机器学习、人工智能、自然语言处理、计算机视觉、多智能体。
说明这份答卷是十七岁少年写的吗？六个前沿语言模型在作者年龄判断上的行为案例研究
简介该研究让六个大语言模型根据三份手写考试答案推测作者的年龄与性别，其中十七岁学生的答卷被大多数模型误判为成年人。研究共进行1081次API会话、评分3225条回复，并测试了不同的提问框架与提示条件。结果显示，部分模型准确率接近随机水平，且自报置信度与正确率无正相关，作者同时强调这是用于揭示机制的小规模案例研究，而非人群偏见比率的估计。
说明Kolibri：一款位于帕累托前沿的欧洲自主可控模型
简介本报告介绍了Kolibri，这是一个英德双语的混合专家（MoE）Transformer模型，总参数量为781亿，每个词元激活34.6亿参数，以Apache 2.0许可证开放权重。该模型面向主权与专业化部署，重点支持德语及公共行政、工业和航空航天等受监管领域。原文称其训练使用24万亿词元，德语占数据比例超过20%，并在英语和德语的质量与服务成本上位于所评估开放模型的帕累托前沿。
说明面向可信AI辅助急救派车：考虑不确定性的救护车行程时间估计
简介该论文针对AI辅助急救派车中救护车行程时间估计只给出单点预测、无法反映可靠性的问题，提出一种考虑不确定性的估计方法。方法可生成随情境自适应的预测区间，并在瑞典Skåne地区两年的救护车行程数据上进行回顾性评估。结果显示这些区间在评估的重要情境中覆盖率较稳定，可为更透明、风险敏感的派车决策提供支持。
说明循环语言模型中，保持深度可复用靠的是“一致性”而非归一化
简介该论文研究循环语言模型（重复使用同一组层）的深度可复用性，比较循环步之间的状态归一化与训练循环和推理循环是否一致两种解释。作者在已发布权重和从头训练的小模型上做实验，发现去掉归一化会使性能在训练深度处降为零，但状态范数增长并非原因；从头训练时，不做归一化的模型并不更差，外推更好，作者据此认为一致性才是关键。
说明M³：将多轮越狱建模为马尔可夫决策过程的多LLM系统
简介本文提出自动化红队测试框架M³，把多轮越狱攻击形式化为有限时域的马尔可夫决策过程。攻击LLM在状态LLM生成的紧凑内部状态上与目标模型交互。原文报告在两个基准和六个目标模型上，其攻击成功率优于现有多轮红队方法。
说明超越局部精度：评估PDE基础模型的滚动预测可靠性
简介论文指出，PDE基础模型以自回归方式部署，短期预测准确并不代表长期仿真可靠。作者在七个二维时间相关PDE数据集上评估七个模型，并定义误差放大系数G=E(H_f)/E(H_s)来衡量长期误差相对短期误差的放大程度。结果显示，短期排名靠前的微调基础模型，其长期误差普遍明显放大，因此作者建议此类基准应同时报告分时域绝对误差、误差放大统计和失败发生率。
说明每个权重都是一条由共享离散决策组成的路径
简介论文提出TWIG（带继承门的树状权重），把神经网络的每个权重表示为一串小型离散决策（符号、2的幂次移位、零门、共享表索引）的路径，相关权重共享路径上层的决策。作者称其可统一剪枝、量化、低秩分解等压缩方法，并可由单一优化器求解。在大语言模型的五个权重矩阵上，该方法在相同层误差下比GPTQ需要的加法次数更少，具体比例以原文为准。
说明从合成数据到真实图像的文本人员异常检索：多模型融合与交叉编码器重排序
简介本文针对基于文本的人员异常检索任务，即用外观和行为的自然语言描述从大量图像中找出目标人员。模型在合成图文对上训练，却在含域差异和相似干扰项的真实监控图像上评测。作者提出多模型检索与重排序框架，先将 Qwen3-VL-Embedding-8B 适配到合成数据，再融合六个 Qwen3-VL 检查点与冻结的 SigLIP2 的检索分数，最后用 Qwen3-VL-Reranker-8B 对候选结果重排序。在 AI City Challenge 2026 Track 4 官方测试中，系统取得 94.7815% mAP 和 90.8493% R@1，公开榜单排名第八。
说明ENCL：利用局部学习规则与子网络冻结策略实现高效神经形态持续学习
简介该论文提出ENCL方法，用于提高神经形态持续学习的效率。它采用轻量的时空局部学习规则替代全局反向传播，并通过基于任务的子网络冻结策略避免网络结构扩展。在任务增量学习场景下，ENCL在Split MNIST、Split Fashion MNIST、Split CIFAR-10和Split CIFAR-100上与数据/经验回放方法准确率相当，同时内存成本最多降低88%，训练时间最多减少51%，平均功耗最多降低40%，能耗最多降低65%。
说明高斯过程回归中的输入偏差修正
简介传统高斯过程回归假设输入已知，不确定性只来自测量值。当移动传感器的位姿估计有误差（如航位推算）时，本文提出偏差感知高斯过程（Ba-GP）框架，利用已训练模型的后验均值梯度，把输入偏差和噪声转化为均值与协方差修正，并用一阶修正算法高效更新模型。仿真与室内光强映射实验显示，该方法相比带噪声输入的高斯过程基线提高了预测精度和不确定性校准效果，计算成本约降低一个数量级。
说明超越同策略与异策略：LLM智能体蒸馏应在哪一层跟随学生模型？
简介该论文研究交互式大语言模型智能体的蒸馏问题，提出分层框架，把交互历史与当前动作前缀区分为两个层次，分别控制其策略来源、混合比例和训练顺序。实验基于自蒸馏设置，在三个模型和四个交互环境中进行。结果显示，学生生成的历史搭配教师生成的动作前缀通常训练信号最强，而两层都跟随学生的效果最差。
说明《重试许可》：AI智能体工作流中的授权与恢复研究
简介本文研究使用工具的AI智能体在执行阶段的可靠性，将恢复决策与语言模型行为分开考察。作者在LangGraph和Temporal上执行336个历史场景，检验检查点状态、派发权限、外部效果证据和对账权限等义务。结果显示，保留账本对账的方案全部通过42个场景，而缓存重试、重试前重新验证和稳定键重试分别通过30、36和31个场景。
说明延迟解码、只乘一次：重新思考量化权重的点积运算
简介该论文针对1到4比特量化权重的神经网络，提出一种点积计算方式：以权重码作为地址选择累加器，先累加激活值，最后只对2的k次方个累加和进行一次解码与乘法。作者称该方法对整数运算是精确的，并给出了用于数据通路的累加-散射处理单元（SA-PE）的FPGA实现与软件模型验证，结果显示乘法器数量减少，但需共享乘法器才能节省面积。
