机器学习、人工智能、自然语言处理、计算机视觉、多智能体。
说明能低到多少？用贝叶斯优化微调大语言模型（LlMBO）
简介该论文延续 Morris 等人提出的 TinyLoRA 方向，即用极少量参数微调大语言模型。作者指出，在低维参数空间中，全局优化方法变得可行，并提出 LlMBO（大语言模型贝叶斯优化）。原文称其样本效率高、无需梯度、显存占用少，并能直接优化贪婪解码的准确率。在数学基准上与 GRPO 的对比实验显示，LlMBO 在该场景下可以匹配或超过后者的微调收益，而所需计算和内存只是一部分。
说明EgoOmniWorld：通过“自我-行动-世界”交互统一第一人称理解
简介该论文提出“自我-行动-世界”交互循环的理念，并据此构建了第一人称视频理解基准EgoOmniWorld，包含节点、边、链和循环四种交互结构。数据由基于视觉与听觉证据的交互优先流程生成，共24,166组问答，其中训练集20,284组、测试集3,882组。实验显示，主流多模态大模型在不同交互结构上的表现差异明显，而在该数据上训练的模型在领域内表现提升，并能泛化到现有第一人称基准。
说明面向理论规模自动形式化的忠实性对齐
简介自动形式化要求形式化陈述保留原始非形式化陈述的含义（即忠实性）。本文将忠实性评估表述为结合上下文的“先对齐后标注”问题，并提出包含460个条目、4982条短语级标注链接的FaithAlign基准，以及一个含146个条目、隐去非形式化上下文与假设的配套集合FaithAlign-Gap。在8个模型的测试中，表现最好的模型缺陷F1为47.8%，在FaithAlign-Gap上仅能识别28.2%的不可判定条目。
说明评审模型依赖参考：工具调用参数验证中的推导缺口
简介论文发现，用于评审LLM智能体工具调用参数的评审模型，在输入中缺少该参数的参考文本时，更少接受正确的参数值，包括未被用户提及的函数默认值、需要推断的值，以及来源文本被截断的情况，作者称此为“推导缺口”。该现象出现在所评测的全部七个评审模型中，并非仅由截断造成。作者提出DeRef方法，由另一模型读取完整历史并为评审模型生成参考，在三个基准上提升了所有受测评审模型的参数AUROC。
说明任务诱发眼动作为青少年及青年抑郁严重程度的候选数字生物标志物
简介本研究为单中心横断面研究，纳入155名14至20岁参与者，他们完成情绪-空间自由浏览与记忆引导回忆任务，并依据汉密尔顿抑郁量表（17项）评分分层。研究发现，抑郁越严重，注视分配熵越低、区域切换次数越少、首次进入目标的延迟越长、目标停留比例越低，这些关联在校正后仍显著。研究认为，改变的视觉探索与记忆引导注视控制可作为候选指标，而非普遍的负性注意偏向，仍需前瞻性研究进一步验证。
说明用少量标签重新校准大量问题：极小极大速率与可辨识性限制
简介本文研究大量相关预测问题（每个问题只有少量标签）时，如何共享信息并进行概率重新校准。作者给出了固定效应与随机效应两种设定下的极小极大风险界，并分析了贝叶斯规则的可辨识性损失，指出每个问题标签较多之后，无法学到的部分几乎没有必要。
看点给出校准中跨问题共享信息的极小极大速率与识别极限的精确刻画，并把已知的硬币指数界推广到一般情形，理论贡献显著；证明较完整，但实验证据未见，适用范围偏理论。
说明重新审视表格机器学习中的成员推断攻击（系统化综述）
简介本文对表格数据场景下的成员推断攻击（MIA）进行了系统化梳理，提出新的攻击分类，并比较了四种前沿攻击在多种表格数据集和模型上的表现。研究发现，类别粒度较高、多数类占比较高的数据集更易受攻击；先进攻击高度依赖对目标模型的了解，而无需参考模型的攻击效果常与之相当。文章还指出，即使采用常见防御，具有独特特征的记录（单点记录）仍高度脆弱，现有防御只能降低平均泄露，难以充分保护最敏感的个体。
说明基于距离与语音一致性的物理感知深度伪造检测
简介这篇论文提出一种针对动态说话视频的深度伪造检测方法。它利用真实录音中语音能量会随说话人与摄像机距离变化的声学规律，将视频估计的距离与语音中的距离相关声学指标进行比对。实验表明，该方法在野外场景基准上有效，并能与基于唇形同步的检测器互补，简单集成后在多个数据集上取得稳定提升。
说明ReTerm：面向自我改进终端智能体的恢复训练
简介本文提出ReTerm，一种通过学习从自身失败的终端任务中恢复来持续改进的终端智能体。作者构建了ReTerm-10K数据集用于冷启动监督微调，并提出ReTerm-GRPO在线强化学习算法，从智能体的失败状态分叉出多次独立的自我恢复尝试，依据任务是否成功完成进行学习。基于Qwen3.5-9B的ReTerm-9B在Terminal-Bench 2.0上Pass@1达到34.8%，相比基础模型有所提升。
说明ProTok：通过模块化多码本量化实现统一的蛋白质分词
简介该论文提出 ProTok，一种统一的蛋白质分词器，将蛋白质序列、结构和功能注释三种模态映射到同一套离散词表中。单个模型可在任意模态组合下推理，无需重新训练。在 StructTokenBench 的多项基准上表现优于结构类分词器，并能保持较好的重建精度，同时支持生成蛋白质主链与序列。
说明MemoryVLN：面向视觉-语言导航的自我感知记忆表示与跨情境记忆复用
简介论文提出 MemoryVLN，一种以记忆构建与管理为核心的视觉-语言导航系统，用于改善大型视觉-语言模型在长程导航中受上下文长度限制、历史观测冗余和空间对齐不稳定的问题。方法包括基于遗忘曲线的长序列压缩、融合 2D 语义、3D 几何与 6D 位姿的自我感知记忆表示，以及分层记忆库和 Top-K 记忆检索融合。在 R2R-CE 和 RxR-CE 上，成功率分别比现有最优基线提升约 2% 和 6.5%。
说明简化并改进面向少步扩散模型的在线策略蒸馏（Simplified Matching Distillation, SMD）
简介该论文提出一种名为SMD的少步蒸馏方法，用于降低扩散模型和流模型的采样成本，仅依靠简单的在线策略速度回归，无需辅助得分模型或对抗训练。方法引入训练期间使用的残差代理Pivot以捕捉局部修正，并通过让学生远离较弱的教师预测来避免不良模式。论文称，在4步生成下，SMD在多个基准上优于强基线，并在若干基准上超过多步教师模型，适用于图像、3D、视频及音视频生成，规模可达330亿参数。
