本站已超过 12 小时没有更新（正常每 3 小时更新一次），下面的内容可能不是最新的。
本页没有符合条件的条目（筛选只在本页内进行）。
说明面向实用与可扩展 SOAP 的因子化单侧 Adam 矩方法（FOAM）
简介本文提出一种轻量级 SOAP 变体 FOAM，在 Transformer 训练中保留二阶优化器的收敛优势，同时接近 AdamW 的效率。FOAM 仅对输入侧做预条件处理，省去输出侧 Kronecker 因子，并用基于行列统计的因子化 Adam 矩估计替代 SOAP 的稠密旋转二阶矩。原文称，在 124M 至 760M 参数的大语言模型预训练中，FOAM 的验证损失与 SOAP 和 Muon 基线相当，优化器状态为 SOAP 的一半，运行速度接近 Muon。
说明TokenStream：基于按词元 LoRA 与引导注意力的多主体个性化视频生成
简介该论文提出 TokenStream，一种基于优化的框架，无需参考视频训练数据，即可组合各自独立学习的主体身份用于文本生成视频。方法包括按词元 LoRA（ToRA）和 T2V 引导流，并提出了包含 30 个主体、122 条提示词的 Multi-DB 基准。在 1.3B 规模的 Multi-DB 上，身份保持分数由 DreamBooth 的 0.422 提升至 0.467，文本对齐分数由 0.652 提升至 0.688。
说明人工标注还是合成数据？固定预算下大模型后训练的成本效益比较
简介本文比较了大语言模型后训练中人工标注与合成生成的偏好数据，在相同美元预算下的效果。作者在有用性和摘要两类任务上，对多个基础模型进行了训练与评估。结果显示，在低到中等预算下合成数据更具成本效益，只需约200至400美元即可取得较高胜率；人工数据要在预算大约高出两个数量级时才能在有用性任务上缩小差距，而在摘要任务上任何测试预算下都无法追平。另外，不同人工偏好数据来源的可靠性差异明显。
说明借助大语言模型在 Dafny 中进行形式化验证
简介本文提出一套十步工作流，利用大语言模型辅助使用 Dafny 验证系统对科学算法进行形式化验证，涵盖算法形式化、契约编写、不变量验证、证明构造、性能分析与证明优化等环节。作者使用 Claude Opus 5 和 Opus 5.5 模型，在 37 个图论与标记迁移系统算法上进行了评估，并验证了 Hopcroft-Tarjan 三连通性测试。文章认为，此类工作流可使人类验证者的角色从细致的证明构造转向监督、规约审查与策略指导。
说明预训练数据统计特性如何塑造语言模型学习实体比较的阶段
简介该论文研究语言模型在预训练中如何学会比较两个实体（如“法国和巴西哪个国家更大”），覆盖五类实体的九项比较任务。作者用1.63亿参数的小模型做受控实验，发现学习分为三个阶段：先按实体出现频率选择，再按提示中的位置选择，最后才选出正确答案。研究表明这些阶段由训练数据的统计特性因果决定，并在开源模型OLMo-2 32B中观察到相同的训练动态。
说明蛋白质语言模型在不变式字母重标记下无法稳定捕捉接触预测
简介该论文研究蛋白质语言模型能否像传统共进化方法一样学到不变的统计信息。作者对氨基酸字母表做全局双射重标记，这种变换不改变比对层面的信息，而伪似然Potts模型和逆协方差估计器在其下保持不变。结果显示，ESM-2、MSA Transformer、AMPLIFY等多种模型在任意重标记后接触图都会崩溃，论文认为这些模型依赖规范的残基身份，而非纯粹的共进化统计。
说明上下文图：AI-RAN中可解释的多智能体决策链
简介本文针对AI-RAN中多个自主智能体（xApp与rApp）共享无线资源时难以追溯决策原因的问题，提出“上下文图”这一异构有向图，将策略、测量、决策和告警组织为可查询的解释层。图中的决策事件节点作为因果交汇点，入边记录触发上下文，出边跟踪下游影响，并通过反事实验证逐步确认。在E2、A1、O1数据流上的概念验证显示，该方法可在数万节点的图上以亚毫秒延迟完成合规与诊断查询，并能区分真实因果影响与虚假相关。
说明随机核模态分解：信息、不确定性与条件状态推断
简介该论文提出随机核模态分解（sKMD），在带符号的KMD模态坐标上拟合联合状态分布，并把参考模态的后验转化为状态概率和条件重构。作者刻画了在测量噪声方差变化时，固定的模态能量何时仍能保留完整的状态后验信息。研究还给出了特征压缩、独立学习的模态空间与传感器噪声误差和对数损失之间的相关界限，并通过两组受控实验比较了带符号信息与能量摘要的预测效果。
说明DPA：面向高度异构数据的去中心化原始平均与准全局动量方法
简介该论文提出去中心化原始平均算法DPA，在各节点本地保存训练数据的前提下训练深度学习模型，并结合局部准全局动量缓冲区，以应对数据异构问题。作者在光滑非凸目标下给出收敛界，并提出每轮仅需一次通信的变体DPA-1G。在GUT基准的图像分类实验中，DPA在多种数据集、网络结构和拓扑下与多种基线方法相比表现更好，在稀疏环形拓扑和高异构性下增益最大。
看点将集中式原始平均扩展到去中心化训练，结合准全局动量，无需传输辅助跟踪变量；在GUT基准的多种设置下与多个基线比较，稀疏环和高异构场景提升最大。
说明Raysemble：从单张X光片重建带真实尺度的三维骨骼
简介该论文提出Raysemble方法，可从单张X光片重建腰椎和骨盆的八块骨骼的三维形状。方法将形状与空间位置分开处理，并利用预测的深度和相机几何将三维骨骼放缩到以毫米为单位的统一网格中。在23名未参与训练的患者、43次CT扫描生成的模拟前后位X光片上评估，其平均Dice为65.24%，优于所比较的15种方法中的其他方法，并比VolumeNeRF的Dice提高了5.86个百分点。
说明视觉密码基准：评测大模型智能体的长程视觉推理能力
简介论文提出 Visual Cipher Bench，包含40道原创视觉谜题，分为空间操作与模拟、逻辑约束与规划、规则归纳、基于知识的解码四类，每题仅提供一到三幅黑白线稿。在八个前沿模型的29种推理配置中，表现最好的模型准确率为26.7%，其中五个模型低于1%。在十题子集上，提供一条不剧透的机制提示后，准确率从7.8%升至55.6%，表明当前智能体的主要瓶颈在于从视觉证据中自主发现规则。
说明基于LoRA的可持续联邦微调：环境影响与性能足迹
