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MythoSemantic：用于发现神话与宗教传统之间语义相似性的交互系统
简介该论文介绍一个比较研究神话与宗教文本的工具。它利用神经语言模型把文本映射到同一语义空间，让用户在交互界面中查找不同文化传统之间的语义相似之处。研究发现，嵌入后的片段形成的粗略几何结构，与已有文献记载的传统之间历史关系大致吻合；作者还量化了词汇重叠和专有名词能解释多少这种结构。
说明跨门店借力：基于选择行为的收益管理迁移学习
简介大型零售连锁需要按各门店的顾客偏好来定制品类与定价，但单店数据往往有限，尤其是销售周期较短的品类。本文研究在多项 logit（MNL）需求模型下，如何通过迁移学习在门店自身数据与其他门店汇总信息之间取得平衡，提出一种收缩估计量。文中给出有限样本性能保证，并推导了后续选品与定价决策的遗憾界；数值实验与一家欧洲服装零售商数百家门店的实证研究显示，收缩估计在样本外的商品排序与收入获取上优于单店估计和完全合并。
说明EvaOmni：面向音视频推理、基于证据的评测基准
简介该论文提出EvaOmni基准，包含392段视频和1027组人工标注的问答对，覆盖15种能力和三个难度层级。除答案正确性外，模型还需给出支撑答案的音频与视觉证据区间，并引入覆盖分数和瓶颈分数衡量证据定位。评测结果显示，表现最好的模型在第三层级准确率为79.1%，但瓶颈分数仅为12.3%，说明其基于证据的推理仍有提升空间。
说明基于CNN、利用短时脑电信号进行MBTI外向/内向偏好分类的跨被试研究
简介该论文研究了50名参与者经过简单预处理的4秒脑电片段，能否区分MBTI测评中的外向与内向类型。作者比较了EEGNet、EEGProgress和新提出的紧凑卷积网络SSCNet，采用被试独立的嵌套5折交叉验证。SSCNet的平均准确率、AUC和F1分数最高，且折间波动最小，同时训练效率较高。
说明分层稀疏注意力（SSA）：缩小极端稀疏下的稀疏与稠密差距
简介本文针对大语言模型处理长上下文时注意力计算成本高的问题，提出分层稀疏注意力（SSA）。该方法结合确定性的高分 token 检索与基于分数引导的采样，并对采样概率做校正，以找回检索集合之外的注意力质量。在多个长上下文基准和 3B 至 27B 参数的模型上，SSA 在相同稀疏度下优于基线，并在 1M 上下文下实现最高 2.96 倍的解码加速。
看点将确定性检索与按代理注意力分数引导的采样统一，并做包含概率校正，在多个基准与模型上验证，对稀疏注意力有实质改进。
说明神经模型是否偏好其子模型？研究神经网络函数集合中局部最小值是否落在子模型内，并分析其几何成因。
简介论文研究神经模型（某一网络架构可表达的函数集合）的几何结构，考察损失函数的局部最小值是否位于其子模型之中。作者提出判断该现象的几何框架，并分别分析浅层多层感知机、深层多层感知机与轻量自注意力模型。结论指出，除少数例外，对子模型的偏好无法仅由模型几何解释，可能来自训练动态等其他因素。
看点用几何框架证明浅层与部分深层网络不偏好子模型，结论新颖且有严格证明，但对实际应用影响有限。
说明每个模型都会留下痕迹：多层次大语言模型指纹识别（论文）
简介该论文研究大语言模型生成的文本中留下的模型专属特征，能否用来区分亲缘相近的模型。作者逐步削弱表面线索、对输出改写、改变文本数量，并在不同提示分布和语言中测试泛化能力。结果显示，即使是蒸馏模型和同一基座模型的LoRA微调版本，仍可被识别；在表面与词汇线索减弱后，仍保留大量模型特有信号，其中语义表示在跨语言时最稳健。
说明SimHack：在强化学习训练前预测可检测奖励投机的出现时机
