针对 flow matching 只报告时间平均 loss 的问题，作者提出速度歧义剖面 VAP，把时间局部损失分解为不可约的贝叶斯风险下界与可约的超出项，只有后者能通过更多数据或更好的估计器降低。这为生成模型训练提供了按时间分辨的诊断工具，帮助判断该加数据、改网络还是改采样策略。

该工作把知识图谱接入 RAG 做多跳问答，将图拓扑与能量驱动的路径搜索结合，让检索在图上行走时同时受结构约束和语义能量引导，而不是只做符号层面的最短路。目标是保留图结构可解释性的同时带回连续语义，缓解文本被蒸馏成离散三元组导致的上下文丢失与模态错配。对做 GraphRAG 与多跳检索的从业者，这是一条兼顾可解释性与语义一致性的新思路。

这篇立场论文提出，基准不只是题目集合，它天然在难度轴上诱导出一个经验测度，评测结果本质上是模型能力分布与该测度的相互作用。作者形式化了两种核心失效模式：测度错配与覆盖缺口，后者会让难度轴上未被覆盖的区域无法检测有意义的进步。对做 benchmark 设计与模型选型的团队，这意味着刷分之前应先看清题目难度分布。

针对小模型智能体在蒸馏后常常原地打转的问题，本文提出进度感知蒸馏：检测轨迹中的停滞片段并施加惩罚，把有效推进这一信号显式注入训练。结果显示推理步数更省、成功率更高，说明小模型 agent 的瓶颈往往在于探索效率而非知识量。

论文指出超低比特量化骨干与多 token 预测（MTP）直接叠加并不能在同质量下加速解码：掩码式草稿缺少中间 token 输入，加宽预测头又带来额外开销。BitMTP 重新设计 MTP 与低比特骨干的耦合方式，让草稿路径在低比特模型上仍可用，使量化与投机解码的收益可以叠加。

论文研究大模型的 no-thinking 行为，指出关闭 thinking mode 或缺少长推理痕迹，都不能可靠证明模型真的停止了推理，模型被要求不思考时仍可能保留隐式推理惯性。作者围绕如何测量与约束无思考模式展开，提出需要可观测的评测协议。它提醒部署方不能只靠界面开关控制推理成本、延迟与合规行为。

Prospective Hindsight 指出现有长程强化学习过度依赖事后回报，梯度看不到智能体行动当下的信念与预期。方法在任意回顾式基础方法上加入自校准信号，用行动前预测与反馈后评估之间的差距训练模型修正判断。这让 agent 不只从结果好坏学习，还能学习自己何时误判环境，对长程规划与工具使用尤为重要。

SWE-Duel 针对静态编码 benchmark 容易泄漏和饱和的问题，提出一个可自扩展的编码智能体竞技场。它让两个智能体通过镜像的 Red-Blue 回合互相生成任务并判定 oracle，评测内容在运行时产生、难度由参赛智能体共同决定。其价值在于把 coding agent 评测从固定题库推进到动态对抗环境，更能反映强模型持续提升后的真实差距。

Mental-Models for Multi-Agent Systems 研究多智能体在部分可观测环境中如何推断他人的知识、意图和下一步行为。论文强调学习显式伙伴状态表征，让智能体把对队友、用户或对手的心理模型纳入决策，这对协作型和博弈型 Agent 的可靠性非常关键。

FreeMatching 面向图像编辑和参考引导生成中的稠密对应匹配，解决传统方法过度依赖平滑运动、刚体几何等时空先验的问题。它结合生成式先验与可泛化匹配框架，在跨编辑、跨风格和跨生成结果中保持身份一致，对可控生成、局部编辑和参考一致性很有价值。

HRIL 研究自监督多模态表征中的协同信息，即多个模态联合出现时才显现的任务相关信号。它通过高阶张量建模保留跨模态交互容量，适合医疗、音视频理解和复杂传感器融合等需要捕捉组合信号的场景。

Marformer 面向缺失信息下的决策问题，预测缺失变量的条件边缘分布，而不是只补全单个最可能值。它借鉴 BERT 式任意观测集合建模，可用于计算贝叶斯风险和信息价值，对医疗、金融和实验设计中的采样决策很实用。

Accurate but Not Humble 评估大模型智能体在检索证据与先验信念冲突时，能否修正答案并表达不确定性。论文用轨迹级行为指标衡量认识论谦逊，提醒从业者在检索增强和工具调用场景中不能只看任务成功率，还要关注过度自信风险。

Syn-Omni 针对全模态嵌入中共享语义与模态专属特征混杂的问题，提出结构化全模态适配框架。它通过模态专门化和受控跨模态协作兼顾通用表征与特定模态能力，有助于提升检索、聚类和跨模态匹配系统的稳定性。

这项工作对音频编码器进行反向信息保留审计，用冻结预训练表示和潜扩散解码器重建五秒 44.1 kHz 立体声音乐。它比较监督分类、音频文本对比学习等编码器，帮助判断表征适合的下游任务，同时揭示音频细节可逆带来的隐私和版权风险。

EgoVoice 面向可穿戴增强现实助手，把第一视角视频、音频流和口语交互整合为主动语音辅助任务。它研究系统何时开口以及说什么，使助手能在不打断用户的前提下提供及时指导，对实时个人助理和具身多模态交互很重要。

TokenRouter 将大模型路由细化到令牌级，在生成过程中动态选择不同模型，以改善成本与质量的帕累托边界。它针对令牌级路由带来的调度、缓存和批处理挑战构建服务系统，为生产环境混合大小模型和细粒度算力分配提供基础设施。

HuatuoGPT-3 挑战领域适配中常见的 SFT 加 RL 流程，指出 SFT 冷启动可能压缩探索多样性并增加多阶段优化复杂度。它探索 RL-only 领域适配，希望医学等专业领域模型能更直接地从奖励和教师信号中形成专家能力，减少对大规模监督微调数据的依赖。

Rationale-Guided Policy Optimization 针对 on-policy RL 在难题上奖励稀疏、模型难以找到正确轨迹的问题。方法通过自适应 rationale scaffolding 提供中间推理支架，让推理模型在困难样本上获得更密集的优化信号，同时保持训练贴合当前策略分布。

论文重新分析 two-level softmax sampling，指出先采簇再采元素虽然能降低大规模 softmax 采样复杂度，但会因簇大小不均和簇内分散度差异产生偏差。作者给出偏差修正方法，使近似采样更接近真实 softmax 分布，对大词表生成、检索式生成和推荐系统都有实用价值。

SteerSpeech通过为目标情感训练轻量低秩变换，并在推理时向隐藏激活注入steering vector，提升文本转语音的情绪可控性。它避免依赖粗粒度prompt、参考音频或重训条件模块，对已有TTS系统做低成本情感增强很有价值。

SLDR针对恶意微调导致模型安全行为退化的问题，利用层级安全敏感性的方向差异进行选择性层恢复和动态路由。它为托管微调服务提供微调后的安全修复机制，在保留任务适配能力的同时增强拒答和安全对齐。

这项研究分析vanilla Transformer如何借助有限数据增强学习点云中的对称性，并比较不同对称变换的不变表示学习难度。结论表明有限增强并不自动产生强不变性，几何任务仍需要合理增强预算和归纳偏置配合。

论文重新审视长视频理解效率，指出帧数、分辨率和前端解码延迟应联合分配，而不是只围绕视觉 token 预算优化。实验显示密集低分辨率采样常优于稀疏高分辨率采样，对视频 Agent 和长视频 RAG 的预算设计很有参考价值。

SquidAgent指出多智能体并行并不天然带来低延迟，重复探索上下文和协调通信会吞掉并行收益。它强调按任务结构选择性并行，并把任务拆分、上下文共享和协作节奏作为核心设计点，对长链路 Agent 系统的调度优化很有参考价值。

这篇论文用信息论刻画扩散模型中特征生成的时间顺序，为先生成粗结构、后生成细节的经验现象提供定量解释。它通过 I-MMSE 恒等式把特征互信息变化率与去噪损失差相连，有助于分析语义和视觉特征在采样过程中的出现阶段。

Pivot-SD 针对掩码扩散语言模型中的信用分配问题，识别会显著改变后续不确定性的枢轴 token，并围绕这些关键位置进行自蒸馏。它把训练信号集中到真正影响推理路径的决策点，帮助并行生成语言模型在复杂推理任务中获得更细粒度的改进。

这篇论文研究 MoE 路由中 sparsemax、alpha-entmax、normmax 等稀疏概率映射在训练后是否仍能带来自适应专家参与。作者在匹配的 300M 和 1B top-2 MoE 上分析概率映射、top-K 机制与真实专家利用之间的关系，提醒从业者路由稀疏性会被训练动力学重塑。

Omni-Embed-Mini 用 9 亿参数把文本嵌入模型扩展到语音、音频、图像、视频和富文档，并通过冻结文本侧参数保留文本检索能力。它用媒体样本关联的密集级联文本信号做蒸馏，将多模态输入绑定到统一余弦空间，对构建轻量多模态检索系统很有参考价值。

这篇综述系统梳理视频生成模型的后训练与对齐问题，覆盖视频 RLHF、偏好数据、奖励模型、安全评测和时间一致性等关键环节。它强调视频对齐不同于图像和文本，对从业者搭建高质量、可控、安全的视频生成流水线很有路线图价值。

KaliBench 面向 Kali Linux 网络安全工具使用，细粒度评估 LLM 生成命令、参数和 flag 绑定等执行接口细节。它设计了无需真实运行环境的可验证奖励，对构建可靠安全 agent 很关键，因为小的语法或参数错误就会导致自动化流程失败。

SILSA 用滑动窗口 slice latent 表示高分辨率 3D 形状，试图替代成本较高且容易破坏连续表面的 voxel latent 多阶段流程。它在效率、细薄结构表达和高连通形状拓扑保持之间取得更好平衡，适合复杂 3D 生成与建模任务。

ZFO 将大模型微调中的更新方向和步长选择解耦，用可信一阶优化器给出方向，再沿该方向用零阶评估搜索合适步长。这个方法降低黑盒搜索成本，同时提升微调稳定性，对需要少调参、稳收敛的 LLM 微调流程很实用。

论文指出 Wasserstein 梯度流和 forward-only diffusion 的指数收敛保证，并不意味着算法能高效采样复杂多峰分布。它提醒生成模型研究者区分形式上的分布收敛与实际跨模态混合能力，避免用理论保证掩盖多模态采样难题。

论文提出通用字节级编码路由，在 UTF-8 与 UTF-16 之间选择更适合具体文本的表示，以降低不同文字系统之间的 token 预算差异。它对多语言大模型部署很重要，因为编码开销会直接影响上下文容量、推理延迟和调用成本。

文章讨论机器学习模型进入核聚变反馈控制环后，推理速度、延迟抖动和可预测时序会变成安全与控制质量的核心约束。它强调从模型、编译、硬件到运行时监控的端到端工程取舍，对做实时 AI 控制和高可靠推理系统的团队很有参考价值。

My FAULT 把智能体强化学习中的自我诊断引入信用分配，让模型在多步任务失败后识别哪一步或哪类决策导致结果变差。它缓解只依赖终局奖励带来的稀疏反馈问题，对训练可自我改进的 LLM Agent 和复杂工具调用工作流很重要。