简介本文研究联邦学习结合参数高效微调（LoRA）时，在不同GPU上训练大语言模型的能耗和碳排放。作者在A40、RTX 6000 Ada和A100上，使用135M与360M模型及10或100个本地训练步数进行实验，并用CodeCarbon估算能耗与二氧化碳当量排放。结果显示，本地步数是能耗和排放变化的主要来源，在A40和RTX 6000 Ada上，步数较少的配置能耗约低6至8倍，且精度相当。
说明捷径还是记忆？重新审视大语言模型在自然语言理解中对数据扰动的鲁棒性
简介该论文重新检验了对输入进行扰动（如删去名词、打乱词序）后模型是否仍保持性能的实验，比较了八个大语言模型与在GLUE和ANLI上微调的编码器。结果显示，直接作答的模型在MNLI上去掉名词后仍保留较多性能，而在ANLI上保留比例明显更低；只有先推理再作答的模型表现不同。作者另用368条新的人工验证样本测试，发现鲁棒性更多反映的是数据集中的捷径，而非记忆，因此这一结果说明的更多是基准本身的特点。
说明Kosmo-GFM：可用于生产的几何基础模型，用于场景重建
简介该论文提出 Kosmo-GFM 场景重建系统，整合了几何基础模型 GFM、位姿优化引擎 PoseEngine 以及来自 KosmoWorld 的重建监督信号。GFM 从图像和视频中预测相机参数、深度、跨视角对应关系和动态三维点，PoseEngine 结合几何优化恢复场景级相机位姿与几何结构，以支持后续三维与四维高斯溅射。实验显示，在部分数据集上 GFM 的深度误差和位姿指标优于对比方法，PoseEngine 的运行时间约为 GLUEMAP 的 20%。
说明基于领域专用语言模型与图学习的ESG预测模块化框架
简介本文提出ESGPred，一个用于预测企业ESG评分的模块化框架，结合领域专用语言模型与基于企业关系网络的图学习。研究使用2020至2023年间2134家上市公司发布的5266份可持续发展报告进行评估，以LSEG Data & Analytics提供的ESG评级作为基准。实验结果显示，引入图关系学习后，预测效果优于纯文本基线模型。
说明阿拉伯语与英语医学问答的校准与保形预测：基于两个非平行基准的研究
简介本文研究两个开源大模型在英文MedMCQA与阿拉伯语MedAraBench医学选择题上的置信度校准与不确定性。作者发现原始选项概率普遍过度自信，单一温度参数可消除大部分校准误差；保形预测的覆盖率达到名义水平，但在准确率较低时预测集合较大。
说明结果-质量对齐（OMA）：控制多轮LLM智能体强化学习中轨迹长度带来的影响差异
简介该论文针对多轮LLM智能体的分步组相对训练，指出把每条轨迹展开为多行响应时，结果统计会重复计数同一轨迹的结果，且按token汇总会使不同轨迹的目标权重不等。作者提出结果-质量对齐（OMA）方法，分别对唯一源轨迹计算结果统计，并在轨迹内聚合后控制总目标权重。在ALFWorld和WebShop等环境的实验中，OMA在部分设置下提升了成功率，并支持与GiGPO、GSPO等优化器兼容。
说明检测不等于预警：评估语言模型失败的逐词告警
简介论文提出PREWARN评估协议，用于衡量监控器能否在语言模型出现失败的起始词元之前发出警告。作者以三个开源语言模型的重复退化问题为案例，用激活上的线性探针与六个未训练基线进行比较。结果显示，仅看响应级指标时许多方法表现接近，而在PREWARN下，探针在两个模型的大多数退化响应中于起始前发出了警告。
说明EG360：一种高效且可泛化的全景深度估计方法
简介该论文提出EG360模型，用于360°全景图像的深度估计。模型结合自适应全景-透视蒸馏策略和球面跨层特征融合模块，在降低计算量的同时提升跨场景的泛化能力。文中报告其参数量为6.593M，在真实场景基准上取得较强的零样本表现，并在Jetson Orin NX 16GB上以35 FPS运行。
说明机器学习分子与材料性质预测中训练数据生成策略的系统评估
简介本文系统比较了用于分子和材料性质预测的训练数据获取策略，涵盖从随机采样到多种主动学习方法。作者在不同模型类别、表示方法、数据集和目标性质上评估这些策略。结果显示，策略效果很大程度上取决于模型、数据集与预测任务之间的相互作用，但基于不确定性的采样总体上优于其他策略。作者据此给出了在给定标注预算下选择数据获取策略的指导原则。
说明ScrewSense：揭示不可见之处——螺丝拧紧过程中的异常检测与错误分类
简介本文研究利用深度学习对螺丝拧紧过程进行异常检测和错误分类，数据为扭矩、旋转角度等多变量时间序列。异常检测分析了向量量化变分自编码器的嵌入空间，错误分类评估了四种模型架构。结果显示模型可区分多种错误类别，准确率最高达100%，并在真实数据上表现出较强的泛化能力。
说明类别聚合（Class-Competence Aggregation）：在类别集中的非独立同分布数据下用于联邦多分类DDoS检测的输出层路由方法
简介论文针对分布式入侵检测场景中，同一攻击类别只集中在单个客户端的非独立同分布数据问题，指出联邦平均会使该类别的输出神经元得到负向信号并降为零。作者提出类别能力聚合（CCA），按每个客户端本地验证F1对输出层逐类加权聚合，隐藏层仍采用标准加权联邦平均。在CIC-DDoS2019数据集上，CCA将LDAP类别的F1从0%显著提升，并在多个种子和另一数据集CICIDS2017上得到验证。
说明评估视频大语言模型对自动驾驶极端情况的理解能力
简介论文提出了DashBench基准，用于测试25个视频大语言模型在1,709段精心筛选的驾驶视频上的表现，视频既包括涉及碰撞的极端情况，也包括罕见的非碰撞情况。通过大量提示和开放式问答，研究发现所有被测模型的表现都远低于安全关键驾驶应用所需的门槛，常常误判或漏掉前方的危险事件，并在解释中凭空描述不存在的物体或动作。
说明高效眼周识别：模型缩放与可见光-近红外跨光谱验证
简介本文提出AdaEye，系统研究眼周区域识别中输入尺寸与骨干网络缩放对可见光及可见光/近红外跨光谱验证的影响。作者比较了全脸、遮挡脸及80x40眼周输入等设置，并在四组协议上评估精度、计算成本、推理吞吐量、训练显存、模板大小与训练稳定性。结果显示，直接处理眼周图像可将每张图像的计算量从6.30降至1.64 GMACs，吞吐量约提升三倍，但效果取决于评估协议。
说明超越二分类：基于NHANES数据的糖尿病与糖尿病前期风险多类别机器学习预测
