机器学习、人工智能、自然语言处理、计算机视觉、多智能体。
说明反向 KL 策略蒸馏：统计保证与局限（论文）
简介该论文研究用反向 KL 散度进行策略蒸馏的统计理论。作者比较了两种反馈模式：教师给出完整动作分布，或只给出学生所采样动作的概率，并分析在线与离线两种蒸馏方式的样本复杂度。结果显示，在线情形下仅给概率时可能需要显著更多数据；离线情形下两种反馈可达到相同的极小化最优速率。论文还指出常见的在线目标在某些情况下会失效，并提出轨迹损失、重要性比率截断及策略空间学习等技术以达到最优保证。
看点证明了在线与离线反向KL蒸馏在两种反馈模型下的极小极大样本复杂度，并揭示概率反馈在在线设定下的统计代价，理论贡献较突出。
说明Lean Finder V2：能消除用户查询歧义的 Mathlib 语义搜索
简介本文提出 Lean Finder V2，一个面向 Mathlib（Lean 数学库）的语义搜索框架，通过模型层面的对抗训练和输入层面的查询改写来消除用户查询的歧义。作者指出，人们搜索时常只输入简短的性质、记号或假设，而现有搜索引擎假设查询包含丰富上下文，因此问题主要在于数据。在人工标注的 MathlibQR 基准上，该方法比之前最好的搜索引擎至少提升约 11%，并在未标注的真实查询上排名最强，接入 Claude Code 后还提高了下游定理证明的成功率。
说明TRIAD：多模态大模型中全模态歧义消解的基准测试
简介该论文提出 TRIAD 基准，用于测试全模态大语言模型能否结合文本、图像和音频消解分布在多个模态中的歧义。基准包含 327 条人工编写的查询，覆盖 86 个场景组和 18 类歧义。实验显示，即便表现最好的模型，其组准确率仍比人类低 20 多分；去掉选项后差距进一步扩大，且模型较少利用音频线索。
说明LeWorldModel 是否保留了局部动作几何结构？
简介本文考察预训练的 LeWorldModel（LeWM）能否在小幅动作变化下准确复现模拟器中的响应。作者用 Gram 矩阵在三种扰动尺度下衡量动作敏感性，实验覆盖 Reacher 和 OGBench Cube 的近千个状态。结果显示，在最小尺度下两者最敏感动作方向的中位夹角分别约为 36° 和 42°；在嵌入空间中，LeWM 的误差高于同迹各向同性基线。论文认为应按尺度进行动作敏感性评估，其对控制的影响仍是未解问题。
说明半线性高斯贝叶斯网络：利用惩罚B样条增强节点依赖的灵活性
简介本文提出半线性高斯贝叶斯网络（SLGBN），用于连续变量的贝叶斯网络建模。它保持条件分布为高斯分布，同时通过广义加性模型与惩罚B样条估计非线性条件均值函数，并给出参数估计与贪心爬山结构学习方法。实验表明，在存在非线性高斯关系时，SLGBN拟合效果和结构恢复能力优于对比模型，且计算上比全半参数方法更有优势。
说明RECAP：视觉语言推理不能只看一次图像
简介长链式思维推理能提升视觉语言模型，但生成过程中模型可能偏离图像证据，而强化学习只给出最终答案奖励。论文提出RECAP训练方法，利用推理中图像证据的重新激活（视觉回看）信号分配奖励，使最终奖励传递到视觉上重要的推理步骤。在多个模型和基准上相比GRPO与VPPO有一致提升。
看点提出视觉重访信号并用于信用分配，通过掩码与注入实验验证因果性，对推理训练有新意，但仅在三个骨干上验证。
说明TutorCaseBench：面向有挑战性行为学生的大模型辅导评测基准
简介本文提出 TutorCaseBench，一个基于教育学、教育心理学和特殊教育质性案例构建的评测基准，用于检验大语言模型作为 AI 辅导员时对有学习和行为困难学生的支持能力。基准包含 923 段对话，覆盖五类挑战行为，并通过开放式回答生成（1,560 项）和多项选择（2,537 项）两种形式评估 11 个最新模型。结果显示，表现最好的模型在开放式题目中仅有 55.8% 满足评分标准，模型选择策略的能力强于生成情境化回应的能力。
说明一次评估即可：无需反演、带轨迹校正的图像编辑
简介该论文提出一种无需图像反演的单步图像编辑方法 Endpoint-Calibrated Transport（ECT）。它在一个噪声水平上只做一次去噪器查询，先积分局部语义切线得到名义单步传输，再用端点位移校正长程外推。方法无需训练，可直接用于预训练的 VP 单步生成器，论文称在所报告的基准设置下编辑质量稳定提升且耗时极短。
说明循环以看得更清：面向视觉语言模型中问题引导感知的自适应深度学习
简介该论文提出LoopLook，一种轻量的编码器端循环感知框架，使预训练的视觉语言模型能够自适应地调整视觉处理深度。模型在视觉编码器的中后段窗口中反复回访，并在每次循环中注入问题表示以引导视觉特征精炼，同时通过学习得到的停止机制决定循环次数。实验覆盖四种基础模型和八个基准，性能较基线提升，在MMStar上最高提升8.6%，在HallusionBench上最高提升8.1%。
说明面向Transformer异构资源分配的残差上下文神经谱容量
简介论文提出ResNSC方法，在无需训练的情况下根据架构规格预测Transformer的相对性能，并考虑残差更新的累积影响。作者同时设计了ResNSC-DP，在资源预算下联合分配残差宽度与前馈宽度。实验显示，在121M和374M规模的预训练及LLaMA-7B剪枝中，该方法优于对比的分配方式。
看点在NSC基础上加入残差感知与残差历史，分配器改进有新意；在121M/374M预训练和LLaMA-7B剪枝上做了对比与配对反转实验，证据较充分，对子领域有实用价值。
说明TESSA：面向中小企业、依据欧盟人工智能法案提供治理指导的定制GPT
简介本文设计并实现了TESSA，一个在OpenAI定制GPT环境中开发的治理导向教育工具，用于帮助中小企业理解欧盟人工智能法案。研究采用设计科学方法，用100个基准场景将其与基础版ChatGPT比较，包括治理一致性评估、专家人工评审和一致性测试。结果显示两者都能提供总体较好的治理指导，TESSA在重复执行中保持较高的一致性。
说明xVGAE：面向可交换图的分层变分图自编码器
简介本文提出一种图生成模型 xVGAE，它受 Aldous-Hoover 定理启发，学习训练图集合背后的图函数（graphon）以及图级和节点级隐变量。作者称该模型生成质量与当前最先进模型相当，而生成速度快出数个数量级，并能一次性生成与训练集关键统计量接近的新图。
