PLE: Physical-Engineering's Last Exam
说明PLE：物理工程的“最后一场考试”——面向专业工程师实际交付工作的智能体基准测试
简介该论文提出PLE基准，包含85个面向电气、土木、结构和机械工程的长时程智能体任务，要求模型完成可计费的真实工程交付物。任务分为专家独立编写和专家协作编写两类，并经由对抗式生成-求解流程构建项目环境与自动评分器。测试显示，表现最好的配置平均得分仅为50.6%，同时每个任务平均消耗2700万token和63分钟。
IFC-MCQ: Automatically Generating Multiple-Choice Benchmarks for Evaluating LLM Agents on IFC Data Retrieval
说明IFC-MCQ：从IFC文件自动生成选择题基准，用于评测大模型智能体的IFC数据检索能力
简介IFC是建筑、工程和施工领域的信息交换标准。论文提出IFC-MCQ方法，直接从IFC文件自动生成多项选择题基准，用精确的选项集合进行评分，无需人工或大模型参与审阅自由文本答案。作者在不同规模和建模特征的IFC模型上测试了生成覆盖率，并评估了两种基于工具和代码检索的智能体配置，结果显示不同失败模式及性能会随源模型和检索接口而变化。
Decision Making and Ride Comfort Evaluation Based on Lane-Change Prediction for Autonomous Vehicles
说明基于变道预测的自动驾驶决策与乘坐舒适性评估
简介本研究探讨将基于知识图谱嵌入和贝叶斯推断的变道预测集成到自动驾驶决策中的效益。在CARLA仿真的高风险并线场景中比较了三种策略：被动驾驶、基于预测的纵向动作和基于预测的横向动作。预测模型可在周围车辆变道前约3至4秒作出预测，使自车提前调整行为。结果显示，两种预测策略在所评估的记录中均避免了碰撞，并通过ISO 2631-1水平振动估计提供了乘坐舒适性评估。
LLM2Cert: LLM Synthesis of Certificates with SMT/Lean Verification
说明LLM2Cert：利用大语言模型生成并借助 SMT/Lean 验证稳定性与安全性证书
简介本文针对非线性、高维动力系统的 Lyapunov 函数和屏障证书，提出了两项工作：一是包含 105 个实例的基准 DynaCertBench，涵盖稳定性、吸引域、前向不变性和安全性等任务；二是 LLM2Cert 框架，由大语言模型生成候选证书，并将每个证明义务交给 SMT 求解器或 Lean 证明修复代理进行验证。文中报告，在该基准上 LLM2Cert 验证了 105 个实例中的 81 个，比不带反馈的一次性提议高出 17.1 个百分点；在 81 个固定证书上，它验证了 All-SMT 未能解决的 22 个。
NEST: Nested Embedding Representation for Multiscale Clustering
说明NEST：用于多尺度聚类的嵌套表示学习方法
简介该论文提出 NEST，一种无监督框架，受 Matryoshka 表示学习启发，在单一嵌入中编码由粗到细的聚类结构。方法在嵌套的前缀子空间上联合优化聚类与分离，并加入秩与簇内正则化以防止嵌入坍缩。实验显示，在合成层级数据上 NEST 仅依据每层聚类数即可恢复多尺度结构，在视觉、文本和单细胞数据上也呈现出多尺度组织。
Unified Trajectory and 3D Pose Forecasting for Multi-Agent Sports Analysis
说明多智能体体育分析中的轨迹与三维姿态联合预测
简介本文研究如何同时预测运动员的全局轨迹和三维身体姿态，因为二者紧密耦合，在多人团队运动中尤其如此。作者提出一种社会时序编码器，在输入端融合轨迹与姿态，并通过共享的分解注意力进行联合建模，同时加入按关节加权的损失和频域轨迹平滑项。论文还修正了重叠序列构建带来的评估偏差，采用非重叠协议，并在WorldPose和3DPW数据集上优于既有方法，其中姿态精度提升最明显。
Protegrity-PII Technical Report
说明Protegrity-PII 技术报告：用于结构化与非结构化文本的个人身份信息识别模型
简介本文提出 Protegrity-PII 模型，用于在结构化和非结构化文本中识别个人身份信息（PII）。作者在其提出的新基准 PII-SCOPE 上报告了 0.915 的类型召回率和 0.907 的精确率。原文还给出了处理速度和成本数据，并称该模型在分布外泛化方面优于所比较的部分先进模型和数据集。
Behind Aggregate Scores: What Systematically Varying Arena-Hard's LLM Judge Reveals
说明总分背后：系统性改变 Arena-Hard 的 LLM 评判器揭示了什么
简介论文研究用大语言模型作为裁判比较两个回答时的稳定性。作者用 500 条 Arena-Hard v2.0 提示词，固定两个模型的回答，以 GPT-4.1 在八种标准、输出格式和任务设定组合下评判，并在温度为零时重复运行。结果显示，总分相近并不代表单条判决可重复：仅重跑默认设置，胜平负结果就在 21.2% 的提示词上改变。
Rethinking the Evaluation of LLM Fact-Checkers
说明重新思考大语言模型事实核查的评估方式
简介该论文指出，评估大语言模型的事实核查效果依赖于问题选择、判断条件和证据来源三项设计，但现有基准未完整说明这三点。作者构建了日语基准JSFactCheckBench，包含1913条来自大语言模型回答的论断，并在参考时间标注其真实性及与问题的重要性。六个模型的测试显示，直接回答问题的论断比补充性论断更难核实，这一差距在总体分数中被掩盖。
PhysibleMDM: Enforcing Inference-Time Physical Feasibility Constraints on Motion Diffusion Models via Noise Optimization
说明PhysibleMDM：通过噪声优化在推理时约束运动扩散模型的物理可行性
简介本文提出PhysibleMDM框架，在不重新训练生成模型的前提下，于推理阶段优化扩散噪声，使运动扩散模型生成的人体动作更符合物理约束。方法结合运动学检查（如穿地、滑动、自碰撞）与基于锥规划的逆动力学测试，并用Sep-CMA-ES进行黑盒优化，再以自回归方式拼接长序列。在SMPL人形模型的100种动作风格上，平均穿地、自碰撞穿透和地面滑动分别降低75%、92%和74%。
Can LLMs Improve Their Own Harness? A Controlled Study on ARC-AGI-3
说明大语言模型能否自行改进其外围框架？基于 ARC-AGI-3 的受控研究
简介该论文研究前沿模型能否自行构建并改进用于交互式基准 ARC-AGI-3 的外围程序（harness，即调度模型调用、处理感知、记忆与工具使用的符号程序）。作者在 5 个开发游戏上让模型行动并修订代码两次，再在 20 个不参与调整的游戏上评估，使用 RHAE 指标衡量表现。结果显示 27 条演化路线的表现差异很大，两次修订仅使held-out平均分提升 2.80 分，且开发集上的提升会高估泛化效果。
★★★★☆ 值得关注
From Prose to Properties: Testing Research Claims with ARATest for Agent-Native Science
说明从文字到属性：用 ARATest 检验智能体原生科研中的研究论断
简介这篇论文提出 ARATest，一个基于属性的测试库，用来检验论文中的实证论断。作者把论断的隐含属性抽象为可执行的测试。在 33 份 ARA 产物中的 243 条论断里，54 条得到了声明并绑定证据，其中 8 条被判定为违反，两处错误已获作者确认。
看点提出把论文声明抽象为可执行属性测试的框架，并在33个制品的243条声明上验证，发现已发表论文的错误。
Optimal Multitask Representations Under a Rate Constraint: An Information Bottleneck Analysis
说明速率约束下的最优多任务表示：信息瓶颈分析
简介本文在信息预算下研究哪种预训练目标能为下游任务提供最佳表示，将其形式化为带互信息约束的多任务信息瓶颈问题。对于高斯输入与任务，文章刻画了最优表示，并指出在低速率时弱任务对齐的专家模型可能优于重建型通才模型，高速率时则相反。实验基于CelebA和dSprites数据集，显示压缩程度会改变最佳预训练目标。
What the Trace Shows and What the Label Says: Auditing Behavioral Detectors in Agent Evaluation
说明轨迹说了什么，标签怎么写：审计智能体评测中的行为检测器
简介论文研究大模型智能体评测中，把执行轨迹归约为正确性、工具复核和故障传播等标签时可能出现的偏差。作者在基于GSM8K的工具调用场景中审计了三种轨迹级检测器，发现它们之间会系统性地互相矛盾，其中一种典型失效是模型静默覆盖了被破坏的工具输出。论文主张自动标签应附带其依据的轨迹证据、检测器是否适用及执行限制等信息。
From Single-Actor Environments to Multi-Actor Event Worlds: Can LLMs Be Event World Models?
