SciFigBench: A Benchmark for Scientific Method Figure Understanding（在新窗口打开）
4352 张方法图、40670 QA，测密集感知、视觉关系与信息流；SciFigCue 无训练提升若干任务。
- SciFigBench 针对方法图的三能力 QA：密集内容、视觉关系、信息流追踪
- SciFigCue 将箭头依赖外化为视觉关系证据的免训练 prompting
- 实验显示强模型在视觉关系理解上仍明显不足
前沿论文
17 大方向 · 三级优先筛选 · 每日更新
最近更新：2026-10-21 14:27
返回聚合视图2026-10-21 周三共 220 篇：生成 16 · 代码生成 0 · 智能体 20 · 世界模型与具身 54 · 理解 40 · 音频 26 · 多语 5 · 基础模型 59
- 生成
- 文生图 4图编辑 3视频生成 73D 生成 2
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 4代码 Agent 9工具调用 7
- 世界模型与具身
- 世界模型 16具身智能 38
- 理解
- VLM 36OCR 4
- 音频
- 音频 26
- 多语
- 多语言与翻译 5
- 基础模型
- LLM 57统一多模态 2
本页要点由 AI 根据论文摘要生成，以原文为准。
共 220 篇
AWLS: Advantage-Weighted Latent Steering for One-Step Generative Robotic Manipulation Policies（在新窗口打开）
在冻结一步生成策略解码器前提下，用 AWLS 离线后训练偏向高价值示范动作。
- 学习观测条件残差噪声塑形器，以优势加权动作重建目标训练
- 优势 detach 且仅作监督权重，避免 critic 梯度更新引发 prior 漂移
- 仿真与真实混合质量示范上优于冻结基策略并保留单步推理
AEON: Unifying Video and 3D World Models（在新窗口打开）
在视频 latent 中生成可渲染 4DGS，桥接视频与 3D 世界模型，支持持久动态环境仿真。
- 以 4D Gaussian Splatting 为显式世界表示，在条件视频 latent 空间生成可渲染图元
- 单目视频 4D 重建初始化解码器，VAE 蒸馏将生成视频 latent 适配为重建 latent
- 渲染预测相机轨迹做视频式建模，并构建带场景动力学的持久 4D 环境
EDMA: Entropy-Driven Multimodal Answering（在新窗口打开）
用逻辑熵刻画多模态 QA 的迭代降熵过程，量化各模态贡献并选轨迹，在 MMQA 基准上优于多种 prompting 基线。
- 将多模态 QA 形式化为逻辑熵逐步降低的可量化 answering trajectory
- 提出模态条件划分、熵驱动融合与最小逻辑熵轨迹选择
- 显示高熵与误报相关，熵可作为正确推理路径的单调选择指标
SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model（在新窗口打开）
共享动力学可微世界模型与跟踪策略联合训练，单 GPU 数小时超越 128 GPU 七日基线并迁移 Unitree G1。
- 刚性体仿真转移数据拟合统一可微世界模型，BPTT 短想象 rollout 供解析梯度
- 129514 动作基准上失败数与 GPU 时相较 SOTA 大幅降低
- 1–264 小时动作规模下预测误差稳定，便于研究 scaling law
Mixture of Phonetic Experts Based Low-Rank Adaptation of Conformer Models for Accented English Speech Recognition（在新窗口打开）
按发音方式类组织六个 LoRA 专家做帧级路由，跨口音共享，零样本 held-out 口音相对单 LoRA 提升 12.3%。
- MoPE-LoRA：六类发音方式低秩专家与音素监督加声学门控的混合路由
- 不依赖口音专用模块，可推广到未见口音
- L2-ARCTIC 上稳定优于单 LoRA 与全量微调
A Principled Optimal Transport Framework for Frame Selection in Long Video Understanding（在新窗口打开）
将长视频 MLLM 的帧选择表述为证据分配问题，提出免训练的 OTFS 最优传输框架。
- 把 query-aware 帧选择形式化为 structured evidence-allocation
- 半不平衡熵最优传输 OTFS-Sinkhorn 与覆盖感知子集抽取
- 在三个长视频理解基准上稳定优于强 training-free 基线
Look Before You Reason: Implicit Visual Thinking for Efficient Multimodal Reasoning（在新窗口打开）
LoRe 单轮内预测关键区域并强化对应 KV cache，配合 RL 引导区域利用，低开销提升细粒度多模态推理。
- 隐式 visual thinking：区域预测与 patch 对齐并加强 KV，解码直接利用所选视觉线索
- 强化学习引导 VLM 识别信息区域并在推理中使用，避免多轮 zoom/crop 冗余
- 发布 COCO-ObjQA 对象中心多模态推理基准，在多个挑战性 benchmark 上 consistently 提升
Real In, Real Out: What If We Only Use Real Data for Scene Text Editing?（在新窗口打开）
用真实图像自构造配对监督训练 TextRIRO，在场景文字编辑上缓解合成到真实的域差距。
- 用 Crop、Shuffle、Mask 等方式从单张真实图构建自配对训练数据
- TextRIRO 扩散基线在真实基准上兼顾准确率与视觉真实感
- 构建 TextRIRO-3M 并验证对长文本识别等下游任务的增益
Decoupling Action from Egocentric Observation for World Simulation（在新窗口打开）
EgoACT 在视频扩散去噪中做自我中心动作迁移，无需额外几何估计，交互更物理 plausible。
- 提出 EgoACT：Velocity-guided Structure Anchoring 与 Sparse Correspondence Calibration 稳定手-物结构与时序
- 直接在扩散去噪过程操作，避免显式几何控制带来的估计误差
- 建立 EgoActionBench，实验显示动作保持与交互 realism 优于强基线
TPO: Tri-level Distributionally Robust Learning for OOD Direct Preference Optimization（在新窗口打开）
TPO 用层次矩形模糊集联合建模组/提示/偏好三层分布偏移，得到可 tractable 的鲁棒 DPO 目标。
- 针对 preference 分布的组级、prompt 级、偏好级三层 shift 提出 tri-level 分布鲁棒 DPO 框架
- Wasserstein 实例化给出闭式偏好级 margin、prompt 对抗嵌入扰动与最坏组重加权
- 建立有限样本收敛保证，实验优于现有鲁棒 DPO 方法
GALA: Geometry-Aware Language Model for Controllable Object Arrangement（在新窗口打开）
带点云感知的语言模型按指令自回归预测单物体 6D 位姿，支撑与 containment 等细粒度约束。
- GALA 显式点云感知，逐步预测目标物体 6D pose，克服 OBB 等对几何细节不敏感的问题
- 两阶段训练：几何-文本对齐预训练再微调摆放； curated 多源室内场景数据集将开源
- 多阶段 plan-place-verify agent 用于文本驱动场景生成， benchmark 上显著优于无显式几何推理基线
Diagnostic Analysis for Large Language Model Reasoning（在新窗口打开）
两阶段诊断评估推理图结构可靠性：先测构图能力随拓扑与 prompt 的变化，再以不确定性估计检验下游对图错误的敏感性。
- 在开放多跳 QA 上提出针对推理图结构可靠性的两阶段诊断流程
- Stage 1 显示图可靠性随拓扑、prompt 设计与模型族变化
- 生成边实验表明图计算对上游错误敏感；金图实验支持基于置信度的对错分离与节点级诊断
After the Attacker Leaves: Benchmarking Carryover Attacks on LLM Agents（在新窗口打开）
CarryoverBench 评测记忆与定时任务等跨会话重触发，五轮内 payload 重放无明显衰减。
- 定义 carryover 攻击：一次性间接注入在会话外反复触发
- Instant/Autonomous/Latent 三通道、101 攻击任务与分阶段验证
- 五前沿模型种植成功后触发阶段额外防护有限，需运行时层控制
Claims of emergence in AI should be grounded in information decomposition（在新窗口打开）
用信息分解形式化 synergy/涌现，仅当行为携带任务相关的协同信息时才可称涌现，并应用于注意力头与多智能体等。
- 以 unique/redundant/synergistic 信息分解为 AI 涌现论断提供可证伪准则
- 在 attention heads、自主 agent、人机团队等尺度统一分析现有认识
- 提出跨层级、跨基质的协同性 conjecture 组织方式
Disentangling Depression from Cognitive Decline in Elderly Speech Using Concurrent Clinical Assessments（在新窗口打开）
89 名 MCI 韩语文料上，控制认知后仅共振峰与抑郁相关，12 维 F1+F2 UAR 0.760。
- 三年随访韩文老年 MCI 语料，同步 SGDS 抑郁与 MMSE 认知评估
- 线性混合模型与偏相关一致：F0 无抑郁信号，formant 在控制认知后仍相关
- F1+F2 子集 12 特征优于 eGeMAPS 全特征与自监督表示
Beckmann World Models: Direct Terminal-Map Learning for One-Step Action-Conditioned Prediction（在新窗口打开）
无预训练生成教师，从噪声、视觉历史与动作直接学未来帧；PushT/Robomimic 上 MSE 相对回归基线显著降低。
- 将 Beckmann 终端映射守恒律扩展到动作条件视频预测
- 端点对齐训练监督源端预测并强调运动与空间结构
- 策略评估 IoU 误差最低 0.0100，相对 DriftWorld 更高吞吐、更低显存
Learning Adaptable Dexterous Skills via Hybrid Dexterous Mimicking（在新窗口打开）
AdaDex 用单段几秒人手轨迹，结合跟踪与泛化 RL，学可偏离参考的灵巧操作并迁移真机。
- 提出 Hybrid Dexterous Mimicking：并行跟踪环境与泛化环境共训共享策略
- 动捕或野外 RGB(D) 重建轨迹即可构造目标条件灵巧技能
- 在泛化与功能性上优于基线，并展示跨仿真器与真机迁移
ReuF2F: Benchmarking Coding Agents on Formalized Undergraduate Research Problems（在新窗口打开）
244 道 Lean 4 形式化 REU 开放题与 Docker 评测；最佳模型约解出 40%。
- ReuF2F：244 道跨数学子领域的 Lean 4 本科 REU 开放问题基准
- 标准 coding-agent 设置：Docker 内 Lean 项目含命题及其否定
- Leanimum-agent 统一 harness；held-out 开放题更适合端到端评测
OverSeer: Multi-Agent World Models Beyond What Agents See（在新窗口打开）
固定空间辅助相机视角作世界中心代理，配合 delta-VAE 压缩变化，提升多智能体时序与跨体一致性。
- 多智能体 egocentric 流与固定 auxiliary views 联合建模
- delta-VAE 相对静态参考只编码变化，降低 auxiliary token 开销
- Minecraft、Doom 及真实多相机采集验证一致性与压缩收益
AutoTerm-SST: Adaptive Terminology Memory with Zero Session-Time Setup for Streaming Speech Translation（在新窗口打开）
无需会前上传词表或选领域，按话题切片激活术语库，流式翻译术语与 BLEU 接近已知领域参考。
- 取消会话级词表上传与领域选择，离线大词表按话题切片组织
- 用近期流式上下文匹配双语切片原型，在固定预算下激活多切片工作集
- 五场 ACL 与五场 ESO 肿瘤讲者上术语准确率 88.3%，整体 RTF 0.406
DuplexLedger: Benchmarking Transactional Memory in Full-Duplex Speech Agents（在新窗口打开）
发布双语全双工会话记忆基准 DuplexLedger，并提出 ACT-Mem 改善边听边说时的持久记忆。
- DuplexLedger 对齐四类全双工场景与 Write/Update/Ignore/Retain 事件级监督
- 评测显示现有系统难以兼顾交互边界与一致终态记忆
- ACT-Mem 侧车模块提升最新值准确率并减少陈旧断言
Quantum-JEPA: Quantum Born Priors for Latent-Action JEPA World Models（在新窗口打开）
在 JEPA 中用条件量子 Born 先验学习未来表示分布，支持多延续预测并在 D3IL 等任务上优于变分基线。
- 提出 Quantum-JEPA：量子测量产生二值 latent action，共享预测器映射到多种未来表示
- 以预测质量与多样性驱动的采样能量目标训练量子先验，参数高效且支持相关 latent action
- 在构造多模态任务与 D3IL 上验证有效性，并展示有限样本训练及真实 QPU 推理可行
Physical AI for Intralogistics: Benchmarking the NVIDIA Sim-to-Real Ecosystem for Cosmos-Enhanced COMPASS Navigation on Industrial Mobile Robots（在新窗口打开）
在 Idealworks 数字孪生与真机部署 X-Mobility/COMPASS，Cosmos 增广将四场景成功率从 65.3% 提至 91.7%。
- 扩展 COMPASS 基准：差分 iw.hub、全向 HMP 与 R&D 数字孪生
- 数字孪生微调 + Cosmos sim-to-real 与 onboard Jetson 全栈部署对比
- 静态场景数字孪生与真机对照，量化 sim-to-real 差距与 Cosmos 作用
Evolving Self-tuning Benchmarks for Long-Horizon Tool Use（在新窗口打开）
TURTLE 用 UED 与 proposer/solver/feedback 三类 LLM 智能体演化工具任务，生成可调难度的长程自进化测试集。
- TURTLE：无监督环境设计演化现有 tool-use 任务，缓解人工监督与领域局限
- proposer 按 solver 表现奖励难且可解任务，feedback 总结执行 trace 供 proposer 利用
- 在 AppWorld、τ-Bench、AutomationBench 上提高难任务比例、多样性与失败模式覆盖
Perceives but Doesn't Brake: A Perception-Action Binding Gap in Reasoning Driving VLAs（在新窗口打开）
驾驶 VLA 已编码路径内危险却未充分控制轨迹；冻结模型上注入 hazard-conditioned energy 可恢复制动耦合。
- 定义 perception-action binding gap：危险信息在表示中可用但对纵向规划控制不足
- 匹配反事实与日志重放显示规划受自车速度历史主导，对危险距离与推理 trace 响应弱
- 无需重训，向 Alpamayo-1.5 flow-matching 采样器注入 hazard energy，显著降低 footprint 侵入并消除相关碰撞