简介论文研究用强化学习训练代码生成模型时，可被检测到的奖励投机（reward hacking）何时会成为主导行为。作者提出SimHack模拟器，利用少量小规模参考强化学习运行学习其训练动态，无需昂贵重训即可模拟未见过的目标训练方案。实验显示其预测的中位出现步数相对误差为11.3%，跨方案排序相关系数为0.85，并可用于筛选课程方案，使训练时间延长96.6%而不出现投机行为。
说明合理的未来，错误的选择：将世界-动作模型引导至预期未来
简介论文提出 TaskWAM，一种闭环、阶段感知的框架，用 Mode Tokens 表示任务需求、用 State Tokens 跟踪执行进度，以引导世界-动作模型生成符合预期的未来。作者还提出 StageBench 多阶段操作基准，并在仿真和真实任务中报告该方法能减少阶段混淆，性能与现有先进方法相当。
说明Racer：用符号等价检查挖掘 GPU 内核缺陷
简介GPU 内核的改写通常只靠随机输入的差分测试来验证，容易漏掉误差小于容差的逻辑错误。该论文提出符号等价检查，对内核与参考实现的输出做精确代数比较，并据此实现了 PTX 级工具 Racer。在 41 个收集目标的 2408 个生产内核上，Racer 在 23 个库中发现 82 个真实缺陷，其中 76 个此前未知，目前已确认 41 个。
看点将符号等价性检查用于PTX级GPU内核，结合形状约简与模板等技术，在2408个生产内核上发现82个真实缺陷，证据充分、影响面广。
说明基于滑动窗口二维CNN的脑区特异性脑电分类：催眠易感性的受试者独立评估
简介该研究用二维卷积神经网络分析62名男性受试者的脑电信号，以判断不同脑区能否区分催眠易感性（对照组与引导想象组）。结果显示，随机划分下枕叶准确率最高，但在按受试者留一法的独立评估中骤降至接近随机水平，说明早先的高准确率主要源于个体脑电特征。额叶和前额叶在独立评估中仍保持高于随机水平的表现，研究认为前部皮层更可靠。
说明WorldSR：借助外部视觉世界知识检索实现有据可依的图像超分辨率
简介该论文提出WorldSR框架，把输入图像拆分为语义实体，从大规模外部图像库中为每个实体检索结构和语义对齐的参考图，并用记忆机制和多步筛选提高效率与可靠性。选出的参考图通过多参考超分辨率模型提供细节约束。实验表明，该方法在真实场景超分辨率基准上提升了结构保真度和视觉质量，优于现有生成式超分辨率方法。
说明DISTRACT：在竞争目标中考察文本指代在视觉退化下的作用
简介该论文提出 DISTRACT 基准，在视频、目标和干扰物固定的条件下，交叉比较四种文本提示与四种图像退化，以检验视觉-语言跟踪器的文本输入是否真正影响跟踪决策。研究评估了五种模型，结果显示 Molmo2 和 JointNLT 对文本有定向利用，而其余三种模型对文本语义变化反应较弱。模型内部分析表明，文本的影响主要出现在较早的中间状态，但这些干预并未证明存在针对目标的语义修复效果。
说明Code2Video-Compass：面向T2V、I2V、V2V的通用代码视频生成综合基准
简介该论文提出Code2Video-Compass，一个用于评估多模态大模型通过生成代码来制作视频的综合基准，涵盖文本生成视频、图像生成视频和视频生成视频三种设置。基准包含2,104个任务，分为10类24个子类型，并从构建、动态动画与状态依赖三个复杂度维度进行划分。论文采用客观与主观相结合的双层评估框架，测试了来自九个系列的15个模型，发现即使领先模型也难以稳定生成与文本和视觉要求一致的高质量完整视频，且随复杂度提高性能普遍下降。
说明PhaseBreak：针对未经授权图像转视频动画的主动时序保护方法
