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LEV：用循环决策模型快慢结合地思考
简介该论文提出 LEV，一种通过循环运行网络层而非生成文本来加深思考的决策模型，每个问题只需一次前向计算即可给出各选项的概率。在三个循环骨干模型上，同一组权重下准确率随循环深度提高而上升，主要体现在困难问题上。按问题动态选择深度的方式可节省约 15% 至 24% 的计算，准确率损失不到一个百分点。
看点将循环层用于决策模型，实现按问题动态选择深度，实验覆盖多个骨干与基准，并在锁定测试集上对比稠密模型。
说明排序正确，尺度错误：集合离散度在径流极端值下静默失效
简介该论文评估了深度学习径流预报模型（如LSTM）的集合离散度作为不确定性信号的可靠性。研究发现，在高流量下预测误差约为校正后离散度的2到4倍，极端流量下低估最严重，超出训练记录的观测极端流量中可达18倍。尽管离散度对误差排序近乎理想，但其幅度系统性低估了风险，而极端事件恰恰最为重要。
说明MAI-Gym：面向移动端与电脑端 GUI 智能体评测与强化学习训练的一体化开源平台
简介论文介绍了 MAI-Gym，这是一个统一 GUI 智能体评测、数据收集与在线强化学习训练的开源平台，覆盖移动、电脑和网页环境，可扩展至 2 万个并行环境实例。基于该平台训练的 90 亿参数智能体 MAI-Gym-9B，在 MobileWorld 上达到 78.4%，在 OSWorld-Verified 上达到 76.2%。文中还报告，在模拟火车票应用中训练的效果可迁移到真实手机，任务成功率从 28.8% 提升至 48.1%。
看点提出统一的GUI智能体评测与强化学习平台并合成任务，实验覆盖多个基准并有真机迁移验证，新颖性与影响面属中等偏上。
说明RAC：面向受约束工程任务的关系型智能体契约
简介该论文提出 RAC，一种用于工程智能体行动与反馈层的契约框架，让智能体决定产物应满足的关系，由专用工具推导具体结果。在 PCB 布局、布线与修复任务中，RAC 对九个模型的平均干净通过率为 90.9%，高于最强基线的 74.0%；在作业车间调度中，直接关系型行动的质量通过率为 96.3%，高于代码中介交付的 59.6%。
说明修剪摘要而非历史：面向长程智能体的来源判断式压缩
简介长程大模型智能体在上下文过长时会用自然语言摘要替代历史记录。作者指出，摘要混杂了环境事实与压缩器自身的推理，且大量失败与缺乏环境输出支持的条目有关。论文提出免训练的来源判断式压缩（SJC），逐条检查摘要是否有依据并删除无依据条目；在 AppWorld 和 OfficeBench 上，跨运行可靠性提升 2.1%–8.9%，且不增加智能体的 token 用量。
说明SkillNEO：面向智能体技能的非精英进化优化方法
简介该论文提出 SkillNEO，一种让大模型智能体的“技能”（可复用的程序性知识）逐步改进的方法。它允许得分较低的中间版本继续被修改，以保留暂未显现效果的局部修复，并通过比较相关版本的执行表现来确定应保留的步骤与待修复的问题。在 86 个 SkillsBench 任务上，GPT-5.4 Mini 的平均得分从 49.1% 提升至 66.4%，且改进后的技能也能提升更强模型的表现。
说明边规划边学习：带有可保证未来学习能力的GPU实时鲁棒自适应控制
简介该论文提出A-SLS框架，属于学习感知的鲁棒自适应模型预测控制，用于机器人在不熟悉环境中安全地控制并同时降低参数不确定性。方法预测未来参数不确定性，构造考虑未来信息增益的紧致可达集，并配有GPU加速求解器以实现实时运行。文中称其在非线性机器人系统上降低了可达管的保守性，可扩展到61状态、8个不确定参数、12个控制输入的四足机器人全身控制，并在Crazyflie无人机硬件上验证了在线学习参数以稳定飞行。
看点将未来参数学习纳入鲁棒自适应MPC的可达集构造，并给出GPU实时求解器，在四足全身控制和无人机硬件上验证，证据较充分。
说明定义并生成组合结构：基于算法信息论的形式化框架
简介该论文用算法信息论形式化“组合结构”：当若干部分放在一起时，会显示出单独建模时无法捕捉到的共享结构。基于这一定义，作者提出可计算的近似方法，并反向优化生成字符串与图像，使其呈现指定的组合结构。生成结果展现出可识别的层级复用与部分-整体组织，论文还讨论了其对机器学习（包括神经网络深度与组合式数据课程）的启示。
说明多层级AI可及性模型（MAIAM）：面向前沿AI安全的分级访问与能力上限
简介论文提出多层级AI可及性模型（MAIAM），按用途、安全性和能力划分访问权限，而不是简单地在闭源API和公开权重之间二选一。模型分为三层：面向学习的广泛开放层、面向研发并需注册与身份验证的探索层，以及只能通过可记录、可问责的结构化渠道获取的全面前沿层。论文还将其与SAFE AI操作点结合，形成能力边界和可及性边界两部分框架，并认为仅限制能力不足以保障AI安全，还需由监管机构管理的分级访问制度。
说明AI天气模型预测停电：预报提前量与抢修队伍部署时机
简介该研究利用GraphCast和FourCastNet两个AI天气模型，预测美国本土各县24至120小时后的停电情况，评估预报提前量对抢修队伍部署的价值。结果显示，预报提前期越长，所覆盖的停电负荷份额越低；提前部署全部所需队伍的效果优于晚部署较少队伍，并给出了两者持平的可用率。
说明Decision-FLIP：面向高斯占据模型的无预算结构化剪枝
简介占据预测模型依赖大量固定规模的高斯或可学习查询。该论文提出 Decision-FLIP，用无标签校准输入计算每行被移除后体素决策变化的数量，并通过 Otsu 分割自动选择保留数量，随后将保留行物理压缩为更小的检查点。实验显示，在多组设置下可删除12%至79%的可删行，并降低相应延迟，语义 mIoU 变化不超过0.18个点。
说明基于熵增采样与答案混合的递归离线蒸馏：用小模型学习大模型的推理过程的一种方法
简介该论文研究如何把大语言模型的推理链蒸馏到较小的模型中，适用于无法完整访问教师模型内部表示的情况。方法包括按与中等规模辅助模型的熵差加权采样推理链，并在思考过程后补充单词元的标准答案。作者称，在数据量相当的情况下，该方法平均得分为57.15±1.01，高于朴素蒸馏的51.61，且学习曲线更陡。
说明可复现的决斗赌博机：在噪声比较中每轮稳定地选出同一对选项
