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Multics：具有分层通信的生成式多玩家世界模型
简介该论文提出Multics，一个用于多玩家视频生成的框架，通过玩家、小组和全局三个层级组织信息交换。它引入小组令牌，将局部相关的玩家信息聚合后再跨组通信，减少无关事件之间的相互干扰，并基于近期摄像机轨迹进行预算受限的动态分组。实验显示其在4人和6人设置下达到当前最优表现，并可从4人训练推广到10人推理而无需重新训练。
说明删除代码而不丢失知识：Python 库的可再生软件
简介论文提出“可再生软件”理念：用机器可读的记录保存模块的架构、意图、决策和公共接口，使代码可被删除后重新生成。作者开源了实现这些原语的工具 spotregen，并将其应用于安全关键的预测库 spotforecast2-safe，报告中包含每个原语的可执行示例。
说明进入智能体广告时代：利用同策略攻击操控智能体决策
简介论文指出，人们越来越多地把商品、求职、旅行等选项排序任务交给AI智能体，这催生了通过“智能体广告”操控决策的动机。作者提出一种“同策略攻击”：先在商品描述中加入关于虚构概念的真实否定句，以符合平台规则，再让智能体搜索该概念，进而看到植入的虚假负面信息并惩罚其他选项。作者在四个真实商品数据集上评估，发现部分前沿模型存在暴露，并就监管此类广告提出建议。
看点提出不触发对齐训练偏离的新型'在策略'攻击，揭示智能体广告的新攻击面；四个真实数据集验证，证据覆盖有限。
说明扩散路由求解器的规模泛化：ResizeCO 方法
简介该论文针对旅行商问题（TSP）和带容量限制的车辆路径问题（CVRP）这类难以大规模求解的路径规划问题，提出无需标签的规模泛化方法 ResizeCO。该方法用强化学习在大规模实例上调整原本只在小规模实例上训练的扩散模型，并将 k-opt 构造为树搜索，在 GPU 上用束搜索求解。在节点数最多达 10000 的 TSP 与 CVRP 实验中，ResizeCO 在路线质量与运行时间之间形成的帕累托前沿优于已有学习型求解器，短运行时间下也优于其他求解器。
说明FreeSolo：线性时间稀疏注意力与零样本长度外推
简介该论文提出 FreeSolo，一种原生稀疏注意力机制，结合短程滑动窗口分支和通过选择关键点单元进行直接 token 注意力的长程分支。其线性时间变体 FS-L 通过短时持续预训练学习在查询相关选择前裁剪前缀，FS-B 则以含基数排序构建在内的 O(N log² N) 算法代价搜索平衡树。论文称，在不进行长上下文微调的情况下，FreeSolo 的零样本长度外推效果优于基线方法。
说明CartoVec：基于开放地图数据的通用位置嵌入
简介该论文提出CartoVec，一种坐标编码器，无需图像输入或下游任务标签，即可在多个空间尺度上预测由Overture开放地图数据得出的土地覆盖、土地利用、交通、地点和连通性等目标。研究在美国东北部用人口普查指标、Airbnb价格和费城犯罪数据，通过空间分块交叉验证评估冻结嵌入的效果。结果显示CartoVec在多数人口普查指标上平均表现最佳，总体平均成绩也最高；模型权重已在Hugging Face公开。
说明软教师强制（Soft Teacher Forcing）：用软token改进监督微调的训练方法
说明DuoDiscover：突破评估瓶颈、扩展自主发现的系统
简介该论文提出 DuoDiscover 搜索系统，让一组编码智能体同时发现优化目标和快速代理评估器，以降低真实评估昂贵的成本。系统通过保真度测试持续校验代理评估器，并由轻量调度器协调智能体之间共享已确认的成果。作者在 SWE-fficiency、SOL-Exec、vLLM、SQLite、GPU/TPU 内核及 CPU 微架构优化任务上进行了测试，报告了相对人类专家和既有方法的性能提升。
看点提出以代理评估器替代昂贵真实评估并持续校验保真度的自主搜索框架，在多个基准和芯片优化任务上有大幅提升，证据较充分。
说明ChemExplain：面向化学解释推理的多模态基准
简介该论文提出 ChemExplain，一个包含 1,180 道选择题的多模态化学基准，题目取自 383 篇同行评审论文。每题给出分子或反应图像、一个观察到的化学效应及四个候选解释，要求模型找出图中哪个结构特征最直接解释该效应。表现最好的模型准确率为 78.6%，在 600 题专家复核子集中，其 71.4% 的错误被归为归因失败。
说明ModRes：面向平面图分析与图机器学习的 ResPlan 数据集改进版
简介本文提出 ModRes，是对公开住宅平面图数据集 ResPlan 的清洗与扩充版本，包含 8,431 份有效且不重复的住宅平面图。每份平面图提供二维几何、图像、三维建筑表示以及三种对偶图，并以 CSV 和 JSON 格式存储图级、节点级和边级特征。作者使用图统计指标描述数据集特征，并通过多个案例展示其用途。
说明FunDM：基于冻结语言模型的低成本无标签决策模型
简介论文提出 FunDM（Fun Decision Model），在冻结的语言模型上接一个小型决策头，不用正确答案标签，通过 KL 散度学习完整模型的答案概率。以 Qwen3-8B 为例，使用其 36 层中的 24 层，在八个基准上平均准确率为 75.0%，完整模型为 75.7%。在 MMLU-Pro 上批量推理吞吐约为 1.56 至 1.57 倍，峰值显存约低三分之一。
看点用冻结语言模型的部分层训练无标签决策头，以KL蒸馏复现答案概率，并在多基准与编码代理选择上做了充分对比与效率测量。
说明基于符号抽象的生成流方法，用于发现机器人的具身能力
简介该论文提出FOSA框架，用生成流网络（Generative Flow Network）构造符号化的任务骨架，并将其编译为仿真环境，以低层策略学习的表现作为奖励信号。在不同机器人平台上，该方法能发现接近机器人经验能力边界、多样且可执行的任务。研究还将这些任务策略蒸馏为单一的语言条件策略，并报告其在未见过的复杂长时程任务上表现有所提升。
说明面向不确定性感知的离子液体溶剂发现完整工作流程
