机器学习、人工智能、自然语言处理、计算机视觉、多智能体。
说明三位一体：面向多模态智能体的能力驱动递归自我改进框架
简介该论文提出 The Trinity 框架，通过 Creator、Explorer、Evolver 三个角色，将虚拟环境生成与 Harness（智能体运行框架）演化结合起来，并以共享能力需求而非表面类别组织任务。训练所得的 Harness 在 28 个训练基准上平均提升 34 分，在 18 个未见基准（包括两项真实世界具身任务）上平均提升 26 分。
说明Jaxnasium：借助 PyTree 实现跨环境套件、适配任意智能体的强化学习库
简介该论文介绍了基于 JAX 的强化学习库 Jaxnasium，旨在解决各环境套件接口不统一、算法只能适配单一类型空间的问题。它将观测与动作空间表示为 PyTree，使同一算法代码可运行于离散、连续、图像、复合空间及多智能体环境。库提供类 Gymnasium 的接口和 11 个套件的封装，可运行 300 多个环境，并支持多种子评估、超参数扫描等工具。
说明Rollback：世界模型中的经验回溯，用于改进机器人策略
简介该论文提出 Rollback 方法，把世界模型从仅向前推演的模拟器变为反事实推演工具：回退到关键决策点，分支尝试不同动作并比较结果，从而把成功归因到具体决策。系统将分布式世界模型搜索与真实机器人异步执行结合，并通过轻量级 LoRA 流程用真实经验修正世界模型动态。在三项真实任务上，成功率较最强基线分别提高约 10.67%、11.11% 和 11.85%。
说明逐个模式看质子结构：对一次深度非弹性散射拟合的神经正切核分析
简介本文用神经正切核（NTK）分析前馈神经网络在深度非弹性散射数据拟合部分子分布函数（PDF）时的训练动力学，将此前单味分析推广到多味情形。研究发现，只需NTK的少数主导模式即可重建目标PDF，数据噪声则由次要模式在训练后期学习得到。
说明无检索器的检索：用决策模型在文档中导航
简介该论文提出DecisionRAG，用预训练语言模型的决策能力代替传统的词法匹配或向量相似度检索。模型在一次前向传播中同时评估候选分支，无需生成任何词元，并像人在图书馆中浏览一样，从宽泛主题逐层深入到具体段落。原文报告，在无需任务训练或第一阶段检索器的情况下，其在MultiDoc2Dial和Natural Questions上的R@1/Hit@1分别超过使用8B重排序器的稠密检索13.8和17.4个点，每次查询耗时0.7至1.8秒。
说明Auto-Research Arena：语言建模中自主研究系统的基准与提升
简介论文提出Auto-Research Arena，一个用于评估自主研究系统并在语言建模中发现想法的多目标基准。它先判断结果是否合格（模型质量与资源约束），再在合格结果中按所选目标衡量进展。作者在语言模型预训练中设置了涵盖模型、数据、训练和推理效率的九个目标，评估了七种研究框架，并发现一个简单的顺序搜索基线优于若干复杂方法。
说明进化策略的质心解释：把参数更新看作奖励加权的质心位移
简介论文把进化策略（ES）的参数更新解释为几何上的质心位移：把每个扰动后的模型看作质点，奖励看作质量，更新方向指向奖励加权的质心。作者证明，对任意有限种群，去均值后的ES更新恰好等于该位移乘以一个标量系数。在大种群或对偶采样下，质心近似位于当前模型上，因此更新可直接理解为模型朝自身种群的奖励加权质心移动。
说明VibeVideoBench：评估多模态智能体通过代码生成视频的能力
简介该论文提出 VibeVideoBench 基准，用于评估智能体通过编写代码渲染视频与声音的能力，共包含 239 个英文和中文任务，涵盖 12 个类别。评估采用分层、基于证据的方式，并由三组视觉语言模型评审与人工偏好验证。在九个前沿智能体系统的测试中，即使表现最好的系统也在约四分之一的任务上未能满足核心要求，且多数失败源于渲染未能按时完成。
说明学习对力做出反应的人形机器人全身移动与操作
简介该论文提出FLORE框架，用于让人形机器人在移动的同时控制接触力。研究用带力传感器的手持夹爪和身体穿戴式追踪器采集无机器人演示数据，训练一个以视觉、本体感知和测得的力/力矩为输入的扩散策略，同时输出动作和双手的力指令。控制器通过力跟踪和混合柔顺的全身控制执行这些指令并保持平衡。在三项接触密集型任务中，该力反应策略的成功率为80%，而仅基于位置的策略为26.7%。
说明视觉模型是否“知道”三就是三？——论文《Do vision models know that three is three?》导读
简介这篇arXiv论文研究视觉编码器是否以线性方向编码抽象概念的变化，例如数字2到3或干净到脏的转换。作者测试了46个视觉编码器，涵盖10类概念，发现同一视觉情境内的概念方向几乎普遍存在，但不同情境之间未必共享同一方向，称为“碎片化线性”。研究还指出，局部线性较强的模型更容易突破这种碎片化，部分概念方向可跨情境作为线性探针使用。
说明关于学习稳定性的研究：梯度信号间歇可用时，学习可能不稳定
简介该论文研究在梯度信息含噪声且只能间歇获得的情况下，学习算法是否稳定。作者指出，即使平均学习动态收敛到正确的最优解，学习的方差也可能渐近趋于无穷。论文在单层与多层线性网络等可解析的设定中推导出学习稳定的显式条件，这些条件与随机梯度下降的既有稳定性条件不同。结论是，无偏的信用分配并不足以保证可靠学习，还需要足够频繁且有信息量的反馈。
说明FL4N：用于4D新视角合成的前馈潜在模型
简介该论文提出FL4N，是首个前馈式潜在4D新视角合成模型，用于渲染动态场景在不同视角和时间下的画面。它不依赖显式4D表示，而是在预训练的静态潜在先验上学习时间动态残差，并通过轻量动态编码器区分物体运动与相机视差。仅用图像合成目标训练，该方法取得了当前最优的4D新视角合成质量，并可实时渲染。
说明OSWAM：一步生成动作的高效世界动作模型，用于自动驾驶与具身控制
简介本文提出OSWAM，一种只需一步扩散即可生成动作的世界动作模型，用于自动驾驶和具身控制。作者用想象令牌（imagination tokens）替代随机噪声初始化，并引入带未来条件的特权信息蒸馏来增强未来感知。原文报告其动作质量与需要数十步去噪的基线相当或更好，速度约为直接策略WAM基线的3倍，在NVIDIA RTX 5090上延迟低至40毫秒。