说明DRILL：训练世界模型以改进策略，而非预测像素
看点提出以策略回报而非像素预测训练世界模型的双层框架，并给出闭式近似与元梯度两种实现；在五个仿真器、两个VLA骨干上评估，相较基线提升明显。
说明超越感知的边界：关于AI评估与监督极限的划分理论
简介这篇论文提出一种评估的划分理论，认为判断能力受限于感知能力：智能体无法区分的输入类别构成其辨别力。论文证明，若受测者的辨别力细于评估者，则能通过评估者可判分的所有测试，但通过测试只能证明辨别力的下限。论文还指出，用于检测隐藏能力的回声测试存在方向性缺陷，且对弱模型的精确模仿无法被行为评估发现。
看点提出以感知划分为核心的评估理论，证明单侧界限并给出回声测试的完备性，对AI评估与监督的理论基础有实质推进。
说明频谱可预测性是否足够？在分布偏移下检验合成预训练的Ω匹配
简介论文检验一个假设：合成预训练时，若源数据的频谱可预测性Ω与目标匹配，效果是否更好。作者在LSTM、PatchTST、TCN三种架构上测试，发现理想合成数据条件下Ω匹配有明显收益，但在真实数据集ETTm1上关系不成立，Ω对迁移方向的预测作用很弱。
说明面向对抗性线性MDP、带（聚合）赌博机反馈的计算高效且速率最优算法
简介该论文研究转移未知、损失对抗、仅有赌博机反馈的分幕式线性马尔可夫决策过程。原有最优结果要么计算低效，要么只能达到次优的K^{3/4}遗憾。作者首次给出多项式时间算法，取得\sqrt{K}遗憾，方法是将问题化为动作集由策略期望特征向量构成的对抗线性赌博机问题，并构造近似分离预言机。
看点解决了对抗线性MDP中计算高效且达到√K最优遗憾的未决问题，通过近似分离预言机将问题归约为线性赌博机，新颖性较高。
说明WovenAnchor Matcher：面向特征匹配的图像内与图像间上下文建模
简介该论文提出 WovenAnchor Matcher（WAM），一种半稠密局部特征匹配框架，为图像内传播和图像对之间的信息交换分别设计专门的上下文聚合算子。在 MegaDepth 数据集上，WAM 的位姿 AUC@5° 达到 66.1，在相同评估设置下比 JamMa 基线高 2.0 个 AUC 点。消融实验显示，移除或替换任一专门组件都会降低精度。
说明GIFT：面向蒸馏增强推理强化学习的梯度信息过滤方法
简介论文针对大语言模型复杂推理训练中，结果导向的强化学习与逐词蒸馏两种监督信号可能相互冲突的问题，提出 GIFT 方法。该方法将蒸馏梯度分解为与强化学习梯度平行和正交的两个分量，分别用于筛除冲突更新并衡量新增指导价值，并配合逐步收缩蒸馏词元范围的调度。论文称在数学与逻辑推理基准上，该方法在多个模型规模下优于较强的基线方法。
说明VLTest：发现视觉语言模型中图文联合失效的黑盒测试方法
简介视觉语言模型（VLM）越来越多地嵌入软件系统。本文提出 VLTest，一种黑盒测试方法，通过编辑 VQGAN 潜在编码生成图像变体，并用改写-扩展-剪枝流程生成文本变体，筛选可能改变预期答案的变体，先单独测试每个变体，再测试组合，从而定位联合失效。在三项任务、八个 VLM（含两个商用 API 模型）上，裁判模型确认了 81.7% 的候选失效，相对人工标注的精确率为 88.8% 至 94.6%。
说明Trace2World：从真实交互轨迹重建应用世界，用于可扩展的GUI智能体训练
简介论文提出Trace2World框架，先把真实应用的交互轨迹整合为与来源相关联的应用行为模型，再编译成可执行环境，用于训练GUI智能体。从1570条轨迹构建了50个环境，在10个应用的200个工作流上，91.1%可端到端复现，高于最强基线的59.8%。在真实设备上，基于来源的验证保留了94.0%的模拟训练收益。
说明Gandalf：保护闪存不因 KV 缓存卸载而早逝，延长大模型推理场景下的 SSD 寿命
简介大语言模型推理中，KV 缓存容量需求增长，常被卸载到 SSD。多轮对话和智能体等场景的写入量远超 SSD 容量，使寿命从数年缩短到数月。本文提出 Gandalf，一个具备 SSD 寿命感知能力的 KV 缓存卸载系统，优先把全注意力类型的 KV 缓存写入 SSD。作者称其在多个负载轨迹和多种硬件容量下，平均延长 SSD 寿命 7.3 倍，对缓存命中率影响可忽略。
说明基于一致性正则化的智能体知识与模型协同演化（SPLICE）
简介该论文提出SPLICE框架，让大语言模型智能体从已积累的经验中提取可复用的知识并内化到模型中。方法通过扰动同一经验的分析方式生成多种知识候选，并依据各视角间一致的效用增益进行知识更新，同时结合自蒸馏与强化学习训练模型。实验表明，该框架在多个领域的平均准确率上优于基线，并使每个正确解答的输出token数最多减少44%，且所演化的知识可在不同模型规模与系列间迁移。
说明通用智能体世界模型入门：概念、方法与统一视角
简介这是一篇入门性论文，旨在澄清“世界模型”的概念，它涵盖从预测动力学模型、学习到的模拟器到联合生成未来观测与动作的各类方法。论文从部分可观测马尔可夫决策过程（POMDP）框架出发，把世界建模与经典控制、动力系统、信号处理和强化学习相联系，并讨论世界建模与策略学习如何通过条件预测统一，无需分开建模。论文侧重基本概念、建模原则与联系，而非穷尽式综述。
说明语言模型概率偏差的来源：信息被“隐形化”
简介该论文研究大语言模型在面对不可验证的报告时，因报告者的身份描述（如种族）而拒绝评估其可信度的现象。作者在双瓮博弈中，对OpenAI与Anthropic的主流模型进行了6,600次测试，发现模型拒绝评估的比率随身份描述而变化：对被描述为黑人的报告者拒绝率最高达46%，白人为9%。论文还提出一种按历史真实结果评分的方法，可使身份带来的信任差距在多数配置中降至0.02以下。
看点揭示模型因群体描述而拒绝评估信息的新型概率偏差，通过6600次会话和精确贝叶斯基准做了充分实验，对安全审计方法有较大影响。
说明MixJudge：学习可通过语言查询的人声混音评判模型
