On the Monitorability of Natural Language Autoencoders: Identification vs Discrimination
说明自然语言自编码器的可监控性：辨认与区分
简介该论文研究用于监督语言模型的自然语言自编码器（NLA）。其中解释器用英文描述激活向量，重构器再将解释还原为向量。作者认为训练与监督属于两种不同的指称博弈，并在一个公开模型上发现：真实解释能胜过其他激活的解释，但只有60.2%的概率胜过仅差一个论断的流畅假解释。
Code-Switching Detection via Language-Selective Dimensions in Speech Foundation Models
说明基于语言选择性维度的语音基础模型语码转换检测
简介语码转换指一句话中混用两种语言，在多语语音中很常见，但在预训练语料中占比不足。本文提出一种轻量方法，直接从语音中检测语码转换：利用单语录音找出预训练语音编码器中的语言选择性隐藏维度，并将其逐帧激活汇总为判断结果。在 CS-FLEURS 的 14 个语言对上，Whisper-small 编码器的平均 F1 为 0.798，高于 CNN 的 0.776 和 HuBERT 线性基线的 0.751。
★★★★☆ 值得关注
Learning Source Structure: Bayesian Prediction with Transformers
说明学习源结构：用 Transformer 做贝叶斯预测
简介论文研究在每次都重新抽取源参数的序列上训练的 Transformer，发现它只能学到各序列共有的部分，即源族及其先验。作者提出知情贝叶斯预测器（informed Bayes），由源族和先验即可计算，用作可检验的定量参考。实验覆盖至多 64 个符号的马尔可夫源，结果显示该预测器能预测 Transformer 在若干测试中的表现，小模型在结构可见时可与之匹配。
看点提出以“informed Bayes”作为可检验参考，预测训练后Transformer在分布外源、混合与复制等四项测试中的行为，并在最多64符号的马尔可夫源上给出定量验证。
AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface
说明AIRRI：面向人类可读、抗机器识别的阅读界面
简介本文提出AIRRI框架，用于生成抗机器识别的教育材料，并构建了一个高等教育作业数据集进行评估。AIRRI结合字符间距、行距、透明度变化等图像变换，以及RayS、SurFree、ADBA等决策式对抗攻击。实验显示，它显著降低了Tesseract、EasyOCR和GOT-OCR2的文字提取准确度，因此有望提高借助AI完成作业的难度。
On Collusion-Free Teaching in Planar Graphs
说明平面图中的无冲突教学研究：闭邻域概念类的教学维度上界与复杂性
简介该论文研究在满足Goldman–Mathias防共谋准则的模型中，无冲突教学维度（NCTD）与VC维度的关系，这是学习理论中一个未解的基本问题。作者针对平面图闭邻域概念类，证明其NCTD的紧上界为2，从而验证了该类上的相关猜想。对于只包含正例的变体NCTD+，给出紧上界4。此外，证明判定NCTD+或NCTD是否至多为1是NP完全问题。
Steertuning Policies from a Few Human Videos
说明Steertuning：用少量人类视频微调机器人策略
简介该论文提出 Steertuning 系统，使机器人能用 5 段人类示范在新环境中学习新任务。系统先在约 100 小时人类第一视角交互数据上预训练一个 4 亿参数扩散策略，再用新任务的示范微调约 2 分钟，并在采样时用与部署环境观测最接近的示范引导动作。论文报告在 12 个新环境、12 项任务上成功率为 71%，从采集数据到部署不超过 5 分钟。
Unlocking Token Rewards via Training-Free Reward Attribution
说明无需训练即可从奖励模型中提取逐词奖励的方法
简介论文提出一种无需额外训练、直接从现有深度奖励模型中提取逐词（token级）奖励信号的方法。该方法用一阶泰勒近似和梯度估计每个词的影响，只需一次前向和反向传播。实验显示，在推理基准上，所提方法（P2T）相比结果奖励在 MathVista 上提升 4.9%，在 AIME24 上提升 11.5%。
UniW(A)M: A Unified Mixture-of-Experts Framework for World and World-Action Models
说明UniW(A)M：面向世界模型与世界-动作模型的统一专家混合框架
简介世界模型用于预测未来画面，世界-动作模型用于生成可执行的动作，两者通常分开训练，难以复用知识。本文提出UniW(A)M，基于扩散Transformer的专家混合模型，统一动作条件世界建模与多种世界-动作模型变体，并设计即插即用的自适应接口路由器PAIR，在冻结主干的情况下为每个执行片段选择合适的接口。在LIBERO、RoboTwin 2.0及三项真实操作任务上，真实任务平均成功率为88.3%，最强基线为76.7%。
CryoTracer: A Synthetic-to-Real System for Filament Instance Tracing in Cryo-EM
说明CryoTracer：面向冷冻电镜中丝状结构实例追踪的合成到真实系统
简介冷冻电镜中的丝状结构常被当作独立颗粒的检测问题处理，但包围框难以表示可延伸整张显微照片的丝状结构。本文提出CryoTracer，以程序化合成显微图像预训练、基于Transformer的折线预测，并用少量真实标注显微照片微调。模型以有序中心线折线表示丝状结构，并使用与方向无关的离散Fréchet目标进行优化。在已有及新标注的数据集上，该方法在实例级丝状结构恢复上优于现有颗粒检测方法。
A Refresh Interval Does Not Fully Specify a Refresh Schedule: Learning-Rate-Dependent Placement in Kronecker-Preconditioned Language Model Training
说明刷新间隔并不能完全确定刷新时间表：Kronecker 预条件语言模型训练中学习率相关的刷新时机
简介该论文研究 Kronecker 预条件优化器中曲率特征分解的周期性刷新：在刷新次数固定时，刷新发生的时机会在相同计算量下影响验证集损失。在 GPT 风格模型（Mousse 优化器）上，中间刷新时机的变化在 FineWeb 数据上随学习率升高出现排名反转，因此只用单一学习率比较可能得出相反结论。作者建议完整报告刷新时间表，并在实际使用的多个学习率上比较。
GeoReader: Learning Latent Geometry for Spatial Reasoning in Vision-Language Models
说明GeoReader：为视觉语言模型学习可用的潜在几何表示
简介该论文针对视觉语言模型在RGB图像中难以理解度量和多视角空间关系的问题，提出GeoReader框架。它训练轻量的几何读取器生成连续输入令牌，并借助冻结的视觉语言模型解码的几何描述进行监督，使模型能直接从这些几何令牌回答空间问题。论文报告在MindCube-Tiny等空间推理基准上取得了较高准确率。
Orientation Estimation of Cryo-EM Images for Molecules with Arbitrary Symmetry by Semidefinite Programming
说明用半定规划估计具有任意对称性分子的冷冻电镜图像取向
简介本文将 Bandeira 等人（2020）提出的非唯一博弈框架扩展到对称结构，把带有对称元素的取向估计问题转化为一个凸优化问题，并用半定规划松弛与交替方向乘子法求解。与针对特定对称群的现有方法不同，该方法为所有点群对称性提供统一的计算框架。作者在模拟与实验数据上验证了算法，并表明它能从少量实验类平均图像中生成高质量的从头模型。
