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VitaBench：超越检索的记忆生命周期评测基准
简介该论文指出，现有语言智能体长期记忆基准主要考察能否检索过往信息，而记忆应保持精确、压缩、合并还是删除，这一表示决策尚未被直接评估。作者提出记忆生命周期评测框架及VitaBench基准，包含受控的诊断层和模拟客服式交互流的自然层。结果显示，自适应策略优于最佳固定策略，并且许多状态的最优动作会随评估时间跨度改变，说明检索与记忆保留管理是不同的评测问题。
说明自我改进的数据合成：实现嵌入模型的可扩展适配
简介该论文提出SYNTRA框架，仅用少量检索示例即可生成可复用的合成指令，用于为嵌入模型生成训练数据，减少人工标注。在涵盖15个领域的24个数据集上，该方法被报告能提升嵌入模型的检索效果，其中自我改进在六个评估任务中都增强了监督信号，并在四项任务上优于人工校准。
说明MHWA：多时间尺度分层世界-动作模型
简介该论文提出MHWA模型，用于样本高效的决策规划。它通过带步长的高层上下文通道降低全局上下文更新频率以抑制误差累积，并由门控网络根据全局上下文和当前观测动态调度低层专家混合，以协调高低层。在14款Atari游戏子集上，MHWA（77M参数）的IQM人类归一化得分为0.884，高于参数规模相近的JOWA-70M基线（0.529），并与JOWA-150M数值相当，而参数量约为其一半。
说明LightVAE：面向紧凑高效视频自编码器的压缩框架
简介该论文提出LightVAE，用于压缩视频变分自编码器（VAE），以降低潜在扩散视频生成中编码与解码的计算开销。方法包括对因果Conv3D层进行重参数化、对时间修正部分做低秩压缩、以及宽度保持的块剪枝并配合特征对齐以恢复质量。实验显示，在Wan VAE系列上解码吞吐量在H100和RTX 5090上分别最高提升至2.24倍和1.11倍，在MiniMax-H3上最高达2.97倍并保留99.51%的VBench-2.0总分。
说明将基于AIRL的奖励估计融入模糊推理与策略梯度的控制方法
简介本文提出一种模糊控制方法，把基于对抗逆强化学习（AIRL）的奖励估计机制接入一个结合策略梯度与模糊推理的基础模型。由于AIRL沿用的GAN框架容易出现学习不稳定的问题，该方法将基础模型的策略视为生成器，并以策略中的隶属函数集合作为判别器的代价函数，使奖励估计与策略估计在共享参数上同时更新，且无需估计价值函数。在车速控制的模拟任务中，该方法通过稳定且高效的学习获得了具有较高泛化性能的策略。
说明面向测试时发现的关系语义落地方法
简介论文提出 SEGA 框架，用于测试时发现：在部署后的无标注测试数据流中识别已知类别并检测新类别。现有方法只能给新发现的类别分配匿名标签，SEGA 借助大语言模型生成属性描述，并在测试时通过关系语义落地（RSG）为未知样本生成并重排候选概念，使匿名聚类变成可解释的语义概念。实验表明该方法优于现有测试时发现基线。
说明基于相遇触发信息交换的多令牌随机游走学习
简介论文研究去中心化学习中多个令牌并行随机游走、相遇时交换信息的方法。作者比较了平均梯度和平均模型两种交换策略，并在完全图上给出非凸、凸与强凸目标的迭代复杂度下界。数值实验显示，平均模型策略平均令牌损失更低，平均梯度策略最佳令牌损失更低。
说明PixARG：用于快速、逼真图像生成的像素异步检索增强扩散模型
简介该论文提出PixARG框架，在扩散模型中引入真实图像检索，以提高生成效率和视觉真实感。方法基于用户文本与检索图像之间的像素级相似度图，对不同区域采用不同强度的噪声初始化，并配合像素级异步去噪调度器。作者称，在LAION和COYO数据集的离线、在线及用户特定场景下，该方法在显著减少扩散步数的同时提升了真实感与语义对齐度。
说明DeKoR：用于高效融合GNN与LLM的分解知识路由方法
简介该论文针对图神经网络（GNN）与大语言模型（LLM）知识空间不匹配、融合成本高的问题，提出DeKoR框架。它把LLM知识分解为互补的局部和全局视角，以LLM作为离线教师蒸馏到轻量专家模型中，并用自适应路由器学习每个节点对各专家的依赖程度。实验表明，DeKoR在节点和子图分类任务上优于现有基线，兼顾效果与效率。
说明Vela：以用户行为作为监督信号激发大语言模型能力
说明如何构建真正衡量品味的基准：TasteBench 与控制协议
简介论文提出 TasteBench，一个基于专家判断的成对“好与坏”品味基准，覆盖视觉、品牌、书籍和科技四类条目，并设计了区分工艺判断与刷分取巧的控制协议。在一轮试点中，作者发现位置偏差（正确选项多在 A 位，总选 A 可得 0.956 分）、文件名泄漏（0.912 分）以及工艺类领域的难度上限等三类有效性问题，并发布了参考评测工具与边侧随机化工具，其中后者可消除位置偏差。
说明Lingdan-V2：面向中医临床推理的大语言模型
简介该论文提出中医语言模型系列Lingdan-V2（参数规模为40亿、80亿和140亿），通过持续预训练、推理监督与以处方为中心的强化学习，优化中药处方生成。在公开基准和一份脾胃病处方病例数据集上评估，140亿参数模型的处方生成F1为37.0（DeepSeek-R1为32.3），临床数据集上的草药级F1为52.8。
说明用于机器学习模型压缩的线性时间非局部编解码器放置算法
简介本文提出一种算法，把编码和解码算子放入计算图中，使压缩后的模型适配目标硬件。算法为图的边着色，每个诱导子图都有一个特殊节点（称为绝对支配点），便于观察流经子图的数据并学习参数化编解码算子。算法时间复杂度与源图规模呈线性关系。在四个模型上，相比朴素的局部放置方法，建模的算子数据流量减少24%至44%，其中SigLIP减少24%，SmolLM2减少34%。
说明DSABench：面向多数据库智能体的数据源发现、协调与执行基准
