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SNACK：面向概率图生成的序列化符号框架
简介本文提出 SNACK，一种用于概率图生成的字符串表示方法，使语言模型能够生成带有离散节点和边特征的图。该方法把图编码为下三角邻接矩阵非零元素的序列，并通过屏蔽无效选项来施加化学价等结构约束，从而保证生成序列 100% 有效。实验显示，SNACK 在图生成与分子分布学习基准上样本质量具有竞争力，并显著提升了 GFlowNet 训练的吞吐量。
说明LabOPBench：面向证据依据的实验室决策多模态基准
简介该论文提出 LabOPBench，一个包含 756 道由专家编写、经独立审核题目的多模态基准，涵盖有机合成与材料科学。每题将实验室证据与流程背景结合，并以开放式判断作答，按题目专属评分标准评估。八个多模态模型的总体归一化得分为 28.8% 至 45.8%。在 100 题对照子集上，最强模型平均优于本科生，但仍低于博士生平均水平；错误分析显示“证据误读”与“证据与决策冲突”是主要错误类型。
说明基于模拟退火伊辛求解器的计算压缩成像重建
简介论文提出一种物理驱动的重建框架，把成像逆问题建模为伊辛模型，利用非冯·诺依曼伊辛机向哈密顿量基态自演化来直接恢复目标物体。作者用基于模拟退火的伊辛求解器，在单像素成像和无透镜漫射体相机中、采样率1%至25%的条件下完成概念验证。加入前景稀疏和平滑约束后，重建质量与主流算法相当甚至更好，有望降低逆重建的电子计算负担。
说明Q-MAGIC：基于奇异点感知与环形相对偏移编码的纯四边形网格自回归生成
简介本文提出Q-MAGIC模型，用自回归Transformer逐个预测网格面片的token，以生成纯四边形网格。论文设计了针对四边形的序列化方案，优先从奇异点开始布线以缩短序列，并采用环形相对偏移编码主要以局部相对偏移表示几何信息。作者报告，与现有方法相比，该方法序列更紧凑，几何保真度与网格质量均有提升。
说明从全局收敛到尾部收敛：α稳定分数生成模型的动力学分析
简介本文研究由α稳定Lévy过程驱动的分数生成模型，并给出非渐近收敛分析，涵盖紧支撑和幂律目标分布。作者在p-Wasserstein距离下量化了早停、初始化、分数逼近和时间离散化的影响，并证明初始化误差呈指数衰减。与布朗扩散模型相比，全局Wasserstein收敛本身无法区分两者，但在尾部存在明显差异：α稳定动力学在任意正生成时间都会产生指数为α的幂律尾，而布朗动力学保持轻尾。当目标分布的尾指数为ν且α=ν时，可以实现渐近正确的极端分位数缩放，这为稳定生成模型捕捉极端事件的能力提供了一种理论解释。
看点提出α稳定生成动力学的非渐近收敛分析，并从尾部指数匹配角度区分布朗模型，理论贡献突出；证据为严格理论推导，影响主要限于该子领域。
说明依赖图何时有助于代码到架构的映射？
简介本文研究如何把源代码文件映射到架构模块，以应对实现与设计脱节形成的架构技术债。作者将其建模为有向多关系依赖图上的半监督节点分类，比较了GCN、GAT与无图的MLP，并以朴素贝叶斯为参照。在十个开源Java及C/C++系统的100次运行中，三种神经模型均优于参照方法；在最大的Chrome（18,343个文件）上，GAT和GCN的宏F1分别比MLP高出22和19个点。
说明循环 Transformer 中，学会计算不等于学会保留与复用
简介论文研究循环 Transformer 在迭代次数超过训练深度时出现的“过度思考”错误，并区分计算失败、答案保留不足和中间状态无法复用三种原因。在上下文中的 Mealy 机执行任务上，训练于第 32 轮的模型在第 64 轮仅保留 22% 的正确答案；改变训练监督方式可明显提升保留率，但中间状态仍不能被后续计算稳定复用。
说明似然不等于著作权：能否可靠衡量人类在 AI 辅助写作中的贡献？
简介该论文指出，常用的以人类提示词对最终文本可预测性来估计人类贡献的方法很容易被操纵。在保持文本不变的情况下，仅改变评估者能看到的编号，得分即可大幅波动，且在新闻、科学摘要及参数量从 38 亿到 7530 亿的多种大语言模型上均成立。论文认为，仅凭基于似然的得分无法可靠证明人类贡献，还需要有关人类实际添加内容及文本生成过程的证据。
看点揭示基于提示预测性的人类贡献度量可被轻易操纵，并给出身份式分析与两点下界，实验覆盖多模型与数据集，证据扎实，对该领域影响较大。
说明物理形态而非物理：对物理引导水下图像复原的审计
简介该论文审计了一种物理引导的水下图像复原网络PhysGuide-Net，通过多组受控实验检验其物理成像模型是否真正起作用。结果显示，在完整训练集下该模块没有带来零样本提升，且预测的透射图与真实距离的关系并不像物理量。作者认为其收益来自类物理的归纳偏置，而非物理本身。
说明PRISMATIC：多智能体用药相互作用风险检查系统，面向临床诊疗决策
简介该论文提出PRISMATIC，一种多智能体架构，让代表不同工作角色的专科智能体在黑板架构下协作，从临床记录中整理患者信息并迭代生成药物方案。系统包含两种自适应协调机制：长期的动态自更新权重调整（DSWA）和针对当前患者的短期差异反馈精确校准（DFPC）。在MIMIC-IV数据库的患者记录上实验，论文报告其相比强大的大语言模型基线显著减少药物冲突、提高处方覆盖率并增强治疗一致性。
说明CAST：面向大模型预训练的历史自适应谱裁剪方法
简介该论文提出CAST方法，是软谱裁剪（SSC）的历史自适应扩展，根据历史信息动态调整裁剪尺度和阈值。在一个总参数量为190.8亿的混合专家模型上训练83.89亿个token，结果显示其训练与验证损失低于九种梯度处理基线，梯度尖峰相对最少，并以少7.2%的步数达到最佳基线的最终平滑训练损失。
说明Qwen-MT-Lumen：面向 WMT2026 的指令专用翻译系统，结合质量感知训练与在线策略蒸馏
简介本文介绍 Lumen，是提交给 WMT 2026 通用机器翻译共享任务的开源模型。它专注于在术语、风格和结构化输出等细粒度指令下完成翻译，采用四阶段流程：继续预训练与监督微调、在线偏好优化、从更大教师模型进行策略蒸馏，以及结构感知推理和后处理。在 23 个翻译方向上，基于 1 至 5 分的 LLM 评分标准，Lumen 总体平均分为 4.60；以 14B 参数的骨干模型取得了与领先的专有系统相当的表现。