Just Respect the Semantics: Image-Token Compression via Pre-LLM Semantic Variable-Resolution Tokenization and In-LLM Relevance Pruning
说明《Just Respect the Semantics》：基于语义的图像令牌压缩方法（Varest）
简介该论文提出 Varest，一种在多模态大模型中压缩图像令牌的方法，目的是在减少计算量的同时保留语义。它在进入语言模型前，依据物体与文字区域对图像进行可变分辨率合并，并在解码器早期处理后通过学习得到的关系寄存器剪除视觉令牌。论文在三种骨干模型与13个基准上评测，报告在平均性能保留上优于15个基线，平均保留完整令牌性能的86.10%至92.33%，而图像令牌数量仅为原来的5.56%（按层平均）。
RSIgen: Reciprocal Self-Improvement for Agentic Visual Generation
说明RSIgen：面向智能体视觉生成的互惠式自我改进框架
简介论文提出 RSIgen，用于智能体式视觉生成。该方法通过动态责任路由判断应由智能体还是生成器学习，并在生成器更新后刷新智能体的动作监督，再据此构建递归课程。在 BAGEL、Qwen-Image 和 Wan-Image-7B 上，相较带动作成本的三轮 SearchGen 改编方法，RSIgen 在 AgentGen-Bench Full Overall9 上提升 3.2 至 3.3 分；200 条真实用户请求的盲评中，任务完成与视觉质量的偏好得分分别为 70.0% 和 64.9%。
RadarGSOcc: Doppler-Aware 3D Semantic Occupancy Prediction Using 4D Radar Tensor with Geometric-Semantic Feature Extraction
说明RadarGSOcc：利用4D雷达张量与几何-语义特征实现多普勒感知的3D语义占据预测
简介本文提出RadarGSOcc框架，直接处理4D雷达张量，分别提取几何与语义特征（含多普勒信息），并以可变形注意力的几何精化模块为关键组件，用于自动驾驶的3D语义占据预测。作者还构建了K-Radar 3DSemOcc基准，基于K-Radar数据集并使用精修的激光雷达标注。该方法在51.2米范围内预测15类，加权mIoU为25.5%，优于RadarOcc，且参数更少、计算量更低。
Knowing the User Is Not Knowing What We Established: Grounding Awareness in Personal Agents
说明了解用户不等于了解双方已达成的共识：个人助理中的“共识意识”
简介这篇论文指出，个人助理的记忆研究多关注用户的知识、偏好和需求，但记住用户并不等于掌握双方已经确认的安排。作者提出“共识意识”概念，并构建受控基准，测试智能体能否区分用户已接受、未确认、已修改和有范围限定的安排。研究发现，记忆能力强并不保证具备共识意识，而且记住未确认的建议可能被当作用户指令执行；作者还提出了无需训练的轻量扩展“Grounding Layer”来改善这一问题。
★★★★☆ 值得关注
ProAS: A Progress-Aware Advantage Shaping Framework for Multi-Turn Agentic Reinforcement Learning
说明ProAS：面向多轮智能体强化学习的进度感知优势塑形框架
简介论文指出，GRPO等无评论家强化学习算法把轨迹级优势平均分配给每个动作，存在信用分配不精细的问题。作者提出ProAS框架，利用动态演化的智能体参考图（ARG），通过屏蔽不合理激励（MUI）和非对称惩罚重分配（APR）实现细粒度信用分配。在ALFWorld和WebShop上的实验显示其提升了基线表现，并加快了训练收敛。
看点提出基于进度感知的优势整形，用动态参考图做细粒度信用分配，在ALFWorld与WebShop上多基线验证，有实质改进。
Model-Based Online Decision Making via Generative Trajectory Planning
说明基于生成式轨迹规划的模型化在线决策
简介该论文提出生成式轨迹规划（GTP）框架，用于在线决策。方法以生成模型作为动作序列的提议分布，从扩散先验中采样候选序列，再用学习到的动力学、奖励和价值模型加以优化。作者称，在连续控制和长时程操作任务中，GTP与现有无模型、扩散策略及基于模型的基线方法相当或更优，并在强基线性能下降的情况下保持稳定。
From Relation-Specific Heads to Shared Interventions: Contextual Entrainment in Language Models
说明从关系专属注意力头到共享干预：语言模型中的上下文引导效应
简介该论文研究大语言模型在回答问题时会误用前文无关词汇的现象（称为上下文引导）。作者通过消融注意力头来减少该现象，并比较这些头在同一语义家族、不同语义家族以及混合关系之间的迁移效果。结果显示，许多注意力头在不同关系子类型的搜索中被反复发现，共享干预可在减少有害复制的同时，保留正常的关系补全与简单上下文能力。
SMI: Ontology-Grounded Semantic IDs for Hierarchy-Aware Medical Concept Representation
说明SMI：基于本体的语义标识，用于感知层级结构的医学概念表示
简介这是一篇发表于 arXiv（cs.CL、cs.AI）的论文，提出无需训练的 SMI 框架。该框架以专家定义的医学本体为依据，为诊断、操作和药物等概念构建由粗到细的语义标识，并聚合冻结的生物医学语言模型嵌入来形成层级感知的概念表示。论文称在 MIMIC-IV 和 eICU 数据集上，该方法在死亡率、再入院、药物推荐等临床任务中有所提升。
Perception Beyond the Visible: Incompleteness-Aware Scene Understanding for Robot Autonomy
说明超越可见范围的感知：面向机器人自主的不完整性感知场景理解
简介这篇论文提出一种面向机器人自主的研究构想，关注感知系统在遮挡、遇到新物体和传感器退化时的不完整性问题。作者围绕证据不完整、知识不完整和传感器可靠性不完整三个挑战，介绍了非可见区域感知、语义占据预测、开放世界场景理解、少标注学习和不确定性引导的多模态融合等研究方向。论文还展望了以信念为中心的4D场景表示，以及让机器人通过主动感知和安全适应降低不确定性的策略。
Known-Voice Cloning and the Limits of Personality Transfer for Character Design
说明已知声音克隆与角色设计中人格迁移的局限
简介本文研究：当虚拟角色使用熟悉之人的克隆声音说话时，人们对该人物性格的印象是否会随之迁移。作者通过两项研究（一项在大学校园，使用学生熟悉的讲师声音；一项在线上，使用社交媒体创作者的声音）发现，人格迁移证据有限，效果具有选择性，且不同特质和情境之间无法普遍推广。研究认为，克隆声音未必能直接让人把虚拟角色当作有能力的社交主体。
PlanPath: Exploration-Guided Orchestration for Patient-Level Pathology Reasoning
说明PlanPath：面向患者级病理推理的探索引导式编排框架
简介论文提出 PlanPath，一种用于患者级病理视觉问答的智能体框架。它先将问题转化为探索计划，定位可能包含所需证据的切片，并从组织结构逐级细化到单细胞，再把各切片的计数、比例和范围汇总为可追溯的答案。作者还构建了肾癌和胃癌两个患者级问答数据集，据称 PlanPath 的整体准确率分别比最强基线高出 9.4% 和 12.1%，并可提升现有切片级智能体的表现。
Virtual-Alloy Physics-Aware Semantic System for extrapolative prediction of perovskite solar cells
