机器学习、人工智能、自然语言处理、计算机视觉、多智能体。
说明自动化仓库巷道内机器人拣选的解析模型与离散事件仿真对比基准
简介本文提出一个用于自动化仓库巷道内机器人拣选的解析与离散事件仿真（DES）对比基准，涵盖水平穿梭车行驶、料箱搬运和货位拣选。仿真结果与Lerher等人的解析公式在相同条件下比较，共180个场景，平均绝对相对循环时间偏差为0.8655%，最大为7.0370%。结果显示在测试条件下数值较为接近，但并非完全一致，也未经过实际仓库验证。
说明面向LLM群体中信息流动的行为探针
简介该论文关注大语言模型群体的信息流动，而不只看最终任务效果。作者借用为幻觉分析设计的外部上下文分数（ECS）和参数知识分数（PKS），构造行为探针来衡量节点对外部上下文和自身参数知识的依赖程度。实验显示，ECS随输入相关性上升，PKS随有用上下文增加而下降；基于探针的节点剪枝减少了冗余通信与token消耗，基于探针的推理路径搜索比仅以效用为目标的方法收敛更快。
说明Token集合选择混淆了POPE：对VLM幻觉评测中是非题答案抽取的系统审计
说明ABACUS：基于冻结判断模型的程序引导多步推理
简介本文提出 ABACUS 框架，为冻结的判断模型联合构建判断模式与组合程序：离线由生成式教师设计流程，在线由判断模型解决局部语义问题，再由保存的程序把这些判断组合成答案。在三项 BIG-Bench Hard 任务上，程序的宏观准确率接近完美（99.67%），而直接使用 Kev 与仅输出最终答案的 Qwen3.5-4B 的准确率分别为 64.00% 与 68.80%，且参数保持不变。
说明PaceVLA：视觉-语言-动作模型中的自适应时序动作量化
简介该论文针对视觉-语言-动作（VLA）机器人模型执行效率低的问题，提出 PaceVLA 框架。它通过模式专用的动作解码器与质量可量化性引导的模式选择，并由上下文路由器在每个推理步骤选择执行模式，在需要精细控制时保持精度、在冗余阶段加速执行。论文称，在三个多任务仿真基准和六项真实世界任务上，该方法在保持任务成功率的同时提升了执行效率。
说明如何利用激活引导（activation steering）让自动语音识别系统在性能和公平性上都更好
简介本文研究对自动语音识别（ASR）系统进行激活引导，以同时提升整体识别性能和不同人群之间的公平性。作者比较了配对激活减法和监督优化两种方法，发现前者几乎无效，后者能得到改善整体性能并兼顾性别、年龄、方言等维度公平性的引导向量。论文还探讨了训练引导向量所需数据的个人化程度，发现使用声学特征相似的说话人训练，效果可与同一说话人或同一人口群体训练相当或更好，从而可用于少样本或无标签的零样本适应。
说明HORIA：基于交互感知重渲染的单目视频人与物体4D重建
简介该论文提出HORIA方法，从单目视频中联合重建人与物体的4D结构。方法先用动作感知字幕把视频切分为时间上有依据、语义不同的交互阶段，并为每个阶段生成文本描述；再基于这些描述，从新视角重渲染初始重建结果，并借助文本到视频扩散先验进行细化，以弥补单视角信息不足。作者称该框架在多种交互场景下能得到时序连贯、较准确的重建结果，并达到当前最优性能。
说明EmbodiedWorld-200K：通过具身规划数据集与交互式世界模型迈向具身世界智能体
简介本文面向能在开放的三维环境中感知、推理并行动的具身世界智能体（EWA），发布了包含超过20万条样本、涵盖多种场景的数据集EmbodiedWorld-200K，每条样本都有从低层相机运动轨迹到高层语义指令的多层标注，并提供统一的评估划分和任务指标。作者还提出用视频世界模型作为低成本环境代理，在其中对智能体进行强化学习后训练；实验显示，在该数据集上预训练能提升开放环境规划能力，世界模型内的强化学习后训练在分布外场景上也有明显提升。
说明面向LLM智能体多轮强化学习的高效状态空间探索
简介该论文研究大语言模型智能体在多轮、长周期环境中的强化学习。作者指出，智能体常陷入无效动作或重复循环，原因在于其对内部状态的表示与环境动态不匹配。为此，论文提出条件状态空间探索框架，并设计内在奖励，惩罚观察结果与既往状态记忆重复的动作。作者称实验结果显示该方法显著改善了多轮环境中的策略学习，减少了无效动作与重复循环。
说明CXBench：受监管客户服务流程中合规性LLM智能体的基准测试
简介该论文提出CXBench，用于评估大语言模型智能体在六个受监管领域客户服务任务中的表现。它将结果正确与流程合规分开评估，并通过规则卡和混合评分方式检查披露、同意和操作顺序等要求。在七个模型和120项任务的实验中，超过一半的执行虽结果正确但流程不合规，只有约13.8%同时通过两项检查。
说明AdaExploreBench：评测大模型智能体在动态环境中的主动探索与测试时适应能力
简介该论文提出了AdaExploreBench基准，用隐藏规则模拟环境动态，考察智能体能否主动收集证据、推断规则，并在规则无声变化后察觉旧知识失效而重新探索。实验表明，八个主流大模型表现仍不理想，其中表现最好的模型校准准确率仅为61.9%。研究认为，模型在有充分证据时推理尚可，但主动获取正确证据及识别已失效证据仍是主要瓶颈。
说明OrderGPT：把生成顺序作为可学习的建模选择
简介该论文研究离散数据生成中的顺序问题：自回归模型按从左到右固定顺序生成，掩码扩散模型则可任意顺序生成，二者是同一轴上的两个极端。论文提出OrderGPT，在单次训练中学习任务级别的生成顺序，无需规范顺序监督。实验称其在语言、人体姿态和表格数据上都提升了下游建模指标。
看点提出学习任务级生成顺序的新范式，将顺序学习融入GPT架构；在语言、人体姿态、表格数据上验证，但实验规模与对比细节有限。
说明“记录胜过现实”：智能体决策模型为何更信任执行记录
简介该论文研究智能体在动作静默失败时，决策依据是环境观察还是自身的执行记录。作者在安卓界面、ALFWorld 和 WebShop 上测试四种决策模型，发现模型常在动作实际失败后仍依据记录继续操作。作者还提出 EVIGATE 方法，在中间层隐状态上进行否决，在注入静默失败的实验中提升了任务成功率。
说明在代码空间中搜索多智能体路径规划策略