简介该论文提出DSABench基准，用于评估智能体在大型数据目录中发现所需数据库、协调多数据库结果并执行工作流的能力。基准包含815个经人工审核的任务，其中618个需要多个数据库协作，105个存在多种数据源解释。研究显示，仅做路由时最高RA-Set得分为60.55%，而加入协调要求后最高RA-Graph得分降至34.66%；要求执行时成功率进一步下降，澄清机制可明显改善模糊任务的数据源识别。
说明用于蛋白质界面设计的离散与SE(3)联合扩散模型
简介该论文提出PIDiff，一种用于设计蛋白质-蛋白质复合物的多模态扩散框架，可同时生成与目标条件相关的蛋白质序列和三维结构。模型核心是PIFormer架构，并在作者整理的PIBench数据集上预训练，随后针对微型结合蛋白和抗体设计两项任务微调。论文称，在序列设计成功率、结构结合能和序列-结构可设计性方面，其方法在所有任务上均优于基线方法。
说明PURE：利用无标注后训练优化前馈式三维重建
简介本文提出PURE，一种无需真值标注的后训练优化框架，用于改进前馈式三维重建模型的深度与相机位姿估计。该方法从先进的二维先验模型中提取结构知识，并结合相对深度约束、仿射不变几何蒸馏和基于特征对应的位姿优化。在合成与真实动态数据集上的实验显示，该方法在多种先进架构上均带来稳定提升。
说明AlignAudio：面向抗噪语音条件生成的统一双重对齐框架
简介本文提出AlignAudio，一种基于双重对齐的抗噪生成框架，用于把语音信号映射为目标音频。方法包括对齐干净语音与含噪语音的表示以保留语义信息，并在流匹配范式下增强生成层面的一致性。实验表明，该方法在语音到音频和语音转换任务上，干净语音下性能与基线相当，在多种噪声条件下明显优于基线。
说明贝叶斯优化中隐藏的空间偏好
简介贝叶斯优化依据后验不确定性决定探索位置，但高斯过程的后验方差在有界定义域的边界处通常更大，使探索带有系统性的边界偏向。本文保持预测模型不变，改变探索项的空间偏好，并在受控实验与多项基准函数及随机机器人推动任务中比较三种替代探索原理，结果显示它们常能降低遗憾值，尤其是在优化早期。
说明VoTSpeech：在指令式语音合成中将音色设计与语音生成解耦
简介指令式文本转语音通常把音色设计隐含在说话人嵌入中，而这类嵌入编码的是参考音频。本文提出VoTSpeech，通过显式的中间音色潜变量将音色设计与语音生成分离：先用基于流的模块从文本指令预测连续音色潜变量，再将其同时作为语言模型和声学DiT的条件。在InstructTTSEval-ZH上，该方法与强大的开源模型相比具有竞争力，并保持较高的自然度。
说明AcrossVAM2.0：面向参数高效视频扩散模型适配的冲突感知点监督方法
简介该论文针对一个约50亿参数的文本生成视频扩散Transformer，提出AcrossVAM2.0方法，通过置信度加权的点轨迹与可见性预测头、零初始化残差反馈以及非对称PCGrad梯度处理，减少辅助点对应监督与主流匹配梯度之间的冲突。实验显示，在多个随机种子和24条提示词的评测中，该方法降低了点对应循环误差，并在VBench六个维度上接近对照表现，但I3D-FVD指标有所变差，因此结论仅限于提升对应一致性。
说明DexCast：从人类视频学习真实世界灵巧机械手控制
简介本文提出DexCast框架，直接从单目RGB-D视频中学习灵巧机械手控制，利用人手与物体交互的联合重建，无需远程操作示教。作者还设计了DexHand运动感知模块（DMPM），用紧凑的潜在表示捕捉关节间协调与时间依赖，以条件化扩散策略。真实世界实验显示，该方法在多种灵巧操作任务中表现出色。
说明通过注意力图复用加速跨模型大语言模型推理
简介本文提出 MapFlow 系统，用于异构大语言模型服务。它不复用各模型专属的 KV 状态，而是复用更易跨模型迁移的注意力图，并结合部分重算、轻量线性变换、块级稀疏压缩和融合检索内核。实验表明，该方法可降低预填充延迟、提升端到端服务效率，并在异构模型组合和多轮路由场景中保持生成质量。
说明基于分块自适应归一化的单向耦合Transformer代理模型
简介本文提出分块自适应归一化（PAdaNorm），把外生场（如介质密度、障碍物几何）按与状态分词对齐的方式分块，用于Transformer偏微分方程代理模型。在三类偏微分方程数据集上，60步自回归滚动的平均长时程方差缩放RMSE与参数量匹配的基线相当，最多好16%；对于静态条件，推理每步FLOPs最多降低36%。
说明Demiurge：基于自回归视频重渲染的可导航4D世界生成
简介该论文提出Demiurge，一种基于动态4D点云记忆缓存的自回归视频重渲染方法，用于从单个输入视频生成新视角视频。它通过外观视频扩散模型、记忆一致的深度补全、记忆感知双流扭曲和几何感知视频精修四个组件，提升不同相机轨迹之间的一致性。论文报告了该方法在多视角轨迹、大视差及180度旋转等场景中的良好表现，并可直接优化为高质量3D高斯溅射表示。
说明Triage-PiEvo：面向原理演化型科学智能体的证据准入机制
简介该论文针对基于大语言模型的AI科学家在噪声观测下效率低下的问题，提出把原理修订视为证据准入：异常可立即引导搜索，但只有经独立验证的证据才能改写持久原理，被反驳的原理则予以撤回。作者据此提出TRIAGE-PIEVO，以分阶段验证门控控制原理状态。在四项科学任务与三种骨干模型上，该方法取得最高平均解质量，并在部分设置中以三分之一评估预算达到最强基线的全预算质量。
说明一种用于印度手语识别的混合运动学图卷积与弹性Transformer方法
简介本文提出一种面向印度手语（ISL）词条识别的高效混合框架，通过熵驱动的SVD采样提取关键帧以减少计算冗余。框架结合连续双位置编码与弹性Transformer处理不规则时间间隔，并用运动学条件自适应图卷积建模双手几何关系。作者构建了包含120类、9,453段视频的ISL数据集，报告准确率为89.8%。
说明HumanPhys：面向真实视觉推理的以人为中心物理感知基准