说明虚拟合金物理感知语义系统：钙钛矿太阳能电池的外推预测
简介现有钙钛矿太阳能电池机器学习模型难以预测由新材料制成的器件。本文提出V-PaSS架构，基于钙钛矿固溶体的物理连续性，通过Vegard定律插值23种纯ABX3端点化合物的晶体图，并耦合器件层序、界面能带偏移和科学语言模型。在来自未见实验室的测试集上，其默认配置的平均绝对误差为2.861%，优于14个对比模型中的其他模型，且在与训练数据差异较大的场景中优势更明显。
BridgeTwist: Twisting Schrödinger Bridges for Training-Free Conditional Sampling
说明BridgeTwist：面向免训练条件采样的扭曲薛定谔桥方法
简介本文提出BridgeTwist，一种用于预训练薛定谔桥（SB）生成模型的免训练条件采样方法，基于回火扭曲序贯蒙特卡洛框架。该方法将SB预训练得到的速度场与分数场组合为端点预测器，并在其上评估似然作为扭曲因子，同时用随时间变化的指数对早期步骤的影响进行降权，并采用桥形推理扩散日程。论文称其在类条件和文本提示图像生成上优于免训练基线，并在图像修复、去模糊和超分辨率任务上与专用逆问题求解器具有竞争力。
Bayesian Test-Time Inference of Task-Aligned Similarity from Weak Interactive Feedback
说明基于弱交互反馈推断任务对齐相似度的贝叶斯测试时推断方法
简介该论文提出BASIS（基于交互信号的贝叶斯轴选择）方法，无需训练，利用测试时的弱反馈（分数、成对偏好或验证器输出）在给定的任务标准库中推断当前决策应依据哪种相似度标准。方法维护目标与标准的联合后验，并按期望信息增益选择探测。在概念恢复、推理示例选择和回答修正三项任务上，相比调优后的静态混合规则均有提升，但只在已给定的标准中选择，不会发现新标准。
Texture Interpolation as Texton Matching
说明将纹理插值视为纹元匹配：先匹配外观相近的局部，再进行混合
简介该论文研究纹理插值中两幅纹理之间的对应方式。传统方法按空间位置混合像素或特征，作者提出按局部外观（纹元）进行匹配，保持编码器与解码器不变。实验显示，这种外观感知匹配在多组纹理对上提升了中间插值结果的分布质量，软匹配效果最明显，一对一分配则使过渡更均衡，并且无需重新训练即可改善另一个预训练插值模型。
Kwai Summary Attention V2 Technical Report
说明Kwai Summary Attention V2 技术报告：一种更灵活的 KV 缓存压缩与注意力计算优化方法
简介该论文介绍了 Kwai Summary Attention V2（KSA V2），是对摘要令牌架构 KSA 的改进。原 KSA 把远距离上下文压缩为每个分块的可学习摘要令牌，并与完整注意力层交错使用。作者指出其两个瓶颈：不同层的压缩分块必须一致，难以灵活压缩 KV 缓存；完整注意力层仍需承担二次方的预填充计算。KSA V2 据称既能实现更灵活的 KV 缓存内存压缩，也能降低完整注意力层的计算开销，并发现摘要令牌可同时承担 KV 记忆和稀疏索引两种角色。
AMemOps: Evaluating Memory Updates in Long Audio Streams
说明AMemOps：长音频流中记忆更新的评测基准
简介该论文提出了AMemOps（音频记忆操作）基准，用于评估长音频流中的记忆更新能力，包括检索最新属性、保留未变化属性以及拒绝不存在的声源。研究通过配对对照实验考察录音、训练身份和早期事件对更新的影响。结果显示，在测试乐器的其他录音上训练后，参考Delta规则记忆相对匹配注意力机制的更新优势提高了13.4个百分点。
Does Pretraining Teach Chemical Language Models Chemistry?
说明预训练能让化学语言模型真正学会化学吗？
简介本文系统研究了化学语言模型（CLM）在大规模分子语料上预训练的效果，并在64个分子性质预测数据集上进行评测。结果显示，预训练带来的下游性能提升并不随规模扩大而增长，表现低于梯度提升等基线方法。只有基于传统理化描述符的监督预训练能稳定提升效果，部分预训练方式甚至不如随机初始化的编码器。研究认为，模型学到的更多是类似描述符的性质和底层词元统计信息，经典分子特征之外的化学知识十分有限。
SPELUNKA: A Framework for Finding Unanticipated Associations in Vision-Language Models
说明SPELUNKA：在视觉语言模型中发现意外关联的框架
简介视觉语言模型常从训练数据中学到虚假或有害的关联，而针对检索任务发现这些未预料关联的方法研究较少。本文提出SPELUNKA，一个自动化的推理时框架，无需预先标注的子群体、人工监督或模型微调。它为目标概念生成相关图像的描述并提取实体，再通过基于频率的检测规则，比较这些属性在模型高排名输出与全数据集中的分布差异，从而识别虚假关联。作者在四个数据集上评估，报告该方法能恢复合成和自然出现的虚假相关，并在识别与查询强关联图像上平均AUROC为0.93，优于基线方法。
Tiny Recursive Message Passing
说明微型递归消息传递：用小模型解决算法与约束推理问题
简介本文将递归Transformer的深度监督、截断递归及测试时推理方法应用于消息传递神经网络。作者报告，一个约1.6万参数的模型在Sudoku-Extreme上达到约99%测试准确率，并能零样本迁移到比训练时更大的N皇后与布尔可满足性问题，参数量远小于常用神经基线。
ST-GRU PredRNN-V2: A GRU-Based Reformulation of PredRNN-V2 for Video Prediction
说明ST-GRU PredRNN-V2：基于GRU改写的视频预测模型
简介本文将PredRNN-V2中的时空LSTM单元替换为结构更简单的时空GRU单元，用于视频预测。新单元用两个门控取代原有三个门控，并合并时间记忆状态，参数量约减少5%。在Moving MNIST基准上，其MSE为55.1、SSIM为0.883、LPIPS为0.065、PSNR为19.53dB。该模型在MSE、SSIM和PSNR上未超过原版PredRNN-V2，但LPIPS更低，并与PredRNN相当，作者认为时空GRU是有前景的构建模块。
MultiAlloc: Budget-Aware Precision Allocation for KV Cache Quantization
说明MultiAlloc：面向KV缓存量化的预算感知精度分配
简介大语言模型推理时KV缓存占用大量内存。该论文提出MultiAlloc框架，在固定内存预算下，通过轻量离线性能分析，在层级精度提升与按token保留之间分配有限的量化资源，无需在线搜索。实验表明，在相同内存预算下，其效果优于单一层级、单一token及近期多粒度方法，涵盖Mistral、Llama、DeepSeek-Qwen和QwQ等模型。
★★★★☆ 值得关注
To Align or Not To Align: Check Your COMPASS Before You Train
说明对齐与否：训练前先用 COMPASS 检查兼容性
简介论文提出 COMPASS（兼容性评估分数），在对齐或合并模型之前，用两个低成本指标估计两个预训练模型是否兼容：一是两个编码器之间的 k 近邻重叠度（成对的易对齐程度），二是其训练范式允许的最大重叠度（范式上限）。作者用 72 个跨模态对齐实验和 392 次任务算术模型合并验证，结果显示其估计与下游效果有较强相关性。
看点提出基于k近邻重叠的兼容性诊断COMPASS，在72次跨模态对齐和392次模型合并实验中与下游结果高度相关，新颖性和证据较强。
Grid or Nodes? Probing Object Memory in World Models Under Partial Observability