说明面向基于 Transformer 语言模型的图元网络
简介该论文研究以神经网络权重本身作为数据、用另一个模型（元网络）处理的方法。作者指出，Transformer 语言模型的权重存在比 MLP 更丰富的对称性，包括注意力矩阵的连续线性变换和整个注意力头的置换，现有方法无法全面覆盖。论文基于图元网络提出一种感知对称性、可跨深度和宽度应用的图结构方法，并在两个新构建的 Transformer 数据集上（如训练语料预测、微调检测）优于现有基线。
说明ChatGPT健康建议有多安全？来自四个全球南方国家真实用户对话的证据
简介该论文基于印度、尼日利亚、巴西和巴基斯坦1252名用户的同意型数据捐赠语料（2022年12月至2026年2月，共202590段对话），筛选出15555段健康相关对话进行安全评估。研究发现约五分之一的健康对话被评为高风险，风险集中于症状和病症类问题，并出现用药剂量指导不当、有害自我诊断、缺少安全警示等失败模式。纳入用户自身背景后，高风险比例上升13至17个百分点。
看点首次用真实用户健康对话做人口统计学基础的安全评估，并揭示用户上下文会显著提高高风险比例，证据来自20万余条对话的大规模分析。
说明读出缩放如何影响稀疏特征的恢复
简介本文研究读出层缩放如何影响稀疏自编码器（SAE）学到的特征。作者提出读出规范化决策空间（RC-DS）坐标，去除奇异值增益同时保留决策信息。实验显示，当训练恢复生成因子所在的空间时，特征恢复效果最好；在条件数为100时，RC-DS将平均稀疏因子恢复率从0.506提高到0.913。在三个语言模型检查点上，RC-DS在全部18种设置中重建效果更高，但居中对数训练在17种设置中更好地重建输出对数。
说明MFVSR：面向视频字幕去除的多风格细粒度基准
简介本文提出MFVSR，一个大规模多风格基准，用于评估视频字幕去除方法。数据包括3000组配对视频（来自高清真实、低清真实和AI生成来源），并附带953段野外真实视频用于覆盖分析；字幕涵盖16种语言及空间布局、时间行为、视觉风格和语言模式四类因素。评估协议区分盲去除与掩膜引导去除，并测量修复保真度、保留保真度、时间保真度、覆盖率和失败情况。六种代表性方法的实验表明，传统全画面指标掩盖了局部修复、区域外保留、时间一致性与整体可靠性之间的明显差异。
说明基于双向KL约束的教师引导小型语言模型工具学习
简介本文针对小型语言模型在使用外部工具时的学习难题，提出选择性教师引导策略优化方法SeTPO。该方法在低奖励轨迹上引入反向KL导出的教师反馈，并用正向KL监督保留教师示范行为。作者在BFCL v4和API Bank上的实验表明，SeTPO在三种学生模型规模下整体表现优于监督微调、强化学习和蒸馏基线。
说明S³-PnP：利用自监督分数先验的科学成像即插即用去噪方法
简介本文提出S³-PnP框架，用于高光谱成像和磁共振成像等科学图像的复原。该方法不需要干净的训练目标或外部预训练权重，而是直接从观测数据导出的ADMM中间状态学习分数先验，以修正先验更新的输入。论文分析了该修正后算法在理想分数和二次数据保真项假设下的收敛性与重建误差，并在参考引导高光谱复原、单幅高光谱去噪和磁共振去噪实验中报告优于对比方法。
说明通过条件能量先验学习扰动特异性表示，用于细胞响应预测
简介该论文提出PerturbEnergy方法，用于预测细胞在药物等扰动下的响应，以加速药物发现。方法在表示上引入条件能量先验，使与扰动相符的表示能量更低、概率更高，并可嵌入自编码器架构。作者在四个基准数据集上的实验显示，其在潜空间中的扰动识别有所提升（最高83.2%），并在预测前50/100/200个差异表达基因方面达到当前最优表现。
看点提出条件能量先验调整潜在空间并证明与条件互信息下界的关系，在四个基准数据集上做了充分实验，对细胞扰动预测子领域有实质推动。
说明EmoGenie：评测文生图模型与多模态大模型在情感表达与唤起上的基准
简介该论文针对AI生成图像的情感效果是否符合预期、多模态大模型能否可靠理解其情感这两个问题，构建了名为EmoGenie的基准。基准包含由八个文生图模型根据800条情感提示生成的6400张图像，并附有问答标注和人类连续评分。作者还提出EmoProbe方法，在情感问答任务上表现更优，其效价、唤起度、支配度和审美质量的预测与人类评分相关性也更高。
说明FastEEP：面向专家并行 MoE 推理服务的快速实例内弹性伸缩系统
简介该论文提出 FastEEP，一种用于 MoE 模型推理服务的快速实例内弹性伸缩系统，基于部分复用原则。它把可复用的执行结构与当前专家并行配置所占用的资源分开，在不拆除并重建整个服务实例的情况下调整专家并行组的规模。论文称，与基于 vLLM 的现有方法相比，FastEEP 在不同模型上的伸缩速度快 4.5 至 11.7 倍。
说明自主科学基准：评估用于自主科学发现的AI智能体
简介该论文提出“自主科学基准”（Autonomous Science Bench）初始版本，包含基于生物、化学和材料科学已发表实验构建的六个预算受限的设计-构建-测试-学习任务。智能体需分批选择设计方案、获取实验室测量结果，并据此指导后续实验，最终交付预测模型。成功需同时通过“发现”和“学习”两项评估；在八种智能体-模型配置、144次试验的试点评估中，最佳配置成功率为67%。
说明Thinker-WM：基于共享多模态表示的统一具身智能世界模型
简介该论文提出 Thinker-WM，一个统一的多模态世界模型，通过共享的统一动力学 Transformer 联合建模并生成 RGB 图像、度量深度和机器人动作。模型在多种具身世界模型评测中表现突出，其中在 EWMBench、WorldOlympiad 和 WorldArena 上排名第一。论文还通过对照实验，说明动作条件、几何交互和多功能训练在共享表示中的作用。
说明CoTL：面向三维场景表示的紧凑令牌学习
简介该论文提出 CoTL 框架，从无位姿的多视角图像中学习一组紧凑的令牌，以保留场景的几何与外观。编码器把每个视角压缩为少量潜在令牌并跨视角聚合，再由基于查询的高斯解码器恢复可渲染的三维高斯基元，并以新视角渲染进行端到端训练。实验表明，在 RealEstate10K 和 ACID 数据集上该表示支持有竞争力的新视角合成，并可作为三维高斯场景生成模型的潜在空间。