简介该论文研究可复现的决斗赌博机问题：两次使用共享内部随机性、比较结果相互独立的运行，需以至少1-ρ的概率在每一轮选出相同的有序对。作者基于Beat-the-Mean方法设计了首批具有次线性遗憾的此类算法，分别覆盖宽松随机传递性、强随机传递性以及线性决斗赌博机等设定。实验表明，这些算法在合成数据与语言模型偏好数据上均具有可复现性，且遗憾呈次线性增长。
说明面向认知障碍检测的任务中心多模态学习
简介该论文提出一种非接触式多模态筛查框架，利用用户与亚马逊Alexa进行结构化语音交互时采集的视频、音频和文本信号，检测轻度认知障碍。研究比较了三项对话任务及单模态与多模态模型的表现。结果显示多模态模型在不同任务上表现更稳定，准确率为0.76。
说明EgoJEPA：超越重定向的第一视角视频灵巧操作学习方法
简介该论文提出EgoJEPA，一种从第一视角人类视频中学习与机器人形态无关表示的三阶段框架，无需基于规则的人手到机器人重定向。在三种机器人形态的五项真实操作任务上，其跨域平均成功率为74%，高于重定向基线的65%，累计跨形态耗时由743.2小时降至392.7小时，减少47.2%。
说明误设回归的符号下注方法：方差自适应与最优逼近
简介本文研究有界回归在模型误设情形下的估计问题，以函数与条件均值之间的L1距离作为评价标准。作者分析了Baraud与Maillard（2025）提出的极小极大估计器，称为符号下注回归。主要结果表明该方法在误设下具有高概率的L1神奇不等式，并在可实现条件下自适应于平均条件方差。论文还证明了正常学习者的最优通用逼近因子为3，并通过合成和真实数据实验进行验证。
说明TGrasp6D：利用任务感知的视觉-语言先验与位姿精修，实现零样本面向任务的6自由度抓取
简介这篇论文提出了TGrasp6D方法，让机器人在没有专门训练数据的情况下，根据任务和一张RGB-D图像，生成面向任务的6自由度抓取。方法先用视觉-语言模型推理出符合任务的语义可供性作为初始先验，再通过6自由度位姿优化在避免碰撞的同时保持任务一致性。在TaskGrasp数据集上成功率为94%，最好的基线为74%，并已在Franka Research 3机器人上验证对真实物体的零样本泛化。
说明错误投票，正确梯度：为什么多数投票奖励接近可验证的强化学习
简介论文研究在无标准答案时，用模型自身多次采样的多数投票作为标签进行强化学习，为何常能获得接近可验证奖励训练的收益。作者认为关键在于批次级更新：只要标签错误在不同题目间方向不一致，错误就会随批次变大而抵消。实验显示多数投票更新与金标准更新方向高度一致，但在保持局部等价的同时，以金标准奖励训练的模型在held-out多数准确率上仍更好。
看点提出以批次级更新解释多数投票奖励的新视角，将错误一致性作为关键因素，并在五个模型上用梯度测量验证。
说明随机梯度下降：非线性时间序列视角
简介本文在迭代随机函数框架下研究常数步长随机梯度下降（SGD）的统计性质，通过证明几何矩收缩，给出欧氏距离意义下的收敛结果。作者由此得到平均SGD在任意初始化下的拟中心极限定理、不变原理和α稳定收敛，并分析步长影响，改进了Richardson-Romberg外推，还提出在线推断方法与经验置信区间。
说明面向删失结局的灵活双重稳健近端因果推断
简介该论文研究在存在未测量混杂时，如何估计右删失生存时间结局的因果效应。作者提出近端生存桥学习框架（PSB），借助代理变量处理未测量混杂，并给出结局桥、处理桥和双重稳健三类估计量，其中包含核方法（PSB-K）与神经网络方法（PSB-N）两种灵活的桥函数学习器。在SEM基准、半合成ACTG研究和Framingham真实数据上进行了实验比较，并考察了代理变量较弱或无效、删失较重等情形下的稳健性。
说明基于实测求解成本学习单纯形法的热启动
简介这篇论文研究用机器学习预测单纯形法的初始基，以减少迭代次数和求解时间。作者发现，好的初始基能大幅减少迭代，但耗时节省有限，原因在于被省去的迭代较便宜，且与最优基的接近程度无法反映真实成本。论文提出 CostStart 方法，利用实测指令数训练小型策略，为每个线性规划选择预测列数、算法与定价规则，以及是否热启动，在未见过的线性规划上将求解时间约减半。
说明涌现性错位模型是否共享同一电路？
简介研究者用三个在不同有害建议数据上微调的 Qwen2.5-3B-Instruct（LoRA）模型，探讨微调后出现的跨领域错位行为是否依赖共同的计算组件。他们找出三组在五个最高排名注意力头中共享的位置。将这些头的贡献替换为基础模型的贡献后，自由生成中的错位比例明显下降，且连贯性未降低。
说明从像素到令牌：面向极低标注预算语义分割的令牌空间高效主动学习
简介论文提出TEAL（Token-space Efficient Active Learning），是首个围绕视觉Transformer（ViT）表示构建的像素级主动学习框架。它在冻结的ViT骨干网络原生令牌网格上进行基于多样性的选择，并在更细的解码器网格上用基于边界的不确定性进行细化。在CamVid、Cityscapes、ADE20K和Pascal Context上，TEAL在极少标注下优于既有基线，每张图仅标注1个像素时最多提升24.36 mIoU，每张图10个像素时可达全监督性能的97%。
说明DefoliationCAM：用于葡萄园实时评估虫害落叶程度的边缘AI系统
简介该论文提出一种太阳能供电的边缘AI系统DefoliationCAM（D-CAM），通过YOLOX-Nano定位4K图像中的葡萄树蔓，再用轻量通道注意力的MobileNet分类器判断320×320像素图块的落叶程度，并经LoRa将结果发送到网页面板。系统将冠层结果汇总为非线性全局落叶严重程度（NGDS）评分，并与昆虫学家的86张图像评定对比验证。作者称五周的两台野外设备部署验证了自主运行和远程监测的可行性。
说明CogDrift-4D：用于轻度认知障碍检测的时序行为衰退分层多模态建模
简介论文提出一种名为CogDrift-4D的分层4D Transformer框架，用于检测轻度认知障碍。研究收集了18个月内七种无脚本多模态交互的行为数据，构建为4D张量，并通过会话内斜率与会话间递归交叉注意力建模认知衰退的漂移。在结构化语言交互数据上，该方法的分类准确率为0.733±0.13，F1分数为0.716±0.14，文中称其优于若干先进基线。