简介本文利用美国国家健康与营养调查（NHANES）数据，构建了将成年人分为正常、糖尿病前期和糖尿病三类的监督学习框架，共纳入15,356名成年人。糖化血红蛋白（HbA1c）仅用于定义标签，未作为输入特征。研究比较了传统机器学习模型与基于Transformer的模型，多类别准确率最高达0.72，宏平均F1为0.70；糖尿病前期最难识别，F1约为0.53至0.56。将任务简化为正常与糖尿病前期或将糖尿病前期与糖尿病合并筛查时，F1分数明显提高。
说明AgriSense：虚拟温室中的视觉-语言决策支持与机器人干预框架
简介本文提出AgriSense框架，在Isaac Sim虚拟温室中结合四足移动机械臂、RGB与激光雷达感知、环境调控以及有监督的视觉-语言决策支持。模型基于冻结的DINOv2与BERT编码器，联合预测十二项环境参考值、目标区域和干预标志。论文报告了区域决策、环境数值误差及机械臂目标验证等评测结果，并指出导航与处理依赖仿真器状态输入，物理温室表现和农学处理效果尚未验证。
说明基于温度与光照依赖电学测量的无铅钙钛矿太阳能电池退化机制可解释机器学习诊断
简介该研究针对无铅RbSn0.5Ge0.5I3太阳能电池，利用约42,000次SCAPS-1D模拟，比较了正向性能预测与反向机制识别两类机器学习方法。将空穴传输层由Spiro-OMeTAD换为CuI后，模拟转换效率由19.6%提升至21.6%，提升主要来自填充因子。多标签分类器可依据模拟的温度与光照依赖开路电压判断六种退化机制是否存在，宏F1分数为0.938，高于校准物理规则基线的0.687；但对训练集中未出现的机制组合，分类器泛化能力不足。
说明ORCA：用于多视图聚类的正交残差共识对齐方法
简介本文提出一种名为ORCA的深度多视图聚类方法，旨在解决融合过程中冗余信息累积及跨表示层级无差别对齐的问题。其语义增量递归融合模块提取跨视图正交残差作为非冗余增量，并通过分歧引导门控自适应加权递归状态；共识校准的分层对比对齐模块利用全局共识对视图级、两两及递归表示的对比对齐进行加权。在五个基准数据集上与十五种对比方法的实验表明该方法有效，其中在100leaves上的准确率比最强基线高出5.25%。
说明PhysLoop：利用大语言模型的物理认知实现视频生成模型的自我改进
简介视频生成模型画面逼真，但在物理动态和因果一致性方面仍有不足。本文提出PhysLoop框架，在视频生成、筛选与修正过程中引导并约束大语言模型，把其物理知识转化为物理上一致的视频，并支持可控的训练数据构建与推理时的视频修复。作者发布了10万个视频及两个评测数据集PhysLoop-Gen和PhysLoop-Repair。
说明视觉提示注入中的缩放引起的语义偏移：针对视觉语言模型与网页智能体
简介该论文研究多媒体图像在缩放、压缩后，视觉语言模型对其中文字指令的识别会发生变化的安全问题，并将此现象命名为缩放引起的语义偏移（SISS）。作者提出一个黑盒闭环框架，并在固定基准上评估了四个闭源视觉语言模型的攻击成功率。研究还提出了ScaleGuard一致性检测方法，用于降低此类攻击的成功率。
说明Fog-FWL：用于恢复雾中隐藏物体的大规模全波形激光雷达数据集
简介激光雷达在雾中容易失效，雾的散射会淹没远处物体的弱回波，传统峰值检测常将其丢弃。本文提出Fog-FWL数据集，包含7,527帧真实雾天全波形激光雷达数据（Fog-FWL-Real）及12,000帧由物理仿真器生成的合成数据（Fog-FWL-Sim），两者格式与标注方式一致，可进行严格的仿真到真实评估。在最困难的条件下，物体回波仅有34.9%的光线落在三个最强峰值之内，表明需要进行波形级恢复。
说明自回归语言模型中序列级监督学习的困难
简介该论文探讨能否在自回归语言模型的监督训练中，用贪心解码或自回归采样等推理时的解码过程设计序列级损失函数。作者指出两种自然的尝试得到的损失函数都无下界，并证明两者相关：采样损失等价于Gumbel扰动下的贪心损失期望。作者还分析了对采样过程施加停止梯度得到的矩匹配更新方向，并证明它是函数空间中自回归负对数似然的有效下降方向，但方差较高。论文认为教师强制可能已足以用于自回归模型的监督学习。
说明EgoX：基于具身想象的第一视角跨具身机器人操作学习框架
简介该论文提出EgoX框架，用于整合人类、真实机器人和仿真代理的异构示范数据，通过语义对应的观测与动作模态进行统一学习。作者设计了带具身想象（embodiment dreaming）目标的模块化跨具身Transformer（MXT+），先在混合数据上预训练，再在目标具身示范上微调。在涵盖5类任务、6种机器人具身的13组任务-具身组合中，跨具身预训练将平均归一化任务进度从0.63提升至0.80，在分布外条件下从0.53提升至0.77。
说明从通用视觉语言模型到多功能驾驶模型：三元组增量训练方法
简介论文研究如何把通用视觉语言模型改造成适用于自动驾驶的模型。作者提出三元组增量训练框架，使用图像、深度与问答配对构成的数据，通过三条训练支路注入三维几何感知，同时通过蒸馏保留原有通用能力。部署时舍弃深度支路，因此推理阶段不增加额外开销。
说明从数据到智慧：以认识论视角重新思考人工智能
简介本文提出面向人工智能的“数据到智慧”认识论架构（EAAI），把数据、信息、知识、理解和智慧视为五种相互递归作用的认识功能。作者结合对十本贝叶斯参考书的梳理，指出“先验信息”与“先验知识”未被一致区分，并用贝叶斯框架把五种功能与建模、预测、评估和决策相对应。文中以金融风险、健康保险精算和医疗报销理赔的智能体系统三个应用说明其用途。
说明热红外无人机检测的局限：跨数据集基准分析
简介本文系统梳理了公开热红外无人机数据集在相机、处理流程和标注上的差异，并归纳出成像与处理过程中产生的各类伪影。研究以长波红外数据为对象，比较训练数据构成与模型特性对YOLO检测效果、泛化能力及失效情形的影响。结果显示，训练数据构成比YOLO版本或模型容量对检测性能影响更大，且跨数据集泛化存在明显不对称；即便表现最佳的配置仍漏检超过40%的无人机，尤其是极小目标、复杂城市背景和热交叉情形。
说明准确性与用户认可之间的差距：用户如何评价日常任务中的谄媚型AI