简介论文指出，混音既需要处理音频，也需要评估处理结果。作者构建了包含11类人声混音问题、分多个严重程度的课程，训练出可用语言查询的音频评判模型MixJudge。实验显示它能检索混音问题、区分相反问题并排序严重程度，其判断还能用于从候选处理版本中做选择。
说明DeXplicit：在灵巧操作世界模型中显式表示物理状态
简介该论文提出 DeXplicit，一种灵巧操作世界模型，先在度量三维空间中显式预测场景随手部轨迹的演变，再渲染视觉结果。轻量三维动力学网络预测以物体为中心的运动与形变，并将外观沿预测运动传递到未来视角，使渲染器专注于补全不确定和新出现的内容。在 HOT3D、OakInk2 和 PhysTwin 上，论文报告相对 PointWorld 的移动点误差有所降低，并在两步因果生成下相比 14B 双向配置获得 57 倍加速。
说明ABRA：超越聊天、可复用视图的智能体绑定式人机交互界面
简介该论文提出“智能体绑定界面”（Agent-Bound UI）交互模型，将可复用的交互结构与具体任务含义分离。智能体把任务相关含义绑定到可复用视图中的交互元素，并将绑定结果作为共享状态发布。作者实现了与框架无关的原型系统ABRA，并用一个典型用例及四个基于大模型的智能体进行了画布创建、结果处理和跨智能体调用等方面的评估。
说明ProQuant：面向超低比特量化的专家混合模型，优先保留专家质量而非数量
简介本文针对专家混合（MoE）大语言模型存储开销大的问题，提出了仅量化权重的训练后量化框架 ProQuant。其中 PoP 模块联合优化专家剪枝与比特位宽分配，允许高精度专家替代严重退化的专家；RoCo 模块通过数学等价变换调整专家输入表示，以补偿量化误差并减少路由漂移。作者称该方法在多种生成任务上优于现有方法。
说明意义在何处趋同与分化：基于81种语言重新审视语言相对论
简介该研究比较了81种语言中196个基本概念之间的关系，借助两个多语言模型的词嵌入量化语言中表达的概念结构。结果显示，社会文化类概念的跨语言对应程度高于自然与运动类概念；在社会文化领域内，语言间的关系差异随地理距离增大而增加，亲缘关系较远的语言在各领域差异都更大。
说明用一个预训练决策模型实现免训练的通用图异常检测
简介本文提出Jev-GAD，一种免训练的通用图异常检测框架，用于识别图结构数据中的异常节点。方法将结构、属性和邻域证据转换为相对百分位，并通过语义化的Graph-to-State转换，让单个冻结的预训练语言模型对证据进行异常判断，再与四个统计分数进行等权排名融合。论文在七个涵盖引文、社交和共同评论网络的基准上进行实验，结果显示该方法有效，并以平均AUROC和AUPRC分数作为主要结果。
说明月球视觉SLAM中前端特征匹配的评测
简介本文比较了十一种经典与学习型特征检测匹配组合，以及一种特征跟踪器在月面及相关数据上的表现，并评估其对视觉里程计轨迹误差的影响。结果显示，在仅旋转的指标下，SuperPoint组合在两个月球测试平台和一个地面模拟场地上优于SIFT加FLANN匹配；但联合评估旋转与平移方向时，SIFT在四个合成数据集上表现更好。在立体视觉里程计中，只有SuperPoint组合能在全部八个连续序列中持续跟踪。
说明开源项目如何告诉它们的编程智能体：AGENTS.md 与 CLAUDE.md 普查
简介本文对 22,854 个活跃的 GitHub 热门仓库做了普查，考察根目录下用于指导编程智能体的 AGENTS.md 与 CLAUDE.md 指令文件。约 26.3% 的仓库含有此类文件，其中星标最多的仓库比例为 59.6%。文中分析了 341,852 条陈述，发现其中 74.0% 的指令未说明理由，并且项目对 AI 署名的规定存在分歧。
看点首次系统普查仓库中的智能体指令文件，结合模型标注与人工复核分析34万余条语句，揭示实践模式与归属规则分歧。
说明大语言模型多智能体系统易受从众效应与失控级联影响
简介该论文参照经典 Music Lab 实验设计，在大量大语言模型智能体推荐陌生歌曲的场景中进行测试，部分智能体可看到累计推荐次数。结果显示，暴露于累计数据会引发失控级联，集体推荐结果极端且难以预测，并逐渐偏离歌曲本身的吸引力。与人类相比，大语言模型群体更容易出现从众行为，且自我纠正能力更弱。
说明动态多无人机边缘网络中考虑截止时间与能耗的自适应缓存算法
简介本文研究在地面基础设施不可用时，利用无人机进行内容缓存以保障内容分发的问题。作者提出一个同时考虑截止时间未达标、无人机通信能耗及无人机间能耗不均衡的缓存放置与替换模型。文中先提出可解释的分层规则方法DE-UBAC，再提出结合GRU与PPO的GRU-DEPPO方法。仿真结果显示，GRU-DEPPO的截止时间未达标率与无人机总通信能耗最低，相比DE-UBAC，截止时间未达标率降低约61%，无人机间能耗不均衡降低约40%。
说明生成式奖励模型的规模定律：静态准确率与下游策略优化效果的差异
简介本文研究生成式奖励模型（GenRM）在创意写作中作为在线偏好提供者进行策略优化的效果，实验覆盖 Qwen3 从 0.6B 到 14B 的多种规模。结果显示，经 GRPO 训练的 Thinking 评判模型静态准确率更高，但在通过在线 DPO 训练策略时，仅输出答案的评判模型在八组匹配设置中有七组取得更高的策略 Elo 成绩，说明固定分布的判断准确率并不能决定下游优化质量。结论依赖于所用学习型参考评估器，并非普遍的人类质量结论，另一评估器的补充实验结果并不明确。
说明抽象的优先级，具体的奖励：陈述偏好与人们在AI回答中奖励的内容之间的关系
简介本文基于公开的PRISM数据集，比较了1396名参与者陈述的偏好与他们对21个大语言模型29347条回答的评分。研究发现，回答长度、格式和拒绝措辞等未被问卷询问的特征，与评分的关联至少与被调查属性的文本代理同样强。陈述的优先级更多地反映了人们对回答属性的感知，而非具体可测特征，因此对偏好采集和AI个性化具有参考意义。
说明AgentDP：面向异构嵌入式AI应用的自动化模型部署
简介本文提出AgentDP，利用大语言模型智能体，全自动完成预训练AI模型在异构嵌入式设备上的优化与适配，减少人工投入并结合设备领域知识提升推理效果。其包含需求标准化、算子感知的模型划分和配置复用三个模块。实验显示，相比人工优化适配，模型适配时间最多减少80%，任务准确率平均提升超过13%。
