机器学习、人工智能、自然语言处理、计算机视觉、多智能体。
说明锐度感知正交化动量算法（SOMA）：面向大语言模型训练的一种优化方法
简介这篇论文提出锐度感知正交化动量算法（SOMA），把锐度感知最小化（SAM）的对抗扰动与 Muon 优化器结合，并利用过时的随机梯度噪声生成扰动，以降低额外计算成本。作者从理论上证明 SOMA 的样本复杂度与扰动方向无关，并考察其对重尾梯度噪声的鲁棒性。论文还在大语言模型的训练后量化质量下降和微调时的灾难性遗忘两个问题上检验了 SOMA 的效果。
说明跨层阅读：视觉Transformer中的跨模态对齐与表征层级
简介该论文研究基于Transformer的视觉编码器如何处理文字及其含义，通过渲染文本与视觉概念之间的跨模态对齐，并结合探测与检索分析进行考察。逐层分析显示，强的跨模态映射只出现在最深层，且晚于单模态的物体与文字识别，表征从表层逐步发展到语义层。该层级在对比训练模型中最明显；较大的自监督模型和文本丰富的训练数据，也能在没有显式语言监督的情况下部分支持类似表现。
说明DualGSL：基于先验引导的图结构学习与节点自适应预测融合
简介该论文提出DualGSL，一种用于直推式节点分类的框架，通过双分支结构学习图结构，并为每个节点学习融合两路预测的权重。先验分支利用特征图并加入虚拟类节点以引入训练标签信息，结构分支结合学习到的亲和图与特征图先验。在AMG18恶意软件归属数据集及20News文本分类、USPS手写数字识别基准上，与七种基线方法相比，DualGSL的跨数据集平均准确率和Macro-F1最高；AMG18上的消融实验也验证了通过logit融合结合先验与学习传播的作用。
说明MDMR-Bench：面向多参考图像生成的多维度基准测试
简介本文提出 MDMR-Bench，一个用于评测多参考图像生成模型的多维度基准。它包含实体融合与属性迁移、单图多元素提取、信息图编辑和视觉推理密集型生成四类评测子集。文中还引入基于检查表的评估协议，将生成质量拆分为全局与原子层面的细粒度问题，并用于评测开源与闭源模型，数据集与代码已公开。
说明AutoMIL：面向全切片图像分类的自动化多示例学习框架
简介该论文提出开源框架AutoMIL，借鉴自动化机器学习思路，自动完成预处理、训练与评估等步骤，减少人工配置。在默认设置下，其在UBC-OCEAN上ROC-AUC达0.94，PCam上为0.99，TCGA-NSCLC子集上为0.93至0.96，与相关研究中的专用流程相当。作者指出，集成方法主要在数据不平衡时提升性能，因此自动化流程需适应数据集特点。
说明DIGOM：面向多模态医疗结局预测的解耦交互图模型
简介该论文提出DIGOM框架，用图结构同时建模患者内部跨模态、跨患者同模态和跨患者跨模态三类交互关系，以提升临床结局预测效果。模型通过可微分机制采样稀疏的解耦邻接矩阵，并在MIMIC-IV和NIH-TB两个多模态医疗数据集的五项临床预测任务上进行了评估，据文中所述，在五项任务上AUROC均为最高，并对缺失模态表现出更好的鲁棒性。
说明POSEIDON：从代码仓库大规模构建科学智能体训练环境
简介该论文提出 POSEIDON 自动化流程，从科学代码仓库中生成多样且可验证的训练环境。它将科学工作流拆解为复现、子流程、补全和修正四类任务，并通过递归改进循环挽救失败的候选环境。基于此构建的 Pearl 包含来自 7110 个公开仓库、覆盖 10 个科学学科的 97659 个环境；在该数据上训练的 Qwen3.5 模型在六个科学智能体基准上取得一致提升。
说明解耦患者人设与临床流程：一种用于生成真实医疗对话的双智能体方法
简介本文提出CoRPS-Dial框架，用于合成诊前医疗问诊对话。它由基于人设的患者智能体和流程引导的医生智能体互动生成对话，并进行角色一致性、流程完整性和文本一致性的质量控制。在冠心病数据上的实验显示，合成对话在信息覆盖、临床合规性和自然度上更接近真实对话，下游微调实验也证实了所生成数据的实用性。
说明基于多模态蒸馏、以文本作为特权信息学习细粒度视觉分类
简介本文针对细粒度视觉分类（需区分高度相似类别）提出 FG-LUPI 框架。训练时利用文本属性描述作为特权信息，通过门控交叉注意力训练多模态教师模型，再以多层级蒸馏将知识迁移到仅输入图像的学生模型。实验显示，该方法在多个基准上分类准确率优于强基线，且预期校准误差（ECE）更低，预测置信度更可靠，推理时仍只需图像。
说明SCI-AGENT-EXAM：面向科研任务的智能体基准测试
简介本文提出 SCI-AGENT-EXAM，一个以科研工作流为导向的基准，包含 120 项由专家整理的任务，涵盖 11 个科学领域和 7 类科研任务类型。评测采用结合程序化验证与经专家校准的大模型评判的混合方式，并分析智能体执行轨迹上的进展与稳定性。对 10 个前沿大模型智能体的实验显示，性能差距明显：最高总分为 80.9，但其运行结果中仅 26.0% 超过 0.95 的成功阈值。
说明PROVE：基于图像块证据的视觉语言模型概率视觉定位
简介该论文提出PROVE方法，在冻结的CLIP模型之上加入一个后处理适配器，为每个图像块输出Beta分布，从而不仅给出定位结果，还能给出不确定性。方法通过证据学习判断各图像块是否属于目标指代对象，并用先验拉近使目标缺失的样本接近无信息先验，以不确定性作为缺失信号。论文称其定位能力与现有CLIP定位方法相当，不确定性与定位误差相关，并能检测目标是否完全缺失。
说明长期LoRaWAN网络数据质量审计与温湿度双变量分析
简介本文针对一个长期运行的LoRaWAN环境物联网数据集（巴黎Tour Perret，约42万条数据帧，2021至2023年）提出C++17处理流程。研究先审计各变量的覆盖率，发现CO2完全缺失、气压仅来自一个基站，因此将分析聚焦于温度与湿度这对变量，并结合异常检测、主成分分析、聚类和多层感知机进行建模。结果显示两者相关系数为-0.662，多变量异常占2.12%，多层感知机交叉验证R²为0.672。
说明频谱优化的隐式神经表示：缓解颅内4D Flow MRI的采集质量权衡