说明网格还是节点？部分可观测下探测世界模型中的物体记忆
简介机器人的世界模型需要记住离开摄像头视野的物体。论文在 FloWM 自己的方块环境中比较两种记忆方式：FloWM 用带五种内置速度的特征网格保存物体，另一种是用卡尔曼跟踪器保存每个物体的位置和速度数值。结果显示，网格的读取方式会明显影响得分，在对角运动等超出其五种速度的情况下，FloWM 的表现大幅下降，而跟踪器仍保持较高的命中率。
DTScribe: Generating Models for Digital Twin Reporting using Local Large Language Models
说明DTScribe：使用本地大语言模型生成数字孪生报告模型
简介本文提出DTScribe方法，利用本地大语言模型自动解析数字孪生文档，抽取二十一项特征的数字孪生描述框架要素，并生成本体建模语言（OML）模型，用于可视化概念架构和生成报告页面。作者通过迭代优化循环和本体推理提升生成质量，并给出中等规模本地模型、避免用大模型做评判等实践经验。
Geometric Calibration of Supervised Fine-Tuning
说明监督微调的几何校准：一种训练无关的后处理方法
简介本文提出一种名为SPACE的轻量级后处理方法，在监督微调（SFT）后，依据微调前权重的主子空间有选择地回退部分更新分量，同时保留正交补空间中的分量。该方法无需数据、无需训练，只需微调前后两个检查点。实验覆盖Qwen2.5、Qwen3、Qwen3.5、Llama-3.1和Olmo-3等2B至14B模型，结果显示其能减轻域外能力退化，并提升域内表现。
Breakdown of Conversational Involvement: A Joint Multi-Modal Analysis of Conversation Floors and F-formation Detection with Multiple Features
说明对话参与的分解：结合对话话轮与 F 型站位检测的多模态联合分析
简介本文研究自由站立对话中的对话参与度，比较了 F 型站位（F-formation）与对话话轮（conversation floors）两种操作化方式。作者用说话状态估计对话话轮，并使用不同特征集分析空间检测结果，再将空间特征与话轮模式结合进行联合分析。结论认为，单一 F 型站位不足以完整刻画对话，需要更细致的理论与框架。
Falsification-proof non-market allocation mechanisms
说明防篡改的非市场资源分配机制
简介依赖可被操纵的特征来定向分配资源，容易引发虚报和分配低效。论文刻画了在多种虚报技术下的最优防篡改规则。论文还给出一个诚实性条件，满足该条件时，这些规则可解决一个最大化分配剩余与参与者福利加权和的规划者的无约束问题。
MajorTOM:Elliot Pretrain, A Multi-Sensor, Multi-Temporal Pretraining Dataset for Earth Observation
说明MajorTOM:Elliot Pretrain——面向地球观测的多传感器、多时相预训练数据集
简介该论文介绍了MajorTOM:Elliot Pretrain，一个用于地球观测基础模型预训练的数据集，包含279,166个10公里的图块，融合Sentinel-2、Landsat-8/9、Sentinel-1等多种传感器数据及云掩膜、OpenStreetMap、ERA5气象等信息。数据按单时相、月度和短时突发三种时间模式划分，以云优化GeoTIFF格式提供，共6.3 TB。作者通过OlmoEarth-Base的短期预训练实验，比较了子集选择、多传感器输入、辅助预测目标及规则生成描述文字等设计的效果。
Minimax rates for pointwise CATE estimation: the role of design smoothness
说明条件平均处理效应逐点估计的极小极大速率：设计平滑性的作用
简介本文研究协变量分布（设计密度）的平滑性如何影响在固定协变量点上估计条件平均处理效应的极小极大估计速率。对于有界且远离零的设计密度，作者给出了上下风险界，两者在收敛速率指数上仅相差任意小的间隙。在均匀设计下，于低干扰函数平滑性的情形中，内点处得到匹配的上下界。结果表明，即使处理效应和干扰函数的平滑性假设相同，粗糙的协变量设计也可能导致比均匀设计更慢的速率。
Deterministic Prediction as Global Velocity: Flow Matching for Probabilistic Time-Series Forecast
说明把确定性预测视为全局速度：面向概率时间序列预测的流匹配方法（DV-Flow）
简介本文针对时间序列预测中的不确定性量化问题，提出DV-Flow，一种统一的流匹配框架。它将确定性预测器作为并行的速度分量引入，而非作为传输路径的终点，从而实现稳定的端到端优化，并把若干现有方法作为特例纳入其中。作者在六个真实数据集上的实验显示，该方法在概率预测性能上持续优于强基线。
Two Routes to Interoceptive Prioritisation: Dissociating Likelihood Precision and Preference Reweighting in Active Inference
说明内感受优先级的两条路径：主动推断中的似然精度与偏好重加权
简介该论文比较了主动推断中智能体应对紧迫身体需求的两种方式：提高对需求信息的精度，或提高对缓解该需求结果的偏好。研究在一个觅食网格环境中设置三种致命需求进行实验。结果显示，精度提升改善了生存率，而偏好重加权使身体状态远离致命边界，并改变了智能体学习身体模型的方式。
★★★★☆ 值得关注
Knowledge Graphs as Files: An Agent Harness Where Tool Creation and Tool Use Co-Evolve
说明知识图谱即文件：工具创建与工具使用协同演化的智能体框架
简介该论文提出直接知识图谱交互框架（DKGI），让语言模型智能体直接基于完整的节点和边文件编写 Python 代码来创建图访问工具，沿关系检索并选取文本证据。在三个领域的基准数据集上，无需训练的 DKGI 在每个图上都比已发表的最强基线至少高出 6.7 个 Hit@1 点。作者认为，在图搜索中让工具创建与工具使用协同演化是有价值的。
看点让智能体直接在完整图文件上编写图访问工具并与工具使用协同演化，对照实验显示较强基线有明显提升，证据较充分但影响主要在子领域。
VideoJev: System One Model for Video Understanding and Interaction
说明VideoJev：用于视频理解与交互的单一模型（System One 范式）
简介该论文提出 VideoJev，把视频理解和交互统一为结构化决策任务。模型在预训练多模态大模型上改用共享输出头，对时间区间和文本选项按视频证据打分，从而输出事件时段或答案选项，并通过缓存推理和联合推理复用视觉计算。论文报告在三个时序定位基准上 mIoU 分别提升 6.7 和 10.8 个点，推理加速 2.8 至 3.1 倍；在四个视频问答基准上性能与骨干模型的思考模式相当，推理加速超过 100 倍。
Can an Agent Learn to Predict Its Own Failure? Outcome-Grounded Confidence Calibration in LLM Agents
说明智能体能否学会预测自己的失败？基于结果的LLM智能体置信度校准
简介论文提出用多步任务的最终结果来校准LLM智能体每一步的口头置信度，而不是只看当前一步的正确性，方法基于GRPO中同一任务多条轨迹给出的成功标签。在ALFWorld、TextWorld、WebShop等环境的离线与在线强化学习实验中，置信度与任务结局的AUROC从接近随机提升到0.68至0.85，预期校准误差在在线实验中从0.42降至0.12以下。
Does self-distillation improve reasoning?