简介该论文提出 HumanPhys，一个围绕人物的真实世界物理感知基准，并附带由同一流程生成的训练语料。问题涵盖深度、人际距离、视线角度、位移、速度、朝向轨迹、眨眼次数和接触形变等，标签由传感器标定、源数据元信息或渲染器状态程序化得到。作者在六个维度上测试了多种开源与闭源多模态大模型，发现这些能力对当前模型仍然困难。
说明CAST-ASD：面向在线主动说话人检测的说话人与时间因果注意力模型
简介本文提出CAST-ASD，一种用于主动说话人检测的因果联合模型。它在当前帧内对所有人脸做场景级注意力，并对每张脸的历史做因果时序注意力，在零前瞻条件下实现说话人之间的信息共享。在MSDWild数据集上，相比其所扩展的逐脸因果检测器，竞争说话人误报减少32%，且在两个验证集上优于所有因果基线。代码与模型已公开。
说明竞争域很重要：视频扩散Transformer免训练稀疏注意力中的选择性头全局化
简介本文提出EG-Sparse，一种免训练的稀疏注意力方法，用于提升视频扩散Transformer的推理效率。它对低熵注意力头采用跨头分组选择，对高熵头保留逐行局部选择。受控实验显示，分组跨头选择使低熵头的重建误差降低9.8%，而将高熵头强制纳入全局池则使误差升高7.9%。在四组配置中，该方法在降低注意力密度与GPU去噪延迟的同时取得更高的视频质量。
说明SPARE：面向流式视频理解的共享感知与自适应证据检索
简介该论文提出 SPARE 框架，用于流式视频问答。轻量门控先判断近期画面是否足以回答问题，不足时再检索相关历史片段作补充，并通过 LoRA 指令微调让模型结合两类信息或在证据不足时弃答。理解与检索两个分支共享视觉编码器，并通过蒸馏对齐特征。原文报告在 OVO-Bench 评测的部分任务组和 StreamingBench 上分别达到 77.78% 和 73.31%。
说明单次采样策略更新中按长度归一化的上升条件
简介论文研究把每条轨迹的得分贡献除以其实际长度，会不会改变基于奖励的策略更新方向。作者在有限轨迹模型中给出三结果softmax策略的精确上升阈值，并构造二元奖励例子，说明期望的欧几里得更新会降低任务成功率。理论还分析了自然梯度、三阶U统计量估计等方法的表现。
说明TETRIS-4DGS：面向4D高斯泼溅的高效训练后压缩方法
简介4D高斯泼溅（4DGS）是一种动态场景表示方法，能实现实时高质量渲染，但存储开销很大。本文提出一种通用的训练后压缩框架，借助现有图像与视频编解码器，依据高斯的重要性进行自适应量化，并利用4DGS的统计特性将属性重组为适合编解码器处理的二维图。文中称该方法可在数秒内实现超过40倍的压缩率，同时保持较高质量。
说明失败反馈能否引导智能体的自我修改？
简介该论文研究自我改进的智能体能否依据失败反馈，有针对性地修复目标错误。在公开的 Darwin Gödel Machine 日志中，145 次修改未发现针对目标失败的明显优势；受控实验显示，相关反馈能提升目标修复，但修复目标错误并不必然带来留出集上的改进。
说明RASSG：面向流式语音工具执行的修复感知语义存活门控
简介流式语音助手可以在用户说完前就启动工具以减少等待，但后续的自我修正可能使看似稳定的参数失效，导致已生效且不可撤销的过期执行。论文提出RASSG方法，在流式语音中联合控制工具的启动与取消：连续三次识别结果参数相同且非空时启动工具，并结合参数失效风险与执行成本，在效果不可逆之前的最后可行时机决定取消。在ReCAST、FDB-v3和Audio2Tool上评估，在ReCAST的修复子集上，过期执行率从LocalAgreement-2的50.00%降至3.15%，成功轨迹的平均延迟为3.676秒。
说明TGuide：借助历史轨迹引导，加速自回归视频扩散
简介本文提出 TGuide 框架，在只剩四个去噪步骤时进一步加速自回归视频扩散模型。其核心是基于历史采样轨迹的轻量级 ATC 预测器，结合当前片段的前一步特征与前一片段同一时间步的特征来预测速度。在 Self Forcing、Causal Forcing 和 HY-WorldPlay 上的实验显示，生成质量得以保持，去噪速度最高提升 1.89 倍。
说明前瞻强制：为自回归长视频扩散模型学习向前看
简介这篇论文研究用自回归方式逐段生成长视频时，模型通常只预测紧邻的下一段，难以长时间保持画质。作者提出“前瞻强制”（Prospective Forcing）框架，在共享的历史表示上附加多个只负责不同未来时间偏移的轻量预测头，以引入长程预测信号。推理时，被接受的未来片段预测可用来跳过完整的主干网络计算以加速采样。
说明TAG：无需密集标注即可校准SAM3用于通用图像分割
简介论文指出，SAM3的瓶颈主要在于判断图像中存在哪些概念，而非分割掩膜的质量。作者提出TAG框架，仅依据图像级类别标签，通过图像条件低秩适配器和软边界排序等目标进行校准，并结合多模态大语言模型进行置信度加权蒸馏。该方法仅有3.1M可训练参数，在多种场景中表现良好，部分指标超过了基于掩膜监督的方法。
说明合成无人机基准可信吗？面向无人机模型选择的真实-合成验证
简介研究探讨合成无人机图像能否可靠替代真实数据用于模型选择。在道路碎片基准上，四个语言条件感知系统在合成数据上的绝对F1更低，但排序与最优模型保持一致；在另一业务语料的闭集压力测试中，检测器的最优结论发生变化，且六组两两偏好中有三组反转。作者还发现五个无人机业务场景的真实与合成数据在类别构成、目标密度和尺度上存在明显差异，小目标尤其不足，因此合成基准的可信度需针对具体任务与模型逐一实证验证。
说明超越独立价值：面向大模型原生广告的相关估值最优拍卖
简介本文提出 AffMyerson 拍卖机制，用于对话式大模型助手中的赞助内容竞价。由于各广告主读取相同对话，其支付意愿往往相互关联，该机制用多元正态分布建模这种相关性，并在理论上证明所有该类先验下拍卖都具有真实报价性与事后个体理性。在基于大模型代理竞价者的实验中，该机制收入分别比带调优保留价的第二价格拍卖高 6.2%、比 Ronen 前瞻拍卖高 6.1%、比按独立价值运行的 Myerson 拍卖高 9.2%；在真实关键词搜索查询上仍高 4.5%。
