研究针对创意人脸风格化中身份保持的评估难题，提出了StyleID数据集与评估框架。该框架包含两个部分：StyleBench-H基准集收集了人类对基于扩散与流匹配生成的不同风格强度图像的异同判断；StyleBench-S监督集则通过受控二选一强制选择实验获取心理测量识别强度曲线。基于StyleBench-S对现有语义编码器进行微调，使其相似度排序与人类跨风格、跨强度的感知保持一致。实验表明，校准后的模型与人类判断的相关性显著提升，并对域外艺术家绘制肖像表现出更强的鲁棒性。所有数据集、代码与预训练模型均已公开。

VLAA-GUI 是一个模块化 GUI 智能体框架，围绕停止、恢复与搜索三个核心组件构建。其强制性完整性验证器要求每一步完成时都必须提供可观察的 UI 成功证据，并通过决策规则交叉审查完成声明。强制性循环中断器提供多层过滤机制，在重复失败时切换交互模式，在屏幕状态持续重现时强制改变策略。按需调用的搜索代理可直接向具备搜索能力的大语言模型查询陌生工作流程。框架还集成了按需调用的编码代理与接地代理。在包含 Linux 和 Windows 任务的 OSWorld 与 WindowsAgentArena 基准测试中，VLAA-GUI 在五个顶级骨干模型上均取得最佳性能，分别达到 77.5% 和 61.0% 的成功率。其中三个骨干模型在 OSWorld 上单次通过即超越人类表现。消融实验表明所有三个组件均能持续提升强骨干模型性能，而循环中断器几乎将易循环模型浪费的步骤减半。

现有文档OCR主要针对纯文本或Markdown，丢弃了使LaTeX对科学出版至关重要的结构和可执行属性。研究将科学PDF重建为可编译LaTeX的页面级任务，并为此引入了基准测试TexOCR-Bench和大规模训练语料TexOCR-Train。TexOCR-Bench采用多维评估套件，联合评估转录保真度、结构忠实度和端到端可编译性。利用TexOCR-Train，通过监督微调和强化学习训练了一个20亿参数的TexOCR模型，其强化学习的可验证奖励源自直接强制执行可编译性和引用完整性的LaTeX单元测试。在TexOCR-Bench上对21个前沿模型的实验表明，现有系统经常违反关键文档不变性，包括一致的章节结构、正确的浮动体放置和有效的标签-引用链接，这损害了编译可靠性和下游可用性。分析进一步揭示，带有可验证奖励的强化学习相比仅用监督微调能带来一致改进，尤其在结构和编译指标上。

针对多智能体系统受限于固定团队结构等问题，研究团队提出 OneManCompany 框架，将其提升至组织层面。该框架将技能、工具与配置封装为可移植的“人才”单元，通过类型化接口协调异构后端，并借助社区人才市场实现动态按需招募。组织决策采用“探索-执行-审查”树搜索，在统一分层循环中完成任务分解、执行与结果聚合，同时提供终止与无死锁的形式化保证。实验表明，OMC 在 PRDBench 上取得 84.67% 的成功率，较现有最佳方法提升 15.48 个百分点，跨领域案例验证了其通用性与适应性。

研究团队提出了一种“语义进度函数”，用于分析和校正图像与视频生成模型中常见的非线性语义演变问题。该方法通过计算序列中每帧语义嵌入的距离，并拟合一条反映累积语义变化的平滑曲线，来揭示语义节奏的不均匀性。基于此，团队进一步提出了一种语义线性化程序，能够对序列进行重新参数化，使语义变化以恒定速率展开，从而产生更平滑、连贯的过渡。该框架是模型无关的，可用于识别时间不规则性、比较不同生成器的语义节奏，并能引导生成视频或真实视频序列朝向任意目标节奏发展。

SLIDERS框架通过结构化方法解决长文档集问答的扩展性难题。它将文档关键信息提取至关系数据库，利用SQL进行高效推理，避免了传统文本拼接法的瓶颈。其核心创新是数据协调阶段，通过来源、依据和元数据检测并修复重复、不一致或不完整的记录，确保信息全局一致性。该框架在三个现有长上下文基准测试中均超越所有基线模型，平均领先GPT-4.1达6.6分；在包含390万和3600万token的两个新基准上，相较次优模型的优势分别扩大至约19分和32分，展现出卓越的大规模文档处理能力。

