的解释，找出可能导致长期结果的早期事件，并据此重新分配奖励，以应对强化学习中奖励延迟的问题。在 Crafter、WordCraft、KuaiRand 等基准及工业级生成式推荐系统的离线评估中，EWM 的表现优于 PPO、LaRe 等方法，并在 Recall 等指标上有所提升。
看点用语言模型解释做因果归因并保守地重新分配奖励，在多个长时域基准及工业推荐系统上均有对比实验，新颖且证据较充分，影响面集中于延迟奖励的信用分配。
SplatQ: Interaction-Aware Pruning of 3D Gaussian Splatting via Quadratic Selection
说明SplatQ：基于二次选择的交互感知三维高斯泼溅剪枝方法
简介该论文提出SplatQ，用于对三维高斯泼溅（3DGS）进行剪枝。它先按空间邻近和外观相似性将高斯分块并平滑各块保留配额，再用二次无约束二值优化（QUBO）同时考虑单个重要性、成对交互和配额惩罚，并借助模拟退火或相干伊辛机求解。作者称在5个基准数据集上，其整体重建质量、空间质量平衡和渲染速度均优于现有剪枝方法。
Stride: Scale-Aware Multi-Agent Evolutionary Refinement for Infographic Generation
说明Stride：面向信息图生成的尺度感知多智能体进化式迭代优化方法
简介该论文提出Stride框架，用于改进文生图模型生成信息图的效果。它将约束检查与视觉定位分开，把全局修改交给构图子智能体，局部修正交给精修子智能体，并且只接受使验证器评分提升的候选结果。论文报告称，该方法在BizGenEval、IGenBench和WISE等基准上取得了优于多个系统的结果。
★★★★☆ 值得关注
Humanize MLE Agents: Multi-Agent Session Alternation Beyond Single-Agent Limits
说明人性化 MLE 智能体：超越单智能体极限的多智能体会话交替方法
简介论文针对长周期机器学习工程任务中的 LLM 智能体，提出 Humanize MLE Agents（HMA）：两个智能体在共享工作区中交替工作，每次会话最多执行 k 次实验并重置上下文，无需额外的任务专用工具链或先验知识。在 MLE-bench 的 75 个 Kaggle 任务上，HMA 的任一奖牌率达到 78.2%，超过最强的开源基线，时间预算仅为其四分之一。
看点提出会话交替与上下文重置的工作流方法并建立理论分析，在75个Kaggle任务上取得领先结果，证据较充分，对MLE智能体领域有一定影响。
Neural Block-wise Auto-exposure for Single-Shot High Dynamic Range Imaging
说明基于神经网络的分块自动曝光，用于单次拍摄高动态范围成像
简介该论文提出一种神经网络分块自动曝光算法，根据临时图像及其曝光时间，为每个不重叠的16×16图像块学习合适的曝光时间，以单次拍摄获取高动态范围场景。临时图像可为sRGB图像或RAW图像；论文发现RAW图像在高光和阴影区域的辐射测量能力更好，能更准确地学习曝光时间并保留更多细节。实验结果验证了该算法的有效性。
Proactive Agentic Orchestration
说明主动式智能体编排：让子智能体在执行中主动请求调整
简介该论文提出 POrchestra 框架，允许子智能体在任意逻辑节点主动与编排器沟通，请求调整执行配置（harness），同时保持本地执行的连续性。作者还提出基于事后反馈的 OPOD 训练方法，将子智能体的调整请求归因到此前的编排决策，作为过程监督信号。论文在深度研究、动态数字助理和软件工程三类长程智能体基准上进行了评估。
Branching On-Policy Distillation
说明分支式同策略蒸馏（BranchOPD）：在不确定的决策点分支采样，提高教师监督覆盖面
简介该论文提出 BranchOPD，一种同策略蒸馏方法。它用学生的不确定性和师生分歧选出关键决策点，从共享前缀重新采样学生续写，并对主轨迹和分支都施加词元级教师监督。在数学和智能体任务上，相比 Vanilla OPD 和 Multi-Rollout OPD（n=7），BranchOPD 在各评测基准上均有提升，并称在不确定决策处分支能扩大后续行为覆盖。
A Scalable Learned Iterative Solver for Nonlinear MPC via Temporal Decomposition
说明基于时间分解的可扩展学习型迭代求解器，用于非线性模型预测控制