说明超越可达性：面向生物医学多跳问答的关系语义推理框架
简介该论文针对生物医学知识图谱上的多跳推理问题，指出现有方法常能检索到正确答案却排序靠后，且其证据路径未必支持问题所需的关系组合，并将此称为“可达但无效”问题。作者提出ReSemReason框架，利用问题诱导的关系模式分布指导图搜索，并通过关系条件注意力机制选择候选证据，同时引入绝对支持度评分。论文在BioHopR、PrimeKGQA和MedReason数据集上报告了答案排序与答案集质量的提升。
说明判别式分数函数：把预训练判别模型转化为可用于生成的先验
简介本文提出判别式分数函数（DSF），从预训练判别模型的损失梯度几何中提取图像空间的生成场，无需重新训练或任务特定目标。DSF 可从噪声生成无条件图像，并通过同一生成场支持条件引导、编辑、修复和解释。在缺少真实图像或标签时，DSF 生成的样本还可用于零样本量化校准，相比无数据校准基线更好地保留特征几何。
说明HyperLoop：用高光谱辅助三维SLAM行星探测中的回环检测
简介本文提出HyperLoop框架，首次将高光谱成像引入基于三维高斯泼溅（3DGS）的SLAM系统回环检测模块，以应对行星表面视觉重复、缺乏特征的问题。文中设计了两类高光谱描述子，并在DLR月火模拟场地的自建数据集上与RGB描述子进行融合评估。结果显示，最佳高光谱融合方案的定位误差与仅用SIFT-VLAD几乎相当，增益主要来自SIFT-VLAD；作者认为600-860纳米波段对岩石地形的区分能力有限，未来应考虑短波红外传感器。
说明推理语言的文体是否重要？以文言文作为中文大模型的紧凑推理语体
简介该论文提出“文言思考”（Wenyan Thinking）方法，让中文推理模型用文言文书写中间推理过程，最终仍输出简短答案。作者将现代中文推理记录改写为文言文后微调 Qwen3-4B-Thinking-2507，并与使用相同数据、教师模型和训练流程的紧凑现代中文对照组比较。在多个中文基准测试中，该方法显著缩短了推理长度并降低了受限解码下的无答案率；其中文言文在主要基准上优于对照组，在其他基准上也保持竞争力。
说明ProtModernBERT：计算高效的蛋白质语言模型
简介该论文提出 ProtModernBERT，一种在氨基酸序列上预训练的现代化 BERT 式编码器模型，重点研究在低算力条件下如何降低训练成本。与 ProtBert、Amplify 和 ESM2 在二级结构、无序预测、亚细胞定位以及 ProteinGym 零样本功能基准上进行比较。结果显示，它在预训练浮点运算量减少 80% 至 90% 的情况下，性能与 Amplify-120M 和 ProtBert 相当或接近。
说明MakSafe：用于道路车辆安全规则形式化规约与合规检查的时空语义框架
简介这篇论文提出 MakSafe 框架，用语义区域、基于动作的预测和轨迹树推理来形式化地描述并检查道路车辆安全规则，不采用均匀的时间离散化。作者以轨迹相关的案例研究加上针对交通密度、预测时域和分支因子的可扩展性测试进行评估。结果显示，同一初始场景可得出分支相关的安全或不安全结论，单次规则检查耗时远低于一毫秒，时域越长，碰撞时间（TTC）检查越慢。
说明从二维到三维点线对应关系估计物体位姿
简介本文提出一种方法，利用点和/或线的对应关系，最优估计相机与三维物体之间的旋转和平移。作者先设计误差函数，再给出其最小化方法；通过对偶数四元数表示旋转与平移，使该函数具有二次形式。方法采用信赖域优化，与牛顿法、Faugeras-Toscani线性标定方法及Levenberg-Marquardt非线性优化方法相比表现较好，实验结果显示其对图像噪声和匹配误差具有较强鲁棒性。
说明等长比例切蛋糕的精确切割次数
简介本文研究在等长约束下的比例切蛋糕问题：每位参与者需获得长度恰为1/n且价值至少为1/n的部分。作者证明，对任意n，保证这种分配所需的最坏情况切割次数恰为2n-2，改进了此前已知的二次上界。论文还讨论了无嫉妒要求、计算协议以及加入双刀查询后的切割数上界。
看点给出精确的最坏情形切割数2n-2，改进了已知二次上界，并以受限项链分割与Hall定理证明，理论贡献突出。
说明强化学习教会视觉语言模型“看哪里”，但未教会“如何感知”
简介该论文研究多轮强化学习训练视觉语言模型智能体时，任务成功率提升背后的机制。作者在四个环境中设计了基于环境的视觉问答任务，发现视觉编码器的探测准确率基本稳定，而大语言模型层的探测准确率有所提高，且训练中模型更关注视觉标记。作者还提出一种无需更新参数的固定注意力偏置干预，部分恢复了未训练模型的视觉问答提升，表明更好地利用视觉信息是强化学习收益的关键机制之一。
说明目标会怎样？目标错泛化中策略对齐的三种不同失败
简介该论文研究强化学习智能体在分布外场景中“目标错泛化”的问题：智能体表现得很熟练，却没有追求原定目标。作者在三个Procgen环境和五个机器人任务中发现三种策略与目标失配的形式：目标被替换、策略走捷径、以及原定目标与代理线索相互竞争。研究表明，目标在不同层级丢失，且不同的修复方法只对特定层级有效。
说明高相机运动下世界坐标人体恢复的诊断研究
简介本文提出K-Pop压力测试集，包含相机运动快速且幅度大、多人编舞密集的舞蹈视频。作者发现现有方法单帧人体网格看似合理，但世界坐标轨迹会明显偏离表演者的舞台位置。原因是相机与人体估计各自尺度不一致，二者组合时产生偏差，且随相机位移增大而加重。作者提出闭式修正方法，统一各表演者的尺度，无需重新训练即可适配现有方法。
说明通过注意力引导的表示扰动缓解视频幻觉
简介视频大语言模型常生成与输入视频不符的回答。本文提出ARP-CD，一种无需训练的对比解码框架，依据回答位置对视觉token的注意力，在表示空间中对视觉隐藏状态做有界梯度扰动，构造负样本以削弱视觉依赖。在四个视频大模型和四个基准上的实验显示，该方法在多数设置中优于代表性的无训练基线，减少幻觉并提升通用视频理解能力。
说明基于 DAO 与 JING 的生成式世界模拟：一种持久共享、可持续交互的虚拟世界框架