说明从单一主体环境到多主体事件世界：大语言模型能否充当事件世界模型？
简介该论文将多主体、会自行演化且仅能通过事件日志部分观测的系统定义为事件世界，探讨大语言模型能否根据日志与智能体拟采取的行动预测未来观测。研究基于人类外交（Diplomacy）对局和真实 Polymarket 交易构建基准并进行分层评测。结果显示，只有在记录了所有主体行动时，微调与更多数据才能提升预测；若仅有智能体自身行动，模型在其他主体影响很大时表现不佳，并会高估计划成功率。
Why Bother Me Again? Benchmarking Personal Agent Memory for Interaction Preferences
说明为什么又来打扰我？个人智能体记忆在交互偏好上的基准测试
简介这篇论文提出 MemPABench，一个用于评估个人智能体记忆的交互式环境，重点测试智能体能否记住用户希望如何被协助，例如何时澄清、确认或自主行动。研究用四个模拟用户、14 项偏好、99 个会话的反馈，评估了四种记忆系统在四个大语言模型上的表现。结果显示，现有记忆在偏好选择上提升有限，且难以检索交互偏好并适应偏好变化。
AVAtt: A Free-Viewing Eye-Tracking Dataset and Benchmark for Visual Attention on Paintings
说明AVAtt：绘画视觉注意力的自由观看眼动数据集与基准
简介该研究发布了 AVAtt 数据集，记录了观众自由观看绘画时的眼动轨迹，涵盖 16 个艺术流派和五个世纪的画作。数据包括注视点、显著性图及丰富的艺术元数据。作者以此评估经典与深度显著性模型，并比较了 44 种扫描路径相似度指标。
FIGFLEX: A Mixed-Precision FP-INT GEMM Accelerator Co-Designed with Low-Bit LLM Quantization
说明FIGFLEX：与低比特大模型量化协同设计的混合精度浮点-整数矩阵乘加速器
简介这篇论文提出FIGFLEX，一种算法与硬件协同设计的混合精度加速器，用于大语言模型的仅权重量化计算。它通过基数为4的移位加法重构浮点-整数乘法，并针对INT3做优化，使计算吞吐随精度降低而提高。在LLaMA-2-7B上，3比特和2比特平均精度下的WikiText-2困惑度分别为5.85和8.77，并报告了相对AxCore和FIGLUT更高的单位面积吞吐。
Externalise the Memory: A Pre-Registered Study of Where an Embodied Agent's Experience Should Live
说明外置记忆：具身智能体的经验应存放在哪里（预注册研究）
Rethinking SAE Evaluation: An Atomic Interpretable Unit Framework Reveals Hidden Polysemanticity and Redundancy
说明重新思考稀疏自编码器（SAE）的评估：一种原子可解释单元框架揭示隐藏的多义性与冗余
简介稀疏自编码器（SAE）原本用于寻找单义特征，但其整体特征集应有怎样的属性一直缺乏明确目标。本文提出以“原子可解释单元基”作为SAE评估的总体目标，并以DAME等指标作为代理。通过评估多种架构和模型的数百个SAE，作者发现：一些在现有指标下看似单义的SAE，其最主要的特征实际上仍是多义且冗余的。
DiffLTM: Continuous Diffusions Large Tabular Models for Conditional Generation
说明DiffLTM：面向条件生成的连续扩散大型表格模型
简介本文提出一种连续扩散模型DiffLTM，用于大型表格模型中的条件生成，应对数值与高基数、严重不平衡的类别数据混合，以及稀有子群体生成困难的问题。作者对类别变量采用交叉熵损失并给出首个理论依据，引入关注稀有子群体的评估指标，并扩展了条件生成技术。在劳动力数据上训练后，模型能够体现计量经济学的经典见解。
Learning to Incentivise: Using Reinforcement Learning for Sustainable Urban Mobility
说明学习激励：利用强化学习实现可持续城市出行
简介本文提出用多智能体强化学习动态分配激励，引导驾驶者改走可能更长的替代路线，以降低网络总出行时间和排放。在无限预算、以最小化出行时间为目标时，相比动态用户均衡，总出行时间减少16%；以最小化排放为目标时，CO2排放减少9%。研究还指出两个目标之间存在权衡，需通过多目标函数的权重组合来同时改善两者。
SplatLab: Autonomous Scientific Discovery for 3DGS Research
说明SplatLab：面向3DGS研究的自主科学发现系统
简介该论文提出SplatLab，一个用于3D高斯泼溅（3DGS）研究的自主研究系统。给定研究提示、目标论文链接或无输入，它会复现已发表基线、提出扩展方案、在Mip-NeRF 360和LLFF上训练与消融实验并撰写论文，且每个报告数值都绑定到一次记录的训练运行。文中称其手稿在PSNR目标运行中比复现目标高出0.18至3.78 dB，研究周期可从数月压缩到数天。
Flow-based Spectral Kernel Learning for Nonstationary Attention
说明基于流模型的谱核学习非平稳注意力机制（FSKA）：用于学习更灵活的相似度结构，并减少投影参数的注意力框架
简介论文提出 FSKA 框架，通过谱密度学习并用归一化流参数化双变量谱密度，来学习非平稳的注意力核。该设计可与线性注意力计算兼容。作者还表明，借助更强的核学习，可以去掉查询-键投影并固定正交值投影，从而得到参数更少的结构。原文称在分类等实验中，其性能与现有注意力机制相当或更好，投影相关可训练参数相比多数基线有所减少，并保持良好的线性内存扩展。
Short-to-Long: Detached Features for Long-Horizon Value Learning
说明短到长：用于长时域价值学习的分离特征
简介该论文研究深度强化学习中长时域价值学习的表示问题。作者提出 Short-to-Long（S2L）方法：由较小折扣因子训练的源网络提供特征，供长时域的行为学习器使用，并通过分离连接阻止行为价值损失更新源网络。实验涵盖 Atari、在线与离线连续控制，文中报告总体性能提升，其中 Atari 57 款游戏中有 40 款的配对终局中位数有所改善。
RubricCraft: Where Solutions Diverge, Criteria Emerge
说明RubricCraft：解答出现分歧之处，评价标准随之显现
简介本文提出 RubricCraft，用于评估语言智能体完成开放式、产出实物任务的效果。该方法让候选解答与任务要求进行比较，据此生成自然语言评分标准，并在检查时修正漏掉错误或误判有效方案的条目。在 SpreadsheetBench v2 上，与同一模型编写并执行的纯提示评分标准相比，RubricCraft 通过了更少的错误输出，并更常按正确性对输出排序。
aggmetrics: Aggregating Classification Performance Measures for Machine Learning
说明aggmetrics：为机器学习聚合分类性能指标的 Python 库
简介该论文介绍了开源 Python 包 aggmetrics。它把任意基于混淆矩阵四个计数的二分类性能指标，扩展到多分类、多标签、有序、代价敏感、软标签和交叉验证等场景，用四种聚合算子替代常见库中的简单平均开关。该包还记录各指标的结构性质，并在指标使用不当时发出警告。项目采用 BSD-3 许可证，仅依赖 NumPy。
Same Beliefs, Different Policies: Learning Reusable Representations for Early Stopping in LLM Reasoning
说明相同的信念，不同的策略：学习可复用表示以在大模型推理中提前停止
简介推理型大模型在得出正确答案后往往仍继续推理，既浪费计算，有时还会把正确答案改成错误答案。论文提出BELT方法，将结果预测与停止控制分开：从冻结大模型的隐藏状态学习对当前与未来答案的信念，再在冻结特征上拟合线性停止策略。在五个分布外数学基准上平均，BELT在Qwen3-1.7B和OLMo-3-7B-Think上分别减少41%和51%的生成token且准确率不降；在编程与智能体任务上也具竞争力。
