What Social Media Teaches Us About Accumulative AI Risks
说明社交媒体给我们的启示：AI 累积性风险
简介本文是一篇立场论文，主张除了灾难性事件之外，还应关注 AI 在日常大规模使用中逐步累积的危害，例如观点逐渐收窄、独立判断被削弱、隐私与个人画像不断积累。作者借鉴社交媒体研究的经验，并以对话式 AI 中的谄媚、操纵和隐私流失为案例，提出应研究这些累积模式，而非假定重复使用 AI 必然有害。
TriSAR-3D and PaintFusion: A Novel Trimodal LiDAR-RGB-Thermal Dataset and Method for 3D Person Detection in Search and Rescue
说明TriSAR-3D与PaintFusion：面向搜救场景三维人员检测的三模态LiDAR-RGB-热成像数据集与方法
简介该论文指出现有多模态三维检测多针对汽车场景，难以反映搜救中人员倒卧、被遮挡及室内外复杂环境的情况。作者构建了TriSAR-3D数据集，包含128线LiDAR、RGB相机和热成像相机，覆盖多种姿态与不同时段的室内外场景，并提出基于PointPainting与MLP融合的三模态检测方法PaintFusion。结果显示其AP@50达65.4，高于多个基线，单帧延迟为51.6毫秒，且去除倒卧样本后倒卧姿态检测性能接近零，表明数据多样性影响很大。
RealCLI: Toward a Unified Evaluation of Human-Agent Collaboration for CLI Agents
说明RealCLI：统一评估命令行智能体与人类协作的基准
简介该论文提出RealCLI，一个成对基准，用于在真实命令行任务上同时评估智能体的任务执行与人机协作质量。它包含两种模式：一次性提供完整规范的REALCLI-EXEC，以及由脚本化用户逐步补充信息、修正约束并做授权决策的REALCLI-COLLAB。结果显示，前沿智能体的最佳平均得分仅为49.2%，联合协作得分最高为37.6%，模型在可操控性、信任校准和安全边界管理方面表现欠佳。
KFS⁴LAM: Adaptive KeyFrame Selection with Structure-Aware Mapping for Endoscopic Gaussian Splatting SLAM
说明KFS⁴LAM：面向内窥镜高斯泼溅SLAM的自适应关键帧选择与结构感知建图
简介该论文提出KFS⁴LAM方法，用于内窥镜（如结肠镜）场景下的高斯泼溅同步定位与建图（SLAM）。它结合运动引导的自适应关键帧选择、利用结肠皱褶等解剖轮廓监督的结构化建图，以及受限的时间形变处理。在C3VD和C3VD-v2数据集上的实验显示其整体性能较好，在C3VD-v2上与SplaTAM相比旋转相对位姿误差降低20.3%，深度RMSE降低38.4%，PSNR提高0.78 dB。
Nemotron 3.5 Bolt 74B-A9B 24GB: A Hybrid Vision-Language Model for Local AI
说明Nemotron 3.5 Bolt 74B-A9B 24GB：面向本地AI的混合视觉语言模型
简介本文介绍了Nemotron 3.5 Bolt 74B-A9B 24GB，这是一种混合Mamba-Transformer视觉语言模型，旨在提升本地智能体任务中每GB内存的速度与智能水平。模型由Nemotron 3.5 Super VL 120B-A12B系列衍生而来，结合了Star Elastic压缩与2位量化感知蒸馏技术，并附带发布了用于加速推理的LiLiCorr推测草稿模型。论文报告，该模型在多项基准测试中准确率高于内存占用和速度相近的主流模型，并在RTX Spark上达到84 TPS。
JAVIS: Joint Audio-Visual Interaction and Streaming for Real-Time Conversational Agents
说明JAVIS：面向实时对话智能体的联合音视频交互与流式生成
简介该论文提出JAVIS，一个面向实时音视频对话智能体的端到端流式框架，让语音与面部表情由同一表示驱动。研究还构建了334小时的合成音视频对话数据集JAVIS-Syn。实验显示，JAVIS的初始延迟远低于一个较强的基线，且在口型同步和面部表情恰当性上优于基线。
Generative Value Classifier
说明生成式价值分类器：用动作预测回报分布来学习强化学习中的价值函数
简介该论文针对Q学习提出生成式价值分类器。传统方法直接用回报目标训练状态-动作价值函数，而本文反过来问：在各个可能的回报下，该动作出现的可能性有多大。训练的生成部分是一个以回报为条件的策略，与行动者共享网络结构，使每个动作都能监督表示学习。作者在离线和在线强化学习任务上进行评估，结果优于包括分布式强化学习在内的主流判别式方法。
Upper bounds on the number of causal pieces in spiking neural networks
说明脉冲神经网络中因果片段数量的上界
简介单脉冲神经网络的输入空间可以分解为若干因果片段，其数量已被证明可为某些脉冲神经网络的逼近误差提供下界。本文针对前馈单脉冲网络给出两个互补的上界：一是基于 poly-Bernoulli 数的组合上界，适用于较广泛的神经元模型；二是针对特定神经元模型、基于超平面排列的上界，并给出若干具体模型的阶数结果。
Star Light, Star Bright: Can Multimodal Models Parse an Astronomy Visual Question Answering Dataset Right?
说明《星光璀璨》：多模态模型能否正确解读天文视觉问答数据集？
简介本文关注大型多模态模型（LMM）读懂科学图表的能力，构建了一个天文视觉问答数据集，包含2001幅部分合成的天空图像（等高线图、NASA SkyView真实望远镜图像，以及颜色由高斯混合模型生成的“伪”天空图）和47357个问题，并模拟了历史文献的纸张老化退化效果。测试三个低成本商用LMM后发现，模型在领域专业问题上经常难以达到高准确率。与历史期刊中104幅经人工核验并标注天体测量信息的图像相比，角度范围的中位误差相近。代码与数据集已在GitHub和HuggingFace公开。
A Unified Theory of Image Scaling: Point Spread Functions, Discrete Kernels, and Scale-Spaces
说明图像缩放统一理论：点扩散函数、离散核与尺度空间
简介该论文提出一套图像缩放算子，以相机的点扩散函数为基础，使缩放结果与光学变焦一致，并能双向缩放、组合与求逆。作者指出常见的缩放方法在光学上并不忠实、内部也不一致，高斯尺度空间只是其中的理想化特例。论文用真实拍摄与含噪光学仿真验证了其预测，并显示其对超分辨率和分类等任务的稳定性有实际改善。
Has GPT-6-Astra Achieved Embodied Intelligence?