简介该论文针对颅内4D Flow MRI在分辨率、采集时间与噪声之间的权衡问题，提出一种可调频谱偏置的隐式神经表示（INR）无监督重建框架。在9例脑血管病例（含健康对照与中重度颅内动脉粥样硬化）上评估，结果显示队列最优频谱设置可泛化到各受试者，误差仅略有增加；数据驱动INR在数分钟内即可达到接近物理约束方法的效果，并对采集噪声与适度的VENC相关混叠保持稳健。
说明基于强化学习与分层奖励的画像驱动用户模拟，用于任务型对话
简介本文针对金融营销外呼等高价值场景，提出ProfileSim框架，用于模拟用户对话以缓解领域对话数据稀缺问题。该框架联合建模人口统计与大五人格等用户画像，以及从真实通话记录反推的业务意图，并通过在对话和话语两个层面设置分层奖励的强化学习进行优化。实验显示，该方法在口语自然度、画像一致性等方面优于其他用户生成器。
说明Tempo-Zero：在可执行世界中进行递归自博弈的视频推理方法
简介该论文提出 Tempo-Zero，一种用于视频推理的自我改进框架。模型在可执行程序生成的视频环境中自我出题并作答，并依据执行结果（而非模型之间的投票共识）获得奖励，同时逐步调整任务难度与环境规则。在十二个真实视频基准上，该方法平均优于基础模型和近期自博弈基线，在时间定位任务上提升尤为明显。
说明何时停止惩罚动作？面向VLA强化学习的鞅GRPO方法
简介该论文指出，机器人视觉-语言-动作（VLA）任务失败时，GRPO方法会把同一个轨迹级优势值分配给所有动作，连有益的恢复尝试也会被惩罚。作者利用成功概率与策略得分鞅提出理想的停止条件，并提出MART-GRPO，借助经微调的视觉语言模型定位最后一次可见的错误，只在该错误区间保留失败反馈。在RoboTwin 2.0上使用OpenVLA-OFT的实验显示，其成功率优于完整轨迹GRPO。
说明Async-RBench：评测大语言模型智能体的异步任务执行能力
简介论文提出 Async-RBench 基准，包含 200 个可执行任务、覆盖八类场景，用于考察大语言模型智能体在子智能体结果异步返回时如何更新、保留和复核任务状态。作者设计了事件响应契约和动态重规划分数（DRS），并与任务成功率分开报告。对九个智能体的评测显示，DRS 为 19.2 至 45.1，异步交付下的任务成功率整体低于批量交付。
说明循环思考：文档图像表格视觉问答的自我评估迭代推理
简介该论文针对视觉语言模型在表格类结构化内容上推理不稳定、易出现空间错位和逻辑幻觉的问题，提出无需训练的推理阶段自我修正框架Self-RefineVQA。模型依次扮演生成者、评审者和修订者，通过提示引导的反复评估修正错误。实验显示该方法在单语和跨语言表格问答基准上都带来稳定的准确率提升，对小模型尤为明显。
说明时变有向图上随机 Push-Pull 的线性加速极限
简介本文研究随机 Push-Pull 算法在时变有向网络上能否保持随网络规模 n 线性加速。作者构造了一个周期为 2 的二次分布式问题，表明在该网络上算法可能无法达到线性加速。对于周期 p 的网络，文中给出有效节点数 n_eff≤n，并在光滑非凸目标下建立了收敛上界与匹配的下界，主要阶均为 Θ(1/√(n_eff T))。
看点构造周期网络反例并给出匹配的上下界，揭示时变有向图上线性加速失效，证明扎实，并有数值实验佐证，对子领域影响较大。
说明LLM 标注器能否达到人类标注一致性？基于多标注者基准的人类一致性评测与对比知识多智能体优化
简介本文提出 ANT-A 基准，包含 7 个跨领域、跨模态数据集，每条实例由 5 名独立人工标注，并使用 Fleiss kappa 评估模型标注与人类标注分布的接近程度。作者还提出多智能体标注框架 ANT-OR，通过从正负反馈中提炼对比决策规则来优化提示。实验显示，ANT-OR 在 agreement@>=2 准确率上优于最强基线，并在 Fleiss kappa 上与人类标注分布达到最高一致性。
说明动力学随机化何时会检验情境推断？
简介本文研究在动力学随机化的环境中，显式情境推断能否带来收益。作者将剩余的单步预测信息定义为“预测余量”，并分析离散与连续环境下的表现。结果表明，当核差异较小或访问状态已揭示情境时余量都很低，而重置状态分量会提高余量。作者建议与随机化参数一同报告该余量，以便解释情境推断带来的增益。
说明AlphaAnything：将预训练RGB生成器扩展为RGBA（带透明度的图像）
简介该论文提出AlphaAnything，一个轻量框架，无需额外的RGBA重建预训练，直接在原有潜在空间中把预训练RGB生成器扩展为可生成透明通道的RGBA图像。方法是在生成Transformer中插入LoRA模块，并为冻结的RGB VAE解码器增加透明度分支，同时保证固定潜变量下RGB解码结果不变。作者还提出端点感知透明度损失（EA Loss），在文本生成RGBA与图像生成RGBA任务上取得有竞争力的效果。
说明LeafSkill：面向递归大语言模型智能体的高效叶节点动作落地方法
简介论文指出递归大语言模型智能体在执行原子子任务时常重复调用大模型，将熟悉指令转为可执行动作。作者提出LeafSkill，在模型外部检索相关落地经验，把动作模板绑定到当前对象，并由1.7B选择器决定采用绑定动作或交回原智能体。在200个Robotouille任务的独立确认集上，LeafSkill完成137个任务，ReCAP为121个，并在共同完成的106个任务上减少了Qwen3.5-27B的token消耗和调用次数。
说明更广视角下多模态大模型的检索注意力头
简介论文研究多模态大语言模型在长输入中定位相关证据的机制，即少数检索注意力头。作者以音视频为新增模态，发现检索头在不同模态间大部分共享且数量稀少，消融这些头几乎消除全部音视频检索能力。进一步以排序目标优化这些头的注意力，可提升文档检索表现。
说明TIE：无需训练、基于 CLIP 嵌入引导的组合式文生图对齐方法
简介文生图扩散模型常出现属性错配和物体遗漏，原因通常是 CLIP 文本编码器捕捉细粒度语义的能力有限。本文通过嵌入层面的分析，提出 TIE 方法，仅需一次文本嵌入更新即可在推理时改善语义对齐。实验表明，在多概念场景下，TIE 能以较小的采样开销提高语义保真度。