简介该论文结合基准测试与两项大规模用户研究，考察大语言模型的谄媚倾向，即一味附和用户、奉承用户的行为。研究设置了客观、软谄媚、硬谄媚和基线四种由系统提示定义的角色。结果显示，客观型AI在对话压力下准确率更高，但在尊重感、满意度和可信度评分上不及其他角色；角色对用户改变观点的频率没有显著影响。
说明MusicRWKV：用于音乐表征学习的多模态RWKV框架
简介该论文提出MusicRWKV，一个基于RWKV架构的多模态音乐表征学习框架，在统一的自监督学习框架中联合建模波形、频谱图和元数据信息。为提升长音乐序列的处理效率，作者引入了可逆压缩模块，并采用基于FiLM的条件化策略实现模态感知的表征学习。实验在多项音乐信息检索基准上进行，结果表明RWKV架构可有效适应多种音乐理解任务。
说明迈向绿色文本生成：基于记忆的推测解码
简介该论文提出 Olifant，一种基于记忆分类器的草稿模型，用于推测解码以加速大语言模型生成文本。它在 CPU 上以不到 0.3 毫秒预测下一个词元，无需 GPU。在欧盟法律文本上，未使用 KV 缓存时吞吐量提升 2.43 倍、每词元能耗降低 2.51 倍；使用 KV 缓存时仍取得 1.25 倍吞吐量，且能耗最低。
说明基于手机声音的呼吸相位检测
简介本文提出一种非接触式方法，利用普通智能手机录制的声音信号识别呼吸的吸气与呼气阶段。模型采用结合卷积神经网络与Transformer的混合结构，兼顾局部频谱特征与长时序建模。在留一受试者交叉验证及未见过的独立测试集上进行了评估，结果显示该方法对未见过的参与者具有一定泛化能力，并可在移动设备上以低于20毫秒的延迟进行本地推理。
说明基于销售报告中销售事件时间分析的销售延迟预测
简介本文针对企业B2B订单的实际接单日期常与预定日期不符、增加开发成本的问题，提出销售延迟预测任务，即预测销售过程中相对预定订单日期的延迟天数。方法从销售人员的文本报告中提取其预计的未来销售事件日期，构建反映其信心的特征，并结合基于当前日期与过往事件的销售状态特征。实验基于真实销售数据，结果显示其平均绝对误差比类似先前工作的基于特征基线低16%，且优于基于大语言模型的非特征方法。
说明Sprint3D：通过优化流水线加速端到端三维资产生成
简介本文针对图像到三维生成模型生成单个资产需要数分钟的问题，以公开发布的Pixal3D流水线为基础进行分析，发现耗时主要在网络之后的网格后处理（占85%，其中多为CPU上的UV展开）。作者在GPU上重建了网格后处理并将其移出关键路径，同时减少了整流流的单次评估开销，并把四个流的网络评估次数从76次蒸馏到8次。结果显示，在相同导出设置下，单个资产的中位耗时从133秒降至4.05秒，速度提升约33倍，在2653个Toys4K测试对象上的多项指标与原方法基本持平。
说明专家意见分歧何时会损害大语言模型的决策修正：声望与选择性
此语言的简介未通过日期、金额等核对，暂缓展示，请以原文为准。
看点提出可控双轮审计并给出精确的选择性阈值 a/(1-a)，揭示专家标签即使论据相同也会提高翻转率，在5个模型、1989个决策上验证。
说明基于强化学习的边梯度增强方法用于时序图链接预测
简介本文提出边梯度强化学习框架（EG-RL），显式编码边的出现与消失事件，并通过策略驱动的强化学习机制动态选择和增强信息量较大的边快照，以提升时序图链接预测的准确性。在多个动态图数据集上的实验显示，该方法在ROC曲线下面积和平均精度上均有明显提升，消融实验也验证了自适应边梯度增强及各编码与强化学习机制的必要性。
说明流形吸引流匹配：通过连续几何动力学实现物理约束采样
简介该论文提出流形吸引流匹配（MAFM）方法，用于在未见过的等式约束下生成科学数据。方法通过常微分方程连续演化一个持久锚点，使其朝约束流形解析地移动，在保持学习到的物理结构的同时压缩约束违背。实验表明，在几何与偏微分方程基准上，其生成质量优于部分约束引导基线，且约束残差较低，无需重新训练生成模型。
说明通过侧向回路实现预测编码中的自然梯度学习
简介该论文提出自然预测编码（Natural PC），在标准预测编码中加入侧向回路，使网络能够在局部时空范围内进行精确且高效的自然梯度学习。侧向回路学习决定 Fisher 信息矩阵的活动相关性，并隐式计算其逆矩阵，从而避免昂贵的矩阵求逆。论文称，在图像重建基准上，该方法在样本与计算效率方面优于现有预测编码方法，并能扩展到 ImageNet，与使用 AdamW 及多种二阶优化器训练的反向传播表现相当。
说明MuSeToM：基于六种感官文本线索的大语言模型信念修正评测基准
简介本文提出MuSeToM，一个经人工验证的文本基准，用于评估大语言模型在心理理论推理中的认知信念修正能力。该基准包含2415个实例，改编自BigToM和OpenToM，文本线索涵盖六类感官。研究考察模型能否判断人物何时应修正信念并推断更新后的信念状态。结果显示，模型常能察觉信念可能改变，却难以确定更新后的信念，并且经常对感知上显著但认知上不足以支持修正的线索过度更新。
说明通过推理与环境协同降低LLM智能体批量任务的完成时间
简介该论文针对LLM智能体批量任务（如基准评测、合成数据生成和强化学习采样）中推理与环境交互交替进行的特点，提出协同优化方法以缩短整批任务的完成时间。方法包括面向混合LLM的GPU显存分配、轨迹感知的路由与调度，以及在环境容量受限时使用的链式推进动作调度（CAAS）。在Ling-3.0-Flash和Ling-3.1-Flash上的实测显示，完成时间缩短10.4%至65.0%，评测分数保持一致。
说明MuViRL：通过校准视角聚合学习多模态视角不变的视觉语音表示
简介本文提出MuViRL，一种自监督的多模态视角不变视觉语音表示学习框架。它结合同步的3D高斯视角合成与多模态自监督，通过校准的视角聚合学习真实与合成数据中一致的表示。实验表明，该方法在不同视角下提升了多模态表示的一致性和视觉语音识别性能。
说明学习缺失的导数：用于逆体渲染的神经多重散射算子
简介论文提出用神经算子预测多重散射场，并在逆渲染中对其求导，同时直接计算透射率和单次散射。针对算子在优化过程中访问的密度状态导数不准的问题，作者在算子驱动的逆过程所生成的状态上进行微调，并使用蒙特卡洛散射场作为监督。在未见过的光学厚云层上，该方法在相同时间下比冻结源层析成像的重光照效果更好，并且在给予更多时间时优于可微路径追踪。
说明用于心电图异常检测的图神经网络增强时间卷积网络算法