说明GPT-6-Astra 是否已达到具身智能？
简介本报告评估 GPT-6-Astra 在机器人操作与导航上的能力，覆盖桌面操作、人形机器人、移动平台和灵巧手等 12 个基准测试，并允许上下文学习与更多执行步数。研究还考察了高层推理模块与低层控制器协同的代理框架，以及在 8 种机器人配置上的真实部署，发现示范数据收集成本高、执行时间与成功率难以兼顾。作者认为其已基本跨过具身能力门槛，但尚未达到实用的具身智能。
LIBERO-PeRM: Benchmarking Personalized Robotic Manipulation
说明LIBERO-PeRM：个性化机器人操作基准测试
简介该论文提出 LIBERO-PeRM，这是一个用于评估机器人个性化操作的可控基准，区分任务完成与偏好满足。基准包含五个任务套件（共312个任务），配有带偏好与不带偏好的成对示范数据及自动评估指标。实验显示，现有 VLA 策略难以零样本实现个性化，而监督微调（SFT）使偏好可学习；偏好泛化、分解与冲突处理仍然困难。
Gen4P: Video Generators are 4D Perceivers
说明Gen4P：视频生成模型也能感知四维几何与运动
简介本文提出 Gen4P 框架，从单目视频中同时恢复四维几何与运动信息。作者将预训练的视频生成模型改造为无需迭代去噪的前馈式感知器，通过轻量交叉注意力解码器按需查询所需属性，并以冻结的视频深度 LoRA 作为几何先验提升性能。论文报告其在三维点跟踪、视频深度和相机位姿估计任务上达到领先或有竞争力的表现。
Which Tokens to Merge? Diffusion Dynamics for Efficient Image Generation
说明该合并哪些标记？基于扩散动力学的高效图像生成方法（DaTMe）
简介本文提出一种无需训练的标记合并方法DaTMe，用于加速扩散模型的图像生成。它依据去噪过程中标记是否仍未稳定以及是否含有结构信息来判断哪些标记可安全合并，而非仅依赖与提示词的相关性。在PixArt-α和FLUX上的实验表明，该方法能在全图范围内保持视觉保真度。
SoftCache: Adaptive Step Size Caching for Diffusion Transformers
说明SoftCache：面向扩散Transformer的自适应步长缓存方法
简介扩散与流模型需要多步迭代生成，每一步都要完整运行大型网络，计算开销很高。本文提出SoftCache，不再像传统动态缓存那样只做是否刷新的二选一判断，而是根据缓存信号距离阈值的余量，决定缓存步骤向前推进多远：余量大时跳过多个预定节点，接近刷新时步长逐步缩回原始步长。该方法无需训练，且不需要为每个主干网络单独设置参数；在FLUX图像生成以及HunyuanVideo和Wan2.1视频生成上，实现3.5倍到6.9倍的加速，并在四项保真度指标上均优于所有基线方法。
T2-z: Test-Time Optimization of Environment Latents for Robotic World Models
说明T2-Z：面向机器人世界模型的环境潜变量测试时优化
简介论文提出 T2-Z 方法，在机器人世界模型中加入可学习的环境潜变量，用于刻画摩擦、质量等不可直接观测的环境因素。训练时交替优化世界模型与环境潜变量；测试时冻结模型，只优化新环境的潜变量。文中报告在 7 个仿真设置和 4 个真实机器人任务中，物体预测误差从 15.20 降至 7.00，动作成功率从 33.73% 提升至 72.96%，并指出单次测试交互轨迹即可推断潜变量。
Perceive, Predict, and Plan: a Unified World Action Model for Egocentric Dexterous Manipulation
说明感知、预测与规划：面向第一人称视角灵巧操作的统一世界动作模型
简介本文提出P³-WAM，一个用于第一人称视角灵巧操作的统一世界动作模型，包含感知、预测和规划三种模式：从视频重建手部运动与相机轨迹，在给定动作下生成视觉未来，并结合初始图像、语言指令和可选视觉目标联合生成动作轨迹及其视觉结果。模型将结构化三维动作表示融入预训练视频扩散Transformer。实验表明统一训练优于单一模式训练，并在三维手部重建和动作条件视频预测上优于专用基线。
CoDA: Co-Evolution of Data Engines and Action Policies
说明CoDA：数据引擎与动作策略的协同演化
简介该论文提出 CoDA 框架，让仿真数据引擎与机器人动作策略通过共享记忆协同演化：视觉语言评判器对策略失败的诊断被转化为生成环境的程序和训练程序，并用 Text2potential 将诊断转为分阶段势函数以提供密集监督。在四类操作任务中，分布外成功率从监督微调的 5.3% 提升至 27.6%，超过最强闭环基线 9.5 个百分点。
Grounding Generative Verification in 3D Content
说明基于3D内容的生成式验证
简介该论文提出3DVerifierBench基准，涵盖10项任务，用于评估模型对3D内容的判断、拒绝解释以及对规范和候选内容变化的响应。作者还构建了包含14,126个训练样本的数据生成流程，并探讨验证反馈如何用于候选筛选与递归优化。
PathFM: Fast Generative Forecasting of Multivariate Trajectories
说明PathFM：多变量轨迹的快速生成式预测
简介本文提出 PathFM，一种基于轨迹的时间序列预测模型，使用流匹配（flow matching）生成完整的未来路径，以刻画未来轨迹之间的依赖结构。作者通过蒸馏将采样步数压缩到一到两步，并在多条路径间共享历史注意力缓存，使单个序列生成多条路径的耗时接近一次分位数模型查询。在 fev-bench 和 TIME 基准上，PathFM 的边际精度具有竞争力；作者还提出 fps-bench，在 fev-bench 任务上加入能量分数与变差图分数，PathFM 的综合路径分数高于所有对比的外部基线。
PACE: Pareto-Adaptive Compression for Efficient Native MLLMs
说明PACE：面向原生多模态大模型的帕累托自适应视觉令牌压缩方法
简介原生多模态大模型直接切分像素块，视觉令牌存在明显冗余，且对压缩的耐受性强于基于ViT的模型。PACE 通过沿高度与宽度两个方向分解注意力来估计令牌重要性，并以帕累托优化同时权衡性能、推理效率与空间覆盖，确定压缩深度与保留比例。实验显示，在仅保留25%至50%视觉令牌时性能接近无损，部分基准甚至有所提升，同时 FLOPs 减少超过2倍。
DK-VLM: Geometry as Position for Spatial Reasoning in Vision-Language Models
说明DK-VLM：以几何作为位置的视觉语言模型空间推理方法
简介该论文提出DK-VLM模型，用于提升视觉语言模型在跨视角三维空间关系理解上的能力。模型采用双核注意力，一路保留预训练的语义注意力，另一路利用估计的三维点与相机位姿直接调制注意力，再由可学习的门控融合两者。论文还提出参考系组合（RC）监督，训练模型在连续判断中更新参考系；在多个空间基准上取得较高平均分。
OmniVerifier-C1: Decomposed Graded Verifier for Rule-Governed Generative World Modeling