简介论文提出一套离子液体性质预测与候选筛选工作流程，将数据处理、深度学习建模与基于物理的计算耦合起来，并结合不确定性估计与物理过滤。该方法旨在提升在数据稀少、噪声较大场景下对新候选分子的可靠排序能力。作者以从烟道气中捕集CO2为例，预测新型离子液体性质，并依据CO2溶解度、离子液体粘度和工作容量筛选帕累托最优候选物。
说明从大语言模型生成的描述中学习天然气味混合物的感知几何结构
简介该研究使用含1200多种食品挥发性化合物混合物（超过8000种分子成分）的数据库，探讨分子组成与气味感知相似性的关系。研究以大语言模型生成混合物层面的感知描述作为可扩展的监督信号，据此学习低秩分子嵌入，用于预测未见混合物之间的相似性。结果显示，该方法在预测上优于基于成分重叠的指标，学到的分子几何结构与独立的人类气味描述空间有显著对齐。
说明力调制灵巧操作：面向接触密集型操作的统一顺应控制
简介该论文提出 FOMO-Dex，一种用于接触密集型机器人操作的统一顺应控制方法，在任务几何与接触结构定义的坐标系中表达名义动作，并沿选定方向依据力信号修正运动。在卡片拾取、纸张切割、螺丝刀操作和螺母螺栓装配等任务中，相比刚性控制，该方法降低了过大的接触力。作者还报告，用修正后的动作训练的策略在卡片拾取上成功率更高，并在螺母螺栓和螺丝刀任务中转动更多。
说明广义 McDiarmid 不等式：样本复用与非均匀无界差分
简介本文提出了 McDiarmid 集中不等式的一种推广形式，并用于随机优化问题的一致大数定律与误差界。该方法考虑训练样本复用，并允许分量均值差分界函数无界且对另一分量为非均匀依赖。作者将其应用于基于得分的生成模型，通过积分掉辅助高斯随机变量的依赖，得到更紧的误差界，并处理了无界得分模型和无界支撑的数据分布。
看点推广McDiarmid不等式，允许样本复用与非均匀无界差分，并应用于分数生成模型，新意明显；证据以理论推导为主，应用实验说明较少。
说明评分格式决定 LLM 裁判能表达什么
简介本文研究用大语言模型作裁判筛选指令微调数据时，评分格式（二元判定、1–5 分、0–100 分或两两比较）的影响。作者在候选池、提示词、解码和选择预算固定的条件下，对 15,406 条 UltraFeedback 候选数据用五种格式打分并微调 66 个模型。结果显示，格式本身决定了评分的有效区分程度，而与裁判模型关系不大，且评估指标 Kendall τb 会掩盖这些差异。
说明基于脉冲视网膜神经节细胞群体的神经形态解码与动态图像重建
简介该论文利用小鼠离体视网膜记录的多达1836个视网膜神经节细胞的脉冲活动，构建了端到端脉冲神经网络，直接在脉冲域中解码并重建动态视觉刺激，并同时追踪运动目标位置。结果显示重建结构相似度最高达0.93，目标追踪平均误差为1.33像素（32×32网格）。与同架构的稠密人工网络相比，其估计计算能耗约低70倍，表明这类解码方法有望用于可植入或可穿戴的视觉假体。
看点首次在脉冲域内端到端重建并跟踪动态视觉场景，结合能耗估计，并与17个更大模型对比，对视觉假体有实质推动。
说明折叠正态分布与莱斯分布的隐式与显式重参数化
简介本文针对变分推断中的折叠正态分布和莱斯分布，在PyTorch中推导并实现了隐式与显式两种重参数化梯度估计器，并从解析和实验两方面比较其方差。隐式估计器对位置参数的导数方差更低，且理论上不大于显式估计器。作者还将French-Wilson标度问题表述为变分推断问题，两种估计器对振幅的后验结果误差均小于1%，相关实现已开源于rs-distributions包。
说明SCOPE：先用共形分数指导后验探索，快速获得校准的贝叶斯预测区域
简介该论文提出SCOPE方法，用于在模型设定有误时仍能获得校准的贝叶斯预测区域。它利用留出的引导集上的非共形分数梯度找出影响预测区域边界的少数参数方向，用MCMC探索这一子空间，其余不确定性由投影变分近似处理。在实验中，其检验集负对数似然与完整HMC的中位差距仅为0.002奈特，真实基准上速度约快12至15倍。
说明OpenDGO：跨多种应用领域对多智能体组织结构进行基准测试
简介本文提出 OpenDGO，一个受控的基准测试与分析框架，覆盖六个真实应用领域和三种协作场景（顺序依赖、并行分解、信息整合）。在任务、智能体、工具和资源限制一致的条件下，比较固定组织与学习得到的组织，并分别考察通信图、角色分配、输入分配、资源预算和组件故障的影响。结果表明不存在适用于所有场景的单一组织结构，最优组织因应用而异，因此组织设计需要依应用而定。
说明MARS：面向世界动作模型的系统化多层加速方法
简介世界动作模型（WAM）通过同时预测未来世界状态和机器人动作来实现具身智能，但其视觉编码与迭代生成推理带来较大延迟，难以用于高频闭环控制。本文分析了WAM推理中的冗余并提出MARS框架，无需训练即可插拔使用，分别对注意力计算、扩散去噪和连续策略查询进行加速。在LIBERO、LIBERO-PRO和RoboCasa上的实验显示，端到端加速最高分别达4.00倍、3.94倍和2.10倍，任务成功率接近原策略。
看点针对WAM推理延迟，结合注意力、扩散去噪与视觉表征复用的多层级训练免加速，在三个基准上实验充分，对比合理，对子领域有实用价值。
说明掩码注意力池化对填充与排列不变：Lean 中的形式化证明
简介本文研究基于注意力的多示例学习中的池化操作，当批次内样本被填充到相同长度时，输出应不依赖填充量和实例顺序。作者给出带保护分母的掩码注意力池化定义，并在 Lean 4 与 mathlib 中证明其对行的任意双射重排、追加任意数量掩码行具有不变性，且全掩码样本输出为零。论文还借助 jax-lean 流程将这些定理关联到 JAX 内核的 Jaxpr，但结论仅针对理想实数运算，不涵盖浮点执行、XLA 及 JAX 追踪与导入器。
说明在资源受限诊所中，特征标准化比模型架构选择更影响呼吸音离线筛查效果
简介该研究比较了经典分类器与深度模型在五类呼吸音数据（1,211段音频，201个患者组）上的表现，采用按患者分组的交叉验证。结果显示，对SVM特征做标准化使宏召回率从0.51提升到0.78，效果超过模型家族之间的差异；数据增强未见明显作用。经典模型可避免449 MB的PyTorch运行环境，便于无GPU的诊所使用。
说明SonicWorld：面向空间音频推理的以声源为中心的潜在动态模型