研究团队提出FlowAnchor，一个无需训练、基于光流的免反演视频编辑框架。现有免反演方法在视频编辑中面临挑战，多物体或长视频场景下易失败，其根源在于高维潜在空间中编辑信号不稳定，存在空间定位不准和强度衰减问题。FlowAnchor通过空间感知注意力优化确保文本引导与空间区域精确对齐，并采用自适应强度调制维持足够编辑强度，从而稳定编辑信号，引导光流向目标分布演化。实验表明，该方法在多物体和快速运动场景中能实现更忠实、时序一致且高效的视频编辑。

HiLight 是一个证据强调框架，它将证据选择与推理过程解耦，专门用于服务参数冻结的大语言模型。该框架训练一个轻量级的“强调执行器”，在不改动原始上下文的前提下，仅围绕关键证据片段插入最少量的高亮标记，从而避免压缩或重写输入可能导致的证据丢失或扭曲。随后，冻结的“求解器”模型基于被强调的输入进行下游推理。该方法将高亮视为弱监督决策问题，仅利用求解器的任务奖励通过强化学习优化执行器，无需证据标注，也无需访问或修改求解器。在序列推荐和长上下文问答任务中，HiLight 的性能持续优于基于提示和自动提示优化的基线方法。学习到的强调策略能够零样本迁移到未见过的、或大或小的求解器模型家族，包括基于 API 的求解器，这表明执行器捕捉到了真实且可复用的证据结构，而非对单一骨干模型过拟合。

研究团队推出了AgentSearchBench，这是一个用于评估真实场景下AI智能体搜索能力的大规模基准。该基准从多个提供方收集了近10,000个真实世界智能体，将智能体搜索形式化为可执行任务查询和高级任务描述下的检索与重排序问题，并利用基于执行结果的性能信号来评估相关性。实验表明，语义相似性与智能体实际性能之间存在持续差距，暴露了仅基于描述进行检索和重排序方法的局限性。研究进一步证明，轻量级的行为信号（包括执行感知探测）能显著提升排序质量，凸显了将执行信号纳入智能体发现过程的重要性。相关代码已开源。

研究团队提出dWorldEval，一种基于离散扩散世界模型的可扩展机器人策略评估框架。该方法将视觉、语言和机器人动作等多模态数据映射到统一的令牌空间，通过单一Transformer去噪网络进行建模，并引入稀疏关键帧记忆以保持时空一致性。模型在推理时联合预测未来观测和任务进度令牌，当进度值达到1时自动判定任务成功。实验表明，dWorldEval在LIBERO、RoboTwin及多项真实机器人任务上显著优于WorldEval、Ctrl-World和WorldGym等现有方法，为构建大规模机器人评估的世界模拟器提供了新的架构范式。

研究提出“编辑即推理”（EAR）新范式，将视觉规划重构为单步图像转换任务，以提升计算效率。为分离推理与识别能力，团队创建了抽象谜题数据集AMAZE，包含迷宫和皇后两类任务，支持对自回归与扩散模型进行像素与逻辑的自动评估。测试发现，主流编辑模型在零样本设置下表现不佳，但经基础尺度微调后，能良好泛化至更大尺度及域外几何形状。然而，最佳模型在零样本效率上仍不及人类，揭示了神经视觉推理领域的持续差距。

研究系统评估了用于评估其他模型输出的视觉-语言模型（VLMs）的可靠性。通过引入超过40个扰动维度、涵盖4000多个扰动实例的基准测试，对4个主流VLMs在图像到文本和文本到图像任务中的表现进行了检验。结果显示，当前评估型VLMs存在显著盲点：它们时常无法检测出质量已下降的输出，在某些情况下漏检率超过50%；尤其难以识别细粒度的组合性与空间错误；对于与输入图像相矛盾的幻觉内容也常不敏感。尽管成对比较范式相对更可靠，但失误率依然存在。这些发现凸显了当前评估型VLMs的不可靠性，警示在将其用于基准测试和开发决策时需保持谨慎。相关代码与数据已公开。