说明基于机器学习、受实验测量约束的中微子事件生成
简介本文提出一种用于带电流 ν_μ-原子核散射的生成式代理模型，无需事件级实验样本，只需用实测微分截面进行校准。作者以 MicroBooNE 的一项测量对该模型进行微调，结果显示模型对未参与拟合的观测量描述也有所改善。校准后的模型还可在不同中微子通量的测量中直接应用，并保留对出射μ子运动学的事件级预测。
说明基于CatBoost与SHAP、结合NHANES连续与分类特征的可临床解释生物年龄估计
简介该研究利用美国NHANES 2011至2020年3月的24,983名成年人数据，以CatBoost回归模型根据44个人口学、实验室、体检和生活方式变量估计生物年龄，并将模型估计年龄定义为生物年龄。作者用SHAP进行多层次解释，并对SHAP依赖图设计了预先设定的自动化量化流程，用于识别各变量的低高贡献区间与拐点。结果显示，模型估计生物年龄与实际年龄在测试集上高度相关（Pearson r=0.798）。
说明基于 ASP 的移动物体预判常识推理：面向相互作用轨迹的可解释预测框架
简介该论文提出一个通用的声明式框架，用于对复杂动态环境中相互作用的运动进行预判推理，重点在语义层面形成可解释的时空心智模型，以启发式方式指导底层运动计算。方法由三部分组成：描述相互作用轨迹动态的 ASP 模型、生成“分支轨迹未来”的语义引导预测，以及对预判结果进行评估、排序和过滤的能量优化模型。作者在 Argoverse 2 基准上进行了评估，指出其每条预判轨迹都附带可检视的事件级假设，有别于端到端的随机预测。
说明SHRED：无需专家示范、面向异构道路使用者的自博弈框架
简介该论文提出SHRED框架，让车辆、行人和骑行者在随机初始化下通过大规模异构自博弈共同训练，不依赖人类驾驶示范或日志轨迹回放。框架结合各类型的动力学与目标、程序化场景生成及逐个体随机化。在Waymo开放仿真智能体挑战赛（WOSAC）上，其表现优于无示范的自博弈基线及使用示范训练参考策略的方法；在交互密集的InterPlan规划基准上也优于所有对比规划器。
看点提出无示范的异质道路使用者自博弈框架，在WOSAC与InterPlan上超过对比方法，并有消融实验支撑，但属于对自博弈范式的扩展。
说明长上下文草稿无需长上下文草稿模型：冻结的短上下文草稿器也能在超长文本上保持加速
简介该论文研究推测解码在超长上下文中的加速问题：草稿模型若需关注完整前缀，成本会随之上升，加速效果会逐渐消失。作者认为无需专门训练长上下文草稿器，而是冻结已发布的短上下文草稿器，通过限制注意力缓存和重映射旋转位置索引两种推理时机制，使其在最长两百万词元下仍保持加速。论文还给出了相关证明和接受率的界定，并在三组目标-草稿模型对和五个语料上进行了验证。
说明SNOAR：无需干净参考语音的带噪自训练语音降噪方法
简介该论文提出SNOAR，一种无需干净参考语音的自训练语音降噪框架。它先用差分噪声滤波（DNF）去除教师模型语音估计中残留的噪声，再加回部分带噪观测以恢复被过度抑制的语音。实验显示，相比RemixIT，SNOAR训练更稳定，在信号、感知及词错误率指标上表现更优，在WHAM!上达到全监督基线SI-SDR提升的97%，并在真实CHiME-3录音上提升了三种教师模型的各项指标。
说明时间分割高斯过程混合模型：识别金融与宏观时间序列中的制度变化
简介本文提出时间分割高斯过程混合模型（TPGPMM），这是一种贝叶斯非参数框架，用于识别时间序列的不同阶段（制度）并进行非平稳预测，无需马尔可夫假设。模型结合自适应Pitman-Yor先验划分时间段，并为各阶段配置高斯过程以刻画时间依赖。在模拟数据以及波动率指数和10年期美国国债收益率上，模型识别出的阶段与记录在案的市场和货币政策事件大体吻合。
说明形态正确性对分词有影响吗？一项塔加洛语打乱对照研究
简介该论文比较了一种按语素边界切分的分词器 MorphAustro-Tok 与语料匹配的 BPE 基线。塔加洛语用中缀标记语态，词根不连续，BPE 合并无法还原。实验中还加入了打乱伪中缀的对照组，以区分“边界正确”与“保留信息”的作用。结果显示，该分词器在机器翻译上优于 BPE，但打乱分析后的差异不超过种子间波动，因此在此规模下未检测到形态正确性的贡献。
说明用物体注意力探究视觉-语言模型对否定的理解
简介该论文研究视觉-语言模型如何处理否定语句，通过分析模型的注意力模式，并与人类视线注视进行对比，测试了合成与真实数据集。结果显示，模型在理解否定时通常不遵循类似人类的注意力模式，可能依赖注意力之外的机制；同时，所有模型在肯定与否定问题之间都存在性能差异。
说明完备还是稀疏：两种可辨识性的故事
简介本文研究神经网络何时能学到可解释的表示，即监督学习能否恢复数据背后真实的潜变量。作者提出两种因果方向不同的数据生成过程，并分别给出可辨识性结果：表示维度足够时编码器对潜变量呈线性；在非负激活与能量效率等约束下，单个神经元只编码一个潜变量；在潜变量稀疏且满足spark条件时，可通过稀疏字典学习精确恢复单个潜变量。论文称这是欠完备非线性独立成分分析的首个可辨识性结果，并在合成基准与视觉模型、大语言模型及猕猴颞下皮层的激活数据上进行了验证。
说明扩散模型中的去噪分数匹配：秩约束对泛化的影响
简介本文研究扩散模型分数网络中秩约束的非线性项与线性跳跃连接对泛化的影响。数值实验显示，提高秩会降低训练误差，但对测试误差的作用取决于样本量和数据维度。作者以随机特征模型和高斯数据进行理论分析，给出在比例增长下训练与测试误差的渐近极限，并指出数据子空间正交补的维度可作为自然的秩阈值。
说明共同演化、各自失效：自我改进智能体中技能与策略共同演化的陷阱
简介本文研究自我改进智能体中策略模型与技能库在训练中相互提升的共同演化方法。作者指出，现有评估只在训练时的最终技能库上衡量策略，忽视了部署后技能被改写或增删导致的漂移。理论与实验分析表明，这些方法共有的合作式接受规则使策略在技能漂移后变得脆弱，且对漂移的敏感性随训练推进而增加。作者据此提出部署导向的评估协议CODA，并在多种方法与基准上显示最坏情况下的成功率明显低于各自的峰值。
说明MARS：基于自回归的基础地图生成模型
简介论文提出首个地图基础模型MARS（Map Auto-Regressor），以自回归方式统一生成多段折线的道路网络和多边形建筑。作者收集了规模为340万样本的多类别地图提取数据集MAP-3M用于训练。在四个道路与建筑数据集上，MARS的表现优于或与多阶段基线方法相当，并支持人机交互式的地图生成与修正。