简介该论文把时间序列转化为有向图结构，从而引入图神经网络。作者提出一种新的流程，将普通时间卷积网络（TCN）与图神经网络的能力结合起来，用于解决心电图信号的异常检测问题。
说明InertiaMPDD：基于情绪惯性动力学建模的多模态个性化抑郁检测
简介该论文提出InertiaMPDD方法，利用语音、视觉行为和语言等多模态信息进行抑郁筛查。方法受情绪惯性启发，通过类似世界模型的潜在预测器学习健康人的下一状态模式，并据此计算与参考状态的偏差、残差衰减率和雅可比谱描述符。作者在四个数据集的五个队列中评估了这些描述符，融合方法在D-Vlog和LMVD上分别达到98.41%和84.98%的F1值。
说明基于测量校准合成数据的无人机信道预测器快速适应预训练
简介本文研究如何利用经测量校准的合成数据进行离线预训练，以便在目标飞行仅有短时校准数据的情况下，快速适应无人机信道状态信息预测器。合成数据依据飞行数据校准功率变化、时间形态、频率选择性和相位扰动，并与源飞行的实测数据微调相结合。在按时间划分的留出飞行数据上，合成到真实的微调方法减少了达到有效预测所需的实测数据量。
说明重新思考动作：面向世界模型规划的连续性感知先验
简介论文研究专家示范中的动作是否具有时间结构，并在五个环境中验证了有序动作与打乱动作之间的差异。作者提出局部门控深度核高斯过程先验LG-DKGP，结合近期与较长程的动作历史，预测神经网络延续并学习时间高斯过程残差。在五个模拟任务上，该规划器的宏观成功率为87.07%，高于INTACT的71.03%、PRISM的61.66%和LeWM的58.66%。
说明基于漂移的数据集蒸馏：用少量合成样本代替大规模真实数据集
简介该论文提出一种新的数据集蒸馏方法，用一小组合成样本代替大规模真实数据集用于下游任务。方法不依赖分类目标，而是在特征提取器的潜在空间中让样本向真实数据移动并相互远离，使其直接逼近每个类别的数据分布。作者称该方法比现有方法更好地覆盖真实分布，同时仍可用于分类训练，并可作为模型可视化工具，还可扩展到图像以外的其他模态。
说明基于分解式JEPA的非对称多模态学习
简介该论文指出，在多模态表示学习中仅依靠跨模态对齐会在模态信息不对称时丢失信息，尤其是视觉问答等任务。作者提出分解式JEPA（D-JEPA），将隐表示拆分为对齐的共享核心和各模态私有的纤维部分，以恢复对齐所丢弃的信息。实验表明，该方法在组合推理基准上显著优于仅对齐和对齐加重建的基线。
看点提出对齐冗余界并将隐变量分解为共享核与私有纤维的D-JEPA，在组合推理基准上验证，可能影响多模态表示学习。
说明面向IEEE 802.11bn网络的可扩展多接入点协调机器学习方法
简介随着Wi-Fi部署越来越密集，完全分布式的随机信道接入难以保证所需服务质量。本文针对IEEE 802.11bn中的多接入点协调（MAPC）框架，研究如何选择哪些相邻接入点协同传输以及如何配置它们。作者提出一套机器学习协调方法，从轻量级分层多臂老虎机（H-MAB）逐步发展到基于图神经网络和流匹配的生成式流程，并在仿真与硬件测试平台上进行了验证。结果显示，该方法相比传统接入方式提升了吞吐量，并能扩展到数十个接入点的协调。
说明当契诃夫之枪仍会开火：文生图模型中的过度实现
简介本文研究文本生成图像模型的一种失败模式：提示词只提到某个对象，生成图像却把它画了出来，且提示词并不要求如此。作者称之为过度实现，并构建了OverReal基准，包含698条覆盖四种情境的提示词和2,841张经人工标注的生成图像，用于衡量过度实现率并验证自动判别器。对八个文生图系统的评估显示，它们都存在过度实现，而CLIPScore等常规指标反而奖励这种失败。
说明把安全当作预算：校准受约束 GRPO 中视觉语言模型的控制通道
简介本文研究如何用强化学习训练视觉语言模型拒绝有害的图文请求，并把安全写成有害协助率与过度拒绝率的预算，用拉格朗日乘子在 GRPO 中执行。作者发现，打分器的均值偏差会决定乘子的收敛、饱和或关闭，而标准 GRPO 的组内标准化又会抵消乘子的作用。为此提出双通道约束 GRPO：基础奖励保留原始分数，惩罚与约束估计经单调映射校准，优势函数保留乘子。在 Qwen3-VL-2B 上，对 1,037 条对抗提示的有害率由标准 GRPO 的 8.9% 降至 4.8%，过度拒绝率不超过 2%。
看点新意在于指出约束GRPO中打分器均值偏差与标准化抵消乘子两个问题，并提出双通道修正；在Qwen3-VL-2B上对1,037个对抗提示与400个良性查询做了实验，报告有害率从8.9%降至4.8%。
说明Folio：面向长时程语言智能体的可恢复多层级上下文折叠方法
简介论文提出Folio，一种上下文管理方法，用于应对长时程语言智能体因历史记录超出上下文窗口而无法继续运行的问题。Folio在运行中同时记录三层相互关联的内容：模型随回复写下的简短轮次笔记（L1）、运行时记录的每次调用事件清单（L2）以及原始来源记录（L3），并通过程序化折叠为较早轮次选择更粗的视图，同时保留指向L2和L3的句柄以便恢复证据。在75个LOCA-bench任务上，Folio解决了66个任务，高于同一运行时采用模型生成压缩的54个以及Claude Code、Codex、SoL-Pi的49至59个。
说明DySR-GNN：用于汽车硬件在环多变量时间序列根因分析的动态传感器关系图神经网络
简介该论文针对汽车硬件在环（HiL）系统中的根因分析问题，提出一种动态传感器关系图神经网络 DySR-GNN，用于多变量时间序列的监督式多标签根因识别。模型结合各传感器的时间模式与传感器之间的结构关系，并为每个输入窗口重建稀疏关系图。在按录制记录划分的评估协议下，该模型在多项指标上优于对比方法，并能揭示传感器变量之间持续存在与随状态变化的关系。
说明低资源手语词典中的手语检索研究
简介多数手语缺少标注语料，只有附带一两个示例视频的小型词典。本研究将在美国手语（ASL-Citizen）上训练的姿态编码器直接用于六种其他手语数据集，不做目标语言训练。结果显示，单示例检索准确率显著高于无学习方法及基于ASL训练的OpenHands模型；消融实验表明，逐对InfoNCE目标函数和在身体与左右手之间阻断注意力的设计较为关键。
说明用于中子图像超分辨率的改进型CNN-Transformer网络