简介本文提出了Sonic-Bench基准，包含2.8K段一阶Ambisonics音频片段和28.8K个针对特定目标的问答对，涵盖480个模拟室内场景，用于评估定位、距离估计和运动推理。作者同时提出SonicWorld模型，通过学习的状态转移和循环更新将声源状态持续维护，并输入全模态大语言模型进行空间推理。在Sonic-Bench测试集上，其方向准确率由31.98%提升至34.69%，方位角误差由57.22°降至48.01°。
说明EgoProbe：评测流式第一人称视频中的长程精确记忆
简介该论文提出 EgoProbe 基准，用于评测流式第一人称视频理解模型的记忆能力，区分两个维度：长程保留（记得多久以前的事）和在相似事件干扰下的精确回忆（分清哪个细节属于哪个事件）。基准包含 EgoProbe-Base 与 EgoProbe-Echo 两个子集，后者采用由粗到细的多轮提问。实验显示，模型在长程回忆上存在明显局限，且即使能答对粗粒度问题，也常无法回忆指定事件的具体细节。
说明ToolHACE：用于检测工具增强大模型回答中幻觉的数据集
简介工具增强的语言模型以外部工具输出作为回答依据，但即使工具调用正确，模型仍可能与工具结果矛盾、遗漏关键信息或生成无依据的内容。论文提出 ToolHACE，这是一个在句段层面标注幻觉的基准，涵盖五类细粒度幻觉。实验显示，工具调用后产生的幻觉十分普遍且较难检测，需要在专门的工具增强语料上训练，而直接迁移通用幻觉数据集效果较差。
说明从半双工骨干构建高能力全双工语音语言模型（D2）
简介该论文提出 D2 框架，可将预训练的半双工语音语言模型转换为支持同时听说的全双工模型，并保持较强的通用能力。方法包括通过无解码器表示蒸馏使音频编码器支持流式处理，以及通过监督微调学习全双工交互。作者在 Qwen3-Omni 和 LLaMA-Omni 2 上应用该方法，其中 Qwen3-Omni-D2 在 12.5Hz 更新率下实现了 99.2% 的轮换成功率、521 毫秒延迟、99.5% 的打断成功率以及 70.1 的 VoiceBench 分数。
说明当LLM智能体看到冲突仍然执行：网络切片中的跨域依赖
简介本文研究基于大语言模型的自主智能体在网络管理中遇到跨域意图冲突时的行为，以智能电网为案例，其中备份切片看似空闲却承担保护流量。作者在工具化环境中评测了来自四家供应商的十个模型，共600次运行。结果显示，多数模型在观察到依赖后仍删除了保护切片，因此作者认为应由管理架构在不可逆操作前强制验证依赖，而非依赖LLM的判断。
说明将局部语境粘合为全局含义：Transformer 表示的层论分解
看点将细胞层理论用于Transformer表示的释义一致性分解，并在多模型上以因果消融与对比基线验证，新颖且证据较充分。
说明D-World：一种带双重控制下递归自我改进的显式世界-语言-动作模型
简介该论文提出 D-World，用可执行的数字孪生显式表示机器人所处的世界，感知与规划两个智能体通过孪生和语言协作。规划时依据机器人测得的结果修正孪生中的物体状态与物理参数，并把这种测量驱动的修正循环称为递归自我改进，大语言模型本身保持冻结。双臂机器人的毛巾与烤面包机任务实验显示，局部修正即可让执行继续，无需重建场景。
说明面向实体、关系与事件抽取的校准类型化决策模型
简介该论文提出 CalOn，一个约 0.6B 参数的统一编码器，用于跨数据集和标注规范的实体、关系与事件抽取。模型同时编码文本与类型定义，直接识别实体片段、片段间关系以及事件触发词和论元，并结合训练中的奖励信号。在 40 个基准上，它在大多数基准上优于所评估的基线，并在训练偏差校正后改善了置信度估计。
说明AIPOCH Open-Science：带可复现 .science 包的开源 AI 研究工作台
简介论文介绍了开源研究工作台 AIPOCH Open-Science，它可以把 AI 辅助研究中的指令、计算、修订和检查记录打包为可移植的 .science 会话包，并定义了相应的交换规范。作者用受控会话测试了完整与部分导出，并检查导入后版本与评审关联是否保留；此外还验证了一个注册表案例中脚本与固定输入的离线复现，两份保存的 CSV 表格逐字节一致。
说明用于出行日记合成的掩码扩散模型
简介本文提出DiaryBridge，一种掩码扩散模型，将整个家庭日出行记录作为一个完整的标记序列来建模，而非拆分为多个模型或裁剪为定长向量。该模型可按任意顺序补全被遮蔽的位置，同一模型既能从零合成日记，也能根据部分已观测内容补全日记。在巴尔的摩地区2017/2018年区域出行调查数据上的实验表明，生成的出行结果能体现车辆可用性与就业状况，并比对比基线更好地复现各出行方式、目的和出发时段的总体需求。
说明LocalTrain：面向边缘 FPGA、节能训练 CNN 的纯整数局部学习系统
简介该论文提出一种基于 FPGA 的系统，用共享的整数矩阵引擎训练 CNN 及其区域辅助分类器，以减少层间训练依赖。在 KV260 原型上，于 200 MHz 下对 CIFAR-10 和 SVHN 分别达到 76.57% 和 91.85% 的准确率，平均模块功耗约 4.20 W。与 Jetson Orin Nano 上相同整数方法相比，训练能耗分别低 40.4% 和 42.1%，但运行时间分别长 1.86 倍和 1.82 倍。
说明用于视频复用检测的对比学习
简介该论文提出一种基于孪生网络并以对比学习微调的方法，用于为视频关键帧找出可能的原始素材来源。研究表明，关键帧集合可压缩至完整集合的10%以下，并能高效识别构成视频的素材，在股票素材库视频上的平均准确率超过0.95。
说明面向上下文分类的通用校准方法 CALIBFORMER
简介上下文学习（ICL）无需微调即可提升新任务的分类准确率，但其对置信度校准的影响研究较少。本文提出 CALIBFORMER，一种基于 Transformer 的通用校准器，利用模型对上下文示例的预测来为测试输入给出置信度分数。该校准器在三个模型和十个任务上训练，并能泛化到训练中未见的新任务和四个大模型，包括 Gemini，且校准误差降低超过 50%。
说明SFT 在激活几何中留下可复现的特征：以同配方重跑噪声校准后训练可解释性