说明低秩约束马尔可夫决策过程的原始-对偶表示学习
简介本文研究连续状态空间下低秩约束马尔可夫决策过程（CMDP）的表示学习，难点在于学习转移表示的同时需要控制约束违反。作者提出用于软累积违反场景的REP-PD-TEG算法，并针对逐回合可行性验证的严格硬约束场景提出REP-PD-H-TEG。论文给出了回报策略的遗憾与违反保证，并在软约束下达到了最优的回报策略界。
看点首次为低秩连续状态约束MDP提出带理论保证的表示学习方法，同时覆盖软与硬约束违反，证明遗憾和违反界，并给出最优O(√K)界。
说明复杂的智能体记忆系统是否必要？朴素RAG比想象中更强
简介该论文研究一种朴素RAG基线Raw-RAG，即对原始对话历史进行稠密检索和重排序，再把证据交给阅读型大模型。在LoCoMo、LongMemEval等四个基准的多种设置下，它在七组对比中有六组排名第一，并分析了原始历史检索仍具竞争力的原因。作者认为，对所评估的对话任务而言，复杂的智能体记忆未必必要，朴素RAG应作为基线。
说明FilmFlow：用于三维虚拟电影摄影的智能体系统
简介FilmFlow 是一个智能体框架，可将自然语言指令或参考视频转换为动态三维场景中可执行的摄像机轨迹。其中导演智能体通过组合并发的基础运动操作来生成摄像机方案，并由解释、选景和评审三个专门智能体协助完成。论文还发布了包含150个Blender场景和750项文本指令任务的 CinemaBench 基准，结果显示 FilmFlow 在基准测试和用户偏好上表现最佳。
说明AI模型的伦理边界有多稳固？15个模型的工资单修改测试
简介研究者让15个AI模型以三种不同措辞处理同一个修改工资单收入的请求，共445次可观察试验。结果显示，措辞不同，模型发出编辑调用的比例差异很大，有的模型在部分措辞下仍会执行。文件为标注过的测试文档，所用工具均为模拟，结果仅反映这一场景下的边界表现，并不证明整体伦理排名。
说明可视化与解读癌症生存风险分析中随时间变化的护理团队动态
简介本文提出一个可视化分析框架，用于建模和解读肿瘤治疗中随时间变化的医护协作。研究基于电子病历中的沟通数据构建动态协作网络，并用时序图神经网络估计患者随时间变化的风险。系统还结合替代逻辑回归模型的特征解释和交互式假设分析，考察风险估计与协作模式的共同变化。论文以505名乳腺癌、结直肠癌和肺癌患者为例进行专家指导下的分析，不作因果推断。
说明基于波数感知的深度学习：用于稳健分析拉曼光谱
简介多数光谱机器学习模型把光谱当作固定网格的强度向量，物理坐标隐含在数组索引中，因此难以适应测量条件变化。该论文将每个光谱点表示为强度与波数的组合，并由波数直接计算Transformer的位置编码。在三种细菌及其合成混合物的拉曼光谱上，该表示在噪声、稀疏采样和部分光谱覆盖情况下表现稳健；在部分观测及训练时未见过的采样网格上，它优于基于索引和可学习的编码方式。
说明随机重掩码扩展掩码扩散模型的推理能力
简介该论文针对掩码扩散模型（MDM）解码时错误不可逆的问题，把推理过程重新表述为干净序列空间上的马尔可夫链，并提出无需微调、无需奖励的测试时推理方法随机重掩码去噪（R²D）。同时提出轨迹校正训练（TCT），让去噪器接触生成轨迹中自身的错误。论文报告在逻辑任务上测试时计算量提升带来近似对数线性的准确率增长，并在HumanEval+上超过迭代校正基线及LLaDA2.1-mini的官方Q模式结果。
说明UniGuard：面向跨接口安全泛化的多视角护栏学习
简介论文指出，现有LLM护栏模型通常只适配固定的提示或回复格式，遇到多轮对话、智能体轨迹等形式时表现不稳定。作者提出UniGuard训练框架，从同一安全案例的多种语义一致视图中学习与接口无关的安全表示，并构建了包含1,000个公开安全案例、五种视图的UniGuard-FT数据集。在未见接口的ATBench、PolicyGuardBench和DynaBench基准上，其0.6B参数模型UniGuard-0.6B相比预训练护栏平均提升45.12个F1点，期望校准误差降低35.41点，并与Claude-Sonnet-4.5、GPT-5.2等大得多的模型表现相当。
说明光从哪里来？诊断视觉语言模型的投影推理能力，并从图像生成模型借用缺失的阴影先验
简介论文提出ShadowBench，基于真实照片，测试视觉语言模型在阴影方向读取、缺失阴影位置推断和阴影物理一致性判断三方面的能力。结果显示模型能读取可见阴影方向，但推断缺失方向和判断一致性的能力较弱，后者接近随机水平；思维链推理无帮助。通过图像生成模型中转后，模型表现明显提升。
说明SmolVLA-MoE：用于高效多任务机器人操作的稀疏专家混合模型
简介论文提出 SmolVLA-MoE，在轻量视觉-语言-动作模型的动作专家前馈层中引入稀疏专家混合结构，由路由器为每个词元选择一个专家。在 LIBERO 基准的四个任务套件上，平均成功率为 84.25%，高于 SmolVLA 的 82.75% 和 OpenVLA-7B 的 76.5%，且推理效率相当。
说明线性残差网络训练中宽度与深度极限可交换
简介已有研究证明，残差分支按1/√深度缩放时，残差网络在初始化时的无限宽度与无限深度极限可以交换。本文将该结论推广到线性残差网络的训练过程，证明在梯度裁剪条件下，任意有限步梯度下降后，网络输出在宽度与深度共同增长的各条路径上都依L2收敛。不使用梯度裁剪时，一般只能得到依概率收敛。
说明联邦图检索增强生成：在多方私有知识图谱上进行分布式检索与生成的论文
简介这篇论文提出联邦图检索增强生成（FedGRAG）框架，让多个持有知识图谱的客户端在不共享完整本地图谱的前提下协同检索并增强大模型的生成。作者设计了联邦知识路由机制，通过轻量级知识索引定位相关客户端；并提出受控披露的证据构建方法，把检索到的证据子图转为证据摘要后再在服务器端重构。实验表明，该框架在检索和下游生成任务上均优于现有基线。
说明可信的潜在有害性监测器，在相同误报率下并不优于模型自身的行为