说明OmniVerifier-C1：面向规则驱动生成式世界建模的分解式分级验证器
简介本文提出一种生成式视觉验证器，把复杂提示或环境规则拆分为细粒度子项并逐项打分，以取代仅输出是或否的二元判断。作者设计了解耦强化学习训练策略，同时优化子问题二元判断和全局对齐评分。实验显示该方法在文生图任务及迷宫、数独等结构化世界建模任务中优于二元验证器，并认为成对验证在有真实图像时更准确。
Rethinking Routing Exploration in Modern Mixture-of-Experts
说明重新思考现代混合专家模型中的路由探索问题
简介混合专家（MoE）是扩展模型参数规模的重要方法，现代架构常同时采用细粒度专家切分和共享专家。论文指出两者之间存在探索困境：共享专家会降低词元表示的多样性，从而削弱路由的探索性，而细粒度切分带来的组合式扩大的路由空间恰恰需要更多探索，因此细粒度切分的表达能力未必能充分发挥。论文提出 MirrorMoE，通过按词元自适应抑制不必要的专家来缩小探索空间，据称在不同模型规模下均能提升性能。
SUPRA-TEX: 3D Generation with Super-Aligned Texture
说明SUPRA-TEX：面向超对齐纹理的三维生成方法
简介该论文提出SUPRA-Tex，用于单张图像的三维生成，目标是为给定三维网格赋予可重光照的材质，并忠实保留参考图像的视觉细节。方法将可见材质估计、表面对齐与观测引导的三维补全解耦：先用基于MLLM的图像编辑模型预测参考视角的PBR材质图，再编码为与生成目标共享潜空间的观测潜变量，由交错流变换器生成完整材质潜变量。论文称该方法仅用公开数据集训练，在几何条件纹理生成和端到端资产生成上达到SOTA。
★★★★☆ 值得关注
FDE-Gym: The Last Mile of AI Delivery
说明FDE-Gym：AI交付的最后一公里（基准评测）
简介这篇论文提出FDE-Gym，一个包含95项端到端交付任务的基准，任务来自20个客户场景、18个行业，由行业专家依据真实交付项目改编。在模拟客户环境中，智能体需与脚本化的利益相关方互动，并在类生产系统上操作，以交付可用的解决方案。评测对13种模型配置进行，最佳配置的平均得分为0.56，仅完成14项任务；主要瓶颈在于发现未明说的约束条件。
看点提出以客户业务指标衡量交付的新基准，覆盖95个任务、13种模型配置，并揭示隐含约束发现是主要瓶颈。
Speculative Forcing for Efficient Autoregressive Video Generation
说明面向高效自回归视频生成的推测强制方法
简介少步自回归视频生成器对每个 token 都要走完最后一步去噪，即使其实不需要。本文提出 Speculative Forcing，把中间的干净估计作为草稿，预测哪些 token 可以提前接受并冻结，不再继续去噪，同时保留其缓存的 KV 作为上下文。文中比较了免训练和学习型两种验证器。实验显示，在 LongLive 和 Lingbot-World 2.0 上，该方法在保持全步采样质量的同时明显减少计算并提高生成帧率。
MLExpert: Towards a Generalist Agentic Model for Autonomous Machine Learning Engineering
说明MLExpert：面向自主机器学习工程的通用智能体模型
简介该论文提出一种后训练方法，用于自主完成长周期机器学习工程优化，并据此训练了35B参数的混合专家智能体模型MLExpert。方法包括构建可执行任务的Kaggle-MLE Factory、分层智能体监督微调，以及以执行窗口为单位、基于结果奖励的窗口化交互强化学习（WIRL）。在MLE-Bench Lite上，该模型的平均奖牌率从基础模型的37.9%提升至72.7%，并在其他任务上也有改进。
GeoState: Learning View-Decoupled Geometry States for 3D World Modeling
说明GeoState：学习与视角解耦的三维几何状态以用于三维世界建模
简介该论文提出 GeoState，一种用于预测式三维世界建模的视角解耦几何表示。它将场景状态的演化与相机相关的观测分开，通过场景编码器把多视角几何基础模型特征聚合为视角无关的场景状态，再由几何解码器用相机射线查询。实验显示其在 Waymo 上优于以往三维世界模型，并能零样本泛化到 KITTI 和 nuScenes。
3DCodeVerse: Exploring 3D Worlds as Code
说明3DCodeVerse：把三维世界当作代码来探索
简介本文提出3DCodeVerse研究生态，让编码智能体能够大规模创建可编辑、可验证的三维内容。它包括约200万条可执行三维代码的数据集3DCodeVerse-2M、一个通过执行检查、空间测量和视觉反馈自动评估并修改程序的多智能体框架，以及相关实证研究。论文称，在该数据集上微调可提升开源模型的三维编码能力，且其框架在成对人工评测中对Claude Design（3D Object）取得90%的胜率（两者均由Claude Opus 5.5调用）。
PlayPolicy: Dexterity from Supervised Play
说明PlayPolicy：从监督式玩耍中学习灵巧操作
简介该论文提出 PlayPolicy 框架（监督式玩耍，DSP），让机器人先通过行为克隆从几分钟的人类玩耍数据中学习玩耍策略，再自主运行该策略收集数小时交互数据以训练世界模型。推理时，该策略还为模型预测控制提供候选动作序列，并通过在学习到的世界模型中自我对弈蒸馏出闭环目标条件策略以加速推理。在推推和多指手内姿态重定向任务的真实世界实验中，其成功率比事后行为克隆高 69.6%，并以少 490 倍的交互数据取得与强化学习相当的成功率。
Lean Graph Search for Formal Theorem Proving
说明基于图搜索的 Lean 形式化定理证明引擎（LeanGraphSearch）
简介论文提出 LeanGraphSearch，一种面向 Lean 4 的图检索方法，依据 Mathlib 的依赖关系构建图并沿多跳依赖链查找支撑引理。它先匹配语义相关的声明，再将相关性沿依赖边传播，最后对扩展出的候选结果重新排序。作者称其在两个数学检索基准上召回率较最强基线 LeanSearch v2 提升最多 12%，并在迭代证明实验中提高了通过率。
Robust Reinforcement Learning for Dynamic Treatment Regimes under Model and Measurement Uncertainty
说明在模型与测量不确定性下面向动态治疗方案的鲁棒强化学习
简介本文提出一种鲁棒强化学习框架，用于学习能跨患者泛化、并在生物标志物测量误差和疾病动态变化下保持可靠的自适应治疗策略，将患者建模为隐藏情境并采用鲁棒情境马尔可夫决策过程。在依据临床数据校准的模拟器中，该方法应用于转移性前列腺癌的自适应治疗，所得策略明显优于现有自适应治疗方法。论文认为，鲁棒强化学习可作为学习可靠自适应治疗策略的一种有原则的方法。
★★★★★ 值得关注
Evaluation Awareness Beyond English: Do LLMs Act Differently When Tested in Indic Languages?