说明面向鼻咽癌全程诊疗的大语言模型纵向评测基准
简介本文提出NPC-RubricBench，一个按诊疗阶段划分的基准，用于评估大语言模型在鼻咽癌全程诊疗中的多阶段临床推理。数据取自两家癌症中心405名患者的纵向病历，共941个患者阶段单元和17,688条患者specific原子标准。对30个通用及医学大语言模型的评测显示，诊断表现强并不能转化为后续诊疗表现，且不同阶段的主要失误类型不同。
说明保留以扩展：面向多语言LLM语音识别的源感知适应与模型融合
简介该论文研究如何在不重放源语言训练数据的情况下，把多语言语音识别系统扩展到新语言并保留已支持语言的表现。研究基于连接器式语音大模型，比较了目标更新构建与融合策略。结果显示，SSU-Wanda+TIES在单目标扩展中兼顾新语言学习与源语言保留；多目标扩展时，更新融合能稳定保留源语言，而递归扩展对语言顺序高度敏感。
说明工作型智能体：系统、能力与优化
简介该论文从工作交付角度提出统一框架，将工作型智能体视为结合基础模型与运行时框架、在有状态工作空间中完成任务并交付可验证成果的系统。文中提出工作持续性与工作开放性两个维度，并将数字工作分为五种形式。作者还梳理了实现可靠工作执行所需的五类核心能力，以及模型、框架及联合优化方法，并讨论了评估方式与未来研究方向。
说明MedVTok：一种通用医学视觉分词器，把2D图像和3D体数据统一编码为同一套token
简介论文提出MedVTok，一个通用视觉分词器，可将多种成像模态的2D图像和3D体数据映射到统一的token空间，以便多模态医学AI系统复用同一种视觉表示。方法包括切片差分正则化（建模切片间的解剖连贯性）和多专家表示对齐（融合多个医学专家编码器的知识，同时保留各模态的互补信息）。作者称在28M张图像和70K个体数据、9种成像模态上训练，单一分词器可支持分类、检索、分割、合成、视觉问答和报告生成，并在24个基准上取得了最先进的结果。
说明用EBench评测前沿智能体：从直接控制到结合策略的执行框架
简介该报告在EBench上评测GPT-6-Astra作为机器人控制智能体的能力，并与经过后训练的VLA和WAM策略进行比较。研究了两种配置：直接生成路点指令，以及可调用后训练策略执行动作的框架。结果显示，直接控制在短程任务和跨泛化维度上表现稳定，但在长程、桌面操作和高精度接触任务上弱于专用策略；结合策略后总体成功率接近最强策略，并显著降低token成本，但仍受策略调用方式等因素限制。
说明穿透干扰：基于最小核的上下文稳定归因
简介本文针对机器学习中常用的基于Shapley值的特征归因方法，指出在计算机视觉中，某些特征加入完整真实图像后可能降低目标类别得分，即使预测标签不变，作者将其称为上下文干扰特征。论文在弱平均边际单调性假设下，给出半值与最小核之间差距的定量界限及充分条件，并证明将半值权重转向较大上下文会减小带符号差距。图像分类实验与Salient ImageNet上的评估为理论结论提供了实证支持。
说明理解Jev式System One模型：结构能否减少选择偏差？
简介大型语言模型在多选题中存在选择偏差，即使被要求忽略选项顺序也难以消除。研究者打乱选项顺序但保持题目和候选内容不变，对两个Jev版本、十二个Jev复现模型和六个生成式大模型进行测试，结果显示Jev的准确率变化不到两个百分点，但其累计失败集相对原始顺序扩大了27%至29%。研究认为，稳定的准确率不足以证明模型具备抵抗选择偏差的能力。
说明利用几何生成提升空间理解：GeoUG 模型研究
简介本文研究如何借助图像和视频生成模型的空间一致性来提升空间理解能力。作者提出统一的几何理解与生成模型 GeoUG，整合深度与多视角生成，并设计自适应交错推理，先给出草稿答案，再决定是否生成几何证据加以确认或修正。GeoUG 在 CV-Bench-3D、3DCueBench 和 DA-2K 上分别取得 97.9%、90.8% 和 94.2% 的循环准确率，且生成调用次数少于始终生成。
说明回归基础：面向通用网页智能体的技能中心方法
简介该研究提出MiniWeb，一个包含65个互联网站、15个领域的迷你网络环境，并标注了37种可复用交互原语，归为7类技能。作者用它评测了十个开源智能体，发现拖拽与手势类技能最弱，成功率不超过24%。随后提出MiniWebGen自动生成经验证的训练数据，并构建规划器与执行器组合的MiniWebAgent，在未见站点及多个外部基准上提升了任务成功率。
说明预训练掌握“做什么”，仿真教会“怎么做”：仿真训练机器人智能体的组合泛化
简介论文提出 ZAP 方法，用预训练的 270 亿参数视觉语言模型加简单工具接口控制机器人，先在简单仿真任务上做监督微调和 GRPO 训练，训练中不使用任何真实机器人数据。在真实世界任务中成功率为 96.7%，与 GPT-6 Astra 相当，并优于 MolmoAct2 VLA（33.3%），同时运行速度更快、成本更低。作者还报告其能泛化到训练数据中未出现的物体、目标与操作方式，并在单臂 Franka 机器人上迁移。
说明多机位演唱会视频剪辑：系统设计与探索性评估
简介该论文提出一个模块化框架，用于多机位演唱会的自动剪辑，综合考虑乐器活动（来自多轨音频）、画面中可见的乐器、图像清晰度、节拍对齐和概率式机位选择。作者用一个可解释的评分模型决定每个镜头区间使用哪个机位，并在一场四机位演唱会上进行组件测试与专家探索性评估。结果评价不一，作者据此认为未来应加入上下文和序列层面的标准。
说明探索式创意预排序：面向实时创意优化的分层经验贝叶斯汤普森采样
简介本文提出一种创意预排序器，在用户排序之前为每个候选创意打分，并为每个广告活动筛选出一个短名单。创意按受众人群、广告商品、广告活动和创意四个层级组织，新创意借用其上层层级的历史表现，借用程度由历史日志以闭式解确定。预排序器以受众人群为单位预测，并通过每个创意的一次汤普森采样进行选择，兼顾探索与利用。在Roblox赞助广告流量的回放实验中，短名单使预测播放完成率提升8.14%，转发创意数量比完整候选池减少40%以上，服务耗时仅增加0.2%，并已在Roblox线上投入使用。
说明因果有向无环图引导的强化学习：利用既往数据为长期体力活动维持的未来部署提供依据