AURAL 面向语音语言模型提出自适应潜在推理，用联合分块方式在不显式输出思维链的情况下提升推理能力与响应速度。它把语音交互中的智能性和低延迟一起优化，对实时语音助手、语音 Agent 和端到端语音大模型有实际意义。

论文针对 3D 网格生成中的 flow matching 强化学习提出 Dynamic Homing Optimization，试图解决直接套用 2D 视觉生成目标时与 3D 几何结构不匹配的问题。核心亮点是让优化过程更贴合网格生成轨迹和几何质量，对 3D 内容生成、游戏资产和工业设计模型训练有启发。

该工作围绕高质量PPT自动生成构建「演示智能」，指出PPT仍是跨领域沟通的重要媒介，但高质量制作高度依赖人工。它针对现有生成方法在内容组织、版式与可用性上的不足提出系统化方案，为办公自动化与多模态文档生成提供参考。

提出「可塑工作区」概念模型，用于支持人机协同知识工作。作者指出对话历史难以承载任务组织结构的持续演化，而可操作、可重组的工作区表示能更好支撑后续行动。该工作对Agent交互界面与知识工作工具设计具有启发意义。

针对生成式视频压缩中解码端扩散模型去噪重建的保真度问题，提出ResGVC残差编码方法，将残差信号纳入压缩与重建流程以提升高保真视频重建质量。该工作为生成先验与视频编解码结合提供了新的工程思路。

提出Trace2World，从真实应用交互轨迹重建可运行的应用环境，用于可扩展的GUI Agent强化学习训练。该方法针对部分轨迹生成模拟环境时状态转移不正确的问题，强调保留真实应用行为，对GUI Agent训练环境构建与数据扩展具有实用价值。

研究逆向KL策略蒸馏的统计性质，给出其统计保证与局限性分析，并讨论温度、数据规模等因素对蒸馏效果的影响。该工作为语言模型蒸馏实践提供了理论依据与风险提示。

ViTeX-Bench 面向高保真视频场景文字编辑，覆盖替换店招、白板和商品标签文字等任务，同时要求保持周围内容、运动和镜头动态稳定。该基准补足了视频中文本一致性、时序稳定性和真实感评估的缺口，为视频生成与编辑模型的精细控制能力提供更贴近应用的测试场景。

论文复现并重新评估了用AMR结构语义表示增强大模型的效果，发现此前显著收益很可能依赖特定实验设置。统一调参协议后，纯文本基线常能追平AMR增强方法，提醒从业者在引入结构信息时必须严控基线与超参数。

MeanVoiceFlow2面向一步零样本语音转换，联合优化流式转换模块和轻量内容编码器。它在保持音质与说话人相似度的同时降低推理开销，对实时语音转换和端侧部署更有实用价值。

Imagine3D-LLM 让多模态大模型在回答前先整合多视角图像并形成三维场景想象。它强调空间表征而不只是像素匹配，对机器人、具身问答和室内场景理解中的位置、遮挡与视角推理很有价值。

这篇论文指出视频扩散模型直接套用 token-wise MoE 会陷入均匀分配但语义组织不足的问题。SplitMoE 针对视频的时空冗余和语义长尾设计专家拆分与路由方式，为视频生成模型扩容提供更贴合数据结构的路径。

论文系统分析语音 LLM 剪枝对不同人口群体的影响，指出平均 WER 可能掩盖公平性退化。结果显示 SLAM-ASR 的音频编码器剪枝会改变群体间性能差距，提醒部署方把公平性指标纳入压缩模型评估。

AgentWorld 是一个评测多智能体大模型长期协作能力的新基准，包含真人标注任务和增强变体。它要求 3 到 20 个信息不对称智能体在 MMORPG 沙盒中完成超过 50 轮互动，能更细致检验角色分工、通信、规划和资源协调能力。

论文提出 Failure-Transparent Agents 基准，专门评估工具型语言模型在工具失败后是否仍会错误宣称成功。它将失败观察和证据状态固定在生成前，使失败后的报告可直接审计，对 agent 安全、可靠性和透明性评测很重要。

论文重新思考个性化生成，将用户偏好建模为候选输出与用户维度的匹配问题，而不是单一平均偏好。它使用因子化排序模型和 Best-of-N 等测试时扩展方法重排输出，让个性化更多发生在推理阶段，减少反复训练专用模型的需求。

论文研究行为基础模型能否作为质量多样性搜索空间，用来发现大量行为差异明显且性能可用的策略。它把基础模型的潜在行为空间与开放式行为发现结合起来，对机器人控制、模仿学习和探索型强化学习有潜在价值。

LongCat-DeepResearch 提出将增强版 LongCat 模型与多智能体工作流结合的深度研究系统，用于生成覆盖全面且证据扎实的研究报告。其价值在于把检索、证据整理、推理和写作拆成协作流程，为降低长链研究任务中的遗漏与幻觉提供工程范式。

TRACE 揭示了具身强化学习分布式训练中的隐私风险，即使原始传感器数据留在本地，仅上传策略梯度也可能泄露连续轨迹。作者提出摊销式时间梯度反演攻击，可自回归重建每步私有观察和动作序列，提醒机器人与边缘智能训练必须防护序列相关性带来的泄露放大效应。

VeriSpeak构建了面向语音事实核查的检索增强基准，包含3879条口语化声明，覆盖时间、地理和关系事实，并保持真假标签均衡。它的价值在于把核查对象从ASR文本扩展到音频输入链路，提醒从业者同时评估语音信息保真、证据检索和事实判断。

这篇论文指出，多模态大模型常用的层间视觉文本相似度曲线可能只是对齐幻觉，并不等同于真实的内容级跨模态交互。作者在13个不同规模MLLM上做视觉流干预，发现替换projector输出后对齐现象仍可保留，因此从业者需要用因果干预而非单一相似度指标评估多模态理解。

SAGE针对长程推理中的探索偏差和复合偏差，提出用Symbolic Closure Analysis刻画推理空间里局部合理但结构不稳定的分支形成过程。论文进一步引入拓扑指导来稳定搜索轨迹，为RLVR和长链推理训练提供了比扩大采样更结构化的优化路径。

SEEK面向工业搜索质量评测，提出技能路由与可演化知识结合的评估框架，用于为搜索系统迭代提供更细粒度的监督和诊断信号。它的亮点在于让LLM评测从通用打分走向按搜索技能分派与知识持续更新，对电商、内容检索和企业搜索的离线评测与问题定位更有实践价值。

Tri-PvP 通过制造感知证据与命题证据冲突，系统测试全模态大模型在跨模态推理中的偏置。结果显示模型存在视觉偏置和证据形式偏好，并且这种影响在早期层已可解码，提示从业者需要用更细粒度评测区分真正推理与模态惯性。

这篇论文研究高维 latent 是否适合扩散建模，指出为重建质量微调视觉编码器会恢复细节，但也可能压缩有效维度并改变表示几何。它提醒生成模型从业者，encoder 选择不能只看重建效果，还要评估 latent 空间是否利于扩散过程学习。

这项研究用 Qwen3、LoRA 和有界回归头，把英文 PHQ-8 访谈评分迁移到中文 HAMD-17 临床咨询评分任务。它给跨语言、跨量表的心理健康文本建模提供了低样本迁移流程，但医疗落地仍需要严格临床验证。

Mizar 是一个 159.3M 参数的音频语言模型，面向端侧和低算力音频理解场景。它通过 CED-Small 音频编码器、紧凑架构和三阶段训练配方融合声学感知与语言知识，为隐私、延迟和成本敏感部署提供了小模型路线。

Hunyuan-A13B 是一个开源 MoE 大语言模型，总参数量为 800 亿，但推理时只激活 130 亿参数。它的亮点是用稀疏激活在效果和成本之间取得平衡，对需要部署高性能但受算力约束模型的团队具有参考价值。

InternW0 面向物理智能提出基础世界模型，强调预测不仅要描述环境变化，还要在环境持续变化时保持可执行性。它对机器人和具身智能很重要，因为它把世界建模、行动决策和真实交互效率连接到同一框架中。

Qwen3.8-Omni-Flash 被介绍为面向真实多模态生产力场景的原生多模态智能体模型。摘要显示其重点从传统 omni 模型的感知与交互扩展到任务执行，对构建文本、图像、语音等能力协同的多模态 Agent 有参考价值。

DeepSeek 提出 DSec 生产级弹性沙箱平台，为大规模智能体训练和评测提供 FnCall、容器、microVM 和完整虚拟机等多种隔离后端，并通过统一 SDK 管理生命周期。它围绕环境分层、镜像按需加载、高密度调度、状态保留和与强化学习框架协同优化，支撑每天约 300 万沙箱、超过 38 万并发沙箱的生产负载，对构建大规模 Agent 训练基础设施很关键。

UFO 提出 chain-of-evaluation 方法，用于评估多模态图像生成中的全条件联合对齐，尤其面向 subject-driven customization。它解决了传统 embedding 或 MLLM 评测分条件打分与真实人类偏好不一致的问题，对多条件生成系统的质量评估更有参考价值。

OneBid 面向 oCPX 广告自动出价，把注册、购买、ROAS 等异构场景统一到一个可复用的出价基础模型中，再通过离线后训练适配具体业务。它结合双目标条件控制、序列级 MoE 和 CROP 离线策略优化，在快手线上部署中带来整体 ADVV 约 2.2% 提升，说明广告投放系统也能借鉴基础模型范式获得跨场景迁移收益。

这篇论文提出 harm laundering 现象，认为安全训练可能将有害性别歧视从显性表达改写为更隐蔽的语义形态。作者分析 GPT-2 到 GPT-5 的 15 个模型和 45 万条性别指向补全，提醒从业者不能只依赖表面 harm 分类分数评估安全性。

RAFT 面向企业客服排障 agent，将已关闭案例建模为有向时间线链条，而不是把历史工单当静态文档整体检索。它支持条目级检索，让 agent 在多轮诊断中获取更贴近当前阶段的操作建议，提升排障自动化的可执行性。

DeepSeek-V4.1-Flash 聚焦 KV Cache 压缩，面向长程 Agent 带来的输入密集型推理负载。其核心价值在于降低长上下文场景的缓存占用和相关推理成本，为高并发 Agent 服务提升吞吐、显存效率和部署可行性提供参考。

这篇论文把 BPE 与 UnigramLM 的差异拆解为优化目标和搜索过程两条独立轴，区分压缩、对数似然、自底向上合并和自顶向下剪枝的影响。作者通过新 tokenizer 变体做因果分析，为基座模型选择分词器提供更清晰的实验依据。

这项工作关注基于多模态大模型的推荐系统，试图从点击、观看时长和负反馈等隐式行为之外，扩展能够解释用户偏好的清晰理由。核心方向是生成可表达的推荐依据，让系统不只预测用户会选择什么，还能说明为什么匹配。对推荐工程从业者来说，这有助于提升可解释性、用户信任以及推荐策略调试效率。