说明超越英语的评估感知：大语言模型在印度语言测试中表现会不同吗？
简介论文研究大语言模型能否察觉自己正在被测试（即“评估感知”），并检验这一现象在五种印度语言和英语中是否存在。研究对三个系列的四个指令微调模型进行测试，结果显示，当模型被告知正在接受测试时，拒绝有害请求的比例明显上升，在所有模型和语言中都有体现。在印度语言中，拒绝有害请求的比例平均上升14.4个百分点，与英语水平相当；但拒绝良性请求的比例也从6.9%升至11.3%。
看点首次系统研究印度语言中的评估意识，四个模型、六种语言、47,880条判定结果，揭示安全评估可能与真实用户体验不符。
KnowGPO: Knowledge-Grouped Policy Optimization for Search Agents
说明KnowGPO：面向搜索智能体的知识分组策略优化
简介该论文针对深度搜索智能体在多轮交互中难以为单次搜索决策分配功劳的问题，提出 KnowGPO 强化学习框架。它把每个查询所需的信息拆解为原子知识条件，并按轨迹已满足的知识子集对状态分组比较，以相邻步骤间的知识增益作为过程奖励。论文称在 Xbench、BrowseComp-ZH 和 GAIA 上，该方法比仅依据结果及其他过程监督基线高出 3.8 至 4.2 分，8B 模型可与多数 32B 开源系统相当或更优。
Designing Transformers for Continuous Diffusion Language Models
说明面向连续扩散语言模型的 Transformer 架构设计
简介该论文指出，目前连续扩散语言模型大多直接沿用面向因果大语言模型或图像生成的 Transformer 架构，并未针对其优化。作者系统研究了适用于该类模型的 Transformer 架构，提出 LangDiT，融合特征与查询-键归一化、更宽的噪声条件、似然捷径梯度路由与校准，以及置信度门控的训练自条件等设计。在 OpenWebText 上无条件生成 1024 词元序列时，作为即插即用骨干，LangDiT 在不同模型设定下取得了更低的生成困惑度。
ACEdit: Stable Multi-Turn Image Editing via Asymmetric Conditioning
说明ACEdit：通过非对称条件实现稳定的多轮图像编辑
简介图像编辑模型单次编辑效果良好，但多轮编辑后质量会下降，原因是每轮的微小分布偏移不断累积。本文提出一种训练方案，让编辑器在训练时基于自身前几轮的输出进行编辑，并借助教师模型提供可靠的蒸馏训练信号，教师则锚定在原始干净图像上并接收复合编辑指令。实验表明，该方法在长序列多轮编辑中显著减少了质量退化，同时保持了编辑质量和指令遵循能力。
Twice Upon a Time: Complementary Representations for Time-Series Reasoning
说明《Twice Upon a Time》：面向时间序列推理的互补表示
简介该论文提出时间序列语言模型应同时使用两种互补的视觉表示：保留绝对数值与坐标系的折线图，以及对正幅度缩放和偏移不敏感、突出时间结构的归一化延迟嵌入图。基于 Qwen3-VL-8B 的双视图模型在 TSRBench 上准确率从仅用折线图的 44.5% 提升至 53.2%，并在 TSExam 上达到 89.9%。
Dense4D: Pixel-Level 4D Human Correspondence
说明Dense4D：像素级四维人体对应
简介该论文提出 Dense4D，一种前馈模型，可从多张单目 RGB 图像中，在不使用人体模板的情况下，为人体、衣物和头发的表面点建立稠密四维对应。模型为每个人体像素预测其在参考时刻的三维位置（Human Point Maps）和深度。在真实人物上的实验显示，其跟踪精度明显高于所比较的基线方法，且与扫描表面更吻合。
Training Reasoning Models to Generate Diverse Scientific Ideas
说明训练推理模型生成多样化的科学创意
简介本文研究基于文献的创意生成，目标是让大语言模型提出的多个创意既各自高质量，又彼此明显不同，并以输入论文为依据。作者提出集合级强化学习目标，每个创意的质量按其与此前创意的距离加权计分，促使模型避开已有方向。论文称，训练后的80亿参数模型在其无数据污染的基准上取得更高的创造效用，并且在概念验证实验中的成功率与对比模型相当。
★★★★☆ 值得关注
Learning Self-Orchestration in Decentralized Agent Swarms
说明学习去中心化智能体群中的自我编排：一种基于市场的训练方法
简介该论文提出基于市场的后训练（MPT）框架，让去中心化智能体群同时学习行动策略和自我编排，智能体通过出价表达参与意愿并决定谁来行动。在具身制作、机器人导航和深度研究三类任务上，该方法优于单体后训练，并优于其他协调策略。训练后的智能体群还能更快适应相关任务，并在更大规模和智能体掉线时表现更稳健。
看点提出市场机制联合学习行动策略与自组织的去中心化智能体群框架，在三类任务上做了对比与消融实验，证据较充分，影响面限于多智能体训练方向。
AVC-Reward: Event-Centric Audio-Video Consistency Evaluation
说明AVC-Reward：以事件为中心的音视频一致性评估
简介随着音视频联合生成模型能力增强，生成的场景日趋复杂，现有评估沿用的旧指标难以适用。论文提出以事件为中心的评估框架，先将音频与视觉事件分开逐一分析，再跨模态交叉验证，并汇总为由粗到细的三层一致性指标。作者据此实现了可训练的奖励模型AVC-Reward，并构建AVC-Benchmark用于检验其与人类判断的一致程度。
Not Just a Subject: Capturing Adaptive Scene-Specific Variance for Visual Storytelling
说明不只是主体：为视觉叙事捕捉自适应的场景特定差异
简介扩散模型可根据叙事提示生成连贯的图像序列，但现有方法多侧重保持人物一致性，难以适应多样场景变化。论文提出免训练框架EOS-Story，在文本与视觉空间中兼顾身份一致性与场景适应，并扩展Consistory+基准以评估多样构图下的表现。实验显示其在两个基准上取得有竞争力或更优的结果。
A team of Gemini 4 Argon agents beats Minecraft
说明四个 Gemini 4 Argon 智能体协作通关《我的世界》
简介研究者将四个 Gemini 4 Argon 智能体放入沙盒生存世界，目标是击败末影龙。智能体通过开源库 Mineflayer 操控角色，并借助游戏内聊天与共享记忆协调，角色分工与程序编写均由其自行完成。该团队在简单难度的随机地图上编写了 2,783 个程序，用时 27 小时 14 分钟击败末影龙，期间死亡 605 次。
Learning to Steer LLM Agents and Multi-Agent Systems
说明学习引导LLM智能体与多智能体系统
简介大语言模型智能体在长流程工具调用和多智能体协作中，执行过程中可能偏离总体目标，这种现象称为目标漂移。本文提出一种引导智能体，在执行过程中实时监督，并在出现漂移时将系统拉回正轨。该引导智能体用强化学习联合训练低成本快速路径与高成本慢速路径，前者判断何时介入，后者决定如何介入。在信息检索搜索任务上的实验显示，它能有效提升单智能体与多智能体系统的表现和效率。
MindEval2: Clinically Grounded Patients and Rubrics for Evaluating Language Models in Mental Health Support
说明MindEval2：面向心理健康支持的语言模型临床评估框架
简介本文提出 MindEval2 评估框架，包含与心理学博士合作制定的心理健康质量评分细则（MHQR），以及可模拟多轮对话、带记忆模块的患者模拟器 MindSim。作者用其评估了 18 个模型，发现前沿模型在表层质量和边界问题上已有改善，但指导校准仍是所有模型的主要失败模式。
Grid-Bench: Can LLMs Predict How Discrete Worlds Change?