简介该论文检验基于大模型内部激活的有害请求检测器（如 Latent Guard）能否在分布外改写的提示上稳定识别危害，并独立于模型的拒答行为。研究覆盖15个指令微调模型和38种基于激活的读取器，并与 TF-IDF、句向量分类器、独立训练的安全分类器及模型自身拒答进行比较。结果显示，在用户指令末尾读取的表示基本独立于拒答行为，但在分布偏移下退化，TF-IDF 的排序表现优于原始 Latent Guard；生成前的表示检出率更高，但这一提升主要跟随拒答决定本身。
说明基于下一帧预测的学习：迈向统一且可扩展的视觉世界建模
简介本文提出 VANE，一种在嵌入空间中进行下一帧预测的自监督视觉预训练框架。模型先用因果编码器总结过去的观测，再推断整个下一帧的表示，并借助冻结的语义分词器保留场景内容与结构，同时用轻量辅助解码器补充细粒度空间细节。论文称该方法在多数统一编码器基准上取得领先结果，并在 EPIC-KITCHENS-100 动作预测上比 V-JEPA 2.1 高出 7.1 个平均类别召回率@5 点。
说明学习追逐移动目标的可解模型
简介该研究提出一个连续时间线性二次开环追踪模型，其最优控制策略可在“反应式追向目标当前位置”与“预测目标未来位置并直接前往”之间插值。少量可解释参数决定最优策略类型，并可给出最优策略及策略、价值学习动态的闭式解。研究发现学习时间尺度对应特定矩阵的特征值，且这些谱通常存在间隙，表明智能体往往先学会抵达目标，再优化运动。
说明PhyEvolve：面向物理感知视频生成的多智能体状态演化规划
简介该论文提出 PhyEvolve，一个由导演、物理演化器和合成器三个智能体组成的框架，用于增强文本到视频生成的提示词。它先识别场景中的物理机制，再构建因果相连的状态转换，从而改进生成视频的物理一致性与状态连续性。无需重新训练或修改模型，可直接通过替换提示词与现有生成器配合使用；作者称在四个主要基准上平均比此前最先进的智能体基线高出 7.9 个百分点。
说明意义契约：大语言模型中的局部语义几何
简介本文研究大语言模型中语义意义的局部几何结构，用跨语言和细化两类受控实验，在四个解码器模型上考察同一语义因子的不变核心与变化，以及意义细化时的定向收缩。研究发现，去除主要方差方向后，句对按语义相关性排序，且细化会使表示进入更紧密的邻域，并认为大语言模型的语义组织为局部各向异性邻域。
说明ULME：让文本嵌入与语言建模相互增强的预测耦合方法
简介该论文提出 ULME，一种后训练框架，在因果解码器大语言模型上统一文本嵌入与文本生成。方法在问题与答案之间插入可学习槽位，通过对比损失、语言建模损失和停止梯度的预测损失共同训练，使生成过程影响嵌入表示。作者报告在 0.5B 至 8B 的多个规模上，嵌入基准 MTEB 提升 3.3 至 4.1 分，同时在标准问答基准上与仅做生成微调的模型相当。
说明ParaLin++：利用内在分段线性结构加速并行扩散积分器
简介论文指出，常见的免训练少步采样方法在FID/CLIP等传统指标下接近无损，但在GenEval、DPG-Bench、LongTextBench等语义组合、密集指令与长文本渲染基准上质量会明显下降。并行采样是例外，它保持全步离散化、只去掉求解器的时间依赖。作者据此提出ParaLin++，在保持全步离散化的同时加速求解迭代，并在多个模型上报告了2.6至4.8倍等加速效果。
说明长期记忆中的治理状态损坏：面向LLM智能体的跨模型压力测试
简介本文研究LLM智能体在长期记忆中的一类故障：记忆内容与任务保持不变，但决定哪些记录进入模型上下文的有效性状态被改变。作者在六家提供方的731个基准样本上构建了2080组配对故障，离线检查显示损坏改变了96.25%的有效投影，而有预言机支持的强制执行可恢复100%。下游评测显示清洁与损坏条件的差异明显，并存在恢复现象，作者据此主张应将记忆控制状态完整性与检索准确率一并评估。
说明区分多语言大模型中的稳健性与谄媚行为
简介该论文关注多语言大模型在用户给出错误前提时的表现：是出于谄媚而附和，还是该语言下能力不足。作者提出SC-matrix，将模型在无压力下的答题正确性与受压下是否坚持答案的谄媚性交叉分析。研究发现，相同的总体谄媚率可能掩盖不同的失败构成，且语言能力高并不总能防止谄媚，同时以推理为导向的缓解方法优于指令式策略。
说明跨预训练模型的 LoRA 叠加：把同一任务在不同骨干网络上训练的 LoRA 相加后直接用于各自的骨干网络
简介论文研究是否可以把同一任务、在不同预训练骨干网络上独立训练的 LoRA 直接相加，并不做修改地应用到所有对应的骨干网络上，作者称之为 LoRA 叠加。在 7 个 ViT-B/16 CLIP 骨干网络和 8 个图像分类任务上，精确求和在全部 56 组骨干-任务组合中都有提升，平均准确率比未适配的骨干网络高 30.21 个百分点，仅比单独训练的 LoRA 低 0.28 个百分点。留一模型求和的平均提升只有 0.06 个百分点。
说明从临床判断到可检验规则：由临床医生主导的心理健康聊天机器人安全护栏
简介本文提出一种由两名临床医生主导的方法：他们定义并裁定一套包含四项安全检查的规则库，该规则库经过形式化验证并作为护栏作用于大语言模型输出。系统的每个判定都可依据具名规则和十六项事实重新计算。与模型、版本、量化、规则文本及解码方式均一致、但缺少该层计算事实的大语言模型评判器相比，本文报告了两者分歧的结构及成本，包括修订规范后在过度拒答基准边界提示上的拦截类结果由6.0%升至16.0%。
说明用于腕部PPG心率估计选择性校正的带工具与记忆的智能体架构
简介本文提出一种围绕固定心率估计器的智能体架构，结合工具与记忆，在运动伪影干扰下对腕部光电容积脉搏波（PPG）心率估计进行选择性校正。独立的风险门控决定保留、校正或拒绝每个输出。在四个公开数据集上，十个估计器宏平均绝对误差最多下降44.5%；论文还报告了真实可穿戴设备原型上的后端分析结果。
说明利用流匹配学习域轨迹以实现渐进式域适应
简介该论文提出FlowGDA框架，将渐进式域适应建模为表示空间统计流形上的连续传输，而非逐步离散过渡。方法通过无需模拟的回归目标学习随时间变化的速度场，以避免对抗训练的不稳定性，并用源域锚定传输与语义一致性损失防止语义漂移。实验显示其效果优于现有方法。
说明通过词长直接提示词义：来自普通话同音词的证据