简介中子图像分辨率低、噪声多、边缘模糊，难以满足高精度分析需求。该论文提出结合卷积神经网络与Transformer的超分辨率模型，先用真实中子图像微调预训练的图像修复模型生成参考图像，再改进CRAFT网络并加入多个模块以增强纹理与细节重建。仿真结果显示，该方法在PSNR、SSIM及AGM、SMD等指标上优于双三次插值、SRCNN、SRGAN-VGG等方法。
说明Unibuc - NLP团队在PAN 2025“Voight-Kampff”生成式AI检测任务中的方法
简介本文介绍Unibuc - NLP团队参加CLEF 2025 PAN“Voight-Kampff”生成式AI检测任务的方法。子任务1中，团队尝试利用大语言模型提取的嵌入，比较经典机器学习模型与微调加分类头两种思路。结果显示，经典模型的多数投票集成与微调效果相当，F1分数约为99.4%。子任务2为人机协作文本分类，团队结合Transformer不同层的特征，结果一般。
说明用于可解释运动脑电分类的双分支图与卷积网络
简介本文提出一种双分支深度学习模型，用于从头皮脑电图区分上肢运动与静息状态。图分支将61个电极按解剖区域分组并学习其空间关系，卷积分支采用EEGNet式结构。在Ofner上肢运动数据集上采用留一受试者交叉验证，平均F1分数为0.74±0.06。分析显示，连接性最强的区域是左侧顶叶低区（P1和P3电极），位于与右臂运动相对的一侧。
说明面向低数据医学图像分类的平民化方案：可在CPU上训练的ZACH-ViT及其几何变体
简介本文研究资源受限条件下的医学图像分类，比较了四种ZACH-ViT变体（线性、欧氏原型、Poincare和球面分类头）与两个紧凑型多示例学习基线。所有模型从零训练，参数均少于26万，在七个MedMNIST+数据集和三个外部基准上评估。结果显示紧凑型模型表现因任务和训练设置而异，并验证了在测试平台上仅用CPU训练的可行性。
说明Singularity-Bench：智能体能否构建智能体？一项自主AI开发能力评测基准
简介该论文提出Singularity-Bench，这是一个面向自主AI开发的开放式评测基准，包含涵盖预训练、中期训练、后训练、推理、智能体框架和集群编排的六项端到端任务。评测要求智能体从最小起点实现核心系统，并与成熟的人工工程基线在相同硬件上比较。研究还通过红队测试发现了Harbor框架中的奖励作弊漏洞，并开发了阻断这些攻击的扩展Breakwater。论文报告称，搭配Claude Code的Opus 5.5在六项任务上达到或超过人工基线，其Singularity-Index为1.25，其余智能体平均为0.58。
看点新意在于让智能体端到端实现预训练到集群编排等AI开发任务，并发现评测框架奖励劫持漏洞；在六个任务上与人类基线对比，影响较广。
说明AstroMemBench：面向航天器具身智能体记忆系统的基准测试
简介该论文提出AstroMemBench基准测试，用于评估航天器具身智能体的记忆系统，涵盖行星表面作业、在轨服务和深空探测三类场景共9项任务，包含16个记忆子挑战、2240个实例。在六种配置的对比实验中，Mem0、Chain-of-Memory、LightMem和检索增强生成（RAG）相比原生Pi Agent提升了同会话平均得分，但前三者相对RAG无明显优势；会话重启后，Mem0比RAG高12.25分。基准及评估代码已公开发布。
说明将大语言模型作为数字孪生：一项基于问卷、考虑分布的评估
简介本文研究大语言模型能否像特定个人那样回答人格问卷。模型依据用户的社交媒体帖子，以该用户的身份完成BFI-2-60大五人格问卷，并将预测结果与用户的实际得分比较。研究在MyPersonality数据集上评估了GPT-4、Gemma、Llama 3.1和Mistral。结果显示，用户文本并不能稳定地提升预测效果；模型在人格得分分布中部表现较好，两端则表现较差。总体而言，所评估的模型并不能稳定地再现特定个人的问卷回答行为。
说明ReFineR：利用点溅射在像素级别将单张图像精细配准到稠密点云
简介该论文针对相机与激光雷达（LiDAR）数据之间的配准问题，即在已有大致相机位姿的情况下，将单张图像精细对齐到预先重建的点云上。作者提出名为ReFineR的离线框架，基于可微点溅射光栅化和平滑的梯度方向度量（GOM），通过分析-合成式优化迭代修正相机位姿。实验在一个由异构数据源手动标定图像构成的数据集上进行，并提出了可在优化前自动估计点云缩放因子的方法。
说明细节能帮助整体吗？JRDB-Social 上视觉语言模型从个人动作到群体意图的单向迁移
简介该论文在 JRDB-Social 数据集上测试视觉语言模型（VLM）的一个假设：同时训练个人动作与群体意图两个层级，是否能让两者都受益。研究以 Qwen3.5 等模型进行多种训练设置的微调。结果显示，先写出动作再给出意图可把意图宏 F1 从 30.1 提升到 31.0，先写意图则达 31.2，而动作 F1 几乎不变；增益依赖于基于图像的正确动作，动作只能单向帮助意图。
说明ActWorld-JEPA：面向端到端自动驾驶的动作条件JEPA世界模型与潜空间规划
简介该论文提出ActWorld-JEPA，在潜空间中预测未来场景，并结合规划信息对候选驾驶轨迹进行打分与重排序。方法包括PC-JEPA与关系残差重排序（R³）模块，在NAVSIM v1、NAVSIM v2和nuScenes上报告了相应的评测结果。
说明HALight：面向车道级观测缺失的异构多智能体强化学习交通信号控制
简介该论文提出HALight框架，用于在车道级观测数据缺失的情况下控制交通信号灯。框架针对路口结构差异设计观测与动作模型，并加入轻量的单跳邻域通信模块以补充空间信息，同时采用顺序策略更新改善异构智能体之间的协调。作者称在两个真实道路网络上，该方法在交通效率和收敛表现上优于同质与异构基线方法。
说明SPARC：通过代表向量实现精确的光子矩阵乘法
简介本文针对光子神经网络加速器在推理时受低比特量化和模拟光噪声影响而精度下降的问题，提出一种方法。该方法为每组相似的激活向量构造一个代表向量，用数字方式高精度计算其内积，并将残差内积交给光子加速器计算。由于组内向量高度相似，残差向量范数更小，从而减轻量化误差和噪声的影响。该方法保留了光子内积计算流程，无需修改硬件。在六个代表性DNN模型上的实验表明，该方法能在不同网络架构和应用领域中提升推理精度。