简介本文提出一种在线强化学习系统，用于即将开展的ADAPT析因试验，每天两次为参与者个性化推荐活动建议，以改善其与体力活动相关的情感体验，从而支持长期坚持运动。作者用专家设定的因果有向无环图指导状态构建、部分可观测状态估计、延迟信用分配及有益与有害干预路径的表示。研究还基于既往微随机试验构建纵向模拟器，在部署前比较候选强化学习设计。
说明VGGT 能否察觉自己的失误？
简介VGGT 这类前馈三维重建模型一次前向计算即可输出相机位姿与几何结构，但不给出位姿的不确定性。研究者在 1000 组高难度图像对（VGGT 在其中 35% 失败）上，用冻结特征训练线性探针来预测位姿失败，在未见类别上 ROC-AUC 达 93.5%，高于模型自身点图置信度的 79.7%。该探针还能发现 VGGT 自信但出错的情况，并无需重新训练即可迁移到其他数据集的旋转失败预测。
说明用于非光滑采样的锚定Stein变分梯度下降算法
简介论文提出一种Stein变分框架，用于从可能非光滑的目标密度p∝e^{-U}中采样。方法引入较平滑的参考势函数U0和锚定权重a=e^{U-U0}，得到锚定SVGD算法，无需计算U的梯度，且标准SVGD为其特例。作者在U局部Lipschitz、U0连续可微等假设下建立了相关变分公式，并给出以锚定核化Stein差异表示的非渐近收敛界，同时说明了如何依据U构造参考势U0。
说明学习何时确定词元：面向快速扩散语言模型的调度蒸馏
简介扩散大语言模型可以并行生成多个词元，但通常需要多轮解码才能完成回答。本文提出 dSpark 框架，通过调度蒸馏学习何时确定词元：优先确定那些能让其他位置更容易预测的词元，较早降低解码不确定性，再将调度蒸馏进模型以实现更快的并行采样，并用 KL 散度正则项保持生成质量。在 GSM8K 上，相比多种基线，该方法在 LLaDA-8B-Instruct 和 Dream-7B-Instruct 上分别获得 10.12 倍和 5.12 倍加速，同时保持了较好的任务表现。
看点提出基于调度蒸馏学习何时提交token的方法，对扩散语言模型解码有实质改进；在GSM8K等基准上以多模型、多基线对比验证，加速效果显著。
说明人工智能时代学术努力与招聘的博弈论分析
简介本文针对数学和理论科学等学科在人工智能普及后面临的招聘难题，构建了求职者与招聘方之间的双边博弈模型。作者分类了该博弈中可能出现的全部纯策略均衡，并通过学习模拟考察求职者与招聘者群体可能学到的行为。研究为讨论学术招聘如何适应人工智能、并保留对深层理解的评价提供了分析框架。
说明FOCUS：面向长时程语言模型智能体的主动评论家学习方法
简介论文提出FOCUS强化学习方法，用于解决长时程语言模型智能体在稀疏奖励下难以把功劳归到早期动作的问题。方法通过选择性分支，让评论家网络从预期最能降低估计误差的状态采样续写，并用TD(λ)优势函数为相邻状态之间的片段打分。实验表明，在法律推理、深度搜索和代码定位基准上，FOCUS在相同每步生成预算下优于GRPO和VinePPO；在Qwen3.5-9B规模下，BrowseComp-Plus上的准确率为55.4，高于最强基线的48.2，DeonticBench上为56.5，高于52.4。
说明衡量大语言模型研究代理的结论平滑化现象
简介本文指出，大语言模型生成的长篇研究报告常以自信口吻呈现综合结论，却未能准确反映原始文献，作者称之为“平滑化”。为量化该现象，作者提出 SmoothScore 评分流程：从报告中提取关键结论，检索相关证据并按高层面向聚类，再据此为每条结论评分。在 7 个系统和 4 个数据集上的实验发现，代理生成的结论普遍比证据所支持的更为强硬。
说明选择性平局学习：缓解偏好优化中的虚假相关性
简介论文研究偏好优化可能学到虚假相关性，并探讨在偏好数据中加入“平局”（同等偏好的回答）来减少这种依赖。作者推导了对数线性策略下每个平局对虚假依赖的影响，并提出优先选择预测降幅最大的平局。实验表明，在对数线性策略、神经模型和大语言模型上，这种选择方法比均匀选取能用更少的平局达到相近的降低效果。
说明噪声线性循环神经网络学习动力学理论：讨论噪声如何影响循环神经网络学到的表示
简介本文研究生物神经网络中的内在噪声对循环神经网络（RNN）表示学习的影响。作者采用带线性激活函数和白噪声输入的可解析模型进行分析。结果显示，在权重小初始化的丰富区间，噪声会明显改变读入、读出与循环权重之间的对齐方向，并打破解的简并性。当噪声足够大时，在限制参数规模的条件下，非简并解甚至不再是最优解。
说明编码智能体还需要调试器吗？前沿大模型在精度上限下的故障定位
简介该论文评估编码智能体在不使用工具、可选使用调试器和被鼓励使用调试器三种条件下定位故障的准确率。研究在144个LeetCodeDataset解法中植入610个单行故障，并用五种保持行为的改写方式重写程序。结果显示，无工具时智能体的准确率已达96.7%至99.9%，鼓励使用调试器可消除大部分剩余错误，但增加了14.7至27.0倍的token消耗。
说明OmniBrain-0：面向具身智能的统一智能体模型
简介该论文提出OmniBrain-0，一个轻量级统一具身智能体，通过共享的高层决策模型协调机器人的操作与导航任务，涵盖任务理解、规划、进度跟踪和基于反馈的失败恢复。作者采用多阶段训练框架，结合具身预训练、领域专家蒸馏和多教师在策略蒸馏（MOPD），并提出基于评分准则的递归自我改进方法。论文称该模型在多个基准和真实操作任务中表现出色，且推理与执行开销显著低于闭源教师模型。
说明面向多种欧式桌游的 LLM 智能体统一竞技场（DECE）
简介该论文提出 DECE，一个统一的竞技环境，涵盖十款欧式桌游，并采用共享接口与评估协议。研究在 480 场三人对局等实验中比较了 12 种模型与执行框架的组合，共完成 1,032 场对局。结果显示各游戏间排名大体一致，但存在特定游戏的优势；同一模型在不同执行框架下表现也可能不同，且性能优势未必带来更高的 token 或成本效率。
说明自由查看、自由推理：简单LLM框架胜过手工设计的根因分析智能体
简介论文比较了三种不预设模型调用步骤的简单框架与五个已发表的LLM根因分析智能体，以及统计与因果方法，在包含90个已验证案例的RCAtlas基准上进行评测。结果显示，简单框架在多个中档模型上的准确率最高，且在两类方法都运行的每个模型上均优于其他方法。
说明信号在改善，编码器却在退化：自监督学习中无标签监控的已知答案检验