简介本文指出，仅比较基座模型与后训练模型的差异会把随机重跑波动误当成后训练效果。作者在 Qwen3-1.7B 上用 LoRA-SFT 多次重跑，以各自配方的重跑波动范围对每组对比进行打分，并在 Llama-3.1-8B 上复现了主要估计结果。结论是 SFT 留下了大且可复现的结构位移，而 DPO 与轻量 GRPO 的结果尚不足以下定论，因果扫描也只支持"校准后的结构位移"，并不证明机制已改变。
看点提出以同配方重跑的噪声带校准后训练结构位移，并用预注册因果扫描验证，方法论新颖且证据较扎实，但适用范围限于单一骨干与配方。
说明机器发明了什么：从OpenAI 2026年10月发布的AI生成数学成果中挖掘新的数学工具
简介OpenAI于2026年10月6日在公开仓库发布了722篇AI撰写的数学手稿，归为372个问题族，其中包括对许多著名开放问题的声称解答。本文从中提取新的引理、构造、不等式和证明机制，称为"数学工具"，并与既有工具及其组合加以区分。作者考察了38个问题族，涵盖数论、几何、分析、组合、复杂性、代数等多个领域，并指出新颖性评估仍属暂定；本次综述未对相关内容进行Lean形式化编译或内核检验。
说明超越可达性的交互式导航：基准与智能体框架
简介论文指出，现有具身导航任务通常假设环境通道与物体状态在任务过程中保持不变，但实际中到达目标可能需要先开门、再开容器。作者提出MultINav-Bench基准，包含3000个ObjectGoal任务片段，涵盖通道、容器及混合任务，并标注是否需要交互。作者还提出MultINav-Agent三阶段智能体框架，实验显示其在各类任务上优于改造后的基线方法。
说明超级智能与人工智能竞赛的三重风险：一篇关于美中竞相研发通用人工智能可能带来的安全隐患的论文
简介论文认为，若美中为抢先实现通用人工智能（AGI）而展开竞赛，将带来三重危险：一是被对手超越，二是引发战争，三是人类可能失去对远超自身智能的AI的控制，危及生存。作者指出，竞速可能导致安全实践与相关监管的“逐底竞争”，并主张美国应同时推进单边与合作的AI安全措施，避免引发一场全人类都可能失败的竞赛。
说明将统一多模态模型扩展到长程图文交错生成
简介论文研究统一多模态模型如何在图文交替生成中处理更长的轨迹。作者提出视觉记忆框架，保留持久视觉参考，选择性检索与场景相关的历史状态，并通过少步自展开使模型适应不完美的生成历史。同时发布了用于评估长程多图生成的 LongMIG-Bench，摘要称模型在长程生成中保持了较好的人物与场景一致性。
说明重新思考大语言模型引导的视觉问答：更深的知识融合真的更好吗？
说明UZHCL_for_the_win 在 Touché 任务中的应用：编码器微调、合成数据增强与编码器—大模型对比
简介本文介绍作者在 CLEF 2026 Touché 评测中参加谬误检测与论证方案分类任务的方法，基于 Reddit 语料，系统以微调 RoBERTa-large 为主，并加入 LLM 生成的合成对比样本。作者同时比较了其他编码器与多种 Qwen 大模型方案，但因统计功效不足，结论尚不确定。论文还在官方测试集上报告了排名结果，并讨论了稀有类别的局限。
说明基于最近邻函数曲线补全的日内可再生能源发电概率修正预测
简介本文提出一种非参数方法，把日前确定性预测与当天上午已实现的发电曲线融合，生成当天剩余时段的概率预测。方法从大量预测与实际配对数据中，按已观测部分曲线、日前预测、日期和地理位置的相似度选取近邻曲线，并给出函数包络和基于函数深度的预测带。作者用合成的风电、光伏资产及真实区域风电数据进行了三组案例，结果显示校准效果良好。
说明用于航拍野生动物自动检测与计数的统一三分支深度学习框架
简介本文提出一个统一的三分支深度学习框架，分别完成计数条带划分（WildSeg）、相邻影像重叠区域匹配（WildMatch）和动物检测计数（WildDet）。框架在南苏丹大尼罗迁徙景观的四种羚羊斜拍航空影像上进行了评估。结果显示，WildDet在四个物种上的检测性能均有提升，相比YOLO11，基于检测的计数MAE、RMSE和平均偏差分别降低21.0%、4.6%和27.8%。
说明PerturbBridge：面向细胞扰动生成的直接表型监督
简介该论文提出PerturbBridge模型，用于生成扰动后的细胞图像。它在训练中直接监督预测图像的扰动特异性表型，并让生物响应损失的梯度穿过冻结的图像编码器。在三个显微镜基准上，其在生物保真度、图像质量和采样效率方面优于CellFlux；在BBBC021、JUMP和AllenCell上，分类与检索指标有所提升。
看点将可微生物响应损失直接加入桥式生成训练，对已有CellFlux方法有实质改进；在三个显微基准上做了多项对比与评估。
说明TILE：用表格接口连接大语言模型与表格基础模型以处理含字符串的表格学习
简介真实世界的表格常同时包含数值特征和自由文本字符串列。论文提出TILE（Table-Interfaced LLM Embeddings），通过行序列化、中间层提取、列式池化以及将数值和类别特征绕过大模型等方法，改进大语言模型生成表格特征的接口。结合表格基础模型后，在100个数据集上有89%的划分优于最强基线，并在108个数据集的STRABLE基准上排名第一。
看点提出行序列化、中间层提取等接口设计，使LLM特征随规模提升；在100个数据集上大幅超越基线，证据充分。
说明梯度路由可定位并移除强化学习中的非预期行为
简介论文针对强化学习中的奖励黑客问题，提出 GRAFT（梯度路由适配器微调）方法：对被监控器标记的样本，将梯度更新限制在一组专门的新参数上，而不是惩罚或过滤这些样本。实验覆盖 135M 至 8B 参数的模型，并将前沿大模型中含奖励黑客行为的轨迹蒸馏到 Qwen3-32B 上。结果显示，消融这组参数可减少或完全消除非预期行为，同时保持目标任务的性能。
看点提出梯度路由的新机制GRAFT，将被监控样本的梯度限制在牺牲参数中，在135M至8B模型上验证，并蒸馏到Qwen3-32B，证据较充分。
说明上下文分类：线性注意力与softmax读出中的校准与噪声
简介本文研究一个以逻辑损失训练的简单注意力模型在上下文中进行二分类的能力。每个提示含有一个潜在的逻辑回归教师，学习者需要从伯努利标签的上下文样本中推断其方向。作者在高维情形下给出测试逻辑值的渐近预测，并区分校准、测试时上下文噪声与非各向同性参数估计噪声的影响。理论预测与有限维模拟及完全训练的线性注意力模型结果高度吻合，标准softmax注意力的实验也呈现相关行为。