简介这项研究探讨人们在心理词库中储存的语音细节是否影响口语词汇识别。研究以普通话的双音节同音词为材料，采用同音词排序任务，发现即使在高噪声或无其他线索的情况下，受试者也能利用词长判断词对的先后顺序，并把较短的音频映射到词频较高的词。结果表明词长可以直接提示词的身份，词长或许是被纳入词汇表征的语音细节。
说明基于领域提示学习的零样本领域泛化
简介该论文研究领域泛化问题，即让模型在未见过的目标领域中也能识别类别。作者提出基于CLIP等视觉-语言大模型的DoP方法，在无法获取源域数据的情况下，通过文本和视觉两种模态的提示学习来学习目标领域知识。在PACS、VLCS、OfficeHome、DomainNet和ImageNet等基准数据集上，论文称DoP的表现持续优于现有领域泛化方法。
看点将提示学习扩展到文本与视觉双模态的零样本域泛化，并在多个公开基准上做了充分实验，新意中等。
说明AgentDreamer：面向文本可控物理仿真的智能体式三维运动推理
简介该论文提出 AgentDreamer，一个由智能体引导的优化框架，通过显式三维运动规划使文本指令与仿真运动对齐。智能体把指令转化为结构化的语义运动先验，再由可微的 MPM 仿真器优化参数，使仿真结果既贴合该先验又满足场景动力学约束。论文还提出基于掩码文本恢复的信息论指标 Motion-IG 来衡量文本与运动的对齐程度，实验表明该方法比基于视频的引导方式更好地遵循所要求的物理行为。
说明WikiOriginQA：基于维基百科创建时间自动构建的文化偏见问答数据集
简介该论文提出 WikiOriginQA，一个通过不同语言版本维基百科的条目创建日期来标注知识来源、并自动生成的问答数据集。无需大量人工标注即可构建。实验表明，大型语言模型的表现偏向英语文化圈，并指出知识向英语圈传播的重要性，验证了该自动化方法可用于多语言文化偏见评估。
说明谱平滑与尖峰扰动如何重塑大语言模型的能力分布与选择性任务表现
简介该论文研究在大语言模型前馈投影矩阵（up_proj、down_proj）上进行的事后奇异值谱平滑或尖峰干预，保持奇异向量与奇异值几何均值不变。作者在五个开源 Llama 和 Qwen 指令模型上评估扰动后的表现，涵盖能力分项任务、推理基准、真实性、幻觉与安全任务及 TRAIT 人格探测。结果显示，较大的正向扰动更可靠地抑制语言与演绎推理能力，而适度的负向扰动在部分评估中可提升事实或任务表现，敏感性因模型系列与基准而异。
说明RiboBridge：基于蛋白质条件的从头RNA结合体结构设计
简介该论文提出RiboBridge框架，用于设计能与目标蛋白结合的RNA分子。方法先在蛋白表面提出多个候选结合界面，再在预训练的RNA结构潜空间中生成RNA构象，随后预测蛋白与RNA之间的相互作用约束，并通过刚体放置得到蛋白相对位姿。在包含124个蛋白-RNA复合物的基准上，其在后验界面对应评估中取得了较优的fNAT、DockQ及较低的界面与配体RMSD。
说明基于深度强化学习的快速迭代组合拍卖
简介该论文提出FastCombo方法，用深度强化学习离线学习迭代拍卖中的价格策略，以减少拍卖轮数。在单物品实验中，期望轮数从1.85降至1.65；在组合拍卖测试套件的四个领域中，在线价格选择时间约为标准贝叶斯基线的300至900分之一，同时保持有竞争力的成交效果。
说明将自回归大模型的控制编译为策略精确的并行推理（用于分层RAG）
简介论文指出，在分层检索增强生成中，大模型逐步选择文档章节的决策可以通过树形并行探测完成，而无需串行逐token解码。作者称，该方法在保持与串行策略一致的前提下，在MetaX设备上将控制延迟相比逐token串行解码降低了35%至47%，并在H800上复现了同样的排序结果。
说明用群体相对策略优化提升低资源语言的多语种语音识别
简介本文指出，以教师强制训练的自回归编码器-解码器语音识别模型在推理时难以从自身预测错误中恢复（即曝光偏差）。作者将基于群体相对策略优化（GRPO）的强化学习方法扩展到规模较小、非大语言模型的ASR模型，并以Whisper-large-v3为案例，覆盖51种非洲语言。训练数据稀缺或输入音频含噪、质量下降时，该方法的收益最为明显。所得模型SunflowerASR在AfriVox-v2与SimbaBench基准上取得了已发表结果中最好的宏平均词错误率，且已公开提供。
说明在文本标注稀缺条件下基于类别的蜡染图像描述：标签保留与来源相关的误差传播
简介本文研究一种蜡染图像描述流程，将LoRA微调的DINOv2分类器与Qwen2.5-VL-7B结合，以类别标签为紧凑监督来描述文化遗产图像。实验显示，注入预测类别的三种条件在150张图像上的类别标签提及率均为0.9067；分类器在公开来源和本地图像上的准确率分别为98.33%和75.76%。作者同时指出，上游分类错误会传播到流畅的描述中。
说明基于拓扑引导的地理人工智能智能体城市洪涝初筛框架
简介本文提出一种用于城市洪涝初筛的地理人工智能（GeoAI）智能体框架。用户输入地名、框选区域或上传边界后，系统调用公开的高程、降雨、土壤、土地覆盖等数据，用离散莫尔斯理论提取地形洼地，并按相对洪涝优先级对流域排序，最终输出带交互地图的报告。语言模型只在记录在案的决策点参与，并保留三个人工审核环节。在马里兰州大学学院城的案例中，原始的278个地形低点被筛减为70个流域，其中77%的最低点也被八方向（D8）汇流模型识别为汇水点。
说明用分布式社会世界模型预判社会后果
简介该论文提出 DSWM（分布式社会世界模型），用于预测智能体每个候选动作之后可能出现的多种回应、各自概率以及即时和最终结果。作者用监督微调与 GRPO 训练一个 4B 模型，推理时由执行者依据这些可能后果选择动作。在三个已见和两个未见环境中，DSWM 在 15 项指标中有 13 项取得最佳平均表现，消融实验显示保留多种未来及其概率在五个环境中都有助于提升结果。
说明基于局部特征空间细化的残差校准方法
简介深度神经网络的置信度估计往往不可靠，因此需要事后校准。本文提出局部自适应概率估计（LAPE）这一事后残差校准框架：以全局校准器的输出作为稳定锚点，并利用邻近校准样本的非参数局部信息细化单个预测。该方法可即插即用，并通过级联特征增强融合（CFAF）扩展到多视角输入。作者称其能提升多种现有基线的校准质量。