简介该论文研究图像转视频扩散模型可能在未经授权的情况下让人像或照片动起来的问题。作者提出PhaseBreak方法：图片发布前，所有者施加有界扰动，保留分享流程，却干扰后续运动生成。该方法沿真实时间轴对去噪器的中间特征做受约束的时序重排，并用主体感知掩码把扰动限制在画面主体上。在Stable Video Diffusion和DynamiCrafter上的实验显示，受保护图像会带来更大的短期运动变化并降低时序规律性，从而阻碍基于该图像的稳定运动定制。
说明Brain2Vec：用于结构性脑部MRI的自监督三维基础模型
简介论文提出Brain2Vec，一个在74,425份多研究汇集的T1加权脑部MRI扫描上预训练的基础模型。它既可作为下游任务微调的权重初始化骨干，也可作为独立的特征提取器。实验显示，在脑龄预测任务中，相比随机初始化，其最终准确率更高、收敛更快；冻结的嵌入特征在五项分类任务中的四项优于解剖定义的体积特征。
说明面向医学影像分析、基于证据规划的多智能体自动机器学习框架
简介论文提出 MedicalMLOmni，一个通过自然语言界面自动训练医学影像模型的多智能体框架，可处理单模态和多模态的多种任务。它先检索已发表结果来指导模型选择与配置，并让多个智能体并行探索超参数调整策略。在 20 个基准中的 19 个上取得最佳成绩，仅 PMC-VQA 例外，该任务中预训练范围更广的视觉语言模型表现更好。
说明面向预算的多轮智能体奖励设计：使其适应任意测试时约束
简介该论文研究大语言模型智能体在有推理预算（如 token、API 调用次数、环境步数）的多轮交互中，能否自主学习分配资源。作者比较了十一种奖励目标，在 AppWorld 和 BabyAI 环境中训练 Qwen3.5 的 4B 与 9B 模型。结果显示，惩罚超支的奖励能提升预算内成功率与自然合规性，且可泛化到未见过的预算。
说明指令微调对事实回忆的损害：基座模型可超越指令微调版本
简介本文介绍在 AKBC LM-KBC 2026 共享任务中的方案，官方排行榜得分为 0.6836，超过基线 0.2964。任务要求在不使用检索或微调的前提下，用最多 320 亿参数的语言模型为主语-关系对生成全部可能的宾语。作者发现，基座模型用文本补全方式提示时得分 0.6836，而指令微调模型用对话接口仅得 0.5681，因此指令微调会降低事实回忆能力。
说明DIVE：在连续多模态流中评测带视觉参与的全双工交互
简介该论文提出 DIVE 基准，用于评测多模态大模型在连续、真实的音视频流中进行全双工交互的能力。它包含六项任务，分为主动介入、持续参与和交互协调三类场景，共 525 个带精细标注的音视频样本。实验显示，主流实时模型平均响应延迟低于一秒，但窗口响应率仅约 53.77% 或更低，且根据新到信息调整正在进行的回应仍然困难。
说明StreamEval：评测交互式流式视频生成模型的基准
简介本文提出 StreamEval，这是首个面向交互式流式视频生成的开源基准，包含评测数据、代码、协议和评分规则。它涵盖五类任务共 300 个脚本化用例，时长 15 至 300 秒，并用十项指标评估任务执行、状态一致性、视觉保真度和视听协调。作者对 37 个模型进行了测试，结果显示高视觉质量和身份保持并不一定意味着可靠地执行请求或持续保持状态一致。
说明面向可扩展摄像头网络的去中心化多视角、多区域跟踪
简介本文提出一种用于可扩展摄像头网络的去中心化多视角跟踪系统。单视角检测结果被投影到鸟瞰图坐标，再由各自管理动态空间区域的独立多视角跟踪器融合。系统通过加锁协议和称为全局合并的周期性轨迹合并操作统一跨区域轨迹，并借助可配置的延迟输出缓冲机制回溯修正历史结果，以在评估配置下保持全局ID一致性，精度损失较小。
说明当复制很难：用于精确片段复现的复制约束解码
简介论文指出，大语言模型在长上下文中逐字复现目标片段时仍常出错，如片段内漂移或无法正确停止。作者构建了跨合同、科学文献、代码和随机序列的基准测试，并提出即插即用的轻量插件 CopyGen，将复制拆分为何时复制、复制多长、何时停止三个决策。原文称，在三种骨干模型和四项任务上，CopyGen 无需微调即使平均精确匹配相对提升 35%，与 SFT 结合再提升 4%，并显著加速生成。
