LADDER: Diagnosing Domain-Level Self-Assessment Under Noisy Feedback
说明LADDER：在带噪声反馈下诊断模型的领域级自我评估
简介本文提出LADDER框架，研究语言模型在不可靠反馈下如何评估自身能力。结果显示，模型能准确复述给定的性能信息，却难以从交互经验中形成可靠的自我评估。表面上准确的自我评估可能掩盖能力差异，也不一定能预测后续任务表现，因此可信的自我评估应对照实际任务表现及其预测价值来检验。
iPrefBench: A User-Centric Benchmark for Personalized Mobile Use Agents
说明iPrefBench：面向个性化移动端智能体的以用户为中心的基准测试
简介该论文提出了iPrefBench，用于评估个人移动端智能体在可执行iOS环境中推断用户信息和主动询问的能力。基准基于3,051条历史活动记录构建，包含跨26个应用的130项描述不完整的用户任务。对7个前沿智能体的评估显示，它们操作完成度较高，但完整任务成功率较低，尤其在需要主动询问用户的信息上表现不足。
FGD2HF: Frequency-guided Dual-domain Hypergraph Fusion for Semantic Segmentation
说明FGD2HF：用于语义分割的频率引导双域超图融合网络
简介该论文提出FGD2HF网络，利用频域特征引导空间域的特征融合与增强，以改进语义分割。网络包含结合邻域注意力与超图注意力的混合注意力编码器，以及小波变换增强模块和频率引导的双域融合模块。论文报告，其FGD2HF-B模型在ADE20K上达到48.7% mIoU，在Cityscapes上达到83.2% mIoU，并在与其他方法的比较中具有竞争力，同时计算量较低。
SKALOS: Learning to Distinguish Similar Skills with Capability Graphs
说明SKALOS：利用能力图谱区分相似技能的学习方法
简介该论文面向大语言模型智能体的技能选择问题。随着技能库扩大，语义相近的候选技能越来越难区分。作者提出SKALOS，通过显式的能力证据比较技能，并引入基于半环的能力见证学习与排序反馈图校准。在SkillRet上，其NDCG@10较匹配的纯文本重排序器提高2.68个百分点；在ALFWorld中，见证引导的技能选择使任务成功率由22%提升至29%。
Harness-Model Collaboration for Long-Horizon Continual Learning
说明用于长时程持续学习的框架与模型协同方法（HaMo）
简介该论文针对长时程智能体反复遇到可复用流程性知识的问题，提出 HaMo 框架，将快速的非参数经验积累与缓慢的参数化适应结合。HaMo 把执行轨迹提炼为策略级经验卡片以便即时检索，并通过基于经验的持续学习目标训练模型理解、落地并执行所检索的策略。实验显示，在领域内和跨领域迁移场景中，HaMo 的表现优于仅使用外部机制或仅调整模型的方法，同时提升了记忆保持与适应能力。
CEPO: A General Framework for Improving Prompt Optimization in Multi-Agent Systems
说明CEPO：改进多智能体系统提示词优化的通用框架
简介本文提出CEPO（协调者-执行者提示词优化）框架，用于改进多智能体系统中的提示词优化。它将系统层面的协调与各智能体层面的执行分开，通过共享的协调者提示词和各智能体专属的执行者提示词，并依据各自角色进行更新。实验涵盖四个领域的11个基准测试，表明将其应用于四种现有提示词优化器后，性能均有提升。
Prefetch-Steered Routing: Deterministic Cache-Aware Expert Selection for Offloaded Mixture-of-Experts Decoding
说明预取引导路由：面向卸载式混合专家模型解码的确定性缓存感知专家选择
简介本文针对显存放不下的混合专家（MoE）模型，提出预取引导路由（PSR）方法：路由基于一个确定性的逻辑缓存，每层每个 token 最多插入下一层路由器预测的 n 个专家，实际的显存拷贝只影响延迟。在 OLMoE-1B-7B 上，PSR 相比使用 LRU 的精确路由解码快 2.2 到 2.3 倍，相比 Cache-Prior 快 25% 到 30%，基准平均差异很小。
★★★★☆ 值得关注
VLA-HWBench: Where the Time Goes When VLA Models Run on Edge Hardware
说明VLA-HWBench：视觉-语言-动作模型在边缘硬件上运行时时间花在哪里
简介本文在英伟达 Jetson AGX Thor 与 AMD Ryzen AI Max+ PRO 395 两类边缘硬件上，对 18 个开源视觉-语言-动作（VLA）模型的多种推理后端进行基准测试，并把单次推理拆成七个阶段。研究发现，动作生成策略比模型大小更影响延迟，核融合与 4 位权重对 π0.5 和 GR00T N1.7 有显著加速，优化后内存带宽主要制约去噪等少量 token 的阶段。
看点系统性评测18个开源VLA模型在两种边缘硬件上的延迟，并给出七阶段剖析与优化对比，视角新颖且证据充分。
SearchHorizonBench: A Benchmark for Search Value in AI Agents
说明SearchHorizonBench：评估AI智能体搜索价值的基准测试
简介该论文提出SearchHorizonBench基准，用于从执行经验中学习和评估AI智能体继续搜索的价值，即判断再搜索一次是否值得其成本。数据集包含3,168个问题的45,632次执行记录。在1,632个留出问题上，历史校准将Brier误差降低16.2%。
Intervene, Calibrate, Discover: Learning Causal Structure from Pixels
说明干预、校准、发现：从像素中学习因果结构
简介本文研究如何从低层图像观测中学习高层因果变量及其图结构。作者用固定的轮询干预获得已验证的数值，并通过可逆的逐维校准映射，使视觉读数与干预取值处于同一数值单位。实验在Domino、Pick-and-Place、Balance、Gears、CAUSAL3D和CausalWorld等环境中评估图结构发现、干预后果与反事实图像；在Domino受控实验中，干预能解决等量额外观测无法消除的方向歧义。
Sparse Reconstruction by Direct Measurement-to-Field Generation in Function Space
说明基于函数空间直接测量到场生成的稀疏重建方法
简介该论文提出一种名为DMF的函数整流流框架，用于从稀疏测点数据重建完整的空间物理场。方法端到端地学习测量如何驱动场的生成，并在任意查询坐标上评估物理场。在边界未知、缺少高分辨率训练场以及部分物理量无法直接测量等基准测试中，DMF降低了重建误差，并能通过随机集合生成量化不确定性。
★★★★☆ 值得关注
Safe by Benchmark, Unsafe in Practice: Lessons from 1331 Child-Related AI Incidents
说明基准测试安全，实践中不安全：1331起儿童相关AI事件的启示
简介本文收集并编码了1331起公开报道的儿童相关AI事件，构建了面向儿童的危害分类体系，并标注每起事件涉及的危害类型与失效模式。研究发现，危害主要集中在表征、尊严和心理层面，且多与部署环境、治理和误用失效同时出现，而非模型本身缺陷。作者认为仅靠模型层面评估并不足够，并提出年龄验证、同意核实等超越内容过滤的缓解措施。
看点构建面向儿童的危害分类法并编码1331起公开事件，揭示危害与系统性失败模式的关联，对模型层评估提出有依据的质疑。
Stable Continuous-Time Consistency Distillation: An Empirical Study with a Multistep Extension