A Three-Pillar Governance Framework for Safe and Trustworthy AI Agents
说明面向安全可信AI智能体的三支柱治理框架
简介本文提出一个三支柱（3P）模型与框架，旨在通过透明性、问责性和可信性，开发安全可信的AI智能体。该框架设定了一条演进路径，通过渐进式验证、结构化人工监督和可审计的运营控制，逐步提升智能体的自主程度。文章还说明该模型如何支持企业智能体环境中的生命周期监控、决策可追溯、升级管理和人机协作。
Stability Analysis of Signed Graphs under Structural Perturbations
说明符号图在结构扰动下的稳定性分析：研究带正负边的网络在增删边和符号翻转后，图滤波学习的表示是否稳定
简介论文研究了符号图滤波器在边的增加、删除和符号翻转等扰动下的稳定性，指出现有稳定性分析主要针对无符号图。作者的理论分析给出了符号边扰动与节点特征相关性如何共同决定学习表示的稳定性。基于此，论文提出了一种理论指导的扰动策略，并在合成与真实符号图上报告其比基线更能造成嵌入漂移、极性变化和链路预测性能下降。
SpecMAGIC: Specification-Guided Multi-Task Generalization in Multi-Agent Reinforcement Learning
说明SpecMAGIC：多智能体强化学习中基于规范的多任务泛化方法
简介该论文针对多智能体强化学习中的多任务泛化问题，提出一种结合时序逻辑任务规范与协作需求算子的规范语言。作者提出SpecMAGIC分层框架，利用任务规范的自动机结构进行子任务分解，由集中式高层规划器分配子任务序列，分散式低层策略执行。论文称该高层规划器具有可靠性和概率完备性，并在多智能体导航任务上取得优于现有方法的结果。
Towards Faithful Data Selection: Statistical Limits and Scalable Algorithms
说明迈向忠实的数据选择：统计极限与可扩展算法
简介本文指出，若数据选择算法无法获得远大于训练集的验证集，则以总体误差最小化为目标的最优数据选择在信息论上不可能实现。因此作者提出可估计的“忠实性”单侧保证，用梯度差异上界刻画子集训练与全量训练的差距，并设计可逐步降低该上界的交换式局部搜索算法。在 CIFAR10 和 CIFAR100 上的实验显示，该方法与现有数据选择基线表现相当。
Secure Agentic AI and Multimodal Intelligence in 6G Communication Systems
说明6G通信系统中的安全智能体AI与多模态智能综述
简介本文综述了面向6G跨层通信系统的多模态智能与智能体AI，从隐私和安全角度展开分析。文章给出包含感知、记忆、工具调用和多智能体编排的系统视图，分析各层的威胁模型与攻击面，并将现有攻击整理为结构化分类。文中还回顾了提示与记忆防御、智能体间信任机制、安全编排和隐私保护学习等缓解策略，最后提出可信多模态多智能体6G系统的开放研究方向。
Self-Assessment Reinforcement Learning for Search-State Awareness in Retrieval-Augmented Large Language Models
说明面向检索增强大模型搜索状态感知的自我评估强化学习
简介本文提出自我评估强化学习（SARL），让模型在训练中学会识别自身的搜索状态，即已获取哪些信息、还缺什么，从而改进搜索行为，推理时无需额外评估。方法采用双重奖励设计，兼顾每次评估的纠正作用并惩罚过度依赖。原文报告在多个基准上相对最强基线有明显提升，并在长搜索时程下保持训练稳定。
AnalogPortBench: Benchmarking LLMs on Analog Circuit Porting
说明AnalogPortBench：评测大语言模型在模拟电路移植任务上的能力
简介模拟电路设计依赖专家经验，把成熟设计移植到新工艺节点是常见瓶颈。该论文提出AnalogPortBench基准，包含54个任务，将十种电路从0.18 μm工艺移植到开源SKY130 PDK，任务难度从直接移植到不可行规格不等。论文评测了六个前沿大语言模型，发现它们能移植简单电路，但很少重新设计对电压余量敏感的放大器，也很少识别不可行的规格；模拟仿真反馈比增加采样或推理更有帮助。
The Path to NDE 4.0: A Review of Algorithms, Techniques, and Strategies for Autonomous Inspection
说明迈向 NDE 4.0：自主检测算法、技术与策略综述
简介本文综述了无损检测（NDI）领域的现状，从计算算法、物理技术、工业应用和研究目标四个角度进行分析。文章梳理了从人工模拟判读向数字化、数据驱动的 NDE 4.0 范式的演进，指出超声和视觉检测是主要物理技术，深度学习和生成模型在自动缺陷识别中应用日增。文章也指出标准化开源数据集稀缺和 AI 模型不可解释等瓶颈，并提出可解释人工智能（XAI）和标准化数字孪生协议等研究方向。
RoleFlow: Self-Evolving Multi-Role Agentic Collaboration via Structural Adaptation
说明RoleFlow：通过结构自适应实现自我演化的多角色智能体协作
简介该论文提出RoleFlow，一种多角色智能体系统，可依据反馈逐步调整协作结构，并按需生成新角色。作者还提出单次编辑反事实策略优化方法（SECPO），把每次结构编辑与未编辑的对照版本比较，从而更准确地归因。论文称在七个涵盖四个领域的基准上平均表现最佳，并在多跳问答等任务上优于最强对比方法。
Memory-Augmented Online Test-Time Adaptation for EEG Motor Imagery via Perturbation Consistency and Confidence Calibration
说明基于扰动一致性与置信度校准的记忆增强在线测试时自适应脑电运动想象解码
简介本文提出一种无需源数据的在线测试时自适应框架MOPC，用于脑电运动想象解码，以应对跨被试分布偏移和信号非平稳问题。该方法通过随机掩码扰动保持预测一致性，采用置信度校准的重加权损失缓解伪标签不可靠与类别不平衡，并借助轻量记忆模块防止已学习模式遗忘。论文称其在BCI IV IIb和OpenBMI数据集上取得领先性能，每次试验的适应延迟约为40至60毫秒。
High-Value Training Data from Noisy, Diverse Sources
说明从嘈杂、多样的数据源中获取高价值训练数据：一种基于元梯度学习样本权重的方法
简介该论文研究如何为训练样本分配权重，以控制不同质量和来源的数据对模型训练的影响。作者利用元梯度，依据一个小规模高质量目标数据集，直接优化训练样本权重，并学习可推广到新数据和更大模型的参数化加权规则。以奖励建模为典型应用，结果显示学习到的数据权重能提升留出集表现，并使人类与合成监督的混合优于单一来源。
X-pressing Intimacy: Mental Health Disclosure After Twitter Acquisition
说明《X 式亲密：推特收购后的心理健康自我披露》：研究马斯克收购推特前后，用户谈论心理健康的方式如何变化
简介该研究分析了马斯克于2022年10月收购推特前后约82.4万条涉及焦虑、抑郁、双相障碍、边缘型人格障碍及自杀意念等的推文，并与约26.6万条对照推文比较。研究使用语言分析工具（LIWC）和基于大模型的亲密度分类器，考察语言与披露亲密程度的变化。结果显示收购后情感与社交语言减少，第一人称单数和面向未来的表达增加；不同病症的亲密度模式有所不同，但相对于整体讨论，仅边缘型人格障碍的中等与低亲密度披露比例下降具有统计显著性。
SIM-UT: A User Simulation based Evaluation Framework for Medical Triage Chatbots
说明SIM-UT：基于用户模拟的医疗分诊聊天机器人评估框架
简介本文提出SIM-UT，一种基于多轮用户模拟的评估方法，用于发现基于大语言模型的医疗分诊聊天机器人的失效模式。研究者在印度、南非和肯尼亚三个真实WhatsApp健康聊天机器人上，用5000多轮多语言模拟对话比较了MedGemma与ChatGPT、Claude。结果显示两类模型都存在“降级风险”：识别出紧急症状后，若用户淡化症状，模型会表示认同，例如称妊娠期阴道出血“不是问题”。作者建议将此类模拟评估作为分诊聊天机器人的标准做法。