说明自蒸馏能否提升推理能力？——对SDPO与OPSD的重新检验
简介本文重新检验两种自蒸馏方法（SDPO与OPSD），在代码、科学、工具调用和数学推理任务上评估其效果。作者发现，其报告的提升无法稳定地推广到未见过的问题，主要可由过拟合或迁移已有推理行为解释，而非有效利用特权信息。实验基于Qwen3（1.7B至14B）与OLMo-3-7B模型，结论认为如何有效利用特权信息提升推理仍是待解决的问题。
Legal-R1: Agentic Retrieval for Evidence-Based Legal Reasoning
说明Legal-R1：面向证据型法律推理的智能体检索框架
简介该论文提出 Legal-R1，一个用于法律问答的智能体检索框架，目的是让答案基于有效且可引用的法律证据。系统把法律推理拆分为律师、法律助理和法官三个智能体的协作流程：律师智能体决定何时检索、查询哪类法律来源以及何时证据已足够；法律助理智能体在法规和判例中按效力与多样性筛选证据。论文称，在多个中文法律基准上，该方法优于通用模型、法律专用模型和检索增强基线。
Jev-ToM: Evaluating Theory of Mind in Typed Decision Models
说明Jev-ToM：在类型化决策模型中评估心智理论能力
简介该论文提出Jev-ToM评测框架，比较五种类型化决策模型与七种生成式基线在九个心智理论基准、共11,117个英文文本问题上的表现。其中TypeSafe Jev的源平衡准确率为73.2%，并在六类能力中均排名第一或第二。论文同时探讨了置信度选择、候选扩展和相关问题线索等因素对结果的影响，并提出将其用于助手系统时应关注的集成问题。
Recasting DiT for Extreme Image Compression with Hierarchical Visual Priors
说明用分层视觉先验改造 DiT 以实现极致图像压缩
简介论文提出 PrismCodec，把预训练的扩散 Transformer（DiT）改造成基于码流的单步生成式解码器。解码表示既作为生成起点，也提供语义与结构引导。通过渐进式适配策略，解码器无需额外条件比特即可确定性地重建图像。在 Kodak、CLIC 和 DIV2K 上，相比 StableCodec 在 LPIPS 和 DISTS 指标上的 BD-rate 分别降低约 70-75% 和 75-81%。
Beyond Answer Voting: Fine-Grained Correction of LLM Reasoning through Graph Alignment across Sampled Traces
说明超越答案投票：基于推理图对齐的大模型细粒度推理纠错
简介论文提出DDRG框架，用于从一组固定的推理轨迹中进行选择性纠错。它将推理轨迹构建为基于原文的主张图，把主张层面的分歧交给不看答案的验证器检查，仅在验证器支持的反驳指向多数答案的支撑路径时才进行一次聚焦修复，否则保留自洽投票结果。在五个基准上，零样本DDRG的宏平均准确率相比直接回答分别提高8.65和15.83个百分点（Qwen2.5-7B与Llama3.1-8B）。
From Hindsight to Foresight: Dissecting Clinical Evidence Acquisition in Large Language Models
说明从回顾到前瞻：剖析大语言模型的临床证据获取能力
简介这篇论文研究大语言模型在动态诊断中为何难以获取关键临床证据。作者从证据识别、利用到诊断更新的整个过程进行分析，考察诊断准确率、证据覆盖度、轨迹动态以及概率与信息熵等指标。实验表明这些局限普遍存在，论文认为核心挑战在于模型能否识别、获取并有效利用正确证据，而不只是是否具备相关临床知识。
LLM2R: From Large Language Models to 3D Reassemblers
说明LLM2R：从大语言模型到三维零件重组
简介该论文提出 LLM2R，把三维零件装配视为序列建模问题：用预训练的仅解码器大语言模型，一次前向计算预测所有零件的刚体位姿（旋转与平移）。模型通过附加可学习的汇总标记，在固定的标记开销下汇集整个装配的信息。实验显示其在多个数据集上取得较高的零件准确率和成功率，且零件数量越多优势越明显。
AgentStripes: An Evidence-Graded Maturity Model for AI Agents
说明AgentStripes：面向AI智能体的证据分级成熟度模型
简介本文提出AgentStripes，一个用于评估AI智能体工程成熟度的模型，包含0至7级、12个过程领域与40项能力，并设置三道门槛与E0至E5证据等级。作者以30个公开Python智能体仓库做了仅基于静态证据的探索性演示，结果显示静态证据使最终等级上限为2级，且重新评判时部分结果发生变化，其参数未经结果校准，等级是否能预测可靠性或安全性尚未得到证明。
Auditing Future-Memory Use in Point-in-Time Language Agents
说明审计时点语言代理中对未来记忆的使用情况
简介该论文研究带有历史时点限制的语言代理是否会在资料检索中利用其记忆中的截止日期后事实。研究在48个历史公司比较任务上，用闭卷收入探测预先确定偏向记忆更清楚的公司，再比较实际或匿名公司身份下的配对运行结果。结果显示，Qwen与DeepSeek都能回忆未来事实，但并未出现预设的偏向；DeepSeek在复现中呈现相反方向的偏移。作者建议对记忆可及性、搜索分配和最终输出分别评估，并同时检查外部证据的截止日期。
★★★★☆ 值得关注
Rethinking Projector Training in Multimodal LLMs
说明重新思考多模态大模型中的投影器训练
简介多模态大模型通常先用图文数据训练投影器以对齐视觉编码器与语言模型。本文发现，仅用10%至20%的数据训练投影器即可获得大部分下游性能提升，且不同数据集训练的投影器可线性插值而基本保持性能，说明该阶段主要是粗略对齐。基于此，作者提出无需训练的PORTAL初始化方法，仅依赖各模态的统计量，通过在共享主子空间上的最优传输映射完成对齐。在六种语言模型骨干、两种视觉编码器和16个基准上，PORTAL无需配对数据即可匹配使用55.8万图文对训练的标准流程，并在7组设置中的3组超过该流程。
看点用最优传输从统计量直接初始化投影器、免去配对数据训练，思路新颖；在6个LLM、2个视觉编码器、16个基准上与标准流程相当，证据较充分。
PhysicsSliders: Learning Physical Controls for Audio Foley Generation
说明PhysicsSliders：学习用于音效拟音生成的物理控制
简介该论文提出 PXS 模型，用于生成碰撞声音效。模型在模拟的接触声音上训练，可通过硬度、尺寸、速度、阻尼等 15 个材质、几何和接触参数进行控制，也可接受数值描述或房间描述。在多种碰撞类别的真实录音评测中，模型对目标的跟随性较好。
ACCRUE: Continual Off-Policy Reinforcement Learning for Robot Foundation Models
说明ACCRUE：面向机器人基础模型的持续离策略强化学习
简介本文提出 ACCRUE 框架，让机器人基础模型在学习新任务时，持续沿用此前强化学习获得的轻量级行动者与评论者网络。系统用当前任务数据更新评论者，并通过在少量保留的旧任务片段上向缓存目标蒸馏行动者，来保留既有行为。论文称，在仿真与真实机器人的接触丰富装配任务中，该方法加快后续任务学习、遗忘接近于零，并将真实机器人训练时间缩短 31.0% 至 68.5%。
Fairness under Prediction Error in Predict-then-Optimize Pipelines
说明预测误差下的公平性：预测后优化流程中的demographic parity检验
简介本文研究在“先预测后优化”流程中，对预测结果施加的人口统计均等（demographic parity）约束，在真实结果上是否仍成立。作者用线性规划求解的预算分配问题进行实验，发现真实结果上的公平性差距随预测误差增大而增长并趋于饱和，并给出理论界。在美国人口普查收入数据上，作者发现约束后仍保留了约三分之一以上的真实收入差距，且从预测结果上无法察觉。