说明稳定的连续时间一致性蒸馏：实证研究与多步扩展
简介该论文独立复现了基于TrigFlow框架的连续时间一致性模型，在CIFAR-10上达到报告的一步和两步FID，在ImageNet-64上则未能达到。作者还提出了多步连续时间一致性蒸馏方法MS-sCD，并在M=2、4、8下报告FID，与离散时间多步基线进行比较。
Intrinsic Information Rates of Summaries in Simulation-Based Inference
说明模拟推断中摘要的内在信息速率
简介基于模拟的推断常把观测数据压缩为固定维度的摘要，后验只依赖该摘要。本文把摘要视为从观测到摘要的有损信道，用互信息衡量其信息预算，并证明在一定条件下，随机摘要在有限预算下的失真严格低于确定性摘要。作者还在神经后验估计器中加入二值瓶颈，在四个模拟器基准上比较不同信息预算下的摘要方法。
Movable-Element Multi-Functional RIS-Assisted Hybrid RSMA-NOMA: A Constrained Hybrid Reinforcement Learning Approach
说明可移动元件多功能RIS辅助的混合RSMA-NOMA：一种约束混合强化学习方法
简介本文提出一种可移动元件多功能可重构智能表面（MM-RIS）架构，将元件移动与自适应反射、透射、放大及能量采集相结合，并设计了混合速率分割多址接入（RSMA）与非正交多址接入（NOMA）传输方案。作者以能效最大化为目标，联合优化发射波束成形、功率与速率分配、MM-RIS配置及元件位置，并提出基于联邦Transformer与参数共享的约束混合深度强化学习方法CRAFTS进行求解。仿真结果显示，该架构与框架在能效和约束满足方面优于文献中的基准方案。
Gangqinpu: A Multi-Genre, Multi-Task Piano Dataset with Aligned Audio, MIDI, and Musical Scores
说明《钢琴谱》：一个包含音频、MIDI 与乐谱对齐数据的多流派钢琴数据集
简介该论文介绍了 Gangqinpu，一个多流派钢琴数据集，包含 18,786 组乐谱与演奏配对以及 1,007.1 小时源音频，并提供音符级自动对齐和节拍/强拍标注。数据通过自动化流程完成转录、对齐与流派标注，并用基于乐谱的二分类器过滤缺乏表现力的演奏。作者在 MIDI 转乐谱、表现力演奏渲染和节拍追踪三项任务上进行了评估，结果显示其作为补充训练数据在节拍追踪上有跨数据集收益，在转录和演奏渲染上主要带来领域内收益。
IsoAct: Geometry-Aware Post-hoc Debiasing via Isometric Actions
说明IsoAct：利用等距动作进行几何感知的事后去偏
简介该论文提出 IsoAct，一种事后去偏框架，在非欧几里得流形表示上同时考虑几何结构。它用切空间坐标中的 Fisher 判别分析找出与干扰因素相关的方向，并通过保持流形归属的等距动作进行修正。在超球面、双曲空间和 SE(3) 表示上的实验显示，IsoAct 降低了干扰因素的可恢复性，同时保持了有竞争力的效用。
RSKD: Grounding Semantic Consistency in Driving VLMs via Distillation
说明RSKD：借助蒸馏，让自动驾驶视觉语言模型的语义保持一致
简介该论文提出 RSKD 方法，用于把大型多模态模型的知识迁移到紧凑的自动驾驶模型上。它根据答案短语的任务重要性及其与教师模型预测的语义一致性来分配监督信号：语义一致处更多利用教师信息，语义不一致处更多依赖真实标注。作者在 DrivingVQA、LingoQA 和 MapLMv2 上评估，结果显示 RSKD 在 DrivingVQA 和 LingoQA 上优于对比的学生模型基线，在 MapLMv2 上表现具有竞争力。
Machine Learning Applications in the Solar Interior and Atmosphere
说明机器学习在太阳内部与大气中的应用：统一状态空间框架
简介本文将太阳视为一个多尺度耦合的动力系统，用全局状态向量描述其热力学、动力学与磁学性质。作者认为，机器学习在日球物理中的主要作用，是充当推断、模拟、传播和控制四类数学算子，以重建并耦合不同物理层之间的全局状态。文章还指出，数据驱动方法有助于弥补观测空白、揭示隐藏的多尺度耦合并加速非线性过程的模拟。
Good Rankings, Poor Choices? Rethinking Language-Only Vision-Language Model Selection
说明好排名，却选不出好模型？重新思考仅依赖文本的视觉语言模型选择
简介本文研究仅用文本信息为目标任务挑选零样本准确率最高的视觉语言模型（LOVM）。作者指出，以往用排序指标评估的做法不能直接反映所选模型的表现，于是改用简单遗憾并提出抗异常值归一化遗憾。基于新协议，作者提出免训练的TC-ESR方法，在22个目标任务和43个模型上取得了最低的平均遗憾。文中还指出旧评估协议存在两处目标性能泄露并给出修正。
★★★★☆ 值得关注
Knowing When the Evidence Is Enough: Requirement-Directed Search with Horn-Closure Certificates
说明何时证据已足够：基于需求的搜索与 Horn 闭包证书
简介该论文提出 Certify 方法，用于判断搜索增强模型在检索后是否已掌握足够证据。方法将问题分解为需求超图，逐项检索并经实体检查后建立连接，再通过 Horn 闭包生成最小充分证据证书，证据不足时则弃答并列出未满足的需求。在三个语料库上，其判断准确率显著高于搜索代理、图检索和充分性判别基线，且基于证书的回答正确率达 80%。
看点用需求超图与Horn闭包把证据充分性结构化，新颖；在三个语料、21M段落上系统验证，证据较充分，对检索增强问答有一定影响。
Topic-Level Fairness in Retrieval-Augmented Generation
说明检索增强生成中的主题级公平性
简介该论文指出，检索增强生成系统的群体公平性若只按整体指标评估，可能掩盖不同主题下的不公平。作者提出主题级公平性概念，并为每个主题单独调整重排序器，使用基于生成器自身输出构建的偏好对进行训练。实验显示，该方法在两个数据集上分别将各主题平均绝对差异降低51%和40%，同时保持准确率，优于基线方法。
Beyond Deduplication: Sharp Retrieval Limits for Attention with Correlated Distractors
说明超越去重：相关干扰项下注意力检索的精确极限
简介该论文研究冗余上下文如何影响注意力机制：重复项会增加归一化质量，而相关组内的分数波动可能产生极端的个体分数。作者在一个带有已知大型簇结构的高斯干扰项检索模型中分离这两种效应，并给出精确的检索阈值。主要结论是，从预softmax分数中减去簇大小的对数虽能消除多重性，却保留了簇内极值，所需信号仍不低于√(2α₁)；先对分数取平均再指数化可降至√(2ρα₁)。
Pro-Active Inference
说明主动推断（Pro-Active Inference）：在无放回条件下，主动选择标注对象以估计总体均值
简介论文针对只能标注少量样本的情形，提出无放回的主动推断方法PAI。它依据协变量和机器学习预测，从剩余样本中主动选择下一个要标注的对象，并随标签到来在线更新预测，同时构造统计上有效的置信区间。作者证明了其有限样本无偏性和渐近有效性，并在八个数据集上与多种基线进行了比较。
AT-AT: Automatic Tool Optimization from Agent Traces
说明AT-AT：从智能体执行轨迹中自动优化工具
简介论文提出 AT-AT，一种离线优化共享工具集的方法：用一个轻量编码智能体阅读历史执行轨迹和评估结果，有选择地修改工具描述（在允许时也修改实现），智能体本身保持不变。在 τ²-bench-verified 的航空和电信领域，其任务完成率最高；在 TerminalBench-2 和 TBLite 的留出测试中也有提升；应用于大型企业的三个生产 MCP 服务器时，成本或工具错误率均有降低。