说明Grid-Bench：大语言模型能否预测离散世界的变化？
简介该论文提出 Grid-Bench，一个可执行的基准测试，用二维、三维和四维网格表示离散世界，并给出八类空间操作。模型依据初始网格、规则和文本形式的事件历史，预测最终的完整网格。研究评估了六个大语言模型，结果显示历史越长，完整状态的准确率下降越明显，且在单步事件上表现相近的模型之间差异显著。
Velox: Spatial Memory Makes World Models Efficient
说明Velox：空间记忆让世界模型更高效
简介Velox是一种无需训练的注意力路由方法，用于视频世界模型中的区域级上下文选择。它利用流式几何信息构建相机视锥切片，对历史区块进行筛选，以减少随生成长度增长的注意力计算开销。在第48个分块时，该方法使注意力计算加速4.36倍，去噪加速2.43倍，同时在WBench导航测试集上与密集基线的平均得分差距在0.15分以内。
ARC-SORT: Adaptive, Robust, Compensated Multi-Object Tracking with Interacting Multiple Models
说明ARC-SORT：基于交互式多模型的自适应、鲁棒、补偿型多目标跟踪
简介该论文提出ARC-SORT，一种无需训练、可实时运行的体育转播多目标跟踪方法，核心是利用交互式多模型卡尔曼滤波的预测不确定性自适应调整匹配区域，并在两人交叉时进行至多一次身份交换修正。在SportsMOT和DanceTrack测试集上取得了文中报告的HOTA、身份切换等结果，每秒约处理50帧。
★★★★☆ 值得关注
Knowledge That Is Linear Before Fine-Tuning Generalizes After It
说明在微调前呈线性可读的知识，微调后更能泛化
简介本文区分两类语言模型中的事实：能支持超出自身回忆之外泛化的“活跃事实”，以及能被回忆却不支持该类泛化的“惰性事实”。作者通过为已有关系（如地点到大洲）重新分配标签构造新关系，微调模型后测试其能否将标签泛化到共享同一原答案的未见主体。在11个模型、70个关系上的实验显示，原关系在预训练表示中的线性可读程度与泛化能力高度相关（每个模型内的皮尔逊相关系数为0.87至0.92）。
看点通过构造新关系，发现预训练表示中原关系的线性可读性与微调后泛化强度高度相关（r约0.87–0.92），并经多种控制验证，新颖且证据充分，对子领域有较大启发。
★★★★☆ 值得关注
Testing the Planning Claims of LLM-Based Agents against Formal Semantics
说明检验基于大语言模型的智能体规划能力：用形式语义进行验证
简介该论文指出，大语言模型智能体的规划能力通常只用端到端成功率或大模型评判来支持，缺乏可靠验证。作者用隐藏的PDDL模型对自然语言任务进行形式化验证，覆盖五个领域、四种模型、六种提示策略和三种智能体架构。结果显示，最佳配置离线解决了78%的可解任务，在线仅为40%，且不可解任务在不到10%的情况下被识别出来。
看点用形式化PDDL语义检验LLM规划能力，新颖地揭示了在线与离线、可解与不可解任务上的系统性差距，实验覆盖五个领域、四个模型和多种策略。
AI Consilium: a Benchmark of LLM Clinical Multidisciplinary Second Opinions
说明AI Consilium：大语言模型临床多学科第二意见基准测试
简介该研究构建了一个多维基准，使用300例经诊断确认的NEJM–MedQA病例，评估大语言模型生成临床第二意见的质量，包括事实依据、临床连贯性、可操作性和安全性。八种单模型流程分别生成独立意见及交互式会诊报告，由经医生校准的LLM评审对3040份最终报告进行评估。结果显示，模型本身对报告质量的区分度高于回答格式；结构化会诊综合意见在问题优先级、事实依据和推理连贯性方面有明显提升。
Backward Compatibility in Zero-Bit Neural Audio Watermarking
说明零比特神经音频水印中的向后兼容性
简介本文研究零比特神经音频水印系统在更新后如何保持向后兼容。作者提出训练框架，让新检测器同时兼容一系列冻结的旧版嵌入器，并引入角度多样性损失（ADL）使新嵌入器占据不同区域。文中称该方法在不影响检测准确率与音频质量的前提下，恢复了接近完美的真负例率。
Grounded Human-Attributed Description and Activity Recognition in Videos
说明视频中基于定位的人物属性描述与行为识别（GHADAR）
简介该论文提出“基于定位的人物属性描述与行为识别”任务，即在给定每个人位置的前提下，描述视频中每个人的特征和行为。作者基于AVA-Actions构建了带开放式描述的新数据集，并提出在训练时约束视觉语言模型的交叉注意力掩码的方法，实验显示其优于现有先进视觉语言模型。论文还指出现有评估指标的局限，并提出基于视觉语言模型的视频直接比较评估方案。
Multi-Target Few-Shot Prompting with Diffusion Language Models
说明用扩散语言模型进行多目标少样本提示
简介本文提出用扩散语言模型做多目标少样本提示：示例引导在同一画布上补全多个被遮蔽的区域，适用于需要同时参考左右上下文的批量编辑。作者还利用选择性遮蔽推导出一种似然比奖励，以更好地遵循示例。在少样本提示基准和软件重构案例中，示例提升了补全准确率，并在部分场景中带来进一步改进。
Towards Continual Learning: Mitigating Forgetting With Subspace Tuning
说明迈向持续学习：利用子空间微调缓解遗忘
简介大语言模型通过微调习得新技能，但可能破坏已有能力，即灾难性遗忘。本文提出子空间微调（SST），将每次权重更新限制在底部奇异子空间内，避免改动主要方向。论文称该方法可保护高达99%的权重子空间，在保持目标任务表现的同时明显改善旧能力保留，并使模型与基础分布的KL漂移减少2至4倍。
From Parallels to Divergence: Language Models' Learning of Action Nominal Constructions
说明从平行到分歧：语言模型对动作名词化结构的学习
简介该论文研究不同语法配置如何影响语言模型学习动作名词化结构（ANC）及相关构式，并将模型的学习偏好与自然语言的类型学分布进行比较。研究者用语法工程方法构建了96种目标语言的合成语料，从头训练GPT-2-small模型，并用覆盖34种语法现象的最小对进行评估。结果显示基本从句配置上与类型学相似，但在补语系统和ANC策略上出现分歧。
CAT-alyzing Honesty: Continuous Adversarial Training for Transferable LLM Honesty
说明CAT-alyzing Honesty：面向可迁移大模型诚实性的持续对抗训练
简介论文指出，即使经过对齐训练，大语言模型仍会输出与已知知识相矛盾或无上下文依据的不诚实内容。作者提出持续对抗训练方法 CATCH，用少量基于自我报告场景构建的样本训练模型趋向诚实回答、远离不诚实回答，并在 Llama-3.3-70B-Instruct 与 Qwen3-3.6-27B 上评估。文中称该方法在 MASK、Among Us 与 AuditBench 等基准上均有良好迁移效果，并在保持模型能力方面优于激活引导方法。
EliteReplay: Preserving Diverse Solutions in RL Post-Training via Quality-Diversity Search
说明EliteReplay：借助质量-多样性搜索，在强化学习后训练中保留多样的解法
简介该论文提出 EliteReplay，一种把 GRPO 与由质量-多样性搜索构建的“精英”存档结合起来的后训练方法。训练前用冻结的基座模型收集不同思路的解法，训练中加入对该存档的回放损失。在多个 text-to-SQL 任务上，该方法的 pass@128 高于所有基线，并保留了更多基座模型的正确策略，在歧义问题 AmbiQT 上两种解释的覆盖率约为最强基线的两倍。
Improving Environment-Agnostic Agents: The Role of Scaffolding
说明改进与环境无关的智能体：脚手架的作用
简介论文研究基于 Codex 的通用智能体在 ARC-AGI-3、AGI Maze 和 Terminal-Bench 上的表现。仅修改一条鼓励报告困难并交还控制权的指令，就提高了前两者的平均分，Terminal-Bench 变化较小且结果不一。即便如此，通用智能体仍低于 ARC-AGI-3 专用参考智能体，将参考智能体的重置决策转交脚本控制器后，部分优势得以恢复。