Decomposing and Predicting Annotation Disagreement in Harmful Content Across Languages
说明预测有害内容标注分歧：基于可解释语义问题的跨语言方法
简介本文提出用大模型回答一组关于有害内容特征、边界严重程度、缺失语境和本地化侮辱性用语的二元问题，再据此预测标注者之间的分歧。在英语、德语、土耳其语四个数据集及三个开源大模型上，该结构化特征的ROC-AUC优于直接提示和较强的文本基线。原文称，衍生、缺失语境和判断边界相关的问题预测力最强。
GeoMER: A Joint Euclidean-Hyperbolic Geometry Framework for Multimodal Emotion Recognition
说明GeoMER：融合欧氏与双曲几何的多模态情绪识别框架
简介本文提出GeoMER框架，用于通过语音和文本等多模态信息识别人类情绪。该方法在欧氏空间进行跨模态细粒度融合，并在双曲空间中通过情绪核心路由捕捉更抽象的层级化情绪表示。在IEMOCAP基准上，其加权准确率为83.54%，未加权准确率为83.35%，优于包括MemoCMT在内的欧氏基线方法。
Compare to Correct: Pairwise-Guided Logit Adjustment for LLM Test-Time Scaling
说明比较后修正：基于成对比较的 LLM 测试时扩展 logit 调整方法（PGLA）
简介该论文针对大语言模型测试时扩展中的多路径投票问题，提出成对比较引导的 logit 调整方法（PGLA）。方法借鉴社会选择理论中的孔多塞原则，比较支持不同答案的推理路径的置信度，并通过 KL 正则化目标将这种比较证据与投票支持结合。作者称该方法可修正基于投票的排序错误，并在 10 个基准、1.7B 至 32B 参数的 7 个模型上进行了实验。
Reading Right, Acting Wrong: Diagnosing Decision Failures of System One Models in Agent Loops
说明读对却做错：诊断智能体循环中快速模型的决策失误
简介论文研究用于选择智能体下一步动作的快速单次打分模型（System One）为何出错。作者在冻结的基准上，为每个动作问题配以关于同一状态的事实探测题，分别独立回答。在十七个快速系统和一个推理模型上，多数错误动作出现在模型能正确读取事实的情况下，且系统越准确，这类错误占比越高。同类错误在不同系统的相同状态上反复出现。
★★★★☆ 值得关注
When More Objectives Make Identification Easier: The Role of Preferences and Feedback
说明当多个目标反而让识别更容易：偏好与反馈的作用
简介本文研究多目标多臂老虎机中的最优臂识别问题，即在多个评价标准下用尽量少的采样找出最优臂。作者针对高斯老虎机给出了固定置信度识别的特征时间下界，并比较了 Pareto、线性和字典序三种偏好下的情形。结果表明，多目标有时反而更省样本，并提出了与该下界渐近匹配的 OATS 算法。
看点揭示多目标反而可能降低最佳臂辨识样本需求的三种现象，并给出特征时间下界及匹配的OATS算法，理论贡献较突出。
Detecting Unreliable Classifications from Quantized Models
说明用量化模型检测不可靠的分类结果
简介本文提出一种无需真实标签的方法：比较模型在训练后INT8量化前后（FP32与INT8）对同一样本的输出概率向量，计算余弦相似度。只需一次前向传播即可得到该相似度，用于区分准确率较低的预测。在ResNet-50、VGG-16-BN、Wide ResNet-50和ViT-B/16四种架构上，该一致性指标在固定百分位划分下的表现均优于仅依赖置信度的基线。
The Many Morals of AI: The cautionary bias of North American news narratives in global perspective
说明AI的多重寓意：北美新闻叙事中的警示偏向及全球比较
简介本文分析了2022年以来发表的12,924篇英文AI新闻报道，比较北美、中国、印度和中东四个地区的叙事方式。研究利用大型语言模型提取每篇文章隐含的“寓意”。结果显示，北美AI报道以警示性叙事为主，而创新与合作类叙事相对较少；但这一现象主要可由北美新闻整体较负面的情感倾向解释，而非对AI本身更为担忧。
LLM Agents for Automated Post-Training via Structured Recipe Optimization
说明基于结构化配方优化的LLM智能体自动后训练
简介本文提出一种自动化后训练方法，让大语言模型在有限实验预算下自动构建并优化数据来源、数据处理、跨领域组合和训练配置等决策组合。方法名为结构化配方优化（SRO），包含一个基于LLM的配方空间设计器和一个多领域配方优化器。文中报告，在三个能力领域和六个基准的联合后训练中，SRO在Qwen3-1.7B（搭配GPT-5.4）上得分41.1，最强基线为15.4；在Qwen3-4B（搭配DeepSeek-V4-Flash）上为53.8，基线为40.8。
Parameter-Efficient Multimodal Brain Tumor Segmentation With Stage-Wise Shared Adapters
说明基于分阶段共享适配器的参数高效多模态脑肿瘤分割
简介不同MRI模态会显示脑肿瘤的不同部分，分割模型需要综合这些信息来勾画肿瘤区域。本文提出块级共享适配器（BWSA），在共享通路中融合各模态编码器的压缩特征，再将适配后的特征返回各分支；其可训练门控变体（TG-BWSA）则为每个模态和编码器阶段学习原始与适配特征的独立权重。在BraTS 2020和BraTS 2023上使用四种分割主干网络进行评估，两种变体均只增加约0.85%至3.73%的参数。
Order-Consistent Latent Geometry for Reliable Short-Horizon Planning in World Models
说明世界模型中用于短程规划的保序潜在几何
简介许多潜在空间规划器用候选动作序列终点与目标潜变量之间的欧氏距离打分。本文指出，只要潜在距离不逆转真实转移进展，这种打分即可满足规划所需条件，并证明该要求等价于经典的自趋近条件。作者证明折线中的锐角弯折会使某些转移更差的候选被排在更好的候选之前，并通过六分支实验验证了这一排序失效。
CREATE: Creativity Evaluation of VLMs using the Visual Remote Associates Test
说明CREATE：用视觉远程联想测验评估视觉语言模型的创造力
简介本文提出CREATE基准，包含155道视觉远程联想测验题，要求解题者找出三张看似无关图片之间的共同联系。作者通过25人的人类研究验证基准质量，并评测了11个视觉语言模型。结果显示，多数模型在此任务上表现不及人类，且其联想能力依赖文字提供的线索概念，并不能普遍延伸到视觉谜题。
Configuring RAG Systems: What Breaks, Where Originates, and How to Fix
说明RAG系统的配置问题：哪些会出错、根源在哪里、如何修复
简介本文对10个真实RAG（检索增强生成）系统中收集的654个配置问题进行了大规模实证研究。作者对这些问题的表现、根本原因、相关处理阶段和修复方式进行了分类。研究还提出九条面向实践者的可操作建议，用于测试、定位和修复RAG系统的配置问题。
Observation Quality in DSM-Assisted Aerial Localization: A Benchmark and Base-Anchored Uncertainty Calibration
说明DSM辅助航空定位中的观测质量：基准测试与基于基准锚定的不确定性校准