简介非线性模型预测控制的在线优化计算成本高，限制了其在快速动态或状态众多系统中的实时应用。本文提出一种学习型迭代求解器，利用问题的时间结构设计网络架构，使网络规模不随预测时域增长，并采用闭环重采样策略对齐训练分布。在连续搅拌釜反应器级联的经济非线性模型预测控制基准上，该方法可扩展至比原单体式方法更大的问题，中位求解速度最高可达IPOPT的四倍，闭环控制性能与IPOPT相当且未观察到约束违反。
A Local Agentic AI Framework to Generate Edge Case Scenarios for Safety Assurance
说明一种用于生成安全保障边缘案例场景的本地智能体AI框架
简介该论文提出在笔记本电脑上运行本地语言模型的智能体框架，用于自适应地生成自动驾驶等自主系统的边缘案例场景。系统由第二个独立模型依据领域标准进行评审，经仿真运行后分析指标，并通过聚类与主题分析定位功能缺口及触发条件，从而形成可追溯的安全保障证据。
On physical implementability of reinforcement-learning-driven reasoning
说明关于强化学习驱动推理的物理可实现性
简介本文讨论了强化学习驱动的推理过程在物理神经网络模型上的硬件实现问题。作者在存在奖励外部势能的情况下，给出了一个否定性结果。文中指出，在该硬件实现中，动力学中存在的思维链与系统的李雅普诺夫稳定性相矛盾。
A Better Metric Will Not Save You: What You Compare Beats How You Compare It
说明更好的度量救不了你：比较什么比怎样比更重要
简介本文研究表征相似性度量（RSA、CKA、Procrustes）的局限。作者指出，这些方法都以给定的条件集合为前提，而该集合由输入的选取和分组决定，且不受任何不变性质约束。作者以十五种语言的元音声学结构为已知基准，在二十七种表征上检验，发现改变比较的类别会使两种表征之间的差距变化超过所测效应的两倍，而类别数量的变化则没有影响。
GraftOOD: Grafting Out-of-Distribution Exemplars into Advantage-Weighted Rectification for Video Reward Optimization
说明GraftOOD：把分布外示例嫁接进优势加权修正，用于视频奖励优化
简介论文指出视频奖励优化会在提升代理奖励的同时减弱视频动态，并将这一现象称为运动崩溃。作者提出GraftOOD，在部分提示组中用分布外视频示例替换部分在线采样结果，并构建了包含9588个示例、覆盖2397个提示的GraftSet-Video数据集。在Wan2.1-1.3B上，相比仅使用奖励的FlowAWR，Dynamic Degree从4.86提升至44.41，HPSv3从8.10降至7.32。
A Real-World CAD Segmentation Benchmark: Comparing Rule-Based and Learning-Based Approaches through Hole Detection
说明真实世界CAD分割基准：通过孔洞检测比较基于规则与基于学习的方法
简介现有CAD分割数据集多为合成或自动标注，难以反映真实工程任务的表现。本文针对与紧固件相关的孔洞检测任务，提出两种基于规则的方法，并构建一个来自工程CAD数据的人工标注基准数据集，用于训练UV-Net和AAGNet等学习方法。实验显示，规则方法无需训练数据即可较好泛化，学习方法在标注充足时表现强，但在领域偏移下鲁棒性较弱。
When MLLMs miss what humans read: diagnosing and learning to read squint text
说明多模态大模型为何漏读人眼可辨的文字：诊断与“眯眼文字”学习方法
简介该论文指出，多模态大模型有时会在图像中仍可被人眼“眯眼”辨认的文字上失败，并误报图中无字。作者提出 SquintBench（1076 张源自内容审核的图像）与受控合成套件 SquintCtrl 进行诊断，并提出 Squint OPSD 训练方法：冻结的教师模型接收缩小图与标准转录作为额外信息，指导学生模型仅凭原图完成阅读。在 SquintBench 上，该方法的 ANLS 达到 88.61，高于未经适配的基座模型（26.50）及其他对比模型。
Gaussian BROJA Partial Information Decomposition in Closed Form
说明高斯BROJA部分信息分解的闭式解
