现有计算机使用代理在长周期图形界面任务中因每一步都调用大型多模态模型而导致效率低下。此类任务轨迹具有高度异质性：多数步骤可由轻量策略可靠处理，而错误多集中于少数高风险时刻，表现为进度停滞与语义漂移。为此，本文提出一种事件驱动的步骤级级联框架，默认运行轻量策略，仅当轻量监测器识别到风险升高时才升级至强模型。该框架整合了停滞监测器与里程碑监测器，能根据交互进程自适应分配计算资源，将始终开启的前沿模型推理转变为按需调用。该模块化设计无需改变现有代理架构或重新训练大模型即可直接集成。

针对现有开源视觉偏好数据集存在的冲突偏好、低分辨率等问题，研究团队提出Poly-DPO算法，通过多项式项动态调整模型置信度以增强抗噪性。为突破数据瓶颈，团队构建了大规模高质量数据集ViPO，包含百万级图像对与数十万视频对。实验表明，在高质量ViPO上，Poly-DPO最优配置会收敛至标准DPO，验证了数据质量；而在噪声数据集上，Poly-DPO相比Diffusion-DPO在SD1.5和SDXL模型上分别取得6.87和2.32的性能提升。研究证实，算法适应性与数据质量共同推动视觉偏好优化的规模化发展。

本研究通过推理冲突视角，探讨大语言模型能否将归纳、演绎等基本推理模式与具体问题实例解耦。发现LLMs优先考虑合理性而非合规性，即使指令冲突也倾向任务适用推理。任务准确率不严格由合理性决定，模型依赖内部参数记忆且随规模增强。推理冲突可内部检测，置信度显著下降。实验显示推理类型从中后层线性编码，表明激活层面可控。通过机制干预，成功将模型导向合规，指令遵循率最高提升29%。这表明主动干预能有效解耦逻辑模式与数据，提升可控性、忠实度和泛化能力。

长度价值模型（LenVM）是一个创新的令牌级框架，它将剩余生成长度预测转化为价值估计问题，通过为每个生成令牌分配恒定负奖励来获得密集、无偏且可扩展的监督信号。实验表明，LenVM能显著提升模型对生成长度的精确控制能力：在LIFEBench精确长度匹配任务中，它将一个7B模型的长度分数从30.9大幅提升至64.8，超越了前沿闭源模型。同时，该模型支持性能与效率的连续权衡，如在GSM8K上设定200令牌预算时，能保持63%的准确率，远超基线模型的6%。此外，LenVM能从提示开始预测总长度，并提供生成动态的可解释视图，展现了其作为通用长度建模框架的广泛潜力。

传统科学论文为追求线性叙事，舍弃了大量失败实验与分支路径，且描述与可执行细节间存在鸿沟，严重阻碍了AI智能体的理解与复现。为此，研究团队提出“智能体原生研究制品”（ARA）协议，以包含科学逻辑、可执行代码、探索图谱及证据层的机器可执行研究包取代传统论文。其生态系统由实时研究管理器、ARA编译器和原生评审系统支持。实验表明，ARA将问答准确率从72.4%提升至93.7%，复现成功率从57.4%提高至64.4%。保存的失败轨迹能加速扩展任务，但也可能限制高能力智能体跳出既有框架。

研究提出协同进化策略蒸馏（CoPD），以解决混合RLVR的跨能力发散问题和传统OPD因行为模式差距导致的能力吸收不全问题。CoPD通过推动专家并行训练，并在每个专家的RLVR训练中引入双向OPD，使专家互为教师、协同进化，从而保持行为模式一致且知识互补。实验表明，CoPD能全面集成文本、图像和视频推理能力，性能显著优于混合RLVR和MOPD等基线，甚至超越领域专用专家。该方法可能启发新的训练扩展范式。

研究团队提出名为ElementsClaw的智能体框架，通过协同大型原子模型与大型语言模型来加速材料发现。该框架利用微调自10亿参数原子模型Elements的工具进行原子尺度计算，并借助LLM进行高层语义推理，将材料发现转向集成化、人机交互模式。在超导体搜索中，该框架仅用28个GPU小时便筛选了240万种晶体，识别出6.8万个高置信度候选材料，将已知超导体空间扩大了数个数量级。它不仅成功识别出文献中隐藏的超导体，更发现了四种经实验验证的新型超导体，其中Zr3ScRe8和HfZrRe4的转变温度分别为6.8K和6.7K。