简介自监督训练通常只能通过损失和特征统计量在无标签条件下进行监控。作者在已知生成因子的合成图像上训练 LeJEPA 编码器，发现十个随机种子中有九个的因子可读性突然下降并持续保持低位。与此同时，损失仍在下降，且大多数无标签信号仍在改善，并给退化的运行打出了更好的评分。
说明相似度指标真的在衡量相似性吗？用户活跃度如何在推荐系统中制造“幻影相关”
简介论文指出，推荐系统中基于共现的物品相似度，有相当一部分来自用户活跃度的差异，而非真实的共同偏好。即使用户之间完全独立地消费物品，仅因消费总量不同，常用相似度指标仍会检出较强关联，作者称之为“幻影相关”。文章以 Rasch 模型描述这种独立消费，并推导各指标与物品流行度的关系，再与真实基准数据对比。
说明超越躯体疾病：临床叙述能否揭示慢性病患者中新出现的心理健康风险？
简介本文关注住院慢性病患者在住院期间可能出现的抑郁、痴呆和自杀意念等心理健康风险。研究以MIMIC-III中约4000名患者为对象，利用出院小结中的心理健康证据构建弱监督队列，并用分层状态空间框架从逐日临床叙述中提取表征、建模其时间演变以估计风险。初步结果显示该表征提升了二分类风险预测效果，且风险组与非风险组的模型风险轨迹存在明显差异。
说明EEGaze：基于脑电显著性修正的视觉搜索多模态注意力预测
简介本文提出EEGaze 140数据集，包含36名参与者在140个真实场景中进行自由视觉搜索时同步记录的脑电（EEG）与眼动数据。作者还提出EEGazeNet方法，利用脑电信号对现有显著性预测模型的输出进行修正，以反映用户当前的认知状态。实验显示该方法在所有基线和消融条件下均表现更优。
看点首次将EEG信号融入视觉搜索注意力预测，并发布大型多模态数据集，在基准上全面超越基线，新颖性与证据较强。
说明VidEdit3D：借助视频扩散模型实现灵活的三维高斯编辑
简介该论文提出VidEdit3D，把三维场景编辑看作基于相机轨迹的视频编辑任务，借助预训练视频扩散模型的时空先验保持多视角一致性。方法包括轨迹引导渲染、无需训练的流对齐视频编辑（含编辑一致性引导）以及区域选择性的3DGS细化，以限制背景属性泄漏。实验表明其指令对齐与多视角一致性优于基线方法。
说明CLOSURE：用于多变量时间序列异常检测的跨通道闭合方法
简介本文提出CLOSURE方法，用于在无标签条件下检测多变量时间序列中的异常。它将可恢复性与跨通道一致性作为两个分开学习的任务：前者由以正常时序基为条件的扩散重建器完成，后者由仅利用其他通道预测目标通道的关系闭合算子完成，并通过正常数据校准合并两者得分。实验表明，该方法在公开基准数据上优于近期基于重建、频域和拓扑的检测方法。
说明基于成对贝尔曼验证的离策略评估模型选择
简介离策略评估中，拟合Q函数与占用比估计的误差难以直接用留出数据检验。本文提出成对贝尔曼验证（PBV），一种无需调参的极小化方法，利用留出转移数据从有限候选集中选择模型，无需辅助验证模型或单独优化评论家。作者在候选类存在误设时仍给出相对于最优候选的有限样本oracle不等式，并在Hopper和Deep OPE实验中报告了结果。
说明SEMA-Auto：一种具备自主性的多轮越狱攻击方法
简介该论文提出 SEMA-Auto，一种能够观察目标模型回复并自主决定何时结束的多轮越狱攻击器。它分两阶段训练：先用合成轨迹进行微调，再用决策监督的强化学习优化。论文称其在多个数据集和模型上取得了最高的攻击成功率，且所需轮数较少。
看点提出自主终止的多轮越狱攻击器，结合合成引导微调与决策监督强化学习，超越静态与交互式基线，实验覆盖多数据集与受害模型。
说明LUCID：利用条件密度估计的局部协变量重要性方法
简介本文提出一种与模型无关的局部变量重要性指标与估计器LUCID。它在扰动某特征时，从给定其余观测特征的完整条件分布中抽取合理取值，以避免产生脱离观测数据分布的不现实反事实样本。作者给出了LUCID与现有变量重要性度量之间的理论联系，并提供具有收敛保证和不确定性量化的估计器，同时在模拟与真实数据上展示了其表现稳定、实用性强。
说明基于偏好引导的多目标多智能体强化学习协作方法
简介本文研究多目标多智能体强化学习（MOMARL）中如何利用多目标结构促进智能体之间的协作，而非将其仅视为额外的优化难题。作者提出了按目标进行的反事实信用分配方法，并设计了融合元梯度信息的MIRL算法，包括静态（MIRL-S）和动态（MIRL-D）两个版本。在多目标多粒子环境中的实验表明，所提方法相比基线提升了帕累托前沿质量，其中动态版本表现最佳。
说明基于路由集成与轨迹归因的多目标强化学习
简介本文研究多目标强化学习，即在相互冲突的目标（如有用性与诚实性、速度与能耗）之间取得平衡的策略学习。作者提出目标冲突系数并给出在线设置下的近优遗憾界，设计了维护一小组基础策略并把轨迹路由到潜在奖励最高策略的路由集成算法，以及估计一组轨迹反馈如何影响其他轨迹学习的核化代理轨迹归因算法。实验显示，路由集成在 Meta-World 和 MO-Gymnasium 的在线环境中平均性能提升 4.3%，核化归因与留一法分析的相关性提高 50%，用于轨迹选择时奖励提升 27%。
说明TRACE：基于时频重建的内存高效时间序列类增量学习
简介该论文提出TRACE框架，用于在不保存历史样本、保护隐私和内存受限的条件下，让时间序列识别模型持续学习新类别而不遗忘旧类别。方法采用紧凑的冻结时频表示和轻量级的类别专属自编码器，通过重建误差进行分类。原文报告在五个基准上分类精度具有竞争力，相比TS-ACL平均保留内存约减少98.26%，在GrabMyo上精度相对提升约33.43%。
说明《瞭望塔之必要》：面向前沿人工智能的全生命周期校准评估
简介本文指出，人工智能能力部署与安全保障之间的差距具有结构性，仅靠内部评估无法弥合。作者分析2017至2026年有记录的危害案例，认为这些事件都源于系统以隐含的成年用户模型进行评估。文中提出一个跨六个人生阶段的“全生命周期脆弱性矩阵”，并给出相应的设计原则与三层外部评估框架。
说明MatAnyone-E：面向高分辨率视频抠像的稀疏记忆传播方法
简介该论文提出 MatAnyone-E，是 MatAnyone 2 的高效扩展，用于高分辨率视频抠像。方法先在低分辨率下找出需要精细处理的不确定区域，只在这些区域用选定的记忆进行高分辨率匹配，其余区域复用低分辨率结果，并配合轻量解码器降低开销。论文称其抠像质量与 MatAnyone 2 相当，估计推理速度提升约 7.4 倍，4K 下峰值显存降至约 7.6%，在单张 H200 上 1080p 约 73.07 FPS、4K 约 28.62 FPS。