说明打乱顺序的多模态窗口中的误差预算：堆叠、计数约束与接缝匹配（第三届 WEAR 挑战赛）
简介本文是对第三届 WEAR 挑战赛一套系统的实证分析，该挑战要求为四名未见过的参与者的每个一秒窗口标注活动标签，窗口顺序已被打乱。系统结合窗口分类器堆叠与图邻居特征，并用带每项活动软计数约束的平均场解码器对参与者的所有窗口联合标注。在模拟中，堆叠带来约 0.051 的宏 F1 提升，计数约束带来约 0.011；但接缝距离对宏 F1 几乎没有影响。作者同时指出，该协议并非完全归纳式估计，最终 Kaggle 私有榜得分为 0.9231。
说明基于辅助任务测试时反向传播的交互式影像诊断
简介该论文提出多任务梯度辅助（MGA）方法，为计算机辅助诊断中的多任务模型加入交互性，无需额外训练。放射科医生可对辅助任务的预测给出反馈，并请求系统提供补充诊断意见。在乳腺钼靶和CT两个数据集上，MGA在各类辅助任务反馈后均提高了诊断准确率，并且比仅依赖前向传播的现有方法更稳健，两者结合还能进一步提升准确率。
说明机器学习鲁棒性的测度几何理论
简介本文提出一套关于机器学习鲁棒性的测度几何基础理论，将鲁棒性刻画为在参考测度、扰动度量和可行实现机制下，模型从已保持任务状态中“逃逸”的过程。理论区分参考流形上逃逸的结构可能性与其在可观测读数下的实际实现，并引入中尺度的逃逸几何组织，用明确规律刻画脆弱质量、有限尺度形态、实际进展与分支一致性等相关但不同的现象。
说明PULSES：用于自主构建激发态模型与动力学模拟的多智能体 AI 系统
简介该论文提出 PULSES，一个多智能体系统，用于自动化激发态分子模拟中构建机器学习模型的流程，包括构象采样、量子化学标注、模型训练、验证和动力学模拟。系统在专家设定的边界内运行，并在 15 个计算化学任务上进行了评估。作者还展示了其在苝激子哈密顿量、溶剂依赖的联苯弛豫以及 10-羟基苯并[h]喹啉的激发态质子转移中的端到端应用。
说明PASTA：面向提示词的退火扩散采样方法，用于在生成图像时保留指定空白区域
简介扩散模型能生成高质量图像，但实际视觉设计常需为标题、标志或界面元素预留干净区域。现有布局感知方法难以严格保留这些区域，常产生多余内容。PASTA是一种免训练框架，在采样时仅对允许放置物体的区域施加语义引导，并通过掩码引导的共享潜变量轨迹融合全提示与上下文提示的引导。实验表明，它在提升预留区域保真度的同时保持了图像整体真实感与感知一致性。
说明KnitTrans：用于大语言模型强化学习的协调式轨迹传输系统
简介该论文提出KnitTrans系统，用于优化大语言模型强化学习中从推理生成到训练的轨迹数据传输。系统通过约束保持的小批量准入、按需轨迹数据访问和多模态编码去重三项设计协调传输路径。实验显示，相比按训练批次准入的方式，架构陈旧度最多降低93%；在多模态任务上，传输延迟降低两个数量级，传输加训练的速度最高提升5.8倍。
说明语言学习者母语识别：声学与词汇信号的比较
简介本文研究如何从英语学习者的语音和对应转写文本中识别其母语。研究将基于WavLM的音频分类器与零样本GPT-4o的文本分类器进行比较，并按CEFR水平分析两者的表现。结果显示，在提供完整转写时音频分类器总体更优，但两者优势随学习者水平而变化；文本准确率随水平提高而上升，音频表现较为稳定。
说明UniWorld：用于实时视觉世界模拟的统一世界模型
简介该论文提出UniWorld，一个在共享视频生成模型中同时整合深度轨迹与参考外观的统一框架，用于持续的视觉世界模拟。方法通过噪声对齐的重叠续接和滚动深度潜在状态，保留已生成的历史，并把活动深度状态限制在窗口大小之内。作者报告其稳态推理路径达到实时生成吞吐量，并且缓存与增量执行路径输出逐位一致。
说明DealsFlow：面向风险投资项目初筛的有证据门控智能体框架
简介本文介绍 DealsFlow，一个由人工参与的智能体框架，已在一家英国早期基金中部署，用于初步筛选创业项目的路演材料。大语言模型负责阅读材料、引用证据并为各类别打分，代码再对评分进行合并、设上限且只允许下调。在 243 笔已记录结果的投资中，对 142 笔满三年的投资进行评估，完整流程的评分与总价值倍数的相关性（Spearman ρ=0.45）及识别亏损项目的 AUC（0.71）均略优于无约束的大语言模型。论文同时指出，检索未限定日期，结果可能高估筛选能力。
说明Sam-Correction：面向医学图像分割的全自适应标签噪声校正方法
简介医学图像分割的真值掩码常因标注不一致而含有噪声。本文提出SAM-Correction，利用基础模型Segment Anything（SAM）对含噪真值掩码进行逐步校正，其提示由同时训练的另一个分割网络给出，无需人工准备高质量掩码。实验基于真实人工标注产生的多种噪声类型，结果表明该方法能实现较精确的噪声降低，并训练出性能良好的分割模型，适用于完全无法获得干净标签的情形。
说明基于特征值的EigenGradCAM与AugSmooth：提升多阶段阿尔茨海默病检测的可解释性与精度
简介本文提出一种可解释的深度学习方法，利用二维轴位MRI图像对阿尔茨海默病进行四分类分期。方法结合基于特征向量的Grad-CAM与梯度平滑，并使用WGAN-GP生成合成样本以平衡中度痴呆类别的数据。模型在Best Alzheimer MRI数据集上测试准确率为97.2%，马修斯相关系数为0.944；热力图主要突出海马体和内嗅皮层。作者指出，仍需进一步的临床验证。
说明过去作为状态，当下作为注意力：面向长时程语音驱动动作生成的持久状态分块流匹配
简介该论文研究长时程语音驱动（co-speech）动作生成，指根据语音生成与之协调的人体动作。作者提出 PASPA 方法：用块间持久状态概括过去的动作风格，用块内双向自注意力建模当前片段的细节动态。该方法基于分块流匹配框架实现，并在公开基准上报告 FGD 指标达到当前最优，同时在长序列生成中保持动作风格。
说明用多模态智能体自适应控制响应随运行历史变化的科学仪器