Exploring perceptual straightness in learned visual representations
说明探索学习得到的视觉表征中的感知平直性
简介人类以一种“平直化”的编码方式表示随时间变化的自然视觉世界，即帧间变化在表征空间中越深层越呈线性路径。本文研究网络结构、不同类型的鲁棒性、受生物启发的滤波机制与时变输入下表征平直性之间的关系。结果显示，对抗训练使CNN和Transformer的表征更平直，但这种效果依赖任务，且平直性有助于类别预测的时间稳定性，而对分割和帧预测任务并不有利。
Curriculum-Guided Acquisition of Hierarchical Task Knowledge from LLM-Generated Experience
说明基于大语言模型生成经验的分层任务知识课程引导式获取
简介本文研究在HTN学习框架中，如何通过课程引导获取分层任务知识。作者比较了三种方式：解题过程中的在线学习、人工设计的课程，以及从经过验证的大语言模型解题轨迹中自动生成课程的方法。结果显示，自动生成的课程在多个规划领域中保留了专家设计课程的大部分效果，同时显著降低了在线获取分层知识的令牌开销。
Benchmarking Obstacle-Conditioned Safety in Household Robot Navigation
说明家用机器人导航中基于障碍物语义的安全运动基准测试
简介论文提出OSMA-Bench基准和语义敏感指数（SSI），用于检验机器人在家庭导航中是否能依据障碍物类型调整与其保持的间距、速度和平顺性。测试发现，基于VLM和视觉-语言-动作（VLA）的策略即使有明确安全提示，也无法稳定地把障碍物的安全差异体现在运动参数中。作者认为，在识别与生成导航程序之间加入显式参数推断步骤可以改善这一情况，并指出语义到运动的落地存在差距。
★★★★☆ 值得关注
Agent Memory as Recommendation: Recommender-System Design for Long-Term Memory of LLM Agents
说明智能体记忆即推荐：面向大模型智能体长期记忆的推荐系统设计
简介本文把大模型智能体的长期记忆选择形式化为预算约束下的列表推荐问题，将请求视为用户、存储的记忆视为物品、上下文窗口视为展示列表。作者提出AgentMemRec，借鉴推荐系统的候选生成、排序学习和列表构建，无需任何大模型调用即可选择记忆。在LongMemEval的多会话问题上，该方法在准确率上优于包括A-Mem、HippoRAG 2、DynamicRAG和T-Mem在内的方法，并在LoCoMo上优于Mem0和Zep。
看点将智能体记忆形式化为预算化推荐并引入推荐系统级联设计，在多会话问答上以无LLM调用方式超越多种基线，证据较充分。
Hierarchical Task Network planning in the Goal Lifecycle
说明目标生命周期中的层次任务网络规划
简介本文研究能否用层次任务网络（HTN）规划统一实现目标生命周期这一目标推理流程，使智能体在动态环境中持续调整目标。作者提出新的目标推理智能体架构，在形成、扩展和重新扩展等阶段都采用HTN规划，并用增强的HTN动作表示处理预期与实际结果的差异。仿真实验表明，该架构使模拟自动驾驶车辆能在动态环境中自适应地执行任务。
Video World Models Need Predictable Latents
说明视频世界模型需要可预测的潜在表示
简介本文研究用于机器人视频世界模型的潜在空间设计。作者发现，结合时间目标的表示学习与基于过去帧条件的解码器架构，可在相同训练预算下改进生成式视频世界模型。原文报告推理速度最高可提升5倍、训练速度提升超过7倍，并在分布外和长时程预测中降低像素与感知误差。
StreamVibe: Proactive Video Agents for Evolving User Intent
说明StreamVibe：面向动态用户意图的主动视频智能体
简介本文提出 StreamVibe-Bench 基准，包含 4.1K 评测样本和 85K 训练样本，涵盖显式、隐式和动态三类用户意图。作者据此开发了流式主动模型 StreamVibe-VL，能从连续观察中推断隐式意图并随意图变化调整交互，并配套 StreamVibe-Harness，通过分层记忆持续维护用户意图状态。实验显示，该模型在响应时机和回答质量上比基线提升 10.7%，主动交互效果提升 12.3%。
AdaTutor: Adaptive Tutoring through Pedagogical Strategy Selection
说明AdaTutor：通过教学策略选择实现自适应辅导
简介该论文提出了比较式教学监督（CPS）训练框架，用于学习在辅导过程中为学生选择最合适的教学策略和反馈。研究在数学和科学推理数据集上进行评估，经过五轮辅导后，CPS 优于表现最强的固定策略基线。学习到的辅导模型可跨数据集迁移，其策略选择也能为基于 API 的另一辅导模型提供参考。
Thinking-in-Bets at Test Time Reduces Sycophantic Revisions in LLM Agents
说明测试时的“下注式思考”可减少大语言模型智能体的谄媚式修正
简介该论文提出 Thinking-in-Bets，一种无需训练的方法：智能体在阅读用户反馈前，先写下主要结论、支持它们的检查及置信度，被质疑时据此保留已验证的工作。在五个 Gemini 模型和八个基准上的实验显示，事前记录结论能显著减少错误的反转与不必要的文件修改，并提高非交互任务中的答案准确率与置信度估计。
Heard Enough to Act: Early Tool Calling in Spoken Dialogue Systems
说明听够即行动：口语对话系统中的早期工具调用
简介论文针对语音智能体何时应开始调用工具的问题，提出一条合成口语对话数据管线，标注请求与工具及必要参数何时已可被确认的最早时间点。作者构建了26,694段对话（共786小时，涵盖48个领域）并训练全模态语言模型，可按音频块做因果决策。结果显示工具状态宏F1在保留对话和外部基准上分别为0.48和0.47，正确调用相比回合结束后调用平均提前约1.1至2.0秒。
Dream to Assist: Intent-Conditioned World Models for Shared Vehicle Control
说明梦中协助：面向共享车辆控制的意图条件世界模型
简介该论文提出 Dream2Assist，一个基于模型的强化学习框架，用于人机共享驾驶控制。它在循环状态空间世界模型中加入意图推断，使辅助策略能预判并支持人的离散目标，同时不覆盖人的操控。研究在高速赛车（30 人）和城市驾驶（10 人）两类场景中开展人体实验及初步车载部署，结果显示意图条件化提升了扭矩对齐度并降低了碰撞率。
RobotAgentBench: Towards Open-world Robot Autonomy
说明RobotAgentBench：面向开放世界的机器人自主能力评测基准
简介该论文提出 RobotAgentBench（RAB），用于评测机器人智能体在真实感开放世界家庭环境中的表现。基准通过人机协作的真实到仿真流程构建了 50 个家庭场景，包含 90 个原子任务、18 个短程任务、8 个长程任务和 4 个开放式场景。评测从任务发现、情境推理、操作、故障恢复和鲁棒性五个维度进行，并比较了独立的 VLA/WAM 模型与不同智能体架构，结果显示操作能力与自主能力之间存在明显差距。
Regional prediction of hematoma expansion from non-contrast computed tomography in spontaneous intracerebral hemorrhage patients
说明基于非增强CT的脑出血血肿扩大分区预测研究