说明奇点具有分布：随机智能爆炸的精确时间规律与检测极限
简介该论文研究AI研究自动化形成的正反馈循环，用随机乘性改进到达速率随能力幂次增长的模型来刻画。作者给出了爆炸时间的分布，在等大小改进下是几何加权的指数和，在Lomax分布改进下精确服从Gamma分布。文中还给出了样本量与检测规模的渐近结果及不同扩展下的结论。
看点将随机性引入智能爆炸的正反馈模型，给出爆炸时间的精确分布、矩与尾部行为，并推导检测样本量的渐近式，理论贡献较突出。
说明复制不等于有据可依：用作者撰写句子的信用机制训练忠实的长文本RAG
简介论文指出，长文本RAG模型的忠实度奖励可被复制原文句子的方式钻空子，模型因此学会复制而非基于来源作答。作者提出作者撰写句子信用机制（ASC），把GRPO的奖励与优势从答案级别下放到句子级别，只奖励非复制、有实质内容且有原文支持的句子。在四个模型和多个语料库上的实验显示，ASC能降低作者撰写句子的错误率并增加有依据的句子。
看点提出以句子为单位的作者归属奖励与优势，修复复制捷径，在多模型多语料上有明确对比与一致提升，证据较充分。
说明从语音信号估计意外度（surprisal）
简介该论文提出直接从语音信号用语音语言模型估计意外度，而不依赖文本转写。作者用重要性采样估计抽象语言单位的概率，并基于一项听觉研究的瞳孔测量数据评估该理论。结果显示，对单词而言，经重要性采样得到的意外度比单一发音实现的意外度更能预测瞳孔扩张；但总体上意外度对瞳孔大小变化的预测力不强。
看点用语音语言模型直接从语音估计惊异度，并提出重要性采样边缘化实现方式，结合瞳孔数据在多粒度上验证，新意明显、证据较充分。
说明STAMP：面向片段级学习与编辑的拓扑感知分子语言
简介该论文提出STAMP（序列树状附着基序保持表示），一种拓扑感知的分子语言，分别编码基序身份、附着位点和树状拓扑，使分子片段可在不同语境中复用，并便于直接编辑子树。在30个靶标中的23个上，其活性悬崖预测误差低于匹配的SMILES编码器；在23个基准目标中的15个上，子树操作支持的骨架保持优化排名六种方法之首。作者还表明，借助确定性编译器，冻结的语言模型对带索引片段的编辑、优化等任务表现提升9至56个百分点。
看点提出以片段位置与连接显式表示的分子语言STAMP，在30个靶点中23个降低活性悬崖预测误差，并在多数优化基准上领先，证据较充分。
说明连续仿真优化中期望改进的原则性设计
简介本文针对基于随机克里金代理模型的期望改进方法，研究在未知异方差噪声下如何选择改进基准、重复实验分配和最终推荐三项设计。作者推导了简单遗憾的高概率上界，并据此在一般分位数规则类中优化这三项设计。在常见核函数的温和条件下，重复次数呈对数阶，所得简单遗憾结果在对数因子内与已知同方差噪声下的已有结果一致。
看点推导了异方差噪声下EI型仿真优化的高概率简单遗憾上界，并系统选择三个设计组件，首次给出此类保证；证明完整，但应用范围限于特定核函数。
说明从不稳定的增长中获得可靠记忆：用随机实验筛选智能体自写的经验手册
简介论文研究语言模型智能体如何把过去任务中的经验写成文本手册并在之后复用。作者发现，同一种流程写出的手册效果差异很大，最差可比不用手册低69.6分。为此提出随机分块筛选方法（RBC），通过随机纳入或排除相关经验块并比较成功率，来判断哪些经验真正有效。实验显示，该方法在多个系统、模型和基准上的平均成功率为66.9，高于完整手册、无手册和由智能体自行判断筛选的结果。
看点用随机化实验按块测量经验的因果效应来筛选记忆，超越让智能体自行判断，实验覆盖两种记忆系统、三个模型和三个基准，证据较充分。
说明CALM：基于多智能体强化学习的协同空中操作分散式控制
简介论文提出CALM方法，用于多架无人机协同搬运载物篮并跟随地面移动机器人。该方法结合参数共享的多智能体强化学习策略（MAPPO训练）、目标估计、扩展状态观测器及前馈等模块，各无人机在执行时分散决策。在保留测试轨迹上，CALM的平均位置与姿态误差低于所有对比基线。
说明接收方决定智能体间的谈判结果
简介研究者让十五个语言模型智能体进行了1049场两两循环谈判，由请求方向持有100美元禀赋的一方要钱。结果显示，持有资金一方的身份解释了转账金额47%的方差，而请求方身份仅解释2%。在持有方一端调整训练（如说服类微调）会显著改变其让出资金的比例。
说明Agaram 2.5B：首个从零训练、支持工具调用的泰米尔语优先大语言模型，并附对小语种的实践指南
简介本文介绍 Agaram 2.5B，一个约 25 亿参数的泰米尔语—英语模型，在 8 块 H100 显卡上从零训练约六天，训练数据约 500 亿词元。经指令微调后，模型能用泰米尔文、罗马化泰米尔语和英语回答，并能在 25 个工具调用测试中选对 23 次工具、13 次参数完全正确。文中还报告模型在多项翻译测试中优于 Sarvam-1，但知识类测试接近随机水平，在 50 个日常问题的人工评估中约 46% 的回答可用。
说明基于路侧RGB相机与3D雷达的道路使用者三维形状与朝向估计（资源高效方法）
简介该论文针对路侧安装的相机-雷达系统，提出一种低成本、资源高效的两阶段方法，用于实时估计道路使用者的三维形状与朝向。第一阶段用现成方法提取二维相机框和对应的三维雷达点；第二阶段用雷达确定位置、预设模板确定尺寸，并由小型神经网络预测特定场地的偏航角，从而构建三维有向框。该方法在一个带路口的弯道上对行人、自行车和汽车进行了验证，在NVIDIA Jetson ORIN上可达到每秒25帧。
说明事实性对齐方法是否真能让大模型更真实？可复现性与公平比较
简介本文对五种提升大模型事实性的对齐方法进行了首次独立复现，包括PPO、GRPO、Dr. GRPO等在线强化学习方法，以及DPO和KTO等离线偏好优化方法，并在统一基准和统一指标下进行比较。结果显示，这些方法均无法完整复现，且相对基础模型均没有显著提升。作者认为奖励信号更多优化的是格式、长度或简洁性，而非事实性与相关性；评估指标与基准本身也存在问题。
说明重新审视计算心理语言学中一元组惊奇度的估计方法
简介本文讨论计算心理语言学中阅读时间研究常用的两类预测指标：语境惊奇度和一元组惊奇度。作者指出，两者通常分别取自神经语言模型和独立的语料计数，可能引入估计误差。论文提出估计一元组惊奇度的三项原则，包括两者应来自同一语言模型，并给出基于蒙特卡洛方法及方差较低的边缘化变体的估计器。