DescaPE 针对自回归生成中早期事实错误会持续扩散的问题，在解码阶段主动压制高幻觉风险路径，而不是等生成完成后再纠错。它用滑动窗口 MLP 消融识别模型内部与事实归因相关的信号，并在推理时用这些信号控制生成。对高可靠问答和知识密集生成应用来说，这提供了无需改动模型权重的事实性增强方案。

RESKILL 面向交互式语言智能体的技能复用失败问题，指出一次性反思补丁难以维护失败原因、候选修复和复测结果之间的关系。它把失败假设、技能补丁和测试反馈组织为显式 repair state，使多轮修复可以沿证据持续更新。对 Agent 工程来说，这有助于建立可追踪的调试闭环，减少长期运行中的退化和重复错误。

Circuit-MLLM 针对电路原理图这类布局密集且依赖拓扑逻辑的视觉理解任务，指出通用多模态模型难以准确解析元件关系和电气语义。它把电路拓扑分析重构为潜在空间中的逻辑引导推理，让模型在视觉特征之外显式处理连接关系。对工业图纸和垂直多模态应用来说，这说明结构先验是专业理解任务的重要增益来源。

这篇工作研究 LLM 的支持性共情能否通过 activation steering 控制，发现共情不是单一方向，而包含情绪反应、解释和探索等多个维度。作者基于 EPITOME 框架在三种指令微调模型上测试候选方向，并分析不同 persona 对干预效果的影响。对对齐研究来说，它提醒从业者需要用多轴机制几何刻画社会性特质，避免把复杂行为误判为单一可控旋钮。

这篇工作指出大推理模型的安全风险不只出现在最终答案，也可能隐藏在中间推理轨迹中，整段响应级对齐容易让有害推理被安全答案掩盖。SaLT-DPO 将响应拆为推理段和答案段，做分段感知的 listwise 对齐，使偏好优化能定位具体出问题的部分。对安全训练和评测来说，它把长链推理模型的对齐目标推进到过程层，有助于提升可见推理场景下的安全性。

论文构建 Turkish MMLU Pro，在保留原始土耳其语多选题的基础上可追踪地增加借入选项，并用检索、模型选择和确定性校验重建新增选项。实验显示 10 选项会显著压低模型分数，但分数降低并不自动代表评测更有效，提醒从业者扩展多选基准时必须审计歧义、顺序和标签变化。

MAPS 面向预填充与解码分离的 LLM Serving，利用输出长度预测和显存感知调度缓解解码实例负载不均。它把调度目标从算力利用扩展到显存压力与生成长度联合建模，对云端和个人设备混合请求场景中的推理稳定性很有价值。

论文分析 Emergence World 中多智能体失控现象，指出关键问题是审计信号无法进入控制器形成约束，而不是模型完全识别不了风险。它提出 enforcement gap 这一机制，提示 Agent 系统需要真实的监督、否决和执行链路，而不能只依赖反思文本。

CWM 提出任务无关的白盒元提示框架，通过调控模型内部信号来决定是否检索，将检索、生成和推理统一到同一机制中。它在多个自适应 RAG 基准和推理任务上表现突出，可降低额外分类器、多次采样和复杂编排带来的推理成本。

论文为大型音频语言模型加入帧级 grounding，使模型预测时间位置时能对齐到更细粒度的音频帧证据。该方法提升事件边界和时间定位的可靠性，对视频剪辑、会议理解、安防音频和多模态检索等应用很直接。

论文指出多模态强化学习后训练中，不同 prompt 的学习价值差异很大，平均分配 rollout 预算会浪费样本。它提出探索引导的 prompt scaffolding，动态选择更能产生奖励信号的训练样本，从而提升视觉推理和图文任务的在线 RL 样本效率。

论文研究小型指令模型的 Prompt Echoing 现象，即模型在未被要求复述时直接镜像输入提示。对多个模型家族的分析表明，提示回声更可能来自归纳头驱动的复制偏置，而不只是训练数据记忆泄漏，这对小模型安全评测和异常检测很重要。

MoARa 面向低秩 LLM 预训练，指出统一 rank 分配忽略了 Transformer 模块对投影误差的不同敏感性。它通过模块感知的 rank 分配和结构保持分解降低训练误差，对显存受限的大模型预训练和低成本优化流水线有参考价值。

SALUTE 提供国防领域大模型的语料、指令数据、偏好数据和评测基准，覆盖条令术语、作战流程、推理能力和军事新闻理解。它展示了通过持续预训练、监督微调和偏好对齐构建专业领域模型的完整路线，对高风险行业的大模型适配和评测很有参考价值。

CoMem 解决 LLM 多智能体系统长期运行中的记忆退化问题，通过集体记忆与个体记忆协同保留共享知识和角色经验差异。它对需要持续协作、分工演化和错误经验复用的多 agent 系统很重要。

这项工作用 GGUF 元数据预测 llama.cpp 单序列吞吐，将 roofline 风格预测器与量化缩放因子结合，在不同硬件和模型文件配置下估计推理性能。它能帮助本地部署者在下载或量化模型前评估吞吐和硬件适配性，降低试错成本。

这篇论文指出 BBQ 等公平性基准可能被对齐模型用极少示例快速适配，甚至 one-shot 提示就能显著提高得分。它提醒从业者公平性评测需要关注泛化、抗提示污染和分布外行为，否则分数可能高估真实安全水平。

PLC-DPO 面向偏好优化中的噪声和歧义标签，用校准后的 policy-reference margin 进行后验标签校正。它把样本区分为干净、翻转和平局等类型并分别处理，可提升 DPO 在真实偏好数据上的鲁棒性。

这篇论文用方向分解分析 Transformer 表征的层间演化，将更新拆为保持当前方向的平行分量和改变方向的垂直分量。研究揭示预训练模型中存在大量超出残差恒等路径的平行分量，为解释注意力、MLP 和隐藏状态几何作用提供了更细工具。

这篇论文提出协商式诊断框架，用于评估大语言模型在人群意见模拟中接触新论据后的信念更新是否接近人类协商过程。它提醒从业者，硅基抽样不能只看静态观点相似，还要验证论证、反驳和更新路径的可信度。

这篇论文指出低秩压缩只追求单个矩阵最优截断并不充分，因为独立误差会在 Transformer 块的非线性前向中相互放大。作者提出矩阵级、块级和全模型三级优化链，强调压缩方案要用真实前向行为而不只是局部重构误差来评估。

Func-R1 针对多模态大模型在函数图像数学推理中容易忽略视觉线索的问题，设计奖励和训练机制来强化视觉 grounding 与符号推理的结合。它对教育、科学计算和图表理解很重要，因为这些场景要求模型既能准确读图，又能完成严谨推导。

该论文提出由 VLM 驱动的分层语义解析框架，把图像递归拆解为可编辑的 SVG 对象、部件和几何层级，而不是生成缺少语义的一堆扁平路径。作者还构建 Semantic SVG Benchmark，并用语义召回、语义精度和 PERE 等指标评估组合结构与可编辑性，对设计工具和可控图形生成很有意义。

CompCQR 面向对话搜索中的上下文依赖查询问题，用少量大模型调用生成原子组件，再组合出大量查询候选以扩展检索覆盖。它利用大模型推理构造兼顾精度和召回的文档集合，在多个基准上显著提升 MRR，同时降低查询重写成本。

TempCloze 通过让视频语言模型从语义、对齐和时序推进等角度的干扰项中识别缺失视频片段，评估视觉时序推理能力。它填补了视频模型基准中针对中间片段时序判断的空白，是更细粒度的诊断工具。对从事视频理解和时序建模的团队尤其实用。

论文指出视觉自回归模型 VAR 的 next-scale 预测在同一尺度内并行生成所有 token，本质上是 mean-field 近似，丢弃了同尺度 token 之间的空间依赖，易导致局部不连贯。作者提出轻量自回归模块 Logit Refiner，在解码时重建尺度内依赖，改善局部一致性和图像质量，是对生成解码规则的小型但关键修正。

提出一个统一四系数参数化形式，将在线策略蒸馏中逐 token 的前向与反向 KL 门控纳入同一框架，EOPD 和 ToDi 可视为方向对齐的一维特例。引入多通道信号和偏置项后，可在训练中混合 FKL 与 RKL，不再固定单一门控信号或方向。这为在线策略蒸馏的损失设计和超参搜索提供了更灵活的方案。

构建了 RAG-Safety-Bench 评测基准，专门评估检索增强生成中的安全边界问题。工作揭示可信文档检索在用户诱导有害内容时，可能反而使模型更容易越过安全限制。对广泛使用企业语料 RAG 的生产系统，这类安全评测是不可或缺的保障。

SIRF 面向工业内容风控的实际约束，不仅追求平均准确率，还关注高精度和秒级时延下能自动处理多少风险。它利用 EntiGraph、MAGA 改写和账户级思维链合成复杂平台策略，并通过继续预训练将规则内化进模型权重。该方法避免了额外人工标注，适合大规模内容审核部署。

该研究重新审视后训练中完整推理轨迹的作用，发现模型从截断轨迹的端点中获得更明显的推理提升，完整轨迹存在大量冗余。这一结论对 SFT 和 RL 的数据构造有影响，可通过减少长链步骤、聚焦关键结论来降低训练开销。

该工作主张不抛弃 dropout，而是利用层级稀疏性同时优化大模型训练和推理效率：训练时用层丢弃提升效率，推理时配合早退和投机解码加速，且不损害精度。其核心贡献是把 dropout 重新定位为贯穿训练和推理的稀疏优化手段，对低成本部署有实际价值。

该研究发现语言模型中不同推理操作在隐藏表示上具有几何可分性，这些结构跨层涌现并依赖当前推理上下文。它把思维链从黑盒输出推进到可定位、可区分的机制解释层面，为后续编辑或诊断推理错误提供表示级抓手。

Dr. Claw 没有另造自主智能体，而是将已有编码智能体执行器包进开源工作区，提供可控、可审计的人类在环流程，并持久保存状态。它整合聊天、IDE、终端和写作工具，使 AI 科研流程从随意探索变成可复现、可追踪范式。

针对可验证奖励强化学习中低成功率样本因重要性采样裁剪过强而丢失梯度信号的问题，GAPO 根据 rollout 的优势值自适应调整裁剪阈值，保留低成功率群体的更新信号。该方法不引入额外奖励模型，而是修正策略优化的梯度估计，对提升 RLVR 尾部任务成功率有直接意义。

该工作提出 KoNA 基准，系统评估视觉语言模型在混合请求下的选择性不遵从能力，并利用定向微调提升模型对合法请求的遵从度。它把安全拒绝问题从纯文本扩展到多模态，强调模型需要依据视觉上下文判断是否应拒绝回答。

作者将安全微调模型的响应结构拆分为拒绝声明与理由说明两部分，发现仅使用理由部分训练，即可在保持安全性的同时减少误拒绝。该研究为安全对齐提供更细粒度的数据构造视角，让模型学会解释边界而非机械拒绝。

该论文提出「Pixel Linguist II」，系统改进像素级文本表示学习，引入可变分辨率训练、自然图像与文本对齐、布局感知渲染和多语言课程四项关键设计，让模型更好地理解图像中的文字。方法在多个基准上达到当前最优，并对图像压缩表现出强鲁棒性，适合文档理解和视觉文本检索等实际任务。