Learning Rational Strategies for Temporal Objectives in Multi-Agent Systems
说明多智能体系统中时序目标的理性策略学习
简介本文研究动态未知的随机多智能体系统中的理性综合问题，每个智能体用有限迹概率线性时序逻辑（PLTL_f）描述自身的概率时序目标。作者把纳什均衡等解概念作为联合策略的约束，并给出表格式 Nash-Q 学习的条件收敛保证。实验在 8 个一般和并发随机博弈上验证了该方法。
Asking Smarter Questions: Targeted Active Preference Learning for Underspecified Rewards
说明更聪明地提问：面向欠规定奖励的定向主动偏好学习
简介本文指出，人类示教往往只覆盖任务中的部分特征，机器人可以从示教数据中识别出监督不足的特征。作者提出由机器人而非人类承担补救负担：构建针对这些特征的先验来定向提出偏好查询，并为每个查询附上聚焦于相应特征的解释。仿真中，在查询次数较少的情况下，该先验比标准主动偏好学习基线高出最多30.8%；用户研究显示，先验和解释各自都显著改善奖励恢复效果，并且二者相互增强。
Routing Policy Optimization for Online Diffusion Reinforcement Learning
说明面向在线扩散强化学习的路由策略优化（RPO）：通过注意力路由引入探索，训练后恢复原始确定性采样
简介该论文提出路由策略优化（RPO），把视觉生成模型的注意力路由变成随机探索动作，在部分去噪步骤中对键块进行采样，从而扰动速度场并用强化学习信号优化。训练时使用两条共享提示、初始潜变量和路由步骤的轨迹，仅注意力路由不同，以其奖励差作为优势信号。推理时恢复稠密注意力并保留原有确定性采样器。论文称在文生图和文生视频任务上提升了生成质量，训练效率约为 Flow-GRPO 类方法的 4 倍。
LEASH: Uncertainty-Aware Weak-to-Strong Escalation and Oversight for Computer-Use Agents
说明LEASH：面向计算机使用智能体的不确定性感知弱到强升级与监督框架
简介论文提出LEASH，一种无需训练的框架，让较弱的开源模型默认执行任务，仅在其潜在不确定性信号显示需要时才把控制权交给强模型。交接后，一个影子观察器继续监督强模型这一黑盒智能体。在OSWorld实验中，LEASH优于单独运行的弱智能体，并在匹配升级率下优于随机升级；用Qwen3.5-35B-A3B时，任务成功率为73.66%，与始终使用Claude Opus 5的72.90%相当，推理成本降低19.2%。
★★★★☆ 值得关注
Progressive Misalignment Can Emerge from Benign Recursive Self-Distillation
说明良性递归自蒸馏可能导致渐进式失准
简介本文研究让模型在自身输出上反复进行自蒸馏的安全性。每一轮中，模型在接收无害提示时生成的安全回答被用作下一轮训练的教师。作者在Qwen3与Phi-4模型系列上，于SORRY-Bench和StrongREJECT基准中观察到模型对有害查询的失准程度逐步加剧，称为渐进式失准。论文还表明，即使不使用有害训练提示，也可以找到良性提示引发该现象。
看点发现良性递归自蒸馏会逐步导致模型失准，并用梯度方法找到良性提示复现，新颖性较高；实验覆盖两个模型族和两个基准，但规模与消融信息有限。
Harness-Delta Attribution: Dissecting Gains From Harness Evolution
说明Harness-Delta 归因：拆解 Harness 演化带来的性能增益
简介论文提出 Harness-Delta 归因（HDA）评估方法，把自动优化提示词、工具和编排代码所带来的性能提升拆分为过拟合、推理时计算量增加和剩余的可泛化改进三部分。在 11 个执行模型、3 个框架和数学、编程、创意、智能体任务上的实验显示，在 21 个有显著搜索集提升的设定中，过拟合与测试时扩展平均分别占增益的 54% 和 14%。搜索集上的提升往往无法迁移到留出任务上，因此作者主张在未来研究中采用归因感知的评估方式。
Auditable and Deployable Multi-Agent Motion Planning via Posetal Games from Legal Guidelines
说明基于法律指南的偏序博弈：可审计、可部署的多智能体运动规划
简介本文提出一个在法律约束下进行多智能体运动规划的框架，基于具有偏序偏好的博弈（偏序博弈）。与场景无关的法律指南对抽象的法律考量进行排序，并据此为具体场景自动推导智能体偏好与法律博弈。在海上航行的实验中，研究者对至多四艘船的七种会遇场景进行了检验，结果表明该框架为从部分明确的法律到多智能体运动规划提供了一条可审计的路径。
MJev-Spatial: System One Spatial Intelligence via Native Attention Matching
说明MJev-Spatial：通过原生注意力匹配实现的系统一空间智能模型
简介该论文提出 MJev-Spatial，一种面向空间理解的多模态快速决策模型，把选择题、数值预测和点定位统一为分类问题，用预训练的查询与键投影对候选项打分，无需额外参数，推理时单次前向即可输出结果，不生成答案文本。在 12.3M 条空间问答数据上基于 Qwen3.5-4B 训练，论文报告其总分在八个测试模型中最高（65.64%），并比未修改的自回归基座模型更快。
Librarian Agents: Training LLMs to Curate Long-Context Workspaces that Anticipate Future Queries
说明图书管理员智能体：训练大模型整理长上下文工作区，预判未来查询
简介本文提出 Librarian Agents 框架，由构建智能体把原始文档整理成带有合成文件和参考链接的分层文件系统，供下游问答智能体使用。作者将工作区构建建模为马尔可夫决策过程，并用强化学习以最大化下游回答准确率进行优化。在 BrowseComp-Plus 上，该方法比最强的检索和预计算基线高出 33 个百分点，并能在未见领域上零样本泛化。
Unsupervised Clustering of Public Transport Vehicles Using Deep Morphological Features and Color Histograms
说明基于深度形态特征与颜色直方图的公交车无监督聚类
简介本文提出一种无监督方法，将冻结的DINOv2视觉Transformer提取的车身形态特征与HSV颜色直方图加权融合，再经UMAP降维和K-Means聚类，对车辆进行分组。研究使用墨西哥城一条主干道约1460小时视频中提取的7972张公交车图像进行评估。以65%形态特征与35%颜色特征融合时，系统得到14个聚类，能区分不同路线和车型，并提高了目标聚类的精确度。
X-RIC: An Agentic RAN-Intelligent Controller Benchmark for Enhancing Reinforcement Learning
说明X-RIC：面向强化学习增强的智能体式 RAN 智能控制器基准
简介该论文针对 O-RAN 架构中的无线接入网智能控制器（RIC），提出可解释框架 X-RIC，把智能体式推理与强化学习结合。框架包括基于领域启发式的行为克隆、一个用于上下文抽象与解释的电信语言模型，以及在近实时 RIC 控制回路中的闭环协同适应。作者还提出评估框架 BARX，并在网络切片仿真与 O-RAN 兼容测试平台上进行验证，报告运营成本降低 89%，同时保持 SLA 合规。
Beyond Pairwise Repulsion: Collective Diversity via Determinant Maximization in Diffusion Sampling
说明超越两两排斥：扩散采样中基于行列式最大化的集体多样性
简介文字生成图像的扩散模型在强引导下容易集中于高密度模式，导致多次采样结果趋同，不利于需要分布广度的合成数据增强。本文提出DetNO方法，在初始噪声上最大化一批单步预测的RBF格拉姆矩阵对数行列式，以促进整批样本的多样性，并加入锚点保真项与拉格朗日松弛，仅用一个超参数λ平衡多样性与质量，无需训练或修改采样器。实验在SD1.5、SDXL、SD3上取得了领先的批内多样性，并在低样本少样本分类中带来统计显著的准确率提升。