说明探讨潜在混合专家模型：从专家几何形状到分层容量分配
简介这篇论文研究混合专家（MoE）模型的设计。LatentMoE 把专家计算放到低维空间，使每个专家的输入维度和中间宽度成为可显式选择的设计参数。作者认为两者平衡时在相同参数量下秩上限最大，受控实验中接近方形的专家表现更好。此外，论文用分层本征维度指导各层容量分配，相比层间同构的基线获得更低的验证损失和更好的下游表现。
说明AegisVox：长篇语音的分解式隐私保护与临床信息保留
简介该论文提出 AegisVox 框架，为语音中的身份标识性话轮替换为一致的替代声音与文本，以降低身份泄露。在 390 段公开的模拟或非患者对话（共 63.6 小时）上比较两种语音渲染器，结果显示文本转语音渲染实现的替换更多（535/601），但临床信息保留与说话人关联等指标需分别评估，作者强调这些权衡应按具体用途评估，而非保证去除标识符或临床安全。
说明PEARL：面向多轮智能体的过程经验感知强化学习方法
简介多轮智能体训练中，只有终局奖励时难以判断哪些中间决策需要调整。PEARL 比较同一历史下结果不同的两条续写，定位它们首次分叉的位置，并用成功与失败经验中反复出现的局部决策模式来选择性加强低回报决策的负优势，无需额外的评论家网络。论文报告其在 AppWorld 和 ALFWorld 等基准上优于 ARPO 等基线。
说明PVFH-Bench：视觉语言模型中前提诱导视觉固着幻觉的基准测试
简介本文提出一种新的视觉语言模型失效模式“前提诱导视觉固着幻觉”（PVFH），指模型被视觉上易混淆的证据吸引，接受错误的文本前提，进而描述图中并不存在但看似合理的物体。作者构建了PVFH-Bench基准，自动生成视觉上易混淆却实际不存在的目标。在10个最先进的视觉语言模型上的实验显示，所有被评测模型都极易出现这一幻觉，且显式思维链推理会加剧该问题。
说明基于注意力机制的装配特征配对预测与装配特征模式识别实现自动装配建模
简介该论文提出一种数据驱动框架，可从未装配的B-Rep零件自动完成装配建模，借助装配特征划分配合面几何实体以减少候选空间。作者构建了带自动标注流程的大规模数据集，训练注意力网络预测装配特征配对，并引入工程兼容性融合与装配特征模式引导匹配。实验报告在六组装配对比集上装配约束准确率为74.79%，在包含其在内的16组扩展测试集上为64.09%；提供真实面标签后分别提升至81.78%和80.93%。
说明《问题的伴随：审计开放式 Jev 风格模型的检索独立性》
简介这篇论文检验了 Jev 风格的若干开放模型在检索任务中是否真正做到每个问题独立评估。作者在 92 条 TREC 检索查询构造的 276 个三段落状态上进行配对干预，分别改变问题、展示的证据和候选资格。结果显示，问题集合的扩展会在部分判断中引发二元翻转，并影响选择或弃权动作，而模式字段的屏蔽实验表明这些翻转来自每个评分提示中序列化的字段。
说明DuSRFlow：基于视差感知光流估计与互补参考扭曲的双镜头超分辨率方法
简介该论文提出 DuSRFlow，用长焦参考图像提升广角低分辨率图像的超分辨率效果。方法包括专为双镜头设计的光流估计网络 DuFlowNet，以及根据局部参考可靠性协调两种扭曲方式的互补参考扭曲策略。作者还构建了真实场景基准 DuSR-RealV2，并称该方法在多个基准上取得了最先进的重建与感知质量。
说明TagBO：面向科学发现的LLM驱动任务感知图贝叶斯优化方法
简介该论文针对科学发现中混合变量优化的难题，指出现有贝叶斯优化依赖结构描述符衡量类别变量相似性，而结构相似未必意味着任务表现相似。作者提出TagBO方法，将大语言模型给出的任务相关关系先验与结构描述符信息结合，并在离散与连续联合空间上进行约束高斯过程贝叶斯优化。在化学与材料配方任务上的实验显示，在固定评估预算下，该方法在不同能力的大语言模型上都提升了样本效率。
说明从现有方法到新研究思路：递归自我改进的两个视角
简介本文讨论递归自我改进（RSI），即让AI系统参与自身持续发展。作者提出一个包含九个设计维度、分为四组的统一分类框架，将现有方法放在同一设计空间中比较；并从传统深度学习机制（如优化、正则化、持续学习等）和进化计算出发，探讨新的研究思路，还回顾了相关基准评测。
说明EarthAlign：地球系统数据与语言对齐的表示学习
简介本文提出大规模数据集EarthAlign，覆盖2000至2024年，结合10个专家整理的自然灾害数据源与气候学推导的正常天气样本，每条样本配有时空信息及与63变量ERA5气象数据对应的四种风格描述。作者基于此提出双编码器框架MeteoLIP，用于学习气象数据与语言的对齐表示，并在跨模态检索、天气状况分类和物理变量估计三项任务上优于对应的CLIP和SigLIP基线。
说明从降雨到路网功能：面向洪涝中断交通网络的可迁移图预测
简介该论文提出G-R2R框架，用于预测暴雨引起的路网功能下降，并可迁移到未见过的交通网络而无需在目标区域重新训练。在温州十个易涝地区的模拟数据上，该方法在未见区域测试中优于代表性基线，固定基准下稳定MAPE为2.33%、R²为0.855。台风菲特的历史事件回放也显示其能较好复现模拟参考的时间变化与空间格局。
说明基于大语言模型增强贝叶斯优化的小芯片设计空间探索方法
简介本文提出一种结合大语言模型与贝叶斯优化的框架，用于2.5D/3D CPU-GPU异构小芯片的架构级仿真与自动优化。作者扩展了开源小芯片仿真器以支持3D设计的图拓扑，并引入自适应方向策略推理与探索增益感知微调方法，由大语言模型生成策略引导优化。实验表明该框架提高了设计空间探索的效率。
说明EviScene：超越“是不是AI生成”的智能体图像事实性评估