简介这篇论文提出一个生成式世界模拟框架，把持久的共享世界状态与连续的第一人称视听内容生成结合起来。其中 DAO 是可计算的世界引擎，负责维护角色、物体、空间及其关系，并按照交互规则和世界时间推进世界；JING 是以自我为中心的交互体验模型，依据 DAO 提供的条件生成每位观察者的视听体验。用户通过视角控制和文字指令探索环境、操作物体并与角色交流，其行为会同时影响共享状态和之后的体验。
说明TimeRSI：面向时间序列基础模型的自我改进型智能体部署系统
简介该论文提出TimeRSI，一个围绕冻结预测模型的自我改进部署系统。编码智能体把任务描述转为可执行的流程修改，在历史预测窗口上测试并依据观察到的误差持续改进。部署时，自适应选择器根据相似条件下已完成的预测结果在各流程间做选择。在TIME与fev-bench的198项任务上，TimeRSI在六项点预测和概率预测指标上均优于所有提交结果，受控对比显示反馈引导的迭代修订优于非迭代的流程搜索。
看点用编码智能体迭代修改冻结的时序基础模型流水线，并通过自适应选择器部署，较已有方法有实质改进；在198个任务上验证，证据较充分，对该子领域有实用价值。
说明基于候选集视觉定位的对话歧义识别：在多轮对话中估计与上下文一致的指代对象集合
简介论文指出，现实对话中的歧义话语往往需要结合多轮上下文才能理解，且指代对象可能不止一个。作者提出候选集视觉定位（CSVG）任务，用于估计与对话上下文一致的对象集合，并构建了评测基准 CandVG，考察候选集如何随对话轮次变化。对视觉语言模型的评估显示，更强的视觉定位能力不一定带来更好的 CSVG 表现，模型难以预测完整候选集；使用为 CSVG 设计的指令可在大规模模型上部分缓解这一问题。
说明ONCship：用于船舶识别的大规模水下声学语料库
简介本文提出 ONCship，一个大规模水下声学数据集，包含来自加拿大海洋网络（ONC）水听器与自动识别系统（AIS）数据的 4521 小时整理录音。作者在自监督表征学习、船型分类和 MMSI 级船只分类三项任务上评估了该数据集。实验显示，在 ONCship 与 AudioSet 上联合预训练并经线性探测后，DeepShip 上的分类准确率达 62.45%；将其作为辅助训练数据也能提升船型分类表现。
说明语言模型的可表达性上限：衡量概念能否在两个大模型之间传递
简介论文提出两项衡量工具：一种提示优化算法（在基准上比现有算法高出最多14%），以及让接收方还原发送方提示的传递度量。作者用这些工具测量了八个领域中的1.2k个概念，发现它们可分为可完全表达、未来更强模型可能表达、以及存在表达上限三类。第三类概念与身份和社群意识有关，但这些概念对人类来说并不都困难。
说明通过特权后见蒸馏学习个人科研品味
简介该论文将科研品味建模为研究者个人从标准化评估维度到偏好的映射，并提出特权后见蒸馏方法，训练时利用后续出现的科学证据改进研究提案评估，推理时只使用提案可见信息。论文主要在量子研究领域评估，每位研究者仅需15组两两比较即可捕捉明显不同的个人偏好。互动研究还显示，个性化排序能推出后续用户参与度更高的提案。
说明面向稳健多智能体驾驶策略的不确定性驱动自博弈
简介本文提出一种不确定性驱动的自博弈方法：一半智能体因提高其他智能体的认知不确定性而获得奖励，另一半学习安全驾驶。探索型智能体借助认知不确定性寻找策略薄弱之处，从而自动生成具有挑战性的训练场景。作者报告，该策略在 nuPlan Val14 和 Argoverse 2 上零样本迁移表现优于标准自博弈，且认知不确定性可作为场景难度的校准指标。
说明新模型，旧习惯：多轮对话智能体切换模型时的行为迁移
简介该论文研究多轮对话的LLM智能体在切换模型时，接收模型是否会沿用生成历史记录的模型的推理与行动方式（即行为迁移）。实验发现，直接转移原始历史时这种迁移最明显，而摘要可以大幅减弱。作者据此提出方向与作者身份感知的历史摘要方法DASH，在重复切换实验中，其表现优于直接转移原始历史和简单摘要的基线方法。
说明超越状态容量：为何 Mamba 的检索会失效
简介这篇论文研究 Mamba 模型在上下文检索上落后于 Transformer 的原因。作者在查询先于上下文出现的设置下测试，发现 Mamba 仍明显落后。实验显示选择门控能够影响输出，但门控依赖的相关性信号在深层才逐渐出现，而检索关键层的门控尚未与相关性对齐。
说明SceneAE：在可查询的三维锚定潜空间中生成与重建场景
简介该论文提出SceneAE，把场景表示为由显式三维位置和隐式内容特征组成的稀疏三维锚定潜点云，而非特定视角下的视频潜变量。训练后，该表示可投影并解码为不同相机视角的RGB-D观测，无需为每条相机轨迹重新生成视频。论文称其在生成质量、计算成本和相机可控性方面表现更优。
说明图加性模型：分离特征、拓扑与交互作用的可解释图学习方法（AMIGA）
简介该论文提出 AMIGA 模型，用于可解释的图学习。它用挖掘出的图模式（motif）词表表示图的拓扑结构，并把每个节点的贡献拆分为特征、结构和特征-结构交互三个可加通道。在十个图分类与回归基准上，AMIGA 在多数数据集上优于 GNAN（图神经加性网络），并缩小了与标准黑盒 GNN 的差距。
说明RouteWeaver：将模式选择与执行统一到LLM路由中
简介本文提出RouteWeaver，一种统一的大语言模型路由框架，在单一策略中整合单轮、多轮和智能体等路由模式，并同时学习选择模式和模式内的模型。作者还设计了COMET-GRPO训练方法与渐进式探索策略。在数学、编程、知识、逻辑推理和事实回忆五个领域的评测中，平均准确率为61.4%，相对最强基线提升11.03%。
说明BANGLAPLAN：孟加拉语约束式规划与决策基准
简介该论文提出 BANGLAPLAN，一个包含 1000 道题目、涵盖十个任务类别的孟加拉语基准，用于评估大语言模型在时间、费用、容量和顺序等约束下的规划与决策能力，并包括判断无解的情况。题目以孟加拉国的日常生活和机构为背景，覆盖四种语体，答案统一采用结构化 JSON 格式。作者报告了 11 种模型配置的测试结果，并称不同模型间存在较大差距。
说明Time-JEPA：用物理时间序列为视频世界模型提供物理锚定