说明SpecEvo：用多个大语言模型协同做低成本科学发现的进化搜索框架
简介该论文提出SpecEvo框架，用轻量模型并行生成和改进候选程序，由顾问模型总结成功、失败与饱和方向形成持续指导，并在少量检查点由前沿模型介入调整搜索。论文报告在176个任务的四个科学与算法发现领域中，其效果与前沿模型基线相当或更好，且API成本最多降低80%。
说明Self-Credit：基于组内重缩放的长程智能体强化学习信用分配方法
简介该论文针对长程任务中稀疏奖励导致的信用分配困难，提出 Self-Credit 方法。模型在推理时生成引用早期关键证据轮次的摘要作为自生成信用，再通过同一提示下成功与失败轨迹的组内比较进行重缩放，并据此调整相应轮次的优势值。在 BrowseComp-Plus 等基准上，作者报告相较基础模型和强基线均有提升。
说明VisualEvolve：面向视觉推理的技能自进化框架
简介该论文提出VisualEvolve框架，让视觉语言模型通过可复用的外部技能（视觉操作与工具使用策略）自我进化，无需更新模型参数。框架包含选择、执行、进化、评估的循环，并通过固定验证集选择历史技能库快照以减少性能退化，同时采用由粗到细的渐进证据访问机制辅助能力缺口诊断。在四个视觉语言模型主干和三个基准的六个评测集上，相比初始技能库在24个设置中的23个取得提升，并且所需的任务求解轨迹数量远少于代表性的强化学习方法。
说明RACE：基于查询-键激活能量、与 RoPE 对齐的注意力压缩方法
简介该论文提出 RACE，一种训练后（post-training）的注意力压缩方法，通过减少注意力头的维度来降低 KV 缓存的内存占用和注意力计算量。RACE 依据查询与键的联合激活能量选择旋转位置编码（RoPE）的成对维度，并直接融入模型权重，无需运行时重建或专用内核。原文报告，在 50% KV 缓存保留率、256K 上下文下，相比未压缩模型，总推理 FLOPs 降低 47.8%，吞吐量提高 1.79 倍。
说明RACE：通过指代抽象与组合证据学习多模态搜索
简介该论文提出 RACE 框架，用于合成需要依赖图像进行视觉搜索的训练任务，以减少合成问题中的捷径。方法包括把身份文本替换为视觉指代或关系指代（指代抽象），以及把同一图像或不同图像中多个实体的检索事实组合成联合问题（组合证据）。仅用 RACE 生成的 1.2 万条轨迹微调 Qwen3.5-27B，十个多模态基准的平均准确率从 53.5 提升到 56.0。
说明CAPSafe：面向具身智能体的情境化动作与计划安全推理基准
简介该论文提出CAPSafe基准，用于评估由大语言模型驱动的具身智能体的安全推理能力，包括单个动作在环境中是否安全的判断，以及复杂家庭危险任务中长时程计划是否安全。测试九个大语言模型后发现，它们识别不安全动作的准确率较高（最好的超过90%），但生成安全长时程计划的难度明显更大，其中Gemini-3-pro的安全成功率最高，为78.19%，其他模型均低于65%。
说明面向对象的智能体框架（OO-Harness）：通过面向对象设计演化智能体执行框架
简介该论文提出OO-Harness，一种优化智能体执行框架的方法，用面向对象设计将框架组织为可执行的类层次结构。训练时，演化智能体依据执行记录，通过继承生成多种专门化框架；测试时，路由器依据训练中积累的经验为每个任务选择合适框架。在三个长程基准测试中，该方法优于对比方法，相对基线最多提升15%，并通过消融实验分析了核心组件的作用。
说明不要跳过基线：MoE 动态专家跳过方法的受控比较