简介本文提出图像事实性评估任务：给定图像和通用核查指令，系统需判断图像所描绘的情境是否得到事实支持，并给出有证据依据的解释，而不仅判断图像是否为AI生成。作者构建了包含10,174张图像、覆盖十二类事实错误的EviLens基准，并开发了多模态ReAct智能体EviScene。在1,527张测试图像上，训练后的Qwen3.5-9B智能体平衡准确率为79.05%，严格证据充分率为52.26%，均优于同一基座的基础智能体。
说明将知识遗忘与拒答学习解耦的多模态大模型遗忘方法
简介该论文指出，现有多模态模型遗忘评估只看模型是否停止输出目标信息，可能掩盖模型编造事实或仅改变表层行为却仍保留知识的问题。作者提出Forget-Aware Self-Distillation（FASD）方法，将行为和知识两个目标分开处理：行为通道从被提示为“不知道”的自身副本中蒸馏恰当拒答，并屏蔽目标词元；知识通道直接抑制标准答案片段。实验显示该方法能遗忘目标知识、防止开放任务中的信息泄露，并保持保留数据上的表现。
说明CompLit：面向隐含、累积与无解需求的科学文献检索基准
简介该论文提出 CompLit 基准，用于评测智能体检索学术论文的能力，覆盖 arXiv 的全部八个领域。它分别设置了隐含需求、累积需求和无解需求三种诊断场景。原文报告，最强的两个智能体在标准查询上准确率为 86-87%，隐含需求下降至 66-68%，并且在无论文满足需求的查询中最多只有 53% 能正确弃权。
说明双向自适应Transformer用于多模态异常检测：结合RGB图像与3D点云的特征对齐方法
简介本文针对多模态异常检测中RGB图像与3D点云特征融合困难的问题，提出双向自适应Transformer（BAT）框架。其核心包括双向特征对齐模块，通过相互预测机制连接2D纹理与3D几何特征；以及轻量级图像与点云适配器，对预训练模型进行参数高效的微调。作者称在MVTec 3D-AD和Eyecandies数据集上，该方法取得了领先的异常检测性能。
说明ToF-Wheel 里程计：在感知能力有限时应对定位退化
简介该论文提出 ToF-Wheel Odometry（TWO），把轮式运动学与 ToF 相机的几何约束紧耦合在滤波框架中，用于地面机器人定位。其核心是一种感知退化感知的方向性协方差调整策略：根据几何观测性各向异性地调整过程噪声，在几何退化时抑制修正，在几何明确时接受其作为有效的运动学偏差。实验表明，相比静态和自适应高斯滤波，TWO 提高了轨迹精度与鲁棒性。
说明面向细粒度步态理解的属性中心视觉-语言对齐方法
简介该论文构建了大规模多模态步态属性识别基准RA-GAR，包含1001名受试者、242729段行走序列及15项静态与运动步态属性标注。作者提出Gait-VL框架，通过将属性特定的多帧视觉特征与文本类别原型进行匹配来识别步态属性。实验显示其在RA-GAR上达到最优的属性识别效果，并且该属性预训练的视觉编码器在身份识别任务中也有一致提升。
说明面向测试时可验证视觉-语言-动作策略的流支持加权候选生成
简介论文指出，经过微调的视觉-语言-动作模型生成的候选动作高度相似，导致测试时采样的多样性不足。作者提出动作动态采样（ADS）方法，在训练时用流支持加权修正策略的动作分布，部署成本不变。实验显示其提升了候选多样性、模拟任务成功率及验证器表现。
说明长时域机器人世界模型中的关键记忆管理（ReCAP）
简介该论文针对基于离散视觉token的自回归机器人视频世界模型，在长时间推演中预测不稳定的问题，提出免训练的上下文调度方法ReCAP。方法保留初始场景锚点和最近的连续视觉-动作块，丢弃较早生成的历史，在RT-1、BridgeV2、LIBERO-90和CALVIN上相较完整上下文解码提升了视觉保真度与动作一致性。其中在BridgeV2上LPIPS降低63.3%，H=64时逻辑KV占用降低73.3%。
说明微调策略而非仅数据：对HR推荐系统嵌入模型中性别与刻板印象偏见的统计严谨审计
简介该论文审计了六个多语言句子嵌入模型在招聘匹配中的性别与刻板印象偏见，使用Bias-in-Bios和StereoSet两个基准。作者采用了更严谨的统计方法，纠正了一个非独立样本导致的显著性检验错误。结果显示，对E5-Base进行知识蒸馏微调会显著增加Bias-in-Bios上的偏见，而二分类微调则无统计上可区分的变化，因此微调策略是HR推荐系统设计中的一个可操作因素。
说明基于均匀信息密度的偏好优化（UIDPO）：让大模型输出更符合人类偏好的一种新方法
简介该论文借鉴心理语言学的均匀信息密度理论，认为人类偏好信息分布均匀的语言，因为这样认知加工负担较小。作者据此提出偏好优化算法UIDPO，结合全局标准差与局部二阶差分构造信息均匀度指标并纳入优化目标。实验显示，UIDPO在AlpacaEval2、ArenaHard和MT-Bench上与SimPO相当，有时更好，并且在补语从句分析中更能体现信息均匀的语言倾向。
说明在大模型上迭代，在小模型上部署：先用前沿大模型在实时流量中打磨行为，再把生产记录蒸馏到小型语言模型以降低成本
简介论文提出先在前沿大模型上通过提示词迭代出理想行为，行为稳定后，再用记录的真实生产决策对小型语言模型进行监督微调。在家庭护理排班代理的安全判定任务中，微调后的Qwen3-8B（LoRA）与生产记录的一致率为0.913，而教师模型在自身提示上的自一致率仅为72.7%。在两者分歧时，盲审专业排班员有48次支持学生模型、29次支持教师模型。小模型的中位延迟约低2.5倍，成本只是一小部分。
说明CB-Agent：基于概念的上下文学习，用于序列动作选择
简介论文提出CB-Agent，把专家轨迹中的环境动作决策拟合为一个可复用的概念向量，用最大似然建模候选动作的条件分布。智能体在ReAct交互时直接用该分布选择动作，无需把完整示范放入动作评分的上下文中。在TextWorld、ALFWorld和ScienceWorld三个基准上，该方法在所测三种模型规模下跨基准平均表现最好。
说明执行后学习与动作特定信用分配：利用代码执行结果的中间状态进行强化学习