说明并非所有漂移都是机制：追踪大语言模型的提示适应
简介该论文比较了离散提示优化、提示微调和前缀微调三种冻结大语言模型的适应方法，发现适应位置决定任务信息如何传递到输出：优化文本主要改变回答构建，输入层提示影响内容表示，分层前缀通过注意力保持直接控制。在混合专家模型中，这些方法还会引起不同的专家路由模式。作者认为，常见的表示层测量对一般上下文变化反应强烈，难以区分有效适应与匹配的安慰剂，因此需要区分表示漂移中真正与任务计算相关并被因果使用的部分。
说明无需图查询的检索：用图修正嵌入向量进行检索
简介本文研究在查询时不访问图结构的前提下，如何利用离线的图嵌入变换改进向量检索。作者比较了五种基于图的离线嵌入变换及其与原始嵌入的组合策略。在合成的职业网络基准上，直接替换原始嵌入会降低证据召回；多阶段策略则借助图修正嵌入引导搜索、保留原始嵌入用于语义相关性，从而提升召回，其中最优配置相比普通向量检索最多提升25.9%，并可在返回节点减少40%的情况下达到基线召回水平。
说明提示注入探针学的是对话，而不只是注入内容
简介该论文研究用于检测间接提示注入的线性探针。作者发现，仅凭对话位置和文本长度，现有评估即可达到0.91至0.98的AUROC，说明探针可能并未真正识别注入。为此，作者将与注入对话匹配的无注入样本作为负例加入训练数据。在六个开源模型上，仅改变训练数据即可显著降低误报率，同时保持大部分攻击的检出率。
说明扩散语言模型中的多流残差计算：为可见与被遮蔽位置分别保留信息
简介本文为掩码扩散语言模型引入多条残差流及自适应路由，使可见证据与被遮蔽位置的预测信息得以分别保存。两条残差流在验证集上使重建困惑度降低5.71%，在外部语料上平均降低5.13%。论文还发现可见与被遮蔽位置会形成不同的路由模式，并通过因果干预分析其作用机制。
说明克服灾难性遗忘：面向雷达波形分类的持续学习
简介该论文针对雷达波形识别模型在新波形出现时易遗忘旧知识的问题，对18种持续学习方法进行了首次大规模基准测试，涵盖54种波形、10个顺序任务，并在任务增量与类别增量两种设置下评估。研究发现，保留旧任务数据的方法表现最好，并通过消融实验找出了有效机制，组合这些机制后，F1分数在两种设置下分别提升3.4%-5.5%和2.7%-4.9%。
说明Bifocal：面向多模态大模型的免训练混合粒度视觉令牌剪枝
简介多模态大模型中的视觉令牌剪枝常在通用问答上表现良好，但在 OCR、视觉定位等细粒度任务上性能明显下降。本文提出 Bifocal，一种免训练的两阶段剪枝方法，为问题相关证据和图像自身证据分配不同预算，并辅以整图的池化粗粒度表示。论文称，在保留约四分之一视觉令牌时，该方法是唯一在三个模型的各能力组中都保留超过 90% 未剪枝性能的方法。
看点提出混合粒度、两阶段免训练的视觉token剪枝，结合查询相关与图像固有证据；在三类MLLM、十种方法的广泛对比中表现领先，影响面限于多模态推理效率领域。
说明LunaTP：面向等变机器学习原子间势的高效可扩展张量积实现
简介等变机器学习原子间势（MLIP）可使原子模拟的精度接近量子力学计算，但其核心的Clebsch–Gordan张量积（CGTP）卷积计算开销很大，限制了模型的可扩展性与效率。本文提出LunaTP，采用以节点为中心的并行执行方式，利用路径组并行和多级复用来加速CGTP卷积及高阶导数计算，同时保持原有数学形式。在NVIDIA H100 GPU上，其内核相对e3nn最高加速250.0倍，相对OpenEquivariance最高加速17.1倍；端到端训练吞吐量相对e3nn最高提升28.7倍，相对OpenEquivariance最高提升3.11倍。
说明超越 RMSE 与 Granger 增益：用于非线性预测耦合的多步预测误差熵
简介本文研究辅助时间序列的历史是否能为目标序列提供超出其自身历史的预测信息，并提出基于预测误差分布熵（FEDE）的预测因果框架。在受控非线性基准测试中，LightGBM 能识别隐藏的源-目标依赖，而 Ridge 则不能；FEDE 在多种非线性和噪声水平下，对该信号的敏感度高于均值对数 RMSE 增益。在全部 108 种窗口长度、历史长度和最大预测步长组合中，FEDE 结果均保持正向一致。
说明PRISM：用反事实探针校准黑盒评分模型
简介大语言模型常被用作评审，但其打分可能与人类判断系统性不一致。本文提出PRISM方法：固定被评内容，通过强调或弱化某些属性来测量分数变化，并用这些响应在人工标注上做岭回归，学习对基线分数的修正，无需细化评分标准。在SummEval和HANNA数据集上，该方法显著提高了与人类排序的一致性，并与基于评分标准的方法相当。
说明ReDiS：面向遥感多模态推理的推理-诊断自我进化框架
简介论文提出 ReDiS 框架，用两个角色化专家分别负责探索视觉证据与答案候选，并由诊断者对候选集合进行可信度评估，两者共同演化。针对所有采样答案均错误的情形，作者提出失败触发恢复机制 FTR，仅提供结果级纠正。在 LHRS-Bench、MME-RS 和 CHOICE 上，相较 Qwen3.5 基座（0.8B、2B、4B）均有提升，其中 0.8B 的类别平均准确率提高 6.47 个百分点。
说明Noise2Match：基于自适应切片间匹配的自监督低剂量CT去噪
简介论文提出Noise2Match，一种利用相邻CT切片进行自监督训练的低剂量CT去噪方法，无需成对的噪声与干净图像。方法通过切片间匹配网络建模相邻切片间的标签变换，并对去噪网络输出进行校正，以更好地满足等均值条件。作者从理论上证明，在理想条件下该训练方式与有监督的成对训练等价，并指出该方法也能有效用于低剂量锥束CT去噪，是首个有效的低剂量CBCT图像域自监督方法，实验表明其优于现有图像域自监督方法。
说明将地球科学模型校准委托给知识引导的大语言模型智能体
简介本文提出一个通用校准框架（GCH），让大语言模型智能体从校准请求出发，端到端完成参数范围定义、观测映射、目标函数设定和模型专用代码生成，并在数值搜索前冻结这些设定。实验覆盖六类模型，在雪模型测试中，有知识引导的五组设定均一次执行成功，验证NSE达0.81至0.94，而仅给模型名称的五组均未成功，默认参数为0.57。