简介该论文提出 Time-JEPA，在视频世界模型的微调中加入低维、与视频时间对齐的物理时间序列作为辅助监督，使模型更好地保留物理状态随时间的演变。在自动驾驶、机器人操作和人体运动等多个领域中，相比仅用视频微调的对照模型，它在当前状态解码、多步未来状态预测和运动学重建上均有提升，并在多领域训练中取得总体增益。
说明超鞅证书的运行时监测：在执行过程中检测证书是否被违反的统计方法
简介超鞅证书可为随机动力系统的时间性质提供形式化保证，但这些保证依赖数学模型，部署后的真实系统可能与之不符。该文提出一种运行时监测方法，通过观察单条系统轨迹，在统计证据充分时发出警报。其构造基于博弈式序贯检验，可将误报概率控制在用户指定水平，并利用空间规律提升检测能力。文中在文献中的超鞅证书基准上验证了该方法。
说明ReGRA：用于互补低秩微调的残差梯度自适应方法
简介该论文针对低秩适应（LoRA）方法中增加秩未必提升性能的问题，提出两阶段方法ReGRA。它在第一阶段后，把校准集上的任务梯度投影到第一阶段更新所张成的子空间之外，用残差梯度方向初始化第二阶段适配器，并通过正交性正则化使两次更新互补。作者称，在相同总秩下该方法表现优于其他方法，并能与两倍秩的LoRA持平，且两次更新可合并进预训练权重，不增加推理开销。
说明RuleTrek：复杂场景中智能体规则推理的基准测试
简介大语言模型在专业领域处理复杂任务时，若适用规则的信息分散在多个文件中，难以正确识别和应用规则。本文提出多领域基准RuleTrek，通过结构化规则图构建复杂场景下的子场景，并在交互式工作区中评估规则识别、规则推导和端到端规则推理三项能力。对11个前沿大语言模型的实验显示，最高规则识别和规则推导得分分别只有62.47%和60.43%，端到端得分在26.97%至55.29%之间，说明当前模型在复杂场景规则推理上仍面临很大挑战。
说明共享符号而非向量：无需训练的跨语言模型事实通信
简介论文提出SYNC（符号索引神经通信），让发送方从共享词表中选择词并发送索引，接收方用自身的词方向把事实写入隐藏状态，无需微调或学习翻译器即可连接不同架构的模型。实验显示，在新场景下四个答案的正确率达72.0%至98.3%，部分情形优于中间层写入，两个最大的接收方模型与纯文本表现相当。
说明C3：基于置信度引导的信用修正，用于多轮强化学习中的过程监督
简介论文指出，仅依据最终结果进行的强化学习，可能使成功轨迹中的不良局部行为获得正向的词元级优势而被强化。作者提出即插即用的方法C3，识别对应不良行为的文本片段，在优势估计之后选择性地修正其正向信用，修正强度由行为策略对该行为的置信度自适应控制，任务奖励与原始信用估计保持不变。论文称该方法在多个多轮基准上提升了基于评论家和无评论家两类强化学习方法的表现。
说明ReFormBench：评估大语言模型在回应基础上纠正格式的稳定性
简介该论文提出ReFormBench基准，以模型对同一问题的无约束回答作为格式基线，衡量模型能否在指令变化下纠正这些格式。基准包含5000个三约束测试实例，涵盖66种格式特征。在十个模型上，纠正得分（EMCR）在34.04%至64.72%之间，最高三目标纠正估计为50.02%；合规得分与纠正得分给出的模型排名不同。
说明退火莱维扩散：基于高斯代理逆向动力学的生成模型
简介本文提出退火莱维扩散（ALD），让稳定指数随时间变化，在去噪过程中先用重尾噪声探索、后用高斯噪声精修。作者把稳定噪声表示为标量高斯尺度混合，使模型可沿用标准高斯噪声预测训练，仅多一个尺度输入。文中给出两种采样器，并在二维基准、不平衡九模态混合分布以及 MNIST、CelebA64 和 CIFAR-10LT 上进行了评估。
说明可加估值下连续无嫉妒切蛋糕的PPAD完全性
简介本文证明，对于标准化有理分段常数可加估值，计算完整的连续ε-无嫉妒蛋糕分配是PPAD完全问题。即使ε以一元编码给出，且每个密度函数只取两个相同的值、最多六个断点，困难性依然成立。精确连续无嫉妒分配的计算同样是PPAD完全的。作者还证明，对于任意固定整数c≥1，在路径上计算不可分物品的连续EFc分配也是PPAD完全的。
看点证明了连续无嫉妒切蛋糕计算的PPAD完全性，并给出两值密度等限制下仍困难的强结果，推翻了可解性的常见期望。
说明面向策略优化的函数空间时序自蒸馏（FSPO）：一种利用历史输出分布稳定训练的强化学习方法
简介该论文针对带可验证奖励的强化学习（RLVR）在语言模型推理训练中监督稀疏的问题，提出函数空间策略优化（FSPO）。FSPO以固定的历史下一词分布作为时序目标，无需维护持久教师模型，并加入特权分歧修正、可靠性自适应校准和质量与覆盖感知的时序记忆等机制。论文报告在推理与工具使用基准上平均准确率最高，相比最强基线约提升4个百分点，并在Olmo3-7B-Instruct上将峰值显存从约70GB降至56GB。
说明Interlock：面向长程智能体的从局部正确到任务完成框架
简介该论文指出，大语言模型智能体在长程复杂任务中常出现各部分单独正确、整体却未完成的问题。作者提出 Interlock 框架，用带类型的完成图表示任务，将证据、决策与后续效果之间的依赖关系编译为可重置工作区、公开请求与评估量表。实验中，基于智能体自身通过的轨迹对两个 Qwen3.6 骨干模型微调后，三个外部基准的通过率或得分均有提升。
说明超越分布匹配：监督微调中的选择性边界保持
简介论文提出SRP-SFT方法，在监督微调中对参考分布中排名靠前的非目标词对施加软性间隔约束，以保持局部排序关系而不冻结整体分布。在Qwen3-4B-Base和UltraFeedback上的单轮实验中，该方法在三个随机种子下均优于CE和LP-SFT，MATH-500与代码生成分数均有提升。
说明用联想记忆增强潜在世界模型
简介该论文提出一种记忆增强的潜在世界模型，在JEPA式预测中加入内容可寻址的记忆库，在共享潜在空间的多个时间尺度上学习高层表示。为防止表示坍缩并保证记忆有效使用，作者设计了两种互补损失函数。在PushT、Tworoom、Reacher和OGBCube上的实验显示，该方法以轻量架构取得了较好的性能，在长时程规划任务上优于传统潜在世界模型。
说明MicroSDF：基于微表面理论的混合反射率表面三维重建神经网络