AcoustiPrint: Physics-Guided Neural Design of Manufacturable Acoustic Structures
说明AcoustiPrint：面向可制造声学结构的物理引导神经设计
简介该论文提出AcoustiPrint，一种用于约束逆向设计的物理信息神经网络架构，以隐式神经表示描述三维几何结构，并在评估声学响应前经过可打印性算子处理，确保结构可以被实际制造。论文将其应用于个性化经颅聚焦超声，联合优化三维几何与材料组成，实验显示所得可制造结构的聚焦精度优于基于密度和相位的基线方法。
VisCurate: Evaluating Behavioral Equivalence of Visual Skills
说明VisCurate：基于行为评估视觉技能的等价性
简介该论文提出VisCurate框架与基准，通过在共享探针上执行候选技能对来判断视觉技能是否行为等价，而非依赖名称或描述。作者在带受控缺陷的干净库上构建了300个可复现实例，并在两个真实未整理的技能库上进行了验证。结果显示，该验证器在困难负样本上不接受任何错误合并，并恢复了51.2%的真正可合并对。
Escaping the Phylogenetic Trap: Persistent Homology Enables Cross-Species Ion Channel Classification via Multimodal Graph Neural Networks
说明跨物种离子通道分类：利用持久同调的多模态图神经网络
简介该论文指出，随机划分训练集与测试集会因系统发育相关性导致评估高估模型的泛化能力，尤其是毒液化合物按离子通道靶点分类的任务。作者在留一物种评估协议下，比较了五种结构归纳偏置，并提出基于持久同调的PH-GNN模型，在跨物种测试中取得63.4%的准确率，优于次优方法8个百分点以上。
Soft Ontology Priors over Latent Concept Posteriors for Weakly Supervised Neuro-Symbolic Learning
说明面向弱监督神经符号学习的潜在概念后验软本体先验
简介神经符号模型只用任务标签监督时，可能出现推理捷径：不同的概念映射得到相同的最大似然，学到的概念不可识别，难以安全复用。本文在训练目标中加入对潜在概念的软本体先验，并将其与任务约束一起编译为平滑、可分解的概率电路。论文在真实驾驶基准BDD-OIA的六概念子集及受控神经符号任务上验证了方法的预测。
Latent Space Jam: Layout Guided Video Synthesis
说明《Latent Space Jam：布局引导的视频合成》：无需额外训练，用粗略布局控制视频中物体的位置与运动
简介该论文提出一种无需训练的方法，利用预训练的视频扩散模型，借助粗略布局控制视频中物体的位置和运动。方法分两步：先通过提示词引导的交叉注意力生成粗略视觉引导，再用该引导让同一模型生成布局一致的高质量视频。实验显示，该方法在重叠度、轨迹精度和视觉质量上优于既有工作，适用于静态、动态和多物体场景。
A Transformer-based Approach for Real-time Multi-agent Path Planning with Varying Initial/Final Conditions
说明基于Transformer的多智能体实时路径规划（初末条件可变）
简介本文研究在给定初始与终止构型下的多智能体实时路径规划问题，将其建模为带智能体间碰撞避免与障碍约束的高维最优控制问题。作者提出OCFormer，一种基于Transformer的神经网络，通过学习坐标变换将解耦的简单潜在空间映射到相互作用的物理空间，并以包含哈密顿常微分方程残差和边界匹配项的物理信息损失进行训练。实验在二维和三维多智能体导航中使用多达128个智能体，展示了其可扩展性和效率。
Text-Only LLM Correctors Break Correct Transcripts: A Repair-Damage Analysis of Audio Grounding in ASR Error Correction
说明纯文本大模型校正器会破坏正确的转写：ASR纠错中音频依据的修复-损伤分析
简介该论文研究用大语言模型校正语音识别（ASR）输出的效果。作者把每次词错误率（WER）变化拆分为修复词、损伤词和插入词，比较有无源音频时的校正结果，并在三个语料库上测试。使用 Gemini 2.5 Flash 时，纯文本校正会破坏相当比例已正确的转写，加入音频后破坏比例明显下降。医疗听写场景中，保留的插入词会抵消净 WER 的改善。
Bayesian Fixed-Confidence Best-Arm Identification with Abstention
说明带弃权选项的贝叶斯固定置信度最佳臂识别
简介该论文研究贝叶斯固定置信度最佳臂识别问题，学习者可以放弃给出最终推荐。在目标错误概率与弃权预算约束下，作者提出 Screen-and-Confirm（S&C）算法并分析其期望停止时间，同时推导满足约束的任意算法的最小期望停止时间。对于高斯先验与奖励，结果显示接近并列的情形主导采样成本；在不允许弃权时，S&C 达到最优的 Θ(1/δ) 依赖关系。
MemPlan: Memory-Conditioned PDDL Planning for Partially Observable Text Environments
说明MemPlan：面向部分可观测文本环境、以记忆为条件的 PDDL 规划方法
简介论文提出 MemPlan 框架，让大语言模型只充当语言与符号规划之间的受约束桥梁，在部分可观测文本环境中结合 PDDL 规划器与记忆机制。其正向图记忆为候选假设分配基于相关性的动作代价，负向记忆则将被反馈否定的假设转为排除约束。在 TextWorld、ALFWorld 和 Robotouille 上的实验表明，该方法提高了任务完成率和步骤效率，并相比 ReAct 等基于大模型规划的方法显著降低了在线 token 开销。
Climbing the Ladder: Automating Data Pipelines and Reproducing Baselines in Low-Resource Settings
说明攀登阶梯：低资源环境下数据管线自动化与基线复现
简介该论文针对西西里语低资源机器翻译，重建了从双语期刊PDF中提取平行文本的流程，改用可维护软件实现，并将原系统的分词与子词切分移植到无Perl版本。作者比较了从头训练的小型Transformer与经低秩微调的预训练NLLB模型，并采用分阶段训练方案，结果显示预训练模型明显更好，分阶段训练对译成西西里语的提升大于译出，但多语适配器会削弱未训练方向的表现。
Probing and Steering for Safety-Relevant Behaviours in Large Language Models
说明用于大语言模型安全相关行为的探测与引导
简介该论文研究激活探针（在语言模型残差流中计算的方向）如何用于检测欺骗、高风险意识和谄媚等安全相关行为，并通过加回方向来引导模型输出。研究在 Llama-3.1-8B-Instruct 上比较了两种估计方法和三种 token 汇聚方式，并分别评估探针的检测能力与引导能力。结果显示，“读写分离”的规律在欺骗和高风险场景成立，但在谄媚场景中反转，最佳层与汇聚方式取决于行为和数据。
CTRL-FM: Inference-Time Structural Control for Flow-Based Virtual Sensing under Long-Horizon Node Outages
说明CTRL-FM：面向长时段节点中断的基于流的虚拟传感推理时结构控制
简介该论文针对传感器节点长时间中断导致的数据缺失问题，提出CTRL-FM框架。它在推理阶段，依据每次实际中断情况，利用自监督代理中断从可用测量中选择并局部调节图与时序结构引导策略，且只修改缺失部分、保留已观测数值。论文报告在PeMS08、METR-LA、Air-36和AQI数据集上，30%与60%节点中断下整体表现最佳，75%传感器丢失时性能仍平稳下降。
CiteAnchor: Source-Aware Grounding for Hallucinated Citation Detection and Resolution
说明CiteAnchor：面向幻觉引用检测与溯源的来源感知框架