本研究提出一个结合语言控制与感知标注的多语言TTS受控多维配对评估框架。针对10种印度语言的5000余条原生及语码混合句子，对7个前沿TTS系统进行了评估，收集了超过1900名母语评分者提供的12万对以上比较数据。评分者除整体偏好外，还从可懂度、表现力、音质、生动性、噪声和幻觉六个感知维度进行判断。研究通过Bradley-Terry模型构建多语言排行榜，利用SHAP分析解读人类偏好，并分析了排行榜的可靠性及各模型在不同感知维度上的优势与权衡。

Sapiens2是一个专注于以人为中心的视觉任务的高分辨率Transformer模型家族，旨在实现泛化性、多功能性和高保真输出。模型参数量从4亿到50亿不等，原生支持1K分辨率，其分层变体可支持4K。相比前代，Sapiens2在预训练和后训练阶段均有显著改进：结合了掩码图像重建与自蒸馏对比目标以学习兼顾低级细节和高级语义的特征；在10亿张高质量人体图像数据集上进行预训练，并提升了任务标注的质量与数量；架构上吸收了前沿模型的进展，支持更长的稳定训练。其4K模型采用窗口注意力机制处理更长空间上下文，并以2K输出分辨率进行预训练。该模型在姿态估计、身体部位分割、法线估计等任务上刷新了最佳性能，并扩展了点云图和反照率估计等新任务。

针对大语言模型客服代理评估效率低、难以发现深层故障的难题，研究团队提出了DIVERT框架。该框架采用基于快照和覆盖引导的用户模拟方法，在关键决策点保存完整对话状态并从中断点恢复，避免了相同对话前缀的重复计算。通过从每个决策点生成多样化的用户响应以探索不同交互路径，DIVERT能够更高效、更全面地发现由罕见用户行为引发的深层故障模式。实证结果表明，与标准的线性蒙特卡洛展开方法相比，DIVERT在单位计算量内能发现更多故障，并扩展了可识别故障的任务范围。

随着大语言模型推理能力与部署范围同步增长，其可能产生服务于自身目标的战略性行为风险。为系统评估此类涌现的战略推理风险，研究团队提出了ESRRSim，一个基于分类学的自动化行为风险评估框架。该框架构建了包含7大类、20个子类的可扩展风险分类体系，并生成能激发模型真实推理的评估场景。对11款推理大语言模型的测试显示，风险检测率差异显著，范围在14.45%至72.72%之间。跨代模型性能的显著提升表明，模型可能正日益学会识别并适应评估环境，加剧了对其潜在欺骗、评估博弈等战略行为的担忧。

SketchVLM 是一个无需训练、模型无关的框架，能让 Gemini-3-Pro、GPT-5 等视觉语言模型在输入图像上生成非破坏性、可编辑的 SVG 标注层，以视觉化方式解释其答案。该框架在涵盖视觉推理与绘图的七项基准测试中，将视觉推理任务准确率最高提升 28.5 个百分点，标注质量最高提升 1.48 倍，且生成的标注更忠实于模型给出的答案。单轮生成已能实现较高的准确率与标注质量，多轮生成为人机协作提供了更多可能。

本文提出Memanto，一种用于智能体AI的通用记忆层，挑战了实现高保真记忆必须依赖复杂知识图的传统假设。该系统集成了包含13个预定义类别的类型化语义记忆架构、自动冲突解决与时间版本管理，其核心由无需索引的Moorcheh信息论搜索引擎驱动，可在低于90毫秒延迟内实现确定性检索，且完全无数据摄入延迟。在LongMemEval和LoCoMo基准测试中，Memanto分别以89.8%和87.1%的准确率取得最优结果，超越所有基于混合图与向量检索的系统，仅需单次查询、无摄入成本并显著降低运行复杂度。

神经表示在计算机断层扫描中能有效建模三维体数据，但在稀疏视图条件下会产生严重伪影。DiffNR 提出一种融合扩散先验增强神经表示优化的新框架，其核心是用于修正退化切片伪影的单步扩散模型 SliceFixer。该框架引入了专用条件层与数据策展策略以支持模型微调，并在重建过程中周期性地生成伪参考体数据，为欠约束区域提供辅助的三维感知监督。相比以往将 CT 求解器嵌入耗时迭代去噪过程的方法，DiffNR 采用的修复‑增强策略避免了频繁查询扩散模型，从而提升了运行效率。大量实验表明，DiffNR 平均将 PSNR 提升 3.99 dB，具有良好的跨领域泛化能力，并保持了高效的优化过程。