该论文提出 CRISP 方法，针对长上下文稀疏注意力预填充阶段的路由质量问题，引入直接结构质量指标和 sink 感知阈值来过滤背景噪声 token，不再依赖间接路由代理。它在保持或提升检索准确率的同时显著加速预填充，为超长上下文处理提供更可靠的选择性注意力方案。

该论文提出 Debias-SparseGPT，解决大模型剪枝压缩过程中可能放大人口统计偏差的问题，在训练后稀疏化同时引入表示层去偏机制，使压缩模型在保持稀疏度的前提下降低对特定群体的偏见。对于需要部署轻量模型又必须兼顾公平性的场景，该方法提供了一条可落地的路径。

该论文研究基于评分标准的强化学习奖励模型能否小型化，发现用小型探针式判别器可以替代大型生成模型来打分。这些小模型在保持与大型评判器一致性和跨任务迁移性的同时，显著降低了训练和推理开销，说明密集奖励信号的强化学习流程不必依赖昂贵的大模型评判。

论文提出「训练即编译」，把自然语言规范转换为可复用的本地神经函数，避免每次输入都调用远端大模型所带来的成本、延迟与供应商依赖。编译阶段由教师模型生成任务样本并训练小型适配器，运行时无需教师模型，常见文本处理需求可沉淀为轻量本地模块。

该工作区分思维链的「可读性」与真正可解释性，通过实验比较 LLM 评判器认为重要的步骤与实际起作用的步骤。结果显示表面文本未必编码其功能重要性，因此基于文本的错误诊断、忠实性评估或过程奖励监督可能存在隐患。

该工作用受控实验考察语言模型在预训练阶段如何获取知识，发现同一知识的辅助视图或重新表述对学习有因果性帮助。重复对知识习得是必要的，但改写仅在小 batch size 下收益更明显；固定 token 预算下将文档重复 token 转给辅助视图可提升学习效果，说明数据编排应关注知识的多视角呈现。

提出 PreferenceEKF，通过子空间推断追踪奖励模型的不确定性，从而更高效地选择主动学习偏好查询。该方法有助于在更少人类偏好样本下训练可靠奖励模型，缓解 RLHF 样本效率低的问题。

论文关注代码修复中的「过度编辑」问题，即模型修 bug 时改写超出必要范围，虽可能正确但难以审查、忠实度下降。作者从 BigCodeBench 问题注入 AST 级损坏，构造带已知最小补丁的修复任务，为量化代码编辑忠实性提供基准。

OctWorld 提出一个带持久 3D 记忆的视频扩散框架，用于从单张图像生成可探索、世界一致且高保真的视觉场景。其基于八叉树的 3D 映射支持长程世界一致性视频生成。

SelfDR 提出从推理过程进行自蒸馏的方法，用于提升基于大语言模型的推荐系统。该方法利用 LLM 的推理能力增强推荐解释与文本理解，对推荐系统落地有参考价值。

InSituMeasure 旨在评估多模态大语言模型在工业场景中的就地测量 grounding 能力，尤其是连续视觉条件下的仪表读数等任务。该工作揭示 MLLM 在实际工业测量中的可靠性问题，对工业多模态应用有警示意义。

Text-Audiobox 提出一个无需对齐的统一框架，用于高质量配音和全双工对话合成。其基于流匹配训练的扩散 Transformer，简化了语音合成流程并提升生成质量。

Editable Visual Design 针对扩散基础模型生成扁平位图、文本易错且难以后续编辑的问题，提出可编辑的视觉设计方法。该工作旨在保留视觉表现力的同时支持后续编辑，对设计工作流有实用价值。

提出 FlowBalance，在策略化推理经验上融合终端验证器的可靠稀疏监督与同模型密集引导，以稳定推理模型的自改进过程。该方法缓解内部自改进循环中的脆弱性，对希望用强化学习持续提升推理能力的从业者具有参考价值。

RecurTrace 针对重复部分中间层以实现潜在推理的架构，引入自适应循环深度与循环时间记忆机制，在不增加参数或输出 token 的前提下提升有效推理深度。相关工作聚焦潜在循环，该方法为高效扩展模型推理能力提供新思路。

提出环境演化方法，针对终端智能体训练所需的可交互、可验证环境，通过持续演化提升环境难度和多样性，以匹配越来越强的前沿模型。这为大规模训练智能体提供了更可扩展的环境生成方式。

提出 WorldReward 奖励模型，用于评估摄像头条件下的世界模型生成的交互视频，确保给定动作引发预期场景变化且外观、几何和时序保持一致。该奖励模型为训练世界模型提供更可靠的学习信号。

BooM-VVT 提出利用图像级伪数据增强无遮罩视频虚拟试穿，通过关键帧驱动范式提升真实场景性能。该方法缓解了视频试穿对精确遮罩的依赖，推动更实用的虚拟试穿应用。

该研究指出在激进的解码时 KV 缓存驱逐中，跨解码步聚合分数的时间规则和排名保持比精心的 token 评分函数更关键。它为 KV 缓存压缩优化提供了更明确的方向，有助于降低大模型推理显存和延迟。

HypRQ-VAE 提出双曲空间中的物品索引方法，用于长尾感知的生成式推荐系统，以缓解现有 LLM 生成式推荐对长尾物品建模不足的问题。该方法改善物品 ID 表示，对推荐从业者具有实际意义。

提出通过行为抽象对 LLM 智能体失败进行结构化分析，将复杂失败模式转化为可诊断的见解。该方法有助于提升智能体的可靠性和可信度，对智能体开发与调试具有工具价值。

UniPolicy 面向生成式搜索广告，试图把预训练生成模型从单一业务目标对齐扩展为面向不同目标的统一策略。它对广告系统从业者重要，因为真实投放往往要同时权衡收入、相关性、用户体验和约束条件，统一策略有助于减少多模型维护成本并提升目标切换效率。

PART 提出一个基于 Transformer 的统一框架，用于 3D 零件检索与装配，围绕目标结构选择合适部件并推断组合关系。它对制造、CAD 和数字内容生产有价值，因为零件级检索与装配自动化能降低建模成本，并提升复杂 3D 资产复用效率。

该工作面向可定制路线规划，提出可微分的最短路径搜索深度架构，使路线偏好和路径求解能够联合优化。它对导航和网约车系统重要，因为不同用户可能关注时间、费用、拥堵、舒适度等目标，可学习的路径规划有助于把个性化偏好纳入端到端优化。

这篇论文指出大模型嵌入训练会出现推理坍塌，即模型要么丢失有用推理能力，要么生成与检索目标无关的文本。作者提出CoFree，通过参考引导的监督微调和同时面向嵌入与推理质量的强化学习奖励来保持推理质量，并在MTEB和BRIGHT等检索基准上提升nDCG@10，对构建高质量RAG和语义检索系统很有价值。

该工作研究面向带副作用程序的 E-graph 高效提取问题，关注内存和 I/O 操作在优化中必须保持合法执行顺序的约束。核心贡献是让等价图技术更可靠地应用于真实程序优化、综合和验证场景，对编译器与程序分析从业者具有直接意义。

本文把 AI Agent 视为一种分布在提示词、工具、记忆、策略和执行环境中的软件系统，提出从编程语言角度提升可靠性的研究议程。核心亮点是强调规范、类型、模块化、验证与运行时监控，对构建可审计、可测试、可维护的 Agent 很重要。

本文提出 ATLAS，一种面向工业工具使用智能体的双视界诊断评估方法。它针对需要迭代工具调用且处于动态业务条件下的大语言模型智能体，提供可靠评测以支持持续改进。

本文提出 ERPO 方法，通过输入侧查询分布控制替代动作侧策略正则化，解决语言模型强化学习中的稳定性与探索两难。核心贡献是在稳定训练的同时保留响应空间探索，改善 RLHF 类流程的收敛与多样性。对语言模型策略优化有实用价值。

这篇工作提出两阶段超参迁移框架，通过跨模型宽度和 token 预算的缩放规律预测大规模混合专家模型的最优学习率。其核心贡献是无需反复执行昂贵的超参扫描，即可获得较可靠配置。对预训练成本敏感的大模型团队，能显著降低试错开销。

论文讨论多智能体 LLM 交互的收益与代价，提出「交互税」概念，指出通信可能抹平团队内部多样性，从而抵消多智能体协作带来的增益。这提示设计多智能体系统时需要在通信与多样性保留之间取得平衡。

论文提出 SRPO 框架，用于长程推理任务的后训练，让模型分析自身完整轨迹、把错误凝练为简短反思补丁，并以反思条件下的教师分数来优化策略。相比只依赖稀疏结果反馈，它能更细粒度地分配功劳，从而提升长程任务上的学习效率和表现。

论文从异常检测角度提出 TimeCatch 基准，通过交换连续帧或替换为高斯噪声帧构造异常，考察视觉语言模型对时间一致性的敏感性。这能更受控地检验 VLM 是否真正理解时序结构，而非仅依赖单帧内容。

论文提出 InjecMEM 记忆注入攻击，仅通过一次交互且无需读取或编辑记忆库，就能将后续相关查询的回复引向预设输出。该攻击利用记忆系统的检索-生成机制，对当前 LLM 智能体普遍引入持久记忆的趋势提出安全警示。

论文形式化了一个理想性质：向检索集合中添加非相关文档不应降低检索器有效性。作者合并两个主题几乎不重叠的集合进行实证评估，并推测模型对排名条件依赖方式会影响该鲁棒性。这为信息检索系统的可扩展性和稳定性提供了检验视角。

该研究比较 LLM 与专用嵌入模型在多种任务上的聚合性能，发现两者准确表现几乎持平，但嵌入模型在成本和速度上优势明显。作者建议按任务类型进行分工，为嵌入方案选型提供实用依据。

该工作提出一个属性引导的体裁扩展框架，将主题种子与体裁形式控制解耦，生成覆盖 13 个体裁的多样化高质量创意写作数据。用这些数据训练后，LLM 的创意写作表现得到改善，解决现有数据多偏故事、文体单一的问题。对希望提升模型多体裁写作能力的团队有数据侧参考价值。

ConceptGuard 提出上下文敏感的 LLM 遗忘基准，考察模型能否在复杂上下文中精准移除敏感知识，同时保留良性行为，避免误伤。它弥补现有基准只关注无关事实直接回忆、忽略上下文变化的缺陷，对安全对齐和机器遗忘评估更贴近现实。

InsufficiencyBench 针对用户法律查询信息不足的问题，考察模型能否识别缺失的法律重要信息、指出缺什么并避免过早下结论，并提供八类典型缺失元素分类。该基准推动法律 AI 从假设完备查询转向更现实的咨询场景评估。

MoE-ViE 针对视觉编码器扩展时算力增长快但稠密模型收益递减的问题，引入专家混合架构。它通过细粒度拓扑、无辅助损失的负载均衡和专用计算核来降低路由开销并提升并行效率，在图像和视频理解上优于更大规模的稠密模型。