简介BROJA部分信息分解可把两个信源关于目标变量的信息拆分为独有、冗余和协同三部分，但连续高维情形下计算需要求解困难的优化问题。本文针对多元高斯情形推导出该优化问题的闭式解，使高斯BROJA分解可以直接计算。论文称，对高维情形，该闭式解可使计算速度提升超过两个数量级。
★★★★☆ 值得关注
SqueezeBench: Saturation-Resilient Evaluation of Mathematical Capability
说明SqueezeBench：抗饱和的数学能力评测基准
简介该论文提出 SqueezeBench，一个用于衡量 AI 数学能力的基准。每个问题给定一个只在小 n 上已知取值的整数函数，基准维护一个上界记录和一个下界记录，记录为可计算的 Lean 函数并附带机器可验证的证明。提交者需证明新函数确实界定该函数，且至少在某个 n 上优于现有记录，获准后即成为新的记录。作者公开了十个极值组合问题及二十个初始记录，基线智能体提交的方案中有 82 个被接受并改进了所有记录，后续两个新模型又改进了其中 19 个。
看点提出抗饱和的可持续数学能力评测框架，以机器可检验证明推动记录不断提升，新颖性较高；基线实验规模有限。
Towards Enriching Design-Time Models with Evidence from Simulation and Operational Activities
说明用仿真与运行活动的证据丰富设计期模型
简介本文针对信息physical系统开发中，仿真和运行阶段产生的证据难以系统回流到设计期模型的问题，提出了一种证据驱动的工作流程。作者以“影响模型”（Influence Model）为载体，用一个标志跟随机器人的用例进行演示。结果表明，仿真证据可以用于支持参与者剪枝、交互特征描述、影响函数抽象和有效范围信息的补充，该工作流对基于仿真的证据具有可行性。
Agentic Large Language Models
说明智能体大语言模型：让大模型能够直接在现实世界中行动并相互交互的技术
简介大语言模型能用人类语言交流和推理，已广泛用于写作和问答。本书讨论的是“智能体大语言模型”，即把大语言模型与在现实世界中采取行动的能力结合起来。文章探讨这类模型如何运作、如何行动、如何彼此交互，以及这对作为用户的我们意味着什么。
★★★★☆ 值得关注
Oído: Open-Vocabulary Speech Recognition on a $5 Microcontroller without a Neural Accelerator
说明O'ido：在无神经加速器的5美元微控制器上实现开放词汇语音识别
简介本文提出O'ido推理引擎，可在ESP32-S3微控制器上完全本地运行英语开放词汇语音识别，无需神经网络加速器。系统运行13M参数的Conformer-CTC模型，采用int8量化和针对闪存与PSRAM带宽设计的调度。在LibriSpeech测试集上，其词错误率低于厂商识别器的2.3至2.8倍错误率的对比基线，但目前尚未达到实时运行。
看点在无神经加速器的5美元微控制器上实现开放词表语音识别，证明了可行性；实验在LibriSpeech上测得词错误率，但仅在一款芯片上验证且速度尚未实时。
★★★★★ 值得关注
Learning by Compression: Risk Estimates Attain the Law-of-Large-Numbers Rate
说明通过压缩学习：风险估计达到大数定律速率
简介该论文研究基于压缩方案推导学习算法数据依赖风险界的问题。已有结果的界含有 O(√(ln N/N)) 的额外项，作者证明其中的对数因子并非本质，给出以概率至少 1−δ 成立、对所有可能的 k 一致的界 k/N + O(1/√N)。作者还表明首项 k/N 是必要的，并讨论了经验风险在哪些情形下保持 O(1/√N) 收敛速率、在哪些情形下收敛变慢或失去一致性。
看点通过去除压缩界中的对数因子，得到与经验概率同阶的一致性速率，理论改进明确且证明完整。
Revisiting Accent Classification with DistilHuBERT: Speaker-Disjoint Evaluation and Cross-Corpus Generalization
说明用 DistilHuBERT 重新审视口音分类：说话人不重叠评估与跨语料泛化
简介该研究以 L2-ARCTIC 及多个外部英语口音数据集，重新检验基于 DistilHuBERT 的口音分类模型的稳健性。作者比较了文件级与说话人不重叠的划分方式，并测试了均衡外部数据训练和教师-学生伪标签方法。结果显示，文件级评估会明显高估模型表现，说话人不重叠评估更能反映对未见说话人的泛化能力。