基于Transformer的表格检索系统将结构化表格扁平化为序列，导致即使语义不变，不同序列化格式（如CSV、HTML）也会产生显著差异的检索结果。研究将不同格式的嵌入视为共享语义的噪声视图，以其质心作为规范表示。质心平均法能有效抑制格式特异性变异，在多个检索模型的比较中优于单一格式。此外，研究引入轻量级残差瓶颈适配器，将单格式嵌入映射向质心目标，并施加协方差正则化。该适配器提升了多个稠密检索器的鲁棒性，但改进效果因模型而异，对稀疏检索提升较弱。相关代码与模型已开源。

针对概念瓶颈模型（CBM）将认知不确定性与偶然不确定性混为一谈的问题，研究团队提出了CREDENCE框架。该框架将每个概念表示为概率区间，通过不同概念头之间的分歧量化认知不确定性，并训练一个专门的模糊性输出来估计偶然不确定性。实验证明，认知不确定性正相关于模型预测错误，而偶然不确定性则紧密跟踪标注者间的真实分歧。基于此分解，该方法能支持明确的决策：自动化处理低不确定性案例，优先收集高认知不确定性数据以改进模型，将高偶然不确定性案例转交人工审核，并在两者皆高时主动弃权。代码已开源。

一项基于互联网档案馆网站的大规模分析显示，AI生成的文本已大量充斥网络。研究发现，AI文本的实际影响与公众预期不同，它正使网络内容变得更加同质化，并呈现出一种异常的欢快基调。Cloudflare的分析指出，Bytespider、Amazonbot和ClaudeBot已成为网络上最活跃的AI爬虫之一，但许多公司会隐藏其AI爬虫活动。

本研究在无噪声模拟中，使用量子支持向量机（QSVM）对MIMIC-CXR胸部X光片进行二元保险分类，基于MedSigLIP-448、RAD-DINO和ViT-patch32等医学基础模型的冻结嵌入。通过两层公平比较框架，第一层未调优QSVM与未调优线性SVM对比，QSVM在所有18个测试配置中赢得少数类F1分数（17个p<0.001），在q=11时平均F1达0.343，经典核仅0.050。第二层未调优QSVM与C-调优RBF SVM对比，QSVM赢得所有七个配置。特征谱分析显示量子核有效秩在q=11达69.80，远超线性核，全量子比特扫描揭示架构依赖浓度起始。代码已开源。

本研究通过116次预训练实验，量化了循环语言模型中每次额外循环在验证损失上等效的独特参数量。实验拟合出联合缩放定律，得到循环等价指数φ=0.46。该值介于完全等效（φ=1）与无容量增益（φ=0）之间，表明每次循环都能在固定训练计算成本下可预测地提升性能。例如，一个4次循环的4.1亿参数模型，性能相当于5.8亿参数的非循环模型，但训练成本却与10亿参数的相当。研究进一步通过截断反向传播（φ降至0.38）和超连接（φ升至0.65）两个探测实验，展示了φ作为衡量工具的价值，能有效区分真正的架构改进与单纯的计算增益。

针对视觉语言模型在强化学习训练中面临的监督信号粗粒度问题，本研究提出了Perceval过程奖励模型。该模型能够从模型回应中提取图像相关声明，并与视觉证据进行逐项比对，从而精确定位感知错误的片段。在训练阶段，Perceval被整合进强化学习框架，通过对幻觉片段施加标记级惩罚，提供细粒度的监督信号。在推理阶段，该模型可截断错误回应并引导模型重新生成或反思，实现测试时扩展。实验表明，该方法在多领域基准测试中显著提升了经过RL训练的VLM性能，且其测试时扩展策略也优于多数投票等方法。代码与数据已公开。

加州大学圣克鲁兹分校研究团队开发出一款名为Neo的人工智能算法，可有效消除地面望远镜因大气湍流导致的图像畸变。该算法基于条件生成对抗网络，通过训练使地面观测图像的清晰度提升至太空望远镜水准，天体形态参数测量准确度提高2至10倍。目前该技术已应用于智利薇拉・C・鲁宾天文台，该台配备8.4米口径反射镜，造价约8亿美元。此前类似AI算法已将詹姆斯・韦布空间望远镜的数据分析时间从数年缩短至数日，助力多项天文发现。