简介论文针对科学仪器逐次调节问题，以托卡马克中性束注入离子源的逐发调谐为例，提出一种可分模块审计的多模态智能体框架。确定性算法从多通道波形中提取物理符号和视觉证据，两层记忆提供当前任务、历史任务和程序性知识，由多模态大模型生成候选动作，独立可行性检查在执行前约束动作。在按时间顺序回放的455次放电及五个离子源的受监督运行中，系统取得86.80%的束流引出率（409次执行），论文认为该框架具备工程可行性。
说明一个使 CPAB 变换成为微分同胚的正则性条件
简介本文针对 CPAB（连续分段仿射）变换这类由分段仿射速度场积分得到的流，指出原始论文遗漏的数学细节：CPAB 变换总是双 Lipschitz 同胚，但不一定是微分同胚。作者给出了保证其为微分同胚的充分正则性条件，并说明在一维和二维中这些条件容易满足，对常用剖分在标准采样假设下几乎必然成立，三维情形预期类似。
说明临床AI中隐藏子群体差异的发现与验证：利用算法识别模型在不同患者群体间表现不均的问题，并检验其有效性。
简介临床机器学习模型在不同患者群体间的表现常有系统性差异。本研究评估了基于算法的子群体发现方法用于性能监测的效果，以22万余张胸部X光片的心脏扩大分类为例。结果显示，所发现的子群体性能差距比传统元数据分析更大，且多数可用患者、采集和模型元数据加以解释。此外，研究以概念验证的方式表明，利用这些子群体的标注可以减轻其所揭示的偏差。
说明FOCUS：用于脑电认知负荷分类的轻量级 Mamba-2 模型
简介本文提出 FOCUS，一种基于 Mamba-2 的紧凑模型，用于在数据有限的条件下对脑电（EEG）进行二分类认知负荷识别。模型使用固定的 FFT 分解覆盖五个经典脑电频段，参数量约 0.04 百万。在 11 名受试者的小规模试点研究中，FOCUS 在全数据集上的准确率为 74.75%，在该受控试点设置下体现了性能与计算成本之间较好的平衡。
说明视觉语言模型对图像与文本敏感性的搜索式测试（MoST）
简介论文提出黑盒测试框架MoST，通过比较仅扰动图像、仅扰动文本和联合扰动三种方式，刻画视觉语言模型对不同模态的敏感性。框架借助多目标搜索选择并组合扰动，并调整其强度，在尽量少改动输入的同时寻找预测性能下降。作者在ImageNet和驾驶图像的目标定位任务上评估了四个模型，发现各模型敏感模态不同，部分配置下联合扰动效果不弱于单模态扰动。
说明全双工语音模型为何在长对话中崩溃
简介全双工语音模型可同时听与说，适合开放式自然对话，但每帧都会生成标记，几分钟内即耗尽上下文窗口。作者提出长时程基准FD-LHB，评测五个全双工模型在回放长对话及与LLM实时对话中的表现，发现所有模型最终都会退化或耗尽上下文。针对滑动窗口模型，论文指出首个KV条目被丢弃（初始化锚点驱逐）是导致乱码与沉默的原因，并用初始化锚点固定和双工重复惩罚两种免训练方法，显著减少了长达一小时回放中的对话崩溃。
说明任意标签空间下的最优多类在线遗憾界
简介本文确定了任意（可能无限）标签空间下，不可知多类在线学习的最优遗憾。对于多类 Littlestone 维数有限的假设类，证明了 T 轮内的遗憾上界为 O(min{T, √(dT)})，与已知下界相匹配。该结果回答了 Hanneke 等人（2023）提出的问题，并推广了 Alon 等人（2021）的最优二分类遗憾界。
看点解决了多类在线学习最优遗憾的开放问题，将二分类的最优界推广到任意标签空间，给出匹配下界的上界证明。
说明TENET：面向多变量时间序列异常检测的时间点编码网络
简介本文针对无监督多变量时间序列异常检测，指出局部波动会放大重构和预测误差，使观测空间的差异难以可靠反映异常。作者提出TENET，将单类异常检测重新表述为当前时间点的系统状态兼容性估计，通过时间层构建以当前时间点为中心的潜在表示，并用固定的标准正态负对数似然进行评分。实验称其在基准数据集上达到最先进水平。
说明超越最终结果：量化多智能体大模型交互中的论断级信息动态
简介该论文研究多个大模型智能体交互时信息如何被反复共享、扩展和遗忘，提出RIVER框架，将输出拆解为原子论断，从收敛、探索和保留三方面评估。在40个受控新闻生成案例中比较了五种交互策略：反复汇总式交互促进收敛但缩小信息空间，分布式接力则产生更广但较少共享的信息。研究认为，集体信息动态更应由底层信息流机制解释，而非单纯的下游表现。
说明4DMemory：借助增强工具的智能体评测长时程时空记忆能力
简介论文提出 LongVideo 数据集（约 900 小时视频、5000 多个人工审核问题）与 4DMemoryBench 基准，用于评测长时程时空推理。作者还开发了 4DMemory Harness，整合四类互补技能、22 个以上专用工具模型和针对模型的检索增强生成系统。对 13 个主流模型的评测显示，单独的基础模型在长时程任务上表现不佳，而该框架能够提升其性能。
说明何时信任记忆：分布偏移下基于检索引导的概率时空预测
简介本文提出REMIND框架，用于分布偏移下的概率时空预测。该方法通过检索历史模式来估计当前观测的可支持程度，利用时空记忆库和双分支结构，并由依据检索相似度与记忆离散程度的自适应门控来平衡两个分支。实验表明，该方法在真实数据集上的预测精度和概率预测质量均优于现有方法。
说明TGR-EvoDAG：面向生成式推荐、基于有向无环图的多智能体代码演化框架
简介论文提出 TGR-EvoDAG，一个用大语言模型智能体自动演化代码的框架，专门用于生成式推荐的模块级联流程（分词、预训练、对齐）。它用有向无环图组织多个演化分支并合并有益改进，并加入阶段感知的成本规划和下游协同适应机制。在公开 Amazon 数据集上，离线指标最高提升 37.4%；在腾讯商业媒体平台的工业部署中，离线 Hit@1 相对提升 12.16%，在线点击率提升 0.40%，具有统计显著性。
看点提出DAG式多分支代码进化并结合生成式推荐流水线的阶段感知成本规划，新意明确；在Amazon公开数据和腾讯工业平台均有实验，并报告在线CTR显著提升。
说明ChoreoStudio：音乐驱动的群舞编排，规划队形、变换时机与执行者
简介该论文提出 ChoreoStudio，用于音乐驱动的群舞生成，把队形、变换时机和执行舞者三者明确纳入规划。系统先将音乐分解为节奏特征与结构特征，再由导演模块输出队形点集、变换门控和移动分配三项决策，并由扩散生成器结合这些决策生成舞蹈动作。作者报告其在 AIOZ-GDance 数据集上取得了动作质量、群体组织与队形动态方面的最新最佳结果。