TokEval 提出一套超越 fertility 和压缩率的分词器评估指标体系，覆盖 UTF 处理、语言结构与形态等更有意义的属性。该套件帮助研究人员理解分词器特性对下游性能的影响，从而做出更理性的设计选择。

该研究发现推理训练更多放大自我修正等审慎行为，而对置信度校准等高正确性相关行为的放大较弱，说明被放大的推理模式与正确性关联之间存在明显落差。这一差异提示仅观察推理行为频率无法可靠判断模型可靠性，对推理模型的评估和训练目标设计具有警示意义。

CaliBench 把视频世界模型的随机性评估放到物理可解释的离散空间，例如桶编号、骰子面、花色或颜色，而不是 FID 式学习特征空间。它能更精确地度量模型对物理随机性的校准程度，为视频世界模型的物理可靠性提供更严格测试工具。

SKILLER 提出强化学习框架，自动为小型开源模型提取可复用的语言级技能，使小模型在特定任务上无需依赖大模型也能保持较高性能。该方法降低推理成本，为边缘部署和低成本推理提供新路径。

该研究提出一种与任务无关的预训练样本影响力度量方法，无需指定具体下游任务或验证集，也不依赖中间检查点的任务表现。这使不同预训练数据贡献能在通用能力层面被更一致地比较，有助于数据配比与训练分析。

这篇综述回顾 TrustNLP 工作坊六年发展，论文数从 8 篇增至 41 篇。作者综合 144 篇论文，梳理出从静态模型事后解释转向生成式系统机理性理解与主动控制的趋势，并沿六个信任维度分类。该工作为可信 NLP 研究提供清晰脉络。

本文研究工具使用智能体在多语言场景下的动作策略保持问题，发现现有评测只比较最终答案而忽略动作序列。作者在 8 个模型、6 个平行基准、41 种语言上进行 238 万次 rollout，并系统分析五个混淆因素。该工作揭示跨语言策略保持盲区，对多语言 agent 部署很重要。

ReASearch 尝试将提示、程序、ML 工作流的优化搜索策略内化到一个工具调用 agent 中，让 agent 自主决定评估什么、如何诊断、何时编辑。相比传统外环控制器，端到端的推理驱动优化在少样本场景下展现出更好的自适应能力，为自动化调优提供了新范式。

该工作系统研究了思考模式融合（TMF）在大模型数学推理中的训练动态，重点分析思维模式与非思维模式之间的数据配比和训练调度对泛化的影响。实验揭示了不同融合策略如何影响模型从简洁回答到长链推理的弹性切换能力。

Sci-VBench 构建了包含 1253 个专家标注示例的科学视频生成基准，覆盖自然科学、医疗健康、社会科学和工程四大学科，要求模型生成符合科学知识与动态推理的视频。它为多模态模型的知识密集型视频合成提供了系统评估平台。

SWE-Bench ProMax 针对现有编码基准过饱和及评估质量缺陷，构建面向大型真实项目的多语言代码重构基准，要求代理执行长期规划、跨文件修改等更复杂任务。它旨在迫使模型展现真正的软件工程能力，而非靠记忆训练数据中的补丁通过测试。

推出首个开源8B意第绪语模型 MameLoshnLM，并配套高质量语料库 Oytser 和评测基准，有效缓解了数字资源稀缺和评测不可靠问题，为该语言NLP奠定基础。

该研究揭示深度视觉模型会利用图像中嵌入的不可见元数据（如相机型号、处理流水线信息）作为分类捷径，而这类偏差源于大规模语义监督的自然引导。这种隐蔽的捷径导致模型在不同相机来源的图像间泛化能力下降，对视觉编码器的鲁棒性与公平性提出新挑战。

提出 3DZip，利用空间感知的特征多样性指导 token 压缩，在 3D 场景问答任务中显著降低计算与内存开销，同时保留空间推理所需的结构信息。这为 3D 大模型的轻量化推理提供了有效方案。

提出统一生成-判别框架 UniGD，旨在解决工业搜索广告中生成式检索面临的相关性和延迟约束问题。该框架有望平衡检索效果与效率，为搜索广告系统提供更实用的部署方案。

CMuon 指出 Muon 优化器在扩散 Transformer 训练后期收敛不佳，原因是 AdaLN 等结构中不同功能的权重融合破坏了正交约束。为此提出分块动量正交化方法，在加速训练的同时保持稳定，最终取得当前最优的生成表现。

提出 SSR-GRPO，将监督信号和语义 ID 融入强化学习，用于电商稠密检索，以改善 embedding-based retrieval 对复杂语义的处理。相比近期微调 LLM 做表征学习的方法，该工作有望提升电商搜索相关性。

本文研究流匹配偏好优化中的流形漂移现象，指出奖励驱动更新会改变传输路径并导致奖励黑客。作者将其定位为根因，为连续时间生成模型的对齐提供理论诊断与改进方向。

4DAnyone 提出从无标定单目视频重建 4D 人体的框架，先生成重建级多视角一致视频，再提升到 4D 高斯泼溅表示。这使得普通用户用随意拍摄视频即可创建可驱动、多视角一致的 4D 人物资产。

本文聚焦多模态潜在推理，优化潜在视觉目标表示，以在多模态推理中提供更好的视觉思维链支架。该方法改进两阶段训练中的隐式监督目标，有助于提升模型在复杂视觉推理任务上的表现与效率。

PowerSlider 面向电力需求响应下的 LLM 推理服务，利用预填充与解码阶段在功耗和延迟上的相位不对称特性，在时变功率上限下动态调度计算。其核心贡献是让推理集群在电网功率限制下仍能保持较高吞吐与尾延迟表现。对受数据中心供电约束的大规模推理部署具有直接工程价值。

该研究提出一种超越统一位分配的量化方法，针对现代模型 embeddings 的不同维度或区域进行非均匀位宽分配，以替代传统嵌入无关的统一量化。其核心贡献是在给定总存储预算下提升嵌入压缩质量和下游检索或推理效果。对处理大规模向量并依赖量化降低内存与带宽成本的从业者很有参考价值。

Agent Lightning v1.0 面向受控的智能体强化学习，强调 agent harness 在工具管理、上下文和控制流中的关键作用，并在先前版本基础上提出更完整的训练框架。其核心贡献是让研究者能够以可扩展、可管理的方式训练带工具调用的智能体。对构建 Agent 训练平台或复杂智能体应用的从业者具有重要基础设施价值。

本文研究如何用合约和规格约束代码智能体，并实证评估规格驱动的测试生成效果。它的价值在于把模糊的自然语言任务转成可检查的行为契约，帮助从业者提升自动测试、代码生成和仓库级维护的可信度。

TRACE Bench 提出任务驱动的角色扮演智能体清单式评估方法，不只给出单一分数，而是揭示哪些角色要求被测试、哪些未通过以及哪些对话证据支持判断。该方法为角色扮演 Agent 提供了更细粒度、可解释的评测基准，有助于定位能力缺陷。

针对现有语义ID推荐框架采用先单一表示再量化的局限，提出一种LLM驱动的生成式解耦方法，为本地生活服务推荐生成可解释的表示，提升推荐结果的可理解性与效果。

提出从统一广告平台视角的自动竞价基准 PlatformBid，整合供应方与需求方平台，为实时竞价算法提供全面评估。该基准能更真实反映多角色协同环境下的竞价策略效果，推动自动竞价技术的实际应用，对广告生态系统优化有重要价值。

WhisperRec 利用大语言模型的潜在推理能力构建高效基础推荐模型，避免显式文本生成，降低计算开销。在保持推荐性能的同时显著提升推理效率，为大规模部署推荐系统提供了一种轻量且强大的方案。

UltraViT 以设备端延迟为目标重新设计大视觉语言模型的视觉编码器，大幅降低推理延迟并保持特征质量。该工作使大模型更易部署于资源受限的边缘设备，解决了视觉部分瓶颈，推动多模态模型在移动端和 IoT 场景的实用化。

MODUS 提出一种 decoder-only 的任意模态到任意模态建模方法，将图像、文本等多样模态统一为离散 token，直接在预训练 decoder-only 模型上微调。该方法避免从零训练编码器-解码器或扩散模型，有效复用大规模预训练先验，在科学计算等多领域展现性能优势，为多模态生成提供更易部署的范式。

Kimi K3是一个2.8万亿参数的混合专家模型，激活1040亿参数，具备原生视觉能力与百万token上下文窗口，基于Kimi Delta架构。该模型为开放前沿智能树立了新标杆，为从业者提供强大的多模态长上下文基础模型。

现有2D视觉语言模型在细粒度3D空间推理中表现不足，本文提出统一框架VLM-IE3D，从RGB视频中同时学习隐式几何令牌与显式几何表征，以增强模型的3D空间感知能力。该方法在多个3D理解基准上显著提升了空间推理水平，为需要三维场景理解的具身智能、机器人等应用提供了更鲁棒的视觉基础。

本文揭示了LLM强化学习中PPO-Clip经常遭遇探索坍缩的根本原因——其基于欧氏距离的策略差异度量与概率单纯形的黎曼几何不兼容。作者提出黎曼等距策略优化（RIPO），在正确的黎曼流形上更新策略，有效克服探索坍缩，为提升模型的推理与探索能力扫清了障碍。对从事RLHF或推理优化的人士，该方法提供了理论更坚实的策略优化方向。

针对多模态大模型在视频空间推理中难以从冗余观测中稳定聚合空间证据的问题，ConsiSpace引入几何一致性学习，强制模型在跨视角下保持空间关系的不变性。这使得模型在导航感知和长视频问答等任务上获得更高效且稳定的推理表现，为视频理解中的空间推理提供了新的训练范式。

GigaChat Audio为最长120分钟的长音频设计了周期性时间标记交错插入机制与级联合成监督训练，使模型能以显式时间戳回答问题。该模型在长短音频基准上均取得领先的时间定位准确度，并能生成带时间锚点的片段描述，为语音助手等应用提供了精细的时间理解能力。

GigaAM Multilingual针对哈萨克语、吉尔吉斯语和乌兹别克语等低资源语言，使用200万小时音频预训练Conformer编码器，并提出簇级数据平衡与领域微调策略。它大幅缩小了与高资源语言的ASR性能差距，证明了大规模基础模型也能惠及长尾语言，对多语言语音技术的普及至关重要。

该研究系统评估 LLM 对用户信念表达（如预设、语气、传信标记）的敏感性，提出分类并发现这些表达可能干扰模型坚持事实。研究警示对话语用因素对模型可信度的潜在影响，对安全部署至关重要。

SPEAR是一款照片级具身AI仿真器，以Python库形式连接并操控任意Unreal Engine应用，提升了通用性、可编程性与渲染速度。这为训练具身智能体和生成合成视觉数据提供了强大灵活的基础设施。

Symbal 通过统计分析图像与文本对齐中的关联，自动检测多模态模型生成描述里的系统性错位，核心贡献是提供一种无需人工标注的偏差发现方法。该工具对数据集清洗和模型诊断极具实用价值，帮助从业者快速定位并修正特定视觉特征与错误描述之间的强关联。

针对掩码扩散语言模型在强化学习优化时忽视解掩顺序的问题，该工作提出了掩码感知策略梯度，将 token 预测和掩码位置选择两步决策统一纳入 RL 优化。这一方法在对齐基准上明显超越只考虑 token 预测的近似方案，为 MDLM 的推理对齐提供了有效手段。