说明用于无线网络中数据与AI融合流的模拟射频计算
简介论文提出用基站以多播方式发送编码神经网络权重的波形，终端通过无源混频器完成矩阵向量乘法，从而以极低功耗和内存实现边缘AI推理。研究在多用户MIMO下行场景中，建立联合波束成形优化问题并用WMMSE算法求解。基于3GPP信道的数值结果显示，在代表性设置下，集成AI流导致的总数据速率相对下降低于5%。
说明视觉-语言-动作模型中神经几何的现象学研究：探究机器人策略内部任务概念的形状
简介论文研究视觉-语言-动作（VLA）机器人策略内部表示的几何形状，而不仅是变量能否被线性读出。作者通过受控扫描、自然运行、线性探针和激活干预，归纳出七个任务相关概念的分类。结果显示，这些概念的几何多为多维，并受物理约束影响，例如关节限位使腕部朝向呈开放弧线；同样的几何也出现在另外两个基于真实机器人数据的VLA模型中。
说明面向评估器引导测试时推理的置信度校准推理扩展
简介该论文把评估器引导的推理看作每一步的局部控制问题：信任当前答案、返回备选结果，或投入更多推理计算。作者提出一个计入计算成本的三动作控制器，并通过校准后的置信度估计进行决策。在保留的宽度扩展与修订任务上，该控制器的效用优于校准选出的固定策略，同时归一化在线计算量分别降低约30%和16%。
说明在推理型大语言模型中摊销序贯实验设计
简介大语言模型在需要逐步收集信息的实验设计任务中表现不佳。本文将序贯贝叶斯实验设计摊销进模型，用信息增益作为奖励显式训练引导行动选择的推理过程。在 Twenty Questions 上，所得策略提高了信息获取与任务表现，并以明显更低的计算成本优于推理时与训练时的贝叶斯实验设计基线，还能泛化到未见过的类别，并向临床对话基准 Medi-Q 迁移。
说明PEDBench：语音模型能否检测音素错误？
简介本文提出 PEDBench，这是首个涵盖从自然语音到受控语音的音素错误检测（PED）基准。数据包括儿童的真实发音错误录音（334 条）、人类演员的脚本化错误发音（1,188 条）以及基于音素条件文本转语音生成的合成错误发音（1,083 条）。研究评估了 13 个先进语音模型，发现它们即使在受控条件下也无法可靠检测音素错误，且常把发音正确的音素误判为错误。在合成数据上微调的语音-语言模型在词级检测上优于商用和开源基线，但仍存在仿真到真实的领域差距。
说明CoTranslator：用于推理蒸馏的逆向到正向思维链翻译器
简介该论文提出 CoTranslator，用于高效获取推理蒸馏所需的思维链训练数据。它学习把已知答案条件下生成的逆向思维链，转换为接近经过验证的正向思维链的分布，从而降低数据生成成本。原文报告，在六个数学基准上，其平均准确率较语义抑制基线最多提高 5.82 个百分点，并可迁移到新数据集和 STEM 问题。
说明任务阶段条件下的专家路由并非量化敏感性的可靠代理：MoE前馈网络张量的研究
简介本文研究混合专家（MoE）语言模型中按层、按任务阶段（提示、推理、回答）统计的专家路由数据，能否用来指导已路由专家前馈网络张量的分层混合精度量化。作者构建了路由采集与分析流程，并在固定平均每权重比特数预算下，用坐标下降法调整各层比特分配。结果显示，无论是按路由统计重新分配，还是随机分配，均未稳定优于统一基线；在激进预算下，两者都出现明显损失，因此作者认为路由行为统计并未被证实能代表真实的逐层量化成本。
说明有界输入次数多项式复合的线性无关性
简介该论文证明了Kohn、Marchetti、Massarenti和Mella提出的弱复合独立性猜想。证明利用了有理曲线的形变，以及线性化方程的一个核，并借助Riemann-Roch定理从具有受控极点的切场得出矛盾。论文指出，解决这些猜想后，足够高次数的一般多项式激活函数神经网络是可识别的。
看点证明了 Kohn 等人提出的弱组合独立性猜想，填补已知未决问题，证明过程完整但摘要未给出实验验证。
说明面向沃洛夫语的可投入产业使用的开源权重语言模型
简介沃洛夫语约有2300万使用者，主要在塞内加尔使用，但开源权重语言模型对其支持较弱。本文通过指令微调、偏好对齐和模型融合，推出了0.6B至14B参数规模、针对沃洛夫语适配的开源权重模型。在63个公开及内部任务上的实验显示，模型在沃洛夫语理解与生成方面表现良好，在其他语言和跨语言能力上也保持有效，其中8B和14B模型与规模大得多的商用系统相比颇具竞争力。这些模型目前正在内部客户服务试点中评估，并已在Hugging Face公开提供。
说明学习之前的可行性上限：无人机网格拦截的规模与时机界限
简介论文研究多台无人机组成网格、覆盖来袭目标预测落点的问题，给出在选择策略前即可计算的覆盖概率闭式解与性能上限，并用蒙特卡洛模拟验证。作者指出，在智能体间距至少为2r的约束下，平面覆盖率不超过90.69%，体积覆盖率不超过74.05%，并认为此类上限应在任何学习实验前计算。
说明面向文生视频的时序规格引导（Temporal Specification Guidance）
简介文生视频模型常能生成提示词中的视觉概念，却难以满足其要求的先后顺序、时间安排和持续性。本文用形式化的时序逻辑（Temporal Logic）表示这些要求，并提出一种无需训练、仅在推理时使用的框架TSG，在采样过程中引导视频生成。在包含220个提示词、涵盖11类时序约束的基准上，该方法在五个模型上相比无分类器引导（CFG）将规格满足准确率提升9.5至20个百分点。
说明Intern Lumina U2：用于全方位视觉理解与图像生成的多码本扩散大语言模型
简介该论文提出 Intern Lumina U2，是一种扩散语言模型，用完全离散的多码本视觉标记表示图像，每个视觉位置由多组互补码本的码组成，以提高表示能力并与文本建模兼容。模型基于 AToken 的统一4D表示，在单一骨干网络中支持图像、视频和3D输入，论文称其在视觉理解、图像生成和图像编辑上表现领先，并在昇腾与英伟达平台上验证了跨平台效果；通过稳定性感知采样策略，图像生成速度提升4.45倍。
说明异构网络下基于 O-RAN 原生数据的干扰检测方法