EmbodyHOI: Embodiment-Aware Generation of Hand-Object Interactions for Humanoid Dexterous Manipulation（在新窗口打开）
在冻结 flow-matching HOI 采样环内嵌入可微 IK，生成时即约束人形可达性，显著降低重定向误差并提升策略成功率。
- 生成阶段用人形本体 IK 约束文本条件 HOI 轨迹，避免事后 retarget 的接触丢失
- 推理期 guidance 使单一人类 HOI 生成器可迁移至不同人形本体而无需重训
- 在 ARCTIC 与 G1、H1-2 上 wrist 误差与任务成功率优于事后 refinement 等替代方案
TEX: Test-Time Scaling Testing Agents via Execution-based Cross-Validation（在新窗口打开）
多智能体并行生成测试与补丁并交叉执行形成 K×K 反馈矩阵，在 SWT-Bench Verified 达 86.4% SOTA。
- 提出 execution-driven cross-validation 的协作式 test-time scaling 框架 TEX
- K×K 矩阵让各智能体用局部执行反馈 refine，无需冗长 trace 共享
- 强调执行 grounding 反馈可提升长程 agent 任务整体解质量而非仅 best-case
Edit in Sync: Unified End-to-End Audio-Visual Editing for Human-Centric Videos（在新窗口打开）
AVE 首个无空间 mask 的统一端到端框架，联合完成换人/插入/删除及音画对齐编辑。
- 统一端到端联合视觉编辑与音频 dubbing，解决独立 pipeline 导致的唇音不同步与误差累积
- 构建合成 pipeline 与 AVE-Dataset（10 万对 appearance/voice 参考）缓解数据稀缺
- Synthetic-to-Real 重建与 audio warm-up 缓解音视频 token 不平衡，编辑 realism 与对齐优于分离式 pipeline
EvaOmni: An Evidence-Grounded Benchmark for Audio-Visual Reasoning（在新窗口打开）
392 视频、1027 人工 QA，要求同时输出答案与证据区间，并用 C.G./B.G. 评估推理链 grounding。
- 15 能力、三层次（检索定位/基础理解/复杂推理）的证据标注流程
- 过滤文本与单模态捷径，视频型干扰项构造
- Coverage Grounded Score 与 Bottleneck Grounded Score 联合评测
PACE: Plan, Attend, Check, and Emit for Training-Free Response Timing in Streaming Video Understanding（在新窗口打开）
PACE 无训练框架用计划、核查与 event ledger，在流式 QA 中决定何时 emit 最终答案。
- 将 chunk 级流式错误归纳为采样不稳定、缺乏 grounding、事件未结束三类模式
- PACE 先规划观测与完成信号，在信息时刻调用 video LLM 并检验稳定性、grounding 与完成度
- 在 ProactiveVideoQA 与 OVO-Bench Forward 上较官方协议平均 PAUC/准确率显著提升
VLM-Guided Contact Retargeting and Generative Partner Modeling for Humanoid-Human Interaction（在新窗口打开）
REACT 以语义接触结构串联 VLM 重定向、特权策略蒸馏与遮挡下生成式伙伴状态预测，真机五类接触交互仅用 onboard 感知。
- VLM 引导语义接触建模与 retargeting，保持交互结构
- 接触奖励训练特权策略，再蒸馏为纯 onboard 深度 egocentric 策略
- 生成式 partner-state 建模缓解严重部分可观测
Exploration via Activation-Space Steering for Reinforcement Learning with Verifiable Rewards（在新窗口打开）
对同一题正误回答的激活差聚类得探索向量，在线多样化 rollout；DAPO-Math 上 Mean@8 优于 GRPO。
- Activation-Space Exploration：聚类正误激活差构建结构化探索向量库
- 在固定 rollout 预算下引导后续采样走替代推理路径
- Qwen3-1.7B/8B 在六项数学推理基准上相对 GRPO 提升 Mean@8
Reconstruction-Optimized Expert Pruning for Mixture-of-Experts Language Models（在新窗口打开）
OptEP 用可微专家选择连续松弛做重建最优子集剪枝，在激进剪枝下较现有方法显著保留精度。
- 将 MoE 层后训练专家剪枝表述为固定数量专家的输出重建子集选择
- OptEP：可扩展连续松弛优化选择变量，并对保留专家做轻量重建式权重更新
- 在多种 MoE 架构与数学推理、代码生成任务上优于最强 expert-pruning 基线
What Would Removing This Corruption Change? Failure Attribution for Vision-Language-Action Models（在新窗口打开）
定义 VLA 失败归因：因子化风险模型在 latent 干预下估计移除各 corruption 的收益，无需成对 rollout。
- 形式化 failure attribution：判断移除哪些共现 corruption 能降低当前 episode 失败风险
- 因子化场景与 corruption 表示，从当前图像与指令估计 removal benefit
- 在 OpenVLA、π₀.₅ 仿真与 π₀.₅-DROID 真机上优于单体与 VLM 基线，可用于在线失败监测
Auto-Director: Leveraging Multi-Agent Collaboration for Autonomous Video Editing（在新窗口打开）
多智能体工具框架复刻专业剪辑流程，并发布 VEdit-Bench 评测，自动与人工评估均显著优于基线。
- Planning/Material/Editor/Critic 四智能体分工与 Reflect-and-Revise 闭环
- 开放素材检索、分镜索引与 MLLM 空间适配组接
- VEdit-Bench：100 主题、Golden Script 与五维指标套件
Self-Credit: Credit Assignment for Long-Horizon Agentic RL via Intra-group Rescaling（在新窗口打开）
用策略自生成引用与组内重缩放，从稀疏结果奖励构造稠密监督，提升长程 Agent RL。
- 提出 Self-Credit：rollout 中带引用的摘要作为自生成信用
- 组内重缩放对比成败 rollout，修正信用并强调关键动作
- BrowseComp-Plus、GAIA、xBench-DeepSearch 上显著优于强 Agentic RL 基线
CLOSER: Evidence-Aware Active Visual Verification for Embodied Object-Goal Navigation（在新窗口打开）
将停止决策视为闭环取证：微调 VLM 多视角融合判定，不确定时用 diffusion 主动靠近补证。
- 候选目标跨帧 VLM 标注 target/non-target/uncertain 与多样性视角选择
- 轻量网络融合多视角概率，可插拔现有 ObjectNav 系统
- Gibson 与 Habitat-Matterport 3D 上 SR 与 SPL 均有提升
EndoWorld-JEPA: Motion-Guided Global-Local Latent World Modeling for Endoscopic Video Representation Learning（在新窗口打开）
以观测运动为条件做下一潜状态预测，为内窥镜视频提出 EndoWorld-JEPA 预训练范式。
- 将被动内窥镜预训练表述为因果、运动引导的潜状态预测
- 光流模块分离主位移与残差运动，驱动全局-局部双预测器
- 统一预训练 checkpoint 在四个下游内窥镜基准上展现强迁移
LVMem: Image-Augmented Memory for Long-Horizon Question Answering（在新窗口打开）
在 ReMEmbR 式记忆中链回原始图像，光流选帧与物体中心描述；OC-NaVQA 上优于 ReMEmbR。
- 记忆条目保留 image path，自适应检索返回最相关 caption 对应图像
- PSFR 光流选帧与物体中心场景描述替代均匀采样与普通 caption
- 轻量 view-based 记忆在 OC-NaVQA 二元与位置指标上优于 ReMEmbR
When Can LLM Reasoning Reliably Reuse Intermediate Results?（在新窗口打开）
分析多子问题推理中复用中间结果何时可靠，并给出局部重试下的完成条件与计算界。
- 为局部重试策略给出正确完成条件与平均尝试次数上界
- 形式化检查成本与通过概率对总计算量的影响
- 在八个推理模型上对比有无首子问题上下文对第二子问题的覆盖
Knowing When to Stop Thinking: A Dissection of Expected Free Energy as a Test-Time Compute Controller for Latent World-Model Planning（在新窗口打开）
剖析 EFE 如何结合目标距离与随机预测分歧，用于规划深度与在线更新的停止与算力分配。
- 将 EFE 启发的目标用于测试时规划：分别评估打分、停止规则与在线预测器更新
- 精英代价停滞时停止可在部分任务上接近固定深度参考的成功率并减少无效 refine
- 揭示代价停滞规则在模型误差被继续优化时可能失效，峰值后保性能需动作后果信息
Capable Teacher, Myopic Scorer: Reward-Free Teacher Repair for Agentic On-Policy Distillation（在新窗口打开）
指出 agentic OPD 的 rollout-scorer gap，R2S 在无任务奖励下用 teacher takeover 修复 scorer，十二组 teacher-student-环境均优于 SOTA。
- 形式化 next-token 评分与 episode 结果之间的 rollout-scorer gap
- 从高分歧状态挖掘 takeover 轨迹，无奖励共识/LLM judge 筛选后微调 teacher 评分
- 修复后的 teacher 作为唯一 scorer 做标准 OPD，平均 success 较各 cell 最佳基线高约 12.8 点
Beyond the Sequentiality Bottleneck: A Hybrid Diffusion-Autoregressive Framework for Efficient Multimodal Reasoning（在新窗口打开）
CoRAL 用 DLM Planner 并行生成 K 条推理轨迹、ARM Executor 选优作答，RDC 将 outcome reward 注入扩散去噪。
- Asymmetric Planner-Executor：DLM 并行规划 + 大 ARM 执行合成答案
- Reward-Guided Denoising for CoT（RDC）引导目标导向推理
- 视觉-语言基准上优于 prior diffusion 方法并与强 ARM 竞争
Act on Your Behalf, Beyond Your Authorization: Benchmarking LLM Agent Authorization Alignment（在新窗口打开）
提出 AuthorizationBench，系统评测 LLM 智能体是否在用户授权范围内代为行动。
- 基于真实案例构建含 286 项可执行任务的授权对齐基准
- 在授权感知沙箱中跑满 6864 条轨迹，量化越权行为比例
- 表明任务能力与推理增强本身不能保障授权对齐
Tracing Recurrent and Emergent Hallucination Patterns in Decomposed Text-to-SQL Generation（在新窗口打开）
用可执行子查询 drill-down 评测框架，区分 Text-to-SQL 路径上的复发性与涌现性幻觉。
- 将 Text-to-SQL 分解为渐复杂子查询以沿生成路径标注幻觉类别
- 区分 recurrent 与 emergent 两类条件幻觉并报告其概率差异
- 表明对话历史下复发与涌现概率并不同向变化，需轨迹级分析
On the Limits of Scale: Inverse Scaling in Vision-Language Models（在新窗口打开）
大规模评测显示 VLM 在子任务上存在大模型劣于小模型的逆缩放，且跨架构可复现。
- 在 19 个模型、八个多模态基准上系统识别逆缩放子任务组合
- 发现 13 个子任务-数据集对在多模型族中一致逆缩放
- 指出多图空间推理、视觉感知与大学 STEM 等域受影响最大
LaLa-World: Scaling Latent World Models with Natural Language Actions（在新窗口打开）
语言条件 latent 世界模型联合仿真、机器人轨迹与图像视频数据，MPC 规划优于分域 LWM，训练与规划成本显著低于视频 生成基线。
- 数值动作与视觉变化均用语言描述，单预测器跨异构数据联合训练
- 基于语言模型的 future predictor 解释语言条件并预测 latent 状态
- LaLa-Policy 在 LIBERO 与 RoboCasa 与 Cosmos Policy 竞争且推理更快
DexGraspFlow: Topology-Aware SE(3) Flow Matching for Cross-Embodiment Dexterous Grasp Generation（在新窗口打开）
在 link 级 SE(3) 流匹配中融合几何与运动学树拓扑，跨三款手型高仿真成功率并支持零样本指节变体。
- 双 stream DiT 建模 link–link 与 link–object，并用 kinematic-tree 距离作 attention bias
- 联合学习平移/旋转速度场并经 IK 恢复关节，推理时可做掌心朝向引导
- 仿真与真实抓取实验验证跨本体与部署可行性
REM: What to Store, When to Recall, What to Forget in Experience Memory for Coding Agents（在新窗口打开）
在 think-act 循环内管理经验生命周期，在 SWE-ContextBench Lite 上提升修复率并降成本。
- 提出存储、召回、遗忘三决策的可复用经验记忆框架 REM
- 轨迹压缩为阶段化文档， struggling 时再注入实现记录
- match@1 与任务成功率优于 SOTA 记忆系统
MemDev-Bench: Does Memory Help Code Agents?Benchmarking Memory Systems over Real Repository Histories（在新窗口打开）
提出 MemDev-Bench，在可控相关性的仓库历史上系统评测记忆对代码智能体的影响。
- 为每任务配对同仓库、带相关性标注的历史任务，构建可控历史
- 自动化流水线使历史任务可执行可验证，共 4869 条历史、555 个基任务
- 揭示记忆主要提升细粒度定位与编辑，也会因误用相关/无关历史导致失败
CUA-Recovery: Benchmarking Error Recovery in Long-Horizon Computer-Use Agents（在新窗口打开）
提出 CUA-Recovery 基准与 ReRail 合成框架，系统评测桌面多应用长任务中 CUA 的错误感知与恢复能力。
- ReRail 在持久化桌面环境中合成带可执行真值的长视界任务与轨迹
- 人工核验测试集含 2250 个错误状态，训练集含 8600 条恢复轨迹
- 六类智能体 EAR 最高约 44%，Pass@3 最高约 25.5%，微调可提升恢复与任务完成
RoboCasa-Shift: Stage-Aware Robustness Evaluation of Vision-Language-Action Policies in Long-Horizon Household Manipulation（在新窗口打开）