说明JEV能否支持临床试验标准评估？一项比较研究
简介该论文针对临床试验预筛选中区分“条件未满足”与“证据不足”的问题，在2048个患者-条件对上比较了非生成式决策模型JEV与结构化输出的Qwen Flash。结果显示，在批量模式下，两者在TrialGPT和MIMIC-IV上宏F1相近，而在MIMIC-III上JEV明显更优，且其延迟和单条件成本更低。作者认为JEV可作为初步评估工具，但其输出须对照患者记录核实后才能用于资格判断。
说明量化线性扩散模型中因初始化和有限样本效应导致的对称性学习失败
简介该论文研究扩散模型是否能学会数据分布中的对称性（如狗图像的各种朝向），并在线性扩散模型这一可进行理论分析的设定下进行考察。作者比较了三种对称性打破来源，发现目标噪声造成的打破最稳健，即使在样本充足时仍然存在。利用随机矩阵理论的局部定律，作者推导出子空间内对称性的平均对称误差公式，并指出较小的对称性更难学习。
说明在奖励作弊上花预算：GRPO中有限强验证器审计的分配
简介论文研究在GRPO强化学习中，如何用有限的强验证器预算审计只通过弱检查的回答，以抑制模型通过投机取巧骗取奖励的行为。作者提出先审计通过次数最少的组（低通过数预算审计），并在LeetCode与Countdown-Code等任务上验证，该方法能将作弊行为压至接近零，且比随机审计使用更少标签。
看点提出在有限强验证预算下按弱通过数优先审计的方法并给出理论证明，经33个实际训练运行验证，证据较充分，对RLVR中奖励黑客问题有实际意义。
说明多层Transformer的定量泛化界：少量长序列可胜过大量短序列
简介该论文研究基于Transformer的语言模型的泛化能力，同时考虑同分布统计泛化与长度泛化两个维度，并将二者联合分析。作者针对定精度Transformer，给出依赖模型参数规模、量化空间与字母表大小的泛化保证。研究发现增加训练序列长度的效率可能比增加样本数量高出指数级，实验结果与理论预测一致。
说明利用自编码器潜在特征检测尼泰罗伊公交延误与服务异常
简介本文用无监督自编码器把尼泰罗伊公交车的原始GPS数据压缩为64维向量，分别用于单次行程的延误分类和按日的异常检测。结果显示，潜在表示并未提升延误检测效果，简单的逐行程汇总特征表现更好；异常分数的部分外部验证也被证明存在循环依据。按日的异常信号在多个自编码器间保持稳定，但其检出能力受告警阈值设定影响较大。
说明CIVER：用于可靠代码审查的因果干预验证框架
简介论文提出CIVER，一个基于因果干预的代码审查验证框架，用于区分代码审查中提出的真实缺陷与误报。它包含审查、干预（生成修复导向的扰动）和验证三个模块，通过专家迭代联合优化。在SWE-Review-Bench上，CIVER通过针对性修复识别出77%的真实缺陷，并在跨项目和下游修复评估中表现出跨仓库泛化能力，提升了编码智能体的任务成功率。
说明Triage：视频扩散Transformer中注意力分块的跳过、粗算或精修
简介论文提出 Triage，一种免训练的注意力加速方法，用于视频扩散Transformer（DiT）的推理。它为每个注意力分块分配三种近似等级之一：用块均值替代直接跳过、以 NVFP4 粗略计算，或以 NVFP4 残差修正精算。轻量路由器依据块统计量预测各等级的误差，并结合一个权衡参数决定是否升级。在 Wan2.2、HunyuanVideo 和 LTX-2.5 上，端到端生成相比稠密 FlashAttention 最高加速 2.32 倍，并在五组设置中同时比各基线更快、PSNR 高 0.3 至 3.0 dB。
说明可解释的多模态AI方法：减少不必要的乳腺活检
简介本研究提出一种多模态视觉-语言方法，结合Grad-CAM可解释AI技术，用于预测被建议活检的患者（尤其是BI-RADS 4和5类）中的良性肿瘤。模型基于1,632名患者的四视图乳腺X线摄影及放射报告数据进行训练与评估，其测试集AUC为0.72，优于仅用影像（0.66）或仅用文本（0.68）的基线。作者认为该方法有助于减少不必要的活检。
说明从自信度到统计准确性：用直接审计与LLM辅助审计扩展人机协同评估
简介本文针对大语言模型及多模态大模型自报自信度常不准确的问题，提出统一统计框架，比较直接人工审计（按置信度分层抽样）与LLM作为评判者的辅助评估两条路线。实验显示，校准不佳的自信度仍可支持有效的分层审计；在置信度分布高度不均时，按比例分配明显降低估计误差。LLM评判方案只有少数组合满足人工标注效率条件，且自动推理成本可能限制节省的幅度。
说明MiRL：面向终端智能体错误行为的定向强化学习
简介该论文提出 MiRL（基于错误行为的强化学习），先分析策略在多个环境中反复出现的典型错误步骤，再从这些错误发生的步骤开始采样，只有通过测试且避开该错误行为的轨迹才获得奖励。在 Qwen3.5-4B 上，八种错误行为占全部错误步骤的 52.1%；训练后，策略在未见过的前缀上重复这些错误的频率平均降低 43% 至 57%。在 Terminal-Bench Lite 上 MiRL 为 51.8%，高于 TMax-4B 的 47.4%，在 Terminal-Bench 2.1 上与其持平（21.3% 对 20.6%），且只用了其 35% 的轨迹。
说明面向深度点击率预测的输入侧维度统一优化框架（OptIDC）
简介该论文提出OptIDC框架，用于在深度点击率（CTR）预测中统一配置输入侧的样本、特征和嵌入单元三个层级的选择。为协调不同层级的选择决策，框架引入了基于选择加权的最优传输机制。作者称该方法与模型无关，可接入现有CTR模型，并在四个真实基准数据集上取得了比现有输入侧选择方法更高的AUC。
说明并非单一信念：对话式问答中的答案载荷、坚持性与分离的置信信号
简介该论文研究对话式问答系统在用户反驳时如何修正错误。作者将用户的每次追问拆分为言语行为（重问、同意、质疑）和载荷（答案字符串，正确或错误），并在同一批对话记录上比较四种置信信号。结果显示，答案主要在用户给出答案字符串时才改变，仅有言语行为时几乎不变；四种信号之间彼此不一致。
说明GNN-VIEW：用于图神经网络地球系统模型可视化检查与解释的交互工具