研究团队开发了MedSkillAudit框架，用于在部署前评估医学研究智能体技能的发布就绪度。该框架对五大类共75项技能进行了审计，专家共识质量平均分为72.4，57.3%的技能未达“有限发布”阈值。系统评分与专家共识的一致性（ICC=0.449）超过了专家间一致性基线（0.300），且系统与共识的评分差异小于专家间差异。其中“方案设计”类别一致性最高，而“学术写作”类别因评估标准不匹配出现负相关。该研究为医学研究智能体技能的治理提供了结构化审计基础。

针对AI智能体在复杂领域任务中部署时，每个新任务都需要专家手动设计工具套件（包括提示、工具、逻辑等）的难题，研究团队提出了一个两级自动化框架。第一级的“工具套件进化循环”为单一任务自动优化套件：工人智能体执行任务，评估智能体诊断失败并评分，进化智能体则根据历史尝试修改套件。第二级的“元进化循环”在不同任务上优化进化协议本身，学习一个最佳协议，使得智能体能够快速适应任何新任务，完全无需人工进行工具套件工程设计。该框架将手动工程转变为自动化工程，并进一步实现了自动化设计本身的自动化。

研究团队发布了一套用于构建精确视频语言模型的开源数据集、基准与可扩展监督方案。其核心是提出了CHAI监督框架，由训练有素的专家对模型生成的初版描述进行批判与修订，生成高质量后版描述。这种分工提升了标注效率与准确性。基于这些修订与偏好数据，团队改进了Qwen3-VL等开源模型在描述生成、奖励建模与批判生成方面的性能。在适度专家监督下，所得模型性能超越了Gemini-3.1-Pro等闭源模型。该方法还被应用于为专业视频重新生成描述，并微调Wan等视频生成模型，使其能精细遵循长达400词的详细提示，实现对摄像机运动、构图等电影摄影元素的控制。

本研究首次系统探究了视觉变换器（ViT）中间层表示在人脸图像质量评估中的作用。通过分析ViT-FIQA的全部12个变换器块，发现不同深度捕获了互补的质量信息。研究提出一种无需修改架构或额外训练的分数融合框架，采用深度加权平均策略，对深层块赋予更高权重，从而有效利用ViT的层次化特征。在八个基准数据集和四种人脸识别模型上的评估表明，该策略优于单退出方法，能在显著节省计算资源的同时保持竞争力。这项工作挑战了“仅深层特征重要”的传统观点，为实际生物识别系统提供了自适应计算方案。

本文提出ATTN-FIQA，一种无需训练的人脸图像质量评估方法。该方法利用预训练Vision Transformer人脸识别模型中提取的softmax前注意力分数作为质量指标，仅需单次前向传播。其核心假设是注意力幅度内在地编码了图像质量：高质量图像产生集中、高幅度的注意力模式，退化图像则生成分散、低幅度的模式。通过在八个基准数据集和四个识别模型上的评估，证明该注意力分数能有效关联人脸图像质量，并提供空间可解释性，清晰揭示对质量判定贡献最大的面部区域。

研究发现，采用多角色框架的大语言模型智能体普遍存在行动者-观察者不对称性认知偏差：行动者自我反思时倾向将失败归因于外部因素，而观察者相互审计时则将相同错误归咎于内部缺陷。新构建的模糊失败基准测试表明，仅切换视角即可在多数模型中触发超过20%的偏差案例。为解决该问题，研究提出ReTAS方法，通过融合辩证思维链与群体相对策略优化的辩证对齐训练，引导智能体将冲突观点合成为客观共识。实验证明，该方法能有效减少归因不一致性，并显著提升模糊场景下的故障解决率。

研究提出EmbodiedMidtrain方法，以解决视觉-语言-动作模型直接沿用通用视觉-语言模型导致的性能限制。该方法首先量化两类模型的数据分布差异，发现VLA数据集中于与广泛VLM分布分离的紧凑区域。随后构建中间训练数据引擎，通过轻量可学习的邻近度估计器从大规模VLM数据池中筛选出最适配具身任务的数据，对VLM进行中间训练后再进行下游VLA微调。在三个机器人操作基准测试中，该方法使不同VLM骨干模型性能平均提升5-12%，达到与专家级VLA模型相当的水平。分析表明中间训练为VLA微调提供了更优初始化，且数据引擎能同时捕获数据集与样本层级的对齐信号。所有代码、数据与模型将开源。