简介该论文提出“执行后学习”，把程序执行结果作为中间状态，用于同一策略的额外学习步骤，而非仅作为最终评分。方法通过动作特定信用分配，分别评估初始动作与修正动作的贡献。在图像到TikZ的945个保留样本上，单次调用渲染成功率达到92.70%，高于同等额外训练迭代下持续单阶段GRPO的88.25%。
说明让技能适配执行者能力：改进 Harness 自我进化
简介该论文研究 LLM 智能体通过修改“harness”（指导技能）在不更新模型参数的情况下自我进化。作者发现，同一技能对强模型有益、对弱模型可能有害，并提出“技能适配”方法，用固定的元技能指导重写技能。实验显示，该方法在多个执行者上将最终分数提升 2.0 至 5.1 分。
说明奖励对齐蒸馏：按预测奖励效果为教师监督加权
简介该论文提出奖励对齐蒸馏（RAD），用于改进大语言模型的同策略蒸馏。它通过双层优化，依据每个蒸馏信号对学生模型更新后奖励的预测影响来加权，而非统一蒸馏所有词元。在六个竞赛数学基准上，RAD 在相同训练响应预算下优于最强基线，并在 LiveCodeBench-v6 代码基准上取得更高的 pass@1。
说明地理分布式大模型推理中碳排放与服务延迟目标的权衡分析
简介本文针对大语言模型推理的碳排放问题，构建了一个以延迟为核心、基于硬件实测数据校准的地理分布式推理模拟器，用以研究在严格服务级别目标（SLO）下的碳减排效果。作者设计了从贪心启发式到整数线性规划再到设施级混合整数线性规划的多种感知碳排与SLO的调度器。在三种大模型、MLPerf的SLO和不同系统负载下，MILP调度器相比轮询策略最多降低60%的碳排放，平均SLO违规率为3%。
说明PsyMemBehav：基于心理学与记忆的社交媒体行为模拟两级推理框架
简介该论文提出PsyMemBehav，通过心理学画像与检索记忆，以两级推理从身份推导到平台行为，用于模拟真实用户在社交媒体上的选择与回应。研究基于Reddit、Bluesky和Twitter上5862名真实用户的约557万条行为构建了基准数据集。实验显示其27B模型在12项个体指标中有11项排名第一，群体层面的MAE与MSE在被比较系统中最低，但基准仅针对已记录的互动，未建模无行为决策。
说明FrameFold：面向自回归长视频生成的响应引导KV缓存合并方法
简介自回归视频生成中，保留全部历史KV状态会随视频变长而增加内存与注意力开销。本文提出免训练方法FrameFold，通过比较合并前后相同近期历史查询检索到的内容，指导代表向量构建与合并选择，并利用相邻历史条目的时间冗余进行合并。在相同KV缓存预算下，实验显示其在一致性与视觉质量上有所提升，连续八分钟的Self Forcing生成也表现出更少的质量退化。
说明恒定学习率随机梯度下降的强高斯近似：偏差与轨迹推断
简介本文针对恒定学习率的随机梯度下降（SGD）建立了强高斯近似（KMT型），假设噪声为重尾分布，且迭代次数增长、学习率同时缩小。作者在同一概率空间上构造简单高斯过程，并以概率给出SGD误差与其极限之间最大差异的界。相比只能推断单个迭代点的已有中心极限定理，该结果支持有限样本下的整条轨迹同时推断，并给出函数中心极限定理（FCLT）。文中还讨论了偏差与初始化影响之间的权衡，并通过Burn-in与Richardson-Romberg外推消除这些影响，同时给出有限时域近似及向平稳Ornstein-Uhlenbeck过程的收敛，最后以风险控制与同时推断的应用和模拟加以说明。
说明分块式基于模型的策略优化：一种用分块世界模型替代递归模拟的强化学习方法
简介该论文提出一种基于模型的强化学习方法，用分块世界模型作为可微分的训练期评估器来优化分块策略，避免循环调用模型。方法通过世界模型与策略的协同分块预测，在一次前向传播中生成H步假想轨迹，直接优化价值扩展，从而规避递归误差累积与不稳定的时间反向传播。作者在HumanoidBench的19个高维人形机器人任务上进行了评估，并将方法部署到真实环境中用于四足机器人的双足行走。
说明PGSB：面向LoRA模型合并的预训练引导共享基方法
简介论文提出PGSB，一种用于LoRA模型合并的两阶段框架，用于把多个下游任务的低秩适配器合并为统一模型。该方法先找出各任务LoRA更新之间的共享方向，再结合这些方向与预训练权重的交互关系重新参数化，得到更适合合并的基。作者称其在多个基准上持续优于现有基线方法。
说明对抗梯度强制：面向鲁棒少步自回归视频生成的方法
简介自回归视频生成模型逐块生成视频，但长时程生成中误差会不断累积。本文提出对抗梯度强制（AGF）框架，利用未来块预测的分布匹配梯度选择对模型自生成历史的对抗扰动，并在原始与扰动历史上联合训练生成器，以提升模型对历史误差的鲁棒性。实验显示，AGF在60秒视频生成的VBench总分上最高，在四分钟视频生成的视觉质量上最佳，且训练仅需5秒的滚动生成。
说明LASER：面向长距离协议依赖的可撤销证书搜索方法
简介该论文针对协议规范中分散、可被后续修正的证据，提出 LASER 方法：将缺失的支撑与未决修正表示为显式义务，搜索有类型的证据路径，并由符号检查器判定行为是被证实、被驳回还是仍未确定。在 91 个 BehaviorCheck 任务族上，相较最强的局部阅读方法，LASER 在两个模型系列上提高了联合准确度，同时将误报减少为 2 至 3 分之一。
说明基于大语言模型的动态商品广告用户-商品相关性评估
简介本文针对动态商品广告（DPA）检索系统难以离线评估的问题，提出一种用户-商品相关性指标。该方法先将用户互动历史压缩为若干意图代表，再用大语言模型判断推荐商品与各意图的相关性并汇总为用户级分数。实验表明，该指标与离线及线上业务指标有较强相关性，可在A/B测试前更快、更可靠地迭代检索系统。
说明主动神经物质：面向物理系统与分布式AI工作流的有限窗口响应框架
简介论文提出“主动神经物质”（ANM）框架，用有限时间窗口的响应分析来判断一个状态需要保留过去哪些信息才能预测未来响应。正向分析用系统动力学预测对扰动的响应，逆向分析检验候选状态是否保留了足够信息。文中以延迟共识仿真、群集行为和受控反馈任务进行验证。