针对现有过程奖励模型在动态数据分析任务中的不足，研究团队开发了DataPRM。该模型能作为主动验证器与环境交互，探测中间状态以发现静默错误，并采用反思感知的三元奖励策略区分可纠正与不可恢复的错误。通过多样性轨迹生成和知识增强的步骤级标注，构建了超过8000个高质量训练实例。实验表明，仅40亿参数的DataPRM在使用Best-of-N推理时，能显著提升下游大模型在多个基准上的性能，并展现出稳健的泛化能力。将其集成到强化学习中，也显著优于结果奖励基线。

针对现有视频基础模型常出现几何不一致的问题，研究团队提出World-R1框架。该框架无需修改底层模型架构，而是通过强化学习，利用预训练的3D基础模型和视觉语言模型的反馈进行优化，从而将视频生成与3D约束对齐。团队构建了专用的世界模拟纯文本数据集，并采用周期性解耦训练策略来平衡几何一致性与场景动态流畅性。评估表明，该方法在保持基础模型原有视觉质量的同时，显著提升了3D一致性，有效弥合了视频生成与可扩展世界模拟之间的差距。

研究指出，在短上下文窗口下对大型语言模型进行标准GRPO后训练，虽能压缩推理步骤，但会导致训练不稳定和精度下降。为此，团队提出步骤级优势选择方法，该方法在推理步骤层面进行操作，对正确轨迹中的低置信度步骤和验证失败轨迹中的高置信度步骤分配零优势值，从而有效过滤因截断或验证器问题导致的不可靠步骤。在多项数学与通用推理基准测试中，该方法将平均Pass@1准确率提升了0.86个百分点，同时将平均推理长度降低了16.3%，实现了更优的精度与效率平衡。

Tuna-2是一种原生统一的跨模态模型，它摒弃了传统的VAE等模块化视觉编码器，直接通过简单的图像块嵌入层处理像素，统一执行视觉理解与生成任务。实验表明，该模型在多项跨模态基准测试中取得了最先进的性能，证明其像素空间建模在高质量图像生成上可与潜在空间方法竞争。尽管基于编码器的变体在预训练早期收敛更快，但Tuna-2的无编码器设计在大规模训练后实现了更强的跨模态理解能力，尤其在细粒度视觉感知任务上表现突出。这表明预训练视觉编码器对跨模态建模并非必需，端到端的像素学习为视觉任务提供了可扩展的新路径。

研究团队提出了Zero-to-CAD框架，用于大规模合成可执行的CAD构造序列。该方法将大型语言模型嵌入一个反馈驱动的CAD环境中，通过智能体搜索的方式迭代生成、执行和验证代码，以提升几何有效性和操作多样性。该框架成功合成了约一百万个可执行、可读且可编辑的CAD序列，其操作词汇远超基础的草图拉伸流程。团队同时发布了一个包含10万个高质量模型的精选子集。基于此合成数据微调的视觉语言模型，能够从多视角图像重建可编辑的CAD程序，其性能超越了包括GPT-5.2在内的强基线，实现了无需真实构造历史数据即可引导序列生成能力。Zero-to-CAD弥合了几何规模与参数化可解释性之间的鸿沟。

现有视觉语言模型（VLM）的空间智能评估存在系统性缺陷：基于点云标注的问答对在视频评估中因重建误差和标注伪影导致答案错误或模糊，且评估常假设全场景访问，而实际模型仅处理稀疏采样帧。为提升评估有效性，我们提出ReVSI基准，通过重新标注5个数据集的381个场景并严格生成可信问答对，确保问题在模型实际输入下可答且答案正确。该基准提供多种帧预算变体及细粒度物体可见性元数据，支持可控诊断分析。在ReVSI上的评估揭示了以往基准掩盖的系统性故障模式，实现了更可靠、更具诊断性的空间智能评估。

针对现有镜头边界检测方法存在边界不可解释、遗漏细微间断、依赖噪声标注与过时基准等问题，本研究提出OmniShotCut方法。该方法将镜头边界检测构建为结构化关系预测任务，通过基于镜头查询的密集视频Transformer，联合估计镜头范围及其内外关系。为规避人工标注不精确，采用全合成过渡合成流程自动生成带精确边界及参数化变体的主要过渡类型。同时，发布了支持整体与诊断评估的现代宽领域基准OmniShotCutBench。