简介该论文提出MicroSDF框架，用神经隐式方法同时建模反射与非反射表面的几何和反射特性，并引入微表面理论。方法包括微表面法线一致性损失、双分支颜色模型以及基于反射先验的颜色融合策略，并采用多阶段优化。作者称其在DTU、Shiny Blender、Ref-NeRF和DeepVoxels数据集上取得了最先进的性能。
说明MCAIR：通过内部表征监测并纠正智能体的不忠实完成行为
简介基于大语言模型的智能体在多步推理和工具调用中可能出现不忠实行为，即最终报告与实际执行轨迹不一致，例如未说明已改用其他来源或策略。论文提出MCAIR框架，利用智能体的多步内部表征训练风险感知探针，在执行中在线检测此类问题，并通过风险引导的纠正循环促使智能体回顾执行历史、减少不一致。作者还构建了ACUD数据集用于训练和评估，实验显示MCAIR优于LLM作为评判者的基线。
说明记忆、回溯与修正：用于长时程三维几何的脚手架记忆
简介论文提出SMORE框架，为冻结的几何基础模型加上可修订的外部记忆，用于从长视频序列估计相机位姿与三维结构。该方法可存储、检索并在发现不一致时修正过去的观测结果。在五个数据集、八种几何模型上的实验显示，SMORE在位姿估计、多视角深度、点云重建和SLAM等任务中均有改进。
说明学习何时信任医学知识：面向临床推理的防退化路由方法
简介本文针对临床推理大模型引入外部医学知识时，检索证据或推理链可能过时、被投毒或包含幻觉，从而把正确答案改错的问题，构建了医学知识投毒基准。作者提出 Med-TrustRouter，这是一个轻量控制器，在保持求解器冻结的前提下，为每个实例逐个选择是否使用外部知识，在七个医学推理设置中提高了最差情况下的准确率。
说明衡量并减少LLM智能体的不可用回复
简介用户把多步骤任务交给LLM智能体，只阅读智能体返回的回复。本文提出“回复可用性”概念，用模拟请求者视角的读者模型进行评估，检验回复能否被理解、是否使用请求者的语言并回答问题。在8个模型、480条回复的测试中，54%的回复不合格，表现最好的模型仍有30%不合格。作者称，明确回复要求，或用二级模型改写回复，都能降低不合格率。
说明HACHIMI-II：从角色扮演到学习者行为建模，实现更可靠的模拟学生
简介该论文提出 HACHIMI-II，用于构建模拟学生，以便在真实学习者出现之前测试辅导系统和教学策略。作者不让大模型扮演学生，而是根据学习者的历史建模其状态，并预测其下一步行为。在三个题目作答数据集和两个对话数据集上，该方法在能力分布和真实错误复现方面均优于最强基线。
看点将学生模拟从角色扮演转为学习者行为预测，引入显式学习者状态与行为约束，较新颖；在多数据集上相对最强基线有明显提升并有消融支持。
说明零阶非凸优化中全局联合下界研究
简介该论文研究零阶非凸优化方法的理论下界，回答了 kornowski2024 提出的问题：其复杂度对维度 d、非光滑参数 δ 和精度 ε 的依赖是否联合最优。作者在全空间、自适应查询、可复用样本的标量预言机模型下，证明了平滑随机非凸优化的下界 Ω(dL0²min{ΔH,L0²}/ε⁴)，并通过归约得到 Goldstein 驻点的匹配下界，同时给出无噪声精确值情形下对随机和确定性算法均成立的下界。
看点证明了零阶非凸优化中维度、δ与ε依赖的联合下界，填补公开问题，理论严格但影响限于理论界。
说明SPECTRA-VLA：在冻结的视觉-语言-动作接口上实现基础-精细高光谱令牌迁移
简介该论文提出SPECTRA-VLA，在不重新训练视觉编码器和动作解码器的前提下，为预训练视觉-语言-动作模型加入高光谱信息，以区分外观相似的物体。在86次留出采集的测试中，类别平衡准确率从0.812提升至0.883，并通过多项测试验证了光谱形态的恢复效果。
说明利用海冰浓度数据绘制北极冰间湖：阈值与产品选择的敏感性分析
简介该论文提出一种基于层次分区、连通分量分析和差异化区域生长的每日海冰浓度制图框架，用于识别北极沿岸冰间湖与开阔水域。在2002/03至2024/25年的9月至次年5月冰季应用该框架，63幅影像的视觉评估平均总体精度为96.74%，平均Kappa系数为0.93。研究发现，依海冰浓度定义的冰间湖面积绝对值对参数设置很敏感，而主要时间特征相对稳定。
说明类型化决策模型的选择性推理：何时开始、读取与停止
简介本文提出一种针对类型化决策模型的推理接口，在冻结的 Qwen3.5-4B 主干上训练共享的候选答案读取器，使直接决策与按需、可中断的推理统一。系统通过收益门控决定是否开始推理，通过熵规则接受已获得的答案并取消生成。在 ProofWriter、LogiQA 2.0 和 ARC-Challenge 的 768 道题上，准确率由直接读取的 70.96% 提升至 84.38%。
说明只建模与决策相关的内容：面向语言智能体的决策引导选择性世界建模
简介该论文提出DGS-WM方法，用于训练基于大语言模型的智能体。它不再把完整观测一律作为世界建模目标，而是先筛选出对后续策略决策有支持作用的观测单元，并根据模型对目标的预测置信度自适应调整监督强度，与强化学习损失联合优化。实验覆盖单跳与多跳问答及交互式网页任务，在不同模型规模和强化学习算法下，相比全观测世界建模方法表现更稳定。
说明基于转化规则合成反应数据、用于生物降解路径预测的图到序列预训练
简介观测到的生物降解反应数据稀缺，限制了产物与路径预测模型的训练。论文提出enviGraph框架：用环境转化规则在PubChem、NORMAN SusDat和EPA DSSTox的结构上生成并整理合成反应数据（共776,851对母体-产物），预训练图到序列预测器，再在观测环境反应上微调。实验显示，合成预训练在EAWAG BBD数据集的单步与多步预测中PR-AUC最高，但在Soil和Sludge数据集上，多数情况下USPTO预训练的结果更高。
说明J-tau：面向工具-智能体-用户交互的完整日语本地化基准
简介本文提出 J-tau，这是首个公开可用的日语基准，用于评估在交互式客服场景中调用工具的大语言模型智能体。原始 tau-bench 以英语为中心，并存在两个缺陷：部分任务无效，以及分数汇总错误导致某些模型成绩被高估。作者通过机器翻译、实体本地化和人工审核完成本地化，并修复了这两个问题。实验显示，J-tau 的评估错误少于单纯机器翻译的版本，且修复有效。
说明稀疏自编码器作为符号匹配的共享坐标系