简介本文提出 GNN-VIEW，一个基于浏览器的交互式工具，用于辅助开发基于图的地球系统机器学习模型。它可以在训练前展示图的信息路径以便调试图结构，训练后利用归因方法显示模型做出某次预报时使用了哪些输入特征。作者以海洋预报模型的图构建以及飓风 Laura 期间降水预报不佳的解释为例展示了该工具的用途。
说明EvoRouter：基于洞察引导在线策略蒸馏的低成本多智能体路由
简介该论文提出 EvoRouter，用于为网络查询分配多智能体系统的配置（如模型、协作方式、智能体数量等）。专家模块从跨任务的配置轨迹中提炼可复用的路由洞察，教师模型结合洞察与执行反馈，通过在线策略蒸馏为路由器提供细粒度监督，并用成本感知强化学习同时优化性能与计算成本。在 19 个领域内数据集上，平均准确率为 68.69%，比最强路由基线高 7.23 个百分点，推理计算成本降低 50.95%。
看点将洞察提炼与在线策略蒸馏结合用于多智能体路由，属于对已有方法的有新意组合；在19个域内数据集与域外基准上对比，证据较充分。
说明TrySee：面向专业领域闭环机器人任务规划的模块化感知增强视觉语言模型定位方法
简介该论文提出 TrySee，一个模块化的闭环机器人任务规划流程，将通用视觉语言模型（VLM）的推理能力与特定领域的感知模块及机器人组件结合。系统通过可替换的视觉预处理模块提供在线定位，并借助动态预处理选择机制提升扩展性，无需微调 VLM 或端到端示范。该方法在 5 个差异较大的领域的规划任务上进行了评估，包括一项真实机器人拆解任务，并在既有工业场景（brownfield）中完成了现场测试。
说明将LLM-SC框架适配于活态神圣遗产：帕苏帕蒂纳特寺游客评论的领域抽取、语义网络与人工评估
简介本文将LLM-SC框架适配到尼泊尔帕苏帕蒂纳特寺，设计了包含12类实体、4类关系和9个方面情感维度的GPT-4o抽取提示，并对2,500条英文Tripadvisor评论进行结构化抽取。研究以200条评论的人工标注为参照，报告了实体、方面与关系等各组件的人工评估结果，并说明了可复现性与泛化方面的局限。
说明OmniShowcase：基于多视角图像的全方位主体一致性视频生成
简介该论文针对由少量参考图生成特定主体视频的问题：当镜头转动时，需要推断输入中不可见的表面。作者提出OmniShowcase，包含全自动的数据合成流水线（可生成包括360度环绕在内的多样化相机轨迹视频），以及一种几何条件方法，利用从参考视图重建的表面法线图序列为视频模型提供3D结构信息。论文还构建了Showcase-4K训练集和ShowcaseBench评测集，实验显示其在主体身份与3D一致性方面达到领先水平，同时保持有竞争力的视频质量与运动表现。
说明打印与扫描：揭示单图人脸形变攻击检测器在打印扫描退化下的脆弱性
简介该论文研究人脸形变攻击的检测，即把两人或多人的生物特征融合到一张人脸图像中。作者制作了 SYN-MAD22 数据集的打印扫描版本（300 和 600 DPI），并用两台扫描仪测试了八个仅在数字数据上训练的单图检测模型。结果显示，这些在数字域表现接近最优的模型，平均等错误率增长超过三倍。
看点构建打印-扫描版SYN-MAD22数据集并评估八种S-MAD模型，揭示数字域与打印扫描场景间的性能鸿沟；实验覆盖两种扫描设备，证据较充分，影响较大。
说明CounterFlow：面向视觉反事实解释的目标条件流匹配方法
简介该论文提出 CounterFlow，一种基于条件流匹配的框架，用于生成视觉反事实解释，即把源图像朝用户指定的目标类别方向修改。它利用目标条件向量场，据称能得到较真实的语义修改，且计算开销低于传统 GAN 或扩散模型方法。原文称在标准基准上的实验显示其视觉真实感和目标类别切换效果达到先进水平，并直接在原始像素空间工作。
说明DuplexTune：面向混合专家模型的耦合状态回放高效微调方法
简介本文提出DuplexTune框架，通过可训练的宽度桥接模块在预训练注意力与专家模块中回放耦合的隐藏状态，以降低混合专家语言模型自适应时的状态存储开销。训练时先预热桥接模块，再调整主干，路由器权重保持冻结。在Qwen1.5-MoE-A2.7B上，单卡H800的峰值显存为38.8 GB，低于带检查点的监督微调的64.8 GB，吞吐量为25.1样本/秒，高于后者的19.9；在MMLU、GSM8K和MT-Bench上分别达到67.2%、75.6%和7.69，但多语言得分低于带检查点的基线。
说明独立安全评估：DeepSeek V4.1 Flash-1017 的失控与有害操纵风险
简介本文由第三方对开源模型 DeepSeek V4.1 Flash-1017 进行独立安全评估，依据欧盟通用人工智能行为准则，在 34 项基准（含 5 套自建测试）上检验评估诚实性、失控风险和有害操纵风险。结果显示该版本相较 V4 系列安全性有明显提升，部分维度接近或达到主流闭源系统水平，但仍有值得关注的行为。作者建议开发者将安全评估纳入增量发布，并对推理过程与操作日志进行过程级监控，同时开发私有基准。
说明Hessian相似性下的SCAFFOLD：尖锐收敛速率
简介本文分析联邦学习中SCAFFOLD算法在客户端数据相似（以Hessian相似性衡量）条件下的收敛性，并以小批量控制变量进行推导。针对凸与非凸目标，论文给出与Hessian相似性呈线性关系的收敛保证，并证明所分析方法在固定本地步长下的匹配下界。论文还指出，在部分参与情形下，即使客户端完全相同，额外本地步数也未必能获得完整的通信收益。
看点将SCAFFOLD的收敛保证从二次函数推广到一般凸与非凸目标，并给出线性Hessian相似度依赖及匹配下界，理论改进明显。
说明MedJev：评估医学领域零样本系统一决策能力
简介论文提出并评估MedJev，一种可在笔记本电脑上本地运行的开源系统一（System One）决策模型，它无需生成文本，直接在单次前向传播中回答结构化问题。作者在十个医学基准上测试该模型，涵盖医学知识、诊断及基于MIMIC IV和MIMIC IV ED数据的患者层面预测。结果显示其在MedQA、USMLE和NEJM上的准确率接近已发表的GPT-4成绩，院内死亡率预测的AUROC超过XGBoost，但在急诊分诊入院等运营性结局上不及监督模型。作者还提出一种仅含两个参数的重新校准方法，用50至200个标注样本即可显著降低预测误差。