说明面向分布式应用的自定义运维代理（SDO）
简介该论文提出一种自定义运维代理（SDO），能在分布式应用出现故障时自动诊断和处置，并通过总结已解决事件的经验来持续改进。SDO 把经验整理为可复用的诊断手册（playbook）和检测脚本（detector），检测脚本持续读取遥测数据，仅在触发时才调用大语言模型，因此成本随事件数量增长而非运行时间。在 11 个开源微服务应用上，SDO 对重复出现的故障将解决时间缩短了 52%。
说明InfraWorld：面向路侧4D占据预测的运动感知世界模型
简介该论文提出InfraWorld，用于在固定基础设施坐标系中预测路侧场景未来的语义占据情况。模型用稠密BEV状态表示整体场景，用持久运动查询关注局部移动区域，并通过动态查询初始化、长短时序融合和运动感知查询注入等方法更新状态。在InfraOcc和Occ3D-nuScenes数据集上的实验显示其达到当前最优表现，并在以自车为中心的设置下保持有效。
说明多模态基准真的有用吗？基于结构与响应协同校准的题目级诊断
简介该论文指出，部分多模态基准题目可仅凭单一模态或选项规律作答，无法反映模型真正的跨模态推理能力。作者提出SRCoD框架，结合题目的多模态信息结构与模型响应，对每道题目对不同模态证据的依赖程度进行校准诊断。实验显示，该方法在两种验证协议下优于现有基准诊断方法。
说明GG-Nav：面向目标的定位式思维链，提升导航基础模型的推理能力
简介论文指出现有导航基础模型在目标导向导航中表现不佳，主要原因是对连续观测利用不足且目标定位不精确。作者提出 GG-Nav 框架，通过监督微调学习结构化思维链，先从中间帧积累与目标相关的证据，再结合当前观测进行目标定位并生成导航动作或澄清问题。在 HM3D ObjectNav、VL-LN 和 CoIN 基准上成功率分别提升 3.1%、16.6% 和 5.3%，并已部署于 Unitree Go2 机器人上，展示了在未见真实环境中的零样本泛化能力。
说明FDE-Bench：基于真实业务需求的端到端交付评测基准
简介该论文提出 FDE-Bench，这是首个由真实客户项目构建的基准，用于评测智能体在需求不完整情况下的端到端交付能力。任务共 49 个，涵盖组合优化与机器学习，智能体需通过与模拟客户对话澄清需求，并迭代优化方案。在 18 种智能体配置中，最高平均交付得分为 0.5510（前线工程师参考值为 1.0），最高交付成功率仅为 6.12%，表明现有智能体尚难可靠完成此类任务。
说明学习动力学，强制物理约束：用于高维束流演化的生成式潜空间算子
简介粒子模拟（PIC）是加速器束流动力学建模的重要工具，但计算成本高。本文提出GLOBE，一种带物理约束的束流演化生成式潜空间算子，用于建模约一千万个空间单元的三维束流-场动力学。在两个高分辨率三维加速器基准（束团输运和等离子体尾场加速）上，GLOBE相对于最强基线DPOT降低了相对L2误差，并满足场约束，将数小时的PIC模拟缩短到每次推演约一分钟。
说明LongHisDoc：中文长篇历史文献理解基准
简介该论文提出 LongHisDoc，这是首个面向中文长篇（整本）历史文献理解的基准测试。它包含 101 份 PDF 文献、1,012 个专家标注的问答对，涵盖单页、跨页、多跳和不可回答四类问题。评测显示，表现最好的大型视觉语言模型与大型语言模型准确率分别只有 62.9% 和 69.9%，并且作者还评估了多种检索器与端到端检索增强生成（RAG）的表现。
说明多机器人系统中该信任谁：通过神经符号交叉验证联合推断机器人与物体假设的信任度
简介本文提出NeST-Bayes框架，仅依据机器人之间的观测一致性，联合推断机器人和物体假设的可信度，无需预设信任关系或额外身份信号。方法基于以自我为中心的关系图生成瞬时证据分数，并通过Beta分布的贝叶斯更新累积为随时间一致的信任估计。实验表明，该方法在多项基准设置中取得了较高的物体精度和机器人召回率，并在遭受优化攻击及遮挡较多的Webots仓库场景中保持了较高的可靠性与覆盖率。
说明能量环：稳定特征能量以实现可靠的测试时发现
简介该论文关注测试时发现（TTD）任务，即模型部署后在无标签的连续测试数据流上识别已知类别并检测新类别。作者指出已知与未知类别之间的能量差距并不稳定，容易塌缩。为此提出Energy Ring方法，把两类样本分别锚定在不同的能量环上，并通过轻量适配器、扰动一致性模块和基于稳定性的修正机制改进预测，实验显示其性能明显优于现有TTD方法。
说明ScienceBuddy-PV：面向泛血管介入研究的验证器约束递归改进协议
简介该论文将ScienceBuddy的递归设计改编到泛血管介入研究中，包含证据账本、器械-血管本体、弃权约定和失败案例库。论文对一个固定组件进行了公开数据审计，在ARCADE血管分割与狭窄任务上测得较低的Dice分数，并展示了门控机制的接受率与弃权成本。论文强调接受不等于正确或临床安全，未证明递归改进、患者层面有效性或临床器械推荐。
说明非对称行列式点过程的识别与估计
简介行列式点过程为有限随机集合提供了可处理的分布，但常用的对称核设定只能表示非正的成对依赖。本文研究可表达正依赖的非对称行列式点过程，建立了非对称核定义有效过程的两个充分条件之等价性，发展了识别理论，并提出基数截断的最大似然估计与平均随机梯度下降估计两种方法，在适当条件下证明了一致性和渐近正态性。文中以周度分部门入侵数据和秒级企业认证数据两个网络安全应用加以说明。
说明面向大语言模型的查询自适应神经元引导
简介该论文研究在推理时能否依据每个查询的内部激活动态引导大语言模型。作者提出Q-NeuS框架，构建主题引导的候选神经元空间，并用轻量的查询自适应门控生成神经元调制系数，通过Neu-GRPO训练，推理时无需任务或主题标签。实验表明，该方法在多个模型和基准上提升了性能，并具有较好的跨基准迁移能力。
说明我们一直都理解错了扩散 Transformer 主干网络的行为