说明PatientWM：基于统一患者状态的可泛化临床世界模型
简介本文提出PatientWM，一种围绕统一患者状态和有序潜在历史构建的临床世界模型框架。模型能够将每个决策时刻可用的观察整合进患者状态，并结合之前的患者状态和临床行动预测下一状态，从而支持临床预测、多步预测和行动规划。在MIMIC-III、MIMIC-IV及三个外部临床数据集上的实验显示其表现更优，迁移实验也证明了患者状态的泛化能力。
说明VL-DocIR：面向视觉长文档信息检索的基准数据集
简介本文提出 VL-DocIR，一个以页面为单位、面向视觉长文档检索的基准数据集，由 29,641 份源自 HTML 的文档渲染成 388,548 张页面图像构成，包含 271,760 条查询，涵盖单页、文档内多页和跨文档等证据结构。文中评估了多种视觉检索模型及若干诊断性检索设置，最优配置在结构均衡的宏平均评估下达到 69.3 nDCGAll@10 和 80.6 RecallAll@10。结果显示跨文档检索明显比单页检索困难，文档上下文打分对文档内多页查询尤其有帮助。
说明利用比例包含边际效应衡量变量重要性
简介基于 Shapley 的方法常用于衡量变量重要性，但存在问题：与有效变量相关的无效变量也可能获得正的重要性分数。本文提出比例包含边际效应（PRIME），以解决比例边际效应（PME）在随机模型中不适用且计算成本高的局限。PRIME 采用一种新的与模型无关的变量选择技术，只将有效变量纳入重要性计算。测试函数与真实数据分析表明，PRIME 能够从含噪声的输入输出数据中准确可靠地量化变量重要性。
说明Neos：学习交替进行搜索与视觉推理
简介该论文提出 Neos 框架，用于多模态深度搜索智能体，旨在让模型既学会获取视觉证据，也学会利用这些证据指导后续搜索决策。框架通过可训练的多模态证据接口（MEI）把检索内容转化为面向目标的观察，并在策略强化学习与 MEI 监督微调之间交替进行。作者报告，Neos-9B 和 Neos-35B 在十个基准上表现领先于同类专用多模态深度搜索智能体。
说明迈向自动化数字服装组装：利用学习方法从二维版型自动完成缝合与排版
简介该论文提出两种基于学习的方法，用二维矢量版型作为唯一输入，自动完成数字服装的缝合定义和版片排布，以便进行悬垂模拟。缝合模型基于Transformer在线段层级预测缝合关系，排布模型预测身体部位、图层和放置坐标。在4,035件专业组装服装数据集上，缝合模型完全恢复63.3%测试服装的所有缝合与贴边拓扑，排布模型使66.2%的测试服装满足所有版片的放置要求。
说明AD4EDU：大学讲座音频描述的基准与评估指标
简介本文针对高等教育中以幻灯片为主的讲座，提出音频描述基准 AD4Edu-Bench 与可按规则诊断的评估指标 AD4Edu-Eval。研究整合了 WCAG 2.2 等无障碍指南，并收集参考描述、偏好对以及四位盲人和低视力评审的两两偏好，还用直接偏好优化（DPO）训练模型。结果显示，指标能可靠检出违反标准的描述，但符合标准的描述不一定符合盲人和低视力用户的主观偏好，尤其是描述长度方面。
说明超越模型偏差：小型语言模型在文学与学术文本上基于交叉熵的排序保持稳定
简介本文研究语言模型给出的文本可预测性（交叉熵均值与方差）在不同模型之间的排序是否一致。作者在诗歌与学术论文两类语料上，比较了四个小型基于Transformer的模型，多数指标的跨模型秩相关系数超过0.90。与六种无参数压缩基线相比，语言模型之间的一致性明显更高。
说明MENTOR：为调用工具的大语言模型智能体提供流程性护栏
简介该论文针对按企业操作手册执行任务的工具调用型大语言模型智能体，提出MENTOR框架。它通过多步自动形式化流程，从自然语言手册中生成一个依赖历史记录的运行时护栏，既能指导智能体合规推进任务，又能结合上下文判断，避免过度限制。论文称，经该护栏约束后，轻量开源模型的合规性超过了未受约束的专有模型。
说明质量不对称电子-空穴双层中的蜂窝晶体：用神经网络变分蒙特卡罗研究的二维电子-空穴有序结构
简介本文研究质量高度不对称的电子-空穴双层体系，重质量空穴形成局域化的正电背景并支撑电子晶体。作者用实空间神经网络变分蒙特卡罗方法（Born-Oppenheimer近似，空穴固定）发现，随密度增加，三角晶格会转变为蜂窝晶格，最终熔化为与蜂窝或三角空穴晶格共存的巡游电子。作者还提出BLG/hBN/WS2-WSe2异质结作为实现该蜂窝晶体的可行平台，对应密度约10^11 cm^-2。
说明SPLICE：稀疏物理算子库的无标签识别与组合扩展
简介该论文提出SPLICE框架，用于在多种物理机制同时作用的无标签混合轨迹数据上发现神经算子，并通过凸优化推断各候选算子的贡献，再通过校准检验为每个算子指定其对应的物理机制。在一维和二维系统上，所发现的算子能从无标签混合数据中恢复机制，并组合成对未见方程的零样本模拟器。
说明量子核支持向量机用于信用卡欺诈检测的基准测试：含噪中等规模量子（NISQ）约束下的实际表现
简介论文比较了三种量子编码（Angle、ZZFeatureMap、IQP）与经典模型在信用卡欺诈检测上的表现，并在量子Gram矩阵流程中加入SMOTE过采样以处理类别不平衡。在完整数据集上，经典基线的PR-AUC最高为0.983；将经典模型限制到与量子硬件相同的规模后，其PR-AUC降至0.750，而最佳量子结果为0.730。在真实量子硬件上测试时，性能进一步降至0.62。
说明理解 Whisper 语音识别模型的个性化增益
简介该论文研究轻量级低秩适配（LoRA）何时能改进 Whisper 语音识别模型，以及观察到的提升是否需要为每个分组单独训练适配器。研究在 Common Voice、LibriSpeech 和 VoxPopuli 上比较了零样本 Whisper、混合训练的 LoRA 与分组专用 LoRA。结果显示，适配的收益并不均匀：在较难的 Common Voice 分组中较明显，在 VoxPopuli 上稳定，在 LibriSpeech 上基本消失；混合 LoRA 往往与分组专用 LoRA 持平，有时明显更好。