说明可解释航空风险的混合框架：从安全报告提取因果链并结合物理失效量化与干预分析
简介该论文利用一个本地大语言模型，从约5.6万份美国事故报告中提取有序因果链，并汇总成因果知识图谱，在2000份评估样本中还原了90.8%的调查人员标注原因。论文还为具体物理因素建立发生概率模型，并用噪声或模型合并为失效概率，以发动机动力丧失（化油器结冰）为例进行分析。
说明鲁棒强化学习中可证明高效的Q学习算法
简介标准强化学习在模拟到现实的环境差异下可能不可靠，鲁棒强化学习因此受到关注。本文提出一种样本高效的异步Q学习算法，用于基于总变差距离不确定集的鲁棒马尔可夫决策过程，只需一条马尔可夫样本轨迹。文中给出了达到最优Q函数逐项ε近似所需样本复杂度的上界，作者称其接近极小极大最优，并且比已有结果有明显改进。
说明用跨度读出与选择性适配改进 JEV 蕴涵重排序
简介本文研究 JEV 决策模型在蕴涵重排序任务中的改进方法。作者用平均跨度读出替代原有的选项末尾指针，并保留注意力与门控 DeltaNet 投影中的低秩适配、去除前馈适配器。在 MC11 基准上，选择性适配在减少一半以上可训练参数的同时提升了 NeoHorse-1-4B 的准确率，平均跨度池化在相同参数量下带来进一步稳定提升。
说明基于传输神经切线核的条件生成模型主动学习
简介许多高通量科学实验输出的是分布而非单一数值，需要条件生成模型来解读数据并预测新条件下的结果。该论文指出，仅依赖均值的主动学习会忽略分布形状，因此提出传输神经切线核（tNTK），用以衡量生成模型预测分布对参数的敏感度，并据此贪心选择能最小化高斯过程后验方差的输入。实验在合成分布、意图标注句子和单细胞扰动响应等数据上进行，结果显示该方法优于基于条件均值计算的基线NTK。
说明TRON：将自然演化的生物网络结构迁移到神经演化中
简介本文提出TRON框架，用实验测得的蛋白质-蛋白质相互作用（PPI）网络作为神经网络结构先验，取代随机拓扑来搜索网络结构。框架结合经典进化算子、物种分化及新架构的早期保护机制。在三个分类与三个回归基准上，TRON在所有分类数据集及多数回归任务中取得最高预测性能，且多次独立运行的波动明显更小，但计算成本更高。
说明Bovdi–Geche 普适性猜想强形式及复数类比的证明
简介本文针对由单个神经元构成的神经网络证明了两个普适性定理。首先，利用有限域上乘法特征和的 Weil 界，证明了 Bovdi–Geche 普适性猜想的强形式，其中激活函数为离散对数的某种修改形式。其次，给出了 Aizenberg 普适性定理的推广，适用于权重向量与目标函数无关的复二元神经元。
看点证明了有限域上单神经元普适性的强形式并推广了复数版Aizenberg定理，回答了文献中的公开问题，证明严谨但应用影响有限。
说明VPR-Space：面向太空模拟环境的视觉地点识别基准测试
简介该论文提出了名为VPR-Space的基准测试，用于评估视觉地点识别（VPR）方法在类月球、类火星等地外表面环境中的表现。作者基于太空模拟领域（SAD）的既有数据构建了16组数据库-查询数据集，涵盖环境、视角和光照等不同挑战。此外，作者提出以下游SLAM任务中的价值作为判定标准来生成真值，并评估了九种先进的VPR方法，结果显示仍有较大改进空间。
说明SeeRF：通过生成式图像配准与融合看到视场之外的内容
简介该论文针对多模态传感器视角与视场不一致的问题，提出生成式配准-融合框架SeeRF。方法包括基于微分同胚稳定速度场的形变生成、视觉基础模型引导的特征提取与由粗到精的多模态配准，并与扩散生成模块耦合，用于补全和融合非重叠视场区域。作者称在多个公开数据集和真实场景中取得了更优的效果。
说明面向规划而非仅预测的测试时适应：乐观测试时世界模型适应（OpTTA）
简介本文针对推理阶段冻结的潜在世界模型在分布偏移下规划性能下降的问题，提出乐观测试时适应方法OpTTA。其目标函数包含观测转移的预测损失与规划器候选轨迹的目标到达代价两项，使适应偏向对到达目标更乐观的模型。在操作、到达和导航任务的视觉与环境偏移实验中，仅适应预测器时OpTTA的规划成功率平均较冻结模型提升13.5个百分点，高于仅预测目标（AdaJEPA）的提升幅度。
说明用于空战战术决策的离线语言辅助系统
简介本文介绍了一个离线语言辅助工具MATE（任务训练与评估助手），用于辅助飞行员训练和空战战术决策。系统基于检索增强生成（RAG）技术，从条令和战术手册中提取内容回答自然语言问题，且全部由开源组件构建、可完全离线运行。三名巴西空军战斗机飞行员对三种开源大模型的回答进行了评估，平均得分在4.00至4.40之间（满分五分），其中Mistral NeMo 12B得分最高；飞行员认为其响应速度相较人工查找完全足够，检索内容的相关性是主要改进点。
说明从语言到驱动：将自主机器人与人类目标对齐的多模态框架
简介本文提出一种多模态方法，利用大语言模型和视觉语言模型作为文化知识载体，把人类用自然语言表达的目标转化为机器人架构中的任务与驱动力，从而引导机器人行为。系统分为语义对齐、任务生成和驱动建模三层，形成人机双向交互闭环。仿真与实体机器人实验表明，该流程能够生成有效任务并实现人与机器人的对齐。
说明合成可变形管状基准：带力学标注的可变形三维重建评测数据集
简介该论文介绍了合成可变形管状基准（Synthetic Deformable Tubular Benchmark），用开源工具 LumenMorph 生成，共含 5,580 张 RGB 图像。数据提供相机位姿、几何、深度、形变场、持久材料对应关系及有限元记录，便于追踪同一表面位置的三维轨迹。论文还用多项研究展示其在区分配准覆盖与几何精度等方面的用途，并明确说明该基准不代表解剖学或临床真实性。
说明将神经网络蒸馏为方程以预测行星系统不稳定性
简介该研究针对多行星系统何时会变得动力学不稳定这一难题，先用N体模拟数据集训练神经网络，再把其中学到的知识蒸馏为解析代数方程。方法分两阶段：先学习可解释的变量基，再用符号回归搜索方程。所得方程在质量比、间距和轨道偏心率的较宽范围内适用，并优于现有的解析估计。
看点将神经网络与符号回归结合，从N体模拟中蒸馏出可解释的解析不稳定性判据，超越已有解析估计，证据较充分。
说明面向编程智能体的分层技能演化（HSE）：从编程轨迹中逐层提炼可复用的过程性技能