说明超越任务成功：表征复用理论
简介该论文研究学到的表征在源任务之外能否被复用，并针对一组指定的未来任务定义了任务相关状态。实验显示，任务相关区分越容易获取，复用效果越好；可逆的样本相关坐标变换可能显著降低复用，而逆变换可恢复性能。论文还发现，保留包含所需区分的状态能提升在兼容的留出任务上的复用，在目标监督有限时收益最明显。
说明SchemaPose：基于RGB图像、借助参数化类别模式的类别级位姿估计
简介该论文研究仅用单目RGB图像估计同类物体的三维平移、旋转和尺寸（9D位姿）的问题。作者提出SchemaPose框架，引入显式的参数化类别模式，同时建模类别共性与个体结构变化，并以端到端的查询式方法利用这些模式变量指导位姿预测。实验表明，在合成与真实数据上，该方法在基于RGB的类别级9D位姿估计中达到了当前最优性能。
说明遥感推理中的幻觉感知忠实推理框架（FaithRS）
简介该论文针对遥感多模态大模型推理时常出现与图像证据矛盾的内容这一问题，提出 FaithRS 自我反思框架。作者构建了包含 4.3 万条细粒度幻觉标注的数据集 SFHD-43K，并训练检测器识别幻觉类型、成因和支持证据。模型借助安全检测器引导的修正机制进行训练，在四个遥感基准上相比基线最高提升 11.64 分。
说明基于直线的视觉伺服控制
简介本文提出一种以直线为特征的视觉伺服新方法。作者通过对主要直线表示的几何研究，定义了一种新表示，即双法向归一化Plücker坐标，它特别适合视觉伺服，能够定义合适的图像直线对齐概念。文中提出的控制律具有旋转与平移部分解耦、运动方程可解析求逆以及全局渐近稳定的条件等性质，并在仿真和正交三面体的实验中得到验证。
说明Urbex：面向城市尺度三维场景的主动式空间定位
简介该论文提出Urbex，一个基于视觉语言模型智能体的框架，把城市三维场景中的目标定位看作主动空间搜索，而不是对预先生成的候选实例进行排序。智能体可在多视角环境中查询地标、放大局部区域、渲染斜视图并给出边界框，并通过强化学习在CityRefer上训练。论文称其在CityRefer上取得最佳Hit@1和IoU，无需候选框即可定位，且速度快于最强的城市尺度排序基线；在STPLS3D-Refer上的零样本结果也显示出较好的跨场景稳健性。
说明随机Volterra方程的Wong–Zakai收敛与FNO学习
简介本文研究随机Volterra积分方程（描述带记忆随机系统的模型）的Wong–Zakai收敛以及傅里叶神经算子学习。作者证明，由布朗运动分段线性近似驱动的路径解收敛到对应的随机Volterra方程解，并以此为基础，用镜像填充的傅里叶神经算子学习从初值与驱动噪声到完整解轨迹的解算子。数值实验显示预测精度具有竞争力，并能推广到比训练时更细的时间网格。
说明ABot-ER：通过智能体式数据与模型协同进化实现统一的具身推理
简介本文提出统一具身推理基础模型 ABot-ER，旨在兼顾具身推理的广度与深度，涵盖感知、规划与执行三类能力。模型借助数据与模型自进化引擎及任务条件自适应训练策略，在共享骨干网络上通过轻量低秩残差区分不同任务的输出格式。在涵盖三类核心能力与五个能力维度的十二项基准测试中，ABot-ER 在统一参数框架下取得了整体最优的感知、规划与执行表现。
说明为战略性智能体交互选择大语言模型
简介本文指出，现有博弈论基准只在固定单一模型上评估大语言模型的策略能力，而现有模型路由器只考虑质量与成本，不考虑对手与策略结构。作者将策略选择定义为叠加在基础博弈之上的元博弈，在5个博弈、10个大语言模型上进行评估。结果显示，策略能力随博弈设置与对手而显著变化；轻量级多臂老虎机算法比基于嵌入或自我反思的方法更稳定，但仍不及最佳固定模型。
说明《让思维构想，让手完成》：面向长时程机器人操作的多模态指令跟随
简介该论文提出 Orchestra，一种将任务规划与执行管理同动作生成分开的智能体框架，把多模态指令拆解为有序子任务并跟踪进度。论文还提出 RMBench-Compose 基准，用于测试仅在原子指令与短轨迹上训练的机器人能否执行更长的子任务序列。原文报告 Orchestra 在九个 RMBench 任务上的平均成功率为 68.22%，在 RMBench-Compose 上平均成功长度为 7.35 个子任务。
说明轻量但语言公平吗？巴伐利亚语、德语与英语的量化稳健性研究
简介该论文研究大语言模型训练后量化（压缩内存占用）是否同样可靠地保留巴伐利亚语、标准德语和英语的语言能力。作者在一个基于206道对齐题目的多项选择基准上，测试了14个7B至10B开源指令模型，比较BF16与8位GPTQ及两种4位设置（GPTQ、AWQ）。结果显示8位GPTQ接近原精度，4位量化则明显不稳定，且受影响最大的语言因模型和方法而异；校准数据与评估方式也会影响结果。
说明CityCode：从稀疏航拍观测构建可供智能体操作的三维城市
简介该论文提出 CityCode 表示方法，用于构建可被智能体测量、修改并持续维护的三维城市。系统 Air2Code 只需每个区域一张低空航拍 RGB 图像和已知相机参数，即可恢复带真实尺度的建筑、道路几何与连通性，并通过生成式补全处理遮挡。实验在 CitySample-Aerial 与 UrbanScene3D 数据集上进行，结果显示其度量结构恢复和视觉保真度优于所评估的基线方法。
说明基于统计合约的策略性多智能体资源分配
简介本文研究策略性假设检验问题：委托方需在相互竞争的智能体之间分配资源，智能体可支付参与成本加入统计合约，并依据公开机制获得分配。文中利用e值构造“连续闭包”，使零假设智能体难以期望获利，并为一般损失函数提供事后风险控制。文章还给出可解释的闭式近似，并分析非零假设智能体何时值得参与，最后将框架扩展到智能体在线到达的场景。
说明随机特征在一般条件下的最优性：模型误设与稳健学习
简介本文研究用随机特征近似核岭回归（KRR-RF）在模型误设和重尾噪声等更一般条件下的表现。作者改进了特征映射的一致界，在轻尾噪声下得到极小极大最优学习率，并借助 Hilbert 值 Fuk-Nagaev 不等式将结果推广到有限弱矩条件。实验与真实数据分析验证了这些学习率。
看点改进了KRR-RF的最坏情形一致界，首次在错设与弱矩噪声下建立最优学习率；理论证明加实验验证，对子领域影响较大。