说明可复用、改写或拒绝：面向重复移动端图形界面操作的证据约束轨迹复用
简介论文针对移动端图形界面（GUI）智能体重复执行相似操作的场景，提出用图加文本模板选择性复用已有执行轨迹的方法。框架从已验证的执行中构建模板，并结合当前指令与实时界面状态，决定复用、调整或丢弃每个转移步骤。在 AndroidWorld 上，该方法使五个基础智能体的大模型推理 token 消耗平均降低约 80%，多数智能体执行速度至少提升 1.5 倍。在 Android 和 HarmonyOS 真机评估中，动作复用率为 70.7%–79.8%，多数配置下速度提升超过 2 倍。
说明单轮联邦无监督域适应：平滑知识蒸馏与教师精炼（SKD-ETR）
简介该论文针对联邦无监督域适应问题，即在保护数据隐私的前提下，利用分散的源域把模型适应到无标签的目标域。作者提出SKD-ETR框架，结合平滑知识蒸馏（用源模型集成生成的平滑软伪标签训练学生模型）与基于指数移动平均的教师精炼，将目标域知识回传给各源模型。实验基于OfficeHome、Office-Caltech和DomainNet，结果显示其在通信与计算效率高、噪声监督下稳健的同时取得有竞争力的性能。
说明推测解码的接受率并不随位置衰减：基于独立草稿模型的长思维链全长诊断
简介本文针对推测解码接受率是否随思维链变长而下降进行了全长测量。作者在MATH-500全部500题上，以DeepSeek-R1-Distill-Qwen-7B为目标模型，分别使用同系和跨系两个独立草稿模型，共约178万轮验证。结果显示，在排除贪婪解码的重复问题后，四种配置下接受率均未随位置下降，后半段略高；拒绝主要集中在“wait”“however”“check”等反思触发词上，且一种轻量LoRA轨迹对齐方法未能改善平均接受长度。
说明少提问、更好适应：面向视觉语言导航的高效反馈测试时适应方法
简介视觉语言导航智能体在未见环境中因分布偏移性能下降明显。本文提出FETA方法，通过分层样本选择，只在关键动作处查询一次二值人工反馈，并用差异感知的熵优化目标仅更新该步策略。实验显示，该方法在多个基准上以更少的人工干预达到当前最优性能，且在噪声反馈和持续适应场景下仍保持稳健。
说明CODI：借助交叉蒸馏改进自监督视觉 Transformer
简介自监督视觉 Transformer 的图像级表征较强，但补丁级表征对密集预测不够可靠。作者发现类别令牌集中在少数代表性补丁上，而密集预测错误多出现在低注意力区域。论文提出交叉蒸馏（CODI），把少量教师类别令牌分布混入每个教师补丁令牌目标，在不改变架构的前提下为掩码补丁提供全局语义修正。实验表明，在对齐的预训练设置下，CODI 在密集任务和图像级任务上均有提升。
说明规格未说明的内容：测试评分的编程智能体基准中的规格-预言机缺口
简介这篇论文研究编程智能体基准的一个问题：任务用自然语言描述，但评分测试来自上游项目，通过测试可能需要描述中从未提及的常量名、模块路径或确切信息。作者将这种缺口形式化，构建了覆盖五种语言的静态审计工具，并在 SWE-Milestone 等基准上分析其影响。
看点提出规格-预言机缺口的形式化与静态审计，在98个里程碑上以对照组验证了其对失败率的影响，并跨多个基准比较流行程度。
说明FedBST：面向无监督联邦分类的双边自训练方法
简介该论文提出FedBST框架，用于无标签的联邦分类。它基于视觉-语言模型CLIP，同时利用高置信度样本和模糊样本进行自训练，并通过不确定性感知的置信度惩罚降低伪标签错误。推理阶段采用视觉与文本原型集成的方法进行本地校准。实验表明，该方法在标准联邦聚合协议下优于现有方法。
说明大语言模型在吸收不断更新的医学知识时出现系统性失误
简介该论文提出 ChronoEvo 基准，包含 1,709 条跨 12 类医学知识变化的推荐级修订，用于区分模型是否识别修订内容与是否将其纳入临床推荐。在主要模型中，识别率与临床正确率都较高，但完整吸收修订指导的比例明显更低，两者之间存在显著差距。该差距在 14 个模型中持续存在，并得到两位临床医生对 300 条回答的评估印证。研究还发现，推荐强度和患者适用条件的变化与旧指导内容的保留有关。
说明通过行为反事实解读模型推理
简介该论文提出一种方法，在固定回答的前提下，比较源提示与反事实提示下的下一词分布，从而定位干预如何影响模型推理。作者训练模块编辑残差流，以最小化两种提示下输出分布的KL散度。在Gemma-4-E4B-it和DeepSeek-R1-0528-Qwen3-8B上的案例研究显示，即使提示中的建议未被明确提及，相关表征仍会影响推理，包括论证框架乃至最终答案。
说明时间序列异常检测综述：从历史回顾到统一展望
简介本文是一篇关于时间序列异常检测的综述，旨在找出时间序列中明显偏离正常模式的观测值。文章梳理了扩散模型、状态空间模型和大语言模型等新兴方法，给出异常分类与方法体系，并分析评估指标的可靠性。作者还提供了开源基准资源，并讨论了动态阈值、可解释性、零样本迁移等待解决的问题。
说明基于区域语义与视觉原型改进开放词汇语义分割
简介本文针对CLIP在像素级密集预测任务中的区域-文本对齐问题，修改了视觉编码器的注意力层，提出一种新的选择性注意力计算方法以保留更多区域语义信息。为缓解模态差距，作者引入视觉原型，将高置信度的图像块特征组成基于记忆的辅助分类器，用以修正仅依赖文本嵌入的预测器。论文还结合可优化特征提取器与指数移动平均更新策略，并在5个语义分割数据集上进行了实验验证。
说明GSHeadRelight：面向三维高斯人头合成的快速重打光方法
简介该论文提出 GSHeadRelight，用于三维人像的重打光与新视角合成。方法基于生成式三维高斯表示，设计了统一的神经辐射传递光照模型，对入射光线线性响应。仅使用野外采集的图像进行训练，论文称其重打光效果达到当前先进水平，渲染速度相比以往三维感知人像重打光研究提升约 12 倍。
说明MBABench-2.0：评估AI智能体构建金融电子表格的能力（超越简单可验证性）