简介本文针对蜂窝网络在对抗环境中可能遭受的射频干扰，利用 O-RAN 的 E2 接口提供的用户设备指标进行检测，无需专用硬件。作者提出统计集成方法 SEM，结合自适应中位绝对偏差基线检测、计数异常检测和突变检测，并通过加权投票整合；该方法可在无标注数据的冷启动模式下运行，也可在有标注数据时通过网格搜索离线优化参数。在约 25 小时、八种异构 5G 环境的测试数据上，作者发现在训练时未见过的分布偏移条件下，学习型模型召回率下降并漏检干扰，而 SEM 即使在冷启动模式下仍能保持检测能力，代价是更多误报。
说明Gibbs-Gap 策略优化：面向可验证奖励的离策略强化学习
简介该论文针对用可验证奖励做强化学习时，训练数据来自旧的或不同的行为策略这一问题，提出 Gibbs-Gap 策略优化（GGPO）方法。GGPO 在同一提示的多个回答之间最小化经 KL 调整奖励的 log-mean-exp 对比损失，且不使用学习者与行为策略之间的重要性权重，从而避免长回答带来的高方差。数学推理实验显示，GGPO 在训练与推理不一致以及固定离线数据的情况下优于 GRPO 和 AGRO。
说明RIGen：生成式游戏中的双向交互，超越被动响应动作
简介该论文提出RIGen框架，用于生成式游戏中的双向交互。它结合持久游戏状态与可配置规则、情境交互推理以及以动作为条件的视听生成，使交互后果与角色行为共同决定生成内容。作者基于Xonotic游戏数据训练生成器，并构建了可交互的生成式第一人称射击游戏原型RIGenArena，实验显示战斗结果更可靠，玩家与生成世界之间存在双向互动。
说明一个能自行扩展领域专用语言的智能体：无需外部裁判的精确问答算子归纳
简介这篇论文研究如何让智能体在没有奖励、裁判模型或标准答案的情况下，扩展自己能精确计算的能力。方法是让一个冻结的模型在小型领域专用语言（DSL）上运行内外两层循环：内层只在两个独立表达式对每条记录结果一致时才接受答案，外层则自行发现缺失能力并编写算子，仅当独立的第二实现一致且结果满足守恒定律时才被采纳。论文称该机制在两个结构不同的新领域中也能扩展可回答问题集，且其采纳规则能拒绝全部138个有缺陷的算子变体。
看点提出无奖励、无评判的可自我扩展DSL算子归纳机制，并用独立实现与守恒律作为准入门控，新颖性较突出；在多个领域和模型家族上验证，证据较充分，影响面限于精确问答场景。
说明PRISM：工具调用语言模型中激活干预的迁移与局限
简介论文指出，语言模型在文字上拒绝不安全请求时，仍可能同时产生不安全的工具调用。作者提出 PRISM 框架，评估激活干预在不同精度、语言和模型规模之间的迁移效果。结果显示，利用量化（NF4）模型和跨语言迁移的辅助监督可以改进对齐；在 Llama-3.1-8B 上，五种语言的方向迁移到阿拉伯语后，不安全违规率降低了 21.95 个百分点，并可迁移到最大 70B 参数的模型。
说明推理过程与证据冲突时：答案配置如何影响对证据的遵循
简介论文研究模型答案生成时保留的推理过程，既可能提升准确率，也可能与当前证据相冲突。作者在 gpt-oss、Gemma4、Qwen3 三个模型系列上，于 HotpotQA 与 MuSiQue 数据集测试两种配置：延续模型自身思考，或单独调用作答。结果显示，单独调用比延续思考更能遵循当前证据，但延续思考在多数冲突中会重复过时结论。
说明高维连续线性回归中最优的显式与隐式正则化强度
简介本文研究高维场景下的连续线性回归：学习器依次观察多个任务并顺序更新参数。作者推导了每个任务固定步数梯度下降训练模型的泛化损失闭式表达式，并证明在单一教师或独立同分布教师情形下，最优步长约按 ln T / T 衰减，此时其泛化损失与最优调参的 L2（各向同性）正则化渐近等价。论文还分析了对角正则化矩阵的广义岭回归，并指出任务变化与隐式正则化之间存在非平凡的权衡。
说明基于可解释时序分析的深度学习脑电音乐愉悦度预测
简介本文利用公开的MUSIN-G数据集（20名听众的128通道脑电及歌曲愉悦度评分），将音乐愉悦度预测视为回归问题。作者在按人划分训练与测试的协议下比较了六种深度学习模型，其中TCN与评分的皮尔逊相关系数最高（r=0.21）。通过梯度和遮挡法解释，研究识别出每个两秒窗口内对TCN预测影响最大的时间段，为该任务提供了可复现的跨听众基准。
说明归咎于出错的文字，而非画布：面向视觉文字生成的缺陷感知空间信用分配
简介该论文针对视觉文字生成中出现的用词错误和字形畸形问题，提出了 TextDART 区域奖励模型，可定位单个文字区域并分别评估语义正确性与字形质量。在此基础上，提出 SCANNER 方法，将区域判断转化为空间差异化的策略反馈。作者称其在现有基准及新建的 PolyText-Bench 上，文字准确率与字形保真度达到了当前最优水平。
说明带误差证书的切片Wasserstein草图
简介本文研究如何用少量带权重的原子点（M个）近似一维概率分布，并在二次Wasserstein距离下求最优量化，再通过切片推广到高维。论文给出平方距离误差的精确分解，可为任意质心草图计算误差证书。实验表明，最优草图能大幅减少存储，同时保持与未压缩切片距离相当的分类性能。
说明EvolvingBrain：面向开放世界多模态智能体自我进化的自适应技能系统
简介该论文提出EvolvingBrain，用自适应技能系统作为多模态智能体自我进化的“大脑”。它包含分层技能自进化与状态感知自适应执行两部分：前者从轨迹中提取正向与问题模式，形成领域、计划和动作/陷阱三层技能架构；后者将长程交互总结为结构化抽象记忆，指导智能体按当前状态融合使用知识。作者称在VAB-Minecraft和DiscoveryWorld上，该方法提升了开放世界任务的成功率并展现出一定泛化能力。
说明APRiL：面向大语言模型中文社会感知能力的开放式基准测试
简介该论文提出了APRiL，一个针对中文社会感知能力的开放式基准，包含2196个评测实例，覆盖六个类别。基准包含两项任务：社会情境分析，考察模型对社会线索、心理状态和冲突结构的理解；社会感知回应，考察模型能否把这种理解转化为恰当、自然的回应。对六个系列共12个模型的实验显示，模型存在理解与回应之间的差距，较好的情境分析能提升回应质量，而较弱的分析可能降低回应质量。
说明开放世界AI：三项要求之说
简介该论文讨论封闭世界与开放世界两类AI任务的差别：开放世界要求机器在推理时学习、处理陌生任务，并提出丰富表示与预测解耦两项额外要求。作者在参数规模高达8B的语言模型上验证，满足要求的模型会随相关任务数据增加而提升，其余模型则退化，而扩大规模或调整层类型都无法改变这一结果。