说明LazyFlash：前向稠密、后向稀疏的注意力机制，用于加速长上下文微调
简介本文提出 LazyFlash，一种前向计算保持稠密、反向传播稀疏化的注意力方法，用于加速大语言模型的长上下文微调。该方法依据注意力输出梯度范数筛选查询块，跳过对参数更新贡献很小的块，并在 FlashAttention 反向内核中实现，使跳过的块不被加载或计算。实验显示，在长上下文文本和语音大模型上，注意力反向最高加速 5.7 倍，端到端训练加速 1.7 倍，且下游性能保持不变。
说明谱聚类层次与密度聚类树的拓扑等价性
简介论文比较了从密度函数中恢复层次聚类的两种方法：由超水平集连通分量构成的密度聚类树，以及对拉普拉斯算子诱导的扩散距离做单链接聚类得到的谱层次结构。作者给出条件，说明在适当的扩散时间下，扩散层次与密度聚类树在高度单调重标度意义下拓扑等价。文中还指出，k近邻图实现可通过扩散距离的一致逼近继承这一等价性，从而把有限样本下的谱图构造归约为密度水平集拓扑。
说明PixGR：用于快速前馈式三维重建的像素空间生成解码
简介该论文提出 PixGR，把轻量级像素空间生成模型引入前馈式三维高斯重建，用以建模场景的不确定性。上下文观测只编码一次为场景潜在表示，再以其为条件，从带噪声的目标视角生成共享的三维高斯表示。方法采用像素空间流匹配，并通过可微渲染进行端到端优化，避免了基于 VAE 的潜在压缩及两阶段流程中的误差传播。实验显示，在稀疏视角、视角间距较大或需要视角外推的情况下，PixGR 优于基于回归的方法，且推理时间保持在一秒以内。
说明基于少量XSEM数据与混合搜索的Bosch刻蚀模拟器真实到仿真校准
简介本文针对Bosch刻蚀工艺（用于MEMS与TSV制造），提出一种少样本真实到仿真校准框架。该框架利用少量XSEM实测数据，为每种工艺配方推断ViennaPS模拟器参数向量，以使模拟与实测的刻蚀深度和侧壁角差异最小。搜索过程结合局部探索、LLM引导的候选生成以及基于XGBoost的代理筛选，并以ViennaPS模拟进行最终验证。在两种刻蚀配方上的实验显示，该方法能较准确地预测未参与校准的刻蚀结果，两者的归一化全局误差分别为0.340和0.249。
说明组织切片图像中的细胞核自动分割：基于注意力U-Net的方法
简介该论文针对数字病理中细胞核分割难题，在MoNuSeg 2018数据集上采用轻量级注意力U-Net模型，并结合染色分离、多遍掩膜平滑及重叠patch拼接推理流程。在未见过的全分辨率测试图像上，模型取得0.8745的IoU分数，表明该方法可用于自动且可扩展的细胞核分割。
说明基于神经元胞自动机的分布式群体形态发生：让机器人群逐步拼装出目标形状
简介本文提出一个结合神经元胞自动机（NCA）与站点分配、防碰撞控制的模块化框架，使机器人能够通过局部交互逐步拼装出指定形状。作者设计了去中心化的附着站点发现机制，并通过离线稀疏保留微调和惩罚无效站点激活的假阳性损失来改进形态精度。仿真显示该方法可形成多种晶格形态并扩展到数百个机器人，Crazyflie 四旋翼实验验证了整体执行流程。
说明StateBridge：面向合成到真实交通视频描述与视觉问答的阶段与轨迹证据推理框架
简介该论文提出 StateBridge 框架，仅用合成数据训练，用于交通视频的描述生成与视觉问答，并在真实交通场景中评估泛化能力。方法包括按阶段构建视频片段、汇总行人与车辆轨迹信息，并结合结构化提示，使视觉语言模型依据稳定的交通证据作答。论文报告其在 AI City Challenge 2026 Track 2 上官方 S2 分数为 55.4679。
说明面向大模型的结构化稀疏学习：连接模型可压缩性与高效推理
简介本文提出 S-SALAAD 框架，在训练中同时学习模型权重及其低秩与结构化稀疏分量，并配合预算感知压缩与 CPU、GPU 专用内核，使单一检查点可在不同内存预算下高效推理。在 Llama2 和 Qwen3 模型上的预训练与蒸馏实验中，该方法在困惑度、内存与推理延迟方面优于所评估的基线，显示其有助于大模型在边缘设备上部署。
说明知道何时停止：编程智能体中的证据-行动差距
简介论文指出，编程智能体在环境无法完成任务时仍会持续尝试，即使证据很早就表明只有外部介入才能推进，它们也很少据此行动。作者提出ImpasseBench基准，在可解决的修复任务中注入十二种环境阻碍，并以证据足够的步骤为基准衡量行动。在八个前沿模型的19371条轨迹中，作者发现一部分运行耗尽了预算，并给出升级工具等缓解方法及其局限。
说明TaxoSAE：用分类学逻辑重新思考稀疏自编码器
简介稀疏自编码器（SAE）可把大语言模型的内部表示拆解为可解释的特征，用于读取和控制其中编码的知识。本文指出，现有方法把每个特征视为独立单元，而真实知识往往按上下位关系组织。作者提出 TaxoSAE，将基于 is-a（上位词-下位词）关系的分类学信息编码进 SAE 特征空间，每个分类层级对应一层 SAE，并使用分类对齐损失。在两个事实问答分类体系上，论文报告了读取准确性、控制精度和对未见概念的上位词读取等方面的提升。
说明VisFlow：用于可见性重建、刻画与识别的可解释流匹配方法
简介论文提出VisFlow，一种把连续的符号距离函数（SDF）表示与显式多边形演化结合起来的可解释流匹配方法。它面向由可见性图反推多边形几何的问题，并在可见性重建与可见性刻画两项任务上进行了评估。论文报告，相比现有方法，VisFlow在可见性重建中保持的可见关系多20%，在可见性刻画中覆盖率提高30%。
说明条件分布可学习性的组合刻画：一篇关于从输入学习有限空间概率分布的理论论文
简介本文研究把输入映射到有限空间上概率分布的函数类的PAC可学习性，学习者观察独立同分布的输入-标签对，标签来自目标假设的条件分布。作者提出fat_γNatarajan维度与fat_γGraph维度，并证明其在每个正尺度上的有限性是可学习的充要条件。文章还指出，分布值函数类可学习，当且仅当其每个坐标类在概率概念模型中可学习。
说明用于高质量图像合成的可扩展 Transformer 能量模型