提出 RoboCasa-Shift 诊断基准，揭示 VLA 鲁棒性需多维刻画而非单一成功率。
- 单因素扰动与 matched clean-perturbed 成对 rollout 设计
- 阶段感知诊断分析失败深度与 outcome 变化
- GR00T N1.5 上展示扰动因子与严重度非单调退化等现象
PACT-VLA: Speculative Action-Chunk Verification with Pre-Commit Observations（在新窗口打开）
异步 VLA 推理时用 pre-commit 观测选动作块，FlowRes 评分、免训练，延迟场景成功率显著提升。
- 将推理延迟当作决策时间，用更新观测在提交前选完整 action chunk
- FlowRes 衡量候选隐含流与冻结策略在 pre-commit 观测下速度残差
- 流水线实现使选择不增加控制步延迟，仿真与三台真机任务验证
Large Multimodal Models for Direct Robot Control: GPT-6 as a Beginning（在新窗口打开）
系统评估 GPT-6 Astra 闭环操控能力，揭示语义推理与物理执行间的显著差距。
- 在轻量 agent 框架下评估 GPT-6 Astra 的闭环操控与三项具身基础能力
- 提出几何约束基准 LIBERO-GeoMotion，暴露空间理解到可行运动的困难
- 刻画通用多模态模型的具身能力边界与部署挑战
ABACUS: A Benchmark for Image Editing Models to Assess Object Category and Counting Under Scene Conservation（在新窗口打开）
提出无 VLM 判分的数值编辑基准，揭示主流编辑器在复杂场景与较大数量上的计数失败。
- 提出 ABACUS 基准、协议与数值编辑专用评分指标
- 以全景真值与检测器共识做实例级计数与场景保持验证
- 评估显示既有 holistic 或 VLM 评判常漏判或误判数值编辑错误
StreamEval: Evaluating Interactive Streaming Video Generation Models（在新窗口打开）
覆盖五类任务的流式交互视频生成统一基准，揭示请求执行与状态一致仍是核心难点。
- 300 用例、增量多模态请求与状态/内容保持要求的 StreamEval
- 任务执行、状态一致、视觉保真、视听协调四维十指标评测
- 37 模型评测显示高画质与可靠请求执行、持续状态一致并不一致
CaMeWM: A Causal Medical World Model for Generative Tumor Evolution and Treatment Planning（在新窗口打开）
动作条件 3D 扩散与生存效用闭环，在支持受限下估计反事实治疗演化与 RMST。
- 将治疗规划统一为干预—生成—决策单循环而非独立预测任务
- 动作条件响应描述与残差 3D 扩散生成随访 CT 世界分布
- 交叉拟合双重稳健策略评估与可检视的支持受限 g-formula 目标
Replan for Error Recovery: Training Embodied VLMs through Verifiable Interaction with Action-Grouped Turn-GSPO（在新窗口打开）
提出 ERR 环境与 AGT-GSPO，训练 2B 具身 VLM 在失败状态下重规划恢复。
- 构建 ERR-Env 与 ERR-Bench，支持可验证的执行错误与进度反馈
- 提出 AGT-GSPO：回合级奖励与动作分组优势估计的在线 RL
- ERR-VLM 在严格成功率与恢复率上相对多样 VLM 基线显著提升
VPFlow: Value-Predictive Planning with Imperfect World Models for Offline Goal Reaching（在新窗口打开）
用目标到达价值监督潜世界模型，配合流策略与进化搜索规划，在 OGBench 上大幅超越基线。
- 论证离线规划中价值预测比精确下一状态预测更关键
- 以闭式 Monte Carlo return 监督潜表示，避免表示坍缩
- 提出 VPFlow：价值预测规划器与一步 flow 策略及噪声空间进化搜索
Training Controllable World Models via Action Influence Maximization（在新窗口打开）
分析数据动作影响上界，用 AIM 主动采集数据显著提升动作可控性与数据效率。
- 证明训练数据的 action influence 上界限制模型可控性
- 提出 AIM 算法主动采集高动作影响数据
- 像素操控任务上用极少主动数据匹配大量专家演示的可控性
PLaCA: Learning Patch-Level Future Latent Change for Action Generation（在新窗口打开）
PLaCA 预测 patch 级未来潜变量变化并接入动作头，LIBERO-Long 成功率 79.0%，参数增量小。
- 直接预测空间结构化 patch 级未来潜变量变化，保留局部环境变化信息
- 引入变化感知监督与未来到动作接口
- 第二阶段仅更新约 2.95% 参数即在 LIBERO-Long 与 CALVIN 上提升表现
SLM-SS: Token-Based Speech Separation with Speech Language Models（在新窗口打开）
用语音语言模型对多说话人混合进行 token 级生成式分离，Libri2Mix 上 WER 6.92%，主观质量优于判别式基线。
- 神经 codec 离散化与 SOT 序列化下的自回归 SLM 分离框架
- 零阶序列定说话人顺序，非自回归模块 refine 高阶码本
- per-talker NAR 策略提升稳定性；WavTokenizer 变体在未见噪声与中文混合上泛化良好
The Shape of the DPO Hyperparameter Landscape: What to Measure, How It Moves with Scale, and When Not to Transfer It（在新窗口打开）
密集网格实验揭示 DPO 最优超参随模型规模与数据变化，验证损失不宜作选参代理。
- 分析学习率与 β 等最优超参随模型规模与步数演化
- 指出超参跨训练数据集不可迁移
- 验证 loss 与下游 benchmark 最优超参仅弱相关
Recast the Past: Stable Long Video Generation with Full Context Memory（在新窗口打开）
ReCam 将历史 latent 块投影为 memory token 并配合双指针去噪，VBench-Long 总分 80.1，离屏主体一致性领先基线。
- 块级全历史 latent 投影为 memory token，自注意力保留完整历史访问
- 双指针去噪分离近期上下文与目标帧噪声日程，缓解漂移
- 长视频与 R2M-Bench revisit、离屏再现等指标表现领先
Beyond the Evidence Boundary: Behavioral Mirage Under Progressive Degradation in Medical VLMs（在新窗口打开）
提出 baseline 锚定框架界定证据边界，揭示渐进图像退化下高置信仍坚持作答的 mirage 现象。
- 定义 empirical evidence boundary 与 boundary 处 mirage 行为
- 在三种医学数据集上分析 MedGemma 等 VLM 的轨迹与异质后边界行为
- 残差流探针可较高 AUROC 解码 commit 与 abstain
Offline Makes Online Better: Calibrated Cache Compression for Video Generation（在新窗口打开）
提出 CALM，离线标定层-头 token 合并分配，在同内存下优于均匀合并并提升视频质量。
- 发现各层各头对 token 合并敏感度不同且跨 prompt 稳定
- 用 attention 输出误差作代理离线构建层-头风险图
- 推理时用动态规划按缓存预算分配合并比例
Exploring Temporal Context-Aware Physical Grounding in Latent World Models（在新窗口打开）
提出 G-JEPA，在 JEPA 世界模型中聚合时序上下文做物理状态监督，并用先验引导动作规划提升操作任务表现。
- 共享因果时序模块在观测/预测序列上聚合上下文并受物理状态监督
- 基于当前与目标 latent 差异的分步动作推断，锚定 generative action 提案
- 在初始与目标观测时距增大的 manipulation 任务上展示更好规划性能
Evolving Agent Interfaces（在新窗口打开）
Agent S4 从任务轨迹演化 computer-use 接口与用法知识，OSWorld V2 上同模型表现约为固定接口的 3.8 倍。
- 提出接口设计应成为智能体能力，meta-agent 在无成功标签下构建并修订接口库
- 种群进化在 meta-agent 未见的验证任务上筛选接口库，偏好可泛化改动
- OSWorld V2 与 ScienceBoard 上 evolved 接口显著提升开源模型成功率并达新 SOTA
ShlokaDhara: A Multi-Speaker Sanskrit Speech Corpus for Learning Meter-Aware Prosody in Text-to-Recitation（在新窗口打开）
发布 43 小时多说话人梵语语料，建立重 Laghu-Guru 格律的 Text-to-Recite 评测基准。
- 构建覆盖多种 Chandas 与吟诵风格的 ShlokaDhara 语料库
- 定义需格律与韵律双正确的 Text-to-Recite 合成任务
- 提出音节级 Laghu-Guru 时长等客观格律指标并做专家主观评测
Embodied Playground: A Long-Horizon Agentic Robotics Benchmark for Physical, Strategic, and Spatial Reasoning（在新窗口打开）
410 个长程 manipulation 环境基准，评测基础模型 agent 的进度跟踪与执行反馈重规划。
- 统一协议覆盖观察、工具、预算与目标/规则/物理有效性独立检验
- EP-100/EP-20 及 Easy-Hard 划分，涵盖 16 类多阶段家务与 puzzle
- 为 foundation-model 机器人 agent 的长程推理与动作协调提供评测框架
Unsupervised Tool Evolution for Coding Agents in Data-Lake Analytics（在新窗口打开）
TEAL 在无标注下由 Explorer 与 Critic 提议工具，Worker 复用验证，在步数预算内显著提升 LakeQA 等表现。
- 提出 TEAL：双 Agent 从数据湖与 Worker 轨迹互补提议可复用工具
- 仅当 Worker 无额外步骤采纳且答案有轨迹证据支持才保留变更
- 引入 TEAL-Q 用合成问题在无真实问题时仍演化工具库
A Two-Way Street: Surveying the Interplay between Code-Mixing and Native Languages in Text and Speech（在新窗口打开）
系统综述语码混合与母语在文本/语音上的双向迁移，归纳 taxonomy 并指出数据配比与评测等开放问题。
- 统一梳理从母语到 CM 与 CM 回流母语两类迁移及模态维度
- 指出多数工作为母语→CM，反向较新且语码切换主要通过对齐两语获益
- 共享语音基准上母语数据增益常大于新架构，文本与语音方法少互引
PACE-MoE: Adaptive Domain Sampling and Domain-Specific LoRA for Medical Visual Grounding（在新窗口打开）
PACE-MoE 用策略引导联合自适应域采样与域专属 LoRA，提升多域医学视觉定位框 IoU。
- 动态评估各成像域训练价值，域准入、回放与全域平衡协调数据分配
- 域专属 LoRA 将更新路由到对应域并保留预训练骨干
- 七域实验相对 Vanilla 平均 box IoU 相对提升 3.64%
VLA-Retain: Benchmarking Cross-Dimension Effects of Vision Tuning in VLAs（在新窗口打开）
VLA-Retain 在 LIBERO-Plus 七维扰动上对比五种 VLA 的视觉微调，目标域增益常伴随非目标维度回退。
- 分离目标增益与非目标变化，比较 Camera-view 与 Sensor-noise 等微调设定
- 10 组模型—域配置中 8 组平均非目标增益为负，目标成功不能预测保持性
- DELTA 类特征保留等策略效果因模型而异，强调跨维 retention 为适配准则
Multi-View Latent Action Pretraining for Cross-Embodiment Robot Learning from Videos（在新窗口打开）
多相机 cross-attention 的 LAM 预训练提升 6D 动作可解码性，跨本体策略成功率较单视角 LAM 高约 13.5%，真机验证有效。
- 同步多视角 LAM 在压缩 latent action 前解析深度与遮挡
- 冻结 VLM 骨干上 latent expert 与 action expert 的 sequential flow matching 策略
- 严格跨本体设定下双视角预训练优于大幅扩单视角数据；人手演示可迁移至硬件
Frontier LLMs Enter the World of Robotics: A Cross-Model Evaluation on RoboColiseum（在新窗口打开）
在 RoboColiseum 上横向评测多款前沿 MLLM，任务理解与可靠物理执行仍存在差距。
- Agent2Act 统一 harness 接入多模型进行四赛道对比
- 归纳指令跟随强、空间推理较好、通用操作偏弱的共性画像
- 分析 harness 设计对成功率、规划成本与执行时间的影响
EventSync: Event-Driven Memory Updates for History-Dependent Manipulation（在新窗口打开）
分层框架用 Event Monitor 确认子目标完成后再写记忆，RoboMME 总成功率 64.5%，较报告最佳基线高 20 个百分点。
- 事件驱动记忆更新协调高层推理与低层执行
- VLM 生成子目标、VLA 执行并配合轨迹判定完成证据
- 四类真实机器人任务验证历史依赖操作有效性
P$^3$-VLM: A Point-based Alternative for Grounded 3D Vision-Language Models（在新窗口打开）
揭示 3D grounding 评测中 bbox 语义泄漏，提出点式 prompting 与三通路 P³-VLM。
- 点式 grounding 协议削弱 blind LLM 与 3D VLM 的 bbox 捷径
- 无 detector、scene-centric 的三通路架构支持 3D GS 输入
- 点式设定下 location-grounded captioning 达 SOTA 并提升 OOD 与 3D VQA
DocLayout-YOLO: Axis-Attentive Document Layout Detector with Mesh-Guided Synthetic Pretraining（在新窗口打开）
文档专用实时 YOLO 检测器，MeshLayout-1M 合成预训练加 PALA 页轴注意力，在四套异构文档基准上达 SOTA 精度效率权衡。
- Mesh-candidate BestFit 构建 MeshLayout-1M 大规模多样合成版面预训练语料
- 提出 PALA，沿页面水平/垂直轴高效建模长程依赖
- 在 D4LA、M6Doc、HJDataset、PRIMA-LAD 上取得 SOTA mAP50:95 与更好实时性
Attractive Faces Skew Text-to-Image Reward Models and Leaderboards（在新窗口打开）
揭示人脸吸引力会压过画质影响偏好，并扭曲 Elo 榜与多种 human preference 模型打分。
- 用户研究中吸引力可让更美 AI 脸胜过高保真但不美真人照
- 模拟 Elo 显示吸引力可颠倒模型排行
- 吸引力是多款 preference 模型最强相关因子并削弱 prompt 控制