简介本文提出SAE-IDF方法，用稀疏自编码器把符号在原语境中编码为稀疏向量，再按稀有度重新加权后跨系统匹配，以尝试统一不同符号系统的单元。作者在6类符号系统的12项任务上，以Gemma-2-9B和Llama-3.1-8B进行测试，结果显示该方法在多数任务上优于同一LLM的稠密基线，且稀疏编码的每一维都具有可读含义，便于解释匹配结果。
说明《Eye, Robot》：借助视觉语言模型引导的 Transformer-VAE 学习富有表现力的注视动态
简介论文提出一套人形机器人注视系统：视觉语言模型选择场景中的目标，感知模块保持注视，Transformer-VAE（RGT）生成朝向目标的头部与眼部协调运动，并用人类录制数据训练。在两秒基准测试中，RGT-Base 的七关节整体 MSE 最低，实物演示展示了完整流程。作者称其运动学还原度与实时推理已得到验证，而感知自然度与开放词汇目标选择准确率仍待受控评估。
说明面向机器学习原子间势的风险可控DFT选择方法
简介自动化材料发现需要评估大量候选构型，而密度泛函理论（DFT）计算速度慢。本文将何时信任预训练机器学习原子间势（MLIP）、何时回退到DFT的决策建模为风险可控选择问题，在共形风险控制（CRC）框架下求解。方法仅依据原子序数和笛卡尔坐标计算的几何描述符预测MLIP与DFT的偏差，并据此设定DFT标注阈值。与委员会基线相比，该方法在相同保证下将送往DFT计算的构型减少7%至14%。
说明自条件化使流匹配能够进行深层序列推理
简介本文研究通过图像生成进行视觉推理，指出在电路复杂度视角下，普通流匹配采样器的每一步并不必然增强推理能力，其轨迹可由常数轮并行模型评估模拟。作者证明，引入自条件化（把上一步对最终图像的估计作为条件）能打破这一瓶颈；实验显示该方法准确率和推理深度更高，且性能随采样步数增加而提升。
看点证明了普通流匹配采样轨迹可被常数深度并行计算模拟，并揭示自条件化打破该瓶颈，理论新意突出，实验覆盖多类视觉推理任务。
说明DAGFormer：为Transformer跨层连接做全局拓扑预测
简介论文提出DAGFormer，一种在标准残差连接之外加入早期层到后期层直接连接的Transformer语言模型，并由联合训练的拓扑预测器根据输入词元决定每条连接的强度。与逐层单独设定连接的已有方法不同，它一次规划整个模型的路由。在75M至1B参数的OLMo-2配对实验中，其WikiText-2困惑度比普通Transformer低17%至25%，且在13项评测任务和指令微调中也表现更好。
看点提出全局规划跨层连接的拓扑预测器，相比逐层路由有新意；在多规模、多任务、指令微调与剪枝上有较充分对比实验。
说明面向主动视觉识别的自适应观察控制
简介视觉识别模型通常在固定视角和固定计算预算下处理图像，但不同图像其实需要不同的尺度和空间证据。本文在 AdaptiveNN-DeiT-S 的固定步数识别框架上加入可控观察接口，让模型同时自适应地调整每次注视的视野范围和注视次数。实验表明，该方法在与固定步数基线相当的精度下提供了可控的观察预算，并可通过阈值实现精度与计算量的权衡而无需逐阈值重训练。
说明MagicGarment：单张图像独立三维服装重建基准
简介该论文提出 MagicGarment，一个面向单张图像独立三维服装重建的基准，包含 1,518 个专业制作的资产，涵盖 17 种复合服装类型，并配有对齐的多模态标注与统一评估协议。作者还基于预训练的图像到三维主干网络，提出了服装感知的参考基线，包括 GSR 与 FTR-LoRA 两种适配方式。实验表明该基准具有实用价值，且服装感知适配有效。
说明AI决策模型是否存在偏见？以Jev为例的案例研究
简介本文评估了一个被描述为快速决策系统的AI模型Jev，使用41,500次回答测试认知反射、五类经典认知偏差以及涉及种族和性别的定价实验。结果显示其在多数选定答案上表现良好，但对无关数字和选项顺序敏感，且多个认知偏差操纵会显著改变其输出概率。作者还发现其在一道概率题的改编版本中，于30项合取任务的15,000次回答中有54%违反了相关概率规则。
说明基于指令的机械臂运动控制：语言到代码分解与强化学习
简介论文提出指令条件运动控制（ICMC），把参数设定、指令生成和代码合成分开，使执行结果可追溯到指令和程序。作者在 MuJoCo 中用 UR5e 机械臂比较了单次生成与 ICMC 在方块抓放和字母排列任务上的表现，并用 GRPO 训练开源指令策略。训练日志中的正奖励比例从 31.6% 升至 35.3%，但日志审计发现部分正向标签对应几何失败信息，作者因此区分了日志奖励率与独立验证的任务成功率。
说明分化路径：学习LLM智能体轨迹的结果预测表示
简介本文将智能体的执行轨迹视为动作与环境观测所构成共享嵌入空间中的路径，发现同一任务的成功与失败轨迹在该空间中会分开，简单的单任务判别器可在三个智能体基准、三种策略模型上以最高0.95的AUROC预测结果。作者提出基于Transformer的Precog-RM模型，通过元学习获得可少样本预测结果的表示，它能泛化到未见过的任务与模型，并在轨迹结束前给出可靠预测。将其用作GRPO训练的早停控制器时，可在Tau2-Bench上将训练FLOPs降低最多47.3%，性能与基线GRPO相当。
说明我们真的在衡量遗忘吗？评估多模态大模型机器遗忘的陷阱
简介该论文指出，现有多模态大模型机器遗忘的评估基准多沿用纯文本场景的协议，存在三个问题：缺少留出评估、依赖微调植入的合成知识、以及对不同方法使用相同训练设置导致比较不公平。作者提出基准GEMMU，基于真实世界知识并设计了评估协议。在该基准下重新评估代表性方法后，发现明显的泛化差距，并对以往基准得出的结论提出质疑。
说明多图像模式应用中的瓶颈在哪里？析因式预言干预揭示实例信息瓶颈
简介本文研究视觉语言模型在16张图像序列中，定位两个目标角色、识别其视觉属性并据此生成两个有序代码名的任务。作者采用2×2析因预言设计，分别提供文本规则和有序目标外观信息，结果显示后者带来的准确率提升远超前者。研究认为，主要可恢复的缺陷位于上游的有序实例识别环节，而非下游的规则应用与组合。
说明CORE：一种无需训练、基于自监督提示优化的工业异常样本合成方法