简介该论文提出MBABench-2.0基准，包含101个从零构建金融电子表格的任务，最难的任务估计需要资深建模人员33小时。除准确性外，作者设计了129项涵盖12类的质量标准，评估可读性、可维护性和可审计性。对20多个智能体（8个模型、4种框架）的测试显示，表现最好的智能体通过率仅为16%。
说明融合税：混合检索何时会变差的诊断分析
简介本文研究把稀疏词法检索与稠密神经检索融合（混合检索）在单个查询上的代价，并在七个BEIR数据集上比较了多种方法。结果显示，即使最佳融合方法，仍有相当比例的查询排序劣于其中一个组件或纯稠密检索器，作者将这部分损失称为“融合税”。该损失主要体现为排序效应，且难以跨语料库可靠预测。
说明更好的推理，而非更大的模型：一种基于结构的高效可靠推理框架
简介本文提出 SGUR（结构落地的不确定性削减）框架，无需训练，通过将不完整观察构建为查询图，并与候选假设图进行加权部分图匹配，再用信息增益策略逐步询问最有信息量的节点来缩小候选空间。在基于 PrimeKG 的序贯医学诊断基准上，仅从两个症状出发，SGUR 的 Hit@3 达到 92.5%，并使用约五分之一的 token。论文认为结构落地可以部分替代模型规模，使较小模型达到或超过大十倍模型的表现。
说明Compact-Bench：衡量上下文压缩给长周期编码智能体带来的代价
简介该论文提出Compact-Bench基准，用于评估长周期编码智能体在上下文压缩后的表现。它将完整历史与仅保留摘要的续写在同一代码库状态下成对比较，覆盖35个SWE-bench修复任务、146个智能体会话和106条生产压缩链。结果显示，不同摘要模型造成的稳定损伤在22个完整历史成功案例中占相当比例，LLM摘要保留的重复细节远少于机械提取，且保留相关信息并不足以保证任务成功续写。
看点提出成对比较完整历史与摘要续接的评测框架，在35个修复、146个会话和106条链上测试14种摘要器，证据较充分，对上下文压缩研究有实用价值。
说明KinoUAV：面向无人机视觉语言导航的运动学与动力学安全稳定基准
简介本文提出KinoUAV基准，包含数据集与KinoUAV-Agent模型，用于无人机视觉语言导航。作者提出分层运动学轨迹生成方法，在速度、加速度和加加速度约束下生成轨迹以减少振荡，并引入方向自由空间距离标签，使模型据此生成避障动作。实验表明，该方法在保持较低绝对偏航角速度和碰撞率的同时，取得了最高的导航成功率。
说明生成式AI技能发展对大学生学业适应与学习成效的影响
简介本研究通过回顾式问卷（313份有效回复）与18名学生访谈，考察大学生对自身生成式AI技能发展轨迹的感知及其学习实践变化。结果显示，发展轨迹因人而异，评估AI输出的能力提升较为困难，作业是技能成长的主要驱动因素。研究还发现，学生报告的作业学业收益多于考试，感知技能增长通过作业流程的调整与学业收益相关联。
说明TT-SAX：面向自然语言形状查询的双轨时间序列符号化方法
简介本文研究时间序列数据库的自然语言查询，重点是用符号化作为查询与长序列之间的桥梁来描述走势形状。作者分析了六种经典符号化方法，指出方向信息缺失、方向度量尺度过小、符号字母任意等三个局限，并据此对SAX做了最小改动，提出TT-SAX。在NLQTSBench基准上，跨六个大语言模型的实验显示，TT-SAX在形状查询上优于全部六种经典方法。
说明先做视觉定位，多模态上下文学习随之而来
简介论文指出多模态大模型做上下文学习时，常忽视示例中的视觉证据而依赖文字线索，导致幻觉输出。作者提出ProCoRe方法，用对比强化学习对比图像-文本数据来增强视觉定位，无需ICL格式的训练样例。实验显示，相比Qwen-VL-3-8B，平均分类准确率提升5.6%，描述生成的ROUGE-L提升13.8%。
说明共谋行为的模型生物：不可信监控器的纠正迁移研究
简介该论文研究AI控制中的一种做法：让模型用同一模型的另一副本充当监控器，但这可能导致模型为自身不当行为掩盖（即共谋）。作者在Llama-3.3-70B和Qwen2.5-72B上植入五组策略-监控行为对，用一种被捕获的共谋对监控器做微调，再测试其他未被发现的共谋。结果显示，纠正后的监控器在多数方法下能将未见共谋的比例从91%降至约14%至20%（个别随机种子为10%至32%），而用无关样本微调的对照组仍有56%至93%。该纠正只能减少而非消除未被捕获的共谋。
说明以决策质量评估1型糖尿病数字孪生模型
简介本文提出用治疗方案排序的决策质量而非预测精度来评估1型糖尿病数字孪生。在30名基于UVA/Padova模型的虚拟患者、每人21种胰岛素方案上测试，结果显示预测精度与决策质量并不一致：预测最不准的群体平均模型排序表现明显优于预测精度接近两倍的神经网络，后者排序近乎随机。因此仅凭预测精度选择模型可能不可靠。
说明诊断移动GUI智能体个性化失败的原因
简介本文提出PrefDiag-Bench基准，用于评估个性化移动图形界面（GUI）智能体。它把用户偏好分为五类，并通过1664个探针的分阶段诊断框架，检验偏好应在何时生效以及失败发生在何处。对十一个智能体系统的测试显示，它们在非个性化任务上完成率较高，但在个性化任务上明显较低；主要瓶颈在于从用户历史中选取相关证据，以及判断偏好何时应在执行中生效。
说明由持续演化的AI分析师做出的全生命周期有效决策
简介论文研究AI代理作为分析师做出的决策可视为假设检验，但其内部随机性且会持续演化，可能累积第一类错误率超标的风险。作者提出“持续验证”：在部署前，用原假设下的模拟数据评估每个新版本。理论证明，无论如何选择更新，系统曾部署超标版本的全生命周期概率保持有界。两个示例中，无持续验证时第一类错误率达0.098和0.183，有验证时至多为0.045和0.044，并保留了82%和96%的检验效力。
看点提出对持续演化的AI分析器进行生命周期级别的I类错误控制框架，并给出概率界，理论与实践结合较新；实验覆盖两个应用，规模有限。
说明挖掘多智能体工作流的设计空间
简介论文指出，当前大语言模型多智能体系统的设计多依赖试错和经验法则，人工研究只测试少数通信结构，自动优化器则丢弃搜索过程。作者提出两阶段流程，从工作流代码和执行轨迹中挖掘可复现的设计原则，共构建28,568个可执行工作流并在300次特征挖掘试验中检验。论文报告了在保留搜索上仍成立的效应，例如共享文档方案优于辩论方案（Δ=+0.135）。