说明从视觉关联到学习信用：多模态强化学习中的结果条件视觉信用分配
简介该论文针对带可验证奖励的强化学习（RLVR）在多模态推理中的问题：把同一个回答级优势平均分配给所有词元，忽略了视觉观察与后续推理的不同作用。作者提出即插即用框架 OVC（Outcome-Conditioned Visual Credit），用相对视觉编码和结果条件证据校准为词元分配信用，无需额外奖励模型或过程标注。以 GSPO-token 实现时，在六个基准的平均准确率上，相比 GSPO 在三个模型上提升 1.86 至 2.39 个百分点。
说明超越增益：衡量智能体技能内化程度以决定技能退役
简介论文指出，公共技能库中的技能需要判断某个模型是否已内化，从而可以退役，但现有依据运行增益的规则并不可靠。作者提出不提供技能、基于技能合成的任务对模型打分，并仅在其他模型能从该技能获益时才信任高分。在四个模型上的实验表明，现有增益规则会误删大量未覆盖的技能；作者同时发布了1,251项技能及相关任务与评分数据。
说明DeformStruct：面向点监督时序动作定位的可变形结构建模方法
简介该论文提出 DeformStruct，用于仅依靠每个动作实例一个时间戳标注的点监督时序动作定位。方法分三步构建动作实例的结构：挖掘结构锚点、通过可变形匹配对齐潜在部件，并建模部件之间的相对时间关系。论文在 THUMOS14、ActivityNet-v1.3、GTEA 和 BEOID 上的实验显示定位效果有一致提升。
说明System One 决策模型并非更好的重排序器
简介本文研究 System One（决策）模型能否比普通重排序微调更好地对检索结果重排序。作者在六个 0.6B 至 27B 参数的 Qwen 模型和十个 TREC DL、BEIR 数据集上进行比较。结果显示，从 0.6B 到 9B，重排序微调在各模型上均优于决策微调，而 27B 时两者持平。
说明在双曲空间中组织时序证据以进行视频片段检索
简介该论文针对视频片段检索任务，即在未剪辑的视频中定位与查询相关的时间片段。作者提出 HTEO 框架，将时序表示映射到庞加莱球（双曲空间）中，通过径向与角度两种调整来组织查询相关的时序证据，再将结果投影回欧氏空间并以轻量残差方式注入 Transformer 解码器。论文还引入了径向结构正则化与角度相关性监督，并称在多个基准上提升了时序定位效果，同时提供了可解释的几何组织方式。
说明SKG 实践：四个领域的分布外泛化案例
简介本文介绍 SKG 推理框架的工程实现方法，并给出四个领域的完整案例。案例涵盖二维耗散力学系统、目标检测的仿真到真机迁移、正弦到方波的序列建模以及分子动力学 MD17，并与各自的基线方法进行比较。文中同时如实报告了单次实验的方差、单种子结果的局限以及参数化不匹配带来的负面更新。
说明GeoLEON-CLIP：以图结构为锚点的地理区域多模态对比学习
说明基于混合Transformer的电动汽车车内噪声监督式声源分离
简介电动汽车车内声音由风噪、轮胎噪声、电驱动系统（驱动单元与逆变器）噪声及辅助驱动噪声叠加而成。本文将分解问题建模为四个目标声源的监督式双耳声源分离任务，采用原为音乐分离开发的混合时间-频谱Transformer架构，并以电驱转速、负载、车速和辅助驱动转速等运行状态作为条件。由于真实分离参考音难以获得，模型基于物理参数化数据生成器合成带标签的训练数据，并在合成与实测车内声音上进行验证。
说明多种扰动，共同的失效动力学：追踪语言模型中对方向敏感的扰动影响
简介本文研究语言模型中语义脆弱性的成因：保持任务含义的改写有时会使正确答案变成错误，而内部更大的变化却未必如此。作者提出一种对方向敏感、相对于读出的分析框架，并在Qwen3-32B和Gemma 4 31B上用紧凑的储备与传递模型预测失败，结果显示这些关系存在共享规律，但对方向的因果影响依赖上下文。
说明Solvent：面向多步逆合成的长程推理模型
简介多步逆合成需要把目标分子逐步拆解为可购买的基础原料，近期研究开始借助大语言模型推理来完成这一任务。本文提出Solvent，一个80亿参数的大语言模型，将长程推理能力扩展到多步逆合成中。模型经过两轮后训练课程学习，能交替进行迭代合成规划、外部可购性验证和自适应路线修正。实验显示，经强化学习后性能提升2.1倍，在四个基准上得分61.86%，超过同等规模模型和以往基于搜索的系统，并与万亿参数的前沿大模型相当。
说明DMAIC-Bench：面向多阶段分析任务的智能体，从自我反思到自我克制
简介论文提出 DMAIC-Bench，用 97 个基于精益六西格玛统计前提构建的种子任务（覆盖四个行业的 15 个案例），评估大模型智能体能否依据中间证据决定继续、改道或停止，即“自我克制”。在 13 个模型的测试中，GO 决策路由准确率平均为 92%，NO-GO 决策仅为 19%；专家盲评估计在到达 NO-GO 决策的情况下，报告基于无效证据行事的比例为 47%。同一框架也用于 16 个生命科学任务的评估。
看点提出自我克制这一新能力并设计成对反事实任务，用13个模型与专家盲评验证，NO-GO决策仅19%正确，影响面中等偏上。
说明CoPiT：用于非结构网格气动场预测的条件位置诱导Transformer
简介该论文提出CoPiT模型，以位置诱导Transformer（PiT）为几何骨干，通过多级特征线性调制（FiLM）注入全局条件向量，用于在非结构网格上预测气动流场。在二维AirfRANS翼型数据和三维BlendedNet++翼身融合体数据上进行了评估。文中报告，在AirfRANS全数据测试集上，相较Transolver，表面与体积损失分别降低约54%和24%。
说明通过记忆与技能双向学习实现终身上下文适应（MemCryst框架）
简介论文提出MemCryst框架，让冻结的大语言模型智能体在有限上下文窗口内持续学习：记忆存储过往经历并支持技能的创建与修订，技能指导的交互又产生新的记忆。检索到的记忆与技能共同构成智能体的上下文，任务结果则调整所检索记录的未来影响力。在涵盖具身控制、长文档阅读、对话、数学与代码的十个设定中，该方法在七项已报告的比较中领先；在ALFWorld上，联合使用的成功率为63.17%，高于仅用记忆的59.83%和仅用技能的50.50%。