简介本研究利用ERICH研究数据开发、VISTA数据验证了一种基于非增强CT（NCCT）影像的可解释区域模型，用于预测自发性脑内出血的血肿扩大。方法通过运输形态学（TBM）从影像中提取特征，并用线性分类器建模，按叶、基底节、丘脑分区。结果显示，验证集上综合区域模型的AUROC为0.787，优于临床医生判断及其他机器学习方法。
★★★★☆ 值得关注
SlowLab: Benchmarking Autonomous AI Agents on a Year of Experiments They Cannot Undo
说明SlowLab：在一年不可撤销的实验中评测自主AI智能体
简介该论文提出SlowLab基准，让AI智能体在模拟温室的一年实验周期中，决定种植时间、气候策略、是否中止作物以及读取哪些测量数据，最终推荐一种策略并由私有评估器打分。在48个未见场地的预注册研究中，三种低成本语言模型智能体的结果接近标准种植设置，明显低于从该设置出发的贝叶斯优化基线。论文还指出，这些智能体以两个同步批次运行设施，季节中的测量并未改变种植决策。
看点提出以一年周期、不可逆实验为核心的智能体基准，并以预注册研究在48个未见场地验证，新颖性较突出；影响面主要限于智能体评测子领域。
InferPriv: Evaluating Inferential Privacy Leakage in LLM Assistants
说明InferPriv：评估LLM助手的推断性隐私泄露
简介本文提出InferPriv基准，用于检测诚实但好奇的接收方能否从LLM助手在日常任务中的回复推断出用户的敏感属性。研究评估了五个前沿模型，发现推断性泄露明显超过直接泄露。即使在隐私感知的系统提示下，多个模型的直接泄露接近零，但推断性泄露率仍处于较高水平。
Cross-Loop Query Handoff: How Later Loops Redirect Two-Hop Retrieval in the Ouro Looped Language Models
说明跨循环查询交接：后续循环如何重定向Ouro循环语言模型中的两跳检索
简介该论文研究预训练循环语言模型Ouro-1.4B和Ouro-2.6B中，后续循环如何修复两跳检索。作者在相同层、注意力头和提示末位之间移植注意力查询，发现在合成问题上，注入第3循环的查询可挽救大部分在第1循环答错、第3循环答对的问题。结果说明存在可迁移的晚期循环查询集合，但并未定位桥接实体的计算位置，也未证明单向量交接。
★★★★☆ 值得关注
Intrinsic Goals for Autonomous Agents: Hierarchical Exploration Captures Future Volitional Action in Drosophila
说明自主智能体的内在目标：分层探索预测果蝇未来的自主行为
简介研究者结合果蝇全脑神经记录与神经力学数字孪生，检验优化内在目标能否生成与果蝇行为和神经表征相符的智能体。在无外部奖励条件下训练了20种内在动机算法，其中分层竞争性算法DIAYN在行为与神经前瞻性编码上表现最好，其潜在活动也较好地再现了左右半脑运动学编码的和差规则。
看点将内在动机强化学习与果蝇全脑记录及神经力学数字孪生结合，用DIAYN等算法复现未来转向的神经表征，新颖且证据较扎实，影响主要限于计算神经科学。
AgentProofBench: Benchmarking Reusable Verifiers for Web Agents
说明AgentProofBench：面向网页智能体可复用验证器的基准测试
简介这篇论文提出 AgentProofBench，用于评估网页智能体的可复用验证器，即在需求变化后仍能遵循同一验收规则并支持后续执行的机制。基准包含 97 个任务、79 个任务族和 4 个网页服务。基于 DeepSeek Flash 与 Pro 的实验显示，在 48 个任务族中，完整面板与决策重放测试分别保留了 96 个源程序中的 82 个（Flash）和 79 个（Pro）。
CodeMeepo: A Multi-Agent Workflow for Repository-Level Code Migration and Optimization
说明CodeMeepo：面向整个代码仓库迁移与优化的多智能体工作流
简介该论文提出 CodeMeepo，一套用于大型代码仓库整体迁移到新编程语言的多智能体流水线，目标是在保持原有行为的同时完成迁移。系统以固定的外部测试标准逐阶段验证，并通过一致性检查补齐遗漏功能，还包含性能优化阶段。作者称，在九个项目、三组语言对的测试中，该方法通过率均为最佳，并在同一模型下比一种先进的多智能体基线多通过 18% 的测试。
RIDE-Splat: Reflection Removal for In-the-Wild Driving Environments
说明RIDE-Splat：面向真实驾驶场景的挡风玻璃反光去除三维重建
简介论文提出 RIDE-Splat，用于从带位姿的行车视频中重建三维场景并去除挡风玻璃反光，无需干净图像、反光掩码或预训练网络。方法分两阶段：先学习三维几何与带符号的反光图像，再用去除反光的训练图像拟合干净的 3DGS 模型。论文还发布了首个针对行车视频反光去除的三维重建基准数据集 RIDE-Splat Dataset。
Entity Matching using Decision Models
说明使用决策模型进行实体匹配
简介实体匹配用于判断两条记录是否指向同一现实实体。本文研究决策模型（对每个预定义选项返回概率而非生成文本）作为生成式大模型与微调预训练语言模型的替代方案。作者在八个基准上以零样本方式评测六个决策模型，并与生成式大模型 GPT-6 Luna 和基于预训练模型的 Ditto 比较。结果显示，最强的四个决策模型平均 F1 接近 GPT-6 Luna，且比 Ditto 在八个基准中的六个上表现更好。
★★★★★ 值得关注
Online Fair Division with Frequency Predictions
说明基于频率预测的在线公平分配
简介该论文研究在线场景下不可分割物品在多名参与者之间的公平分配。算法在物品到达前已知每位参与者估值的多重集合，但不知道到达顺序及不同参与者的估值如何对应。论文给出在三到四名参与者时可保证的近似无嫉妒（EF1）结果，而五名及以上参与者时无法保证任何正的近似，并给出了多项计算与噪声预测下的相关结果。
看点提出了在频率预测下在线公平分配的完整可行性边界，证明了n≤4时可近似EF1、n≥5时不可能，证明严格且结论清晰，对子领域影响较大。
★★★★☆ 值得关注
One Mean Log-Mel Vector per Phoneme: Simple and Fast Text Injection for Speech Recognition
说明每个音素一个平均对数梅尔向量：语音识别中简单快速的文本注入方法
简介本文提出用查找表代替神经语音合成模型，为每个音素生成平均对数梅尔向量，用于语音识别训练中的无配对文本注入。该方法训练速度比神经语音合成快1.8倍，词错误率相近。加入外部语言模型后，在LibriSpeech数据上取得了作者所知仅使用LibriSpeech配对数据、文本和词典时的最优结果。
看点用查表式均值对数梅尔向量替代神经TTS进行文本注入，训练快1.8倍且性能相当，新意在于简化合成输入；在LibriSpeech与25000小时数据上做了充分实验与组件分析。
P2P-Former: Bridging the Supervision Gap Between Point and Proposal in Temporal Action Localization
说明P2P-Former：弥合时序动作定位中点监督与提案监督之间的差距
简介该论文针对时序动作定位中仅用单帧点标注的弱监督方法，与全监督方法之间存在性能差距的问题，提出基于 Transformer 的 P2P-Former 框架。框架包含点感知提案生成策略、点引导语义增强模块和点到提案约束损失，用于生成伪标注提案并融合点标注信息。作者称在 THUMOS14 与 ActivityNet-1.3 数据集上，该方法优于若干现有先进方法。