Reward Misspecification Degrades Chain-of-Thought Monitorability（在新窗口打开）
奖励误指定使 CoT 仍谈任务意图而输出违规却获奖；奖励描述注入训练可显著恢复可监控性。
- 构建真/误奖励对的可验证 reward hacking 测试床
- 证明误指定 alone 即可在 hack 率上升时保持低 CoT 可监控性
- 用 LM 推断奖励描述并注入输入，平均提升可监控性 24% 或 42%
Plausible Future, Wrong Choice: Steering World-Action Models toward Intended Future（在新窗口打开）
TaskWAM 用 Mode/State Token 结构化任务状态，缓解 Stage Confusion，多本体可插拔迁移。
- 提出 Stage Confusion 现象与闭环 stage-aware TaskWAM
- Mode Token 表任务需求、State Token 跟踪进度以引导 world-action 生成
- StageBench 与仿真/真机实验显示减混淆、SOTA 级表现与跨架构迁移
Physical Canvas: A Vision Tactile World Model For Robot Policy Evaluation And Learning（在新窗口打开）
PhysCanvas 统一 RGB、触觉与动作用于接触丰富操作的世界模型，State Reward 监督使与真机成功率 Pearson 相关由 0.602 升至 0.885。
- 多视角 RGB、触觉图、marker 位移与动作映射到统一视觉空间，共享 video VAE 与生成 backbone
- 冻结 Scene/Modality/State Reward Model 做一致性感知后训练，支持闭环 rollout 与 GRPO 更新
- 四组实机任务上世界模型 rollout 评估与 reward-guided 后训练提升 π₀.₅ 实机成功率
TRACE: Trustworthy Reasoning from Acoustic Cues and Evidence（在新窗口打开）
提出 LALM 可信性诊断基准，从正确性、证据对齐与鲁棒性三维度揭示模型何时不可信。
- 定义任务表现、证据对齐与鲁棒性三维评测框架
- 合成可编程控制的声学场景以检验幻觉与鲁棒性
- 提出归因指标并在五种 SOTA 模型上系统评估
The Bottleneck Is Retrieval, Not Reading: Diagnosing Evidence-Based Generation with RAG for Long Context Question Answering（在新窗口打开）
提出需行级引证的证据生成与 Ans+Evid 联合指标，揭示 RAG 在多事实检索与分块元信息上的结构性缺陷。
- 定义 evidence-based generation 及答案与引证同时评分的 Ans+Evid 指标
- 改造 MultiHop-RAG、QASPER-MP 等并配套合成与 NoLiMa 证据设定
- 对比多种前沿 LLM，指出相似度检索与分块相对长上下文的短板
Evaluating Tibetan Speech Recognition Across Dialects and Adaptation Regimes: A Multi-Granularity Analysis（在新窗口打开）
统一字、音节与分词词错率评测藏语 ASR，揭示指标排序差异及 LoRA 适应局限。
- 整合 CER、音节错误率与分词 WER 的统一评测框架
- 在五类 ASR 架构与多语料子集上对比零样本与目标语料适应
- 分析 LoRA 秩与数据规模对适应失败及指标相关性的影响
Cross-Lingual Reusability of LLM Pipelines: Financial Extraction, Multilingual Reasoning, and Semantic Screening（在新窗口打开）
从准确率、推理 effort 与行为三方面验证英语流水线在多语金融场景的有限可复用性。
- 支票抽取与 Mintaka、FinanceBench 上测跨语言准确率与 effort 迁移
- 确认准确率 broadly 可复用，但领域间语言难度排序可反转
- 指出语义相似度与自报置信度不能可靠预测跨语言准确率
LoWAgent: A Low-Resource Multilingual Benchmark for Web Agents（在新窗口打开）
发布覆盖英印孟乌阿五语、六站共 3000 任务的 LoWAgent，显示 LRL 与界面干扰显著削弱 Web Agent。
- 提出 LoWAgent：六套全本地化网站 × 五语共 3000 网页任务实例
- 对比闭源与开源 Web Agent，开源模型在低资源语言上降幅更大
- 验证 cookie/弹窗等干扰及少量轨迹后训练可显著改善 LRL 表现
Sparse RL Relaxation for LLM Reasoning（在新窗口打开）
提出 SpaRLax：在 soft CoT 上利用跨步可微性做 RL 训练，并用 entmax 自适应稀疏化 soft token。
- 指出将 soft token 仅当作 MDP 动作会阻断步间梯度，限制 soft CoT 潜力
- 提出 SpaRLax，在时间步上传播梯度使 soft-CoT RL 更稳定有效
- entmax 自适应决定 soft 程度，在九个推理基准上平均表现优于基线
Target-Aware Curation of Hallucination Stress Tests for Large Language Models（在新窗口打开）
迭代编辑有源种子提示，针对目标模型放大内外部幻觉，显著提升评判严重度。
- 用 LLM 编辑器结合目标回答与评判反馈迭代修订提示
- 在七种数据集、十个主题上系统评估内外部幻觉
- 分析 curated 提示跨模型复用与源有效性对诊断价值的影响
SHAM-Bench: A Span-level Hallucination Benchmark Across Multiple Tasks（在新窗口打开）
统一六类 NLG 任务的 span 级幻觉检测基准，发现微调检测器跨域泛化差而推理式 prompt 更稳健。
- 聚合 6461 例人工标注，统一 schema 与评测协议
- 系统评估现有检测方法在分布偏移下的泛化表现
- 公开数据集、评测代码与 leaderboard
Beyond the Prompt: Recovering Hidden Concepts in Text-to-Image Models（在新窗口打开）
提出嵌入空间遗传算法 EmbGA，从生成图反推提示未写明的隐藏概念，大探索预算下对齐最佳且快于 LM 引导搜索。
- EmbGA 在 token 嵌入空间做交叉与变异再投影为合法序列评分
- 面向「图像有、提示无」概念的审计与恢复任务设计评测
- 大预算下对齐最高，自然图像 grounded token 恢复最多
Embodied Task Agents Can Perform Fine Manipulation through Tactile In-Context Learning（在新窗口打开）
Tactile-ETA 将专家演示中的视觉与触觉观测放入上下文，不改参数即提升仿真与真机精细操作成功率。
- 将运动与相机及双侧触觉配对，在触觉变化处加密时间点作为演示
- 结合当前视觉、触觉与本体感通过通用机器人工具选动作，无微调
- 仿真四任务平均成功率由 15.75% 升至 24%；真机对齐演示由 0% 升至 60%
Adaptive Traversal Tubes for Posture-Aware Navigation of Bipedal Humanoids（在新窗口打开）
提出 ATT 走廊宽度场与 IVH 姿态—速度映射，结合 sidestep 增强 AMP 策略实现人形窄道与人群导航。
- ATT 沿参考路径统一几何净空与社会舒适度的行为可行走廊宽度
- IVH 将宽度映射为连续 frontal 到 sidestep 姿态与全向速度指令
- GVHMR 重定向运动训练速度条件 AMP，计划 Unitree G1 定量评测
RITE: Evaluating End-to-End Resilience to Silent Tool Errors in E-Commerce Agentic Systems（在新窗口打开）
定义静默错误韧性任务与 RITE 基准，10 个 LLM 上静默错误约使成功率减半，并提出轻量 State Checker 干预试验。
- 形式化 Silent-error Resilience Task 评测中间态被污染后能否完成原查询
- 基于工业工作流与生产日志构建 501 实例的可复现注入评测集 RITE
- 分析识别、验证路径使用与证据整合的递进瓶颈及 State Checker 干预
RELAY: Scaling Historical Build Restoration through Rule Reuse and Agentic Repair（在新窗口打开）
针对 OSS-Fuzz 历史构建因环境衰减失败的问题，用 LLM 导出可复用修复规则并辅以个案 Agent，混合方案恢复更多构建且成本更低。
- 量化 14159 个 OSS-Fuzz 案例中约 69.7% 无法完成重建及失败症状聚类
- Relay 先应用确定性规则、未解案例再交给 per-case Agent
- 规则可全自动推导，混合策略比单独用 Agent 恢复更多构建且执行次数更少
UvA-MT's Participation in the WMT26 General Translation Shared Task（在新窗口打开）
WMT26 无约束赛道采用 LLM 序贯采样精炼与成对裁判投票选优完成 23 个翻译方向提交。
- 序贯采样加精炼提示生成翻译候选池，优于传统并行采样
- LLM 成对裁判与循环投票选最佳候选
- WMT25 上相对逐点 best-of-N 有明显提升
World Models with Configurable Perception（在新窗口打开）
ConfigWM 以任务语言配置视觉到状态的映射，在干扰增强环境中规划更稳，平均成功率领先最强基线 22.3%。
- 提出任务条件状态提取，实现可配置感知
- 在任务相关状态空间学习动作条件动力学用于规划
- 嘈杂环境下规划成功率与探针指标显著优于现有世界模型
Matrix-Game 4.0: Harnessing Video Models for Real-Time Playable Game Worlds（在新窗口打开）
引擎维护状态与规则，视频模型渲染画面，单卡 480p/60 FPS、按键到显示约 112ms 延迟。
- 可执行游戏 harness 将玩法执行与视觉生成分离
- 低多边形与高保真视频对齐训练并蒸馏为因果四帧块生成
- 多模态 coding agent 将玩家想法转为游戏代码与动态场景描述
FIT-MAC: A Closed-Loop Multi-Agent Framework for Robust Vision-Language-Action Models（在新窗口打开）
推理时为 VLA 叠加规划、Grounding、验证与修正多 Agent 层，区分失败类型并路由恢复，在 LIBERO-PRO 扰动下提升成功率。
- Planner 将语言指令解析为含空间约束的结构化任务规格，Grounder 解析视觉目标
- Verifier 跟踪阶段进度，区分 target-binding 与局部执行失败并决定是否干预
- Correction Agent 按失败类型路由至重绑定或有限 grasp/place 恢复，无干预时仍用原 VLA
Uncovering Audio-Text Alignment in Large Audio-Language Models through Cross-Modal Concept Neurons（在新窗口打开）
在 LALM 中定位音文共用的跨模态神经元，并用因果干预验证其对预测与 steering 的作用。
- 假设并检验音频与文本表示共享对齐子空间
- 在三种 LALM 上识别跨模态概念神经元及对齐程度
- 干预与关闭神经元证实其必要且可被操控
How Language Models Learn Taste: Brand Preference in LLMs（在新窗口打开）
102 个模型上发现命名与推荐品牌系统性不一致，DPO 显著改变推荐偏好。
- 量化 Named 与 Picked 品牌差异及全领域向共享推荐收敛
- 追踪预训练、SFT 与 DPO 三阶段中偏好的形成与 DPO 11–24 点偏移
- 提示偏好可能来自偏好训练中的 judge 模型，且效应超出品牌类
VisualEvolve: A Skill Self-Evolution Framework for Visual Reasoning（在新窗口打开）
通过 Select-Execute-Evolve-Evaluate 循环自进化可执行视觉技能，在多数设置下优于初始技能库。
- 提出 VisualEvolve 框架，在不更新模型参数下进化视觉操作与工具策略
- Skill-Library 快照选择与渐进式证据访问缓解性能回退与证据过载
- 四骨干、六评测集上 24 组中 23 组提升，VisualProbe Hard 最高 +15.1 点
Fast Motion Retargeting Pipeline for Scalable Humanoid Robot Learning（在新窗口打开）
提出 FRDV 框架，快速运动学重定向加动力学验证，大幅加速人形动作迁移并用于 RL 跟踪与 sim-to-real。
- SQP 与 RTI 并行分块运动学重定向，较 GMR/ProtoMotions 最高约 136 倍加速
- 接触隐式 iLQR 动力学验证，筛除不可行动作并修正 foot floating/skating
- 在 Unitree G1 上展示 sim-to-real 与多 SOTA 流水线对比的跟踪策略训练
AgenticRoboRL: Bringing Coding-Agent Post-Training to Agentic Robotics（在新窗口打开）
跨 harness 后训练机器人规划器，9B 模型在 LIBERO-PRO 无外部记忆成功率由 18.1% 升至 71.0%。
- AgenticRoboRL 以 SFT 与多轮 RL 后训练规划器，适配 VLA 调用与控制代码等执行机制
- Harness 适配器将规划交互与任务结果接入统一 RL 管线，执行组件保持固定
- LIBERO-PRO 上接近带外部记忆的 Codex 规划表现，验证后训练可提升规划器本身
ACE-Brain-0.6: Scaling Spatial Grounding for Physical Foundation Models（在新窗口打开）
约 150 万可验证 grounding 样本微调 Qwen3.5-9B，七项公开基准整体优于 GPT-6 Astra。
- 融合机器人操作录像与多源视觉数据的统一标注与 grounding 监督流水线
- ACE-Brain-0.6 在四项 grounding 基准上超过 Astra，平均 75.41 vs 73.68
- 验证随数据覆盖扩大，固定骨干下 aggregate grounding 性能稳步提升
What Not to Erase: Saliency-Constrained Augmentation for Low-Resource Handwritten Character Recognition（在新窗口打开）
用显著性图约束 lacuna 等增强，并引入 ECI 衡量解释一致性，补充仅看准确率的做法。
- 将显著性用于定义保留/扰动信息区域的增强变体
- 提出 Explainability Consistency Index（ECI）量化显著性模式稳定性
- 表明显著性约束增强可提升识别且解释一致性可与准确率脱钩变化
RealComm: Benchmarking and Adapting Audio Deepfake Detection over Real Communication Channels（在新窗口打开）
构建真实手机通话配对数据集，揭示传输后检测显著退化及仿真与真实训练互补。
- RealComm 数据集覆盖多种采集与通话条件
- RealComm-Aug 分阶段波形增强模拟信道效应
- 组合真实通话训练与增强显著降低通话域等错误率
MiCLA: Mixture-to-Constituent Latent Alignment for Polyphonic Audio Representation Learning（在新窗口打开）
两阶段自监督预训练，用合成 log-mel 混合双向对齐混合表示与成分 clip，下游 AS-20K/AS-2M 与 frozen CGP 上 mAP 领先。
- Stage1 掩码自蒸馏与对比正则结构化单 clip 表示