说明LLM评估是一个预测问题：用时间序列预测模型的未来表现
简介论文指出，机器学习中常用的随机划分训练集和测试集的做法，假设数据来自同一分布，但实际中模型训练于过去数据、部署于未来，而网络文本分布随时间明显变化。作者发现模型在多种基准上的表现也随时间持续变化，因此用近期评估数据或对历史表现做时间序列预测，比直接使用历史表现更能预测未来表现，并据此选择模型可提升部署阶段的准确性。
说明ProbabilityBench：基于精确真实不确定性的模型评估与校准基准
简介真实数据只给出每个样本的单一观测标签，无法得知真实的条件类别概率，因此难以评估模型的不确定性。该论文提出 ProbabilityBench，在同行评审、隐蔽信息传递和信用风险三个模拟文本领域中提供精确的实例级类别概率，并通过 KL 散度衡量模型报告的概率质量。论文还用其中已知的真值检验常见校准指标与贝叶斯误差估计方法本身的准确性。
说明DIME：通过差分掩码自编码扩展人脸表征学习
简介该论文提出DIME，一种用于大规模人脸表征学习的差分掩码自编码器。它利用同一人两张图像的差异突出细微面部变化，并通过EDDS目标对齐重建差分的方向，无需密集标注。在2000万张人脸图像上预训练后，DIME在BP4D的AU检测F1上比6M到20M的数据规模提升了5.9个点，同时在多项人脸任务上优于专门方法。
看点提出基于同一身份图像对差分方向监督的掩码自编码方法，解决细粒度人脸表示的扩展瓶颈；在多项人脸任务和2000万图像上验证，证据充分。
说明MAGNET：面向脑连接组生成的流形感知图扩散网络
简介该论文提出 MAGNET 模型，用于生成功能性脑连接组（脑区之间的相关矩阵）。模型采用归一化 Cholesky 表示来保证生成结果的数学有效性，并在 ABIDE、ADNI、OASIS-3 三个数据集上与既有流形感知方法比较。作者报告其类别条件保真度提升 7%–21%，并在仅使用二元标签训练时，零样本地保留了子类层面的结构差异。
说明MaskSense：应对掩码图像生成中的视觉探索陷阱
简介本文研究如何用强化学习优化掩码生成模型（MGM），指出直接套用GRPO会与模型的利用式解码特性冲突，并提出"视觉探索陷阱"的概念：基于置信度的采样会过早固定背景区域，压缩生成的探索空间。作者提出MaskSense框架，在采样和优化两阶段加以应对，并在多个文生图基准上报告了优于基础模型的结果，其中GenEval准确率从54%提升至86%，HPS从28.89提升至36.39。
说明GFlowNet 混合模型：用一组独立策略扩大多样高奖励样本的覆盖范围
简介论文提出混合 GFlowNet（MoG）及其交换变体 MoGX，用 K 个异步训练的 GFlowNet 组成群体，由一个共同训练的软分类器把状态空间划分给各成员。在 HyperGrid 的六种奖励景观上，随着群体规模增大至 K=64，两种方法持续发现新模态，而数据并行训练趋于饱和；在基因理想型设计任务中，MoGX 在 K=64 时覆盖 1024 个最优解中的 39%。
说明多智能体延迟决策轨迹优化与移动候选目标的任意时刻有效目标保留
简介本文研究多个智能体对若干移动候选目标进行终端拦截的问题，其中只有一个是未知的真实目标，目标身份和候选终端位置都存在不确定性。作者提出一种滚动时域的延迟决策轨迹优化控制器，结合保形终端位置预测、顺序候选排除、容量约束分配和候选条件规划。在可交换性假设下，论文给出了固定时刻的终端位置覆盖和任意时刻有效的目标保留保证。在100组配对场景的实验中，该控制器在严格控制能量预算下捕获了79%的目标，放宽预算后为85%。
说明在生成式AI时代负责任地治理版权
简介论文研究大语言模型训练中作者作品的版权保护问题。作者通常无法知道自己的作品是否、以及如何被用于训练。研究对2019至2026年间的40份立法、司法和软法文件进行编码分析，并以负责任研究与创新理论为框架进行比较。研究认为，现行规则多以程序方式处理保护问题，并据此提出六项治理方案及按能力分配责任的思路。
说明Glasseek：用于训练与可信评估深度搜索智能体的透明方案
简介该论文提出 Glasseek，一个覆盖完整开发流程的透明深度搜索框架，公开数据、模型权重、训练配方与代码。作者设计了可验证的轨迹整理流程、名为 CM-GSPO 的训练方法，并针对开放网络评估中的测试集泄漏提供审计与防泄漏插件。论文称其 9B 智能体在多数深度研究基准上优于前沿闭源智能体，并在近期开源权重智能体中表现最佳。
说明伦敦与巴塞罗那城市场所的人气轨迹与空间混合模式
简介本文利用伦敦和巴塞罗那约1万个场所5.5年的Foursquare数据，分析餐厅、商店、酒吧和公园等城市场所的人气变化。研究识别出六种在两城市中反复出现的轨迹形态，发现贫困程度和人口密度并不能决定场所属于哪种形态，而约200至600米范围内同形态场所倾向于相邻分布。作者认为城市活力主要在街区和街道层面形成，社会与历史背景也很重要。
说明用于混凝土侵彻中剖面六分量应力张量场预测的物理耦合图神经算子
简介该论文提出一种物理耦合图神经算子（PC-GNO），在函数空间中学习混凝土侵彻过程中中剖面六分量应力张量场的演化。训练数据来自骨料分辨的全尺寸有限元模型共359个工况，并经实验室测量验证。模型在单步设定下平均准确率为80.16%，参数量仅20664，其输出为完整的六分量张量场。
说明内在几何匹配：学习与观测变换等变的过程几何
简介真实数据往往是对未知潜在过程的任意间接观测，观测方式会扭曲过程本身的几何结构。本文提出内在几何匹配（IGM）方法，通过学习过程的Carré du champ算子来恢复其扩散几何，并利用数据的自然扰动实现对观测变换的等变性。该方法可借助其他空间的数据进行训练，并在分子动力学、图像和视频数据上表现优于现有神经网络与图方法。
说明常数深度有理权重图神经网络及其与Schanuel猜想的联系
简介论文研究图神经网络能否在仅使用有理权重的情况下，以常数深度达到一维Weisfeiler-Leman（1-WL）测试的表达能力。作者证明，在Schanuel猜想成立的前提下，这一点可以做到，且该构造对所有图规模统一适用。论文还给出部分反向结论，并通过实验验证所构造的网络确实与1-WL测试表达能力一致。