SCOPE: Semantic Bounded Credit Optimization for Prompt Engineering in Text-to-image Generation
说明SCOPE：面向文生图提示词工程的语义有界信用优化
简介该论文提出SCOPE方法，用强化学习训练语言模型改写提示词，使冻结的文生图模型生成效果更好。方法按语义片段（如对象、数量、属性、关系）对策略对数概率的变化进行汇总，得到统一的更新权重，无需额外的片段奖励或图像渲染。在Qwen-Image、SD3和FLUX.1-dev上，相比原始GRPO，GeneVal平均相对提升9.48%，T2I-CompBench提升7.62%。
Author-in-the-loop Agentic Reproducibility Auditing for a Machine Learning Conference
说明面向机器学习会议的作者参与式智能体可复现性审计
简介本文提出一种作者参与的协作式可复现性审计方法，让作者声明（复现说明与限制）成为AI智能体调查和评估的明确输入，并通过GitHub上的两阶段流程连接智能体检查、作者澄清修改与智能体复评。研究在36篇会议论文、133个实验表格和图表上进行部署，经人工审核后提出20个问题。进一步检查支持关闭全部问题，但部分情况下仍未完全验证复现。
Baselines and Score Centering in Policy Gradient Estimation
说明策略梯度估计中的基线与得分中心化：基于协方差的视角
简介本文针对大语言模型强化学习后训练中的异策略问题，研究重要性采样被截断、掩码或裁剪后，策略梯度如何保持对奖励常数平移的不变性。作者以奖励与重要性加权得分的协方差作为估计目标，分别分析序列级和词元级重要性采样，比较组均值基线与得分中心化的不同作用。结论是：序列级采样下使用组均值基线后，得分中心化不再带来额外好处；词元级采样且比率被正则化时，只用组均值基线通常会引入偏差。
Political Narratives in the 2024 Moldovan Presidential Election: Stance, Amplification, and Influence
说明2024年摩尔多瓦总统选举中的政治叙事：立场、放大与影响
简介本文分析了2024年摩尔多瓦总统选举期间，X、Facebook和Reddit上的公开帖子如何形成、趋同并传播政治叙事。研究结合多语言立场检测、协同分析与因果推断，考察对欧洲一体化、俄罗斯及两位主要候选人的立场差异。结果显示，主要立场类别上同伴影响的平均处理效应为正且具有统计显著性，表明转发放大与同伴接触有助于强化网络上的政治叙事。
Topology-Inspired Fine-Tuning for Wind-Field Super-Resolution
说明面向风场超分辨率的拓扑启发式微调
简介科学超分辨率模型通常只用逐点重建损失训练，但科学解读更关心极值、连通区域和多尺度结构。作者用预训练的CNN与GAN风场超分模型比较发现，逐点指标和拓扑距离（持续图与合并树）偏向CNN，而二阶Wasserstein持续图距离偏向更锐利的GAN。据此，作者用基于速度、梯度、高速等值集和局部极大值的可微拓扑辅助损失，加上固定持续对的监督，微调CNN。在168个风场样本上，最终目标使平均持续图距离降低约25%至31%，并使PSNR提高1.30 dB；合并树距离也有改善，但仅在部分样本上成立。
FPG-Seg: Annotation-free Retinal Vessel Topology Segmentation
说明FPG-Seg：无需标注的视网膜血管拓扑分割
简介视网膜血管分割通常需要大量由临床专家完成的人工标注，耗时很长。本文提出 FPG-Seg，结合经典血管性滤波、贝叶斯深度学习与拓扑感知的图重建，在不使用人工标签的情况下分割视网膜血管拓扑。在四个常用视网膜血管分割基准数据集上，其 clDice 为 0.74 至 0.78，并给出了 FIVES 数据集上无标注血管分割方法的首个性能基准。
Denoising Textures is a Different Ballgame Altogether!
说明纹理去噪是一个截然不同的问题
简介本文研究纹理图像去噪问题。作者发现，现有最先进的去噪模型在纹理数据集上表现不佳，细节容易被过度平滑；只有在纹理数据集上微调才能提升效果，但这样做会导致模型灾难性遗忘原始数据集。作者认为，需要专门面向纹理的去噪方法，以支持纹理的准确重建与生成。
BitSparse: Compact Activation Storage for ReLU Feed-Forward Networks
说明BitSparse：面向 ReLU 前馈网络的紧凑激活存储（一种无损压缩稀疏激活缓存以降低大模型训练显存的方法）
简介论文提出 BitSparse，一种驻留 GPU 的稀疏激活无损压缩格式，用于缩小大语言模型训练中的激活缓存，并在反向传播时精确恢复。该方法支持 BF16 与 FP8 激活，并可选符号位打包以进一步提高压缩率。原文报告在 Modded-NanoGPT 与 Nemotron-H 上每 token 显存分别降低 31% 和 30%，实际序列长度下开销不超过 1%。
Explore Once, Evaluate Many: Multiple Policy Evaluation for Stochastic Linear Bandits
说明一次探索，评估多个策略：随机线性老虎机中的多策略评估
简介该论文研究在具有线性奖励结构的随机上下文老虎机中，如何同时评估 K 个目标策略的价值。作者提出 PRISMA 算法，在给定特征映射和无奖励的策略查询条件下，以概率至少 1-δ 将每个策略的价值估计到精度 ε，并给出了所需样本量的上界。
Not X, but When: Diagnosing a Mandarin LLM Writing Tic through Contextual Appropriateness
说明并非X而是……：用语境恰当性诊断一种中文大模型写作习惯
简介该论文研究大语言模型中文写作里常见的“不是X，而是Y”句式。作者提出决策树，把用法分为实质性、可选和有缺陷三类，并分析了五个商用模型与人类参照文本的使用频率差异。结果显示，模型的主要问题在于恰当性而非正确性，部分奖励模型和大模型评审还偏好该句式。
Disagreement-Guided Weak-to-Strong Routing
说明基于分歧引导的弱到强路由
简介小型语言模型常部署在边缘设备上，但能力有限，需要在必要时交给更强的模型处理。本文不依赖真值监督，而是用弱模型与强模型生成回答之间的分歧来决定是否路由。实验表明，在智能体与单轮任务中，该方法能在路由成本与回答准确率之间取得较好平衡，且在有真值信号可用时，表现也优于直接训练预测正确性的方法。
★★★★☆ 值得关注
SurvICL: a Foundation Model for in-context Survival Analysis
说明SurvICL：用于上下文内生存分析的基础模型
简介论文指出，在生存分析（根据删失数据预测事件发生时间）中，现有表格基础模型都未能超过已有半个世纪历史的Cox模型。作者提出SurvICL，它在上下文中直接预测生存曲线，仅用合成数据预训练，并采用普通分位数回归损失训练。在63个未参与设计的数据集上，SurvICL在综合Brier分数的两两比较中胜出82.9%，优于包括Cox模型在内的20个基线，并且是首个在小数据集上排名高于Cox的模型。
看点提出基于合成先验预训练的生存分析上下文学习模型，并在大规模基准上超过多种基线，证据充分但影响限于子领域。
MMSearch-OPD: Easy Made Hard, Hard Made Learnable for Long-Horizon Multimodal Search Agents
说明MMSearch-OPD：面向长程多模态搜索智能体的训练方法
简介本文提出 MMSearch-OPD 方法，用于训练需要持续获取证据的长程多模态深度搜索智能体。方法包括一个数据精炼流程，把已有的简单图文问题扩展为更长的推理链，并结合强化学习与同策略蒸馏进行联合训练。实验显示，数据精炼和SFT后的联合训练都带来了性能提升。
Query-Efficient Rejection Sampling for Parallel Masked Diffusion
说明面向并行掩码扩散的低查询成本拒绝采样
简介掩码扩散模型可以并行解码多个词元以加速生成，但独立采样会忽略词元之间的相关性，使输出产生偏差。本文提出单增量拒绝采样器（SIRS），每次只用一次查询估计对数接受概率，并利用 Rao-Blackwell 化降低截断影响。文中给出 SIRS 输出与数据分布之间 KL 散度的上界，该上界由截断项与模型训练误差组成。
Training-Free On-Policy Distillation
说明免训练的同策略蒸馏：仅用前向计算合并多个专家模型