- Stage2 投影残差与样本自适应软残差实现 mixture–constituent 对齐
- Joint Semantic Retrieval 显示可同时检索双成分类别
VEOcc++: Learning Persistent Voxel Feature Maps for Embodied Online Semantic Occupancy Mapping and Offline Refinement（在新窗口打开）
以持久稀疏体素特征图统一在线增量语义占据建图与离线全局精化，在 EmbodiedOcc-ScanNet 等设定创 SOTA 并零样本上机验证。
- 持久体素特征图连接探索期在线建图与探索后离线精化
- 可靠性引导更新与上下文解码实现在线语义占据预测
- 离线多尺度空间精化在仅使用探索观测下进一步提升 completed map 指标
Slot-JEPA: Object-Structured Prediction Interfaces for Latent World Models（在新窗口打开）
将 JEPA 稠密表示分解为语义 slot 与时变 mask，TMP 检索转移并 UOT 监督规划。
- Slot-JEPA 暴露可复用的 object-structured 接口供下游预测
- Transition Memory Predictor 以 mask 存视觉转移并按 slot 统计检索上下文
- 七项视觉理解仍可迁移，REALM-JEPA 上 goal-conditioned 规划改善
Improved automatic speech-based cognitive assessment using neuropsychologically calibrated diagnostic labels（在新窗口打开）
用注意力/执行/记忆表现重标不可靠诊断，F1 在内外部验证上均有明显提升。
- 对 720 人 138 小时对话语音用临床阈值与 z-score 重标诊断
- 记忆与 MoCA 基 z-score 校准带来最大增益
- 强调标签质量而非架构是痴呆筛查临床 AI 的关键瓶颈
UniWALM: Unified World Action Language Model for Embodied Robot Control（在新窗口打开）
单 MoT backbone 同步 co-denoise 视频、动作与语言，文本记忆环在 Find-the-Item 上将成功率从 11.1% 提到 61.1%。
- 三模态同表示互为条件与监督，生成语言下一步再消费，无外部 planner 或 memory bank
- Flow Matching with Correction 在 richer 目标下教动作轨迹从扰动恢复，推理无额外开销
- MolmoSpaces、RMBench 记忆子集与实机任务上优于同 backbone 与多种 VLA 基线
The Impact of Side Information on Voice Privacy（在新窗口打开）
在可控地理侧信息设定下，半知情攻击者 singling out 风险显著高于仅音频假设。
- 提出分布约束方法构建可链接语音与侧信息的半合成数据集
- 引入条件参照以分离音频在候选集缩减之外的额外识别贡献
- 建议未来语音隐私评估纳入带侧信息的攻击者设定
Think Before You Transcribe: Context-Steered Reasoning for Hotword-Aware Speech Recognition（在新窗口打开）
转写前生成音频 grounded 短 caption 以判断热词候选相关性，结合 SFT 与轨迹注入 GRPO 提升 ASR 与热词鲁棒性。
- 提出 context-steered reasoning：caption 再 lexical 决策的 contextual ASR 框架
- 用监督微调建立 caption–转写结构行为，困难样本上注入轨迹强化 GRPO
- 在多上下文条件下稳定提升转写与热词识别且抗无关候选
Fluent but Fallible: Benchmarking Hallucination and Factual Reliability in Large Language Models（在新窗口打开）
十款 LLM 在 70 条学术 prompt 上对比准确率、幻觉指数等，揭示完整性与可靠性权衡。
- 四复杂度层级学术 prompt 基准与五指标独立评审协议
- 系统比较 ChatGPT、Gemini、DeepSeek-V3 等模型的准确性与幻觉表现
- 指出 Advanced 最难、Falcon 高精度低召回等完整性与事实性权衡
Beyond Two Tracks: Speaker-Anchored Full-Duplex Dialogue Recovery（在新窗口打开）
扩散前用轻量路由将分离流对齐到固定说话人身份，恢复全双工建模所需的一致音轨。
- 提出 speaker-anchored routing，显著降低 wrong-track 时间
- 冻结生成器下重建质量不变并提升 fixed-track activity F1
- 路由可迁移至未见面对面对话与电话录音
Preference-Aware Pareto Steering for Multi-Task Speech LLMs（在新窗口打开）
提出 EA-SURF，在加权损失训练框架内自适应标量化权重，使多任务 Speech LLM 的权衡贴合部署偏好。
- 提出 Endpoint-Anchored EA-SURF，沿 Pareto 前沿均匀采样并锚定端点
- 理论说明在可检正则条件下更新可稳定达到目标偏好
- 在六项三目标 Speech LLM 设定上较固定损失权重提升 endpoint-inclusive 归一化超体积 17.8%
A Theoretical Analysis of Environment-Aware Out-of-Distribution Detection for Vision-Language Models（在新窗口打开）
为持续学习 VLM 建立基于贡献分数的环境感知 OOD 检测理论，提出 cross-environment MCM 并刻画软/硬 OOD 环境。
- 用 contribution scores 与跨环境 pairwise 对齐刻画何时历史环境帮助或损害 OOD 检测
- 提出含主/次匹配项的 cross-environment MCM，在条件下保证 FPR 不劣于标准 MCM
- 分析级联检测 FPR 随时间非减及必然失败情形，并给出梯度贡献平衡因子
Steering intonational tunes in text-to-speech synthesis（在新窗口打开）
定位 RVQ-TTS 中承担核调的主干隐状态，用人声模仿差向量在生成环内调控升调/降调。
- 交换干预表明语调由 backbone 经 depth model 传到波形
- 模仿理论指定调型的 steering 向量可跨说话人调控语调
- 揭示标点提示的 backbone 状态已编码语调信息
HealBench: A Fine-Grained Benchmark for Evaluating Psychological Comfort in Text-to-Image Generation（在新窗口打开）
定义心理舒适维度并构建 3 万对 HealBench 与 HealBench-Eval，14 类模型显示语义美学与情感 restorative 存在鸿沟，HealScorer 可作 RL 奖励。
- 基于认知评价理论定义生成图像的心理舒适
- 人机专家闭环构建 19 类 92 子类高质量图文对与评测集
- 揭示传统视觉质量与感知 comfort 不一致并验证 HealScorer 奖励
TriGeoBench: A Multimodal Mathematical Geometry Benchmark with Figures and TikZ（在新窗口打开）
TriGeoBench 提供 7000 问答与 12235 图及 TikZ 三元组，揭示 MLLM 几何结构与对齐推理仍难。
- 从中高考数学构建平面/立体/解析等几何题型与多种作答格式
- 每例为 {问答 LaTeX, RGB 图, TikZ}，TikZ 保留拓扑与符号关系
- 通过 image-to-TikZ 与多模态推理探针评估开源与闭源 MLLM
CovNav: Conformal Prediction-Guided Adaptive Inference for Object Goal Navigation（在新窗口打开）
CovNav 用共形预测在快慢 LLM 推理间按不确定性切换，ObjectNav 成功率提升且慢推理调用约 12.4%。
- 将空间查询结构化为二元决策，CP 将 token 概率转为预测集再决定是否慢思考
- Gibson/HM3D 上超越最强零样本基线，保留大部分全程慢思考收益
- TurtleBot 4 实机实验验证自适应 test-time 推理
AD-Mamba: Architecture-Complementary Knowledge Distillation for Efficient and Robust Audio Classification（在新窗口打开）
用 CNN 与 Transformer 分阶段蒸馏到 Mamba 学生，AudioSet 上 30M 参数达 50.3% mAP，长音频与噪声场景仍占优。
- 架构互补多阶段蒸馏：CNN 阶段学局部谱时结构、Transformer 阶段学全局语义
- 在 AudioSet 上以更低算力超越代表性 Transformer/Mamba 音频分类基线
- 长形式、稀疏信息与噪声干扰及 FSD50K 等迁移评测显示泛化优势
VISH-ASR: Viterbi-Guided Selection of Hotwords for Speech-LLM Contextual ASR（在新窗口打开）
无训练 plug-and-play 框架用 CTC 后验做热词声学验证，提升上下文 ASR 精度与规模效率。
- VISH 将热词预筛选建模为约束后验搜索
- M-VISH/Bi-MVISH 实现大规模候选可扩展验证
- 五数据集上 Best-F1 与延迟显著优于强基线
Lost in Recovery: Demystifying Recovery Behavior of Computer-Use Agents via Goal-Oriented Action Replay（在新窗口打开）
ReTrace 定义 Transition-Consistent Recovery 并注入可控错误，系统评测计算机使用智能体的模型化恢复能力。
- 形式化过渡一致恢复并给出可扩展评测框架 ReTrace
- 目标导向动作回放 operationalize 恢复判据
- 揭示理想恢复可释放 latent 能力而现有 agent 未充分利用
LoCA: Local Credit Assignment for Reinforcement Learning of Autoregressive Flow-Matching TTS（在新窗口打开）
用 ASR 对齐定位语音内容错误，将句级 advantage 分配到声学帧并阈值控制回归稳定性。
- LoCA 在 autoregressive flow-matching TTS 上做帧级 local credit assignment
- 参考相对的正负阈值限制过度拟合与样本排斥
- VoxCPM2 上相对降低 multilingual 内容错误并改善说话人相似度
SKAD: Sketch-Guided Audio-Contrastive Decoding for Reasoning in Large Audio-Language Models（在新窗口打开）
无训练推理法：先构建问题相关声学证据 sketch，再在音频条件分支与 sketch 分支间对比解码，提升 LALM 推理可靠性。
- 提出 SKAD，用 acoustic evidence sketch 作为对比分支的共享语义 scaffold
- 使 masked 分支更稳定，促使解码更依赖原始音频而非语言续写模式
- 在 MMAR、MMAU、MMSU 上 consistently 提升 Qwen2.5-Omni-7B 与 Step-Audio-R1 平均准确率
From Predictive Geometry to Action: Learning Complementary Predictive Representations for Embodied Manipulation（在新窗口打开）
两阶段从多视角视频学习预测几何与 motor 互补表示，下游经 geometry query 迁移，训练用未来观测、推理不需要。
- 预训练阶段用冻结 3D 基础模型压缩预测几何表示并保留结构与时序演化
- 在几何转移上施加动作监督，提取强调动作相关转移的 motor 表示
- 在 LIBERO、SimplerEnv 及真实任务上提升多种 VLA/WAM，含 WidowX 绝对 +10.4 点
Local Inference of LLMs on Long Contexts: A Data Systems Perspective（在新窗口打开）
从系统角度分析单用户长上下文本地推理瓶颈，指出 self-attention 与 KV 缓存等数据管理问题。
- 跨多代 GPU 分析长上下文本地 serving 瓶颈而非单点测速
- 确认长上下文下 self-attention 主导且 GPU 资源利用不足
- 将 KV 分页与缓存同步等问题归纳为数据系统研究议题
Gated Prototype Transfer for Zero-Support Medical Vision Language Model（在新窗口打开）
在 MESSIDOR realistic one-shot 下，门控视觉残差迁移提升缺失类召回并抑制负迁移。
- 提出 GProtoT：结合 VLM 相似度与临床本体距离的原型迁移
- 用无验证集的证据门控按语义相关与残差一致缩放迁移
- 训练-free、基于 SS-Text+，无需梯度或额外推理
CAPSafe: A Benchmark for Contextual Action and Plan Safety Reasoning in Embodied Agents（在新窗口打开）
CAPSafe 评测单步动作与长程计划安全，显示模型识危易但安全长程规划仍难。
- 提供动作级与计划级安全数据集，含情境危害、共现与严重度标注
- 评估九款 LLM 揭示危害识别与安全长程规划之间的能力鸿沟
- 指出 robust 长序列安全推理仍是开放问题
Code2Video-Compass: A Comprehensive Benchmark for General-Purpose Code-Based Video Generation across T2V, I2V, and V2V（在新窗口打开）
2104 任务与双层级评测框架，显示 MLLM 可靠生成完整对齐视频随复杂度上升仍具挑战。
- 跨 T2V/I2V/V2V 的通用 Code2Video-Compass，10 类 24 子型
- 12 客观 + 5 主观（MLLM judge）双层级评测
- 15 个 MLLM 评测揭示构造、动画、状态依赖复杂度越高性能普遍下降
Asymmetric Looped Transformers: Fixed Global Representations for an Iterative Decoder（在新窗口打开）
AsymLoop 将单次上下文编码与循环状态 refine 分离，固定 Global KV、循环 Local KV，在匹配深度下降低 perplexity 并提升下游准确率。
- 单次因果编码器产出跨迭代固定的 layer-specific Global KV cache
- 权重共享循环解码器产生 Local KV，联合 softmax 注意力融合持久上下文与中间状态
- FineWeb-Edu 60M–1B 规模下验证 perplexity 与七项常识推理 zero-shot 提升
Steering Vision-Language Models for Visual-Contextual Privacy in Location Disclosure（在新窗口打开）
推理时分级路由与条件 steering，使 VLM 按图像上下文披露合适粒度的地理信息。
- 定义视觉上下文地理披露隐私及与上下文匹配的粒度要求
- 发现披露级别可从生成前隐状态恢复并呈有序结构
- 提出 route-and-steer：序数粒度路由加披露级别条件隐状态干预
Give the Model a Finger: Developmentally Aligned Evaluation of Counting in Vision-Language Models（在新窗口打开）
用无训练的点选工具循环审计 VLM 串行计数，精确计数范围因模型差近两个数量级，探针显示测量有效、干预多数难提准确率。
- 将儿童计数 epistemic actions 转为可审计 tag 与点级 ground truth 对齐协议