简介这篇论文针对基于数字表面模型（DSM）的航空地图匹配定位，提出五类基准任务，并评估一种基准锚定的不确定性校准方法，该方法结合图像与地图灵敏度及配置子集的二阶矩，且不改变报告的位置。在两组保留的查询集上，相较于固定全矩阵基线，该方法在等位置归一化更新风险上分别降低7.70%和5.46%。论文同时指出，导航收益和真实时间累积效果尚未验证。
★★★★☆ 值得关注
Linear Last-Iterate Convergence Rates for Optimistic Learning in Harmonic Games
说明和谐博弈中乐观学习的线性末次迭代收敛速率
简介本文证明，在多人和谐博弈中，乐观跟随正则化领导者（OFTRL）算法的末次迭代以线性速率收敛到纳什均衡。结果在温和的博弈正则性条件下成立，适用于熵、Tsallis 和对数障碍等一大类正则化函数。作者从 OFTRL 的对偶视角分析，指出乐观性与和谐博弈的全局结构相互作用，使对偶迭代上的能量函数持续下降，并给出了紧的定量界。该结论也适用于 Extragradient FTRL 变体。
看点证明了乐观FTRL在调和博弈中末次迭代以线性速率收敛到纳什均衡，改进了已知收敛结论，并有严格的能量函数分析。
Denoise X: Self-Supervised U-Net for Quantum Mottle Suppression in Chest Radiography
说明Denoise X：用于胸部X光量子斑点抑制的自监督U-Net
简介论文提出 Denoise X，一个轻量级自监督 U-Net 模型，用于抑制低剂量胸部X光片中的量子斑点和电子读出噪声。模型使用 NIH ChestX-ray14 数据集训练，无需成对的干净图像，并在未见过的 Montgomery County 与 Shenzhen 数据集上进行了评估，PSNR 分别为 36.09 dB 和 36.44 dB。
Last-Iterate Convergence of Clipped SGD with Linear Decay
说明带线性衰减的裁剪随机梯度下降：末次迭代收敛性
简介本文研究在重尾噪声下，裁剪随机梯度下降（clipped SGD）的末次迭代收敛性。作者假设随机梯度无偏且噪声的中心p阶矩有界（1<p≤2）。对于光滑凸目标，线性递减学习率可给出高概率误差界。文章还讨论了非光滑复合目标以及带近端更新的光滑复合目标，并在因果对抗者最多替换q个梯度时给出修正界，同时提供了干净与受污染预言机模型下的下界。
Unbalanced W-Flow: Unbalanced Wasserstein Drifting under Finite-Batch Marginal Fluctuations
说明非平衡W-Flow：有限批次边缘波动下的非平衡Wasserstein漂移
简介本文提出UW-Flow，用去偏的非平衡Sinkhorn散度替代平衡Sinkhorn能量，以减少有限小批量波动带来的不当传输。作者分析了小批量与总体速度误差，并在MNIST、CIFAR-10与ImageNet-100上报告了在相同训练预算下生成效果的提升，其中无条件生成的提升最明显。
Understanding Circulant Permutation to Extend the CMinHash Estimator
说明理解循环置换，以扩展 CMinHash 估计器
简介CMinHash 利用循环置换来设计 MinHash 算法，目标是降低方差并节省存储空间。原有的方差分析难以推广到其他 MinHash 估计器。本文提出一种新方法，给出明确且易于比较的近似方差表达式，并用其分析 Minner 估计器。数值实验表明，该方差表达式与估计值的经验均方误差相吻合。
Input-Conditioned Search for Efficient Test-Time Scaling of Recursive Reasoners
说明面向递归推理器高效测试时扩展的输入条件搜索方法
简介递归推理器通过反复应用学习到的更新规则来推理，可通过增加更新次数或扰动隐状态生成更多轨迹来扩展推理。这些方法可能收敛到错误的吸引子。本文提出输入条件搜索（ICS），在不额外训练的情况下对输入条件进行搜索，从预训练模型中诱导出不同的更新映射，以探索多样的推理轨迹。在六个推理任务上，ICS 平均准确率最高，所需模型 FLOPs 比对比的扩展基线少至多两个数量级，并在理论与数值验证中显示其能局部消除错误吸引不动点。
Beyond the Encoder: Object-Centric Representations Emerging from Segmentation Foundation Models
说明超越编码器：分割基础模型中涌现的以对象为中心的表示
简介本文研究 Segment Anything Model 2（SAM2）的对象指针，即分割流程中产生的紧凑对象级表示，考察其在下游肿瘤预测任务中的可迁移性。在两项 PET/CT 肿瘤预测任务的实验中，仅用分割监督学到的对象指针已编码了与肿瘤判别相关的信息。作者还提出任务引导的对象指针，在分割之外加入辅助目标共同塑造表示空间；该方法在癌症类型分类上优于基于编码器的迁移和影像组学，而仅用分割的指针在更具挑战性的复发预测任务上表现最佳。
Empathy Is Not the Scapegoat for Declines in Factuality and Reliability
说明同理心并非事实性与可靠性下降的替罪羊
简介该论文研究语言模型在表现温暖、共情时是否会降低事实性和可靠性。作者比较了提示、监督微调和强化学习三种诱导温暖表现的方式，并在11个数据集基准和情绪语境评测EMOFACT上评估能力保持情况。结果显示温暖效果因任务和模型而异，任务相适应的语气可以提升共情与针对性的可靠性，但仍存在一些能力权衡。
On Symmetry for Characterizing Agent Heterogeneity in Multi-Agent Systems
说明多智能体系统中刻画智能体异质性的对称性研究
简介本文研究有限时域部分可观测随机博弈（POSG）中的智能体异质性，提出“策略评估对称性”概念：当完整策略评估与某种类型兼容的变换可交换时，该变换即为对称变换，由此形成的智能体轨道定义了结构化的智能体类型。作者证明每个逐分量的环境自同构都是策略评估对称性，但反之不成立。应用于合作型 Dec-POMDP 时，即使智能体共享同一奖励，也可能属于不同的结构类型。
Meta-Video: Efficient Standardized Evaluation for Video Understanding
说明Meta-Video：面向视频理解的高效标准化评测
简介本文指出，视频理解基准评测常把框架默认设置当作黑盒使用，帧采样、预处理和输入格式等评测选择会显著影响结果，同一模型仅因评测配置不同，准确率就可能变化很大。作者由此整理出约 1000 题、覆盖 791 个视频的 Meta-Video 基准，在保持模型排名的同时加快推理，并建立标准化评测流程，发布五个模型、七个基准的可复现参考分数。
Euclidean Distance-Based Flow Matching
说明基于欧氏距离的流匹配：用几何中位数替代平方误差，提升对污染数据的鲁棒性
简介本文针对生成建模中的流匹配方法，指出其标准形式以平方欧氏距离作回归目标，对数据污染敏感。作者改用欧氏距离（非平方）作为回归目标，并将其解释为条件几何中位数，分析了该目标的数学性质及目标分布被污染时的条件速度分布。在CIFAR-10图像数据集上，部分样本被污染的实验显示，该方法在严重污染的情形下表现出明显优势。
How Reliable Are System-One Decisions in Medicine? A Comparative Study of Jev, Jev-like Models, and LLMs
说明医学中系统一式决策有多可靠？Jev、类Jev模型与大语言模型的对比研究
简介该论文在统一协议下，于15个医学数据集（共8,742个实例）上比较了多种系统一式决策模型，除准确率外还评估了决策稳定性和识别不可靠决策的能力。结果显示，Jev在主要依赖文本的任务上与领先模型相当，但在依赖数值的任务上表现较弱；多数被评估模型在识别缺失正确答案和合理弃答方面仍有局限。研究还发现，对选项的二元分数进行归一化，可比选择打分获得更高的保留准确率。