简介本文提出 Transformer 能量模型（TEM），在潜在空间中使用可扩展的 Transformer 作为能量函数，并跨多层求和能量以组合从局部纹理到全局语义的约束。通过视觉基础模型对中间表示进行正向表示对齐（PRA）监督，并配合推理时的采样策略提升质量。原文报告 TEM-XL 在 ImageNet 256×256 上 FID-50K 为 3.82（不使用无分类器引导），在 512×512 上为 8.24。
看点将EBM扩展到高分辨率图像生成，提出可扩展Transformer能量函数与表征对齐，在ImageNet 256上取得3.82 FID，证据较充分。
说明课程学习的有效性取决于奖励稀疏程度与相互竞争的最优解
简介本文构建了一个最小化的策略学习模型，研究课程学习为何在强化学习中效果显著。作者分析了一个开环、分幕式的目标拦截任务，通过调整奖励的稀疏程度进行数学与数值分析。结果显示，奖励稠密时课程几乎没有额外益处；奖励稀疏时，课程可能是学习得以发生的必要条件，尤其当智能体需要同时兼顾减少投入与获取高奖励这两个相互冲突的目标时。
说明TACS-RF：面向射频与毫米波模块的工具驱动智能体电路综合框架
简介该论文提出TACS-RF框架，由大语言模型编程智能体直接调用Cadence Virtuoso/Spectre、Calibre、EMX、Ansys HFSS等业界标准EDA工具，设计射频与毫米波模块。研究在90 nm SiGe BiCMOS工艺下，以该框架半自主设计了240–251 GHz亚太赫兹发射机，包括各子模块及匹配网络。该发射机输出功率+5.1至+6.3 dBm，相位噪声在1 MHz偏移处为-80至-88 dBc/Hz，直流功耗361 mW。
说明FSVL：面向长江中游易混淆鱼类识别与知识生成的快慢双通路视觉-语言框架
简介论文提出FSVL框架，用快慢双通路结合视觉识别与基于检索增强生成的大语言模型，识别长江中游51种鱼类中易混淆的物种并生成专业知识。快速通路用轻量ResNet50初分类，慢速通路用YOLOv8n检测头部、背鳍、尾部等关键区域进行精细识别。在607张测试图像上，快速分类器准确率为99.67%，级联结构纠正后整体准确率为100.00%；另在255个知识生成样本上，学名准确率由91.37%提升至100.00%。
说明挖掘框架：关联规则挖掘作为新闻框架检测的无监督方法
简介本文提出用关联规则挖掘（ARM）检测新闻框架，无需人工标注或预设分类体系。研究以加沙战争首年的25,512篇英文报道为主要验证对象，来自16家美、英、法、德媒体。方法通过高提升度的词汇共现规则归纳出可解释的框架信号，并由记者研究者在语境中确认。研究还发现标题与正文之间存在系统性差异，并有两篇调查报道参考了该方法的结果。
说明预测关联，而非干预：协变量感知时间序列基础模型的预注册因果审计
简介该论文检验带协变量的时间序列基础模型在回答“若控制变量取某路径会怎样”这类问题时，给出的是条件斜率还是干预效应。作者提出理论参照线，并在预注册的带反事实真值的实验网格上测试了多个模型，结果显示它们的响应比回归更受混杂影响。通过对大量合成序列进行干预式后训练，可明显缩小该偏差。
看点提出观测预测器回答干预查询时的混杂差距闭式理论，并以预注册因果审计和真实执行器实验验证，同时给出后训练修复方法，新颖且证据较扎实。
说明月球机器人群的协同保温：在无人干预下涌现出的集群保温行为
简介该研究探讨月球夜间极寒环境中，小型机器人群能否以成员自身充当热屏障来保温。研究者用强化学习训练一个由20个机器人共享的策略，仅在夜末根据最冷5个机器人的平均温度给予一次奖励。结果显示机器人群会聚集并在核心区与外缘之间轮换，存活阈值比静止聚堆低37%，且该行为可从20个机器人迁移到40个而无需重新训练。
说明针对合成数据改写的缩放定律：计算与数据约束下的研究
简介论文研究用语言模型把自然文档改写成目标风格（即合成改写）作为预训练数据的做法。作者提出一个缩放定律，依据模型规模、训练词元数、改写所占比例和自然数据的训练轮数预测损失，并计入生成改写所耗的算力。结果显示，在算力受限设定下，最优改写比例随算力增加而上升；在数据受限设定下，用同规模模型对自身预训练数据做改写训练，在至多30亿参数的各规模上都优于仅用自然数据的最佳结果。
看点提出把生成改写计算成本纳入的改写缩放律，并在算力受限与数据受限两种设定下验证，外推预测准确。
说明基于 ISO 11783 网络的机器可读操作手册：离线多语言大模型辅助
简介本文研究如何通过基于 ISO 11783 的 CAN 总线，使拖拉机端助手的本地知识库与所连接农机具的操作手册保持一致。作者比较了 Markdown、JSON 和 XML 三种格式的传输性能，并评估了多个开源大模型的跨语言问答能力。结果显示，完整手册在 31 至 89 秒内即可传输完成，本地模型在英文手册上回答多数问题正确，但在其他五种语言版本上表现较差；语义检索能支持跨语言查询。
说明用人类反馈对齐大语言模型：数学基础与算法设计
简介本文以教程形式介绍使大语言模型与人类意图、偏好和价值观对齐所用的数学基础与算法框架。内容涵盖监督微调（SFT）、基于人类反馈的强化学习（RLHF）和直接偏好优化（DPO）等方法，并探讨从人类偏好中学习的理论基础及其与逆强化学习（IRL）、离散选择模型的联系。文章还讨论了各算法的优缺点并提供实践建议。
说明谨慎的无冲突逆梯度方法：改进物理信息神经网络训练中的梯度冲突问题
简介物理信息神经网络（PINN）训练时，边界、初始和残差等损失项之间常产生梯度冲突。论文指出，ConFIG方法与Adam等自适应优化器结合后，最终权重更新可能不再与任务梯度无冲突。作者提出Cautious ConFIG，在ConFIG基础上增加三行代码，在权重更新前恢复无冲突性，并在三个PINN基准问题上取得了比标准ConFIG更稳定的性能提升。
说明SWE-Clar：编码智能体能否澄清不完整的客户需求并交付全新软件？
简介该论文提出 SWE-Clar 基准，以 Upwork 上总报酬不低于 4000 美元的 100 个真实软件开发任务为基础，评估编码智能体的需求澄清与代码实现能力。每个任务先经过智能体与客户智能体的多轮对话，再分别进行代码实现与需求理解测试。实验显示，表现最好的模型任务通过率仅为 67%。
说明重新思考城市区域表示学习中的多视图融合：提出自适应融合框架 PRISM