- 9 模型上刻画 exact-counting 范围 R80 从约 3 到 150 的模型特异性
- tag 扰动与遍历顺序实验分离指针精度、遗漏与顺序无关性等能力
LatticeMind: A Validation-Gated Agentic Framework for Density Functional Theory Workflows（在新窗口打开）
用工作流契约与执行前确定性校验，将自然语言可靠转为可检查、可修复的 DFT 工程。
- 提出 validation-gated 架构：契约定义阶段依赖，求解器启动前强制校验
- RESCU 44 例与 VASP 19 例复现全部参考值，首轮通过率显著高于试错基线
- 消融表明工作流契约与预执行验证是可靠性的关键机制
How to get the best and fairest performance out of your ASR system using activation steering（在新窗口打开）
监督优化学 steering vector 可同时提升 ASR 整体性能与性别/年龄/方言等人口统计公平性，声学相似说话人可作少样本适配。
- 对比 paired activation subtraction 与监督优化，后者有效提升性能与公平性
- 分析从个人到泛化说话人数据对 SV 训练的需求与效果
- 显示声学相似说话人训练 SV 可竞争于同说话人或同 demographic 标签
Does Multi-Agent Collaboration Reduce Hallucination in Clinical Tasks?（在新窗口打开）
在推理链上度量幻觉，发现协作常提任务表现但未必降幻觉，效应因模型而异。
- 在 rationale 内按事实性与忠实度 taxonomy 评估幻觉而非仅最终答案
- 四拓扑×四模型×三临床任务：协作不普遍降低幻觉，拓扑无稳定优势
- 自校正实验表明协作主要重分配模型既有能力而非补足缺失能力
Robustness of Internal Signals for Hallucination Detection in Vision-Language Models（在新窗口打开）
系统分析 VLM 用内部信号做幻觉检测的局限，揭示 token 位置捷径与视觉 grounding 不足。
- 表明词元位置基线即可与多种内部信号方法竞争
- 揭示部分方法依赖位置启发式、对语言幻觉更敏感
- 说明不同检测方法信号互补，弱方法加入集成仍可提升
The Culture Within: Towards Mechanistic Understanding of Cultural Reasoning in LLMs（在新窗口打开）
发布 CultureLens 基准并机制分析 LLM 如何利用文化信息，揭示 contradictory norm 与 Anglophone 默认等问题。
- 构建覆盖 75 国、9261 场景且系统变因子证据的 CultureLens
- 发现 contradictory norm 可使对齐答案下降 32–47 个百分点，且非单纯缺知识
- 用 contradictory-norm 监督微调可将矛盾情境对齐率提升至 85–93%
You Are the Trigger: Speaker-Activated Backdoors（在新窗口打开）
提出 SAB：微调阶段绑定目标说话人自然声纹为触发器，无需推理期投毒即可高成功率劫持 ASR 并影响下游 Agent。
- 定义 Speaker-Activated Backdoor，攻击者仅能在微调期植入、无推理期输入访问
- 两阶段微调提升选择性并保持干净性能，少量目标说话人真实音频即可高 ASR 后门成功率
- 演示语义改写与工具调用链攻击：转写注入指令可驱动 frontier LLM Agent 执行有害行为
EGI-BENCH: An Enterprise General Intelligence Benchmark Suite（在新窗口打开）
统一八项企业向 Agent 基准与 CLI，提出六维 EGI 评分并报告多款前沿模型结果。
- 将 CRMARENA、MCP-UNIVERSE 等八套基准整合为单一命令行套件
- 定义 EGI Score，以细粒度子指标而非基准级均值填充六维能力桶
- 提供 quick/deep 两种运行时预算模式并评测 14 款 LLM
DStill: Trajectory Consistency Distillation for Accelerated One-Step Drafting in Block Diffusion Speculative Decoding（在新窗口打开）
将多步 refinement 蒸馏为一步 drafting，提升接受长度与加速比。
- 两阶段框架把 target-conditioned drafter 的多步 refinement 蒸馏到一步
- 课程学习从部分掩码过渡到全掩码输入
- 在推理、数学、代码基准上相对一步 DFlash 显著提速
FocusOVD: Geometric and Contextual Feature Refinement for Open-Vocabulary Small-Object Detection（在新窗口打开）
在不改动冻结 VLM 骨干前提下，用跨尺度融合与门控卷积增强小目标表征，在 COCO/LVIS-OVD 上提升新类与小目标 AP。
- Reweighted Cross-scale Feature Fusion 平衡浅层细节与深层语义
- Residual Pinwheel Gated Conv 强化高分辨率局部几何响应
- RoI 前 RCGLU 抑制背景、提升区域判别性
Beyond Experience: Knowledge-Guided Evolution for NPU Kernel Generation（在新窗口打开）
ASCENDEVOLVE 用文档与算子库索引知识引导 Ascend 内核演化搜索，在 CANN-Bench 53 算子上总分 71.39。
- 主张仅靠经验记忆不足以应对未见机制与新优化情形
- 从平台文档、头文件与算子库构建外部知识库并按任务检索切片
- 知识用于策略多样性、失败修复与强候选重组，相对 Reflexion/OpenEvolve 提升 11.6%/17.2%
Does Multi-Agent Collaboration Pay When Agents Serve Users? Testing Agent Scaling in Dual-Control Settings（在新窗口打开）
在 τ²-bench 双控对话场景下，六模型上中心化 MAS 相对单智能体普遍更差，未见可检测协作收益。
- 在航空、零售、电信域约 7950 次模拟对话中对比 SAS 与同源 MAS
- 13 个有效单元格中 12 个 MAS 更差，加权平均约 -28 分
- 强调面向用户的 Agent 应以单智能体为默认，MAS 需同设定算力匹配证据
Beyond Calibration: Temporal LLM Confidence Assessment Across Languages and Local Settings（在新窗口打开）
区分解题前 FOK 与解题后 JOL 两类置信信号，在英语与马拉地语及本地知识上系统评估校准与迁移。
- 将 anticipatory 与 retrospective 置信与经典 meta-memory 概念对齐并对比
- 构建本地马拉地语事实问答基准，揭示纯翻译迁移不足以覆盖区域知识
- 指出幻觉回答在生成后仍长期保持偏高置信，暴露自评估局限
RoboJudge: Multimodal Language Models as Judges for Embodied Video Generation（在新窗口打开）
提出具身视频生成评判基准 RoboJudge-Bench，并微调 RoboJudge-9B 作为评判模型，与人类评分对齐优于通用 MLLM。
- 发布 RoboJudge-Bench，从物理一致性与指令对齐两维评估 MLLM 评判能力
- 构建含 12K 视频与人工核验分数的 RoboJudge-Train 训练数据
- RoboJudge-9B 在基准上与人类 Pearson 相关达 0.719，并用于评测视频生成模型
Hallucinations of Large Language Models in Cross-Language Code Translation: Phenomena and Mitigation（在新窗口打开）
系统刻画 LLM 代码翻译幻觉类型并提出 HaluCodeTran 检索加反思精炼缓解框架。
- 三数据集六语对七模型构建幻觉分类与大规模标注
- 区分语义一致、事实知识与项目上下文三类冲突
- HaluCodeTran 结合 BM25 示例检索与 taxonomy 感知反思
Near-Duplicate Image Selection Transfers Preferences in Vision-Language Models（在新窗口打开）
固定原图与人工 caption 时，仅按 caption 似然在近重复图中选材，即可让 student VLM 读出隐性目标偏好。
- 证明近重复图选择去重式选择可传递 subliminal 偏好
- 在 LLaVA、Qwen-VL、Gemma 等多模型上验证目标轮换效应
- 首代 student 可经无显式提及的 caption 向第二代传递偏好
Dancing Diffusion: Learning Continuous Programs for Image Generation and Editing（在新窗口打开）
为扩散轨迹各时间段分配连续条件块，编译器将文本映射为可寻址程序，前缀复用更好保留场景。
- 将单指令扩散轨迹转为可逐段重定向的 latent program
- 共享前缀执行一次可复用，后续改写操作而保留已固定内容
- 在 SANA 上复用前缀比同强度从噪声重生成保留更多场景
MoDDiT: Simple Token Routing in Diffusion Transformers（在新窗口打开）
为 DiT 学习 token 级 MLP/自注意力双路路由，动态分配算力，显著降低训练推理成本并提升生成表现。
- 提出 MoDDiT，使 token 独立路由 MLP 与 self-attention，实现跨 token、图像与去噪步的动态算力分配
- 从零训练图像生成模型时可仅处理约 12.5% token，并扩展至视频生成与双向视频模型蒸馏
- 所学分配可解释，揭示算力如何随视觉内容、噪声水平与运动变化
Reasoning as a Distribution: Generative Plan Latents for Vision-Language-Action Models（在新窗口打开）
将 VLA 推理状态建模为 plans 上的低维条件分布，无需重训即可采样、steering 与按部署结果 reweight。
- 引入 GPL，以条件分布表示物体、抓取、路径等 plan 的推理状态
- 支持 coverage 采样、按请求 steering、按 outcome reweight，且无需重训 VLA
- SimplerEnv 上 plan steering 使执行遵从请求比例由 0.48 升至 0.94
Temporal Evidence-Parameter Co-Alignment for LLM Reasoning over Temporal Knowledge Graphs（在新窗口打开）
提出 TEPCA，在证据检索与 DG-LoRA 参数适配上对齐时序知识，提升 TKG 推理。
- 提出时序证据-参数协同对齐框架 TEPCA
- 证据层用 DRGP 与互信息剪枝保留连贯时序路径与局部事实
- 参数层用时间戳条件 DG-LoRA 动态调节低秩适配子空间
PI-MLLM: Psychophysics-Inspired Multimodal Large Language Model for Oddly Satisfying Video Emotion Analysis（在新窗口打开）
构建 OSVD 数据集，用 MSDA 与 CAVA 建模物理感官动态，提升 OSV 情感预测与解释。
- 发布含 12000 片段、多模态情感标注与感官证据解释的 OSVD
- 提出 PI-MLLM，对齐视觉运动与声学能量 onset 等模态动态
- 用 Shapley 归因分析视听协同或冲突，改进情感预测与解释质量
Disclosure Begets Disclosure: A Self-Reinforcing Privacy Loop in LLM Agents with Persistent Memory（在新窗口打开）
多轮模拟显示，记忆个性化提升回复质量，也会在非对抗场景下放大个人属性泄露。
- 揭示记忆条件下普通助手中的自强化隐私披露循环机制
- 量化四款支持模型上泄露率随会话加深而扩大
- 表明在 Agent 侧限制陈述与预设可接近无记忆泄露并保持大部分质量
Latent Bridge: From Video Latents to 3D Geometry via Feature Alignment（在新窗口打开）
在 Wan2.1/V-RAE 视频 latent 与几何特征空间间训练 bridge，免 RGB 中间路径前向预测相机、深度与点云。
- 表征特定的 bridge 通过特征蒸馏连接冻结视频编码器与几何模型
- 训练无需 GT 几何或运行下游几何聚合器/预测头
- 同一 bridge 可复用于同 latent 空间的 i2v/t2v，Co3Dv2/WildRGB-D 上具竞争力重建
Benchmarking Arabic Dialects for Math Problems（在新窗口打开）
发布方言阿拉伯语数学推理基准 DAR-MGSM，本土化版本普遍更难且同题内外部推理轨迹可显著不同。
- 首个覆盖五大方言与 MSA 的手动 curated 方言阿拉伯语多步数学文字题基准
- 提供仅翻译与文化本土化两套平行版本，评测十一类阿拉伯语与多语 LLM
- 机制可解释分析表明数学表现受语言变体与文化语境共同影响
PW-Pruning: Phase-Aware Expert Selection for Speech-Centric Omni-Modal Models（在新窗口打开）
为声学 prefill 与文本答案阶段分别建核并合并边际增益选专家，Qwen3-Omni 留 32/128 专家后 MMAU-mini 等明显提升。
- 指出 pooled 校准会混淆声学输入与文本生成两阶段的专家需求
- PW-Pruning 扩展 DO-ACP，静态专家库无需推理时切换 phase mask
- 单阶段与 shuffle 对照表明语义阶段信息对剪枝增益有贡献
Expert-Guided Rubrics as Dense Reward Signals for Reinforcement Learning in Non-Verifiable Domains（在新窗口打开）
将少量 SME 分级判断转为稠密奖励，与检索指标混合以训练 GRPO 金融检索 Agent。
- 解决 GRPO 在组内同 outcome 时稀疏奖励无梯度的问题
- 固定 SME 投入下将 rubric 转为与检索指标结合的混合奖励
- Recall@3 与 MRR@3 相对稀疏奖励基线均有提升
Scaling Graph Reasoning in Language Models with Learnable Graph Positional Encodings（在新窗口打开）
GNN+Graph Transformer 产生位置编码调制注意力，上下文 O(N) 且大图泛化更好。
- 可扩展、置换等变的图位置编码注入 LRM 注意力
- 与 LRM LoRA 联合微调，无需序列化全邻接
- 小图训练可在至多千节点任务上保持性能并少生成 token
How Fine-Tuning Objectives Shape Layer-Wise Information in LLM Hallucination Detection（在新窗口打开）
对比 cls 与 s2s 幻觉检测，揭示 InfoWindow 层段与上层冗余，截断约 31% 层在 Qwen3 上几乎不掉点并约 1.4× 加速。
- cls 诱导清晰二簇几何与线性可解码标签，优于依赖 LM 头的 s2s
- 刻画下层基底、InfoWindow 与上层 plateau 的训练动力学结构
- 移除 InfoWindow 以上层并在多模型与 NLU 任务上验证可迁移剪枝
Gaze2HOI: Gaze-Aware Intention Disambiguation for Egocentric Hand-Object Interaction Forecasting（在新窗口打开）
用凝视调制 VLM 意图推断并扩散联合预测手物运动，在 EgoAIM 上达 SOTA。
- 层次化框架：意图推断、接触 grounding、手物运动生成
- TGSM 用凝视显著性调制 VLM 表示
- 发布阶段感知 benchmark EgoAIM 及细粒度意图标注