简介本文提出用自主编程智能体直接在代码空间中搜索协调策略，而非依赖人工设计算法或不透明的强化学习。研究者让编程智能体迭代提出、实现、评估并改进算法，并结合仿真反馈与正确性验证。两个案例中，该方法的结果优于人工设计的方案。
看点提出代码空间策略搜索的新范式，并在仿真仓库中以58.9%吞吐量优势超过专有方案，附带完备性证明，证据较充分。
说明TRACE：文本-视觉嵌入模型的训练感知鲁棒性与挑战评测框架
简介该论文提出 TRACE 评测框架，将 168 个来自不同来源的任务分为通用、适应性和挑战三类，以区分文本-视觉嵌入模型的性能来源。实验显示，结合通用与适应数据可明显提升适应性表现，同时基本保持通用性能；但挑战类任务表现仍低于 5.0，额外训练数据带来的改进有限，多语言与视觉文档任务被认定为主要弱点。作者认为仅靠数据适配不足以解决这些问题。
说明CoASFL：面向异步拆分联邦学习的耦合一致性优化
简介本文提出 CoASFL，一种面向异步拆分联邦学习（SFL）的框架，用于在资源受限的边缘设备上训练大型深度模型。该方法通过动态激活合并机制缓解客户端之间的横向不一致，并通过考虑一致性的模型聚合机制，依据参与频率与进度差距调整聚合权重，以缓解客户端与服务器之间的纵向不一致。在 80 台设备的异构边缘测试平台上，CoASFL 的训练速度比现有方法快 1.61 至 3.74 倍，并在异构场景下提升了最终模型精度。
说明《会呼吸的语音大模型：对话中非语言发声的建模》：让语音对话模型学会生成呼吸、叹气等非语言声音
简介该论文关注语音交互模型缺少呼吸、情感和话语类非语言发声（NVV）的问题，涵盖13类主要NVV，并通过自动化合成流程构建符合人类对话习惯的数据集。作者采用多阶段微调和NVV感知的GRPO方法，提升模型在恰当时机生成非语言发声的能力，并在共情对话和角色扮演场景中改进了VocalNet与VITA-Qinyu的表现。
说明全球空气污染概率预报：用生成模型对细颗粒物（PM2.5）做千米级预测
简介本文提出生成式模型 Foehn，基于全球千米级 PM2.5 估计数据学习，并计算空气的来源路径。在一年的回溯预报中，它在三个站点的四分之三时段中优于业务预报。其集合预报经过校准，集合均值提前四天即可检测到局地污染极值，而业务预报只能提前一天。
看点提出生成式模型Foehn实现千米尺度空气污染概率预报，较业务预报在多数站点更优，但证据主要来自回顾性预报。
说明GMoE-FTI：一种采用真正混合专家机制的通用人脸模板逆向方法
简介人脸识别系统常以人脸模板而非原始图像保存数据以保护隐私，但模板逆向技术可从模板重建人脸，威胁生物特征隐私。现有方法只适配单一类型模板。本文提出GMoE-FTI，通过分三阶段训练的真正混合专家机制，统一生成可与预训练StyleGAN3配合的潜在编码。在LFW基准及七种未见模板类型上，该方法平均TAR提升约40%，FAPD与FAPC各降低约2%。
说明MITRA-lexicon：梵文译为英文、藏文和中文的实证译词词典
简介标准梵文词典虽然重要，但引用文献时只给出版本的缩写，既没有数字化文本的链接，也没有译文，也不包括之后出现的译本。本文基于梵英、梵藏、梵汉语料构建了 MITRA-lexicon，共含约 218 万个词条，并为约 1040 万条实例标注了句子对和字符位置。作者还提出了多步骤标注流程，并在参考词典和人工校正的标准对齐上进行了评估，同时公开了词典、模型和查询网页。
说明KV-Surgeon：考虑补偿的离线 KV 缓存压缩方法
简介本文提出 KV-Surgeon，用于离线压缩大模型的键值缓存（KV-cache），在一次构建较小缓存后反复复用，以降低重复查询固定上下文的成本。该方法利用校准数据考虑各缓存条目之间的相互影响，并推导出可给出闭式解的二次代理目标，用于联合决定删除与补偿。在 QuALITY、LongHealth 和 Long Code Arena 上，于 4B 至 30B 参数的稠密与混合专家模型中提升了成本与准确率的帕累托前沿。
说明保持推理路径多样性：面向扩散大语言模型解码的保多样性序贯蒙特卡洛方法
简介该论文针对掩码扩散语言模型的推理时解码，提出保谱系序贯蒙特卡洛方法（LP-SMC），结合Chopthin重采样与输入权重下限，避免多项式重采样丢失仍可能得到正确答案的候选路径。在数学推理与代码生成基准的两种基础模型上，LP-SMC提高了oracle覆盖率，并在多数设置下提升了端到端准确率。
说明EvoSkill v2：从基准适配到有状态进化器的完全智能体化技能进化
说明TESS：基于大语言模型引导的具身任务规划搜索方法
简介本文研究具身智能体的任务规划问题，即把复杂任务拆分为原子动作。作者提出由大语言模型引导的搜索算法，利用其常识知识把自然语言指令转为目标条件、辅助部分可观测环境中的探索、构建基于规则的世界模拟器，并裁剪候选动作空间。论文在VirtualHome和ALFWorld上进行了实验，结果显示其表现更优。
说明OmniGround：通过注意力一致性训练增强全模态时间定位
简介该论文指出全模态大模型在视频时间定位上较弱，发现模型内部注意力比其生成的时间戳更准确地定位目标时刻，并称之为时间生成差距。作者提出 TACG 后训练方法，让内部注意力与模型预测及真实标注对齐，并构建了 58 万样本训练集，训练出 OmniGround。文中报告其在 LongVALE 与 UnAV-100 上分别达到 37.5 与 35.7 mIoU，同时在通用音视频理解和纯视觉定位上保持竞争力。
说明CondenseVLA：面向高效多帧视觉-语言-动作模型的可学习历史压缩方法
简介该论文提出 CondenseVLA，一种多帧机器人操作策略，在动作解码端加入可学习的历史压缩模块，用可学习查询和多头交叉注意力把近期帧特征压缩为固定数量的槽位令牌，并通过辅助正则化减少槽位之间的冗余。在 Simpler-WidowX 上成功率由 58.7% 提升至 69.8%，LIBERO 上达到 97.2%，真实世界任务为 52.8%，在依赖记忆的 RMBench 任务上为 21.6%。
说明MIRA：面向可控报告的多模态图文深度研究智能体