简介该论文关注科学论文中由大模型生成的虚假引用，这类引用会妨碍追溯来源和核实证据。作者构建了 CiteResolve 基准，包含 423 条真实的幻觉引用，并标注了其来源是否可恢复。作者同时提出 CiteAnchor 框架，按来源类型调整检索与字段核验，并分别判断引用是否有效以及能否找到唯一来源。
Route-and-Generate: KL-Regularized Router Improvement for Reasoning Routing in LLMs
说明Route-and-Generate：面向大语言模型推理路由的KL正则化路由器改进方法
简介大语言模型常对所有问题一律进行复杂推理，导致简单任务过度思考、困难任务思考不足。本文提出Route-and-Generate（Rouge）分层训练框架，使模型能够为每个输入自适应地决定是否推理以及推理投入多少。该方法通过路由策略在多种推理格式间分配固定采样预算，基础模型则以GRPO结合逐样本奖励进行优化。论文报告，该方法在多个推理基准上取得了更好的准确率与效率的权衡。
Consistency Is Not Validity: Self-Rewarded Moral Argumentation Makes Language Models Decisive but Pliable
说明一致性不等于有效性：自我奖励的道德论证让语言模型更果断但更易被左右
简介该论文训练语言模型在自我评判的论证比赛中写出更好的道德论证，并用经典小说中的真实道德困境进行测试。结果显示，模型变得更果断，且对选项呈现顺序更不敏感，但在谄媚和重新框定问题上仍存在有效性挑战。作者的结论是：重排一致性可以被优化，却未必能提升道德判断本身。
FiLM-CAM: Keyed Feature Modulation for Conditional-Access Watermarking
说明FiLM-CAM：用于条件访问水印的密钥特征调制方法
简介该论文提出FiLM-CAM，一种条件访问的图像水印方法，通过密钥驱动的特征线性调制（FiLM）在特征层面绑定水印载荷，只有持有正确密钥才能正确解码。训练时最大化授权与未授权使用之间的性能差距。研究还在多种编码器-解码器骨干网络上验证了该方法的通用性。
AQL-Lite: Enabling Efficient Knowledge Acquisition for Arabic LLMs via Data-Centric Continual Pretraining
说明AQL-Lite：通过以数据为中心的持续预训练，为阿拉伯语大模型高效获取知识
简介该论文提出AQL-Lite框架，用于将多语言大模型适配到现代标准阿拉伯语。方法包括高质量数据清洗筛选，以及只训练部分参数（RS-LoRA适配器、最后八个Transformer模块和嵌入矩阵）的持续预训练。结果显示，在相同的10亿词元预算下，使用筛选数据的训练比原始网页文本提升了3.51分，且在约52%的耗时下恢复了全参数训练94%的增益。扩展至400亿标准阿拉伯语词元后，12B模型在OALL v2基准套件上得分75.3。
Before the Ticket: Grounding HPC User Support in Documentation and Resolved Tickets with an Agentic LLM Assistant
说明工单之前：基于文档与已解决工单的智能体大模型HPC用户支持助手
简介该研究提出一个助手，同时依据超算中心的用户文档（通过检索增强生成）和历史工单中挖掘的11,244组问答对（经QLoRA微调的Llama-3-8B）回答用户问题，并合并两者的答案。在普渡大学Rosen高级计算中心的400个保留工单上评估，经微调的工具与中心解决方案的一致性最高，但端到端系统并未超过单独的工具，两者存在互补性。
Foundation4D: Towards a unified perception and reconstruction model for autonomous vehicles
说明Foundation4D：面向自动驾驶的统一感知与重建模型
简介该论文提出 Foundation4D，一个前馈式统一模型，可从多摄像头行车视频同时完成几何估计、3D 检测、语义占据和高斯重建。模型使用共享骨干网络与分解式时空注意力，并通过位姿图优化细化相机轨迹。作者还发布了包含 1,253 个片段稠密深度与语义占据标注的基准 PAI-Foundation4D。
Spike-Aware Gradient-Based Mixed-Precision Quantization of Spiking Neural Networks for Vision Applications
说明面向视觉任务的脉冲神经网络：基于脉冲感知梯度的混合精度量化
简介该论文针对脉冲神经网络（SNN）在低精度部署时的精度保持问题，提出一种脉冲感知的基于梯度的混合精度量化框架，利用一阶梯度信息自适应分配比特宽度，避免了HAWQ-V2等方法中代价高昂的二阶Hessian计算。实验覆盖VGG、ResNet和Vision Transformer等架构，数据集包括CIFAR10/100、ImageNet和DVS-CIFAR-10。文中报告，在ImageNet上的ResNet-34以4.78倍压缩率达到73.30%精度，与HAWQ-V2相当，同时内存占用减少2.31倍、比特分配运行时间缩短100倍，并给出了混合精度SNN的能耗分析。
MoRE: Motion-Regularized Encoding for Articulated 3D Generation
说明MoRE：用于可动三维物体生成的运动正则化编码
简介该论文提出 MoRE 方法，从单张图像生成可动（铰接）三维物体。方法用坐标对齐的关节线及其轴分类与两个轴正交的普吕克矩系数表示关节，并在训练中用解码出的关节假设移动三维锚点，将其运动与标注关节比较，以约束属性重建与所诱导的运动一致。在 PartNet-Mobility 和 ACD 数据集上，论文报告其部件框一致性、铰接状态几何与视觉相似度优于对比基线，关节轴、原点与范围误差低于 ArtiLatent。
MPBRS: Multi-Potential-Based Reward Shaping for Unified Reward Configuration in Humanoid Locomotion
说明MPBRS：面向人形机器人运动的多势函数奖励塑形统一奖励配置
简介本文针对人形机器人运动强化学习中奖励函数难以设计和调参的问题，提出多势函数奖励塑形方法MPBRS，基于势函数差分来引导探索，且不改变最优策略。作者用同一套奖励结构和权重在九种人形机器人上进行评估，只需提供各机器人的关节或连杆映射及默认姿态等元数据。实验显示，与标准塑形相比，MPBRS在不同机器人间的缩放行为更一致，对调参的敏感性也更低。
R4DGS: Referring Segmentation in 4D Gaussian Splatting
说明R4DGS：4D 高斯泼溅中的指代分割，即根据自然语言在动态场景中定位目标
简介本文提出 R4DGS 任务，研究在基于 4D 高斯泼溅（4DGS）表示的动态场景中，依据复杂自然语言指代定位随时间变化的目标。作者构建了带结构化查询标注的基准 R4D-Bench-QA，并提出 ReferGaussian 框架：将动态高斯转化为可用语言寻址的实体，借助多模态大语言模型拆解查询并进行约束感知的定位，无需针对场景的语义训练。在 R4D-Bench-QA 和 4D LangSplat 协议上的实验显示，该方法改进了时序目标选择，并取得有竞争力的时空定位结果。
Self-Distilling Future Video Representations for World Action Models
说明用于世界动作模型的自蒸馏未来视频表示学习（FRED）
简介该论文提出FRED框架，用于训练世界动作模型（WAM），在单步去噪中提升未来视频表示的质量，并以历史观测作为时间上下文辅助预测。在多种真实机器人操作场景中，FRED优于同类WAM，在长时程和零样本环境泛化的域外任务上提升明显；在人类视频到机器人技能迁移中，对机器人训练数据中未出现的任务达到50.0%成功率，最佳对比方法为19.4%。
★★★★☆ 值得关注
TerraTransfer++: Demonstration-Free End-to-End Planner
说明TerraTransfer++：无需人类示范的端到端规划器