Commanding at the Speed of Sound: Audio-Centric Referring Expression Segmentation for Aerial Scenes（在新窗口打开）
ARES-Net 直接对齐连续声学与视觉特征，在 Aerial-AudioRES 上 oIoU 达 64.23%，延迟约为文本方案三分之一。
- 构建 VisDrone 增强的 Aerial-AudioRES 音—文—图— mask 四元组基准
- 提出 ARES-Net，从文本匹配转向声学流形与多尺度视觉的软对齐
- 在真实人声测试集上泛化良好，支持 UAV 免提快速指代分割
AtomSD: Procedural Atom-Guided Self-Distillation for LLM Agents（在新窗口打开）
用 Intent/When/Do/Avoid 程序原子从成功轨迹自提取并蒸馏，提升 Agent 策略学习。
- 提出可独立复用的 Procedural Atoms 细粒度程序知识表示
- AtomSD 框架结合原子条件监督与任务奖励持续自蒸馏
- 实验较 SOTA 基线平均性能最高提升约 9.31 分
Omni-Woodpecker: Hallucination Correction via Evidence-Prior Rebalancing for Omni LLMs（在新窗口打开）
无训练框架在融合表示中分离证据与先验并重平衡，显著降低 Omni LLM 跨模态幻觉。
- 从输出层干预转向冲突条件下的表示再平衡
- 正交分解分离 grounding 证据与误导先验并自适应抑制
- 在 CMM、AVHBench 及多款 OLLM 基准上验证跨架构泛化
RealControlBench: A Benchmark for Interpretability-Informed Fine-Grained Control of LLMs and Agents（在新窗口打开）
在多轮 Agent 与五维控制目标上评测 steering，显示现有方法在真实场景下仍不可靠。
- 将 steering 评估从孤立生成扩展到执行落地的多轮 Agent 交互
- 联合评估目标可控性与能力保持（推理、工具决策、安全等）
- 揭示受控设定下的强 steering 未必能迁移到更真实评测
Progressive Subset Selection and Cascaded Consistency for Unsupervised Vision-Language Model Adaptation（在新窗口打开）
仅用伪标签 margin 渐进扩类平衡子集与 teacher 弱增强监督 student 强增强，只更新视觉 encoder 归一化与文本初始化原型，CLIP/SigLIP 多基准一致涨点。
- margin 渐进扩集的类平衡伪标签子集选择
- 带置信过滤的级联一致性利用无标数据
- 轻量适配保留预训练嵌入结构
Memory as Code: Declarative Retrieval over Codified Long-Term Memory（在新窗口打开）
提出 MaC，以代码抽象统一记忆构建与检索，在长程记忆评测上提升 LLM-judge 准确率并显著省 token。
- 用共享代码抽象联合设计记忆构建与声明式检索
- 三层可执行记忆：原子函数、关系与模块化组合
- LoCoMo、LongMemEval 相对各设定最强基线最高约 15.91% 准确率增益
Toward Agentic AI for the 6G Physical Layer: From Algorithm Discovery to Verified Baseband Silicon（在新窗口打开）
LLM 编码 Agent 在商业基带 SoC 上实现并优化 AI 发现算法至向量汇编，在真硅 cycle-exact 验证，并发现更省周期的检测器结构。
- Agent 在实测平台知识库与不可篡改评估器约束下分阶段实现与优化
- 在 6G4All 上展示 OTFS 检测器组合，12 个 kernel 在硅上 cycle-exact 运行
- 芯片实测成本驱动的新检测器较移植版少 13.9% cycles 且误码率相当
Slots Are Not Speakers: Training-Free Speaker Linking for Frozen Streaming Diarizers（在新窗口打开）
因果链接器在固定槽位流式 diarizer 上跟踪超过 N 的说话人，仅重标号、降低说话人混淆。
- 利用槽位后验与音频分割槽位、嵌入匹配说话人库
- 不改变 host 的漏检与虚警，增益来自减少 speaker confusion
- 八语料 1418 会话上超 cap DER 从 36.8% 降至 22.6%
Africa-Papers: A 10-Billion-Token Multi-Domain Academic Corpus for African Foundation Language Models（在新窗口打开）
发布超 84 万篇、约 101.5 亿 token 的 Pan-African 学术预训练语料，缓解主流语料中非洲学术占比极低的问题。
- 整合 DOAJ 非洲期刊、CGSpace、非洲相关 arXiv 预印本与 OpenAlex 非洲机构 OA 出版四路来源
- 处理为保留章节层次、公式与表格的 layout-aware Markdown，附 8 域 taxonomy
- 在 Hugging Face Hub 开放发布，支持持续预训练与域评估
Region-Guided Food-Package Evidence Extraction and Abstention-Aware Draft R3337 Screening with Selective VLM Review（在新窗口打开）
检测+OCR+规则筛查南非 R3337 包装图，不确定时 abstain，再用 Qwen3-VL 选择性复核提覆盖。
- 三分类检测定位营养表、配料与产品身份区域并结构化抽取
- 证据不全时用 Review/证据不足 abstain，再确定性规则判定
- 选择性 VLM 复核合并证据，提高可自动判定覆盖率
ChartEvo: Self-Evolving Agent Harnesses for Long-Tail Chart Reasoning（在新窗口打开）
递归自改进演化图表 Skills 与 Tools，在 ChartBench/ChartX 长尾上显著超越基座 MLLM。
- 提出 ChartEvo，以经验驱动在 harness 层自改进适配弱势图表类型
- 联合演化可复用 Skills、可执行 Tools 与局部工具调用链
- 在 ChartBench 与 ChartX 上相对 Qwen3.7-Plus 分别提升 45.6% 与 32.5%
CountVideoBench: A Benchmark to Evaluate Prediction Biases on the Object Counting task by Video-Language Models（在新窗口打开）
2600 段合成视频覆盖 5–50 计数，显示现有 VideoLM 精确匹配低且存在整数偏好峰。
- 指出现有 VideoQA 计数分布严重偏小导致偏差不可见
- 构建均衡 cardinality 的 CountVideoBench 与近邻比较设计
- 十六个模型零样本评估揭示非单调失败模式与预测整数聚集
GazeLens for Efficient Egocentric Video Question Answering with Simple Gaze-Driven Adaptive Token Reduction（在新窗口打开）
结合帧选择与 gaze/问题引导的 token 缩减，每帧两 token 保留焦点与场景上下文，在 StreamGaze 上更高准确率且 FLOPs 更低。
- HOG 转移与清晰度选帧，Gaussian pooling 形成 gaze 焦点与互补摘要
- 轻量门控按问题融合摘要为 primary token，辅以 global scene token
- 在 StreamGaze 上优于全网格与同类 token-reduction 基线
MAMath-Bench: Process-Aware and Robust Evaluation of Multimodal Multi-Agent Mathematical Reasoning（在新窗口打开）
提出含文本/图像/音频的千级数学题基准，从答案、过程与对抗扰动三维度评测多智能体数学推理。
- 构建 1003 题、11 类、多难度多模态的 MAMath-Bench 及里程碑标注
- 从解题正确性、推理过程可靠性、对抗推理链鲁棒性三维评测 MAS
- 揭示多智能体协作未必提升最终准确率等三项实证结论
M-Plan: Comprehensive Planning For LLM Agents with Memory Arrangement（在新窗口打开）
闭环 MAS 融合长短期记忆与全局-局部指导，提升 ALFWorld 等多轮任务准确率与效率。
- M-Plan 整合长期记忆重组检索与任务内里程碑/局部提示的短期记忆
- 任务完成后优化再写入长期存储，区别于纯检索或纯任务指导的 MAS
- 在 ALFWorld、Webshop、PDDL 上优于多种记忆与基线方法
CARLAR Influence: A Structured Hallucination Risk in Multimodal Cheque Extraction and an Exploratory Compressed-Image Countermeasure（在新窗口打开）
揭示多模态大模型在支票双金额字段上易犯 CARLAR 一致化幻觉，并探索少样本压缩图像干预。
- 定义并量化 CARLAR：两字段标注不同却输出相同金额的结构化幻觉
- 在多种视觉提示下系统评估 GPT-4.1 与 Claude 4.5 Sonnet 及置信度校准问题
- 提出无需微调的压缩图像表格式 few-shot 干预并分析模型依赖差异
More Memory, Worse Agents: Error Reproduction and Anti-Persistence in LLM Agents（在新窗口打开）
指出抽象记忆导致错误复现，Anti-Persistence 按需合成指导并丢弃以提升成功率、降调用成本。
- 形式化 error reproduction 的抽象—执行—再抽象反馈环
- 提出 Anti-Persistence：保留轨迹、按需重建指导、执行后丢弃
- 多基准与 backbone 上成功率更高且 LLM 调用成本最低
AnomalyJev: Towards Evaluating Image Anomaly Explanations via Claim-Level Verification（在新窗口打开）
用可验证 claim 对照标注打分异常解释，轻量 AnomalyJev 与人类评判一致性接近旗舰 MLLM judge。
- 将 MLLM 异常解释评测锚定在 ground truth 的可验证 claim 上
- 无 token 生成的轻量框架，用查询与 pointer head 提取并验证 claim
- 构建 640 条解释、1600+ 专家评分的标注集用于评测
Testing Associative Creativity in Humans and Multimodal LLMs with Difficult-to-Name Visual Stimuli（在新窗口打开）
在可控难度抽象视觉刺激上对比人类与 MLLM 联想描述的原创性与有效性。
- SilCC/PixCC 分别操控形状复杂度与视觉噪声难度
- 人类描述语义距离、熵与新颖性整体高于 MLLM
- 难度升高时人类策略从 holistic 联想转向低层视觉属性
In PRAISE of Attributes: Grounding Retrieval Geometry with Query-Conditioned Subspaces for Person Re-Identification（在新窗口打开）
PRAISE 用属性 prompt 构建查询依赖子空间并重塑相似度，在多组 I2I/T2I ReID 基准上稳定提升 VLM 检索骨干。
- 提出属性条件子空间，避免直接用模板 prompt 当检索分数
- 推理时轻量更新且无需身份或属性标签
- consistently 优于通用与 ReID 专用 TTA 基线
FALCA: Falsification-Aware Reinforcement Learning with Hierarchical Credit Assignment for Long-Horizon Deep Search Agents（在新窗口打开）
Searcher–Falsifier 协作提出–证伪循环，配合 SFT 与 agentic RL 减轻确认偏误与错误累积。
- 将深度搜索形式化为 propose–falsify 与独立 Falsifier 寻反证
- 提出 falsification-aware 训练：证伪轨迹 SFT 与并行 rollout 层次信用分配 RL
- 五个搜索基准上优于 backbone 与 harness 消融并改善研究状态修订
DIVE: Benchmarking Full-Duplex Interaction with Visual Engagement in Continuous Streams（在新窗口打开）
在连续多模态流上评测全双工交互，领先模型延迟亚秒级但窗口响应率仍偏低。
- 六任务三场景：主动干预、持续参与、交互协调
- 525 样本与细粒度时序标注，分离质量、参与决策与反应时机
- 代表实时模型平均窗口响应率 ≤53.77%，适应新信息仍难
Navalia: Advancing Cowork Agents through Verifiable Task Synthesis and Long-Horizon Post-Training（在新窗口打开）
可验证财报分析任务合成加 SFT/RL 长程训练，Qwen3.6-35B-A3B 初始化后在多项办公与金融基准一致提升。
- 从完整事实集语义选证并构造可执行计算链，生成可追溯的多步分析任务
- 独立 LLM 审查与程序检查验证证据一致性与答案正确性
- 轨迹采集与 RL 后训练提升证据整合、工具调用与长程执行并泛化到一般办公任务
PROVISO: Provenance-Informed Action Selection for Secure LLM Agents（在新窗口打开）
执行前用来源类型记忆与备选动作比较，在多项 Agent 安全基准上兼顾安全与效用。
- 将用户与工具等外部观测编码为 provenance 记忆并角色化查询
- 相对孤立评判 proposed action，学习校准价值并选最优提交动作
- 在 SkillsBench、ToolSafe 等四项任务上 F1 显著优于最强基线
Evaluating Social Reasoning in Embodied Vision-Language Models（在新窗口打开）
在 SHREC 真人机社交交互基准上评测 Gemini Robotics-ER 与通用 VLM，专模在错误/能力检测更好、细粒度社会属性判断更差。
- 首次在 SHREC 上对比具身专模与通用 VLM 的社会推理
- 区分可观测线索任务与需推断内在状态任务的性能差异
- 指出多机器人共享基模可能带来系统性社会感知误差
COMPASS: Routing via Capability-Oriented Model Profiling with Adaptive Search, Selection, and Tool Use（在新窗口打开）
Agentic 路由器用 LLM 按配方调用工具收集性能与成本证据并可选检查答案，无路由专用训练即优于专用路由基线。
- COMPASS 通过工具 gathering 证据并自适应选择模型，支持扩展模型池无需改权重
- LLMRouterBench 上 69.85% 准确率且调用成本低于 RLCascadeRouter
- DeepSWE 交叉验证下 78.1% 准确率且成本低于最佳单模型
Relative Representations Enable Portable White-Box Monitoring Across Language Models（在新窗口打开）
用共享锚点的全局锚定表示，使在一模型上训练探针可跨模型复用且保留大部分 AUROC。
- 以到锚点集的角距离表达样本，缓解激活坐标不兼容
- 全局锚定构造汇总各层并去除模型特定层选择
- 在 trivia、安全监控与数学推理上跨模型探针迁移平均保留至少 85% 相对 chance 的 AUROC
Visual Task Modeling and Automated Planning for Humanoid Robots in Education of Individuals with Autism Spectrum Disorder（在新窗口打开）