简介该论文研究如何把人流、兴趣点和土地利用等异构城市信号融合为统一的区域嵌入，用于签到预测、犯罪预测和服务需求估计等任务。作者指出，现有的全局共享融合方法忽略了不同区域中各模态重要性的差异，并存在多目标训练的梯度失衡问题。为此提出 PRISM 框架，结合稀疏 MoE 路由学习区域特定的视图分配，并采用受 PID 启发的调节机制缓解梯度冲突。在三个大规模城市数据集上的实验显示，PRISM 与强基线相比具有竞争力，且优化过程更稳定、区域表示更均衡。
说明IFC-SSL-Bench：多光谱成像流式细胞术中自监督学习的标注效率基准测试
简介本文提出 IFC-SSL-Bench，一个用于评估自监督学习在成像流式细胞术中应用的模块化框架。作者在两个异构数据集上比较了六种自监督方法和四种骨干网络，考察不同标注比例（1%至100%）下的下游分类性能。结果显示，在形态分类中，仅用约5%标注即可达到全监督基线水平，MoCo-v2 搭配 ConvNeXt 表现最佳。
说明《别忘了刚学到的东西》：自我导向修复让智能体的错误变成持久经验
简介这篇论文提出“自我导向”（Self-Direction）机制，让智能体在任务失败后反思自身轨迹、提炼经验，并将其蒸馏为轻量级低秩适配器（LoRA类），同时冻结原始权重。这些适配器存入可持久保存的经验库，并在后续相关问题中自动调用。作者在基于Qwen系列开源模型的GAIA、Claw-Eval和Terminal-Bench 2.1上测试，报告整体成功率提升8.9至17.0个百分点，并称其能减少重复错误。
说明EgoForesight：利用含噪声的第一人称动作有效扩展机器人策略学习
简介该论文提出EgoForesight视觉-语言-动作框架，同时利用机器人示范和第一人称视频学习，通过降低不可靠动作标签的影响，并借助示范结果作为补充监督。模型结合未来视觉表征预测与动作生成，并用教师-学生式蒸馏提取场景变化中的结构信息。原文报告在测试范围内扩展曲线更陡，在3万小时预训练数据下，真实世界开环动作MSE降低20.5%，RoboCasa少样本成功率提升8.1个百分点。
说明在儿童自然经验数据上扩展跨情境词汇学习
简介本文研究儿童如何通过跨情境学习掌握早期具体名词。作者在包含48名儿童2441小时纵向第一人称视频的BabyView语料上训练对比式视觉-语言模型。结果显示，使用互联网预训练视觉表征的模型表现远好于仅从发展视频中学习视觉表征的模型；学习信号主要来自少数描述可见指称对象的话语。模型学到的词汇表征呈现出可辨认的类人语义结构，但其训练过程的表现轨迹与儿童不同。
说明SpecMem：通过实时记忆管理加速智能体工具调用
简介工具调用智能体的主要瓶颈是延迟，每次调用都要逐词解码。本文提出SpecMem，在部署过程中持续维护工具调用记忆：已验证的调用按用户分别写入有上限的存储并采用LRU淘汰，对有副作用的不可逆调用则等待验证后再执行。在多会话、多用户的测试中，该方法的平均接受词元数比冻结存储高27%，最高可实现1.74倍的实际加速。
说明SAGE：基于词义对齐、带释义增强推理的多模态定位评测
简介本文提出统一评测基准SAGE，将VWSD、VerSe和WikiDiverse整合为以词项为中心的10选1图像选择任务，涵盖名词、动词和实体定位，并包含易混淆的困难负样本与语境替换诊断集。作者还提出无需训练的GAR框架，结合释义定位与约束引导的语义验证。实验显示，在VWSD上表现强并不能统一迁移到其他定位设置；将两种信号结合后，宏平均Hits@1从65.90提升至71.22。
说明SAGE：面向临时交通管制下施工区路径预测的视觉语言与几何混合框架
简介论文提出SAGE框架，用于自动驾驶车辆在临时交通管制的施工区中预测通行路径。方法将几何路径生成、路径偏好与管制合规分开处理，由视觉语言模型（VLM）的轨迹作为对几何候选路径的偏好进行排序融合，并依据MUTCD规范施加约束。在2306个真实施工区片段上，SAGE相较几何排序器降低了位移误差并减少了约37%的硬约束违规。
说明WorldMirror：从真实机器人演示视频中构建可交互仿真世界的智能体框架
简介该论文提出 WorldMirror，一个让智能体自动把真实环境中的机器人演示转换为可交互数字孪生场景的框架。它把重建过程表示为可执行的世界程序，由编码智能体调用图像与三维生成工具并根据验证反馈迭代修正。在 DROID 数据集上的实验显示，该方法能重建视觉上相符、几何一致的交互世界，并保持所记录机器人轨迹的物理合理性。
说明潜在一致性：前沿语言模型的概率判断是否遵守全概率公式？
简介本文在未经专门训练的前沿语言模型上检验其概率判断是否满足全概率公式，即在上下文记录推断潜变量时，P(X) 是否等于对潜变量各状态求和的结果。作者以单轮提问分别获取 P(X)、P(z) 和 P(X|z)，并用因果问题做同样检验，所有问题都有精确的真实概率。结果显示，不同模型的不一致程度差异明显，且较大的不一致残差与较大的真实误差相关，可用于标记不可靠的回答。
说明SEVI：面向真实世界的安全证据式强化学习
简介该论文提出SEVI框架，用于真实机器人在线学习时的安全干预。它设有证据式安全评判器，单次前向计算即可估计未来违反约束的风险和认知不确定性；若动作被判定不安全或证据不足，则由离线训练的恢复策略接管。在两个仿真操作任务和一个真实USB插拔任务上，SEVI的安全预测、最终任务成功率和不安全事件数均表现最佳，相对基于恢复的安全强化学习，不安全事件减少幅度为57.1%至13.4%之间的范围。
说明查询记得什么：查询抽象程度决定古典阿拉伯诗歌的词法与稠密检索表现
简介本文针对古典阿拉伯诗歌检索，在两个语料库上比较了九种稠密编码器与BM25，涵盖三种索引方式和两种评估协议。结果显示，哪种检索器表现更好，取决于查询保留了多少诗句原文用词：在“舌尖”式查询上BM25优于所有稠密编码器，在抽象查询上则排名靠后。作者指出，只报告单一协议或单一查询类型的基准可能得出错误结论。
说明LLM 置信度的“免费午餐”：强化学习的评判器本已知晓