简介工业异常检测因异常样本稀缺而受限，因此高保真的异常合成很重要。本文提出CORE框架，基于大型多模态模型（LMM），无需训练即可在零样本与单样本设置下合成异常，并通过自监督的对比与反思机制自动优化提示。在MVTec-AD和VisA数据集上的实验表明，该方法合成的异常真实且多样，并能提升下游异常检测性能。
说明《二十天之后》：基于历史数据预测 Gemini 回答中品牌提及率的预注册检验
简介本文用预注册方式检验：根据过往回答统计的品牌提及率，能否预测大语言模型 Gemini 在数周后的回答中是否提及该品牌。研究用 54 个问题（英语、爱沙尼亚语、芬兰语，涉及三类软件）重复发送请求，并在 20.3 天后再次测试。结果显示，基于历史的预测在各项对比中表现更好，且在所有问题类别中一致成立，但测试仅涵盖一个模型、一个时间段和十二个已知品牌，未估计衰减速率。
说明PN-Mix：基于配对范数引导的混合精度键缓存量化，用于高效长输出大模型推理
简介长输出的大语言模型推理受到KV缓存内存和带宽的严重限制，低比特量化会明显降低准确率。本文提出PN-Mix方法：在预填充阶段识别重要的RoPE通道对，并分配更高精度，解码阶段复用该分配。实验显示，平均2.26比特的PN-Mix在多个基准上取得与2.32至2.39比特的已有方法相当或更好的平均准确率，并在低至1.5比特时性能下降更平缓。
说明超越静态位置编码：面向非平稳长期时间序列预测的贝叶斯时间感知注意力
简介该论文将自注意力解释为关注位置上的贝叶斯后验，并推导出描述位置编码作用的群体级证据下界。作者指出静态位置编码在时间依赖结构变化时可能不够理想，据此提出贝叶斯时间感知注意力（BTA），用混合专家路由器自适应组合时间核，生成依赖输入的位置偏置。实验表明，BTA 在多种 Transformer 骨干上提升了长期预测性能。
说明PA1-OPD：面向语言模型预训练的单步前缀增强在线策略蒸馏方法
简介该论文提出PA1-OPD方法，在传统基于语料路径的知识蒸馏之上，对每个选定前缀采样一步学生模型转移，并获取教师反馈，以覆盖学生预测所诱导的上下文。在两种持续预训练设置中，该方法在C4、PG-19和Pile上的保留集交叉熵均优于知识蒸馏基线。
说明超越出处归属：LLM构建的学术知识图谱中的作者地址与可比性判定
简介本文讨论知识图谱中证据地址的稳定性问题：同一名称下的记录可能指向边界、层级或计数标准不同的对象，因此仅核对引文并不足以发现差异。作者区分了用于检索的工作地址、来源所定义的类别，以及将段落纳入某一比较的判定，并主张这些判定与记录间的依赖关系应被视为比较来源信息的一部分。文中以汉语方言学（粤语）为例，并介绍了PaRAGraph案例集及平台如何存储这些判定。
说明JevCoder：代码修复中何时委托决策更划算
简介该论文研究代码修复智能体在修复过程中哪些决策可以交给低成本的概率判断器（Jev），以减少token消耗并保持修复质量。作者比较了无引导修复、用修复模型自身做判断器等方案，并据此提出JevCoder工作流，结合代码片段推荐与动作类型指导，用判断结果决定何时提交。在SWE-bench Verified与SWE-Bench Pro Verified各200个任务上，相比无引导修复，JevCoder使修复模型的平均token用量降低21.6%至50.6%，三种模型的观察修复率也更高。
说明InstructPro2：基于自然语言与生物学约束引导的从头蛋白质设计
简介本文提出InstructPro2模型，可将自然语言形式的设计目标转化为蛋白质序列，并融入配体和抗原等任务相关的生物学信息。研究团队从UniProtKB构建了包含2.057亿组功能描述与蛋白质配对的预训练数据集，并将模型适配到配体结合蛋白和抗体设计。结果显示，在功能蛋白生成基准上其功能召回F1为74.8，优于基线模型Pinal的62.2，全局RMSD由5.33Å降至3.04Å；抗体设计DockQ为0.39，配体结合蛋白设计对接成功率为72.6%。
说明L3M：一个可验证的、能自我扩展与自我改进的智能体运行框架
简介这篇论文提出 L3M，一个用 Lean 4 编写的运行时与框架，用于支持智能体持续工作并自我扩展。所有状态保存在 Git 中，可恢复、回滚、分叉和合并。智能体可把推理出的流程写成经过验证的 Lean 程序并作为工具提供；工具的审查等级依据其效果的可撤销程度确定。在 Terminal-Bench 上，未经调优的 L3M 仅使用无需人工审查的安全工具，即可达到使用不安全 shell 工具时约三分之二的通过率。
说明JockeyBench：评估大语言模型智能体在赛马决策中的表现
简介本文提出 JockeyBench 基准与评估协议，以日本历史赛马数据研究重复性事件预测问题。协议包含按时间限定的证据、有成本的工具以及两种工作流程，并区分预测质量、基准净效用与回溯投注收益和风险。研究对 28 种模型与框架配置在 324 场比赛上进行测试，结果显示所有配置在封顶凯利结算下平均利润均为负，且两种工作流程平均都亏损。
说明用投影的Wasserstein-Fisher-Rao流估计Hawkes过程的背景强度
简介本文研究在触发机制已知的情况下，估计Hawkes过程背景强度的问题，将背景视为具有正则密度的未知有限正测度。作者提出基于似然的变分方法，采用Wasserstein-Fisher-Rao几何，并通过投影到统计流形上给出有限维的动力学方案。论文在若干条件下给出条件一致性定理，并针对高斯混合流形推导出显式的有限维算法。
说明道德对抗：利用道德基础理论越狱大语言模型
简介该论文提出一个基于道德基础理论的多智能体框架，尝试把原本会被拒绝的有害请求重新包装成“符合道德”的表述，并附上类似的道德重构先例，以绕过大语言模型的安全防护。作者在三个知名越狱数据集的有害提示上，对五个开源与闭源模型进行了评估。结果显示，模型很容易被道德化重构影响，单次尝试的越狱成功率较高，多次尝试后成功率还会上升；此外，现有安全基准在所针对的道德基础上并不均衡，主要集中在模型本身已有偏见的基础上。
看点将道德基础理论用于越狱攻击，提出多智能体道德重构框架；在三个数据集、五个模型上评估，单次及多次尝试成功率高。
说明论文说明：谁写了这段文字？面向分布外场景的稳健模型作者归属