说明OlmoEarth v1.3 嵌入向量：用于遥感数据的新模型
简介本文训练了新模型 OlmoEarth v1.3，可将多模态、多时相遥感数据压缩为一个 64 或 128 维的向量。作者称其嵌入效果达到最优水平，作为编码器骨干与 v1、v1.2 相当，但训练所需 GPU 时长分别仅为二者的 18% 和 53%。作者还用该模型生成了全球、按年计算的 10 米嵌入数据，并依据 OlmoEarth 工件许可证发布。
说明用图像结构补充 DINO 特征以进行部件发现
简介本文提出 Part-DINO，一种无需训练的部件发现方法，用于把前景物体划分为语义部件。作者发现 DINO 固定的 ViT 网格导致部件边界模糊，于是利用低层图像分割提供的边界把图像切分为区域，在区域内汇聚 DINO 特征并进行聚类。在 CUB、CelebA、PartImageNet-OOD 和 PartImageNet-Seg 四个基准上，该方法优于无训练基线，并与弱监督和无监督方法具有竞争力。
说明ReLEAP：通过跨任务统一与半监督标注再利用视觉数据集
简介该论文提出 ReLEAP，一个可扩展的 Python 框架，用于统一异构图像数据集，包括数据源抽象、跨学习任务复用标注，以及将标签映射到共享层级分类体系。作者在精准农业领域整合了十五个涵盖多种植物物种和标注类型的数据集。研究还通过跨数据集和微调实验，探讨在无监督、弱监督和半监督设置下如何自动生成更高层级的标注，结果显示统一数据访问与标注再利用能扩大可复用的训练数据。
说明《Trial by Trace》：评测 AI 智能体运行框架（harness）的可靠性与故障归因基准
简介该论文提出 TraceTrial-Bench，用于评测支撑大语言模型智能体运行的框架（harness）的可靠性，将其分为上下文、执行、治理、生命周期、可观测性、工具和验证七类组件，并包含 95 个带可执行或状态型标准答案的任务。论文设计了执行轨迹追踪、多源证据采集和基于机制链的故障归因模块。在 4 个框架、9 个模型、3,420 次运行中，框架宏平均得分为 59.8% 至 72.0%，其中 31.1% 的运行尽管未通过至少一项框架标准仍完成了任务。
说明Polyp-VSSD：用于息肉分割的预训练 Transformer 与局部-全局联合 VSSD 解码
简介该论文提出 Polyp-VSSD，一种基于预训练 Transformer 骨干网络的局部-全局联合解码框架，用于结肠息肉的高精度分割。方法结合大规模视觉预训练的特征表达能力，把全局语义建模与局部精细重建统一起来。论文称，在多个公开内窥镜数据集上其 Dice 和 IoU 均优于现有方法，在 EndoScene 数据集上 mIoU 和 mDice 分别达到 0.903 和 0.946。
说明《否定词并非翻译中的遗失》：多语言大模型中否定表征的因果分析
简介这篇论文研究多语言大语言模型如何表示否定。作者在六个开源模型上，对英语、法语、越南语和中文进行因果干预实验，使用合成对比数据集和基于 FLORES-200 的否定翻译数据集。结果显示，否定表征可被因果控制，且在不同语言间大体共享；一个稀疏自编码器特征即可跨语言控制否定极性。
看点通过因果干预发现否定表征跨语言共享且可控，并用单个稀疏自编码器特征控制极性，证据较充分，对多语言可解释性子领域有实际价值。
说明用实证校准的微分博弈模拟驾驶员交互
简介本文提出一种一般和微分博弈模型，用于描述城市交叉口车辆之间的交互，并以华盛顿特区四个路口的实际驾驶轨迹进行校准。校准后的模型在未参与校准的96辆车上表现最优，平均位置误差为7.42米，并优于校准后的SUMO、逆强化学习模型及其他变体。
看点将差分博弈与驾驶数据经贝叶斯优化校准，在留出车辆上显著优于SUMO和逆强化学习，并给出可近似均衡的验证，证据充分。
说明RootDown：在边缘设备上部署与评测甜菜根检测模型
简介本文针对收获和储存后甜菜的质量检测，提出一套基于图像的端到端检测流程，用于在装载输送带上检测被部分遮挡的甜菜。作者建立了专用基准数据集，并使用SAM 3基础模型自动生成边界框标注，比较了人工标注与自动标注训练的模型。研究还在包括边缘设备在内的多种推理配置下，评估了精度、推理时间和功耗；结果显示，基础模型生成的标签可替代大部分人工标注，精度损失较小，搭载Hailo加速器的Raspberry Pi 5适合户外移动部署。
说明RVG-Bench：面向推理的视听时序定位基准
简介现有视频时序定位基准多依据描述视觉内容的文本查询定位片段，但真实查询常需先理解用户意图。本文提出 RVG-Bench，每条查询只能通过推理其潜在意图才能定位目标片段。该基准包含 1,255 个视频和 1,890 个查询-区间对，涵盖八种推理类型。在评测的 22 个模型中，表现最好的 Qwen3.8-Omni-Flash 仅达到 49.6 mIoU。
说明无需超参数的边界-内部 t-vMF Dice 损失，用于医学图像分割
简介该论文针对医学图像分割中的类别不平衡和解剖边界误差问题，提出一种自调节的边界感知 t-vMF Dice 损失（STB-tvMF Dice）。方法对边界区域和内部区域分别自适应调整相似度函数的形状参数，参数由上一轮训练的平均预测-目标余弦相似度确定，无需验证集调参。在三个数据集和架构上的实验显示其有效，例如在 Synapse 数据集与 U-Net 上，平均 DSC 为 70.75%，高于 Adaptive t-vMF Dice Loss 的 63.03%。作者表示代码即将公开。
说明无限记忆马尔可夫链的经验集中不等式
简介本文针对平稳且具有无限记忆的时间序列链，研究集中不等式。论文先在有界波兰度量空间上建立有界差分不等式，条件为可求和的Wasserstein收缩。随后利用单条轨迹估计依赖系数：有限状态空间用转移计数，连续状态空间用核条件密度估计的导数。文中给出误差界，并由固定的乘性安全系数得到经验集中界。
说明Tokamak-SI：用标注目录解读托卡马克放电