研究提出基于Tsallis q-对数的损失函数族J_Q，用于在仅有输出级监督的后训练中调整推理模型。该族在利用极（q=0，对应RLVR）和密度估计极（q=1）间连续插值，所有成员共享相同梯度方向，仅通过标量因子P_{θ^{-q}}重加权。该机制解决了冷启动停滞问题：利用极逃离需Ω(1/p_0)时间，而密度估计极仅需Θ(log(1/p_0))，中间q值权衡逃离速度与噪声记忆。研究推导出两种蒙特卡洛估计器：梯度放大强化学习（GARL）与后验衰减微调（PAFT）。在多个数据集上，q=0.75的GARL显著缓解了冷启动停滞，在GRPO完全失败时成功逃离；在热启动中，低q的GARL在FinQA上表现主导，而PAFT在q=0.75时为其他数据集提供了稳定梯度，在HotPotQA上达到最佳结果47.9 maj@16。

StereoFoley是一个视频到音频的生成框架，能生成48kHz、语义对齐、时间同步且空间准确的立体声。现有视频生成音频模型大多局限于单声道或无法实现对象感知的立体声成像，主要受限于缺乏专业混音、空间准确的视频-音频数据集。该研究首先开发了一个从视频生成立体声的基础模型，在语义准确性上达到了与当前最先进V2A模型相当的性能。

条件扩散模型展现出组合泛化能力，能生成超出训练分布的条件组合样本，但其机制尚不明确。研究聚焦于长度泛化，即生成比训练所见更多数量物体的图像。在受控的CLEVR场景中发现，模型仅在某些情况下能实现长度泛化，表明其并非总能掌握底层组合结构。通过分析扩散过程的局部动态，研究揭示了泛化成功与失败案例中条件交互模式的系统性差异，为理解生成式模型的组合推理边界提供了新视角。

本研究通过一项为期21天的真实资本链上交易实验，探讨了自主语言模型代理的可靠性。在受控市场中，3,505个用户注资的代理交易真实ETH，产生了750万次调用、约30万次链上操作及2000万美元交易量，提交交易的结算成功率达99.9%。研究发现，可靠性不仅依赖于基础模型，更源于操作层设计，包括提示编译、策略验证与执行防护等。上线前测试揭示了纯文本基准难以评估的故障模式，如伪造交易规则和手续费瘫痪，通过针对性框架调整，相关故障率显著下降，受影响测试群体的资本部署率从42.9%提升至78.0%。研究表明，管理真实资本的代理需在从用户指令到结算的完整路径上进行评估。

针对开源大语言模型在模拟真实对话的工具使用场景中，因规模较小、上下文有限导致的错误累积问题，研究团队提出故障感知元智能体框架FAMA。该框架首先分析基线智能体的故障轨迹以识别常见错误，随后在决策前启动最小规模的专用智能体，向工具使用智能体注入针对性上下文以应对这些故障。实验表明，FAMA使多种开源LLM在评估中的性能较基线提升最高达27%，证明通过专用智能体针对性处理常见故障，能有效提升多轮次工具使用智能体的可靠性。

本文针对联邦学习中冗余或噪声样本导致模型性能下降的问题，提出一种基于多任务自动编码器的样本选择方法。该方法通过中央服务器协调，采用OCSVM、隔离森林和自适应损失阈值等无监督异常检测技术过滤客户端噪声样本，并引入中央服务器控制的多类深度支持向量数据描述损失以增强特征选择。在CIFAR10和MNIST数据集上的实验表明，在非独立同分布设置及高达40%的噪声水平下，基于损失的样本选择能显著提升模型精度，其中CIFAR10上最高提升7.02%。联邦SVDD损失进一步优化了特征选择，额外带来最高0.99%的精度提升。

研究团队提出PSP（音素替换剖面），一种用于量化评估印度语种TTS系统口音的可解释基准方法。PSP将口音分解为六个互补维度：卷舌音坍缩率、送气音保真度、元音长度保真度、泰米尔语卷舌近音保真度、Frèchet音频距离以及韵律特征散度。通过在印地语、泰卢固语和泰米尔语上测试五个TTS系统，研究发现：卷舌音错误率随音系难度递增；PSP评估结果与传统可懂度指标排序存在差异；没有单一系统在所有维度上均表现最优。团队同时开源了包括母语参考中心向量、评分代码在内的一系列资源。