说明探究多语言语言模型中颜色表示的几何结构
简介本文研究多语言语言模型内部对颜色的表示是否具有通用几何结构，以及该结构是基于感知还是主要基于语言。作者从与感知色彩空间的对齐程度和跨语言对称性两个维度进行分析，发现感知对齐在中间层达到峰值后在输出层附近明显下降，跨语言对称性则随深度降低。研究还表明，在感知对齐峰值所在的层，模型颜色分类准确率达到96.7%，且两者相关。
说明AssetForge：面向业务自动化智能体的资产增强任务合成方法
简介该论文提出AssetForge，一种用于构建业务自动化智能体训练任务的流水线，将可复用的构建资产库与任务专属规则结合。经可执行检查与模型审阅验证后，用6000个样例微调Qwen3.6-35B-A3B，在AutomationBench上的官方严格pass@1指标达到41.17%，高于基础模型的9.33%，也高于使用传统规则构建的30.33%。
说明ShoeFit：新数据集与双图像流 DiT 虚拟鞋类试穿框架
简介本文面向虚拟鞋类试穿任务，指出数据稀缺、视角错位和背景导致的颜色失真三大挑战。作者构建了包含 7305 组图像三元组的多视角鞋类试穿数据集 MVShoes，并提出双流 DiT 架构 ShoeFit，通过带 3D 旋转位置编码的多视角条件与 LayeredRefAttention 机制改进试穿效果。实验表明该方法在真实场景下提升了渲染保真度与鲁棒性。
说明Omni-RS：统一遥感多任务理解与生成的框架
简介该论文提出 Omni-RS，一个统一框架，同时支持四类遥感理解任务和五类生成任务。方法上采用场景引导的两阶段训练：先让多模态大模型适应遥感理解，再用其隐藏状态引导扩散 Transformer 生成图像。作者还构建了统一格式的多任务生成数据集 UniGen，并引入基于 VAE 编码视觉条件的详细视觉条件方法，以支持需要参考图像的生成任务。实验显示其在理解任务上表现突出，并在多种生成任务中取得优异结果。
说明矩阵感知中的过参数化：既非稳健也非脆弱——解的稳健性几何理论
简介本文研究矩阵感知问题中过参数化对解稳健性的影响，该问题也可视为训练一个两层二次神经网络。作者针对Burer-Monteiro分解建立了与秩相关的稳健性理论，指出稳健性同时取决于过参数化程度与解的局部几何结构。作者还提出一种利用谱平衡与随机草图的轨迹感知算法，在实验中降低了敏感度且未损害重构精度。
说明基于来源动作图的复杂材料工程：潜力、结构与演示
简介本文探讨并测试了用反应图进行材料合成的潜力，其中事件由反应步骤（动作）及其输出（观测）构成。作者指出，合成实用材料常依赖大量未发表的失败尝试，并认为借助学习算法从多维合成路径中归纳规则，可加速材料发现，构建可共享的全局知识库。文中以固态合成的若干场景为例，因其反应具有动力学特性，需要更密切地监测和控制反应历史。
说明提示优化还是策略优化？利用大语言模型用户模拟器优化医生推荐列表的呈现方式
简介论文针对患者选医生的难题，提出在给定排序医生列表和患者病例的前提下，生成基于医生资料、便于比较的简短摘要。研究用人设条件化的大语言模型模拟患者选择，比较了提示级优化（GEPA）、参数级优化（GRPO）及两者结合的效果。结果显示GRPO在满足全部约束上明显优于GEPA，两者结合训练最快且模拟转化率最高。
说明SimInter：基于访谈式画像丰富与证据约束的对话推荐系统用户模拟
简介本文提出SimInter，用两个大语言模型代理之间的合成访谈，结合用户统计画像和历史对话证据，补充决策风格、偏好面向和领域专业度等隐性特征，并在访谈中由审计代理标记可能的编造与刻板印象。在电影推荐任务上，300名ReDial用户中的100名匹配子集显示，相比仅用统计信息的基线，SimInter显著提高了所表达偏好面向的多样性（过滤后面向熵1.619对0.859）。人工评估显示94.3%的丰富化属性声明获得支持或部分支持。
说明基于未知超参数的条件风险价值（CVaR）贝叶斯优化
简介该论文研究对昂贵黑箱函数的条件风险价值（CVaR）进行贝叶斯优化，该函数依赖于决策变量和环境变量。现有无遗憾算法假设高斯过程核及其超参数已知，但实际中只能用有限数据估计，容易导致代理模型设定错误，进而扭曲尾部风险估计。作者提出HE-CV-UCB算法，通过淘汰与观测数据不一致的候选模型、在存活模型意见分歧处主动采样，并返回对存活候选模型稳健的设计；作者证明其累积遗憾与已知模型时的CV-UCB同阶，仅相差一个依赖候选集大小的因子，在合成基准和三个真实应用中表现具有竞争力。
说明AffectWorld：面向情绪驱动的未来世界预测基准
简介本文提出AffectWorld基准，用于评估“情绪—行为—世界状态”链条，包含1498个日常视频样本及其情绪、行动倾向和世界状态约束标注，并设有233个反事实子集，考察改变情绪是否引起相应的行为与后果变化。作者设计了八项指标及一项反事实指标，结合自动视觉评估与经人工校准的VLM/LLM判断。对五个前沿世界模型的评测显示，其世界状态变化得分为0.100至0.280，反事实情绪敏感度得分为0.027至0.070，表明模型在生成情绪驱动行为的后果及根据情绪干预调整预测方面仍有明显不足。
说明通过潜在双假设推理与按需重建推理轨迹实现高效安全防护（LR-Guard）
简介该论文提出 LR-Guard，一种高效且可解释的大模型安全防护方法，通过学习紧凑的潜在推理表示，并在需要时重建人类可读的推理过程。模型从冻结的教师模型中蒸馏安全与不安全两种提示解读及其比较结果，并联合训练用于安全预测和推理轨迹重建。实验显示其在多数域内外设置中的安全分类与解释提取表现优于显式推理的教师模型，批量为一时推理速度提升 19.4 倍。
说明《数学年刊》（Annals of Mathematics）定理形式化语句数据集
简介该论文发布了名为 AnnalsChallenge 的数据集，包含 50 条由人工用 Lean 4 与 Mathlib 编写的定理形式化陈述。每条都是 2020 年以来发表于《数学年刊》的论文的主要结果。每条形式化陈述先经人工审核，再由 AI 审计，数据集仅公开形式化陈述，不含形式化证明。
说明LLM进化搜索应按令牌数而非提案数比较