说明ReasonUni：推理增强的重建方法提升统一多模态模型
简介该论文提出ReasonUni框架，在统一多模态模型中让理解与生成通过推理相互促进：模型先推理应如何编辑图像并描述目标状态，再据此生成目标图像。作者还提出TreeGRPO，一种树结构强化学习方法，用于联合优化两个模块。多个基准测试显示理解与生成均有提升。
说明ARIA：多智能体系统的运行时检查与修正框架
简介论文指出，基于大语言模型的多智能体系统中，一个局部错误可能被其他智能体继续沿用而导致任务失败。作者提出ARIA框架，学习在执行过程中何时以及如何修复正在进行的任务。研究收集了超过24000条成功与失败的执行轨迹，构建了包含3953对经执行验证修复的ARIA数据集，并训练一个紧凑模型用于运行时干预，结果显示其在事后及运行时场景中均有较好的修复效果，并能泛化到未见过的框架和宿主模型。
说明Verdict-MQ：一次编码、多次决策的开源编码器
简介本文提出Verdict-MQ，一种开源编码器，只读取一次案例内容，即可同时回答该案例的多个分类问题，并给出概率判断。在典型决策基准上，其395M参数模型的软标签匹配度优于发布的421M参数Laya专用模型（KL 0.080对0.117，Brier 0.045对0.061）。在RACE、BoolQ和MultiRC阅读理解任务上，结果并不一致：在MultiRC上胜出，在RACE和BoolQ上落后。
说明选择安全的共形早退出：自适应深度下的无分布覆盖保证
简介论文针对深度网络多出口早退出场景，指出在每个出口单独校准共形预测集后，数据依赖的退出选择会破坏覆盖率。作者用前缀最大值构造单一终端路径分数，只做一次拆分共形分位数校准，并返回嵌套的前缀集合。实验显示，在八个编码器任务-主干组合中，路径式选择的宏覆盖率为0.901，高于逐层选择的0.814。
说明脑电与文本的语义对齐：用于解码想象言语的对比学习框架
简介该论文研究基于脑电（EEG）的想象言语解码，提出把脑电试验与冻结的预训练文本编码器嵌入空间对齐的对比学习方法。在Chisco数据集五名受试者上，该方法在39个意图类别上的解码表现与任务优化的封闭集分类器相当，同时支持相似度检索和可靠性排序。
说明当现实变化快于认知：面向可靠智能的新扩展原则
简介本文提出一个与理论和模型无关的挑战：当现实变化越来越快，智能系统能多快变化而仍能可靠地感知、推理并行动。作者定义了有效连贯认知速度（S_C^eff），即系统能持续满足预设行为可靠性标准的最高现实变化速度。在强化学习实验中，Co^4 架构在测试场景里的 S_C^eff 明显高于 Transformer 与门控 MLP 基线。
说明参考录音引导的全双工语音模型轮流发言风格迁移
简介全双工语音语言模型在每一帧决定是否接话，从而形成对话"个性"。论文从模型自身对话中提取一个晚期残差流方向（主动性向量），无需训练或标注，它既能预测最早800毫秒前的发言起点，也能调节发言比例。用一段简短参考录音即可把特定说话人的轮流发言风格迁移到模型上，且迁移具有参考特异性。
看点识别出控制全双工语音模型发言倾向的单一残差方向，并可通过参考录音迁移说话风格，有新意；多条件、多语料实验支持结论，但影响面限于特定子领域。
说明先净化再对齐：改进扩散模型的表示对齐
简介该论文提出局部外观净化（LAP）方法，在扩散模型训练时对齐目标中去除局部可预测的内容，只对齐残差，以改进表示对齐效果。LAP只修改对齐目标，不改变扩散模型的训练或推理方式。在ImageNet-256数据集上使用SiT-B/2模型时，它将以MAE为对齐目标的FID从53.1降至42.3，在五种预训练表示上都有提升。
说明Optimal Hydra：利用数据信息化 Hydra-Net 为大语言模型做异构联邦学习
简介该论文面向大语言模型的联邦微调，因为客户端资源有限，难以训练完整模型。作者提出 Optimal Hydra 框架，结合全局层选择与依据本地数据分布选出的客户端专属注意力头，生成称为 Hydra-nets 的客户端子网络。文中称这是首个针对大语言模型微调的模型异构联邦学习方法，并报告在三个数据集上优于基线方法，同时降低了本地资源需求。
说明解读语言模型参数：一种对抗式参数分解方法（VPD）
简介该论文旨在理解神经网络如何利用参数实现计算。作者提出对抗式参数分解方法（adVersarial Parameter Decomposition，VPD），把语言模型的参数拆分为各自只实现模型部分算法的子组件，并要求只需少量子组件即可解释网络在任意输入上的行为。即使在被对抗性选择并移除大量子组件的情况下，分解后的模型仍保持输入输出行为。作者还借此研究子组件之间的交互序列如何产生特定输入下的输出，从而支持一种新的“电路”分析。
说明利用随机归一化流在连续极限下实现遍历拓扑采样
简介该研究在 SU(3) 杨-米尔斯理论中数值验证了基于流的方法可以缓解拓扑冻结问题，格距细至约 0.03 fm。研究采用开放边界条件与随机归一化流相结合的计算策略，分析其计算成本的标度行为。结果显示，在所探索的参数范围内，平方拓扑荷的积分自相关时间和拓扑磁化率的统计误差均保持可控，为更高效的流架构用于格点规范理论中的遍历拓扑采样迈出重要一步。
说明元测度的垂直切片 Wasserstein 距离：比较分布之分布的可扩展度量
简介许多现代学习问题需要比较的对象本身是概率分布，这类对象构成元测度（概率分布上的概率分布）。现有的最优传输距离计算代价很高。本文提出垂直切片 Wasserstein（VSW）距离，用连续测试函数投影内层分布，再用一维 Wasserstein 距离比较结果。文中证明它是有效度量、与弱收敛等价，并具有与维度无关的统计收敛保证，实验显示其精度与效率较好，并可用于元测度的梯度传输优化。
说明用于概率时间序列预测的分位数引导扩散模型
简介该论文研究如何把预测的分位数作为扩散预测模型的分布控制信号。作者提出Control-TS方法，在冻结预训练主干网络的同时学习分位数控制路径，并在八个基准上相对主干网络改善了CRPS指标。论文还提出条件线性预测分数CLPS，用于评估生成未来轨迹的下游预测效用。
说明WorldCast：探索世界状态预测中的智能视觉生成