看点证明在Schanuel猜想成立下，常数深度有理权重GNN可匹配1-WL表达能力，并给出部分逆命题，理论贡献突出；并附实验验证。
说明以生成模型作为自适应信任域的离散贝叶斯优化方法
简介该论文提出GenTuRBO，用预训练生成模型定义的自适应缩放提议分布，替代TuRBO中基于编辑距离的几何信任域，用于高维离散科学设计的样本高效优化。生成模型提供对离散变换的学习先验，能刻画协调性改动，而无需枚举编辑距离邻域。作者报告该方法在三个领域中表现稳定，并在Ehrlich序列优化和Sokoban协调任务上取得最高的平均最终得分。
说明TabGift：一种上下文高效的表格数据生成基础模型
简介该论文提出TabGift，用于表格数据生成的基础模型。它通过预训练的表格编码器把异构表格映射到共享潜在空间，并用上下文扩散模型在少量样本条件下去噪生成。实验覆盖7个分类数据集和11个回归数据集，结果显示在合成数据质量上优于代表性基线，在有限上下文场景下优势尤为明显，且适应与生成速度更快。
说明基于简单三维先验的自监督语义一致视觉特征学习
简介论文指出 DINOv2、Stable Diffusion 等视觉模型提取的特征在图像对应估计中存在缺陷，例如对对称或重复部件难以区分左右。该文提出一种自监督方法，使用简单先验，通过对比学习和数据集级分布匹配学习类别的粗略形状与外观，并结合几何损失，使特征的全局与局部统计特性接近真实图像。作者在多个具有挑战性的物体类别上给出了定量结果。
说明AUGUstus：统一生成与理解的自动驾驶视觉-语言-动作模型
简介该论文提出AUGUstus模型，将基于扩散的动作生成与自回归的思维链理解统一在一个模型中，让理解只服务于生成，从而兼顾安全性与低延迟。在NAVSIMv1和NAVSIMv2等基准上，该模型取得了较高的规划分数，并在nuScenes上取得了较低的平均L2误差和碰撞率。作者还在内部数据上训练并初步部署到实车，实现了12 Hz的运行频率。
说明从次优到最优：用于离线强化学习的一步潜在流策略（MeanFlow2Better）
简介论文提出 MF2B 方法，将离线强化学习重新表述为在高层潜在决策空间中，从当前表现向更好表现进行生成式决策片段优化。模型通过编码器把轨迹片段映射为高层潜在表示，并学习共享的条件平均速度场，用一步常微分方程积分完成决策修正，而无需多步迭代采样。在 D4RL Gym-MuJoCo 基准上，其平均得分为 90.91，与强基线持平或超过。
说明预测 Reddit 用户何时寻求心理健康帮助：基于语言与行为信号的生存分析
简介该研究把寻求心理健康帮助视为一个时间到事件的问题，使用 Reddit 用户在临床活动前的发帖内容，比较文本、MentalBERT 嵌入与行为活动特征，并用 Cox 模型、随机生存森林和 LSTM 进行预测。结果显示，单独的行为特征预测“谁会寻求帮助”优于文本（C 指数 0.797 对 0.763），两者结合最好（交叉验证 0.823，时间留出集 0.856）；而预测“多久会发生”时，文本更稳定（C 指数 0.698），行为特征则不稳定。
说明PRAISE：让非程序员科学家复现已发表AI模型的可复现工作流程
简介本文提出PRAISE工作流程，帮助没有编程和数据科学背景的人一步步实现已发表的AI模型。该流程预先列出常见失败情况并为每种情况提供备选路线。作者以三名化学专业本科生和他们的导师为例进行验证，他们在没有相关基础的情况下复现、验证并扩展了一个预测酶与底物相互作用的先进模型。
说明WeGR：通过行为感知分词与偏好对齐实现统一的生成式检索
简介该论文提出 WeGR，一个用于工业搜索的统一生成式检索框架，将候选生成放入自回归框架中完成。其中 CoCo-VAE 分词器在量化前融合查询到商品及商品到商品的协同信号，并通过codebook刷新与防坍缩正则化平衡码本利用率；DHPO 则逐步扩展奖励评估与策略优化的视野，缓解奖励稀疏问题。原文报告，在大型电商搜索平台六周在线 A/B 测试中，订单、CTR、CVR 分别相对提升 2.539%、1.508%、1.381%，CPU 与 GPU 用量分别降低 25.5% 与 26.1%。
看点在生成式检索中融合行为信号的tokenizer与奖励稀疏缓解的策略优化，有实质改进；工业级六周在线A/B测试提供了较强证据。
说明错误的价值：从模型自身错误中挖掘视觉上下文学习示例（SMILE）
简介该论文提出SMILE方法，利用视觉语言模型自身的预测错误作为反事实示范，离线记录其错误样本构建硬负例池。测试时，模型的预测结果用于在语义嵌入空间中检索最可能再次出现的历史错误作为示例。论文称，该方法在四个基准和四种视觉语言模型上，相比当前最优基线平均任务分数提升3.09分，延迟降低为五分之一。
说明MADDIE：多智能体药物发现引擎，由协调者调度四个专业智能体自动完成药物研发流程
简介论文提出 MADDIE，一个基于大语言模型的多智能体药物发现引擎，由中央协调智能体 Orchestrator 统一调度四个专业智能体（HitIdentifier、LeadOptimizer、Synthesizer、Evaluator），分别负责先导化合物发现、先导优化、合成路线和评估。作者在 50 个蛋白靶点上测试，结果显示其生成的分子满足关键性质要求并附有合成路线，表现优于现有智能体系统、生成模型和通用大语言模型。
说明事件记忆与叙事动态：面向多维状态空间的大语言模型框架
简介这篇论文提出一个利用大语言模型，从自传体叙事中构建事件表示并建模其结构与动态的框架，每个事件都可追溯到原文片段。研究以五位受访者的访谈为概念验证，共构建256个事件状态，并用多重对应分析将其嵌入特征空间。结果显示，连续事件状态之间的距离显著近于随机叙事顺序下的预期，并与转移路径及后继表示模型的结果相互印证。
说明UniLAP：面向跨机器人形态操作的统一连续潜动作策略
简介该论文提出UniLAP，一种用流匹配（flow matching）建模的统一连续潜动作策略，可从无动作标签的视频中学习操作先验，推理时不依赖未来帧。方法通过流自适应目标蒸馏潜动作模型教师，并提取无标签的运动目标以排除与任务无关的视觉干扰。论文称其在手部姿态预测、单臂与人形机器人操作及真实部署中，优于现有潜动作与视觉-语言-动作（VLA）基线。