用视觉 LLM 将 Shoebox 任务照片转为 PDDL 并由 Nao 执行与辅导，仅需图像输入。
- 视觉 LLM 将任务照片转为 PDDL 并生成动作计划
- Nao 自主执行 Shoebox 任务并通过演示/语音/手势辅助学生
- 无需教师编程，可适配多种教育机器人接口
WaveCommitments: Private and Verifiable Speech-Agent Marketplaces（在新窗口打开）
结合 TEE 内 Data Shapley 与多项式承诺，在不泄露资产前提下可验证语音资产定价与交付。
- 开源端到端 WaveCommitments，支持选择性披露与防篡改溯源
- 相较现有基准最高约 20 倍加速、证明体积最高约 39 倍缩小
- 系统分析说话人在不同任务与编码器下的市场价值变化
Pareto-Optimal RTL Code Generation via Multi-Objective Reinforcement Learning with Large Language Models（在新窗口打开）
用 Hypervolume Contribution 奖励优化 LLM 生成电路集合的 PPA 前沿覆盖与多样性。
- 将 Pareto 解集覆盖改进表述为序贯电路生成训练流程
- 提出基于 HVC 的奖励以衡量对 Pareto 前沿的贡献
- 在 RTLLM v2 上相对基线显著提升 Hypervolume 与多样性
SPEM: Structure-Aware Procedural Memory for Efficient Skill Use in LLM Agents（在新窗口打开）
原子技能记忆与 Skill-DAG 复用成功组合，Skill-GNN 做状态与结构感知选技能，在 ALFWorld 与 SkillsBench 上兼顾效果与 token/耗时。
- 提出 Atomic Skill Memory 与 Skill-DAG Memory 及执行回写积累
- 新任务优先复用高置信 DAG 模板，否则 GNN 检索原子技能
- 在 ALFWorld、SkillsBench 相对强基线取得更好效果–效率权衡
Teaching AI Agent to Play Poker Strategically Through Preference Optimization（在新窗口打开）
提出 SPOKE 偏好优化，在 Kuhn/Leduc 与六人局上降低可利用性并提高策略一致性。
- SPOKE：教师相对价值惩罚、策略锚定、风险约束与结构化 rationale 监督
- 对比 SFT、DPO、GRPO、GSPO 在隐藏信息博弈上的策略质量
- SmallThinker-4B 经 SPOKE 在 exploitability 与 top-1 一致率上取得较好结果
PORA: Learning When More Reasoning Pays Off for LLM Agents（在新窗口打开）
配对比较同状态下短/长推理的最终质量，学习何时用剩余预算做长推理。
- Paired Outcome-guided Reasoning Allocation 估计长推理下游价值
- 推理控制器结合剩余预算压力在短/长推理间选择
- 多域 Agent 任务上以更少 token 匹配或超过全程长推理
The More the Better? A Comparison of Single- and Multi-Agent LLM Setups on a Financial Review Task（在新窗口打开）
在 300 份合成信贷备忘录上对照单 Agent 与三 Agent 分工审查，团队略多检出带说明缺陷但误报更高、token 约 2.2–2.4 倍。
- 可控设定下检验「分 Agent 审查更好」的实践说法
- 两模型上团队多抓 0.08–0.10 有说明缺陷，四模型均增误报
- 探索性：单 Agent 三次采样任一命中可优于团队
AudiPsy: Evidence-Grounded Multimodal Reasoning over Spoken Counseling Conversations for Depression Assessment（在新窗口打开）
提出 omni-LLM AudiPsy，以 OAS 范式融合文本与声学证据做咨询对话抑郁评估，在 DAIC-WOZ 上优于专用与通用模型。
- Observation-Assessment-Summary 范式整合转写、文本/声学情绪及不一致性
- 构建合成语料 AudiPsy-Counsel 与抑郁导向三阶段课程训练
- 在 DAIC-WOZ 上评估与推理质量优于专用抑郁检测与通用 speech/omni-LLM
Building Telecom Language Models with RSOD: Domain Data, Specialist Post-Training, Memory-Conscious Distillation, and Networking Evaluation（在新窗口打开）
六路由专家 LoRA 经 RSOD 蒸馏为单 adapter 学生 Llama-CalixCLM v1，路由 held-out 评测 micro 约 21.71/25，接近组合教师系统。
- 从网络 taxonomy 与专家图合成 21 万+ 路由训练记录
- RSOD 在 on-policy 轨迹上 teacher-force 并仅更新 student LoRA
- 发布可部署 consolidated 学生且 train-serve 路径可数值审计
VGL-stGen: Learning a shared multimodal model for lung histology and spatial transcriptomics（在新窗口打开）
在医学 VLM 上融合 H&E 与空间转录组学，单 checkpoint 支持 13 项组织与分子相关任务。
- 整合图像-表达、表达-细胞类型对与基因条件伪标签进行训练
- 统一解码组织/细胞分类、基因预测与条件表达补全
- 表明正确配对的组织学在表达观测之外提供额外信息
S-Agent 2.0: Spatial Reasoning with a General Coding Agent（在新窗口打开）
为通用 coding agent 配备 CLI 感知工具与场景记忆，在 MMSI-Bench 与 ReVSI 上显著提升空间推理。
- 设计闭环：采集几何证据、持久场景记忆并用自然语言解释读数
- 在 Qwen3.8-27B 与 Gemini-3.8-Flash 上相对无工具 agent 大幅提升
- 可迁移至 Codex、Claude Code 等不同 coding agent 框架
Agentic Ensemble with Vision-Language Models for Visual Anomaly Detection（在新窗口打开）
AnomalyAgent 用后训练 VLM 在高冲突样本上选择 score/map 融合动作，在 MVTec AD、VisA 等上提升 AUROC 与 pixel AP。
- 对齐异构分数与 anomaly map，将融合建模为有限动作选择问题
- score 与 map 两类动作涵盖 consensus、加权、几何聚合与 disagreement 修正
- 约束 VLM 检查高冲突样本并选择有效融合动作，多基准上优于等权融合
3D-MoE: Complementarity-Guided Hardware-Software Co-Design for MoE Decode on 3D-Stacked NMP（在新窗口打开）
利用 decode 步间专家负载互补做分组与映射，配合 CMN 热点协同与在线重映射，加速 3D NMP 上 MoE 解码。
- 提出 expert complementarity 并用于离线互补分组与 locality-aware 映射
- 轻量 CMN 经本地广播拉取热 expert 权重 tile 缓解组内热点
- 在多种 MoE 模型上相对 EP 与 NMP 基线显著提速
Multimodal Ambivalence and Hesitancy Recognition with Bidirectional Audio--Text Cross-Attention（在新窗口打开）
音文双向交叉注意力联合建模，在 BAH 视频级任务上取得约 72% 准确率与较高 A/H F1。
- wav2vec 2.0 与多语 BERT 投影到共享空间，无需显式时间对齐
- 堆叠双向交叉注意力实现语言与声学双向交互
- 在 subject-independent 测试集上验证联合建模对 A/H 识别的有效性
MedPAO-Assist: Edge-Deployable, Modality-Aware Agentic AI for Radiology Report Structuring（在新窗口打开）
CPU 端小模型多 Agent 流水线，由口述与语音指令生成结构化放射报告，无需外网。
- Extract-Ground-Generate 多 Agent 架构结合 SNOMED-CT grounding
- 约 0.6B SLM 全链路边缘运行，峰值内存约 3.3GB
- 支持多成像模态与语音驱动的人机闭环校正工作流
Which Agent's Skill Should Change? Group-Relative Credit Assignment for Evolving Multi-Agent Teams（在新窗口打开）
提出 GRSE：同题多次执行对比轨迹，为 Agent–技能对做组相对行为信用分配并结构化诊断失败。
- 指出仅按轨迹中技能出现分配团队奖励会误奖有害技能
- GRSE 受 GRPO 启发，通过同库多次执行对比为 Agent–技能对赋信用
- 在 HotpotQA/LoCoMo 上优于 MASkills，多跳 F1 提升最大且对污染技能库可恢复净库水平
Runtime Control for AI Agents: Closing the Evaluation--Execution Gap in Operational Workflows（在新窗口打开）
提出状态绑定的运行时 assurance，将批准与决策依据绑定并在 dispatch 前失效与复核，脚本回放中识别事后失效的批准。
- 形式化 evaluation–execution gap 与八种失败模式
- 概率测量与确定性裁决分离的状态绑定执行许可模型
- 42 例脚本回放展示 dispatch 前拦截与补偿行为
Local Allow, Global Deny: Why Per-Action Authorization Does Not Compose in LLM Agents（在新窗口打开）
证明逐工具调用局部授权无法保证全局策略，关系型目的违规需跨执行监控才可发现。
- 定义组合授权失败 CAF，并从表达力与可观测性两轴刻画
- 关系型目的违规为无单 trace 责难点的 2-safety 超性质，逐动作 monitor 无法检测
- AL-SYNTH 合成最小 CAF 见证，九种 LLM judge 在逐动作视图下几乎一律放行
Adaptive Stopping of Streamed Reasoning for Language Model Agents（在新窗口打开）
StreamStop 离线从 prefix 级动作一致学习停止策略，WebShop 上少用约 42% 推理 token 且任务成功率与全量推理相近。
- 冻结 prefix 编码器与轻量 stop head，无需 reasoning 模型内部信号
- 发布带 prefix 级动作标注的 agent 推理轨迹数据集
- 推理时可调折扣因子以权衡 agreement 与 token 消耗
Local Work, Global Progress: A Convergence Theory of AI Agent Collaboration（在新窗口打开）
将多 Agent 协作形式化为块优化并证明线性收敛，在路由与 SQL 规划上验证。
- 形式化协作求解为块优化，协调者按全局目标合并提案
- 证明精确修正下线性收敛及可合并冲突提案的收敛率条件
- GPT-OSS-120B 多 Agent 在机器人路由与 SQLite 查询规划上快于单 Agent
MAS-Guard: Unified Guardrails from Individual Agents to Multi-Agent LLM Systems（在新窗口打开）
统一框架为单/多 Agent 应用提供本地与系统级护栏，显著降低攻击成功率且保持良性任务效用。
- A-Guard 本地层与 Charter、Control Plane 系统层互补评估与执法
- 共享干预：allow、reflection、confirmation、block
- 六基准上相对无护栏 Agent 攻击成功率降 71.5–86.3%
Industrial Agentic AI: LLM-Driven New-Generation Agents for Smart Manufacturing（在新窗口打开）
综述 LLM 工业 Agent 的挑战、能力分级、四层架构与全生命周期应用。
- 分析动态环境与物理约束下工业 Agent 的五类关键挑战
- 提出场景、具身形态与五层能力的统一分类体系
- 给出四层系统架构及闭环任务执行机制并梳理代表应用
Physical AI: Concepts, Techniques, and Challenges（在新窗口打开）
专著式梳理 Physical AI 定义、技术版图与闭环感知—行动框架及落地挑战。
- 给出 Physical AI 统一框架并与数字 AI、具身 AI 等区分
- 综述多模态感知、世界模型、具身基础模型与 sim-to-real 等方法
- 归纳可靠性、安全治理与迈向 Physical AGI 的研究方向
Corpus Quality Improves, Retrieval Utility Does Not: An Ablation of Preprocessing and Refinement in a Speech-to-QA Pipeline（在新窗口打开）
对会议语音转 QA 的生产流水线做四组消融，语料评分随精炼升高，但下游检索准确率排序不一致。
- 同一批韩文医金会议语音上对比转写重写与 QA 过滤四套语料
- LLM 与人类专家在语料质量排序一致，精炼语料领先约 0.18–0.22 分
- 转写重写显著降低检索准确率；语料本身可将检索从 0.231 提升至 0.748
ClawMMU: Protection-Coherent Virtual Memory for Stateful LLM Agents（在新窗口打开）
为 Agent 长期记忆标注所有者与权限来源，在入上下文、存取与工具调用时校验，将注入攻击转为 harness 可拦截的保护 fault。
- 为每段记忆标注 owner、scope、origins 与 authority，在读写上下文、存储与 tool call 时检查
- 核心规则：信息可升权，但 authority 不能自抬；依来源而非语义内容判定
- 模型被欺骗时仍可由 harness 阻断经典式 memory attack
GBClaw: An agentic AI framework for atomistic grain boundary research and mechanistic discovery（在新窗口打开）
模块化 agentic 框架连接 LLM、仿真与领域工具，在镍 14 个一般非对称倾晶界上系统分析缺陷结构与变形模式。
- 编排器、专精智能体、领域工具、仿真接口与层次记忆支持动态 replan 与迭代工作流
- 一般 GB 上表征界面缺陷并比较含/不含 secondary misfit 位错的边界滑移差异
- 展示 agentic AI 将高通量计算筛选与复杂界面深度机理分析衔接
RAG-NIMBF: A Non-Invasive, Modular Benchmarking Framework for Automated RAG Configuration Analysis（在新窗口打开）
非侵入式模块化框架对 RAG 全配置空间做可控消融与实验追踪，揭示检索多样性与 prompt 对答案忠实度的影响。
- 可挂载现有 RAG 流水线的评估层，联合答案质量、检索正确性与运行时指标
- 在 SQuAD 上验证；MMR 检索较相似度搜索提升 nDCG@5
- 更强 prompt 使 capable 模型更忠实检索证据，配置选择可复现、可对比
LightCRS: Lightweight Multi-Domain Conversational Recommendation System（在新窗口打开）
冻结编码器离线算商品多模态表示，在线用 5.3M 参数查询条件交叉注意力统一多域对话推荐。
- 提出跨域共享参数的 query-conditioned 轻量融合与候选间 Transformer 联合比较
- 构建 25 域 Reddit–Amazon 基准 MM-R2A-25
- 在 HR@1、NDCG@5、MRR 上达 SOTA 并显著降低延迟
没有符合条件的论文。