简介本文提出MIRA，一种可控图文报告的多模态深度研究智能体，能够在检索与写作全过程中整合文字与图像证据。系统包含证据收集、报告提交、反馈修订和最终交付四个阶段，并基于构建的多跳多模态研究轨迹数据对基础模型进行后训练。使用Qwen3.6-35B-A3B时，MIRA在7个多模态搜索与深度研究基准上取得开源智能体中的最优表现，并能生成符合用户要求、证据可追溯的图文报告。
说明UtilityBench：当错误代价不同时衡量语言模型的效用
简介本文提出以效用为基础的评估方法，认为语言模型的错误代价因场景而异，医疗等领域的单次错误可能危及患者安全，而主流评估却把所有错误一视同仁。作者构建了包含15,000个可验证答案实例的UtilityBench基准，用最佳-最差量表（Best-Worst Scaling）估算各类错误的严重程度，并提出UtilityAUC指标。在对20个先进模型的评测中，更高的准确率或更先进的架构并不必然带来更高的UtilityAUC。
说明SAPO：利用自监督注意力策略优化提升视觉语言模型的视频时间定位
简介视频视觉语言模型语义理解较强，但在精确时间定位上仍不可靠。作者在四个模型和两个数据集上发现，模型内部注意力区间在约66%的有效样本上优于其直接输出的时间戳，并将此差距称为“时间生成差距”。据此提出SAPO方法，利用无标注的视频-查询对，以内部时间注意力作为自监督信号优化策略，在多个模型和数据集上提升了时间定位效果，同时保持了通用视频理解能力。
说明Maestro：通过全局协调实现智能体式形式化证明开发
简介Maestro 是一个 Lean 证明框架，用于应对 LLM 智能体编写形式化证明时的失败。它让证明器报告失败原因，并由一个能看到整个证明的协调器决定引导、修正或撤回并重新规划相关子树。论文在七个数学和三个软件验证基准上，用四个前沿 LLM 进行评测，报告其证明数量多于各模型原生编程智能体，并在多个共享基准上优于已发表的证明系统。
看点提出全局协调处理证明失败的新框架，区分失败原因并重规划子树，在多个基准上做了较充分对比实验，但未见理论突破。
说明LEAPS：长上下文自适应模式学习与状态追踪评测
简介本文提出LEAPS基准，包含12个新数据集，涵盖智能体工作流、行为建模以及市场与世界事件预测，用于评估大语言模型在长上下文中的能力。评测覆盖30个API及开源模型，输入长度从8K到512K词元。结果显示，在召回任务上表现接近完美的模型，其状态追踪与模式学习能力差异很大，且随输入变长明显下降；思考型模型往往不如基础版本。
说明LEAP：用最优线性跳跃加速基于常微分方程的扩散采样
简介扩散模型通常依赖通用的常微分方程数值方法做免训练加速采样，但时间离散较粗时效果会下降。本文提出最优线性跳跃方法LEAP，基于对采样轨迹几何的理论与实验研究，在局部轨迹子空间内建立监督最小二乘优化问题，无需模型评估即可较精确地近似未来状态。实验显示，LEAP在文生图（Stable Diffusion 3.5、FLUX.1-dev）和图生3D（TRELLIS.2）等多种模态上优于既有方法，且可即插即用地接入现有基于求解器的方法。
看点针对扩散采样轨迹几何提出局部子空间最小二乘的线性跳跃方法，对已有ODE求解器有实质改进；在文生图和图生3D多个模型上验证充分。
说明FisherEdit：基于Fisher信息引导的大语言模型知识编辑方法
简介大语言模型连续进行知识编辑时，参数相互干扰会导致通用能力下降。本文重新审视AlphaEdit等基于投影的方法，发现其稳健性主要来自更新正则化而非预期的零空间投影。据此提出FisherEdit，以Fisher几何为理论基础，在参数空间中用重要性感知的正则化替代粗粒度的激活空间投影，对敏感参数的改动施加更强约束，并给出高效的逐行闭式解。在Llama-3、Qwen2.5和Olmo-3上的多项基准实验显示，该方法取得了领先的效果，同时更好地保持了模型稳定性和下游任务准确率。
说明3D-MoE：面向3D堆叠近存计算的专家互补引导软硬件协同设计，用于MoE解码
简介本文针对混合专家（MoE）大语言模型解码时内存受限、专家负载倾斜且随时间变化的问题，提出3D-MoE系统。该系统利用专家互补性，通过离线分组与局部性感知映射实现组间均衡，并借助协作内存网络处理组内热点，同时采用在线重映射应对负载漂移。文中报告在多个MoE模型上，相比专家并行实现平均4.63倍的MoE层加速，端到端吞吐量相比最强的近存计算基线提升1.58至1.86倍，并增加了2.11%的逻辑die面积。
说明CALM：在解码空间中做一致性感知的 logit 掩码，缓解大型推理模型的过度思考
简介这篇论文针对大型推理模型在长思维链推理中常见的过度思考问题提出 CALM 方法。它在步骤边界监控中间答案，并对“Wait”“Alternatively”“Hmm”等转折词施加 logit 掩码，抑制冗余的转折推理，无需额外训练。实验涉及四个模型和五个基准，报告称 token 消耗减少 18.6%–25.0%，准确率在部分设置下有小幅提升。
说明文本与动态图时空信息协同演化在边分类中的分析
简介本文研究在动态文本属性图（如评论网络、社区论坛、新闻知识图谱）上进行边分类时，让文本表示与网络拓扑协同演化的效果。作者提出统一的文本-图对齐框架，用轻量Transformer适配器在对比预训练目标的时空梯度下更新文本表示，并加入语言模型维护目标以防止语义失真。在动态文本属性图基准上，该方法相比冻结文本的基线在多个网络领域均有提升，并降低了表示的各向异性，同时计算开销未出现端到端联合训练那样的高成本。
说明快速视觉Mamba与基础模型特征多尺度融合用于计算病理中的前列腺Gleason分级
简介该论文提出一种基于状态空间模型的多尺度分类方法，用于前列腺全切片图像的Gleason分级。方法融合冻结的病理基础模型特征与轻量级FastVim（从基础模型蒸馏、在ImageNet上预训练）读取的原始图像特征，并用Mamba编码后联合训练融合头。在PANDA数据集的5折交叉验证中，宏F1为0.894，Gleason 5 F1为0.802，相对最佳单尺度模型分别提升12%和21%。
说明持续学习中的分布外检测：一种无需回放缓存的新方法