说明基于持续观察与及时干预的主动式物理AI
简介该论文研究主动式物理AI：系统不等待明确指令，而是持续观察物理世界，判断何时需要干预并适时采取行动。作者提出ProAgent系统，包含判断干预时机的StreamingJev模型和生成回应或调用设备执行动作的Response Model，并通过视频自动生成训练数据。实验显示其干预时机更准确、误触发更少，真实机器人测试也展示了其识别需求并执行相应动作的能力。
说明学习设计符号回归求解器：面向符号回归的智能体框架优化（HarnessSR）
简介本文提出 HarnessSR，一个联合优化提示词与工作流的框架，用于构建可复用的符号回归智能体。该方法在执行时可选用 PySR 或基于大语言模型的方程生成器，并通过残差模式与搜索结果的反思迭代改进角色指令。在 LLM-SRBench 的 LSR-Synth 数据集上，其三种骨干模型的平均 ID Acc0.01 为 61.33%，相对次优基线提升 45.0%。
说明DiTSG：基于多智能体扩散 Transformer 的上下文感知空中交通场景生成
简介本文提出 DiTSG，用于从记录的多架航空器轨迹中学习并生成空中交通场景。该方法以扩散 Transformer 为框架，采用堆叠的多智能体倒置 Transformer 作为去噪主干，联合生成场景中多架航空器的轨迹，并以各航空器指定的预计到达时间为条件。实验表明，生成的场景具有多样性，能复现记录交通的统计特性，并保留真实的航空器间交互。
说明SarcasTraps：讽刺对土耳其语仇恨言论检测的影响
简介本文提出 SarcasTraps，这是一个针对土耳其语仇恨言论检测中讽刺影响的外部测试集，共 479 条数据，同时标注仇恨言论与讽刺两个维度。研究用 BERTurk 和 XLM-RoBERTa 在两个现有数据集上训练分类器，并以该测试集评估，另对 GPT-4.1 与 Llama-3.3-70B 进行零样本测试。结果显示，讽刺明显影响检测效果：微调模型在讽刺式仇恨内容上的召回率下降，零样本大模型召回率较高，但在讽刺样本上精确率大幅降低。
说明DDVR-Net：面向历史文献识别的退化感知解耦与可见性引导修复
简介该论文针对历史文献因墨迹侵蚀、结构破损而出现的部分字符难以辨认的问题，提出DDVR-Net框架。它在特征层面将字形结构与物理损伤分离，并预测局部字符可见度，只在视觉不清晰时启用上下文解码器进行修复。作者还构建了涵盖藏文、蒙古文和维吾尔文、共187000组文档对的低资源多语言基准，并称该方法在三种文字和不同阅读顺序下均优于现有方法。
说明词义重定义揭示上下文敏感的指令遵循
简介本文研究语言模型在提示词中如何处理相互冲突的上下文信息。作者在870组词对上做实验：先用明确指令重新定义一个词的含义，再用后续句子中的用法提供额外证据。结果显示，模型并不把重定义当作固定规则执行，而是根据指令与后续句子的关系，表现为保留、减弱甚至完全反转指令。
说明学习设计非凸优化的凸松弛
简介本文提出 AutoConvexRelax 方法，用图结构表示非凸问题的符号公式，并学习一个策略来组合符号改写，自动生成与问题相关的凸松弛过程，取代依赖人工的松弛设计。在 241 个二次规划基准实例上，学习到的策略使 McCormick 下界提升 13.52%，其平均下界在归一化比较指标上比强化半定松弛低 3.70%，但公式规模明显更小。
看点将凸松弛设计转化为学习的符号重写策略，并给出有效性证明与误差界；在241个二次实例上验证，证据较扎实，影响集中于优化子领域。
说明社会先验：关于AI用户的描述如何影响语言模型的信任与合作
简介该研究用四组内容相同、仅主导动机不同的合成文档对Qwen3-32B进行微调，这些动机分别是助人、利用他人、正当自我提升和完成任务。结果显示，模型对用户的信念、对世界安全与善意的判断会随之改变，并体现在信任博弈和公共资源模拟等行为中。反社会训练还会使黑暗三角人格得分上升、对齐评分下降。
看点通过对照合成文档微调，证明模型所读的用户动机描述会改变其信任与合作行为，并有信任博弈、公共池资源等多项实验支撑，新意突出。
说明UniMetric：为视觉几何基础模型恢复通用度量尺度
简介该论文提出UniMetric，一种无需训练、无需额外传感器即可为视觉几何基础模型恢复真实物理尺度的方法。它利用视觉语言模型给出的常见物体高度区间，结合重建结果中的物体高度，通过凸优化求出整段序列的统一尺度。论文还构建了MetricBench评测集，在九个几何基础模型上，深度、点云和轨迹误差均有明显下降。
说明UA-Bench：面向水下声学识别的大型音频语言模型基准测试
简介该论文提出UA-Bench，是首个用于评估大型音频语言模型水下声学信号识别能力的大规模基准，包含375,051条基于参数化声源与传播模型生成的音频记录。在一个平衡的2,600条子集上，9个未经任务适配的开源模型叶级准确率仅为2.0%至13.1%，低于7.7%的随机基线。研究表明，音频波形对信号来源判别的帮助远大于对细粒度识别的帮助。
说明KNN实现细节可能显著改变性能：以Cover Tree为例
简介本文以Cover Tree为例，指出最近邻搜索算法的实现细节常被忽略，但会显著影响性能，进而改变对算法优劣的结论。作者实现了统一的Rust版本RustKNN，包含三种构建方式和三种查询模式。实验发现，最优查询策略取决于k值和数据集，选错查询模式最多可导致7.5倍的运行时间差异。
说明让张量解耦更稳健、参数更少
简介张量解耦算法用线性因子矩阵加上单变量非线性函数，来紧凑地表示多元函数。作者指出，现有方法对输出或梯度的量级不匹配敏感，且样条内部需要人工调节自由度。论文提出两项轻量改进：先对输入雅可比张量做缩放预处理，再用带惩罚项的样条配合广义交叉验证替代B样条，并发布了开源的JAX实现。
说明通过外部全模态嵌入估计全模态大语言模型的不确定性
简介该论文针对能同时处理多种模态输入的全模态大语言模型（OLLM），提出一种与模型无关的不确定性量化框架。该方法仅借助外部全模态嵌入，衡量思维链回答与多模态输入的对应程度及其内部一致性，无需访问被评估模型的内部信息。在UNO-Bench上的实验显示，该方法相比自洽性基线有小幅提升，并在开放式全模态问题上与其他基线相当。