简介该论文介绍Tokamak-SI数据集，把以往多项研究的标签与标注方法整合为一个时间对齐、可扩展的分类数据集，涵盖DIII-D托卡马克中的约束、脱离、阿尔芬本征模、边缘局域模、锯齿振荡、撕裂模和电阻壁模等现象。基于该数据集的模型可将标签扩展到新的放电炮次，在包括AE、ELM和TM检测在内的标签上达到或超过早期检测器的表现。
说明LapaFM：通过多阶段持续学习构建的腹腔镜手术基础模型
简介该论文提出LapaFM，一个面向腹腔镜手术的基础模型，使用超过2万分钟手术视频训练，采用多阶段持续学习方法以减轻遗忘和任务间干扰。模型可处理烟雾去除、手术阶段识别、器械与息肉分割及病变识别等多项任务。论文报告其在多个回顾性与前瞻性队列中优于专用模型和现有基础模型，并可推广至胃肠内镜任务。
说明超越模式匹配：面向可泛化识别的部件级功能推理（PFIR，3D多模态大模型）
简介论文指出，3D多模态大模型主要靠模式匹配识别物体，在几何相似的物体（如梳妆台与衣柜）上容易出错。作者提出PFIR方法，利用部件分割数据生成带功能推理链的问答数据，并通过双目标强化学习训练模型。在严格的跨数据集泛化设置下，零样本准确率从60.5%提升到66.7%，且在几何模糊样本上的提升更明显。
说明异构太空数据中心：面向未来非地面及在轨服务的关键范式
简介论文提出由大小两类节点组成的异构太空数据中心，用于为地面、空中及在轨用户提供以AI为核心的计算与通信服务。研究聚焦晨昏轨道低地球轨道配置，分析太阳能供电、可见窗口与时延感知覆盖，并以典型场景的基准负载评估时延与服务可靠性。文章还量化了不同角色与部署规模的能耗需求，并给出设计指导与未来研究方向。
说明MedCaseAgent：从多模态临床证据生成罕见病病例报告
简介该论文提出 MedCaseAgent，一种端到端的智能体推理框架，可从非结构化临床记录中生成基于证据的罕见病病例报告。系统通过检索医学文献和知识库进行迭代推理，并评估病例的新颖性。作者同时发布了大规模多模态病例语料 MedCase-150K 和评测集 MedCase-Bench，在自动与专家评审中均优于现有通用及医学专用模型。
说明基于复合子空间流匹配的表征学习：一种兼顾判别与生成能力的自监督方法
简介该论文提出复合子空间流匹配（CSFM）方法，将表征学习看作对频谱、颜色和光照子空间中确定性退化过程的方差最小化逆过程。在CIFAR-10、CIFAR-100和STL-10上的实验表明，CSFM在线性探测和小样本分类上优于标准最优传输流，同时保留了生成与轨迹插值能力。
说明反相干正则化绝对缩放：一种用于分布外检测的后处理方法
简介该论文针对AI安全中的分布外（OOD）检测问题，改进了SCALE方法。作者提出绝对修正，用激活值绝对值计算缩放比例，并提出反相干正则化，抑制与预测类别符号不一致的不可靠证据。该方法无需训练数据或标签，在OpenOOD v1.5协议下的CIFAR-10和ImageNet上，AUROC和FPR@95指标与依赖训练数据的激活整形方法相当或更优。
说明RSIHub：面向智能体演化方法的可组合框架
简介该论文提出 RSIHub，一个开源框架，用于在共享基础设施上构建、比较和扩展利用执行反馈改进提示词、技能、工具和编排的智能体演化方法。研究者可专注于演化策略，评估环节与可变部分分离。作者在 Terminal Bench 2 和 τ³ Banking 上用 MiniSWE 与 Codex 对 AHE、Hyperagents、A-Evolve、GEPA 进行了评估，观察到的最大整体 pass@1 提升为 13.5 个百分点，且不同方法的排名随设置而变化，优化收益不一定能迁移到留出任务。
说明Easy-3Dfy：面向单张图像三维场景构建的物体级几何组合方法
简介该论文提出 Easy-3Dfy，将物体生成与场景布局估计解耦，分别由专门模型完成。基于 RPF 的对齐器建立物体局部网格与部分场景点图之间的几何对应，从而恢复物体布局以组合场景。在 Scene-Maker 和 3D-FUTURE200 上，该方法在多项几何指标上优于 SAM-3Dfy，且无需完整的场景级监督。
说明循环语言模型中的停止头真的能节省计算吗？
简介循环语言模型让每个词元多次经过同一组层，每轮称为一次迭代。作者在最多13亿参数的模型上从头预训练，发现停止头训练存在问题：即便头预测多数词元只需不到一半迭代，实际运行中词元几乎都跑满了迭代；对每轮都打分虽能解决，但需要强烈偏向早停的惩罚。此外，按批次生成时，无停止头的模型成本几乎相当，因此平均迭代次数可能高估节省。作者建议报告实际运行的迭代次数、停止阈值和批大小。
说明最小描述长度无监督地区分定律级与统计级知识：一个自我改进的科学智能体的审计
简介论文提出用最小描述长度（MDL）压缩比作为无监督的认识论评分指标，区分智能体发现的规律是否为定律。作者发现，该智能体账本中约86%的发现并不压缩（压缩比约为1），实际上只是统计规律，而非其此前所宣称的压缩型知识。
说明BiLoCo：用于训练后量化的二值低秩修正方法
简介论文提出 BiLoCo，一种为训练后 FP4 量化的大语言模型补偿精度损失的低秩修正方法。它用 ±1 符号向量代替 BF16 数值存储修正因子，每个秩一分量的存储量减少 16 倍，并可在 CUDA 核心上与 FP4 张量核心矩阵乘法并行运行。在 4B 至 72B 的大语言模型上，其效果与同等内存下的 SVDQuant 相当或更好；在 B300 上的融合内核实现中，秩 512 以内且批量为 1 时，速度下降不超过原文所述的上限。
说明基于空间启发式策略的扩散强化学习在线三维装箱方法
简介该论文针对三维装箱问题，提出一种将经典装箱启发式规则与扩散强化学习相结合的方法。方法通过启发式动作预筛选压缩动作空间，引入图神经网络建模空间结构，并设计包含平整度的复合奖励函数以抑制空间碎片化。摘录中提到实验结果，但未展示具体数据。
说明正确但无法被选中：多候选推理中的隐性接口代价