说明SignSGD何时以及如何优于SGD：基于函数缩放律的视角
简介本文研究符号算子与梯度噪声的相互作用如何影响符号类优化器（SignSGD）的学习动态与缩放行为。作者在具有对角特征的幂律核回归中，为SignSGD建立了一般学习率调度下的函数缩放律（FSL），将学习过程分为信号学习与噪声遗忘两个过程。文中指出，梯度噪声会平滑符号算子，从而产生等效的预条件SGD，使有效Hessian由H变为H的1/2次方。结果显示，相较SGD，SignSGD的信号学习更快、噪声遗忘更慢，两者的比较取决于任务难度与批量大小。
说明基于相似性引导的近似网络对称性检测优化策略
简介本文研究如何利用节点相似性信息引导搜索，以检测复杂网络中的近似对称性，中心性是其中一种可解释的相似性度量。作者将模拟退火、遗传算法、禁忌搜索等多种优化算法改造为带相似性引导的版本，并提出基于双线性嵌入学习软分配矩阵的BASIN方法。实验在合成图、脑连接组和三个已知自同构群的实证网络上进行比较，结果显示相似性引导的效果取决于具体情境，并非一律有益；总体上禁忌搜索表现最佳。
说明Pl@ntNet机器对机器植物识别服务与API：通过大规模植物识别实现自动化生物多样性监测
简介本文介绍Pl@ntNet的机器对机器AI植物识别服务，通过应用程序编程接口（API）提供植物识别模型的程序化访问，无需人工干预即可接入自动化数据处理流程。该服务覆盖全球85,000个物种，物种预测准确率为0.89，处理速度比需人工参与的流程快666倍，截至发布已处理超过8400万次识别请求。作者还用iNaturalist昆虫照片演示了可复现的植物-传粉者互动数据集构建流程。
说明面向人脸活体检测的上下文预测低秩适配方法（CP-JEPA）
简介本文提出CP-JEPA，一种用于人脸呈现攻击检测（区分真人与伪造人脸）的适配框架。它对预训练CLIP图像编码器进行低秩微调，并加入联合嵌入预测目标，让学生模型预测完整图像教师特征在被遮挡位置的表示。推理时只使用LoRA适配后的视觉编码器和二分类器。在OCIM基准上，平均HTER为3.74%，平均AUC为98.73%；加入CelebA-Spoof训练后，平均HTER由3.45%降至2.35%。
说明AI在数学证明中有自己的风格
简介本文让三种大型语言模型分别重新证明欧几里得《几何原本》中的全部465个命题，并把它们引用的前提与人类证明对比。结果显示，AI证明之间的相似度明显高于AI与人类证明之间的相似度，且这种差异稳定可复现。AI更常直接引用定义、公理和公设等基础要素，而较少引用后来的定理，作者将这种倾向概括为从基础出发自行构建论证。
说明《迷失在委派中：生成式搜索中任务编排效果研究》：研究让大模型把任务委派给工具或其他模型是否真的有效
简介该论文研究大模型以代理方式把任务委派给外部工具或其他大模型时的效果。作者使用按知识截止日期划分前后数据的专门数据集，比较多种委派模式。结果显示委派并不能稳定提升准确率，效果因模型和任务而异；当任务涉及编排模型无法获知的信息时，委派可能明显降低准确率，而同一模型直接使用工具表现更好。
说明ZONOS3-Mini 技术报告：超小型零样本语音克隆语音合成模型
简介ZONOS3-Mini 是一个超紧凑、超快速的零样本语音克隆语音合成（TTS）模型，可在笔记本电脑或智能手机上实时运行。该模型采用参数量为 886M（每个 token 激活 100M）的潜在 MoE 主干网络，并配合新的音频编解码器 Zyphra Audio Codec 1（ZAC-1），以 15 Hz 帧率表示 44.1 kHz 音频。在新的 ZTTS2-Eval 基准上，其在 55 个语言集上的宏平均词错误率为 6.71%，与规模更大、速度更慢的先进模型相当。作者同时公开了模型权重、推理与训练代码。
说明基于大语言模型与优化代理的无人机搜救调度方案
简介本文针对荒野中的受困人员搜寻任务，提出一种代理辅助的无人机调度系统。地面控制站的代理在连续的搜索周期中协调多架无人机，每个周期结合大语言模型推理搜索位置，并用优化器在能量约束下确定无人机的派遣方式。仿真结果显示，该系统能够稳定完成搜寻任务，而六种非大语言模型基线方法均未能完成，直接使用大语言模型调度的可靠性也明显较低。
说明RESYNC：面向有截止期限流式推理的残差潜状态同步方法
简介这篇论文提出RESYNC方法，用于在高速数据流中按时完成逐条预测。大模型在后台异步运行，快速路径则利用自上次计算以来收到的观测，更新其最新但已过时的潜状态，并沿用不变的预测头。更新器无需任务标签，直接从冻结模型的表征中学习。在实时回放中，RESYNC能按时响应至少99.4%的到达数据，单线程中位延迟为0.35至0.62毫秒，速度约与紧凑模型相当或更快。
说明PISim：面向硬件感知跨层设计空间探索的统一光子推理仿真器
简介本文提出PISim，一个统一的光子推理仿真器，将预训练深度神经网络的执行与六类加速器架构、六种电光调制器技术、四种光源组织方式及直接或相干读出方案的物理模型结合。该工具模拟量化、消光比、散粒噪声、相对强度噪声、热漂移、传播损耗和串扰等损伤，并包含接口时序模型以揭示电光瓶颈。基于MNIST多层感知机的仿真结果显示，在多重损伤条件下，马赫-曾德尔和微环调制器的最佳精度为6位，并量化了VCSEL阵列与并行扇出激光架构之间52.5个百分点的精度差距。
说明UniSpark：探索用于多模态理解与生成的混合注意力机制
简介本文提出统一多模态模型UniSpark-9B，采用混合注意力结构，结合完整注意力与GatedDeltaNet线性注意力，并以混合专家Transformer为骨干。模型可完成视觉问答、文生图、指令编辑及图文交错生成等任务，并在MME-S和GenEval上分别取得2470.3与0.83的成绩。论文认为混合注意力可作为统一多模态理解与生成的有效骨干。
说明PiLLVD：用现成相机拍摄动态场景的真实低光视频数据集
简介本文提出PiLLVD，一个基于树莓派多相机系统、使用现成相机采集的真实低光视频配对数据集。数据集包含动态室内外场景中成对的低光视频与对齐的正常光参考序列，涵盖不同光照下的人物与物体运动。作者在该数据集上以零样本设置评测了多种预训练低光视频增强方法，结果表明现有方法在各序列上的泛化表现并不一致。
说明用导数表示学习时间序列动态以进行预测