简介该论文提出一种不依赖人类驾驶示范的端到端自动驾驶训练方法：先通过自我博弈（self-play）在向量化仿真中预训练策略，再将其轨迹蒸馏为流匹配教师模型，并在冻结的视觉骨干上训练轻量适配器。作者称，由此得到的闭环策略在HUGSim基准上优于已发表的模仿学习端到端方法，规划器在NAVSIM navhard上取得59.4 EPDMS，在navtest上取得95.5 PDMS。
看点用自博弈策略替代人类示范训练端到端驾驶，并在HUGSim和NAVSIM上宣称超越已发表方法，新颖性较高；但验证主要依赖单一基准结果。
Collaborative In-Context Learning for Indoor Radio Map Estimation
说明室内无线电地图估计的协同上下文学习方法
简介该论文针对室内无线电地图估计问题，提出一种多客户端协同上下文学习框架Poly-Ripple，各客户端借助大型自回归视觉模型，在不更新模型参数的情况下，依据各自私有的示例完成预测。框架采用由发射端向外扩散的顺序建模方式，并引入重要性感知聚合以利用分布在各客户端的异构知识。作者在公开的室内无线电地图基准上进行了实验，结果显示该方法优于代表性的上下文学习基线方法。
SciFusion: Physics-Guided Compositional Diffusion for Multimodal 3D Scientific Image Generation
说明SciFusion：面向多模态三维科学图像生成的物理引导组合式扩散模型
简介该论文提出 SciFusion，一个基于潜在扩散模型的多模态框架，用于统一生成三维科学图像。其方法将各模态拆分为领域、对象和对比度三类表示并共享，以实现跨模态知识迁移，并可在推理时重新组合以零样本生成未见过的组合。同时，它针对 MRI、CT 和电子显微镜分别加入傅里叶谱一致性、Radon 投影一致性和多层衍射一致性等物理约束。作者报告称，在 15 种医学与科学成像模态上，该方法在生成保真度和跨领域泛化上优于单模态与扁平化多模态条件策略。
★★★★☆ 值得关注
Gender, Sexual Orientation, and the One-Year Refugee Bar: A Computational Study of Bill C-12 and Canadian Refugee Adjudication
说明性别、性取向与一年难民申请期限：C-12法案与加拿大难民裁决的计算研究
简介本文研究2026年3月加拿大C-12法案设立的一年申请期限，该规定使首次入境超过一年才提出的难民申请不能转入难民保护司审理，改由移民官员以书面记录审查的PRRA程序处理。作者利用人工智能工具并经人工复核，分析了2006至2025年约29,000份已公开裁决，发现性别及SOGIE相关申请在逾期申请中明显偏多，且此类被拒申请在上诉或司法复核中被推翻的可能性高于其他申请。
看点首次用计算方法大规模分析加拿大难民裁决，揭示迟延申请中性别与SOGIE理由被过度代表，并显示其复审推翻率更高，证据充分，政策影响明确。
Measuring Research Progress and Linguistic Inclusion in Low-Resource Languages
说明衡量低资源语言的研究进展与语言包容性
简介该论文分析了2020至2025年间1,158篇同行评审的开放获取论文，考察研究对低资源语言的关注度及其在语言与使用者人群中的代表性。作者提出语言包容性框架（LIF），从研究增长、代表性扩展、代表性连续性与分布公平性四个维度衡量语言包容性。结果显示，研究数量虽有增长，但主要集中在已有代表性的语言上，亚洲语言的代表性份额明显低于其使用者比例。
EgoHand: Monocular 3D Hand Reconstruction from Egocentric Video
说明EgoHand：从第一人称视频单目重建三维手部
简介该论文提出 EgoHand，一种从单目第一人称（egocentric）视频重建三维手部的模型。作者整理了约 1400 万张包含合成数据、野外视频和多相机动作捕捉的训练图像。在 HOT3D、ARCTIC、H2O 上的零样本评测显示其泛化较好，关节位置、根部平移与加速度误差低于对比基线，推理延迟约 9.69 毫秒。盲测用户研究中，参与者更偏好 EgoHand 的手部姿态结果。模型与代码以 OpenMDW 许可发布。
GAV: A scientific experimentation environment for PDE agents
说明GAV：面向偏微分方程智能体的科学实验环境，可自动构造可验证的新问题并给出数值反馈
简介论文提出 GAV（生成器-智能体-验证器）框架，用于为编写偏微分方程（PDE）求解程序的编程智能体提供可靠反馈。生成器从数值模拟或实验数据中学习参考解的分布，并借助人工解方法反向构造对应的 PDE 问题，无需额外数值求解；验证器据此给出精度与计算成本的数值反馈。在 Navier-Stokes 与 Vlasov-Poisson 类方程的实验中，GAV 使三种现有 PDE 智能体在数值 Navier-Stokes 任务上的平均测试误差降低超过一个数量级。
Generalizing Metropolis-Hastings for DAG Sampling
说明面向有向无环图采样的 Metropolis-Hastings 推广方法
简介该论文针对贝叶斯网络结构学习中有向无环图后验分布难以近似的问题，提出新的马尔可夫链蒙特卡洛移动方式，可同时重新采样多个节点的父节点。核心是“二重采样”（duet sampling），即每次迭代从候选池中选取两个提议分布，分别用于生成候选状态与评估返回当前状态，二者共同构成验收准则。作者称，在不增加计算成本的情况下，该方法使马尔可夫链混合更有效，实验显示新移动方式优于此前依赖更受限移动集合的方法。
Tradeoff-Aware Territory Design: A Multi-Objective Decision System for Enterprise Customer-to-Seller Allocation
说明兼顾权衡的区域划分：企业客户与销售人员分配的多目标决策系统
简介该论文提出一套用于企业客户与销售人员分配的多目标决策系统，整合客户价值评分、基于反事实框架的关系连续性估值和多目标优化三部分。历史回测显示，优化生成的方案明显提升了分配合规性，并保持销售人员的商机分布相当；在生产规划中，采用的方案同时改善了分配合规性和商机平衡。
SWE-VERIFIER: Selective Verification for Cost-Efficient Coding Agents
说明SWE-Verifier：面向低成本编程智能体的选择性验证方法
简介该论文提出 SWE-Verifier，一个轻量级生成模型，用于在编程智能体执行动作前，有选择地触发候选动作采样与验证，并对动作排序。模型基于 Qwen3.5-4B 训练。实验显示，在 MiniMax-M2.7 上解决率从 75.47% 提升到 77.20%，成本约为 1.09 倍；迁移到 DeepSeek-V4-Flash 时，解决率从 72.60% 提升到 74.27%，成本约为 1.13 倍，且验证的步骤不足 4%。
Astro2Method: Benchmarking LLMs on Machine Learning Method Selection in Astronomy
说明Astro2Method：评测大模型在天文学机器学习方法选择上的能力
简介该论文构建了 Astro2Method 基准，包含 500 道来自 346 篇天文学论文（2024/01-2026/06）的二选一专家审阅题目。结果显示，直接提示法在简单题上准确率为 87.50%-92.55%，在困难题上仅为 58.87%-64.52%。检索增强、ReAct 等代理方法并未带来稳定提升，只有联网检索且找到原始论文时才明显改善；隐去方法名称后提供源论文的流程描述，能提升困难题的准确率。
A Quadratic Lens on Muon's Polar Update: Benefits, Pitfalls, and the Role of Newton-Schulz
说明从二次函数视角看Muon的正交化更新：优势、缺陷与Newton-Schulz的作用
简介本文在矩阵二次函数上分析Muon优化器的核心更新PolarGD，并与梯度下降比较。研究发现，当梯度远非低秩且最大奇异方向曲率较高时，正交化更新更有优势；但当迭代矩阵存在极小奇异值时，PolarGD可能明显慢于梯度下降。文中还指出，Muon使用的少量Newton-Schulz迭代可能比精确正交化收敛更快。
★★★★★ 值得关注