简介这篇论文研究大语言模型的置信度估计。作者发现，在基于正确性结果的设定下，置信度估计与强化学习中的价值函数（评判器）训练是等价的。因此，已用价值型强化学习训练的模型，其现有评判器无需额外训练或数据即可作为置信度估计器使用，且不改变策略本身的任务表现。在数学、代码、工具调用等多个领域的实验中，该评判器在多数设定下表现最佳。
看点证明置信度估计与价值函数训练在正确性结果下等价，并复用已有评论家，思路新颖；跨十余领域实验支持。
说明投机式扩散：两种权衡的故事——研究如何同时调节扩散生成量与推测解码的宽松度，以在速度与质量之间找到更优的平衡
简介本文研究推测解码（speculative decoding）与扩散语言模型结合的方式，用扩散模型作为更快的草稿模型。作者同时调节扩散步数（diffusion effort）与推测解码的接受宽松度（acceptance leniency），探索速度与质量的完整帕累托前沿。实验显示，联合调节这两个参数，比只用单步扩散草稿能扩展速度与质量的帕累托前沿。
说明嵌套稀疏性：面向可扩展预训练与持续学习的注意力条件计算方法
简介本文提出一种与注意力算子对应的条件计算机制，其稀疏性可与混合专家（MoE）的稀疏性层级嵌套，并将该Transformer称为Nestor。在语言模型预训练中，在计算量与稀疏度相同的条件下，Nestor优于传统MoE Transformer。在持续预训练中，它更有效地适应更长上下文和新领域，且对旧领域的遗忘更少，这些优势随模型规模、数据规模和上下文长度增长而保持。代码与模型检查点已公开。
看点将条件计算从MoE扩展到注意力算子并与MoE稀疏嵌套，新颖；在预训练与持续学习上有较充分的规模化实验对比。
说明PrefO2O：通过离线到在线的潜在偏好迁移实现零样本偏好强化学习
简介该论文提出PrefO2O框架，用于机器人行为学习。它先从源任务的少量离线偏好数据中学习与任务无关的潜在偏好空间，再借助置信度加权的最优传输对齐生成伪偏好监督，把偏好结构迁移到新任务，全程无需人工反馈。在机器人操作和运动基准上的实验显示，该方法优于现有偏好迁移基线，并能达到或超过使用真实人工反馈训练的方法。
说明PaperFormalizer：在作者参与下把研究论文自动形式化为 Lean 代码
简介该论文提出 PaperFormalizer，一个基于 Lean 的智能体流水线，帮助作者找出并弥补自己论文中证明或假设的细微漏洞，并把论文转化为经过 Lean 验证的版本。流程从 LaTeX 源文件出发，逐条审查陈述，遇到多种解读时会向作者提问，所有修改都以建议形式交由作者决定。输出为标注修订后的论文、变更报告及 Lean 代码。
说明CuraLoc：通过规划式代码检查实现仓库级故障定位
简介这篇论文提出 CuraLoc，用于在代码仓库中根据缺陷报告定位需要修改的代码。方法先筛选候选文件并用紧凑的行为与结构描述表示符号，再由模型一次性规划起始符号、需检查的代码关系及修改假设，之后由确定性检索收集源码进行最终排序。论文报告在 SWE-Bench Lite 和 Verified 数据集上取得较高准确率，并在 Verified 上使用 GPT-5.2 时记录的 token 用量减少 90.3%。
说明英语与普通话中的居高临下、贬低性语言检测
简介本文研究居高临下、贬低性语言（PCL），这类语言贬低弱势群体并流露怜悯，强化负面刻板印象，而且往往连人工判断也难以识别。作者提出自动检测系统：第一种方法用静态词嵌入加卷积神经网络分类，第二种方法微调预训练的BERT嵌入。第二种方法效果明显更好，在开发集上的F1分数为0.528。
说明StackGen3D：从多视角轮廓生成稳定的三维积木堆叠
简介该论文提出StackGen3D框架，可根据给定的积木清单和三个正交轮廓图，生成物理上稳定的积木组合。方法分两阶段：先用物理信息图神经网络（PI-GNN）预测积木间的支撑关系并筛选稳定结构数据集，再训练条件流匹配模型生成与轮廓一致的积木配置。文中报告，Best-of-10选择将稳定率从45.3%提高到72.4%，轮廓IoU达0.970。
说明PnP*：一种可验证全局最优的透视-n点位姿求解器
简介该论文针对计算机视觉中由三维-二维对应点估计相机位姿（透视-n点问题）的最大似然估计，提出了首个可扩展且能给出可验证全局最优解的求解器PnP*。作者证明在中等噪声下其底层凸松弛是精确的，并利用弦稀疏结构和商环约化使松弛问题可处理、可扩展。数值实验验证了其稳定性与可扩展性，且求解频率超过10赫兹。
看点首次为PnP的最大似然估计提供可扩展的可证明全局最优求解器，并证明凸松弛在中等噪声下精确，证据较充分，对视觉定位有实际影响。
说明PaperScorer：论文被接收的结果能有多大程度被预测？
简介该论文提出 PaperScorer，一组仅依据论文提取文本或页面截图预测“接收或拒绝”结论的模型，训练时已去除作者身份与排版等捷径信息。视觉模型预测效果最好，在 ICLR 论文上准确率为 68%，在 arXiv 机器学习论文上为 77%，优于纯文本模型和前沿推理模型。研究还发现，中间评分的论文最难预测，而模型的高置信度预测也更准确。
说明Phronix：面向智能体的能力中心学习范式
简介该论文提出 Phronix，一种让智能体从自身执行过程中获取、验证并改进可复用能力的学习范式，通过预测、验证、修正的循环运作。原文报告，学习到的能力在多个模型上对重复任务的首次尝试成功率为 93% 至 95%，并在 1000 Genome Pegasus 工作流等任务上取得更好的正确性结果。
说明并非所有保留客户端都同等重要：联邦遗忘中的客户端选择
简介本文针对联邦遗忘问题，提出PDF方法：训练时记录各客户端与全局模型的对齐历史，遗忘请求出现后，选出对全局有用且与目标客户端耦合较弱的前k个保留客户端进行少量轮次的再训练。在FMNIST、CIFAR-10和CIFAR-100上的实验显示，该方法在参与客户端显著减少的情况下仍能有效遗忘并保持模型效用，通信量相比Retrain约减少69%，计算量约减少57%至61%。
说明大型残差网络的早期学习：在大深度大宽度极限下，早期训练时网络只能学到输入的线性函数，因此这类理论模型未必足以解释特征学习。