简介该论文研究扩散 Transformer（DiT）主干网络中间层激活的深度曲线：各层表现先升后降，呈倒 U 形。作者认为，以往将其归因于信号粒度由粗到细的解释不够准确，并提出预测目标（如 ε、u、x0）才是主干网络的真正目标，语义信号只是中间产物。论文还指出训练中的预测目标选择会影响曲线形状，并以 REPA 为例展示如何据此预测其近优放置位置。
说明SEPM：基于任务图的自进化多智能体协作程序记忆
简介该论文提出SEPM框架，用任务依赖图作为在线协作和程序记忆演化的共同表示，通过共享黑板记录执行证据并支持偏差检测与重新对齐。执行后将验证过的动作提炼为可复用程序，并依据成功率与成本进行创建、精炼、专门化和淘汰。在ALFWorld、WebArena和OfficeBench上结合AutoGen与DyLAN测试，SEPM在六种基准设置中任务得分均为最高。
说明组合概念擦除：通过域流形遗忘解耦物体与风格
简介扩散模型可能生成违法内容或侵犯版权，因此出现了机器遗忘技术以去除有害概念或受版权保护的风格。本文指出既有方法多只处理物体或风格之一，难以处理二者组合的遗忘，且多次遗忘请求易导致灾难性遗忘。作者提出域流形遗忘（DMU），利用中间扩散特征提取的EMA更新特征代理来表示被保留的目标物体方向，从而选择性地遗忘特定物体中的域相关成分。实验表明，DMU显著缓解了灾难性遗忘，在批量遗忘和顺序遗忘方面优于现有最先进方法。
说明TartanMatch：面向跨模态的通用稠密对应模型
简介机器人平台会组合多种模态的传感器（RGB、事件相机、热成像、深度、投影LiDAR）。该论文提出TartanMatch，用一个统一网络处理全部25种有序模态对之间的稠密对应匹配，方法是基于RGB预训练模型，结合轻量级模态适配和真实与合成数据的混合训练。论文报告，在零样本真实场景基准上，其端点误差（EPE）相比最强基线，跨模态匹配降低61.9%，同模态匹配降低49.6%。
说明光学套管针穿刺过程中腹壁各层组织的时空识别
简介该研究回顾性分析了71段视频，尝试用空间上下文和时序建模识别光学套管针穿入时腹壁的多层组织。结合外观、空间与时序约束的完整方法，在宏观F1和起始时间定位上优于仅用单帧外观的基线。研究指出，对腹膜前脂肪和肠管的识别仍有局限，临床应用前需外部验证。
说明MontageFlow：物理有效的高保真脑电图（EEG）生成方法
简介论文指出现有脑电生成模型忽略了脑电信号的物理约束：每个通道记录的是两个头皮电极之间的电压差，真实数据满足精确的线性关系，而现有生成器普遍违反这些关系。作者提出基于流匹配的MontageFlow，将输出限制在满足这些约束的信号中，并以整段脑电窗口编码的生理状态向量作为条件。在3个大规模基准上，该模型的TS-FID指标比最接近的对比模型提升1.6至3.6倍，同时保证了有效性。
说明重新思考激活函数：降低偏置可以改善学习
简介许多常用激活函数（如ReLU、GELU、Swish、Sigmoid）的输出以正值为主，导致激活后均值非零，论文称之为激活偏置。受控模型实验显示，激活偏置使初始损失下降更快，但伴随过冲、轨迹不平滑和更陡峭的损失曲面。减少激活偏置则使初始学习变慢，最终损失更低；在较大的视觉和语言模型上也观察到类似规律。
说明DSR-Net：学习动态骨骼关系的三维人体姿态估计方法
简介该论文提出 DSR-Net，用于从图像或视频中估计三维人体姿态。方法通过动态骨骼关系模块学习关节之间超出预定义骨架连接的自适应依赖，并结合分层关系感知融合与轻量残差骨骼校准模块提升特征稳定性。在 Human3.6M 和 MPI-INF-3DHP 数据集上，平均关节位置误差（MPJPE）分别为 37.9 mm 和 14.9 mm，优于多个基线方法。
说明DEFT：面向脑电基础模型的解耦增强微调方法
简介脑电（EEG）基础模型通过大规模多被试预训练提升了脑电表征学习，但其预训练嵌入往往保留较多与被试相关的变化，增加了下游分类器的负担，在跨被试场景中尤为明显。本文提出即插即用的适配器DEFT（Disentangled EFM Fine-Tuning），将预训练标记解耦为面向任务的内容分支和被试一致的风格分支，并从内容分支进行下游预测。多个脑电数据集和四种基础模型主干上的实验显示，DEFT优于对应的微调基线。
说明Reels-RSI：面向代码渲染讲解视频的程序级自我改进
简介本文提出Reels-RSI，一个开源的讲解视频导演工具，把视频视为由脚本、分镜和逐帧动画代码构成、可由确定性渲染器生成画面的程序。系统在程序层面自我改进：记录每次修订、将检查发现与修复差异配对并提炼经验，并把可静态检测的经验编译为带正反例的规则。作者在111个视频上进行了实验与评估，结果显示规则能捕获早期帧中的缺陷，但经验并不会累积或改变评审结果。
看点将视频视为可审计程序而非像素，并让规则从缺陷修复中自动编译为带单元测试的检查，新颖；实验覆盖111个视频且发现了评审偏差，证据较充分，但影响范围限于特定子领域。
说明门控流域水文模型（GCHM）：面向多种水文气候条件的可解释降雨-蒸散-径流模拟
简介本文提出门控流域水文模型（GCHM），基于质量守恒感知器构建，用五个蓄水状态表示冠层截留、积雪、土壤水、地下水和产流过程，并通过受约束的门控单元学习降水分配、蒸散、入渗、渗漏、径流和基流等过程。作者在50个CAMELS流域上进行评估，并以JKGE指标衡量性能，与消融变体及循环神经网络基准进行比较。结果显示该模型在干旱等多种气候区均能再现径流动态，同时保持可解释的状态与通量。
说明用于长期显微吻合轨迹预测的多模态表征融合
简介该论文针对显微吻合手术，提出一种跨模态特征融合框架，用于预测2D和3D的长期手术器械轨迹。框架融合了手术对象的语义识别与连续运动估计等视觉线索，并采用由粗到精的渐进融合策略结合长短期记忆机制捕捉时间依赖。作者在自建机器人平台和包含模型与离体场景的数据集上进行了训练与评估，实验表明其方法优于现有方法且在不同手术场景中更稳健。