简介该论文提出分层技能演化方法（HSE），在不修改底层模型的前提下，从编程轨迹中先提取任务级证据，再在同一代码仓库内聚合形成仓库级技能，最后归纳出可跨仓库迁移的技能。方法通过外部的编写者-评估者循环生成并评估技能，底层编码模型保持冻结。作者在 SWE-bench Verified 与 DeepSWE 上评估，仅用 SWE-Gym 演化的 10 个技能即在各设置下提升了编程表现。
说明让推理过程可见：面向结构化推理任务中自适应脚手架的配置感知诊断建模
简介本文提出一种诊断框架，通过分析学生在交互式学习游戏中的操作序列，还原其逐步解题过程，用于语法推理任务。框架计算五个可解释的策略维度，估计任务结构带来的协调需求，并将推理划分为四种状态。对234名学生的36,234次交互分析显示，策略更多随情境变化而非稳定特质，且多数失败后会连续再次失败；基于策略模式的早期预警模型取得较好的预测效果。
说明VaLoP：面向奖励引导扩散模型的价值梯度前瞻与回拉方法
简介该论文提出 VaLoP，在采样时利用奖励模型引导预训练的扩散或流模型，无需为每个奖励重新训练。作者发现现有价值梯度估计在高噪声阶段误差较大，并通过在前一采样步的较低噪声状态评估价值并将梯度回拉至当前状态来降低误差。论文还提出 VaLoP-Fast 以较低成本近似该修正，在多种模型、奖励与基准数据集上表现优于现有方法，并可用于机器人策略。
说明ArchiveLens：面向历史地图语义重建的生成式空间知识框架
简介该论文提出 ArchiveLens 框架，把历史地图转化为以实体为中心、可供机器查询的地理空间数据库。流程分为三步：用 YOLOv11-seg 提取建筑轮廓，用基于 HSV 颜色阈值的规则判断建筑材料，再用受领域提示约束的视觉语言模型解析建筑用途等属性。研究将 445 幅芝加哥 1918 至 1950 年 Sanborn 地图作为应用对象，报告几何与语义准确率较高，并提出结合语义检索与时空过滤的 ST-RAG 架构。
说明RoboDoctor：无需训练的机器人策略递归自我改进框架
简介该论文提出 RoboDoctor，一个无需重新训练、在固定模型权重下运行的框架，让机器人策略与语言模型智能体在执行过程中根据物理交互反馈调整决策。框架通过诊断、有依据的动作执行和可复用的经验记录三个方面进行修正。在 54 个 RoboDojo-Sim 任务条目的评测中，五维平均分为 57.10，原生成功率为 49.44%。作者指出，跨回合经验的具体贡献仍需受控实验进一步验证。
说明Evolve on Graph：无需问答标注的自进化知识图谱推理
简介该论文提出 Evolve on Graph（EoG）框架，让大语言模型在没有问答标注的情况下，通过自我对弈（Graph Self-Play）提升知识图谱上的多跳推理能力。同一模型交替扮演出题者和解题者，并借助符号可验证拓扑合成生成可验证的问题，再用边界感知课程按解题者的得分方差调节题目难度。作者称在 Freebase、Wikidata 和一个工业知识图谱的六个基准上，该方法优于提示、检索和智能体类方法。
看点提出无问答标注的图自博弈框架，用符号可验证拓扑合成与边界感知课程，六个基准上稳定优于基线，证据较充分。
说明KAPPA：用 Lean 4 和语言模型智能体检查统计学论文的证明
简介KAPPA 是一个开源软件，借助 Claude Code 驱动的语言模型智能体，把 LaTeX 论文中的证明翻译为 Lean 4 及其 Mathlib 库并逐条检查。每个编号结果会得到四种判定之一：无条件验证、有条件验证、记录问题或未完成。在三篇已发表统计论文的早期版本上，该工具找到了正式更正所指出的错误，并发现了作者随后确认的其他问题。
看点将语言模型代理与Lean 4结合逐条验证统计论文证明，并在三篇已发表论文上盲测找出已知错误，证据较充分，对该子领域有实际影响。
说明智能体算法设计：让大模型在 Lean 中提出、形式化并证明进化算法的运行时间上界
简介本文提出一条分阶段的流程，让大语言模型先提出黑盒优化算法，再由 Lean 检查器筛掉有缺陷的设计，随后定义势函数并证明漂移界，以保证相对基线算法的期望运行时间改进。整个流程不做任何经验性比较。文中报告了在 CycleUncover 等问题上得到期望运行时间 O(n^2) 的算法，并在 8 类问题、15 次运行中有 12 次完成了机器检验的运行时间证明。
看点提出在Lean中由LLM设计进化算法并机器验证期望运行时间界，新颖性较高；证据包括8类问题、12/15次完整证明和消融实验，影响面限于进化计算的理论分析子领域。
说明超越分布匹配：用于少步视频生成的自监督表示强制方法
简介该论文针对视频扩散模型的少步蒸馏问题，指出现有分布匹配蒸馏（DMD）只约束输出，步数减少时学生模型在空间细节和时间连贯性上会退化。作者提出自强制（Self Flow Forcing，SF²），在不改变输出目标的前提下加入预测式表示损失，通过给学生与EMA教师不同的噪声水平形成信息不对称。实验显示该方法可减轻时间闪烁，并改善空间保真度与运动质量。
说明SAP-ViT：用于医学图像分类的自归因图像块视觉Transformer
简介这篇论文提出SAP-ViT模型，用于医学图像分类。它不再依赖全局分类令牌（CLS），而是直接汇总最后一层的图像块嵌入，使每个类别预测可分解为图像块层面的贡献。模型还通过稀疏正则化让解释更简洁，并引入输入空间回映射方法，估计哪些输入图像块影响了关键输出。作者在多种成像模态的医学图像数据集上进行了评估，结果显示其分类性能较强，并能给出一致且可解释的图像块级解释。
说明GEAR：面向智能体系统的基于特征的配置与代码生成工具
简介本文介绍开源工具GEAR，用于配置多智能体系统，并依据同一份规格说明生成适用于不同框架的实现代码。它采用基于特征的表示方式，使配置选项及其约束显式化，便于在生成代码前验证规格。初步评估显示，在320个特征-框架组合中，有271个（84.69%）已确定可行的映射转换策略。
说明线性探针可从基础模型迁移到蒸馏模型（尽管方向发生旋转）
简介线性探针是读取语言模型内部激活、用来识别有害请求的小型分类器。作者在四个基础模型上训练探针，直接用于其后继模型（DeepSeek-R1蒸馏推理模型与指令微调聊天模型），并比较方向旋转与迁移效果。结果显示探针在这些模型家族中可以复用，但其读取的信号有一部分来自有害的字面表象，而非有害内容本身。