简介该论文研究含零隐藏层残差块的非线性残差网络在训练早期的动态，并采用宽度、深度、训练数据量、输入维度依次趋于无穷的序贯极限。作者用图示方法计算了几步梯度下降后网络输出和隐藏表示，结果依赖于训练输入内积的统计量。核心负面结论是：输入维度很大时，早期网络输出只能学到线性函数，较高阶单项式会被抑制至消失。作者还探讨了学习率在数据集大小和输入维度变化下的超参数迁移方法，并称数值实验与理论高度一致。
说明基准测试出乎意料地对上下文压缩友好
简介长时程智能体任务常使大模型智能体超出上下文窗口，需要通过上下文压缩释放空间。作者在固定的智能体框架中实现五种压缩策略，并用三个前沿模型在三个长时程基准上评估。结果显示，多数情况下压缩影响有限，但压缩可能悄然丢失任务约束，且约束丢失随压缩次数增加而增多。
说明通过逐查询模态选择实现高效的全模态大语言模型推理
简介全模态大语言模型可处理文本、音频、视频等多种模态，但推理成本较高。该论文发现不同查询从额外模态中获益不同，于是保持模型不变，为每个查询自适应地选择提供哪些模态，并以准确率与成本的权衡作为优化目标。在WorldSense上测试Qwen2.5-Omni和Qwen3-Omni，结果显示该方法改善了准确率与成本的权衡；对Qwen2.5-Omni，其准确率达到或超过全模态设置，同时输入token、延迟和费用分别约为全模态的41%、39%和61%。
说明SyncVid：面向同步视频生成的世界等变扩散方法
简介该论文研究如何从一段参考视频生成同一动态场景在多个视角下的同步视频。作者不在每个二维图像平面独立采样噪声，而是把源视频提升为规范的四维表示，在三维空间中采样结构化噪声，再渲染到目标相机视角，并提出跨视角一致的白化步骤，使各视角与时间上的几何保持一致。该结构化噪声作为LoRA适配的预训练视频扩散模型的先验，无需修改模型结构。
说明VibeGame：基于自然语言提示、AI 原生引擎与自我进化对抗式智能体团队的游戏开发框架
简介该论文提出 VibeGame，可根据自然语言提示和可选参考图生成完整的 2D 游戏项目。其 AI 原生引擎以结构化文本表示项目状态并支持帧同步运行时控制，使智能体能够检查状态、执行操作和验证行为。系统设计了由八个专门智能体组成的对抗式团队，将实现与审查分离，并通过多轮循环发现和修复问题。在 GameCraft-Bench 子集上，VibeGame 的 P2G 模式表现优于同一底层模型下的多种智能体框架。
说明《看我所需，梦我所想》：基于自构建表征空间的导航基础模型
简介这篇论文提出RepresentNav，一种导航基础模型，它在由策略自身目标从多个视觉基础模型构建的表征空间中工作，让策略学会看到导航所需的信息。模型在每次行动前通过潜在思维链预测前方场景的表征，并以联合嵌入预测架构端到端训练。论文报告其在多个导航基准上达到新的最优结果，并可迁移到实体机器人上。
看点提出在视觉基础模型特征上自构建表示空间并结合JEPA式潜在预测，在多个导航基准上取得显著提升，证据较充分。
说明AudioLift：通过多视角视频生成，从单张图像与音频驱动生成全头高斯数字人
简介该论文提出 AudioLift，一个两阶段框架，用生成的多视角视频作为中间表示，由音频驱动从单张人像生成 3D 说话数字人，无需参数化人脸模型或逐实例优化。框架先进行同步多视角视频生成，再通过对不一致性鲁棒的高斯重建恢复完整头部几何。实验表明，相比现有方法，它能呈现更极端的面部表情，几何完整性更好，并在 360 度范围内保持较强的多视角一致性。
说明基于可变粒度的图像到三维部件生成统一框架
简介本文提出FlexPart，一个统一的图像到三维部件生成框架，可在单一模型中支持不同粒度的几何条件，从稀疏点到密集的包围盒和掩码均可输入。模型通过门控自适应调制融合异构输入，并提出非对称几何引导机制以提升几何一致性。在PartVerseXL数据集的掩码条件下，FlexPart的Part CD相对TripoSG + SAM3D降低16.6%，相对OmniPart降低10.5%。
说明感觉运动对齐：衡量具身策略成功的柏拉图式代理指标
简介该论文提出“感觉运动对齐”（S²）这一无需训练的离线指标，用于衡量模型的感知表征与物理运动几何结构的吻合程度。研究发现，S²与多种模型系列在下游机器人任务中的成功率呈正相关，可作为闭环评估前的低成本代理指标。它还能在微调前筛选视觉语言模型主干，并为视觉语言动作模型中的现象提供表征层面的解释。
说明通过视频阅读、书写、共享与交互世界：以世界建模为视角的综述
简介这是一篇关于视频基础模型与视频世界模型的综述论文。作者把观测到的视频视为潜在时间世界的部分、有损且按时间排序的投影，围绕阅读、书写、共享与交互四类操作组织相关文献。综述指出，研究重点正从片段级识别和感知保真，转向持续状态、可控演化、物理与因果有效性，以及基于交互和下游决策的评估，并总结了由此产生的开放性挑战。
说明面向思路剪枝的直接 Pass@k 优化：测试时推理中质量与多样性的平衡
简介该论文针对推理模型的测试时扩展，提出在生成短前缀后剪枝候选解的方法。它直接优化所选解池的 pass@k，即其中至少一个部分解续写后得到正确答案的概率，使质量与多样性由同一准则自然平衡。在八个开源权重推理模型上，该方法优于现有基于质量和基于多样性的剪枝策略，保留适量部分解时优势尤为明显。
说明从随机特征到全可训练网络的相变现象
简介本文研究部分可训练神经网络（固定随机特征与全自适应表示之间的过渡）的近似误差。作者在多项式谱衰减等假设下给出两层网络的平方L2近似速率，并观察到训练误差随可训练比例变化呈现类似相变的行为：初期快速平滑改善，之后收益递减。文中以球面偏置ReLU特征为例，并报告了多组数值实验，包括多达15层的网络。
说明通过选择性审计实现可靠的 AI 辅助决策
简介论文研究在线监控一个持续输出决策的 AI 系统：每轮给出决策和置信度分数，由人工专家决定是否接受，或转交专家审核。作者将其表述为在线约束优化问题，目标是在保证未被审计的 AI 错误比例低于用户设定阈值的前提下，尽量减少专家审计频率。论文给出了无需额外假设、具有可证明错误控制保证的算法族，其中一种在对抗性和独立同分布数据流下都达到了最优审计效率。实验表明，这些方法在实践中能有效控制错误，并显著减少人工审计需求。
看点提出在线约束优化框架下选择性审计的新问题，并给出无假设的可证误差控制及渐近最优算法；实验覆盖LLM请求筛查等场景。
说明SpectralCanary：用于文生图数据集使用审计的低频可追溯信号