简介该论文关注持续学习场景下的分布外（OOD）样本检测，即模型需依次学习多个任务，同时识别未见过的陌生样本。作者提出一种受 Kolmogorov-Arnold 网络（KAN）启发的检测框架，并设计任务自适应分类器 TA-KAN 以缓解近因偏差、增强分布内与分布外样本的可分性。论文称该方法在无需保存过去数据的情况下，显著提升了 OOD 检测效果并保持较强的分类性能，达到该领域的最优结果。
说明SWE-Residual：评估编码智能体在已有前序工作时的起始状态鲁棒性
简介该论文提出 SWE-Residual 基准，用于测试编码智能体在起始状态已包含前序工作时能否保持表现。基准包含来自 DeepSWE 和 Terminal-Bench 的 198 个残留状态，前序智能体提交后隐藏测试仍失败。在五个前沿智能体的测试中，相较于干净起始，成功率在 DeepSWE 上下降 20.6 至 53.5 个百分点，在 Terminal-Bench 上下降 20.6 个百分点以上。
看点提出起始状态鲁棒性新问题，用198个残留状态与干净起点对比，揭示接受偏差，证据扎实，对编码智能体评测有较大影响。
说明AI 何时该插话？多人聊天中主动式智能体发言时机的基准测试
简介该研究提出 PITCH 基准，收集了 89 名参与者在 35 段多人无脚本对话中对 384 条候选 AI 发言的时机判断，共 1,091 条判断。评估 15 个模型的 28 种配置后发现，模型在掌握完整对话历史时能较好地选择时机，但实时决策时明显过早插话，最佳时机准确率从 57.8% 降至 19.0%。
看点首个基于大规模人类判断的主动介入时机基准，揭示模型普遍过早插话的系统性问题；基准规模与设计有实质新意，影响面限于多人对话代理领域。
说明基于注意力跨通道架构的电机复合故障诊断
简介随着物理AI依赖传感理解物理系统，工业机械状态监测愈发重要，且同时发生多种故障的可能性增加。本文提出RNDR-TFCA架构，在保留各任务独立特征提取器的同时选择性地交换信息，并通过时频注意力与通道注意力增强任务内与任务间的有用信息。在转子-轴承系统实验中，该方法宏F1得分为0.898，优于多个基线模型，参数量为713K。
说明面向说话人验证的流形约束残差自适应与帧级自适应层聚合
简介本文针对大型自监督语音模型用于说话人验证时全量微调成本高的问题，提出参数高效的适配方法。其一是流形约束残差适配器（MCRA），将Transformer残差状态分组并用Sinkhorn归一化矩阵交换组间信息，并通过可学习门控平衡原始与混合残差路径。其二是帧级自适应层聚合（FALA），用共享的可学习查询为每帧计算层权重。相较于固定层加权和的冻结WavLM基线，该方法在VoxCeleb1-O上相对EER降低22.4%，在CN-Celeb上降低2.9%，可训练参数分别仅占WavLM-Large的0.0009%和0.0016%。
说明重新审视稀疏视角3D高斯泼溅：从少样本学习角度防止过拟合
简介本文针对稀疏视角下3D高斯泼溅（3DGS）容易过拟合、几何退化的问题，把每个高斯基元视为神经元，从少样本学习视角提出统一框架。方法包括基于光流的伪视角合成与相机-场景联合优化，以及运动感知dropout和提前停止等训练正则化。论文称在SIGGRAPH Asia 2025体积视频挑战赛稀疏视角数据集上优于现有基线，并在该赛道获得第一名。
说明学习接口而非实现：输出表示比训练方式更关键的LLM生成RTL研究
简介本文研究大语言模型生成寄存器传输级（RTL）硬件代码的问题，以SECDED纠一检二ECC内存封装为任务，固定任务与验证方式，比较七种训练方式与四种输出表示。结果显示，输出表示影响远大于训练方式：直接生成RTL的通过率至多0.17，而输出配置字段后可达0.83，且无需训练；输出配置后各训练方式通过率在0.89至1.00之间。
说明异步同策略自蒸馏（AsyncOPSD）：让单一模型同时作学生与教师、并提高训练吞吐量的方法
简介该论文提出异步同策略自蒸馏框架AsyncOPSD。它让同一语言模型兼任学生和教师（教师以特权信息为条件），并把轨迹生成与学习器更新解耦以提升训练吞吐量。为缓解旧策略生成的陈旧轨迹带来的性能下降，论文引入了基于陈旧感知的策略控制和token级熵加权的蒸馏目标。在三种模型规模和数学推理基准上，相比同步OPSD，训练吞吐量提升1.96至2.25倍，同时平均基准准确率有所提高。
说明DeltaTrace：面向推理语言模型的高效带符号归因方法
简介该论文提出 DeltaTrace，一种归因框架，用于解释上下文中的输入词元如何支持或反对语言模型对固定回答的生成。方法通过遮蔽被解释的上下文词元，衡量回答对数概率的变化，并沿计算图反向分配这一差异。实验中，在所评估的注意力模型上，DeltaTrace 在多数检索与推理任务上取得最低的删除忠实度分数（RISE 与 MAS），并在大海捞针任务上取得最高召回率，超过 FlashTrace 5.67 至 24.33 个百分点。
说明通过干预式步骤信用高效学习推理
简介大型推理模型的思维链往往很长，其中既有有用的中间步骤，也有多余的步骤。本文提出干预式步骤信用（ISC），用因果干预的角度，通过针对参数的干预来评估每一步对推理的重要性。在此基础上提出 IGPO，利用 ISC 在强化学习中细粒度调整优势，减少冗余步骤并保留关键步骤。实验显示，在两种模型规模和九个基准上，IGPO 平均减少最多 62% 的 token，整体表现优于对比方法。
说明视觉-语言-增量-动作（VLDA）：以紧凑增量作为机器人操作的可执行状态转移接口
简介该论文提出VLDA范式，不再直接预测完整未来状态，而是学习一个紧凑的Delta变量来表示世界状态的潜在变化，作为视觉语言理解与动作生成之间的接口。方法通过局部转移过滤器（LT-Filter）关注与操作相关的变化并抑制静态重建偏差，通过全局转移锚点（GT-Anchor）保持状态变化的整体方向，并借助Delta驱动的动作精炼（DDAR）引导动作去噪。实验表明，该方法在长时程一致性、鲁棒性和泛化能力方面有所提升。
说明基于残差引导的自适应 Tucker 秩分配方法，用于参数高效的轻度认知障碍转化预测