简介本文针对混合专家（MoE）模型中推理时动态跳过专家的方法进行了受控比较。作者将四种代表性方法归入统一分类，并与最简单的基线（对所有层和token统一静态减少激活专家数 k）在相同专家计算预算下对比，测试了 Gemma4-26B-A4B、Qwen3-30B-A3B 及 Qwen3-VL 模型。结果显示，简单基线难以被稳定超越，所评测方法多数表现更差，且校准时与测试时的有效 k 可能不一致；作者因此建议采用免校准、按模态的静态 k 缩减。
说明相对表征实现跨语言模型的可移植白盒监测
简介本文研究不同独立训练的自回归语言模型内部表征是否以兼容方式组织相关信息。作者提出用到一组共享锚点的角距离来表示样本，并构建汇总所有Transformer层信息的全局锚定探针，使同一冻结探针可直接用于另一模型。在问答、安全监测和数学推理任务上的实验显示，迁移后的探针平均保留同模型AUROC超出随机水平部分的至少85%，但迁移效果依赖任务与目标模型，部分情况下会失败。
说明FALCA：面向长程深度搜索智能体的证伪感知强化学习与分层信用分配
简介该论文针对长程深度搜索中LLM智能体早期错误被放大的问题，提出FALCA框架，将搜索过程建模为“提出-证伪”循环。框架包含搜索者与独立证伪者协作：证伪者主动寻找反证、检查未满足的约束并产生证伪报告以修订研究状态。训练结合证伪轨迹的SFT预热与基于并行采样及分层信用分配的智能体强化学习。论文称在五个搜索基准上，FALCA相较基线和消融版本提升了长程深度搜索表现，并减少了确认偏误与错误累积。
说明受掩码约束的马尔可夫决策过程：同时学习可行动作集合与最优策略
简介该论文研究强化学习中动作掩码未知的问题，即在线性MDP模型下，每次尝试动作都会揭示决定其是否合法的线性分数的精确值。作者先提出基于确定性乐观优化的算法，证明其极小极大最优且计算高效，但在非退化实例上次优；随后提出一种会规划探索策略的替代算法，并将其解释为确定性反馈下信息导向采样的类比。论文最后将该框架应用于非法动作集合随时间变化的迁移学习场景。
说明CountVideoBench：评估视频-语言模型在物体计数任务上预测偏差的基准
简介现有视频问答基准中的计数问题，真实计数值多集中在小数字上，平均准确率容易掩盖模型在罕见计数上的偏差。作者构建了包含2600个合成视频、覆盖5至50共26种计数值的CountVideoBench，每个视频仅含一类静态物体。对16个视频-语言模型的零样本评测显示，最高精确匹配率不超过27.6%，且模型倾向集中预测少数偏好数字，准确率在这些数字处出现峰值、相邻计数处急剧下降。
说明超越点质量：基于接受率推导的权重与分布损失，用于推测解码
简介该论文研究推测解码中小型草稿模型的训练。作者用草稿与目标分布的重叠度（即1减去全变差距离）作为接受信号，从精确的期望接受长度推导出逐位置权重与损失，称为D-PAL。论文提出以1/2阶Rényi散度替代交叉熵，在Qwen3-4B目标模型的六个基准上使平均接受长度与吞吐量有所提升。
说明S-Agent 2.0：基于通用编码智能体的空间推理
简介本文提出S-Agent 2.0，为现成的通用编码智能体配备命令行三维感知工具包，帮助视觉语言模型收集场景证据、将其存入持久场景记忆，并用通俗的空间语言解释读数。在MMSI-Bench和ReVSI两个基准上，该工具包相较于不使用工具的同一智能体均有明显提升，且在两个基准上的成绩都优于同一骨干模型上的专用系统SpatialClaw。
说明RayCo4D：面向单目4D动态重建的射线条件连续运动模型
简介该论文提出RayCo4D，用于从单目视频重建动态三维场景。方法将视觉观测与潜在三维运动状态分离，通过射线约束的查询点和共享的连续运动节点整合长时程轨迹，并以高斯基元表示场景。实验表明，该方法在新视角合成质量上具有竞争力，在快速运动和轨迹不完整时提升了结构与时间一致性，并支持连续时间渲染。