简介该论文提出 SpectralCanary 方法，在数据集发布前用低通掩码把一张固定的标记图像融入每张训练图，文本描述保持不变。之后检测疑似模型生成的图像中是否出现这一信号，以判断模型是否用该数据集微调。实验显示该方法在多个数据集和模型上检测准确率较高，同时对原图影响很小，研究认为低频视觉信号适合作为数据集使用审计的载体。
说明面向基于大语言模型的IT工单分类的成本感知弃权机制
简介该论文研究IT工单自动分流的错误成本，提出一种离线、按成本条件评估的准备度方法：先在校准数据上依据给定成本选定路由策略，再在测试数据上一次性评估。在一个包含47,837条工单、八个类别的公开数据集上，作者比较了四种训练好的非大语言模型分类器与四种大语言模型。结果显示，基于TF-IDF与逻辑回归、阈值0.60的方案将测试成本从0.763降至0.472，但该结论仅限于此数据集、提示设计、模型端点与示例性成本。
说明METTA：面向元强化学习的记忆增强测试时自适应方法
简介该论文提出 METTA（记忆增强测试时自适应），用于元强化学习，使智能体能从有限交互中快速适应未见过的任务。方法将快速适应分为两个时间尺度：因果神经记忆负责回合内的细粒度适应，紧凑的回合级摘要支持跨回合的长程任务推断。作者称在未见过的 Meta-World ML10/45 测试环境中成功率较高，并在稀疏奖励的 PointMaze 长上下文任务中优于基于 Transformer 的基线。
说明BrickWright：用智能体生成物理可行的乐高积木搭建
简介该论文提出 BrickWright 框架，让预训练的编程智能体根据文本或图像提示生成可实际搭建的乐高积木作品。框架通过 BrickLayer 工具包让智能体编写代码，并借助验证器检查零件是否真实、有无碰撞或悬空、结构是否连通。原文称，基线智能体的物理有效率为 9% 至 69%，而使用该框架的智能体在 512 个提示样本上达到 100%。
说明EpiSEM-Bench：评估大模型智能体在证据缺失时的安全性与证据恢复能力
简介该论文提出 EpiSEM-Bench，一个可执行基准，用于测试大语言模型智能体在关键证据缺失时的不安全执行、安全边界和证据恢复能力。基准包含六个领域中300组成对的不安全与安全任务，通过系统性地隐去关键事实来测量模型表现。实验显示，十个模型之间在抗缺失证据、主动获取证据和恰当行动方面差异明显。
说明Gate3DGen：有选择地净化真实图像以用于3D生成的预处理模型
简介论文提出Gate3DGen，一个在现有3D生成器前端运行的选择性预处理模型，无需重新训练生成器。它先由退化感知路由器判断输入是否干净，干净的直接放行，有退化的再由单步净化器修复并尽量保留物体身份、轮廓和纹理。在合成基准上，该方法平均耗时2.3秒，使TRELLIS.2网格距离相对退化输入降低61.5%。
说明n-gram 嵌入表的低比特量化：用更少内存保留语言模型的性能提升
简介本文研究如何以低精度存储语言模型中的 n-gram 嵌入表，以降低其内存占用。作者系统比较了不同的量化方法与比特分配。在从头训练的模型上，四比特表可节省约 75% 的表内存，并保留添加该表带来的验证损失改善的 99% 以上；在 DeepSeek-V4.1-Flash 和 Qwen3.8-Flash-Next 等大模型上，低比特表可节省 47% 至 55% 的表内存，困惑度上升不到 1.2%。
说明面向公共卫生数据采集的智能体式AI方法探索
简介本文提出一个多智能体框架，用于协调异构来源的疾病监测数据采集，包括来源发现、来源评估、证据结构化、事件关联与验证。作者用三个回溯性案例进行演示：汉坦病毒疫情中找回全部13例个案，加拿大麻疹病例数与国家参考数据最终总数相差0.33%，塞拉利昂猴痘近期报告覆盖天数比例由28.2%提高到65.6%。论文同时指出记录完整性与准确性存在局限，其在及时性方面的前瞻性效果尚未检验。
说明OmniRay：与相机无关的单目三维重建（复合光线场）
简介该论文提出OmniRay模型，可从单张图像直接恢复三维几何，而无需推理时提供相机信息。模型的光线模块由径向基、球谐残差和自由形式残差三部分组成，以适应鱼眼、全景等不同相机的几何形态。实验表明其在与相机无关的单目三维重建上达到了新的最佳水平。
说明GigaBench：面向千兆像素图像压缩与超分辨率的可学习表示基准测试
简介本文提出 GigaBench，这是首个针对千兆像素图像、评估可学习表示（LRs）的基准与实验评测。该基准收录多个领域采集、获取及合成渲染的图像，涵盖图像压缩与超分辨率任务。作者将隐式、混合与显式三类代表性方法适配到消费级硬件上的千兆像素规模运行，并从重建质量、模型大小、压缩与推理时间等方面进行系统评估，归纳出各方法间的一致趋势并提出后续研究的可行建议。
说明修复 Softmax 与交叉熵的两个数值缺陷
简介这篇论文指出标准 softmax、log-softmax 和交叉熵的实现存在两个数值问题：一是目标 logit 远大于其他值时梯度被舍入为零，导致梯度之和不再为零；二是学生与教师 logit 接近时，即使两者相等也会产生非零梯度。作者提出了修复这两个问题的简单实现，并报告了在 Slingshot 现象、grokking、精度崩溃、蒸馏漂移等场景下的效果。
说明UniVOE：基于移除任务的交互感知通用视频物体编辑框架
简介论文提出 UniVOE 框架，用于训练视频物体移除和注入两类模型。它先用视频修复先验训练一个能消除交互效果的移除模型，再用其为真实视频生成成对数据来训练注入模型，并通过基于奖励的后训练使结果更符合人类偏好。实验显示其在物体移除与注入上达到领先水平，尤其在复杂交互效果场景中表现突出。
说明WorldForge V2：在视频扩散模型中引导相机轨迹对齐
简介该论文提出 WorldForge V2，用于让预训练视频扩散模型按目标相机路径生成视频，同时保持场景外观和物体运动。方法包括基于扭曲参考的免训练引导、光流分析选择运动相关通道、双路径修正以及 v-cache 降低计算开销，并用 Trajectory LoRA 进行少量数据训练。作者报告在多个数据集上取得了相机控制视频生成的最优生成质量和轨迹精度。
说明因果思维链：通过上下文隔离缓解注意力泄漏