Valid Early Detection of Memorization in Diffusion Models
说明扩散模型记忆现象的有效早期检测：利用序列监测与轨迹级校准，在去噪过程中尽早识别模型复现训练样本的情况
简介该论文研究扩散模型在训练数据中的记忆现象（即复现训练样本）的早期检测方法。作者比较了两种结合分裂共形校准与序列监测的方式：逐步Bonferroni校准，以及直接对轨迹最大记忆分数进行校准。实验基于无条件CIFAR-10 EDM模型，结果显示序列监测优于固定时间检测，轨迹级校准在检测能力相当的同时，能更有效地使用误报预算，并在较高噪声水平下更早发现记忆现象。
★★★★☆ 值得关注
CSI-TextBench: A Dataset and Benchmark for Language-Grounded Ambient Sensing Perception
说明CSI-TextBench：面向语言的环境无线感知数据集与基准
简介论文提出CSI-TextBench，一个将WiFi信道状态信息（CSI）与自然语言对齐的大规模数据集和基准，整合3个感知基准，共285,790个样本、7项任务，并配以2,291条层级描述。作者比较了4类范式中的5种对齐方法，发现对比式CSI-文本对齐无需类别标签即可匹配监督分类器，并能用少量样本适应未见类别、响应开放词汇提示。统一模型在140种复合场景上达到86.9%的top-1准确率，优于任务专用分类器集成。
看点将WiFi CSI与自然语言对齐，构建大规模数据集并比较五种对齐方法，证据较充分，对子领域有实际价值。
A Battery for AI Propensity Measurement: Rubrics, Synthetic Item Banks, and Annotations
说明AI 倾向性测量的题库：评分标准、合成题库与标注
简介该论文发布了一套包含 28 项倾向性的测量工具，涵盖专家撰写的评分标准、合成数据集以及标注的需求区间。其倾向性选取借鉴了心理测量学、心理学与行为学研究，便于将实验结果与人类行为研究中的既有概念对照理解。合成数据集被设计为仅对单一倾向性敏感，便于快速构建倾向性画像。
How Much Graph Is Too Much? Graph Construction and Exposure in Spatio-Temporal Forecasting
说明图的用量多少才算过多？时空预测中的图构建与暴露方式
简介该论文研究时空图神经网络中图邻居信息是否能在节点自身历史之外提供预测价值，并考察图的构建方式与图信息进入时序模型的方式。研究在美国州失业率、交通速度和电力需求三项任务上进行，以只使用自身历史的GRU和随机图作为对照。结果显示，加入融合门控的后期整合在三项任务中平均误差更低，而基于残差相关性构建的图在测试图中平均误差最低。
★★★★☆ 值得关注
Do Words Matter? What Text Contributes to Few and Full-Shot Vision-Language Anomaly Detection
说明文本提示的作用：语义还是几何？视觉-语言异常检测中的少样本与全样本研究
简介该论文探讨视觉-语言异常检测中，文本提示（锚点）对检测器的贡献究竟来自语义内容还是几何结构。研究证明，对单个锚点对而言，其作用主要是有效尺度；在七个医学数据集及多种设置下，尺度匹配的随机或正交锚点与正确提示表现相当。当多个类别共享适配器时，锚点的整体排列也起作用，部分无语义的旋转还能提升工业基准上的表现。
看点证明单一锚点对下只通过差向量长度起作用，并以多数据集实验验证，挑战了语义归因的常规认知，新颖且证据充分。
Audio-R1: Audio Reasoning through Reinforcement Learning on Self-Supervised Tasks
说明Audio-R1：基于自监督任务强化学习的音频推理方法
简介本文提出Audio-R1，一种强化学习后训练框架，把音频自监督学习任务中自动生成的答案作为可验证奖励，用于提升大型音频语言模型的音频理解与推理能力。实验显示，在多个模型和多种音频基准上性能均有稳定提升，并且在与训练任务不同的下游任务上也有进一步改善。
FlexiMIND: Combined Pretrained Vision Features and Local Structure for Training-Free Deformable Medical Image Registration
说明FlexiMIND：结合预训练视觉特征与局部结构的免训练可变形医学图像配准
简介本文提出FlexiMIND，一种无需训练、无需标签的两阶段医学图像可变形配准框架：先用冻结的FlexiCT-2D编码器特征建立上下文对应关系，再用MIND-SSC在ConvexAdam中细化形变。作者在CT-CT、MR-MR和MR-CT三类数据集上比较了五种特征耦合策略。结果显示，在15组比较中仅四组优于参考方法，最大Dice提升为0.0043，而部分策略的TRE最多恶化20.6%。
An Agentic AI Workflow for Liver Lesion Segmentation and Structured Radiology Reporting
说明用于肝脏病灶分割与结构化影像报告的智能体式AI工作流程
简介该论文提出一个基于证据的智能体式AI框架，将肝脏和病灶分割与确定性量化计算及结构化报告生成相连接。系统用nnU-Net模型分割肝脏、Couinaud分段和病灶，再由工具提取体积、尺寸、数量和位置，并由大语言模型按预定义模板组织报告，同时与源测量数据做数值一致性校验。在51例LiTS病例上，肝脏Dice得分为0.947，病灶敏感度为75.6%，阳性预测值为68.9%；对25,494份MERLIN报告的探索性筛查中，10,208份（40.0%）含肝脏相关异常。
Finetuning Prompt-Based Image Editor for Geometry-Consistent Room Defurnishing
说明基于提示词图像编辑器微调的几何一致性房间去家具化方法
简介这篇论文研究如何从单张房间照片中去除家具并生成空房间图像，用于增强现实和虚拟布置等应用。作者提出一种训练方法，在2500对带家具与空房间的图像上微调FLUX.2的LoRA适配器。结果显示，该方法在保持高纹理真实感的同时，显著提升了房间三维几何结构的一致性。
Does the Outfit Change the Price? Context Halo in Vision-Language Model Valuation of an Identical Low-Cost Necklace
说明穿搭会改变价格吗？视觉语言模型对同一条廉价项链估价时的情境光晕效应
简介研究者将同一条2.43美元的金色项链拍成四种场景照片（正式服装、派对、休闲装于回收场、平铺无人），让六个前沿语言模型估价。在能处理图像的四个模型中，正式服装照片的估价是平铺照片的1.9至3.3倍，且所有比较均显著（p<0.01）。纯文字描述版本也出现类似差异，说明效应不依赖像素；平铺照片本身的估价已是收据价的7.8至18.7倍。
Sparse Sum-of-Squares Layers for Certified Learning
说明用于可验证学习的稀疏平方和层：让神经网络训练时保留可证明的约束保证
简介该论文提出稀疏平方和（SOS）层，这是一种可微分的组件，通过半定规划为多项式不等式提供形式化证明。其反向传播复用前向求解的稀疏结构，相比现有方法最高可加速2.7倍，内存占用约降低近100倍（1.7 GiB 对比 160 GiB，针对较大规模的稠密参数化测试）。实验涵盖摆锤控制、机器人投影、位姿图同步等多个任务，并报告在未见过的问题实例上认证违规数为零，同时比有限差分法减少约7倍的优化求解次数。
HARP-LoRA: Hierarchy-Conditioned Rank Projection for Low-Rank Adaptation in Scientific Table Understanding
说明HARP-LoRA：基于表头层级条件的低秩适配方法，用于科学表格理解