简介目前LLM进化搜索常以候选程序的提案数量作为评估标准，但该指标会掩盖真实搜索成本。作者回放了5个任务、3种方法共600次运行记录，发现每个提案消耗的令牌数差异很大，按令牌数对齐预算后，进化方法相对独立采样的优势大多消失。
说明LegalRewardBench：法律偏好评估奖励模型基准
简介该论文提出 LegalRewardBench，这是首个经人工验证、用于评估法律领域奖励模型的基准。它把法律偏好评估分为知识、理解、分析、决策和写作五个能力层级，样例由按评分标准的自动判断结合人工核验构建。实验比较了通用与微调、生成式与判别式三类评审模型，结果显示强大的通用生成模型目前最稳健，现有微调奖励模型向法律偏好评估的迁移较不可靠。
说明超越方程搜索：以猜想为导向的发现，SCOPE 框架与 ClosureBench 基准
简介多数符号回归方法只优化候选方程的拟合度，却无法判断其背后的科学猜想应保留、修正还是否定。本文提出 SCOPE 框架，让多个科学家智能体并行追踪不同猜想，通过方程建模、提问与主动实验收集证据并交换修订，最终汇总成连接模型、结论与证据的科学报告。作者还推出 ClosureBench，包含五个科学领域共 60 个闭合关系发现任务，并提出证据可信度、机制洞察与实验有效性三项过程指标。
说明输出纪律设定下限：面向可审计假设驱动决策的证伪引导、模型无关智能体协议
简介本文在中医证候辨别基准 TCMEval-SDT（200 个病例）上研究大语言模型在可审计决策任务中的表现，认为约束性能的主要因素是输出纪律与推理结构而非模型能力本身。作者提出一种模型无关的智能体框架，以候选项与证据的证伪矩阵强制执行五阶段闭环推理。结果显示，该协议对输出纪律较差的模型有提升作用，对已经纪律良好的模型则有负面影响，并可迁移到抗误导数学推理任务。
说明基于合成异常的、对拍摄条件变化稳健的逻辑异常检测
简介该论文研究用于检测缺件、多件或组合错误等逻辑异常的方法，指出现有依赖与正常图像比较的方法在亮度降低或缩小拍摄等条件变化下性能大幅下降。作者提出一种框架：借助语言模型和图像编辑器合成异常图像，训练分类器区分正常与异常图像，无需与正常数据比较。该方法在干净图像和扰动条件下均取得较高的AUROC，表明同时从正常图像和规则违反中学习判定或可降低对拍摄条件的敏感性。
说明哪种优化器泄露最多？优化器的隐式偏置作为训练数据隐私控制因素
简介本文研究神经网络检查点发布后，所用优化器是否影响训练数据被重建的难易程度。作者提出关键在于优化器隐式偏置的“权重特异性”。实验表明，使用 SGD 和 Muon 训练的模型保留了较多权重相关信息，更易被重建；而在 Adam 的 ℓ∞ 隐式偏置情形下，信息仅为最大坐标及其符号的离散模式，在 MNIST 和 CIFAR-10 上被评估的攻击中表现出更强的抗性。
说明在依赖采样下用核均值匹配进行可靠风险估计
简介本文研究协变量偏移下的核均值匹配（KMM）方法，该方法通过对有标签源样本重新加权来估计风险。作者在依赖采样（如时间、空间或聚类相关数据）条件下给出有限样本分析，用有效样本量替代名义样本量。结果区分了重叠度、依赖性和平滑性的影响，并据此构造预测置信区间，在合成实验中接近名义覆盖率，在真实监测数据上明显减少覆盖不足。
说明红外弱小目标检测的传统与近期方法：综述、挑战与展望（第二部分）
简介本文是红外弱小目标检测综述的第二部分，聚焦深度学习方法，涵盖卷积神经网络、生成对抗网络、Transformer、专家混合模型以及图和超图神经网络。作者按建模策略对现有方法分类，讨论各类方法声称能够应对的关键场景，并介绍具体的性能评估协议，最后提出若干未来研究方向。
说明LongForcing：面向长时程世界推演的时序流形匹配扩展方法
简介自回归视频扩散模型在超出训练窗口的长时程推演中会逐步漂移，画质下降、运动不一致、物体身份崩塌。该论文提出LongForcing，在最终分布匹配阶段用长时程双向教师监督学生的长时程自推演，不改变学生结构也不增加推理成本。论文报告在文生视频与交互式动作条件世界模型上取得VBench Quality 85.52，并在第一人称消融中使WorldRoamBench 60秒动作得分提高23.9分。
说明基于像素空间分组图像生成的高效场景文字修复
简介生成图像的版面和视觉内容通常较为连贯，但小字和复杂字符的局部错误仍会影响可读性。本文提出PixText，将局部文字修复建模为像素空间中的分组图像生成：以原图为条件，只生成目标区域并保留未编辑内容，并采用MeanFlow实现四步生成。作者还提出Text Refinement Bench用于评估生成图像中的文字修正与图像保持效果。
说明PING：面向对流扩散过程的物理信息图神经网络，用于太阳能发电预测
简介本文提出一种物理信息图神经网络（PING），用于在不规则传感器网络上预测对流扩散粒子浓度，并把离散化的对流扩散方程作为软约束加入损失函数。该模型在合成数据和海表温度、云指数等真实数据集上与现有先进模型表现相当。研究还将其与光伏发电预测模型结合，融合地面传感器与卫星云图数据，用于提高日内光伏发电预测精度。
说明红外小目标检测的传统与近期方法：综述、挑战与展望（第一部分）
简介本文是一篇关于红外小目标检测的综述，涵盖地面、空中和海上监视等场景。作者按建模方式将现有方法分为数学模型、机器学习模型和信号处理模型，并讨论各类方法所针对的关键情况，同时介绍相关资源、数据集和代码库。本部分聚焦传统方法以及低秩与稀疏分解等基于模型的方法，深度学习方法将在第二部分讨论。
说明JevGPT：自主研究中的快速与慢速思考
简介该论文提出 JevGPT，一种用于自主研究智能体的双系统架构，把快速的证据处理与深思熟虑的研究规划结合起来。系统二设定证据目标并整合结果，系统一负责定位支持材料、评估相关性并指导进一步查阅。实验显示其在固定语料问答和文档排序任务上表现领先，完成更快、成本更低，且能覆盖更多支持性文献。
说明PAINT：从医师执照考试到真实临床文本的多语言疼痛表征框架
简介本文提出PAINT框架，用于研究医学考试题和真实临床文本中的疼痛表达，涵盖英语、西班牙语、葡萄牙语和日语共九个以疼痛为重点的数据子集。研究团队设计了包含疼痛相关性、存在性、解剖部位、描述词和人口学信息的结构化标注体系，并采用大型语言模型的集成策略进行标注。十名临床医生验证了标签质量，并公开了标签、抽取流程、验证脚本和标注表。