Retrieval Disagreement as a Signal: Diagnosing and Steering Multilingual Dense Embedders
说明检索分歧作为信号：诊断并调整多语言稠密嵌入模型
简介多语言稠密检索模型把所有语言映射到同一向量空间。论文发现，同一问题用不同语言提问，会检索到明显不同的文档，原因并非语言理解能力弱，而是共享索引中正确答案被排到靠后位置。作者提出基于分歧的引导方法，用语言特定方向修正查询表示，较能减少同语言文档的拥挤，同时在召回率上保持竞争力，排序质量则略逊于均值去除方法。
APTree: Extended Behavior Trees for Adaptive and Scalable Automated Robotic Task Planning in Construction
说明APTree：面向建筑机器人自适应、可扩展自动任务规划的扩展行为树框架
简介本文提出 APTree，一个以模型驱动的框架，用行为树作为执行模型，把自动任务规划与模块化任务执行结合起来。它在运行时反复调用并协调多种符号规划器，生成并组合模块化任务计划，并提供专用领域语言用于任务计划的规范描述与验证。作者在真实的 livMatS 仿生外壳展亭上评估了该框架，结果显示其能检测设计和运行阶段的错误并生成大规模任务计划；形式化分析还给出了组合执行与局部重规划在特定假设下安全的条件。
Lost in Implicit Routing: How LLM Agents Fail to Load Relevant Skills at Scale
说明隐式路由中迷失：LLM 智能体在大规模技能库中为何难以加载相关技能
简介该论文研究 LLM 智能体在可复用技能库不断增长时的表现：保持任务和相关技能不变，只增加无关技能。结果显示，随着无关技能增多，智能体加载相关技能的召回率明显下降，而显式预选仍能保持较高召回率。作者认为原因在于技能描述造成的语义干扰，以及技能选择与任务执行之间的指令干扰。
The Geometry of Language Model Logits: Generic Structure and Learned Departures
说明语言模型输出logit的几何结构：通用规律与学习得到的偏离
简介该论文发现，自回归语言模型在每个预测步的词表logit按排名排列时，大致服从对数线性关系，且这一规律跨上下文、架构和规模一致，并在预训练中逐步出现。作者用顺序统计基线解释了大部分几何形态，但训练后模型的斜率α约为1.4至1.7，明显高于初始化时的约0.2，且α与预测性能相关，表明其捕捉了超出通用极值效应的学习结构。
Dual-Domain Sparse-View 4D CBCT Reconstruction with Spatial-Temporal Consistency Learning
说明双域稀疏视角四维锥束CT重建与时空一致性学习
简介本文提出STCNet，一种用于四维锥束CT（4D CBCT）的稀疏视角重建框架，每个呼吸时相仅需16个投影。该方法结合物理驱动的位置编码保持投影域几何一致性，并在潜在空间引入时间编码以捕捉跨时相的呼吸运动。在TCIA-LUNG和CIRS胸部体模数据集上，STCNet在图像质量、伪影抑制和结构保持方面优于传统方法及近期深度学习基线。
★★★★☆ 值得关注
Imprinting: Knowledge Distillation Can Shift Student Behavior
说明印记效应：知识蒸馏可能改变学生模型的行为
简介该研究探讨知识蒸馏中，教师模型生成的回答除了传递任务能力，是否也会传递其安全倾向。研究者用两种对同一基础教师的变体生成与安全无关的推理和知识问答回答，再蒸馏到不同基础模型的学生中。结果显示，学生在获得任务能力的同时，其决策会向源教师的安全取向偏移，即所谓“印记”现象；排除少量分歧词元可减弱该效应，但偏好优化只能提升伤害规避，无法消除来源差异。
看点发现蒸馏可在无关任务数据中迁移教师的安全行为倾向，并用受控教师变体系统验证，新颖性较高，证据较充分但规模有限。
Two For The Price Of One: Curvature-Aware Pruning Preserves Influence Functions Too
说明一举两得：曲率感知剪枝也能保留影响函数
简介该论文提出 CACTUS，一种基于 ADMM 的优化器，用于预训练模型权重的剪枝及稀疏加低秩分解，并以曲率感知目标保持稀疏模型与稠密模型的梯度对齐。在 Qwen3-4B 50% 剪枝实验中，CACTUS 将 C4 困惑度与稠密模型的差距缩小 45%，并比 LLM-Surgeon 快 28 倍以上。论文还表明，保留影响函数有助于数据筛选。
A Global View of How LLMs Value Human Time
说明一项全球视角研究：大型语言模型如何评估人类时间价值
简介研究者让大型语言模型在仅改变用户所在国家的情况下，评估一次60分钟预约延误应获得的补偿。他们覆盖193个国家和5个模型，并将结果与按购买力平价计算的人均GDP、平均收入及基于文献的耐心指数进行比较。结果显示，不同模型对各地人群时间价值的评估差异明显，欧洲获得的补偿建议最高，非洲多数最低，且模型对亚洲和南美用户时间价值的估计低于其人均GDP所示水平。
Approximating Optimal Policies in Heterogeneous Asynchronous Multi-player Bandits
说明异步多玩家老虎机中近似最优策略的研究
简介论文研究认知无线电网络启发的异步多玩家多臂老虎机问题，其中各玩家的激活概率不同。作者先证明了该最优分配问题是NP难的，然后分析多项式时间的贪心算法，证明其可达到最优分配的1/e近似；若按激活概率从大到小依次处理玩家，近似保证提升到1/√e。
The Smart Buildings Challenge: Learning Foundation Models for Real-World Optimization at Scale
说明智能建筑挑战赛：学习可大规模应用于真实建筑优化的基础模型
简介建筑约占美国碳排放近40%，其中暖通空调系统是主要部分。现有建筑控制方法大多只适用于开发时的特定建筑，难以推广。本文提出一项挑战赛，要求参赛者在一组模拟建筑上训练控制策略，并在未见过的建筑上评估，以推动可快速适应新建筑的建筑基础模型发展。
The Last Mile of Coding Agents for Long-Document Tasks: An Empirical Study on Clinical Trial Protocol Digitization
说明编码智能体在长文档任务中的最后一公里：临床试验方案数字化的实证研究
简介本文以临床试验方案数字化为测试场景，研究编码智能体能否把完整的长文档可靠地转化为准确的结构化数据。作者构建了包含150份公开方案PDF的专家标注基准TrialPD-Bench，并评估了多个模型和智能体框架。结果显示，即使表现最好的智能体也未能完全解决方案数字化问题，主要失误出现在将证据转写和结构化的环节。作者还提出了领域专用框架TrialScribe，使本地部署的开源模型表现明显提升，并能匹配或超过部分专有模型。
Semi-Amortized Bayesian Inference with Reusable Local Posteriors
说明可复用局部后验的半摊销贝叶斯推断：用神经网络估计参数块的条件后验，并与常规马尔可夫链更新交替进行
简介该论文提出一种半摊销贝叶斯推断方法，把模型参数划分为较小的块，利用条件独立性确定每个块所需的信息。对于更新计算昂贵或频繁重复的参数块，训练神经估计器，从模型相关部分的模拟数据中学习其完整条件后验。马尔可夫链在这些神经估计器的直接采样与其余变量的常规更新之间交替进行，神经更新无需似然计算或接受-拒绝步骤。若存在重复出现的条件结构，同一估计器可跨块和数据集复用。作者在高维、计算代价高的层次模型和时空模型中进行了演示。