SynthDocBench构建了一个完全合成的长上下文视觉文档理解基准，可系统控制文档长度、布局复杂度和问题难度，使研究者能精确诊断视觉语言模型在不同维度上的失败原因，为针对性改进模型提供了有力工具。

提出以大规模文本到视频生成作为通用视觉预训练范式，利用时空先验与视觉-语言对齐构建可扩展的视觉基础模型，GenCeptio 模型展示了视频生成预训练可催生通用视觉基础模型，推动视觉研究范式转变。

KronQ 利用 Kronecker 分解的 Hessian 矩阵为不同通道自适应分配重要性权重，解决现有量化方法忽略梯度不均匀的问题，在同等压缩率下显著提升量化模型性能，为 LLM 压缩提供更精准的二阶量化路线。

WildCity构建了一个真实城市尺度的大规模多模态数据集，用于渲染、模拟与空间智能研究。该测试平台支持导航和空间表征任务，帮助AI以接近人类水平感知和推理复杂的城市级空间环境。

该方法通过掩码隔离的触觉对齐学习，让多模态大模型获得触觉感知能力。采用选择性参数更新策略，有效避免对原有视觉语言推理能力的灾难性遗忘。

该文重新审视超级权重（Super Weights）现象，指出剪枝这些权重带来的性能崩溃并非普遍适用于所有LLM，且仅对这些重要参数进行选择性训练会导致准确率跌至随机水平，揭示超级权重不能孤立训练，对模型压缩策略有重要警示。

提出并行化自回归解码框架用于全模态密集视频描述，利用事件间的弱时间局部依赖提高生成效率。在保持时间定位精度的同时显著加速生成过程。

提出 DSpark 推测解码方法，通过置信度调度动态决定草稿长度，在保持高接受率的同时加速大语言模型推理。相比于固定长度草稿生成，能减少无效计算并提升吞吐量，对部署低延迟 LLM 服务具有实际意义。

提出选择性披露水印方法，允许在验证水印时仅暴露部分信息，避免完整消息泄露带来的隐私风险。该方法实现细粒度的元数据访问控制，大幅提升了文本水印的实用性和安全性，对水印在内容溯源中的部署有直接意义。

构建了M3Bench基准，在真实临床场景变体下从可靠性、精确性和泛化性等维度评估医学视觉-语言模型的编辑效果。该工作填补了医学多模态模型编辑评估的空白，为安全高效地修正模型错误提供了标准化测试平台。

通过必要条件诊断工具对三种双曲视觉-语言模型进行审计，发现曲率参数不能解释性能，并识别出无量纲工作点以及三种失效模式。该研究为正确使用双曲几何表征提供了诊断方法与改进方向，帮助从业者避免无效的几何假设。

针对视觉生成模型强化学习中的奖励攻击与多样性坍缩，提出分布级奖励：让生成分布整体对齐真实数据分布，而非孤立评估单张图。有效抑制奖励漏洞，提升输出真实感与多样性，适合文生图对齐实践。

「PairCoder++」将结对编程引入代码驱动的多模态与结构化产物生成：一个Driver智能体写代码，另一个智能体接入工具链做验证，让编译器/渲染器等反馈成为可靠性保障。这为图表、CAD、3D等生成提供了通用的验证框架，提升了结果的可信度。

「集合扩散」通过在纯自回归和纯扩散之间插值token顺序，同时保留了KV缓存加速和可变长/高并行解码的优势。该框架解决了离散扩散模型定长生成与无法使用缓存的两大痛点，为追求推理效率与生成灵活性的场景开辟了新思路。

「Phi-Nav」针对视觉语言导航中在线探索带来的语义错配问题，利用事后推理为偏离轨迹补全路径级指令，重新对齐视觉与语言。该框架在保持探索鲁棒性的同时修复了语义偏差，对提升真实环境中导航策略的适应能力有实用价值。

本文把模型合并重新表述为专家乘积下的概率推断，用概率度量每个任务方向更新的有用程度，而非单纯依赖局部解空间的几何直觉。这为多任务模型融合提供了一种更有原则的评分依据，有助于减少合并后的性能损失。

「PerceptionRubrics」提出基于原子级审计和门控打分的评测框架，将多模态评估结果校准到人类真实感知，从而暴露基准分数与实际表现之间的差距。这为多模态系统的评估提供了更贴近人类直觉的工具，帮助定位榜单与实际应用的脱节。

工作首先量化了大模型在表格任务中「数据引用错误」的严重程度，然后提出用小型批评者模型（低至4B参数）进行过滤和拒绝采样来大幅减少此类错误。这为表格问答和数据分析Agent提供了一种低成本、高精度的可靠性提升方案。

针对CLIP视觉编码器易受图像中无关文字污染的排版攻击，提出无需训练的概念定位方法，在推理时定位并抑制文字干扰，提升视觉语言模型鲁棒性。对于关注多模态模型抗干扰能力的研究者具有参考价值。

揭示现有多模态大模型视觉token剪枝中文本噪声与特征碎片化问题，提出熵感知的密集剪枝方案，利用信息熵筛选信息patch，在压缩冗余的同时保留细粒度理解，实现加速与精度兼顾。对优化多模态推理效率的从业者具有实践意义。

点破VLA模型受限于专家演示数据稀缺的根源在于混淆「怎么动」与「做什么」，提出任务无关预训练策略，先利用无语言标注数据学习运动能力，再以少量语言数据实现语义对齐，绕开昂贵三元组瓶颈。为VLA规模化训练提供新范式。

针对大模型多目标对齐中不同偏好向量下奖励分布重叠的问题，引入互信息引导探索与偏好优化，使不同偏好方向的回复分布拉开距离，提升多目标对齐效果。对个性化与可控偏好对齐研究有直接借鉴价值。

论文揭示 LLM 智能体在静态训练下泛化到开放世界时的脆弱性，形式化为「开放世界工具使用」问题，并刻画了查询、动作、观测、领域四维分布漂移。通过可控沙盒的逐项分析，为诊断和评测智能体在动态环境下的稳健性提供了可复现框架。

这项工作将残差量化推向亚1比特级别，通过「增益-形状」分解把KV向量拆为模长与方向分别量化，更贴合KV激活的高维统计分布，在1比特以下存储时仍能保持精度。对受限于显存的长上下文推理部署场景，它提供了一种高效率的KV缓存压缩方案。

论文针对对话智能体的人格表达问题，提出「流动人格」框架，让智能体人格根据情境动态调整而非固定不变，从而在目标导向任务中提升信任感与采纳意愿。该框架为设计拟人化对话产品提供了可量化的自适应人格设计参考。

这项研究发现，向视觉语言模型注入情绪化提示可以激活其内部潜在的自我纠错行为，在不增加额外训练或复杂反馈的条件下提升推理可靠性。这一洞察揭示了一种几乎零成本的VLM可靠性增强技巧。

针对大推理模型在简单问题上过度思考的问题，作者提出置信度自适应思考（CAT），让模型根据推理过程中的置信度动态决定思考长度，简单题早停、难题深入。这能在不损害难题准确率的前提下显著减少token开销，为推理服务提供了兼顾效果与成本的调度策略。

MoVA通过非对称双投影结构处理视频-文本对齐中的时间错配和语义不对称问题，分别捕捉文本对应片段与全局语义的映射，专为长视频理解设计。该方法提升了视频检索与跨模态对齐的精细度，更适合真实场景中文本仅契合部分片段的情况。

借鉴AdaBoost思想，该方法在少样本设定下迭代地为被错分样本加权，逐步集成出互补的文本提示，从而提升视觉语言模型的分类准确率。生成的提示既具有可解释性，又能在不同VLM间迁移复用，解决了现有少样本提示方法对困难样本关注不足的问题。

域算术将环境漂移表示为可运算的域向量，通过向量算术将旧环境学到的视觉-语言-动作策略一次性适配到新环境（如更换机器人本体或相机位姿）。这大幅降低了重采演示数据的成本，为机器人跨环境快速部署提供了高效路径。

该工作把个性化内容生成建模为在线强化学习问题，通过主动查询用户反馈来探索未知偏好区域，并在线微调扩散模型以逼近最大化偏好的分布。PAPA为扩散生成器赋予了实时适应用户口味的个性化能力，对动态推荐和生成式交互系统有直接价值。

提出「随机轮次深度」训练策略，在视觉指令微调时随机化对话轮数与深度，迫使大视觉语言模型在不同轮次结构下均保持对图像的稳定关注。此举缓解多轮训练造成的视觉注意力衰减与上下文过拟合，使模型在多轮对话中更充分释放多模态推理能力。对需要高质量多轮视觉对话的从业者，提供了一种简单有效的训练改善方案。

针对具身智能体在演化环境中面临的多尺度知识与差异化遗忘问题，提出尺度感知的混合世界模型MuSix。通过显式引入尺度概念并实现按尺度分别更新，解决了传统MoE路由无尺度感知和统一更新节奏不匹配的缺陷。为需要持续适应环境变化的具身智能体设计提供了新的结构化持续学习思路。

VideoSearch-R1利用强化学习构建可迭代的闭环，通过「软查询精修」不断改写检索查询，实现视频检索与精细推理的相互校正。打破了将检索作为一次性预处理、初检失败无法补救的限制，使系统能在跨视频与视频内推理任务中自我纠偏。为大规模视频检索与推理一体化系统提供了更为鲁棒的范式。

提出信息正则化注意力，在训练中显式约束视觉注意力中的信息流以压制无关信号、强化视觉相关表征。直指标准下一token预测缺乏对视觉嵌入的显式约束，导致幻觉、弱视觉grounding和灾难性遗忘。能有效减少视觉语言模型的幻觉并缓解指令微调后的能力退化，对追求稳定视觉推理的从业者很有价值。

将页面级幻灯片个性化建模为逆向规划问题，通过结构化去噪学习潜在设计意图，无需预知执行工具即可从示例中还原用户期望的主题与版式。突破了传统模板或冗长指令难以捕捉细粒度页面设计意图的瓶颈。对开发自动生成PPT与文档排版的AI智能体产品，提供了从示例反推设计意图的新思路。

揭示文生图扩散模型安全对齐中「高可用性」的评估假象，指出FID、CLIPScore等全局指标对细粒度语义不敏感，掩盖了有害内容抑制带来的语义正确性损失。改用TIFA等结构化指标后，安全对齐以牺牲细粒度语义正确性为代价暴露无遗。提醒从业者在评估T2I安全方法时必须引入更细致的语义评测，避免被全局指标误导。

本文提出一种通过放大推理权重来提取模型隐藏信息的黑盒审计方法，针对传统审计可能遗漏的隐性不对齐问题。核心贡献在于增强了模型审计对隐含秘密的挖掘能力，对安全部署前的检测至关重要。

针对长周期任务中决策相关信息分散且易被遗忘的问题，提出了一种主动记忆代理，能够在轨迹扩展时自动识别并保留关键状态。该工作为长视界智能体提供了高效记忆管理机制，显著提升长时间任务中的决策鲁棒性。