简介论文关注判断一段文本由哪个大语言模型生成的问题（模型作者归属），这对防范学术不端、模型蒸馏和网络攻击等风险有意义。作者提出 ATLAS 方法，通过比较文本在各来源模型条件下的似然来归属，并推出 MAABench 基准。在领域与模型版本同时变化的设定下，ATLAS 准确率为 74.27%，高于最强基线，并能识别蒸馏模型的教师模型。
说明XferAgent：面向自我改进型大语言模型智能体的跨智能体经验迁移
简介该论文提出XferAgent框架，让不同大语言模型智能体之间共享和复用任务执行经验。它用本地经验图和共享经验图组织经验，合并兼容的贡献并避免不可靠的合并，为新任务选取共享经验并与本地经验整合。实验显示其优于代表性的基于记忆的方法，并能在异构智能体框架之间有效迁移经验，累计任务成功率随任务轮次增加。
说明弥合拓扑鸿沟：利用语义先验的双分支图蒸馏方法，用于稳健的冷启动推荐
简介该论文针对推荐系统中新物品缺乏交互数据、在图协同过滤模型中表示容易崩溃的冷启动问题，提出双分支图知识蒸馏框架DualGCN。框架先用拓扑平滑的语义先验训练协同教师网络，再由语义学生分支通过残差映射和基于余弦的蒸馏目标实现跨模态对齐，并引入动态范数重建来校准检索时的物品尺度。作者称在三个真实数据集的严格冷启动场景中优于现有基线，同时保持高活跃物品的推荐准确率。
说明跨时序图表示孤岛的学习迁移研究
简介该研究探讨从关系历史中学到的预测结构能否在连续时间动态图（CTDG）与时序知识图谱（TKG）之间复用。结果显示双向复用可以成立，且同一表示形式的数据源未必更有用；对源历史的受控重组表明，促成复用的组织方式因源与目标条件而异。研究还表明，两类独立预训练的模型可在分数层面融合，在第三个数据集上提升预测效果，且无需实体或关系语义对齐。
说明后验采样的固有差分隐私：统一的 Rényi 散度框架
简介本文提出一个统一的 Rényi 散度框架，用于刻画从贝叶斯后验分布采样所固有的差分隐私保证，而无需额外注入噪声。作者证明单次后验采样（OPS）的隐私损失由单条记录对数似然比的后验指数矩决定，并在有界、次高斯或次指数尾部条件下给出显式保证。该框架应用于分类似然、高斯共轭、指数族广义线性模型及带高斯先验的线性回归等模型，结果涵盖并改进了已有的 OPS 隐私界。
说明基于分歧路由的语言模型在线策略蒸馏（DrOPD）
简介该论文研究语言模型的在线策略蒸馏，即学生模型沿自身生成的轨迹向教师模型学习，通常以反向KL散度为目标。作者发现，基于分歧的位置路由比基于熵的路由更能定位造成师生性能差距的位置，并发现高JS散度位置存在教师模式覆盖不足的问题。据此提出DrOPD：在所有位置保留反向KL监督，仅在高JS散度位置额外加入前向KL监督。在六个数学基准上，DrOPD优于标准OPD和基于熵的路由，并将严重覆盖不足的情况相对OPD减少37.9%。
说明LED-BENCH：大幅面工程图纸理解基准测试
简介论文提出 LED-BENCH，一个涵盖机械、建筑和交通领域的多学科基准，用于评估多模态大模型对大幅面工程图纸的细粒度理解和复杂推理能力。对11个代表性多模态大模型的评测显示，最佳模型平均准确率为52.65%，各领域表现不一，且需要整合更广泛证据的问题上所有模型表现都更差。
说明几何核多样性：欧几里得空间中满足公理的多样性度量
简介该论文研究如何为一组对象的多样性提供可靠且高效计算的度量。作者提出几何核多样性（GKD），为每个点构造径向核实体并计算其并集体积，证明其在欧几里得可实现的输入上满足单调性、唯一性和连续性三条公理。文中给出 d≤3 维的精确多项式时间算法，以及任意维度的随机化近似算法，并指出已有的两种满足公理的度量在该受限域上仍为 NP 难。
看点提出满足三条公理的欧氏几何多样性度量GKD，并给出低维精确多项式算法与随机近似算法，同时证明已有度量的NP-hard与无FPRAS结论，新意明显。
说明INTACT：在冻结的骨干模型上引导潜在推理
简介该论文提出 INTACT 方法，用一个小型外部编码器在冻结的大模型上诱导潜在推理：编码器把骨干模型的隐藏状态映射为连续的潜在块，形成潜在推理前缀，之后冻结模型以文字完成其余推理与答案。方法先通过蒸馏训练编码器，再以答案正确性进行强化。在 1B 至 8B 的四个骨干模型上，GSM8K 与域外平均准确率均有提升，并在 Llama-3.2-3B 上将单题端到端延迟降低 19%。
说明Frame Evidence：多图空间推理中参考系与视觉证据的基准测试
简介该论文提出 Frame Evidence 基准，包含 320 组配对样本和 960 道中文选择题，题目基于拍摄和渲染的场景。基准考察模型在参考系改变或图像证据被删减时，回答是否依然正确。结果显示，单题准确率较高的模型在三个参考系上的联合正确率仍然很低，少样本提示和任务适配也未能稳定提升联合正确率。
说明SaTPO：基于转移偏好优化的文生图安全对齐方法
简介本文提出SaTPO方法，在扩散模型去噪过程中逐步进行安全对齐，以抑制有害图像内容并尽量保持正常生成能力。作者利用不安全提示词与其安全改写版本在共享中间状态下构成的偏好对进行优化，并加入多尺度漂移约束与良性回放。在Stable Diffusion v1.5和SDXL上的实验显示安全与质量的权衡有所改善，同时构建了数据集CoProPV。
说明REWIND：基于不确定性引导的推理轨迹修复方法（测试时推理）
简介该论文指出，生成推理中的早期错误会影响后续所有推理，而随机选择重新生成位置的重复采样方法效果有限。作者发现，在MATH500数据集上，错误回答的平均词元熵明显高于正确回答，提示熵可以反映推理错误。基于此，作者提出无需训练的REWIND控制器，利用熵的变化有针对性地重新生成后缀，并在三类模型和五个基准上优于所有基线方法。
说明τ-Emotion-Bench：通过真实用户情绪揭示大语言模型智能体在交互中的脆弱性
简介该论文提出 τ-Emotion-Bench，一个涵盖十个领域的基准，用于在保持任务目标不变的前提下，考察工具调用智能体在受控情绪用户交互中的表现。作者还提出 Tracer 数据生成流程，并以允许不满用户终止低效交互的方式筛选训练轨迹。实验显示前沿智能体仍不够可靠，Tracer 生成的监督数据能提升 Qwen3 模型并可迁移到其他基准。