简介本文针对三维预训练网络的参数高效微调，提出残差引导的自适应 Tucker 秩分配方法，在固定适配器参数预算下选择各卷积层的输入、输出通道秩。方法通过逐层重构残差并用动态规划求全局最优分配。在 ADNI 队列预测 36 个月内由轻度认知障碍转化为阿尔茨海默病的任务中，五个随机种子的平均 AUC 为 0.7706，可训练参数约 0.618 百万，占完整模型的 1.45%。
说明CODA：面向多模态临床推理的队列与偏移感知基础模型
简介该论文提出CODA模型，用于多模态临床推理。现有方法大多逐个样本建模，难以同时体现人群队列规律与个体差异。CODA通过队列感知的人群分层和偏移感知的个体适应两种机制，并借助强化学习发现具有临床意义的患者队列，将个体相对队列原型的偏差编码为结构化信号。在真实电子健康记录基准上，该模型在封闭式问答、开放式问答和报告生成等任务中表现出稳定效果与较强泛化能力。
说明面向制造业供应商发现中基于大语言模型证据筛选的收益导向路由与有界修正
简介该论文研究证据审核系统如何分配额外的模型判断并控制其使用，基于6164组冻结的制造业来源-任务对进行实验。在原始300例测试中，收益导向路由在60次咨询下与两位人工参考的一致数为202/231，对比逻辑风险路由器的189/218；另外300例的结果差异未能证明优势。论文同时报告了若干对照实验与门控机制，并称200对身份审计的加权合并精度为97.45%，但前瞻性的公司隔离性能尚未测试。
说明在相关来源失效下的最小成本稳健证据证书（Horn 推理）
简介本文研究在任意至多 k 个来源域被撤回时，仍能保持 Horn 结论成立的最小成本证据证书。证据记录与断言事实被区分，允许重复证明与重叠的失效依赖。作者用最小支撑足迹的横截集刻画稳健性，并提出精确求解方法，证明其正确性、有限终止与成本最优性，同时给出复杂度结论及一类可处理的可达性限制。实验显示，该方法在实际资源范围内可达到最高 92% 的最优覆盖率。
说明ActionRoPE：将动作表示为坐标，用于平面相机游戏世界模型中的空间一致控制
简介该论文针对俯视和等距等平面相机游戏世界的交互式生成，提出无参数的动作接口ActionRoPE，把动作引起的相机位移转换为世界坐标的旋转位置编码，使同一世界位置的token在时间上保持相同位置。作者还提出坐标条件噪声调度（CNS），按已观察区域与新区域的结构为各token分配去噪进度。论文称与四种代表性动作条件方法相比，该方法更忠实地跟随指令运动，并将回访漂移相对最强基线减少66%。
说明用于节省 token 的强化学习自适应解码方法：在训练中动态调整候选 token 的范围，以提高 RLVR 的采样效率。
简介该论文研究在可验证奖励强化学习（RLVR）的 rollout 解码中，候选 token 集合应固定还是随训练扩大。主要方案是从 top-K=10 逐步过渡到 K=20，再到完整候选集。在 4B 代码 RLVR 设置的三次运行中，该方案在插值的 1.5 亿 token 验证值上均高于匹配的固定 K=10 对照，平均提升 1.80±0.42 分；其表现也与单独训练的固定 K=20 基线相当。作者认为，rollout 候选范围是 RLVR 采样效率的重要控制因素，并建议进一步研究自适应策略。
说明自进化智能体是持续学习者吗？
简介该论文研究大语言模型智能体能否在任务流不断变化时持续学习。作者在基于 BIRD、BFCL、ScienceWorld 构建的四个漂移任务流上，评测了三种代表性方法（ReasoningBank、GEPA、Meta-Harness）。结果显示，自进化通常能提升整体表现，但可塑性增强往往以稳定性下降为代价，因此作者认为现有自进化智能体仍不是完整的持续学习者。
说明直接偏好优化的统计学习理论：偏好模型失配如何限制 DPO 的效果
简介该论文研究直接偏好优化（DPO）在偏好模型假设不成立时的性能极限，区分结构性失配、模型容量和有限样本估计三类误差。作者用偏好对数几率的 triangle-curl 刻画结构性近似误差，并给出超额逻辑风险的上下界。论文还分析了 ReLU 打分模型的近似速率，并引入上下文偏好准确率（CPA）作为衡量指标。
看点通过偏好对数赔率的三角旋度刻画DPO的结构性误设误差，并给出上下界与有限样本界，理论贡献较新且完整。
说明阿拉伯语金融自然语言处理：从语料到分析的导读
简介本章探讨如何用自然语言处理方法研究阿拉伯语金融文本，涵盖企业报告、市场披露、新闻和银行互动等来源。作者沿着从语料收集、文本处理到词汇、实体、因果归因与多语言报告分析的路径展开讨论，并考察金融摘要和检索式问答保留或丢失了哪些信息。文章还讨论了已发布的阿拉伯语资源，并主张语言语境与文献来源应始终作为分析证据的一部分。
说明REST：基于可靠性引导的空间转录组监督，从HE病理切片图像预测基因表达
简介论文提出REST框架，利用空间转录组（ST）数据训练模型，从HE染色病理图像预测分子信息。方法包括基于基因集构建的生物程序库（BPB）、按点位可靠性加权图像与ST对齐的SRCA，以及利用可学习程序查询从形态重建基因表达的BIPR。训练使用209个样本，评测使用70个不相交样本，在基因表达、通路活性和细胞特征预测上，宏观相关性高于现有ST监督方法，并优于现有病理基础模型。
看点提出可靠性引导的空间转录组监督与程序结构化训练框架，在大规模数据上评估并优于现有方法与病理基础模型。
说明MASIF：多智能体系统中用于过程可观测性的隐性失败
简介该论文提出“隐性失败”（IF）概念，指多智能体系统中局部执行错误被纠正、绕过或延续、却未决定最终结果的情况。作者基于来自九种基准配置的1,828条轨迹进行分析，发现成功轨迹中54.3%、失败轨迹中75.2%存在此类失败，并建立了错误类型与吸收机制的分类。论文还提出基于IF成本优化成功轨迹偏好的强化学习算法IF-GRPO，实验显示其在准确率和过程指标上有一定提升，并揭示了任务表现、IF数量与成本之间的权衡。
说明学习谁与谁交流：面向高效大模型多智能体协作的角色感知通信拓扑调度
简介该论文针对基于大语言模型的多智能体系统，研究如何动态决定智能体之间的通信对象与时机，以平衡协作推理效果与令牌开销。作者提出ACTS框架，采用集中训练、分散执行范式，包含角色条件关系注意力和拓扑注意力混合器两个模块。在9个涵盖代码生成、多步推理、常识知识和竞赛数学的基准上，论文报告ACTS平均准确率最高提升6.19个百分点，令牌消耗减少超过15%。