简介本文提出DeltaTSF，一种基于时间序列离散导数表示的动态感知预测框架。它在统一、与模型无关的框架内同时学习序列及其在输入和预测区间上的离散时间导数，以保持时间上的一致性。实验表明，该方法在多个基准和骨干网络上提升了预测性能，并使预测结果在动态上更加连贯。
说明SignRot：面向大规模离群值的符号调整旋转大模型量化方法
简介论文指出，大语言模型量化中的大规模离群激活会造成低比特表示困难，基于随机 Hadamard 变换的旋转方法在大离群值主导时会产生碎片化分布。作者提出 SignRot，通过识别大离群通道并构造符号调整向量，将双峰分布转为单峰，再配合非对称激活量化使用。该方法只需一次校准前向传播，推理时仅增加逐元素符号翻转。文中报告将其应用于 QuaRot 后，在 LLaMA3-70B 上的 WikiText2 困惑度为 5.88，平均零样本推理准确率为 72.73，并优于 SpinQuant。
说明EvenVLM：面向埃文语（Even，拉穆特语）的文本与多模态数据集及视觉语言微调研究
简介本文提出EvenVLM，首个针对埃文语（又称拉穆特语，西伯利亚濒危北通古斯语）的文本与多模态视觉问答数据集。数据集包含从词典和会话手册中提取的50,521条埃文语—俄语结构化条目，并合成了107,543条涵盖翻译、语法、阅读理解和语义分类的训练样本。作者还提出三步分词器扩展算法，使每词平均token数由4.99降至3.64，并使用LoRA微调Qwen3-VL-4B模型，在视觉问答任务上准确率达到65%。
说明用一个下午重新校准类型化决策模型：Laya 置信度分数实操指南
简介本文是一份实操教程，针对 Laya 这类类型化决策模型输出的置信度，给出测量、诊断、拟合、验证、部署五步方法，并用约130行 numpy 代码实现，所用方法均为标准方法。在1,065条合成且由大模型标注的数据上，按题型和选项数分组后，宏观校准误差为0.143，全局温度缩放会使结果变差，按组拟合的交叉温度可将其降至0.073。文中的结论仅适用于所述检查点和数据。
说明决策编码器需要多少由大模型标注的数据，标签可以错到什么程度？
此语言的简介未通过日期、金额等核对，暂缓展示，请以原文为准。
说明ReA-Bench：负责任智能体审计基准
简介该论文提出ReA-Bench，一个用于审计智能体负责任行为的诊断性基准。它把审计难点分为六个层级，包括内部安全知识、轨迹内部矛盾、长上下文证据检索、来源与推理验证、间接引导和信息缺失，并包含看似风险但实际合规的良性案例。样本大多取自真实生产轨迹，并提供成对的轨迹版本用于比较。
说明时间与空间：面向个人智能体的双轴证据型上下文基底
简介本文认为个人智能体的关键瓶颈在于上下文的表示方式，而非模型能力。作者提出时空上下文（STC）框架，以事件时间和关系空间两条轴组织信息，并要求每条关系都锚定到不可变的原始记录上。文中给出形式化定义、六项不变量、冲突检测与四类使用场景，并报告了一个基于SQLite的本地原型在341份文档上的检索层测量结果。
说明HeMeR：通过结构化KV缓存复用实现具身智能体异构记忆协调
简介该论文提出HeMeR，一种面向具身智能体的推理框架，用于在动态更新的陈述性、程序性和工作记忆之间进行KV缓存协调。HeMeR保留未变化记忆内容对应的KV状态，只重算受更新影响的部分。在真实机器人部署中，HeMeR取得83.20%的任务成功率，并将每步推理时间从2.94秒降至1.87秒（对比MemRL）。
说明Contain, Conform, Compare（扩展版）：面向小型编程智能体的红队评测工具包及其全部实验记录
简介本文介绍一套本地评测工具包 drydock-eval，用于评估小型编程智能体（Gemma 4 E4B），包括在无网络容器中运行任务并通过200项逃逸测试的隔离模块、与官方评分配置对齐的八项检查，以及按代码仓库聚类的配对统计模块。文章还公开了全部实验记录，包括9,660条智能体运行记录和2,494项评分对照，并报告了多组提示词变体实验，其中三项在新任务上的验证均未得到确认。提示词和智能体配置未予公开。
说明同一模型的两种精度：量化副本之间的分歧能否判断小模型何时答错？
简介本文研究同一权重的两种量化精度（8位回答、低精度副本读同一提示）之间的分歧，能否作为逐题错误评分，用于弃答、升级或重新提问。作者在Qwen3-0.6B和Qwen3-1.7B上，对ARC、MMLU、HellaSwag子集共8,398道选择题进行了实验。结果显示，分歧信号的增益有限，且与高斯权重噪声及特征打乱实验相比，并不特异于量化本身。
说明单遍决策编码器在输入的哪个位置查看？
简介论文研究小型模型 Laya 在一次前向传播中回答文本选择题时，超出 512 个词元窗口的证据会被截断而导致准确率下降。作者用 177 个测试条目、五类任务、三个检查点和 93,275 次评分请求进行测量。证据在窗口之外时，准确率降至约 26.4%，接近随机猜测水平；置信度无法区分被截断与可读取的请求。
说明《机器人说得太多，听得太少》：探讨社交机器人的语音交互问题
简介这篇短文回顾了以往改进社交机器人语音识别和轮流发言（turn-taking）的方法。作者指出，语音识别已明显进步，但轮流发言失败和其他误解仍然很常见。文章认为，需要多模态双向流式处理（multimodal bidirectional streaming）来降低轮流发言失败的频率。
说明规划智能体应如何重塑其搜索空间？
简介规划智能体与基准测试通常把用户的初始需求当作固定不变。本文提出 ReSHAPE 任务，用搜索空间是否涵盖用户可接受的方案、规划器能否在其中找到方案来评判需求修订的好坏。作者基于旅行和购物场景分析了5800份经智能体修订的需求。结果显示，正确的权衡取舍能让同一规划器找到可接受方案的概率最多提高4.6倍；现有智能体展示方案的效果优于单纯询问偏好。
说明从最优结果到人类预测算法：以交互艺术与轨迹预测为例的探讨
简介本文以交互艺术和人类轨迹预测算法为例，指出随着模型量化指标不断刷新，算法构建中对人类行为、未来想法和社会互动的考量逐渐减弱。作者从感知、交互和时间三个方面，分析两个领域的结构与发展共性，探讨人类直觉、艺术与AI算法之间的关联。文中还提到，受艺术启发的预测算法能从数据中推导出有意义的人类行为模式。