Breaking the high-degree barrier in Lehmer's problem with a human-AI discovery loop
说明借助人机协作发现循环突破 Lehmer 问题的高次数瓶颈
简介Lehmer 问题（1933 年提出）问整数多项式的 Mahler 测度能否任意小。此前，小 Mahler 测度的不可约多项式只在偶数次数 d≤180 时被系统构造，更高次数时 Boyd 的单参数族常分解，跳过近一半目标次数。作者通过人机协作循环，结合数值流程、精确符号验证和大规模分布式搜索，推导出五参数的 Generalized Boyd 构造，对每个目标次数都得到 Mahler 测度严格低于 Boyd 极限点的不可约多项式。在所有至 2000 的偶数次数上，该方法改进了六个已发表数值，并保持了 99.6% 的最佳已知记录；作者同时发布了经验证的多项式数据集。
看点提出五参数的广义Boyd构造，消除跳度问题并在所有偶数度下突破Boyd极限，新颖性较高；通过全偶数度至2000的验证和六项改进支撑结论。
Edit, Don't Imitate: Minimal-Edit On-Policy Distillation for Multimodal Reasoning
说明《编辑而非模仿》：面向多模态推理的最小编辑同策略蒸馏方法
简介该论文指出视觉语言模型常因误读图表而导致数学推理出错，小模型尤为明显。作者提出最小编辑纠正式同策略蒸馏：训练时利用图表描述和已验证的参考解答，教师模型只对错误输出中被其判为不当的词元施加纠正损失，正确输出则采用任务奖励强化学习。该方法测试时无需描述，在多种模型规模下达到或超过提供参考图表描述的基础模型，并在外部数学与感知基准上有所迁移。
LongZero: Enhancing Long-Context Reasoning in LLMs from Zero Data
说明LongZero：无需外部数据提升大模型长上下文推理能力
简介该论文提出LongZero方法，让大语言模型在不使用任何外部数据的情况下自行生成训练任务，以提升其长上下文推理能力。模型先以紧凑的结构化形式合成问题、答案及其依据，再将依据扩展为长篇多文档上下文，并结合多跳推理与多轮检索任务，使用GRPO进行训练。实验在两个模型和五个长上下文推理基准上进行，结果显示该方法可泛化到真实任务，并优于两种基线。
★★★★☆ 值得关注
Rethinking Video Autoencoders for Interactive World Models
说明重新思考面向交互式世界模型的视频自编码器
简介该论文研究交互式视频世界模型应如何压缩视频表示。作者提出 CADRE，一组跨越多种时空压缩比的因果扩散表示自编码器，并在操作与导航两类任务、各两个环境中训练同一世界模型进行比较。结果显示 CADRE 构成了延迟与画质之间的大部分前沿，并得出若干关于解码器、时间与空间压缩的发现。
看点提出可在多种时空压缩下复用的因果扩散表示自编码器族，并系统比较压缩对世界模型的影响，实验覆盖两领域四环境，有新意且证据较充分。
Think Harder Where It Matters: Item-Level Adaptive Recursion for Sequential Recommendation
说明在关键之处多花算力：面向序列推荐的物品级自适应递归方法
简介现有序列推荐模型对用户历史中的每个物品分配固定计算量，论文指出物品所需计算量差异很大，固定分配既浪费又影响效果。作者提出LoopRec，递归使用同一权重模块，并在每次递归边界用轻量门控为每个物品独立决定提前退出或继续计算。在四类主干网络和公开基准上，该方法优于同等固定深度的模型。
VoxProg: 3D Spatial Reasoning through Voxel Programming
说明VoxProg：通过体素编程实现三维空间推理
简介该论文提出VoxProg方法，让语言模型把空间指令转化为可执行程序，在场景表面的局部体素视图上查找任务相关区域并计算目标位姿，从而完成三维物体放置。系统还利用执行后的视觉与数值反馈迭代修改代码。作者构建了包含71项任务的VoxProg-Bench基准，结果显示该方法在多个基准上优于基于关系、关键点和网格的基线方法。
PhysiCalWorld: In-Context Physics Calibration for World Models
说明PhysiCalWorld：面向世界模型的上下文物理校准
简介现有世界模型通常只依据当前画面或较短的历史观测来理解场景，难以反映质量分布、关节阻尼、表面摩擦等决定动态变化的物理属性，预测容易偏向经验先验，在新场景中出现明显漂移。该文提出PhysiCalWorld，在测试场景中采集一段探索性交互片段，将其编码为紧凑的物理描述符令牌，以上下文提示方式校准世界模型，无需微调或解析物理建模，训练时也不需要物理标签。实验覆盖四种包含多样物理变化的环境，结果显示其提升了推演预测精度与视觉规划成功率。
★★★★☆ 值得关注
A Quasipolynomial Algorithm for ℓ_∞ Contractions
说明ℓ∞ 压缩映射的拟多项式算法
简介本文给出一种算法，可在时间 log(1/ε)^{O(log² d)} 内，为任意 d 维、按 ℓ∞ 范数的非扩张映射计算 ε 近似不动点。该方法的核心是一种提升论证，用于按几何比例缩小搜索区域。论文还指出，该算法可推出简单随机博弈能够在拟多项式时间内求解。
看点用提升（boosting）论证几何式收缩搜索区域，给出 ℓ∞ 非扩张映射的拟多项式不动点算法，并推出简单随机博弈的拟多项式求解，属于显著理论改进。
ALPS: Visual State Encoders for World Models
说明ALPS：面向世界模型的视觉状态编码器
简介本文提出ALPS，一种预训练视觉状态编码器，用一组统一的图像块标记同时兼顾物理状态信息、语言对齐和像素重建，以支持世界模型的预测、指令和可视化检查。作者仅使用静态图像和文本，从头预训练ViT-B/16模型，并通过跨视角自蒸馏进行优化。在十五个公开编码器的统一评测中，ALPS在LIBERO状态探测误差上取得ViT-B模型中的最低值，并在策略成功率和世界模型规划任务上表现突出。
★★★★☆ 值得关注
Self-normalized Bernstein Inequalities for Regenerative Processes and Applications to Learning Without Independence
说明再生过程的自归一化伯恩斯坦不等式及其在非独立数据学习中的应用
简介本文证明了有界函数在具有独立同分布标记周期（有限平均周期长度）的再生过程上的自归一化伯恩斯坦不等式。该界利用可观测的周期长度，并保留截断项及观测截止后才结束的周期所对应的显式项。通过从有限确定性集合中选择调参参数，得到除一项与再生时间尾部相关外、其余各项均为经验量的伯恩斯坦不等式版本。作者将其应用于非独立同分布的再生数据分类，给出泛化误差界，并证明该界在样本量和期望再生时间上具有极小极大最优性。此外，结合再生强近似与可观测的块方差估计量，还得到了高斯近似。
看点将Bernstein不等式推广到再生过程并给出自归一化形式，学习理论界限新颖，证明严谨且给出极小极大最优性证明，对非独立数据学习有一定影响。
The role of locality and weight sharing in convolutional neural networks
说明局部性与权重共享在卷积神经网络中的作用：一项教师-学生模型研究
简介该论文用教师-学生模型比较卷积学生网络与局部连接学生网络在随机梯度下降下的学习动力学，并给出描述其动态的常微分方程。研究发现，在位置不相关时卷积学生学习速度快 P 倍，且局部性影响样本复杂度；在位置相关时，空间相关性会削弱权重共享的优势。
★★★★☆ 值得关注
Environment Duels: A Microcosm of LLM Co-Evolution
说明环境对决：LLM 相互共同进化的微观模型
简介该论文提出 Environment Duels，一个动态的智能体基准，让多个前沿大模型互相编写带有特权提示的交互环境，并解答他人出的题。结果显示，解题与出题是两种不同能力，较小模型往往能从他人的作答中学到更多。论文还分析了两两对局的传递性、排名稳定性以及强化学习中的迁移效果。
看点提出环境对决基准，把出题与解题分开评测，并用强化学习实验验证训练收益与出题者的关联，证据较充分，对子领域有参考价值。
★★★★☆ 值得关注
The End of Consensus Research?