说明超越评估的评分量规：利用强化学习中的量规结构
简介该论文指出，评分量规通常只用于评估开放式问答，其背后的能力结构在训练中未被充分利用。作者提出 RSRL 框架，将量规转化为能力结构，并用于引导训练与保留能力相关的优化收益。实验显示，RSRL 提升了整体表现和薄弱能力，在科学问答任务上最多比初始策略提高 7.43，比非量规结构化强化学习基线提高 7.60。
说明开放词汇人-物交互评估中语义与关系可靠性的审计
简介该论文针对开放词汇人-物交互检测器的评估问题，提出一套诊断协议：对同一组预测在五种视角下打分，包括官方类别评估、身份对照、词汇归一化、分级语义评分和严格命题等价。作者在HICO-DET上比较六个系统，发现不同视角下领先的系统并不一致，语义增益在1.6到20.3 mAP之间，AgentHOI在强制等价后保留的增益不足一半。作者建议语义分数应与关系有效性和配对不确定性一并报告。
说明ACE-Trader：生成器与评审器对抗共同进化的交易框架
简介论文提出ACE-Trader，一个由大语言模型交易员与红队评审员组成的交易框架，两者通过共享的交易记录与各自的记忆选择器共同学习、共同进化。实验在美国股票交易数据上进行，报告其累计收益优于全部22个活跃基线，并在夏普比率和最大回撤上表现最好。
说明大语言模型置信度信号的测量有效性与表征动态
简介该论文研究大语言模型是否“知道自己知道什么”，比较了口头置信度、隐藏状态线性探针和采样答案一致性（语义熵）三种方式。作者在五个 Qwen2.5 模型上，对事实检索和多步推理任务进行了预注册审计。结果显示，口头置信度不稳定，期望校准误差也可能产生误导，五个预注册假设中两个被证伪。
说明SWIFT：通过目标外推实现弱到强的扩散模型自引导训练
简介论文提出SWIFT，一种自引导训练方法：用冻结的弱去噪器对干净回归目标进行外推，放大仍未被充分拟合的成分，从而提升更强的扩散模型，且推理时不增加开销。弱引导可以是早期训练检查点，训练后即丢弃。作者在CIFAR-10和ImageNet-256上进行实验，报告了在部分设置下改进FID并节省约一半训练计算量的结果。
说明线索的隐性价格：审计卖家内容对AI购物代理的影响
简介该论文研究大语言模型代替用户购物时，卖家提供的徽章、背书等内容会在多大程度上影响推荐结果。作者提出“等价价格”审计方法，把线索换算为价格，即提高被标注商品的价格，直到其被选中概率降至一半，以此比较不同线索的影响力。实验覆盖113,472次试验、7个模型和2类商品，结果显示仅看选择率会低估卖家的影响，并发布了可复现的基准。
看点提出以价格等效替代选择率的审计方法，解决强线索饱和问题，并在113,472次试验、七个模型上验证。
说明并非每条推演都需要蒸馏：基于正确性筛选的同策略自蒸馏
简介该论文研究同策略自蒸馏（OPSD）中是否每条学生生成的轨迹都提供独特监督。作者提出 C-OPSD，每题只生成一个回答，仅对部分错误回答进行蒸馏，以减少计算量。在 Qwen3-1.7B、4B、8B 上于 AIME24、AIME25、HMMT25 测试，C-OPSD 与完整 OPSD 表现相当，训练时间约减少 40%。
说明OV-PEAR：面向未知工业操作物体的观测验证式位姿-尺度估计与重建
简介该论文提出OV-PEAR框架，用于未知工业物体的三维重建与位姿、尺度估计，使机器人能够在无需CAD模型或特定训练数据的情况下完成精细操作。方法分三阶段：分割RGB-D实例并生成三维假设，通过视角检索、尺度搜索与配准将其锚定到机器人坐标系，再将多视角证据反投影以验证体素占用并抑制幻觉。在BOP-Industrial上平均AR达0.657，真实机器人连接器装配的抓取成功率为99.67%，装配成功率为84.00%。
说明强化学习在哪里失效：通过定向继续预训练定位并修复失败
简介该论文研究用可验证奖励的强化学习（RLVR）提升语言模型推理时的失败原因。作者发现，失败的推理轨迹可由一小组特征 n-gram 预测，并据此从预训练语料中检索文本，在 RL 前对基础模型做继续预训练。仅 3500 万词元的语料在多数设置下优于同等规模的随机采样继续预训练，并能跨模型系列迁移。
说明扩散语言模型的生成速度随任务和语言而变
简介该论文分析两种扩散语言模型在10项任务上的生成成本，发现每个token所需的前向传播次数随任务明显不同：复制或轻微修改输入文本较省，开放式写作较耗。论文还发现，多token语言和答案错误时的成本更高，并表明按解码速度加权的候选答案选择优于多数投票。
说明FrontierRefactor：面向多尺度性能优化的代码库重构基准测试
简介该论文提出 FrontierRefactor 基准，包含 60 个工程任务，涵盖从计算内核到完整仓库的四个规模，测试编码智能体在保持外部行为不变的前提下优化性能或跨语言重写代码的能力。研究对 1,080 次执行结果的评估显示，功能正确与性能提升基本脱节，41.2% 的提交功能等价却未带来已验证的性能改进。作者还发现，加入多轮执行计时反馈后，严格成功率从 16.0% 提升至 40.0%。
说明Hihaze：面向高分辨率真实场景去雾的单步扩散模型
简介该论文提出 Hihaze，一种用于高分辨率真实场景图像去雾的单步扩散框架。它通过注意力跳跃补偿和空间退化适配器处理非均匀雾霾，并设计了免训练的全局引导分块融合方法以保持局部一致。在四个真实场景基准上，论文报告其视觉质量与推理速度均优于现有方法，并在 Dense-Haze 和 NH-HAZE 上分别比最强基线提高 3.62 dB 和 3.69 dB 的 PSNR。
看点提出单步扩散框架与训练无关的全局引导补丁融合，在四个真实基准上以显著PSNR提升超越基线，有实质改进。
说明当检索内容与技能部分冲突时：理解语言模型中的程序性幻觉
简介该论文研究语言模型在依据技能说明执行任务、同时使用检索上下文时出现的问题：模型可能采纳与技能相冲突的线索，给出有检索依据但不符合技能要求的答案，作者称之为程序性幻觉。作者构建了包含1,271组、6,355条提示、覆盖十个程序领域的SourceClash基准，在九个模型上测得冲突检索下的有效答案率平均为25.7%，明显低于两种支持性检索设置下的78.2%和72.8%。机制分析显示，修复主要与值向量有关，针对该路径的干预也提高了最终答案的有效性。