简介该论文提出HARP-LoRA，一种在低秩适配中利用行、列表头层级信息来条件化低秩投影的方法，用于科学表格理解，尤其是药代动力学（PK）表格的信息抽取。方法在保持预训练模型和随机投影张量冻结的前提下，仅使用较少的可训练参数。论文在950张人工标注的PK表格以及WikiTableQuestions数据集上评估，结果显示其相较LoRA在抽取和推理任务上均有提升。
Large Language Models: A Plain-Language Overview for Engineers
说明大语言模型：面向工程师的通俗概述
简介本文面向工程师，用通俗语言介绍大语言模型（LLM）的基本原理，包括 Transformer、预训练、基于人类反馈的强化学习微调、检索增强生成（RAG）、思维链提示和工具调用智能体等方法。文中还介绍了 FlashAttention 与 QLoRA 等降低成本的技术，并附上评估 LLM 结论时需要注意的检查清单，例如数据污染、LLM-as-a-judge 评分、长上下文与幻觉问题。
HobbyLM: A Sparse Mixture-of-Experts Model Family on a Hobby Budget
说明HobbyLM：在业余预算下训练的稀疏混合专家模型系列
简介论文介绍 HobbyLM，一组用租用 GPU 从零训练的小型稀疏混合专家（MoE）模型。核心为解码器 Transformer，配合细粒度专家、无辅助损失的负载均衡等设计；其 500M 参数模型被扩展为对话、扩散语言、智能体及多模态等多种版本，并在笔记本 CPU 上运行。作者还训练了 1.04B 参数的 HobbyLM-1B，并提出 333M 参数的图像生成扩散模型 HobbyLM-Image。
Rethinking Verification in Agent Harnesses
说明重新思考智能体框架中的验证机制：独立审查作为测试时扩展的实用方式
简介该论文研究智能体框架（harness）中的验证机制，比较了四层生命周期中的17种设计，涵盖初始指令、执行中提醒、完成门控和独立审查，并在七个前沿编程模型上测试。结果显示，独立审查在准确率与成本之间的权衡更为有利，并提出了新的视觉交互成果评测基准VisualBench。
Cumulative Marginal Matching for One-Step Diffusion
说明一步扩散模型的累积边缘匹配方法：用于在少数步甚至单步内完成生成的训练目标
简介扩散与流匹配模型生成时需要数百步去噪，推理耗时。本文提出累积边缘匹配（CMM），在整条生成轨迹上直接优化少步模型与基础模型边缘分布之间的 Wasserstein-2 距离，并借助流匹配的推前表示将其转化为可用中间边缘样本优化的替代目标。作者还证明已有的 Shortcut-CSL 目标是 CMM 的一阶近似，并称在相同训练预算下，生成质量优于 Shortcut-CSL 及其他一步、少步基线。
Conditional Diffusion Generation of DVL and Inertial Signals for Underwater Navigation
说明用条件扩散模型生成水下导航所需的 DVL 与惯导信号
简介自主水下航行器（AUV）无法使用卫星定位，依靠多普勒速度计（DVL）和惯性传感器估计运动。训练相关深度学习方法通常需要昂贵的海试数据，本文提出一种条件扩散框架，生成合成的 DVL 与惯导信号来替代真实录制数据用于训练。在真实数据集的13条轨迹上，生成信号与指定条件的 Pearson 相关系数在 0.72 至 0.997 之间，并能迁移到未参与生成器训练的轨迹。仅用生成信号训练的 BeamsNet 速度估计器，其速度误差与使用全部真实数据时相当。
RefinedGAW: A Refined German Academic Web Dataset
说明RefinedGAW：经过精炼的德语学术网页数据集
简介该研究基于德语学术网页（German Academic Web）的26次半年度爬取，构建了一个经过处理和标注的德语文本数据集RefinedGAW，共含1.22亿篇文档、3140亿词元。其中被标为学术研究的内容占德语词元的84%，并包含大量教育类、数学类和专业类内容。论文还发布了可查询的元数据索引和源文档重建工具。
Agentic AI Orchestration Framework for Spatial Intelligence: Supply Chain Deployment
说明面向空间智能的智能体编排框架：供应链部署
简介本文提出ANASSA参考架构，整合结构化推理、多智能体工作流编排、权威空间基准校验和反馈驱动执行，并报告其在一条海运与内陆货运线路供应链中的部署。系统设置两道阻塞式人工审批，并在三个月试点的三轮迭代中报告数据质量提升25%、空间工作流运行时间减少50%、决策延迟降低60%。作者说明这些是非对照的部署观察，并提出了机制层面评估的方案。
★★★★★ 值得关注
Error Diffusion Replaces Latent Weights: Training Binary-Weight Language Models on a Few Bits of Dithered State
说明误差扩散取代潜在权重：用少量比特的抖动状态训练二值权重语言模型
简介二值权重语言模型通常为每个权重保留全精度潜在副本和Adam状态，训练开销很大，部署后难以在设备上继续适应。本文用2到8比特的随机舍入残差缓冲区取代潜在权重，使每个权重的训练状态从97比特降至3到9比特，并提出误差扩散（ED）优化器，在阈值与量化网格对齐的条件下训练效果接近潜在权重基线。
看点将图像半色调的误差扩散迁移到权重更新，用2-8位残差缓冲替代全精度潜在权重，并在多规模语言模型上验证，新颖且证据较充分。
FlockWorld: Toward Population-Scale Multi-Agent Video World Models through Artificial Life Simulation
说明FlockWorld：通过人工生命模拟迈向群体规模的多智能体视频世界模型
简介本文提出FlockWorld，一个基于Reynolds Boids算法的人工生命环境，用于研究群体规模的多智能体视频世界模型，可同步渲染各智能体的第一视角画面。作者还提出FlockDiT，一种以流匹配训练、支持动作条件的潜在扩散Transformer，用于为多个智能体联合生成同步的第一视角视频。论文称，联合生成有助于高密度设置下的智能体检测，扩散强制可提升推演保真度。
Recursive CLIP: Vision-Language Distillation with Looped Transformer Blocks
说明Recursive CLIP：用循环复用 Transformer 模块做视觉-语言蒸馏
简介该论文研究 CLIP 类视觉-语言模型能否把各层独立的 Transformer 模块改为循环复用，同时保留其可迁移能力。作者设计了仅视觉编码器循环（rCLIP）和文本编码器也循环（r²CLIP）两类模型，在 CC3M、CC12M 上分别进行直接对比训练与从 DFN-2B 预训练的 ViT-B/16 教师模型蒸馏。结果显示，CLIP 能承受较大程度的循环模块复用，效果依编码器和下游任务而异，同时参数量更少。
GRASP: Group-Adaptive Hybrid RL-SFT Post-Training for Medical VQA without Reasoning Annotations
说明GRASP：无需推理标注的医学视觉问答组自适应RL-SFT混合后训练方法
简介该论文针对医学视觉问答数据稀缺、仅有简短答案且缺乏推理标注的问题，提出GRASP方法，在每次更新中结合强化学习与监督微调，仅使用简短答案训练。作者称，仅用LoRA微调约1%参数，GRASP在领域内及分布外开放式问题上均优于所比较的训练目标，并发布了包含12.9K个简短答案问题的数据集MedTerse。
★★★★☆ 值得关注
How Much Information Can We Fit inside a Transformer?