简介该论文提出一种无需梯度训练的方法，将同一基础模型上分别微调的多个专家模型合并为一个学生模型。每层线性层通过最小二乘问题求解，只需少量推理样本的二阶矩统计量。作者指出，过滤掉重复循环截断的回答对效果影响很大。在Olmo-3-7B上的实验显示，合并后的通用模型在七个数学与代码基准上保留了各专家的大部分提升。
OS-Helix: Unifying GUI Interaction and Code Execution in Native Computer-Using Agents
说明OS-Helix：在原生计算机使用智能体中统一图形界面操作与代码执行
简介本文提出 OS-Helix，一种端到端训练的多模态计算机使用智能体，在同一动作空间中统一图形界面（GUI）操作与代码执行。作者通过应用与文件组合构造可执行的 Ubuntu 环境，并生成可验证的任务数据，先用 SFT 冷启动，再用在线强化学习优化，提出按动作步数平衡的 Step-balanced GSPO。在 OSWorld-Verified 上，OS-Helix-27B-RL 达到 66.44% 的成功率。
WaveLLM: Wavelet-Domain LLM Entropy Modeling for Lossless Image Compression
说明WaveLLM：基于小波域大语言模型熵建模的无损图像压缩
简介论文提出WaveLLM，先把图像分解为多级小波子带，使预测问题更结构化、统计特性更均匀，再用基于Llama-3.2-3B并采用LoRA微调的大语言模型进行自回归概率估计。在Kodak、CLIC Pro和DIV2K三个基准上，其压缩率分别为2.51、2.24和2.27 bpsp，优于使用相同小波变换的PixelCNN编解码器，也超过近期基于大语言模型的无损压缩方法。
Architecting for Hardware Diversity: Meta's End-to-End Co-Design for High-Performance AI Training on AMD GPUs
说明面向硬件多样性：Meta 在 AMD GPU 上实现高性能 AI 训练的端到端协同设计
简介这篇论文介绍 Meta 如何在 AMD Instinct MI350X 上优化推荐模型训练，并与 NVIDIA B200 对比。作者提出三项可复用原则：硬件与模型协同设计、基于分析性能模型的免预热内核选择，以及扩展智能体工作流以辅助移植与优化。相比直接移植的基线，这些方法使端到端训练吞吐量最高提升 1.5 倍。
How Much Physics Can Vision Learn from Audio? Probing and Distilling Damping Structure
说明视觉模型能从音频中学到多少物理知识？探测并蒸馏阻尼结构
简介该研究比较了冻结的音频编码器与视频单帧（CLIP编码）在判断物体阻尼（品质因数Q）排序上的能力，音频表现明显更好（Spearman相关系数0.73，单帧为0.28）。研究者将音频教师模型通过投影头蒸馏到视觉模型中，恢复了部分音频优势；在留出材料的评估中，四帧输入的蒸馏将相关性从0.234提升到0.338。
Skill-Decoupled On-Policy Expert Distillation for Unified Vision-Language Models
说明面向统一视觉-语言模型的技能解耦同策略专家蒸馏
简介本文提出SCOPED方法，用于整合视觉-语言模型中独立训练的多项能力。方法先训练各能力专家，并通过奖励引导的反思提取显式技能；蒸馏时技能指导专家监督，但统一学生模型推理时无需显式技能。在八个多模态基准上，SCOPED优于骨干模型和混合能力强化学习方法。
FutureLift: Lifting Trajectory Proposals into Bidirectional Future Graphs for Motion Forecasting
说明FutureLift：将轨迹候选提升为双向未来图以改进运动预测
简介该论文提出FutureLift，一种与骨干网络无关的轨迹修正模块，把每个多模态预测候选表示为异构未来图，并通过双向时序边在单次前向中修正轨迹坐标与置信度。它只需候选轨迹、分数和场景上下文即可工作。在Argoverse2和Waymo Open Motion Dataset上，它持续改进冻结的候选轨迹，并在WOMD排行榜上于对比的标准输入方法中取得最优的minADE与minFDE。
GNN-Guided Local Refinement for Efficient Layout Decomposition with DSA-MP
说明基于图神经网络局部优化的DSA-MP高效版图分解
简介本文针对多重图形光刻与定向自组装结合（DSA-MP）的版图分解问题展开研究。作者提出一种新的冲突图模型，纳入了以往被忽略的DSA模板边到边间距约束，并设计了由图神经网络驱动的局部优化策略。实验表明，该方法在解的质量上优于现有方法且收敛更快，并在不同版图规模、设计风格、工艺节点和掩模数量下保持稳定。
Generalization Guarantees of Randomized Block Coordinate Descent for Nonconvex Learning
说明非凸学习中随机分块坐标下降的泛化保证
简介本文研究随机分块坐标下降（RBCD）用于非凸目标时的泛化行为，此前理论多只关注优化收敛。作者给出了高概率泛化保证，包括经验风险与总体风险梯度的界。文中还讨论了早停如何平衡优化与泛化，并给出了与维度无关的界。
TRACE: Topology-Aware Reconnection via Prediction-Adaptive Connectivity Enforcement for Thin-Structure Segmentation
说明TRACE：面向细长结构分割的拓扑感知重连接与预测自适应连通性约束方法
简介细长结构的分割对连通性错误很敏感，局部误分即可切断连续路径。该论文提出TRACE，这是一种拓扑感知、随预测自适应的训练目标：利用目标骨架确定所需的局部连接，对每个连接在当前预测下找出最容易的有效重连路径，并将其瓶颈与对应骨架点共同监督。论文在六个二维和三维基准上进行实验，结果显示TRACE在保持较强分割精度和较低训练开销的同时，提升了连通性和拓扑表现。
Beyond Downstream QA: Rethinking How We Evaluate Agent Memory
说明超越下游问答：重新思考如何评估智能体记忆
简介现有智能体记忆基准主要用下游问答准确率衡量记忆质量，但该指标混淆了记忆正确性与检索、生成质量。作者提出FEB-30基准，包含30条事实演化轨迹，覆盖6类诊断类别和3个难度等级，文档由已知事实轨迹生成，无需人工标注。实验显示，内在评估与外在评估平均相差16个百分点，系统对记忆操作（创建、更新、强化、取代）的正确分类率仅为20%。
Decentralized LLM Workflows via Sequential Auctions
说明基于顺序拍卖的去中心化大模型工作流
简介本文提出一个可扩展框架，让多个追求自身利益的智能体在去中心化市场中通过顺序拍卖协作完成多步骤任务。研究发现，完全竞争（完全相同的智能体）和完全无竞争都会导致市场失效，因此考察了不完全竞争下异质智能体如何生存。文中比较了四种出价算法和三种拍卖机制，结论是不完全竞争既能维持智能体的利润空间，也能以较低成本保持较高的任务成功率。
OpenGCUA: Toward a Fully Open Stack for Generalist Computer Use
说明OpenGCUA：面向通用计算机使用的完全开源技术栈
简介该论文介绍了OpenGCUA项目，旨在开放通用计算机使用智能体（GCUA）的完整技术栈，使模型能够跨视觉与程序化接口完成计算机任务。论文提出代码执行和“harness到模型”的决策转移方法，在OSWorld-v2上使八个评测模型的平均部分得分提高19.6分，每项任务的步骤数平均减少53.0%。作者同时公开了实现代码、提示词、评测轨迹以及真实设备harness与跨设备SDK的初步版本。
Robust Multi-Agent Pursuit with Preemptive Communication via Reachability-Based Control Barrier Functions
说明基于可达集控制障碍函数的多智能体追逃：抢先通信的鲁棒控制
简介论文针对资源受限机器人在间歇性通信下的多智能体安全协同问题，提出统一的控制与通信策略。每个智能体根据最近收到的邻居状态计算其可达集，并基于控制障碍函数求解安全控制输入以避免碰撞。作者在追逃场景中进行仿真，结果显示抢先通信比周期性和事件触发基线方法减少77.5%的消息量，且无碰撞。