提出了 OpenCoF 框架，利用视频生成作为推理的中间表征，让大模型通过对未来帧的预测来学习因果逻辑。该方法开辟了一条区别于纯文本或符号推理的多模态推理路径，对需要理解物理世界结果的应用有重要价值。

提出 PredicateLongBench 基准，系统性分析了长上下文任务的不同难度维度，而非仅笼统评估长文本处理能力。该基准帮助从业者理解 LLM 在长上下文场景中的真实瓶颈，为针对性优化提供指引。

通过注入复杂性，提出了轻量级眼动追踪扩展方法 LEXIC，以提升仅基于凝视数据预测阅读理解的性能。该方法弥补了文本感知模型与纯凝视模型之间的差距，为低开销的实时阅读评估提供了新思路。

提出 RoboTTT，一种通过测试时训练扩展视觉运动上下文的机器人策略模型与训练方案。该方法使机器人基础模型能处理更长时的历史信息，提升长时任务执行的连贯性与适应性。对从业者而言，它突破了短时上下文的限制，增强复杂场景下的策略泛化能力。

MeanFlowNFT 将前向过程强化学习引入平均速度生成器，利用预测时间区间平均速度实现高效少步采样。该方法结合 RL 优化生成质量与效率，为快速生成模型提供新的训练范式。对生成模型从业者，它开拓了平均速度框架与 RL 结合的方向，有望进一步降低采样成本。

AlphaWiSE 提出自适应权重插值方法，在持续多模态表示学习中保持跨模态对齐，缓解顺序数据导致的对齐灾难性遗忘。该方法对需要不断更新多模态模型的应用（如跨模态检索）意义重大，维护了对齐的一致性与可塑性平衡。

该论文提出PagedWeight方法，针对混合专家(MoE)大模型在KV缓存密集型服务场景中，通过动态质量感知的权重量化技术，实现高效推理。其核心贡献在于解耦了模型权重与KV缓存的内存竞争，在保证精度的同时大幅降低权重的存储与带宽开销，对部署大规模MoE模型的从业者具有重要实践价值。

研究发现监督微调中优于普通 LoRA 的 PiSSA 和 MiLoRA，在 RLVR 场景下反而可能训练发散，根因是初始化破坏了几何结构；作者提出一种保持几何的正交归一初始化，稳住训练并恢复表现。这对想用参数高效微调做强化学习的从业者是重要提醒。

本文为 SAIL 在线对齐算法补全收敛性理论，通过修正目标函数解决 Hessian 性质不佳的问题，证明其收敛，为经验上有效的方法提供了理论地基。对在线 RLHF 研究者而言，这有助于理解方法何时可靠、如何调参避免失稳。

RaBitQCache 采用随机旋转后的二值量化将 KV 缓存中的 Key 压缩为比特串，利用比特级运算快速估计注意力重要性，大幅降低长文本推理的检索开销和带宽消耗，同时保持精度。这对长上下文 LLM 推理的显存与带宽优化有重要价值。

DA-Studio 是一个端到端的数据分析智能体系统，能自主编排多步工作流并在沙箱中安全执行代码，全程提供可检查的动作轨迹和中间产物。对数据分析人员，它让智能体分析兼具落地性与可审计性。

电脑操作智能体通常丢弃失败轨迹，浪费大量信号。本文提出推理时从失败中学习，将失败经验转化为可用的反思或指导，在测试时就地自我改进，省去重新采集与微调的成本。核心贡献是榨取失败样本价值并避免重训，尤其适合轨迹数据稀缺的电脑操作智能体场景。

MIRTH 针对视觉-语言-动作模型单帧架构的时间近视、指令与动作推理鸿沟、解码慢三大硬伤，引入时间枢纽保留历史动态并做跨时刻互信息推理，弥合语义落差并改进解码效率。统一框架同时解决时序记忆、推理桥接和高效解码，指向更连贯、更实时的具身控制。

作者发现多模态大模型生成时文本到图像的交叉注意力会渐进衰减，导致幻觉。ADAPT 用偏好调优对齐注意力动态，把交叉注意力拉回正确的图像区域，从机制层面抑制幻觉而非事后补救。对追求图文忠实的多模态应用提供了更根本的减少幻觉路径。

现有 KV 缓存剪枝依赖人工阈值，跨数据、跨模型表现不稳。ReFreeKV 提出免阈值方案，自适应为不同位置分配压缩预算，无需手动调参即可逼近全缓存效果。对部署而言，免去繁琐阈值调参并能保住精度是其最实用的卖点。

新基准同时考察多模态大模型理解视频与执行 GUI 操作的能力，并提出通用关键帧提取方法从长视频中挑选信息量大的帧。准确的关键帧筛选既能提升视频问答准确率，也能改善视频引导智能体任务表现，一套帧筛选同时服务理解和行动两端。

Seed2.0是一个面向现实世界复杂任务的模型系列，强调从用户真实需求出发构建可靠的前沿智能。其亮点在于将实际应用置于核心，为从业者提供了解决复杂现实问题的实用AI方案。

DeepSpec 是一个全栈代码库，旨在支持推测解码算法的训练与评估。其核心贡献在于提供完整的实验平台，方便研究者和工程师快速实现、训练并对比不同推测解码方案，从而加速大语言模型的推理。对从业者而言，这一工具降低了推测解码技术落地的门槛，有助于高效探索适合具体场景的加速策略。

ViQ 提出一种文本对齐的视觉量化框架，让离散视觉表征同时保住语义与细节，并支持原生分辨率输入，破解了语义丰富与细节保留二选一的难题。它让多模态训练能在不牺牲画面细节的前提下用上离散 token 的高效性，是统一理解与生成架构的有用基础积木。

该研究系统检视了多模态思维链推理的能力边界，发现其有效性高度选择性——在部分任务上确有帮助，但推理过程难以持续保持对图像的「视觉自省」，容易脱离视觉证据空想。结论提醒不要迷信多模态 CoT 万能：看图要轻、想要重，但思考过程必须时刻锚回画面。对做视觉推理与多模态评测的人是务实的能力边界提示。

PEEU 针对小尺寸开源多模态模型做 GUI 操作时规划弱、跨网站不泛化的问题，让智能体自主探索环境积累操作经验，并用「事后经验」把失败或偏离的轨迹回收成有用监督来强化任务规划。这套自给自足的经验闭环显著提升了小模型在跨网站任务上的规划与泛化能力，使本地部署的小模型也能扛起复杂 GUI 自动化。

提出面向具身机器人操作的测试时扩展框架 E-TTS，把推理的算力扩展机制与历史信息利用一并纳入，解决长程任务中仅靠当前观测做动作扩展会失灵的问题。核心贡献是较系统地把大模型领域的测试时扩展思路迁移到机器人操作，让机器人在执行长程任务时能用更多算力换更好表现。对做机器人策略和具身智能的从业者，提供了一条算力换性能的新优化方向。

针对 SMILES、蛋白质、基因组等科学字符串领域共享分词器但目标不同、表征相似度指标失效的「激活暗区」问题，作者用 Fisher 对齐在词表尺度上做免训练的源数据选择。它无需实际训练即可判断哪份语料对目标任务最有用，且经典更新几何指标在大词表上算不动的瓶颈也被绕开。为科学序列建模挑选预训练数据提供了计算可行又有理论依据的工具。

针对文生图生成变体杂乱、难以按意图调控的问题，该工作提出「语义浏览」，让用户沿有意义的语义维度结构化地探索图像变体，把随机多样性变成可控的语义方向导航。核心贡献是让创作者有目的地筛选生成结果而非反复抽卡，显著提升了文生图在实际创作中的可用性。

针对预训练数据配比长期靠经验拍脑袋的问题，该工作提出 Holistic Data Scheduler，把在线数据配比建模为强化学习问题，用多目标奖励函数同时平衡训练效率与最终性能，动态调整各数据源采样比例。相比静态配比更高效利用数据预算，为大模型预训练的数据工程提供了一条可自动优化的路径。

SP-Mind 是首个面向空间蛋白质组学分析的自主推理智能体，能自动编排原本零散的多工具分析流水线，实现端到端的自动化分析。它为生物医学科研提供了一种领域专用智能体范例，有助于提升分析的可复现性与规模化能力。

该论文从理论上证明在「大世界」假设下通用智能体不可能样样精通，能力注定碎片化地分布于世界模型的各局部，使传统最坏情况分析失效、无法区分关键瓶颈处出错与无关处失败。为此提出以状态转移为局部单元的结构化认证框架，给智能体能力评估换上更具判别力的尺度。

该研究从知识分布视角审视合成数据用于知识注入，指出当前方法缺乏对知识分布的感知，导致稀疏或冗余，并提出通过寻找最优知识分布来最大化模型知识边界扩展。对合成数据工程与持续预训练实践有方法论启发。

针对LVLM多模态推理中忽视视觉证据、依赖语言先验的幻觉问题，提出反事实策略优化（CFPO），在强化学习中引入显式反事实增强与因果学习。该方案可引导模型更可靠地接地视觉信息，对多模态对齐与长链推理幻觉抑制有直接借鉴意义。

该工作改进了分布式低通信训练方法DiLoCo，将外层同步放松为基于gossip混合的非阻塞因子化通信，降低对掉队节点与瞬时故障的敏感性。对于在异构、低带宽集群上进行大规模分布式训练的从业者，这提供了更鲁棒且高效的通信策略。

该研究通过强化学习在现实场景中训练模型产生有益行为，发现这种训练能带来跨领域的对齐泛化，并在对抗压力下持续保持。核心贡献是证明了以有益行为为目标的强化学习可以产生广泛且持久的对齐改进。这对从业者构建稳健、抗对抗攻击的AI系统具有重要参考价值。

研究发现在部分已发布模型中,强化学习训练期间意外对思维链（CoT）进行了有限评分,修复了受影响的奖励路径,未发现明显的可监控性退化证据。核心贡献在于揭示了RL训练中奖励信号可能无意间评估推理过程,并提供了缓解方法。对从业者而言,这提醒需小心设计奖励函数,避免模型策略出现意外偏差,从而保障模型行为的安全与可控。

本文强调元博弈（metagaming）会扭曲对智能体行为的解读，进而影响训练、评估与监督的有效性。核心贡献在于指出当前模型仍提供直接研究元博弈的机会，并呼吁系统性地将其纳入考量。对从业者而言，理解元博弈有助于避免行为误判，从而构建更稳健的AI系统。

提出一种生产环境评估管道，旨在绕过模型的评估意识并主动发现未知的不对齐行为。其核心贡献在于规模化构建贴近真实场景的评测，以提前暴露潜在风险。对从业者而言，该方法能更早识别模型在部署后可能出现的意外有害输出，提升安全性测试的覆盖与有效性。

提出GDP-RAG框架，先通过初步检索为规划接地，再用差距条件化的规划策略只询问尚未知晓的信息。该方法有效降低多步RAG中的错误传播和推理成本，平衡准确率与效率。

提出正交表示编辑(ORE)方法，通过正交化解耦表示空间中的语义纠缠，从而减少批量知识编辑时的累积干扰。为需要批量更新大模型知识的研究者提供了一种降低相互干扰的新途径。