说明社交网络营销预算优化：一个通用化的分数激励框架
简介本文研究在社交网络中如何把有限的营销预算连续分配给响应程度和影响力各不相同的用户，提出了预算约束下的广义分数影响最大化模型（BGFIM）。作者给出一种可扩展的离散贪心算法并证明其近似保证，并在多个大规模网络上实验，显示连续分配策略可优于常用启发式方法。
说明何时该停止提问：医学中信息不完整时的因素覆盖偏差与大模型的可判定性判断
简介本文研究大语言模型在信息不完整的医学情境中，能否正确判断现有信息是否足以做出决策。作者构建了成对的对照基准，在可判定与不可判定的案例中加入相关或无关的文本，观察模型的选择。结果显示，加入相关因素会使模型更容易把仍不可判定的案例误判为可判定，这种偏差在提高推理强度后依然存在。
说明语言模型中情态动词语义消歧：语境、训练领域与输入频率的作用
简介该研究探讨语言模型能否区分情态动词（如may、must）的不同语义，例如根句义（许可、义务）与认知义（知识、信念）。作者评估了七个在架构、规模和训练数据上不同的模型，并在四个数据集上使用基于向量相似度和意外度的指标进行测试。结果显示，较大且训练于多样文本的模型能利用额外语境；缺乏语境时，它们倾向于选择语料统计上占优的语义。小型模型（包括在儿童导向语言上训练的模型）则没有表现出稳定的语义区分能力，也未能同等程度地从语境中获益。
说明动态双反馈共形推断：用于时间序列预测的不确定性区间方法
简介该论文针对时间序列预测中的不确定性量化问题，提出动态双反馈共形推断方法（DDCI）。现有在线共形方法通常只依据真实标签是否落在预测区间内来调整区间，DDCI额外利用共形推断得出的经验阈值作为估计反馈，以抑制区间过度扩张或收缩。论文称，该方法在序列场景下得到更稳定、更窄的预测区间，同时在实践中保持接近名义的覆盖率。
说明这是强化学习的效果还是数据的效果？GRPO 与拒绝采样微调的受控比较
说明当稳定语义与偏好语义一致时：基于路径的方法
简介本文研究抽象论证框架中偏好语义与稳定语义何时一致的结构条件。作者基于攻击图中的路径集合及其诱导的二元关系，提出一个通用的路径判据，并给出若干路径类的充分条件，这些条件以相应关系的良基性表述。结果严格推广了 Dung 的有限争议性条件与 SCC 对称性条件，并可用于证明稳定扩展的存在性。
说明基于动态原型调节的边缘网络高通信效率联邦域泛化
简介本文针对无线边缘网络中部署视觉-语言模型时的通信与数据异构问题，提出通信高效的联邦域泛化框架 DPGR-GCAM。该框架采用双参数高效微调架构，并设计信道感知的分层传输机制，以提升衰落信道下的节点存活率。同时引入梯度冲突感知调制机制（GCAM），在低维特征流形内缓解客户端漂移。实验表明，该方法在网络衰落场景下提升了跨域泛化能力并保持收敛。
说明是否需要学习得到的目标？以经典梯度作为二维高斯初始化的监督信号
简介本文探讨能否用经典图像梯度（归一化 Sobel 图）替代 Instant GaussianImage 所用的伪 PPM 目标。作者提出两条路线：一是免训练的解析初始化器，平均 0.32 秒生成初始参数；二是在 DIV2K 上以在线 Sobel 监督训练的神经初始化器，并可扩展到 10,000 张 LSDIR 图像。在 Manga109 等域外数据上，神经初始化器表现优于 Instant-GI，免训练方法在 Kvasir-SEG 上也优于 Instant-GI。
说明扇环线性储层：基于状态复用的分扇区衰减时间尺度分配
简介本文提出扇环线性储层（SRLR），将特征值角度沿圆周均匀固定，并把从少数取值中选出的衰减时间尺度分配给各个连续角度扇区。为使各候选设置下的模态状态尺度一致，输入权重依训练输入的功率谱进行缩放；同一衰减时间尺度对应的模态状态只计算一次并在候选之间复用。在由混沌系统构建的预测与重构基准上，SRLR在全部八个案例中的平均测试误差均低于所有模态共享单一衰减时间尺度的参考模型，并与非线性回声状态网络及漏积分回声状态网络基线具有竞争力。搜索中计算的模态轨迹数量相比逐候选重新计算减少了99.8%。
说明先思考再转写：面向热词识别的上下文引导推理方法
简介该论文针对带上下文的语音识别，提出先生成一段基于音频的简短描述、再进行转写的推理框架，使模型在做词汇判断前先评估候选热词是否相关。方法结合监督微调与针对困难样本的轨迹注入以优化策略学习。实验表明，该方法在多种上下文条件下都能提升转写质量和热词识别效果，并对无关候选词保持稳健。
说明AirMPA：面向全球空气质量预报的气象到污染物适配器
简介该论文提出 AirMPA，一种将气象预报与污染物预测解耦的自回归深度学习框架。模型以 0.4 度空间分辨率、12 小时时间分辨率预测 13 种大气污染物，输入包括气象场、排放先验和历史污染物浓度。论文称其在 5 天预报期内多数情况下优于 Aurora 和 CAMS，并可使用外部气象模型的预报场进行推理。
说明近似人口统计学平等下的公平回归：在回归中允许各敏感群体的预测分布有可调节的差异，并给出相应的理论与实验分析。
简介这篇论文研究回归任务中的公平性问题。与要求各敏感群体预测分布完全一致的严格人口统计学平等不同，作者将群体间预测分布的每一对 Wasserstein 距离限制在一个可选的容差之内，从而使公平性可调。文中在一维实数情形下给出了求解方法，并在平方损失、两群体的特定设定下得到软阈值、收缩与截断等显式形式，还建立了已知代价时插件估计器的收敛速率。实验使用合成数据和加利福尼亚 2018 年 ACS 数据，展示了公平性与准确性之间可调的权衡。
说明SAR：面向带缓冲在线三维装箱的全局物品-空间匹配与几何感知放置排序学习框架
简介该论文针对带有限缓冲区的在线三维装箱问题，提出学习型框架 SAR（Spatial Affordance Retrieval）。它把物品选择与放置评估分为两个阶段：先用体素令牌编码容器占用情况，让选择器匹配缓冲物品与剩余空间，再用几何特征对可行的旋转与位置候选进行排序，并以共享的长期装箱收益联合优化。在 Random、JD、SF 数据集上，SAR 的最佳变体在无缓冲（K=1）时较强基线提升 0.96 至 4.20 个百分点，缓冲 K=5 时利用率最高分别达到 93.55%、91.04% 和 90.41%。