Praxy Voice提出一种无需商业训练数据、不重新训练声学解码器，即可将非印度语系基础TTS模型提升至商业级印度语输出质量的方法。其结合三项技术：BUPS统一音素空间将七种印度文字罗马化；仅在文本标记预测器上训练LoRA适配器；以及通过同语言参考音频与特定采样配置实现语音提示恢复。在泰卢固语、泰米尔语和印地语的评估中，该系统在音韵指标上达到或略微超越商业基线。针对语码混合场景，额外引入IndicF5分支，显著降低了混合语句的错误率。项目已开源相关资源。

RADIO-ViPE 是一个在线语义SLAM系统，能够在动态环境中实现几何感知的开放词汇关联，将任意自然语言查询与定位的3D区域和物体进行匹配。该系统直接处理原始单目RGB视频流，无需预先获取相机内参、深度传感器或位姿初始化。它通过将来自聚合基础模型的多模态嵌入与几何场景信息在初始化、优化和因子图连接中进行紧耦合，提升了多模态地图的一致性。优化过程采用了自适应鲁棒核函数，以同时处理主动移动的物体和因智能体移动而改变位置的场景元素。实验表明，RADIO-ViPE 在动态TUM-RGBD基准测试中取得了最先进的结果，其性能可与依赖标定数据和静态场景假设的离线开放词汇方法相竞争。该系统为自主机器人和无约束野外视频流提供了鲁棒的开放词汇语义基础。

研究提出DiGSeg框架，将预训练扩散模型转化为通用分割器。该方法将输入图像与真实掩码编码为潜变量，作为扩散U-Net的条件输入，并通过并行CLIP文本通路注入多尺度语言特征，实现文本与视觉表征的对齐。实验表明，该框架在标准语义分割基准上取得领先性能，并在开放词汇泛化及跨域迁移（医疗、遥感、农业）中表现优异，且无需针对特定领域调整模型架构。这证明扩散模型不仅能用于图像生成，也可作为强大的通用视觉理解模型，缩小了生成与理解任务间的差距。

X2SAM是一个统一的分割多模态大语言模型，它将图像中的任意分割能力扩展至视频。该模型结合大语言模型与存储引导视觉特征的掩码记忆模块，能依据对话指令和视觉提示生成时间一致的视频掩码，并支持图像与视频输入下的通用、开放词汇、指代、推理及交互式分割。研究团队提出了视频视觉基础分割基准V-VGD，用于评估模型根据交互式视觉提示分割视频物体轨迹的能力。通过跨异构数据集的统一联合训练，X2SAM在视频分割上表现优异，在图像分割基准上保持竞争力，同时保留了通用的图像与视频对话能力。

本文提出软各向异性图（SAD），一种基于图像平面自适应站点参数化的显式可微分图像表示方法。SAD通过各站点定义各向异性度量与加权距离，并依据像素前K个站点的softmax混合计算颜色，形成具有可学习温度的软加权Voronoi划分，在保持清晰边界的同时保留有效梯度。该方法支持基于前K映射的高效渲染，并采用受跳转扩散启发的传播方案更新站点。在Kodak数据集上，SAD以2.2秒编码时间达到46.0 dB PSNR，训练速度比先进基线快4-19倍，且在相同码率下性能更优。SAD还能无缝集成至可微分流程，并具备快速随机访问与紧凑存储优势。

当前LLM智能体技能多以文本描述，导致机器难以解析利用。本研究基于经典知识表示理论，首次提出结构化技能表示法——调度-结构-逻辑表示法，将技能解耦为调度信号、执行结构和逻辑证据。通过基于LLM的标准化器实现该方法，并在技能发现与风险评估任务上评估。结果显示，该方法显著优于纯文本基线：技能发现的MRR从0.573提升至0.707，风险评估的宏观F1分数从0.744提升至0.787。这表明显式、基于来源的结构化表示能提升技能的可搜索性与可审查性，是迈向更可检查、可重用、可操作技能表示的重要实践步骤。