说明基于门控原型迁移的零样本医学视觉语言模型方法
简介论文针对医学视觉语言模型在少样本适应中，部分低发生率类别没有任何标注样本的问题，提出门控知识引导原型迁移方法GProtoT，把已有样本类别的视觉残差迁移到缺失类别上。在MESSIDOR数据集上的50组单样本实验中，缺失类别的召回率、平均类别准确率和调和平均值均有提升，同时负迁移频率明显降低，但已有类别的召回率与top-1准确率略有下降。
说明基于机器学习的电力系统保护中跨继电器泛化失效的表征研究
简介该研究针对用于故障检测的机器学习模型在不同继电器位置间的泛化能力展开分析。在模拟的110千伏输电网络中，作者评估了多层感知机在8个继电器、64种源-目标组合及5个随机种子下的表现。结果显示平均F1分数几乎不变，但误报率从0.088升至0.341，且误报增加具有明显的母线方向性。
说明Auto-Director：利用多智能体协作实现自主视频剪辑
简介该论文提出 Auto-Director，一个由多个智能体协作的自主视频剪辑框架，模拟专业剪辑流程：规划、素材索引、片段组装与迭代审校。作者还提出了包含100个主题的基准 VEdit-Bench，并从五个维度评估。论文称该方法在自动指标和人工评估中均明显优于基线方法。
说明DeclineCraft：联合衡量检索与参数知识的RAG拒答基准
简介该论文提出DeclineCraft，一个动态拒答基准，问题针对语料截止日期之后Minecraft新增功能，且对可能的参数知识泄露进行了审计。作者在27个大模型上测试了正确拒答率、可回答尝试率和回答准确率。主要发现包括：单次检索在大多数配置下显著提高正确拒答率；迭代式RAG则降低了正确拒答率，同时回答准确率变化不大；模型规模与正确拒答率没有显著关联。
说明HistoLoop：基于循环 Transformer 的组织学图像空间基因表达迭代预测方法
简介该论文提出 HistoLoop，一种循环 Transformer 模型，用于从 H&E 染色组织图像预测空间基因表达，作为空间转录组实验的可扩展补充。模型在每一步迭代中从当前点状态构建上下文、进行空间建模并通过记忆机制更新状态，并逐步细化分辨率。在 HEST-Bench HVG50 评测协议下，于 HEST-1K 涵盖五个器官的六项癌症任务中，其宏平均基因级 Pearson 相关系数在对比方法中最高。消融实验支持循环状态细化及逐级细化上下文重建的重要性。
说明超越单一情感分数：推特上表情符号含义的主题与情感维度
简介本文基于16575条英文推文，提出“稳定性差值”指标，衡量表情符号在句子嵌入空间中的主题聚集程度。研究发现，主题上越集中的表情符号，众包情感得分反而越两极化（Spearman ρ=+0.361），并通过多项统计检验与西班牙语情绪评分的独立验证。作者认为主题一致性与情感分散度是表情符号含义的两个不同维度。
说明从多域线性混合中识别相关成分
简介本文研究带有相关潜在成分的线性混合模型，假设数据来自多个域，各域仅通过特定的尺度变换使成分不同，而潜在成分的分布在各域间相同。作者证明在域变化足够时，仅靠二阶统计量即可识别潜在变量和混合函数，并提出 MuDo-CoM 算法，在模拟数据和真实 fMRI 数据集上进行了验证。
说明观测同化Transformer：基于稀疏站点观测的概率天气分析
简介本文提出观测同化Transformer（OAT），一种几何感知的神经过程模型，利用稀疏站点观测修正数值天气预报先验场，得到高分辨率后验场。模型依赖位置之间的相对关系，可在任意连续位置预测并输出概率分布，训练采用CRPS损失。在区域和大陆两个数据集上，OAT优于若干基线并校准良好；将ERA5（约31公里）降尺度到COSMO（1公里）的案例中，其温度和降水的平均绝对误差与CRPS在测试站点上均低于COSMO。