说明Transformer 能记住多少事实？一项关于记忆容量与模型规模关系的实验研究
简介该论文研究 Transformer 模型能高效存储多少事实性知识。作者通过贝叶斯优化搜索超参数，在随机独立的三元组合成数据上测量能完全记住数据集的最小模型规模。结果显示，记忆容量随 Transformer 的隐藏维度呈指数增长，所需最小维度与事实数量呈对数关系。增加层数时，可记忆数据集规模则呈次线性增长。
看点通过贝叶斯优化的系统实验，发现记忆容量随Transformer维度呈指数增长，对已有线性结论形成实质修正，证据较扎实，对该子领域影响较大。
HIFI: A Highly Efficient Framework for Statistical Inference with Foundation Models
说明HIFI：一种利用基础模型进行统计推断的高效框架
简介论文提出 HIFI，一个两阶段微调框架，用于对条件均值等参数做统计推断。第一阶段在较大样本上一次性适配基础模型以控制估计偏差；第二阶段在较小独立样本上用多个轻量参数高效微调估计器拟合残差，以量化估计变异性。实验显示其在视觉和文本任务中可保持准确点估计与校准良好的置信区间，训练计算量相较直接重采样最多减少 91.9%。
MOFjson: An Explicit Topological Representation of Metal-Organic Frameworks for Language Models
说明MOFjson：面向语言模型的金属有机框架显式拓扑表示格式
简介语言模型处理金属有机框架（MOF）时，常用的格式要么是无结构的坐标列表，要么是缺乏空间信息的字符串标识符。本文提出 MOFjson，将结构数据分为原子层（含显式键位移向量）和派生层（展示次级构筑单元与网络拓扑）。作者还构建了基于晶体真实数据的四类问题基准测试，结果显示 MOFjson 在各类问题上均优于三种基线方法。
VTC-AUDIT: An Interventional Reliability Audit for Visual-Token Compression under Paired Image Shifts
说明VTC-AUDIT：视觉令牌压缩在成对图像偏移下的干预式可靠性审计
简介论文指出，视觉令牌压缩通常只看干净图像上的准确率和效率，无法发现压缩在图像偏移下新增的失败风险。作者提出VTC-AUDIT框架，在完整模型与压缩模型均判断正确的样本对上估计这种增量风险，并在三个开源视觉语言模型、四项任务和八种偏移下进行审计。结果显示，在偏移图像上重新选择保留位置会在全部六种设置中提高失败率；支持集不稳定性作为排序信号较弱，压缩模型的干净输入不确定性则更有信息量。
Joint Independence Testing for Latent Position Random Graphs
说明潜在位置随机图的联合独立性检验
简介本文针对潜在位置随机图（LPRG）提出一种图希尔伯特-施密特独立性准则（GHSIC），用于度量M≥2个图之间的独立性。该估计量基于邻接矩阵的谱分解，理论上可达到约O~(n^(-1/3))的收敛速率，且无需选择核函数及其超参数。合成数据和自然语言感知中脑功能连接子网络的实验验证了该方法的有效性。
STEP: Soft Trajectory Estimation of Prediction Correctness via Per-Step Probability Scoring
说明STEP：通过逐步概率评分估计预测正确性的软轨迹方法
简介这篇论文提出 STEP 方法，在没有标准答案的情况下，判断大语言模型预测是否正确。该方法无需训练，通过轻量的前向计算为每个推理步骤给出对候选答案的软概率分布，并据此提取反映逐步置信度及其走向最终答案过程的特征。在多个基准上的实验显示，相比只看输出结果的基线和二值化轨迹方法，它在 AUROC 指标上有稳定且明显的提升。
Multi-view Semantic-aware Resource Allocation for Edge AI
说明面向边缘AI的多视角语义感知资源分配
简介本文提出一种面向多用户边缘AI的端到端语义感知资源分配框架。作者将机会信息瓶颈（OIB）扩展为多视角高斯信息瓶颈（MGIB），在不做变分近似、无需重新训练网络的情况下融合多个互补的信源视角。随后将压缩等级选择、传输模式选择和PRB分配联合建模为混合整数线性规划（MILP），并用拉格朗日松弛（LR）算法求解。仿真显示，该方案的效用接近最优，PRB效率约为平均分配的两倍。
Acute Stroke Classification Using Asymmetric Data Standardization and Orthogonal-Focal Loss Optimized CNN-ViT Cross-Attention Fusion: A Multicenter External Validation Study
说明急性卒中分类：基于非对称数据标准化与正交-焦点损失优化的CNN-ViT交叉注意力融合，多中心外部验证研究
简介本研究提出一种模拟急诊分诊流程的分层计算机辅助诊断系统，用于区分缺血性与出血性卒中。系统以放射学Hounsfield单位窗口构建三通道预处理，输入CNN与ViT骨干网络，并采用正交-焦点损失优化的交叉注意力融合网络。内部数据集F1分数为95.48%，但在AISD、BHSD、PhysioNet多中心外部验证中降至58-62%区间，作者认为这反映了内部验证的假象；模型对缺血性卒中的敏感性较低，且易出现出血误诊。
How Humans Learn Unfamiliar Worlds: A Think-Aloud Dataset on ARC-AGI-3
说明人类如何学习陌生世界：ARC-AGI-3 出声思考数据集
简介该论文构建了一个数据集，记录人类在 ARC-AGI-3 测试环境中探索并理解新机制的过程，包含 64 名参与者的 144 条轨迹以及大语言模型智能体的 250 条轨迹。研究对机制识别、行动目的与错误恢复进行标注，并比较人类与大模型的认知特征。结果显示，人类成功轨迹中定性表征的比例高于大模型（50.0% 对 14.3%）。
Conviction Without Evidence: Verdict Stability Is Independent of Visual Grounding in Medical Vision--Language Models
说明无证据的坚持：医学视觉语言模型中的判断稳定性与视觉依据无关
简介该论文研究医学视觉语言模型在问答中是否依赖诊断图像。作者用空白图像替代真实图像，并对60道意大利国家考试题施加两种对抗压力，比较模型答案被推翻的比例与动态变化。结果显示，无图像支撑的判断并不更脆弱；模型常在空白图像下仍坚持答案，且常用的认知信号无法区分有依据与无依据的诊断。
TRIAGE: Efficient Vision-Language-Action Inference Needs Both Reuse and Pruning
说明TRIAGE：高效视觉-语言-动作模型推理需要同时复用与剪枝
简介本文针对运行在机器人嵌入式板卡上的视觉-语言-动作（VLA）模型，提出训练免费的加速方法TRIAGE。研究发现，跳过的视觉令牌应按其特征漂移程度决定复用或剪枝：漂移低于阈值时复用，否则剪枝。TRIAGE在固定计算预算内分配重算、复用与剪枝，在LIBERO和SimplerEnv上平均成功率接近完整重算，并在Jetson AGX Orin上最多降低48%的预填充延迟。
Ambiguous Fits: The Rashomon Effect and Challenges in Scaling Law Estimation
说明模糊拟合：罗生门效应与缩放定律估计中的挑战
简介本文研究神经网络缩放定律的拟合环节。作者指出，常用的非凸拟合方法依靠局部优化，既不保证得到接近最优的解，也可能掩盖多组参数同样拟合良好的情况。作者证明标准拟合存在罗生门效应，即近似最优解对应的参数区域外推结果在大规模时差异很大。文章提出一种确定性的分支定界算法，可保证拟合损失接近最优，并系统地映射出对应的缩放曲线范围。
★★★★☆ 值得关注
The Price of Scale in Proactive Memory Recall
说明主动记忆召回中规模的代价：一篇关于记忆检索误报问题的论文
简介该论文研究长期运行的助手在未被询问时主动召回记忆的问题，把每轮是否打断用户视为多重检验问题。作者指出，随着记忆库规模N增大，命中率会在固定误报率下显著下降，并在LongMemEval与LoCoMo的流式回放中给出实验证据。此外，论文提出一种无需标签、具有有限样本误报保证的cue-swap保形门控方法。
看点将主动记忆召回形式化为多重检验问题并给出幂律衰减的显式常数，结合保形门控，在LongMemEval与LoCoMo上以多种嵌入模型验证，理论与实验相互印证。
Multimodal Requirements Traceability Link Recovery in Industrial Settings