说明FALLNEST：面向可穿戴跌倒检测的不平衡IMU数据双域数据集压缩方法
简介该论文针对可穿戴设备跌倒检测中跌倒样本稀少、标注数据不足、类别严重不平衡的问题，提出FALLNEST框架，将大规模不平衡IMU数据蒸馏为小型类别平衡的合成训练集。在SisFall、KFall和MobiFall数据集上采用按受试者划分的严格评估，仅用约1%训练窗口训练的TinyCNN模型，平均准确率达93.5%至95.8%，PR-AUC为0.89至0.98。
说明上下文可合并老虎机的最优在线遗憾
简介本文研究上下文可合并结构未知的随机上下文老虎机问题：S 个上下文被划分为 r 个块，同一块内各臂的平均奖励相同。作者设计了一种算法，其期望遗憾为 Õ(√(r(S+K)T))，在对数因子内与 Lee 等人（2023）的下界匹配，并把其先前上界改进了 r 倍。
说明先学后教：面向 RLVR 的前瞻自蒸馏（LEAD）
简介该论文提出 LEAD（Lookahead Self-Distillation）方法，改进大语言模型的在线自蒸馏训练。现有方法只利用同一样本的特权信息提供监督，LEAD 则让教师模型先通过虚拟强化学习更新，从其他样本的在线生成结果中学习，再为另一组样本提供逐 token 的监督。论文还提出协调调制机制，根据两种信号的一致程度调整 GRPO 优势值。在科学推理和交互式智能体基准上的实验显示，LEAD 在各模型规模的领域内平均表现最佳，域外泛化能力与 GRPO 相当。
说明我们是否测得太多？大语言模型高效评测的基准压缩方法综述
简介本文综述了119篇关于基准压缩的论文。基准压缩通过部分评测来估计完整基准的分数与排名，以降低大语言模型评测成本。作者提出了分类体系，涵盖单一基准内、跨基准套件及自适应评测中的压缩方法，并比较了各方法的信息需求、总成本、可靠性检验与局限。
说明PACT：面向表现力与声音保留的语音到语音翻译的实用提示框架
简介该论文提出PACT框架，用于语音到语音翻译，目标是在翻译时同时保留说话内容、说话人声音以及情感、语气、节奏和停顿等表达方式。方法包括提取源语言的语用线索，将其映射到目标语言的表达空间并校准，再转换为连续提示输入冻结的语音生成器。作者在西班牙语与英语双向的TOPI评测中报告，PACT在内容保真、声音保留和表达保留指标上整体表现最佳。
说明LiFUSE：面向平扫CT肝病分析的频域-空间统一自监督预训练方法
简介该论文针对平扫CT（NCCT）肝脏病变识别中组织对比度低的问题，提出名为LiFUSE的自监督预训练框架。频域分支通过随机带阻掩码与频谱重建捕捉病灶与周围组织的细微差异，空间分支进行混合粒度的掩码体积重建以适应不同大小和形态的病灶，两分支之间通过跨域一致性机制耦合。作者报告在多个临床相关任务及公开数据迁移设置中，该方法优于强基线。
说明超越答案共享：面向多智能体辩论中定向同伴互动的 TrueMAD 方法
简介多智能体辩论（MAD）让多个大语言模型互相看到不同答案并反复修正。本文提出 TrueMAD，在广播式答案共享与自我修正之间加入一对一的自由形式同伴建议，源智能体可支持、反驳、完善或提问，目标智能体自行决定如何修改。该方法无需更新参数，可接入标准 MAD 及其改进版本。
说明基于分层多模态记忆的长文档标题层级重建
简介视觉语言模型可准确提取页面元素，但逐页预测难以保持全文档结构一致。本文提出一种基于视觉语言模型的框架，以逐层多模态记忆增量重建标题层级，记忆保留由锚点选出的历史页面子集。作者还构建了包含250份文档、11,212页并经专家核验标注的CLDoc-HHRBench基准，并在该基准及其他三个基准上进行了实验。
说明先考虑，再选择：System One 模型中与选项顺序无关的决策
简介该论文指出，System One 模型对选择题的回答会随选项顺序而变，且选项越多影响越明显；对循环移位取平均只能减弱而无法消除这种依赖。作者提出无需训练的 Runoff 方法：先对每个选项单独打分以保留少数候选，再让每个候选轮流处于每个位置进行比较，使答案在结构上不依赖选项顺序。
说明对手建模何时有效：空间推断如何在部分可观测下稳定强化学习
简介本文研究部分可观测的竞争博弈中，智能体如何根据未见对手的意图做决策。作者提出一个空间对手模型：由 Transformer 根据对手的观测轨迹输出子目标热力图，并早期融合进 dueling double DQN。实验显示，该模块能稳定训练，并在零样本迁移中带来一定优势，但在对手信息完全公开或资源密集的地图上优势消失。
说明对领域泛化中曲率启发式标量特征缩放的受控评估
简介本文评估一种刻意简化的实现（代码称为HyperDG）：训练时用学习到的正标量缩放欧氏编码器特征，推理时使用未缩放特征的线性分类器，并未实现洛伦兹或庞加莱表示、测地线预测或锐度感知最小化。在PACS、VLCS、Office Home和TerraIncognita上，完整实现的宏平均结果比原生DomainBed ERM低1.61个百分点，但多数据集符号翻转检验未达调整后显著性，因此作者不声称存在显著差异。结论是该标量训练方案的负面结果，并不能检验或否定真正的双曲表示学习。
说明TextualRL：用于上下文管理的文本强化学习
简介该论文提出 TextualRL，一种无需梯度的强化学习框架，通过让智能体基于任务奖励修改引导其行为的文本上下文，而不改变模型参数。它以同一上下文下同一任务的一组执行结果（而非单条轨迹）作为策略评审单位，对比成功与失败的执行并形成可复用的上下文修改。在六个基准上，TextualRL 相比基础模型，使 GPT-5.5 和 Qwen3.8-27B 的测试准确率分别平均提高 24.4 和 15.3 个百分点。
说明算子代理模型：用有限参数的映射近似无限维函数之间的复杂算子
简介本章以数学方式介绍算子代理模型，即用有限参数映射近似无限维函数空间之间的复杂（通常是非线性）算子。常见做法是编码器-近似器-解码器范式：把输入映射到有限维潜在空间，处理后再映射回输出空间。文中讨论了表示系统的构造方法，并比较谱方法与神经网络等代理架构，还涉及傅里叶神经算子和 Transformer 等不依赖表示系统的结构。文章也介绍了近似误差与泛化误差的理论分析，指出全纯性等低维结构有助于克服维数灾难，并给出依赖可训练参数数量的收敛速率界。