简介该论文提出 WorldCast 基准，包含 8 类共 320 个人工设计案例，用于评估模型根据多模态观测与参考信息预测连续未来世界状态的能力，并测试了 12 个代表性模型。结果显示，前沿模型 GPT-Image-2.5 得分 72.8，而最佳开源模型仅 20.1，模型在复杂上下文、纠缠引用和推理密集型任务上仍有明显不足。
说明学习回答空间问题能否提升新视角生成？
简介本文研究让模型学习三维语言理解（回答空间问题），能否为新视角图像生成提供补充监督。作者提出基于预训练统一多模态模型（混合Transformer架构）的Ask4NV，将相机几何信息引入表示，并通过带模态感知注意力掩码的联合自注意力利用理解特征进行生成。实验显示其在新视角生成的图像质量和几何一致性方面表现良好，三维语言理解能力也具有竞争力。联合训练还提升了VAE表示中的跨视角对应关系。
说明Orbia：生成的视频能否构成一致的三维世界？
简介该论文提出 Orbia，这是首个专门系统评估交互式世界模型三维一致性的基准。它通过受控探索与重访，从输入保持、生成内容持久性和三维自洽性三个维度进行评估。基准包含 720 个跨室内外场景的实例，覆盖六种探索与重访协议，并对 27 个文本、动作及相机条件模型进行了测试。
说明生成任务的表示条件化（RECON）：让扩散模型后段层也能获取视觉语义，从而加快训练收敛
简介该论文针对扩散 Transformer 的表示对齐方法 REPA：REPA 仅在前段层通过对齐损失引入视觉编码器的语义，而后段层只受速度预测损失监督，未必能获取这些语义。作者提出表示条件化方法 RECON，训练时把预训练视觉编码器的 token 输入后段层，推理时复用 MLP 投影头作为替代并把输出 token 送入后段层。该方法不增加参数，论文报告其收敛速度分别是 SiT 的 63 倍、REPA 的 25 倍。
说明基于稀疏人类指导的分层残差策略学习：面向真实场景的移动操作
简介本文提出HiRe-MoMa框架，用于在真实机器人上高效微调移动操作系统。它在冻结的基础策略上学习加性残差修正，并将残差拆分为移动底盘和机械臂两个分支。此外，利用不超过20%训练覆盖率的稀疏人工干预来引导价值函数，在TIAGo++平台上仅约30分钟在线交互即可提升任务表现。
说明用扩散模型建模并理解人形机器人策略的神经网络权重
简介本文研究能否直接对人形机器人控制网络的权重进行生成式建模。作者采用潜在扩散框架，由线性自编码器把执行器网络参数压缩到紧凑的潜在空间，再用扩散Transformer建模这些潜变量的分布。基于Unitree G1机器人的强化学习网络，生成的网络可在真实机器人上部署，完成行走、跳舞和旋风踢等动作。研究还发现第一层权重反映了机器人的运动学先验，且在强化学习和模仿学习下均出现。
说明VITAL：从视觉运动到精确动作（一种由视觉运动推导驾驶动作表示的方法）
简介论文指出，现有世界-动作模型通常基于与视觉动态无关的轨迹表示训练动作模块。作者提出VITAL，一种动作分词器，将由视觉运动得到的运动骨架与编码剩余轨迹误差的紧凑残差相结合，并用流匹配从当前图像、自车状态和导航指令联合预测两部分。在NAVSIM v1 navtest上，单步去噪取得90.8 PDMS，与十步结果相差0.13分，推理速度约为端到端的3.29倍。
说明CommerceGen-Studio：面向商业级商品主图生成的端到端框架
简介该论文提出 CommerceGen-Studio，一个为电商商品（SKU）生成商业级主图的端到端框架，包含信息提取、语义改写与多条件生成三个阶段。框架在生产环境中每天生成数百万张主图，单张耗时数秒。作者同时发布了 CommerceGen-Bench 基准，在其中的开源基线对比中取得最高综合分数，并与部分闭源模型持平或在指令遵循和商品融合两项上优于部分闭源模型。
说明DynThinker：统一静态三维与动态四维空间推理的模型框架
简介论文指出现有模型难以同时擅长静态三维与动态四维空间理解，三维后训练会削弱动态理解，四维专用模型则常缺乏静态三维推理。作者提出DynThinker框架，包含解耦指数移动平均（D-EMA）与空间-动态融合（SDF）两个组件，用于同时增强两类能力。在涵盖九个静态三维与动态四维基准的十项指标上，该方法取得所比较模型中的最高平均分。
说明语言智能体的行动与预测协同进化（CoPE）：利用中间步骤监督提升长流程训练效率
简介该论文针对语言智能体强化学习中只用终局奖励、中间步骤监督未被利用的问题，提出CoPE方法，在成功轨迹上额外训练模型生成每一步之后的多步动作序列，使行动与预测共同进化。推理时仍逐步行动、无额外开销。在ALFWorld、ScienceWorld、WebShop、τ²-bench和AppWorld五个基准上，论文报告其整体表现优于GRPO等基线，并在ScienceWorld上样本效率分别最高达到ECHO的1.9倍和GRPO的2.0倍。
看点提出第三类多步动作目标并让行动与预测共同演化，在五个基准上系统对比GRPO等基线，并给出样本效率提升数据，证据较充分。
说明GeoThinker-F：用于快速空间智能的内生预测世界表征
简介现有几何感知多模态大模型依赖外部三维编码器提供结构先验，但推理时额外运行编码器会带来明显延迟与计算开销。该论文提出GeoThinker-F，把因果多模态模型的隐藏状态转化为预测性的潜在世界表征，分两阶段训练：先冻结主干，用轻量预测头学习离线三维几何专家与下一帧语义目标；再移除外部专家，通过空间与时序融合模块整合自身预测的先验。论文称该方法推理加速最高3.6倍，延迟从1.45秒降至0.40秒，同时在多项空间智能基准上保持竞争力。
说明面向3D高斯溅射的前馈多视角特征编码（MFGS）
简介论文提出MFGS，一种端到端的前馈场景编码框架。它不压缩显式的高斯表示，而是从输入图像中提取多视角特征并编码为紧凑比特流，接收端再从解码特征预测高斯属性。文中报告在RE10K、ACID和DL3DV上相较“先生成后压缩”流程可节省约99.76%至99.86%的码率（BD-rate），同时计算量降低52%至55%，端到端速度约提升12倍。
说明《Your Transformer Is Secretly Elastic》：无需重训，把预训练 Transformer 变成可按算力弹性伸缩的模型