说明CoMem：从检索到的经验中学习预判失败
简介该论文提出 CoMem（Compounding Memory），让大语言模型智能体把检索到的过往经验作为学习型记忆的输入，在训练和推理时都生效。智能体基于自身成功与失败的反思建立记忆库，学习据此撰写失败假设，并在测试时根据新检索到的案例指导每次尝试。作者称，在数学、代码和多跳问答五个基准、两种骨干模型上整体表现较强，并能泛化到分布外任务。
说明LLM用户代理能否替代人类测量AI依赖度？用模拟用户复现Rel-A.I.研究
说明UniJev：区分三模态系统一决策模型中的准确率与置信度校准
简介该论文提出UniJev框架，用共享评分头在文本、图像、视频上联合监督训练，为候选答案打分。实验显示监督决策模型在三种模态上都提高了准确率，而现有强化学习校准方法对准确率影响很小，对视觉校准效果不稳定。作者据此提出Cora方法，按置信度分组并使每组置信度接近其经验准确率，在2B与9B规模下降低了图像和视频的校准误差且保持准确率。
说明检测增强学习：非平稳多臂老虎机环境中的一种方法
简介本文研究在不知道环境何时变化的情况下的非平稳多臂老虎机问题。作者提出检测增强学习（DAL），由老虎机算法、变化检测器和强制探索计划三个模块组成，可用于多种老虎机设置。理论上，一个统一的遗憾界表明DAL能将平稳输入算法的遗憾迁移到分段平稳场景，并在所考虑的各设置中达到或改进已知最优界。实验显示DAL在九种老虎机设置的多样非平稳场景中优于现有方法。
说明预见未来，分类当下：面向高光谱图像的随机潜在世界建模
简介该论文针对高光谱图像分类依赖静态空间-光谱表示、难以建模潜在空间结构依赖的问题，提出随机潜在世界建模（LWM）框架。模型分别用Transformer分支编码光谱与空间信息，再通过随机潜在状态转移预测多步未来潜在状态，并将其与基础表示融合用于分类。在五个基准数据集上，整体准确率为89.21%至99.52%，在标注样本有限的情况下表现稳定。
说明OpenSaC：用于深度研究智能体中“搜索即代码”的 Python 库
简介深度研究智能体通常通过反复搜索、阅读来源和综合证据来调查复杂问题。本文提出“搜索即代码”范式：智能体编写程序来组合搜索、阅读来源、重排序、模型调用和本地处理，再返回选定的观察结果。作者发布了开源 Python 库 OpenSaC 及配套的“搜索即代码”技能，并在 BrowseComp 和 WideSearch 上与标准 Codex 内置网页搜索进行了对比。
说明借鉴专业事实核查经验，提升大模型智能体的自动化事实核查能力
简介本文将法国新闻社（AFP）事实核查团队公开的指南提炼为可复用的专业事实核查技能（PFC-Skill），并提出SkillCheck系统，使大模型智能体在推理时调用该技能以指导证据检索与主张核验。实验显示，在AVeriTeC基准上，该方法在多种大模型上优于不使用技能的DEFAME基线，并在成本更低的情况下取得更好结果。
说明从追踪到修复：长时程智能体中的残留任务状态
简介本文针对长时程、有状态语言智能体的故障恢复问题，提出统一框架TRACE-FIX，核心是带版本的残留任务状态。该框架把执行日志转为带依赖关系的结构化账本，并在预算约束下规划修复动作。作者还提出LongH-Debug基准，分别评估根因定位、已验证故障的恢复以及端到端闭环执行。
说明VHA：基于视觉问答的生成式图像超分辨率幻觉评估
简介生成式图像超分辨率能产生逼真的高分辨率图像，但可能添加无依据的内容或改动原有细节，即出现“幻觉”。作者提出基于双向视觉问答的评估方法VHA，利用视觉语言模型检查超分辨率图像与真值图像在语义和低层视觉证据上是否一致。作者还训练了轻量模型VHA+直接预测该分数，并通过人工研究构建了VHA-bench基准，结果显示两者都与人类的幻觉判断高度相关。
说明预算约束下的截断推理：将System-1模型作为决策者进行评估
简介大模型常生成多于所需的推理词元，限制推理预算可降低成本，但从不完整推理中强行给出答案可能降低准确率。本文评估System-1决策模型Jev作为截断推理的决策读取器，涵盖7个推理模型和5个选择题基准（共35组）。在500至16,000词元的预算下，Jev的平均准确率高于强制作答，且计入推理与作答成本。
说明EvalRx：基础模型的智能体式诊断与经验证的修复
简介该论文提出 EvalRx，一个开源的智能体框架，用于基于统计的模型诊断与修复。它先发现系统性失败模式，提出可被证伪的假设，并通过预先固定的测试加以验证，再据此分级修复；候选修复需对未改动的模型验证，只有在改善目标行为且无不可接受的退化时才被采纳。论文称在语言、视觉-语言和音频-语言等 12 个模型族与模态组合中均有提升，提升幅度为 +1.4 至 +10.9 个百分点。
说明TRACE：追踪多模态临床轨迹以预测住院风险
简介该论文提出TRACE框架，将住院期间的电子病历、胸部X光、放射报告和出院小结等多模态临床事件按天组织成轨迹，并用时间注意力机制编码，用于预测住院死亡、住院时长和再入院。在MIMIC-IV、eICU和MIMIC-III约18万次住院的数据上，TRACE在九个数据集-任务组合中AUROC均最高，并能通过轨迹归因定位与风险相关的住院日和模态。
说明ActTime：面向时间序列的动作条件世界模型
简介该论文提出ActTime，一种面向时间序列的动作条件世界模型。模型依据观测历史更新各变量的潜在状态，并在候选动作下向前推演生成未来轨迹，训练仅使用真实轨迹。作者在建筑能耗、交通、温室气候和库存管理四类模拟环境中进行评估，结果显示事实预测准确性、干预效果预测和决策质量三者相关但不可互换。
说明计算而非记忆：LLM智能体中的思维链与状态追踪
简介该论文研究语言模型智能体在状态会变化的任务中，其行动如何依赖推理过程。实验基于一个小型文件系统任务，使用Qwen3-8B和Qwen3.5-9B模型。结果显示，减少违反锁规则指令的效果主要来自每步行动前生成的推理，而保留早期推理的作用较小；推理内容本身也很关键，而非仅靠填充文本或准确的状态表。