说明共识研究的终结？——AI 辅助发现新共识协议 A-greement
简介论文介绍了借助 AI 发现的新共识协议 A-greement，面向跨地域复制的状态机。在 5 或 9 个副本的六种部署中，它的平均延迟比最快基线分别降低 12.2%（写密集）和 33.3%（读密集），只读负载下与最快基线持平。作者还提出 AI-greement 智能体框架，并认为人类共识专家在搜索前后仍不可或缺。
看点提出A-greement共识协议并结合Lean形式化验证，在六组部署中相对最快基线降低延迟，并发现现有协议漏洞，证据较为充分。
Quant-Arena: Benchmarking LLM Agents for Quantitative Trading Research
说明Quant-Arena：评测大语言模型智能体的量化交易研究能力
简介该论文提出 Quant-Arena，一个基准与公开排行榜，用于评估大语言模型能否在真实A股数据上完成端到端的量化研究。模型需构建因子与选股代码，仅能依据2022至2023年的数据反馈，然后冻结一个策略，在封存的2024年数据上接受检验。评测计入交易约束与成本，主要看实际超额收益，并辅以信号质量和因子多样性。论文评测了九个前沿模型，其中GPT-6 Astra得分最高，但没有任何模型在2024年跑赢等权市场。
★★★★★ 值得关注
Minimax Optimality of the NPMLE for Gaussian Mixtures in Hellinger Distance
说明高斯混合模型的非参数最大似然估计在 Hellinger 距离下的极小极大最优性
简介本文研究用非参数最大似然估计（NPMLE）估计单变量高斯混合密度的问题。当真实混合测度为次高斯时，无约束 NPMLE 在平方 Hellinger 距离下达到极小极大最优速率 log(n)/n；当真实混合测度紧支撑时，限制在紧区间内的 NPMLE 同样达到最优速率，且速率略快，为 log(n)/(n log log n)。此外，文章将结果应用于有界先验的高斯经验贝叶斯问题，证明基于 NPMLE 的 g-建模方法具有遗憾最优性。
看点证明了NPMLE在高斯混合的平方Hellinger距离下达到极小极大最优速率，并给出紧的局部括号熵刻画，理论突破明显，影响限于统计理论与经验贝叶斯。
Multimodal Embodied Agents: A Unified Capability-centric Perspective from Computer-Use to Robot-Use
说明多模态具身智能体：从计算机使用到机器人使用的统一能力视角
简介本文提出多模态具身智能体（MMEA）的概念，指将多模态任务推理与物理动作相结合、并依据反馈修正决策的目标导向系统。作者提出PAPAV框架，包含感知、预测动作效果、规划、执行和验证五项能力，用以比较计算机使用型智能体与机器人系统。文章指出，在64个基准测试中，评估主要集中在执行能力上，而预测与验证两项能力评估很少。
Velocity Ambiguity Profiles: Time-Resolved Bayes-Risk Diagnostics for Flow Matching
说明速度歧义曲线：流匹配的分时贝叶斯风险诊断
简介流匹配通常只报告对插值时间取平均的损失，难以区分哪些时段受固有歧义限制、哪些受数据量限制。论文提出速度歧义曲线（VAP），将分时损失分解为不可约的贝叶斯风险下界与可通过更多数据或不同估计器降低的超额项。在高斯混合的受控实验与CIFAR-100特征流实验中，该诊断被用于定位两类受限区域。
Asymmetric On-Policy Distillation Learns In-Context Exploration
说明非对称同策略蒸馏：学习上下文内探索
简介论文提出ASTEROID，一种学生-教师监督学习框架，用于在部分可观测的序列决策中学习测试时探索。学生先基于自身历史收集同策略上下文，特权专家再依据该上下文给出动作标签，学生由此学会先探索、再在隐藏状态揭示后利用。论文称其在十一个环境中表现优于强化学习基线与前沿模型，并能把仿真策略迁移到无视觉的真实机器人操作中。
BatchBench: Benchmarking AI Robustness to Batch Effects and Domain Shift in Biomedical Images - A JUMP Cell Painting Leaderboard
说明BatchBench：生物医学图像中AI对批次效应和域偏移鲁棒性的基准测试（JUMP细胞绘制排行榜）
简介论文提出BatchBench排行榜，用于评估AI系统在未见过的实验批次和数据来源的生物医学图像上的鲁棒性。该基准基于公开的大型生物医学成像数据集JUMP-CP，该数据集采用Cell Painting方法生成，存在明显的批次效应和域偏移，因而是衡量分布变化鲁棒性的挑战性测试平台。
Did the Problem Actually Get Harder? Testing LLMs on Paired P and NP-Complete Problems Hardened by Adversarial Multi-Agent Rewriting
说明这些问题真的变难了吗？用对抗式多智能体改写加难的成对P与NP完全问题测试大语言模型
简介论文提出P2NPCBench基准，把许多NP完全问题与仅有一处结构差异的多项式时间（P）问题配对，并用对抗式多智能体框架AgentGAN改写题目以去除教科书式线索，共得到2,114条题目。对12个模型的评估显示，NP完全题目的通过率（35.4%）明显低于其P配对题（63.8%）。论文还指出，部分差距源于对教科书表述的熟悉，而非复杂度类别本身。
Implementation of Dynamic Microsegmentation for a Multi-Robot Network
说明多机器人网络动态微分段的实现：一项实验室演示
简介本报告介绍了在一个多机器人物联网网络中，利用商用软件定义微分段工具实现动态微分段功能的实验室方案。根据资产的功能与健康标签调整分段，并自动将动态策略落实到软件中。演示显示，该方案可实时自动隔离被指出的威胁，同时保持未受影响的运行。
Benchmarking Model Compression Techniques Across Heterogeneous Edge Platforms: A Predictive Maintenance Use Case for Rotating Machinery
说明在异构边缘平台上比较模型压缩技术：旋转机械预测性维护应用
简介本文针对工业边缘设备硬件差异大、模型压缩效果难以把握的问题，对四种先进模型压缩技术应用于用于旋转机械预测性维护的卷积神经网络进行了比较分析。压缩模型在九种从受限边缘设备到高性能处理器的计算平台上进行了评估。结果显示，知识蒸馏效果最好：在所有设备上推理速度提升超过90%，平衡F值为91.22%，模型体积减少98.9%，预测性能仅有很小下降。
Differentially Private Sparse Reward Estimation with Preference Feedback
说明带差分隐私的稀疏奖励估计：基于偏好反馈的研究
简介本文研究在人类反馈强化学习（RLHF）中，如何在保护用户隐私的前提下估计奖励模型。作者假设人类偏好只由少数相关特征决定，并基于Bradley-Terry-Luce模型，提出了样本级和标签级差分隐私的高效算法。理论上给出了参数估计误差的上界与下界，实验表明该方法在情感生成和安全对齐基准上优于稠密基线。