说明智能体能否调试网络语料？斯洛伐克语 FineWeb2 的智能体审计
简介论文提出用大语言模型充当语料“调试器”：智能体通过只读、有预算的接口探索语料，把发现的问题编写成可执行测试，再由母语者验证。在斯洛伐克语 FineWeb2 的 2650 万篇文档上，三次运行共发现七个问题、涉及四类现象，其中最大的一类是 1,408,437 篇（占 5.32%）通过了过滤器的机器生成内容。该测试套件可在无 GPU 条件下约 0.7 秒扫描全部语料。
说明HiP3R：用于长时序三维重建的分层位姿图
简介前馈模型能从短视频片段中准确估计相机运动和三维几何，但长视频需要切分成重叠片段分别处理，导致坐标系不一致、共享相机重复估计。HiP3R 采用分层位姿图：先在片段级优化鲁棒的 Sim(3) 图，确定全局布局与尺度；再固定该布局，为每一帧估计一个共享的 SE(3) 相机，把重叠窗口的预测整合为单一轨迹。实验表明该方法能改善相机轨迹与三维重建，且无需额外训练即可用于分块式和流式后端。
说明BeNice!：通过KV共享缩小循环模型的推理内存差距
简介循环架构通过在固定参数下反复使用同一组层来提升模型质量，但推理时每次循环都会生成独立的KV缓存，内存随之线性增长。本文研究如何让循环模型实现KV共享，提出两阶段方法：预训练时使用随机深度，再通过后训练方法BeNice!将最后一次循环的KV缓存广播到第一次循环。实验显示，KV共享可与其他KV压缩方法结合，并在模拟的低内存长上下文推理中提高缓存命中率、吞吐量并降低首词延迟。
说明质疑RLVR中的工具性趋同：基于OLMo-3检查点的证据
简介论文研究带可验证奖励的强化学习（RLVR）是否会使语言模型更多地表现出工具性趋同行为，即为达成目标而寻求自我保全、资源获取等子目标。作者在OLMo-3-7B-Think的SFT、DPO、多个中间RLVR检查点及最终模型上，使用InstrumentalEval进行评估。结果显示，工具性行为比例先升后降：从SFT的25.0%升至约第200步的46.1%，最终检查点降至11.8%，低于SFT基线。
说明F2G-Pose：面向类别级RGB-D物体位姿估计的几何感知基础特征提升方法
简介本文研究类别级RGB-D物体位姿估计，即在无需实例CAD模型或参考视图的情况下恢复物体的三维旋转和平移。作者提出F2G-Pose，可单次前向推理从一帧RGB-D图像同时预测位姿、度量尺寸和相机坐标系下的补全形状。该方法在SOPE和ROPE上达到当前最优精度，纯位姿推理速度为28 FPS。
看点将基础视觉特征提升到点云并用MoE Transformer直接单次预测位姿，较中间结构和扩散方法有实质改进；在SOPE、ROPE上取得领先精度并有多项对比分析。
说明双语语言模型能捕捉第二语言阅读中的跨语言影响
简介单语语言模型的意外度可以预测阅读时间，但无法反映受母语影响的第二语言阅读过程。研究者用12种母语背景读者的英文眼动数据，比较与读者母语相符的双语模型、单语英语基线和其他母语双语模型。结果显示，匹配母语能更好地预测第二语言阅读时间，且这种优势主要出现在后期眼动指标中，并受母语与第二语言书写系统重叠程度影响，中等水平读者最明显。
说明标注真值如何影响检索评分：面向乳腺病灶检索增强生成系统的证据感知评估
简介本文提出一种证据感知的检索评估方案，用于乳腺病灶管理文献的临床检索增强生成（RAG）系统。研究使用18份文档和18个查询的开发基准，比较了不同分块大小、重叠比例和检索器配置。结果显示，所选混合检索器在18个查询中有17个在前三结果中检出已接受证据，Recall@3、R-Precision、MRR@3和nDCG@3均为0.94；扩充标注增加了证据片段，但未改变排序。作者指出开发集较小，仍需独立验证。
说明CRANE：面向多模态分类器的事后反事实检索方法
简介本文提出CRANE，一种与模型无关的事后解释框架，用于多模态分类器。它从训练数据中检索目标类别的真实样本，作为反事实解释的候选，从而保证解释的合理性。作者在四个异构数据集和三种融合策略上进行了实验，结果显示多模态共识检索（MC-R）整体表现最佳，当单一模态主导决策边界时，单模态策略仍具竞争力。
说明模拟控制评估（SCE）：用语言模型代替真实环境的AI安全防护测试
简介论文提出模拟控制评估（SCE），用语言模型模拟工具响应来替代真实执行环境，以测试安全防护能否在AI模型有意作恶时仍然有效。在LinuxArena上的实验显示，SCE预测安全性的均方根误差为3.6个百分点，优于BashArena的10.1，且更贴近部署环境的结果。
看点用语言模型模拟工具响应替代真实环境进行控制评估，并在LinuxArena上与执行结果对比，预测误差显著低于BashArena，新意明显、证据较充分。
说明超越 Best-of-k：面向模糊非线性逆问题的先验一致 DAPS
简介该论文针对相位恢复等非线性逆问题，指出当多个与测量一致的解只能靠先验区分时，现有扩散采样方法可能选中并不符合先验的解。作者提出先验一致 DAPS（PC-DAPS），在单次采样中保留多个候选解，并依据先验一致性（无需真值）逐步淘汰较弱的候选。结果显示，该方法减少了先验不一致样本，并在非线性问题上提升了样本质量，在线性问题上保持质量与多样性。
说明并非每个智能体都需要最强模型：面向异构多智能体系统的提示与模型联合优化（UniMASO）
简介该论文提出UniMASO框架，在基于大语言模型的多智能体系统中同时优化各角色的提示词与模型分配。框架通过局部、下游和全局反馈评估候选更新，并利用考虑成本的帕累托搜索保留有用的质量与成本权衡，再结合拓扑感知的协同进化与跨层轨迹记忆进行优化。在五个基准和五种执行拓扑上的实验显示，该方法以显著更低的部署成本取得了有竞争力的任务表现。
说明VERA：依据《欧盟人工智能法》评估大语言模型部署的负责任人工智能仪表盘
简介该论文介绍了一个开源、可自托管的仪表盘VERA，用于协助审批人员评估大语言模型的部署。它依据COMPL-AI对欧盟人工智能法的技术解读，对当前基准测试可衡量的12项要求进行评分，并记录每次评估的能耗。研究显示，与直接查看原始输出文件相比，使用该仪表盘完成评估的平均时间由56秒缩短至30秒，组织内调查的可用性评分为4.36分（满分5分）。