简介论文提出一种无需重新训练的方法，把已预训练的 Transformer 改造成单一模型，可在不同计算预算下即时调整大小。方法通过可微松弛，对每个 MLP 神经元和注意力头在同一尺度上联合排序，并在多个稀疏度目标下进行软剪枝。在 27 个视觉与文本编码器（22M 至 8B 参数）上的实验显示，稀疏度达 60% 时性能平滑下降，深度剪枝下优于一次性基线方法。
说明智能体市场中一价拍卖的无政府代价
简介论文研究由AI智能体竞价分配用户提示的去中心化市场，采用一价拍卖（最高出价者付出其报价并获得提示）。由于出价者可能压低报价，分配可能偏离福利最优，论文用无政府代价衡量这种福利损失。作者指出，竞争下限和取值近似条件独立两类特征可降低该损失，分别可使损失趋近于零，或使效率保证接近最优福利的 1-1/e² 倍，并在EmbedLLM提示路由数据集上进行了模拟验证。
说明连续注意力（Continuum Attention）：把注意力从离散位置改为沿连续轨迹积分的新方法
简介论文提出连续注意力（CA），把相邻的键和值向量连成分段线性的连续记忆轨迹，查询通过对可见前缀做归一化积分来检索信息。作者称其积分有解析形式，可直接求导，并保持因果掩码和标准 Transformer 解码器结构。在受控的字节级实验中，精确连续积分优于匹配的 softmax 注意力；多语言评估中，CA 在所有测试语言上均优于各基线，相对最强基线平均降低 5.8% 的每字节比特数（BPB）。
说明基于可学习 Hodge 拉普拉斯算子的专家混合模型：面向粗糙非结构网格上的稳态偏微分方程代理模型
简介本文提出一种用于稳态偏微分方程代理模型的架构，将解按空间频率尺度划分给多个普通 Transformer 专家处理，划分依据是离散 Hodge 拉普拉斯算子，用于衡量高频成分。在 AirFRANS 翼型基准的缩减重网格版本上，与 Transolver 相比，该方法相对 L2 误差降低 31%，内部均方误差降低 47%。
说明Player-1：从合成经验中学习游戏操控
简介该论文提出 Player-1，一种在示范数据之外、通过合成经验学习游戏操控的后训练框架。研究在计算机操作动作空间上扩展了相对指针移动、持续输入与组合动作，并构建了 16 个合成 2D 与 3D 游戏环境用于多环境强化学习。实验显示，Player-1-9B 在 MineDojo-300 上的成功率达到 38.33%，高于最强基线的 12.63%，并在 ViZDoom-10 与 GameWorld 上取得进一步提升。
说明基于测试时训练的潜在压缩：为长文档学习更小的 KV 缓存
简介该论文针对大模型处理长文本时 KV 缓存占用内存、注意力计算开销大的问题，提出 Latent Compaction 方法，通过测试时训练为每篇文档学习一个紧凑的缓存。训练时冻结模型权重，只使用关于文档的通用提示，不接触下游问题与答案。在 RULER 上，该方法在 32 倍压缩下准确率为 96.7%，而 KVZip+ 为 40.0%；在 Qwen3 和 MiniCPM5 上也有检索性能提升。
看点将测试时训练用于压缩KV缓存并以蒸馏联合优化缓存，在RULER上32倍压缩下显著优于基线，实验覆盖多基准与多模型。
说明同一任务，多种接口：简单的跨接口一致性训练提升LLM智能体的鲁棒性
简介论文指出，经过后训练的LLM智能体容易被接口的语义保持型改动（如重命名动作或改变记号）干扰，性能下降。作者提出跨接口策略正则化（CIPR），用无信息标识符替换动作名，并在两种接口下呈现同一训练样本，惩罚两种接口下动作分布之间的KL散度，使策略在不同接口间保持一致。在智能体函数调用任务上，保留的接口扰动使后训练智能体准确率下降近25%，CIPR恢复了10.5%，且原始接口上的准确率保持不变。
说明超越LLM评审：面向智能体自动形式化的机械验证方法
简介本文提出一种验证Lean形式化结果的新方法，将基于LLM的语义审查与机械的数值及空真性检查相结合，可提供可核查的反馈，并发现LLM评审遗漏的错误。作者用该方法及其Extract-Verify-Proof自动形式化流程构建了数学函数形式化库FLMF，该库是NIST数学函数数字图书馆（DLMF）的部分形式化。在三个标注数据集上，该方法的错误接受率在所评估方法中最低。专家复核还发现了现有数据集中的翻译和来源缺陷。
说明通过批判引导的同策略蒸馏恢复可靠监督
简介本文研究同策略蒸馏（OPD）中教师模型的可恢复性问题：学生模型生成错误回答时，教师虽能识别错误，却会顺着学生的错误继续给出监督。作者提出CriticOPD方法，让教师先批判错误回答，学生据此重写解答，再由教师对修改后的输出打分。实验在两个Qwen3学生模型和六个数学推理基准上进行，结果显示CriticOPD优于OPD，在竞赛题上提升最明显。
说明任意时间、任意空间：以世界状态为中心的智能体视频生成框架
简介本文提出 ATAS 框架，用于长篇智能体视频生成：先把剧本编译为带有地点、镜头和事件时间信息的分镜请求，生成前从场景记忆和事件记忆中检索证据，生成后重建并登记片段，只有通过审核与状态检查的观察才会写入记忆。实验显示，该方法在四种视频生成模型上都提升了跨镜头一致性指标，并在空间重访和事件重现等方面优于对比方法。
说明Manacá-1B-Instruct-2：面向巴西葡萄牙语大模型的可复现安全对齐研究，含 DPO 负面结果与评审模型的静默失效
简介这篇论文介绍了专为巴西葡萄牙语从头训练的开源模型 Manacá-1B-Instruct-2（1.72B 参数），重点在于安全对齐。作者记录了三次 DPO 尝试均告失败的情况，并表明安全性主要来自专门的安全 SFT，同时扫描了通用数据比例对过度拒答的影响，拐点位于 40–50%。在与四个外部模型的比较中，其安全指标的置信区间下界高于各基线的上界；论文还指出在 MT-Bench-PT 的部分安全条目上，LLM 评审会拒绝打分。所有代码与数据均已公开。
说明探索的扩展需要遗忘：定期清空智能体的搜索状态可进一步提升自动化研究效果
简介该论文研究基于大语言模型智能体的自动化研究。作者发现，单个智能体迭代更久、多个智能体并行，或并行智能体相互通信三种扩展方式，都会因智能体积累历史而逐渐停滞。论文提出定期丢弃搜索状态（包括所有智能体的会话和候选历史），并从目前找到的最佳候选重新开始，可使相同算力发挥更大作用。在启发式编程、内核优化和模型训练四项任务上，与并行智能体相比最高提升15%，与单智能体相比最高提升39%。