说明工业场景中的多模态需求可追溯链接恢复
简介本文提出一种基于检索增强生成（RAG）的方法，用于恢复需求之间的可追溯链接，并能处理包含图片的工业需求。方法分别检索文本和图片候选，用视觉语言模型判断配对是否相关，并按模型输出的置信度过滤链接。在三组工业需求和六个公开文本数据集上的实验显示，工业测试集F1为0.310，高于复现的Hey等人基线方法的0.114；主要不足是图片查询时常常检索不到相关文本需求。
Best Policy Tracking in Reinforcement Learning
说明强化学习中的最佳策略追踪：研究训练过程中策略性能波动下如何选出最佳策略
简介该论文指出强化学习训练中策略性能会大幅波动，而常见的做法（报告最终策略或定期评估中的最佳策略）未必能选出训练过程中的最佳策略。作者提出事后诊断指标，在标准连续控制基准上比较不同选择方法的准确性与效率。结果显示常用做法可能明显偏离最佳策略，因此建议采用受计算成本约束的基于验证的策略选择方法。
CaliMem: Search-Efficient Data Agent via Calibrated Memory
说明CaliMem：基于校准记忆的高效搜索数据智能体
简介该论文指出，数据整理需要随下游模型和任务调整，固定流程并不可靠。作者提出CaliMem，让智能体在执行每个数据整理策略前先预测结果，再与实际结果比对，据此保留、修正或限定其结论。在生物和大模型后训练任务上，CaliMem优于固定整理基线和已发表方法，并超过全量数据训练，代码已开源。
Approximate Unlearning in Prototype-based-classifiers
说明基于原型分类器的近似遗忘学习：从已训练模型中移除特定样本影响的方法
简介论文针对广义学习向量量化（GLVQ）这类基于原型的分类器，提出一种鲁棒的近似机器遗忘方法，用于消除指定样本（如删除请求或噪声样本）的影响。作者分析了遗忘集大小和数据特征的影响，并改进方法使其对遗忘集特征更稳健。在六个表格数据基准集上，与重新训练相比，参数与性能偏差接近0，效率提升约6至10^5倍；实验仅针对二分类问题。
Certifying Distributionally Robust Decisions from Projection Observations
说明基于投影观测认证分布鲁棒决策
简介本文研究有限高斯投影实验，在固定的均值加标准差目标下，讨论仅凭一个标量测量如何得出鲁棒决策，而无需识别潜在协方差或所有决策风险。作者给出置信集认证方法，可返回决策或未决结果，并证明了其可靠性与必要的弃权条件。合成实验显示，所需样本预算与理论下界相比有一定倍数差异，但二者并非匹配界，且结论要求高斯复制假设成立。
What Effort Level Should I Choose? On the Economics of Reasoning Effort in LLM Agents
说明推理强度该选哪一档？论 LLM 智能体推理投入的经济学
简介本文研究大模型可调节的推理强度设置：更高强度通常意味着更高成本，但未必带来更好结果。作者在专有和开源模型上，用四个基准测试（涵盖单次推理与长时程智能体任务）衡量不同强度的实际效果。结果显示，更高强度会在某些低强度能解决的任务上失败，简单任务上成本可高达最低档的42倍，并改变智能体的解题方式。文中提出的替代策略是从最低强度开始，仅在验证失败后才升级，多数情况下表现不差于固定最高强度，且成本更低。
Efficient Proof Generation for Lean Statements with Multiple Candidate Answers
说明针对多个候选答案的 Lean 陈述高效证明生成
简介本文研究在 Lean 4 等形式化系统中，如何在上游求解器给出多个候选答案时高效生成可验证证明。作者提出联合证明框架，将候选答案选择、答案补充与形式化证明生成整合为单次推理过程。在 MATH-500、AMC 2023 和 AIME 2024/2025/2026 上，该方法与逐个候选生成证明的成功率相同，而 token 成本约为其六分之一，并能在无需额外评判器的情况下识别出至少 6.1% 的形式化陈述为不忠实。
★★★★☆ 值得关注
Models Verify Sufficiency, Not Validity: Usable Falsehoods Evade the Checks that Gaps Trigger
说明模型核查的是充分性而非有效性：可用的虚假前提能躲过缺口触发的检查
看点揭示模型在来源支持不变时，仅因未支持前提变得可用就跳过核查，并以多组对照与多模型验证，发现新的失效模式。
Intrinsic Gradient Barriers in Pushforward Deep Generative Models
说明推前式深度生成模型中的内在梯度障碍
简介本文研究推前式深度生成模型把简单源分布（如标准高斯）映射到复杂目标分布时的困难。作者证明，把对数凹源分布输送到重尾或多峰目标分布的推前映射，其梯度和雅可比矩阵必须有下界，因此困难来自输运问题本身。文中还提出简单的双射重参数化类，用于在以密度逼近为目标时减轻这些几何障碍，并以数值实验支持理论分析。
Data-driven Discovery of Lie Symmetries and First Integrals with Latent ODEs
说明用潜在常微分方程从数据中发现李对称性与第一积分
简介本文提出LatentLieODE方法，可从视频等时间序列观测中学习系统的低维潜在表示，并发现线性李对称性和学习动力学的第一积分。方法先用自编码器得到解相关的潜在坐标，再联合拟合线性无穷小生成元和潜在常微分方程，最后用网络生成第一积分。在六个基准系统上，发现的不变量与真实守恒量的相关系数绝对值不低于0.978，并在球面测地线上恢复了非阿贝尔的so(3)。
From Outranking Flow Scores to Linear Programs: Group Decision Making in PROMETHEE II
说明从超越流得分到线性规划：PROMETHEE II 中的群体决策
简介本文研究在绩效表固定时，PROMETHEE II 排序问题的逆向分析与群体共识分析。作者将净流得分重新参数化为基于加权偏好增量的线性表达式，从而明确权重与偏好函数如何共同影响排序。基于此，提出三类线性优化模型，并通过算例说明允许偏好函数变化会显著改变仅调整权重时的逆向分析结论。
EMMA: Structured Episodic Memory for Multi-Agent Workflow Synthesis
说明EMMA：面向多智能体工作流合成的结构化情景记忆
简介本文提出 EMMA 方法，把多智能体系统的配置（控制器路由、专家智能体及其提示、各步骤的程序性技能）视为情景记忆并进行更新。方法明确每次更新的归属与可接受范围：反思器将诊断出的失败归因到负责修正的模块，并在其范围内提出一项修改，独立于骨干模型的约束机制保证每次修改局限、渐进且有界。在 KramaBench、AppWorld 和 BBEH 三个基准上，EMMA 在五种骨干模型与四个基线方法的比较中均取得最佳总体表现，最高超过最强基线 32.5%，且所用训练执行次数比最高效的基线少 17% 至 38%。
Finite-Sample Sensitivity of Kernel Metrics for Generative Evaluation
说明核方法生成评估指标在有限样本下的敏感性研究
简介该论文研究了KID和KAD等核距离指标在有限样本下对生成样本变化的检测能力。作者在符号音乐、音频和图像的真实嵌入上进行置换双样本检验，发现默认配置在780个样本下几乎检测不到旋转变化，却能检测均值平移。文章建议报告核距离时应说明其样本量及在该样本量下能检测到的变化类型。
PhysCreator: Creating Physically-Attributed 3D Assets at Will
说明PhysCreator：从图像直接生成带物理属性的三维资产
简介该论文提出 PhysCreator 框架，可从图像直接生成可用于仿真的三维表示，其中空间各处的物理属性各不相同。方法不依赖逐实例优化，而是在统一的三维表示学习中同时建模几何、外观与物理属性，并借助视觉语言模型的材质语义先验进行体素级监督。实验称其在视觉质量、物理合理性和泛化能力上优于已有方法。
Extrapolating learned dynamics across bifurcations based on generalized synchronization
说明基于广义同步在分岔间外推学习到的动力学
简介本文研究如何利用训练好的模型在分岔前后外推动力学，以预测未见过的混沌行为。作者基于储备池计算中的广义同步框架，结合预训练的读出层构造重建公式，并借助经典拉格朗日插值理论给出读出误差与共轭残差的严格界。数值算例表明，该方法能够跨越分岔准确预测混沌动力学。