简介论文指出，在多候选生成后重排序的推理方法中，正确答案可能已在候选池中，却因不完整、无法解析或与选择器的答案格式不匹配而无法被选中。作者提出兼容感知候选构建方法（CACC），在候选来源与固定选择器之间加入接口层，修复片段、对齐答案格式，且无需重新训练。实验显示，CACC在数值推理任务及GPQA Diamond上提升了最终准确率，但在MMLU-Pro上最终准确率有所下降。
说明MS-TTRL：解决多解测试时强化学习中的频率冲突
简介该论文针对科学、工程和数学推理中存在多个有效解的任务，提出无标签的测试时强化学习方法MS-TTRL。作者指出生成频率在正确性估计与结果多样性保持之间存在冲突，并通过结果级自我验证得到与频率无关的正确性估计，将频率仅用于保持多样性。实验在两个基准、四个多解任务和三个骨干模型上进行，报告称其召回率平均比最佳无标签基线高19.13个百分点，并接近有监督方法IPS-GRPO的表现。
说明TileShare：无需训练加速重叠分块 ViT 解码
简介论文针对固定窗口 ViT 解码器在重叠分块中重复计算的问题，提出 TileShare。它保留每个分块的注意力，其余运算对每个 token 只计算一次，并在重叠区域融合结果。无需训练时，保留前六层分块，在 DAVIS 视频上解码速度提升 1.38 至 1.51 倍，画质与原解码器相当。
说明面向基于多视角BEV的自动驾驶三维感知的有效且可迁移物理伪装攻击
简介本文提出BEVCA框架，用于生成针对多视角鸟瞰图（BEV）三维感知模型的对抗性伪装。该方法结合基于BEV特征的对抗损失与多视角神经渲染模块，以提升攻击在不同模型和任务间的有效性与可迁移性。实验涵盖数字与物理场景，结果显示其优于现有基线方法，并在真实条件下表现出较强的鲁棒性。
看点针对多视角BEV感知设计对抗伪装，结合BEV特征损失与多视角神经渲染，填补了单视角2D攻击的空白；数字与物理实验均有对比。
说明用 MXFP4 训练 MoE 大模型：如何缩小与 BF16 的差距
简介本文提出 ALTO，一套开源训练方案，用于在 MXFP4 低精度格式下训练 GPT-OSS-20B（200 亿参数的混合专家模型）。方案结合了分块量化、随机 Hadamard 变换和随机舍入等已有技术，并加入一种简化的权重去振荡方法。在 C4 验证集上，其验证损失为 3.3350，与 BF16 基线（3.3283）仅相差 0.007。
说明RoboCode：学习可复用的机器人操作动作基元
简介该论文提出 RoboCode 方法，从多个任务中汇集动作片段，学习一组共享的软门控动作基元，把每个短时动作表示为多个基元的软组合。在五个 ManiSkill 操作任务上，其重建平均 MSE 为 0.0187，闭环平均成功率为 75.6%，高于 ACT 的 68.8% 和 Diffusion Policy 的 41.6%。作者认为这种表示兼具有效性与可解释性。
说明答案正确，门却关着：面向验证屏障的 GUI 智能体 SolveBind
简介本文针对网站中的验证码和反自动化机制，指出仅答对验证任务不足以完成整个操作，智能体还需把求解结果转化为被系统接受的交互。作者提出 SolveBind 框架，结合分层求解与运行时监督，并在九类验证码任务和九个骨干模型上测试，在八个骨干模型上成功率最高，领先最强基线 13.3 至 34.5 个百分点。
说明ACWM-RM：基于互补失配偏好、无需参考视频的奖励模型
简介该论文针对动作条件世界模型的强化学习，提出无需真值视频即可同时评估视觉质量与动作跟随一致性的奖励模型ACWM-RM。作者构建了包含67.2k对样本的AVM-Eval基准，并用506.3k对的AVM-Pref数据集训练模型。实验显示，逆动力学模型在生成视频上的可靠性有限，ACWM-RM在下游强化学习实验中两项指标均优于基线奖励。
说明RxnExBench：用于从科学文献中提取结构化化学反应信息的视觉-语言模型基准
简介本文提出RxnExBench，一个用于细粒度反应级评估的多模态基准，数据取自高影响力化学期刊，包含3565个专家标注的反应和2361个分子结构。研究者评估了9个先进的视觉-语言模型，发现随着模式复杂度和推理要求提高，性能明显下降；在Oracle-MolRec设定下，准确识别分子本身并不足够，多模态整合与化学推理仍是主要瓶颈。数据与代码将公开发布。
说明自回归视觉语言模型中用于视觉目标定位的角度监督
简介自回归视觉语言模型生成文字时常无法对准正确的图像区域，现有可解释性方法效果较差。论文提出角度相关性（Angular Relevance），以视觉标记与输出词表向量的余弦相似度生成热力图，并提出角度目标感知损失（AOL），辅助监督视觉标记与对应物体概念的方向对齐。实验称，微调后目标定位更清晰，指代表达分割表现提升，通用视觉问答性能未下降。
说明PEAR：面向大型视觉语言模型感知与探索的自适应优势重塑方法
简介该论文提出PEAR方法，用于提升多模态推理中的视觉感知与推理路径探索能力。它以视觉依赖度为基础信号，仅在高熵位置加入基于熵的探索增益，视觉依赖度越低增益越大，再将融合信号映射为正的词元级权重以重塑序列级优势。在Qwen2.5-VL-3B/7B上的实验显示，PEAR在多模态推理基准上平均表现最高，并在文本推理和通用多模态基准上取得领先结果。
说明借助边缘设备让大语言模型训练走向大众化：挑战、系统与未来方向
简介该论文讨论了在地理分布、硬件异构、网络不稳定的环境下进行分布式大语言模型训练的方向，涵盖联邦学习、拆分学习和去中心化方法。作者提出了一种统一的系统架构，由云端参数服务器通过出站 gRPC 连接协调各客户端，并在多所高校站点上用 GPT-2 Medium 和 Llama3-1B 进行了预训练实验，结果显示收敛稳定。论文最后列出了框架模型支持、弹性容错、联邦对齐、隐私与信任等待解决的开放问题。
说明DIAL-S2ST：学习同声语音到语音翻译的延迟控制
简介该论文提出 DIAL-S2ST，一种用于同声语音到语音翻译模型的后训练方法，使模型能在推理时调节延迟。方法通过基于前瞻预测的自蒸馏复用预训练翻译能力，并限制大型文本蒸馏损失的影响。研究还联合训练一个跨尺度的单一 LoRA 适配器，以便推理时调整翻译时机。在法译英实验（基于 Hibiki）中，仅用 10 小时源语音即可完成这一适配，实现了灵活的延迟控制及较好的质量与延迟权衡。