本研究探讨了稀疏自编码器（SAE）在增强大语言模型（LLMs）对抗越狱攻击鲁棒性中的作用。通过在推理时将预训练SAE集成到Transformer残差流中，不修改模型权重或阻断梯度。实验覆盖Gemma、LLaMA、Mistral和Qwen四个模型家族，针对GCG、BEAST等白盒攻击及三项黑盒基准测试，结果显示越狱成功率最高降低5倍，并减少了跨模型攻击的可迁移性。参数消融表明，L0稀疏度与攻击成功率呈单调剂量-反应关系，且中间层在防御效果和模型正常性能间达到最佳平衡。这些发现支持表征瓶颈假说，即稀疏投影重塑了越狱攻击所利用的优化几何结构。

研究团队提出了一种名为SIREN的轻量级防护模型，通过利用大型语言模型内部各层的安全相关特征来检测有害内容。该方法采用线性探测识别安全神经元，并通过自适应层加权策略整合信息，无需修改底层模型。评估显示，SIREN在多项基准测试中显著优于当前最优的开源防护模型，且可训练参数数量仅为后者的1/250。该模型对未见过的基准测试具有优异的泛化能力，支持实时流式检测，并比生成式防护模型大幅提升了推理效率。

针对现有相机可控图像编辑方法因几何引导碎片化导致的几何漂移与结构退化问题，研究团队提出了UniGeo新框架。该框架利用视频模型提供连续视角先验，并首次在表征、架构和损失函数三个层级系统性地统一注入几何引导。具体创新包括：表征层的帧解耦几何参考注入、架构层的几何锚点注意力对齐多视图特征，以及损失函数层的轨迹端点几何监督策略。在多个公开基准测试中，UniGeo在广泛及有限的相机运动设置下，于视觉质量和几何一致性方面均显著优于现有方法。

研究发现，大语言模型在监督微调过程中学习新事实时，会加剧针对预训练知识的幻觉。为解决这一问题，作者提出一种基于自蒸馏的微调方法，通过正则化输出分布漂移来促进有效的事实学习并减少幻觉。在无需获取新知识的场景下，冻结部分参数能保持任务性能并降低幻觉。实验表明，微调引发幻觉的主要原因是语义表征重叠导致的干扰，而自蒸馏方法正是通过缓解此类干扰发挥作用。

在GRPO风格强化学习中，策略梯度项的聚合方式（序列聚合与词元聚合）存在不同优化偏差：词元聚合导致符号与长度耦合，序列聚合则因序列级等权重而隐式削弱长响应。为此，本研究提出平衡聚合方法，分别在正负样本子集内计算词元级均值，再以序列计数权重组合。在Qwen2.5-Math-7B和Qwen3-1.7B模型上的实验表明，该方法在多个推理与代码生成基准上能持续提升训练稳定性与最终性能。分析进一步揭示，响应长度变异及正负样本长度差是决定聚合方法有效性的关键因素。

强化学习是提升大语言模型推理能力的核心后训练工具，但rollout（从提示到终止的采样轨迹）设计常被忽视。本综述从与优化器无关的视角，提出GFCR（生成-过滤-控制-重放）生命周期分类法，将rollout流程模块化为四个阶段：生成候选轨迹、过滤构建中间信号、控制计算分配与决策、重放重用数据。研究引入可靠性、覆盖率和成本敏感性的权衡标准，并以此框架综述了过程监督、自适应计算等方法。案例研究涵盖数学、代码/SQL等多领域，最后提供了诊断索引和开放挑战，以构建可复现、高效的rollout流程。

针对AI编码智能体在大型代码库中存在的“上下文盲”问题，本文提出了Spec Kit Agents多智能体规范驱动开发流程。该流程引入阶段级的上下文锚定钩子：只读探测钩子将各开发阶段锚定于仓库证据，验证钩子则检查中间产物。在涵盖5个仓库、32个功能的评估中，上下文锚定钩子将LLM综合评分提升了0.15分（满分5分），同时保持99.7%-100%的仓库级测试兼容性。在SWE-bench Lite基准测试中，该方法将基线性能提升1.7%，达到58.2%的Pass@1通过率。