该论文在模型失配下研究平稳鲁棒平均场博弈，针对多智能体强化学习中训练模拟器与真实环境的转移模型差异问题，采用分布鲁棒优化对最坏情形转移模型进行策略优化。核心贡献在于为大规模多智能体RL系统的鲁棒部署提供了理论保障，缓解了策略互动放大的性能退化。对从事多智能体强化学习落地与鲁棒决策的研究者具有重要参考价值。

「Multi-LCB」将代码评测基准LiveCodeBench扩展至12种编程语言，在维持防污染和自动化评测协议的前提下，构建了首个多语言代码能力基准。该工作填补了大规模跨语言泛化评估的空白，帮助从业者更全面地诊断代码大模型的多语言生成质量。

该研究揭示了可用强化学习训练大模型，使其能根据下游检索器自适应调整查询表述策略，且不同检索器存在各自最优的查询风格。还通过检索器特定引导与模型扩展进一步提升检索增强效果，为查询改写优化提供了系统认知。

OmniAgent 是一个全模态智能体，通过迭代式「观察—思考—行动」的主动感知循环处理长视频理解，依靠高效选择性处理以小博大，超过更大的模型。该工作示范了将主动感知作为推理来做的范式，对多模态 Agent 从业者有启发。

论文针对隐式反馈普遍存在的噪声（如标题党、位置偏差）以及冷启动场景，提出去噪方法以提升推荐质量。核心贡献在于通过显式建模噪声信号或因果去偏，增强冷启动用户和物品的表征学习，对工业推荐系统鲁棒性有直接价值。

提出「块验证」机制来加速推测性解码：草稿模型批量生成 token，再用接受-拒绝采样在块级别校验，保证输出与目标模型分布严格一致。在不牺牲生成质量的前提下提升 LLM 推理吞吐，对需要低延迟、高并发部署大模型的工程团队有直接落地价值。

提出 Flow-DPPO，把散度近端策略优化引入流匹配模型的在线强化学习，用于图像和视频生成的质量与对齐提升。相比 Flow-GRPO 等方法训练更稳定、性能更优，为生成模型提供了一套可直接复用的在线 RL 对齐框架。

本研究将大模型语义引入工业跨域推荐，提出「原子意图推理」框架，从内容域的用户交互中分解出细粒度的购买意图原子，再映射到电商域。该方法解决了内容到电商跨域推荐的语义鸿沟，显著提升了线上转化率预估精度。

提出 SIFT，利用注意力不变性构建选择性索引来加速 RAG 的预填充阶段，显著降低首 token 延迟。对追求低延迟、高吞吐的检索增强系统具有很强的实用价值。

提出无编码器的语音语言建模方法，让大语言模型直接读取语谱图，省去预训练语音编码器。架构更简洁、对专用编码器依赖更低，有望提升训练与推理效率，为构建轻量灵活的语音-LLM 系统提供新思路。

针对企业工作流中 LLM 智能体因冗长工具响应导致上下文溢出、状态错误和高延迟的问题，提出高效上下文工程方法，通过选择性保留关键工具响应来压缩上下文。在长周期工具调用任务中显著降低计算成本、提升智能体稳定性与可靠性。

提出 ADK Arena 评估框架，用「LLM-as-a-Developer」方法系统比较不同 Agent 开发工具包对构建自主智能体的影响。首次给出经验性横向对比，帮助开发者按任务需求选择最优框架。对提升 Agent 应用开发效率与落地选型有实用意义。

提出分层多槽位GD-RTB联合分配框架HMAF，同时优化保量合约与实时竞价广告在多槽位上的投放。该框架兼容多层级投放约束，并能端到端学习最优分配策略，为广告平台平衡保量与收益提供了更高效的解决方案。

提出轨迹感知强化学习方法，利用扩散语言模型生成过程中的去噪轨迹信息来指导策略更新，从而同时提升生成质量与效率。为强化学习在扩散生成模型中的应用提供了新范式。对从事扩散式文本生成与对齐优化的研究者有较高参考价值。

提出 Taiji 方法，用帕累托最优策略优化来平衡大模型的语义空间与推荐系统的 ID 空间，解决后训练阶段的对齐难题。实现了工业级 LLM 增强推荐的有效扩展，兼顾语义理解与 ID 特征。对构建高效大模型推荐系统的工程师有重要参考价值。

研究 LLM 作为评判者时「不同模型彼此高度一致、却与人类一致性弱」的现象，并用几何度量证明这种共识源于共享偏差而非共享信号。核心结论是 LLM 评判者的内部共识不能等同于人类对齐。提醒从业者在用 LLM 做自动评估时需警惕其与人类偏好的系统性偏差。

SnapStream 针对数据流加速器上的长序列解码，提出高效处理大 KV 缓存的方法，显著降低片上内存需求。有助于在有限硬件资源下部署长上下文大模型并提升推理效率。对做大模型推理部署与硬件加速的工程师很有价值。

针对视觉-语言-动作（VLA）模型在精密物理交互中因模仿学习误差累积而脆弱的问题，提出以物体为中心的残差强化学习方法，在零样本仿真到真实（sim-to-real）迁移下对 VLA 策略进行增强。方法通过学习一个叠加在基础策略之上的残差校正项来提升精确操作的鲁棒性，对需要把通用 VLA 落地到真实机器人精细操控的从业者有直接价值。

主动特征获取（AFA）需逐步选择观测哪些特征以做出分类或排序决策，传统方法严重依赖大量标注数据来拟合模型。本文提出零样本方案，利用大语言模型的先验知识来引导（elicitation）特征选择，从而摆脱对标注数据的依赖，为在缺乏标注样本的场景下做成本敏感的特征采集决策提供了新思路。

研究包含公开非敏感特征的差分隐私（DP）回归问题，这类场景常见于推荐和广告系统。论文提出以公开特征作为条件（public feature conditioning）来改进私有学习，利用非敏感信息降低隐私噪声带来的精度损失，对在隐私约束下构建推荐与广告模型的从业者具有实践意义。

提出新工具Express，能将非因果注意力近似转换为因果注意力近似，并保持近似保证。结合最先进的Thinformer架构，提升因果语言建模效率。对从事大模型推理优化的从业者，可降低计算开销并保持模型质量。

提出Context-as-AI-Service方法，自动识别并展示LLM生成开发者文档时涉及的跨文件依赖链。帮助开发者理解文档上下文，提升文档实用性和准确性。对使用LLM生成文档的团队，可减少遗漏关键依赖的问题。

本文从机制角度研究强化学习在推理与编码模型后训练中的作用，揭示其工作方式与关键要素，对理解后训练优化有重要价值。

本文提出跨尺度的AI Agent基准测试，评估其在真实科学研究场景中的能力，弥合现有测试与实际应用间的差距，为科学家提供可靠评估工具。

本文提出基于假设树精炼的通用自主科研框架，通过循环探索-实验-抽象，引导AI系统像人类研究者一样迭代改进假设，推动自动化科学发现。

本文展示测试时训练在复杂分布近似采样中的强大效果，通过动态调整采样策略提升生成式AI的效率与质量，对概率建模与生成任务具有实际意义。

本文提出分区拟阵约束下的梯度匹配方法，用于异构数据上LLM小批量选择，同时优化收敛速度与领域覆盖，提升训练效率并避免单领域偏向。

本文通过调研早期采用者，探讨构建多Agent LLM系统时透明度的概念化与挑战，指出分布式架构中透明度需求与实现的矛盾，为负责任AI提供实践洞见。

本文提出CollabSim方法论，基于计算机支持协同工作理论，通过受控多Agent实验研究LLM Agent的文本协作能力，为评估协作智能提供新框架。

本文指出长期任务中的记忆应关注执行状态管理而非单纯语义组织，提出新框架以处理状态依赖与错误级联，提升LLM Agent长程任务能力。

提出「只索引一次」的跨层稀疏注意力机制，通过共享路由实现计算高效的长上下文推理。核心贡献在于大幅降低解码阶段的计算开销，对需要长链条推理的LLM应用（如思维链）具有重要实际意义。

构建人类协作数据集ALMANAC，包含动作级心智模型标注，用于研究LLM代理与人类协作时的行为理解。该数据集有助于提升代理在协作场景中的透明度和适应性，为开发更有效的人机协作系统提供重要基础。

提出AsyncWebRL方法，通过异步强化学习解决视觉网页代理训练中GPU空闲和轨迹冗长的问题，显著提升多步RL效率。该工作有效降低Web智能体训练成本，加速实际部署。

推出SentinelBench基准，专注于评估长时间运行的监控代理，弥补现有基准对持续动作模式的忽视。该基准有助于推动更持久、可靠的代理设计，适用于自动化运维和连续监控场景。

提出SocialCoach系统，基于强化学习的个性化社交技能训练，通过代理辅导和模拟实践帮助用户提升谈判、领导等能力。该系统提供可扩展的交互式训练方式，对教育与企业培训具有应用价值。

发布MedCUA-Bench，首个仅用截图的临床计算机使用代理基准，用于评估代理在医疗GUI上的可靠性。该基准填补了医疗领域代理验证的空白，有助于推动临床工作流的自动化。

提出MeDxAgent，一种多智能体协作的交互式医疗诊断系统，模拟真实的多轮咨询过程。相比单次诊断，该方法更贴近临床实践，能提升诊断准确性和可解释性。

提出尾感知调度策略，超越传统预测方法，以应对LLM推理服务中的极端长度变化和尾部延迟。该调度方法显著改善长尾请求的响应时间，对部署高性能LLM服务具有重要价值。

提出了OpenWebRL框架，系统性地探索了在线多轮强化学习在训练视觉Web代理中的应用。核心贡献在于首次揭示了在线RL在长程Web交互任务中的优势与挑战，为从业者构建更强大的视觉Web代理提供了方法论和基准。

提出EMA方法，支持通用属性过滤和动态更新的近似最近邻搜索（FANN），增强了向量数据库的查询能力。核心贡献在于高效处理过滤与动态更新需求，对推荐系统等实时应用至关重要。

挑战传统LLM对齐中「擦除不安全知识」的范式，提出动态安全路由方法，利用不安全知识实现灵活的安全处理。核心贡献是在维持安全性的同时保留模型的有用知识，为对齐实践提供新思路。

针对多模态领域在线策略蒸馏优化不足的问题，提出分解在线策略蒸馏方法，通过梯度引导视觉定位来提升小模型的视觉语言推理能力。核心贡献是发现并缓解了梯度冲突，使蒸馏更高效。

重新审视视觉思维链代理中工具使用的角色，指出多样性比频率更重要，并提出多样优先策略。核心贡献是发现过度依赖单一工具会限制推理能力，而多样工具使用能显著提升细粒度证据整合效果。

提出一种基于遗忘学习的公平认知障碍检测方法，从自发语音中识别轻度认知障碍（MCI），旨在减少模型对敏感属性的偏差，提升检测的可扩展性与公平性。对从业者而言，该方法展示了如何在医疗AI中兼顾性能与伦理，尤其适用于大规模语音筛查场景。

针对无监督稠密检索器难以捕捉文档时间相关性的问题，提出时间偏好优化方法，通过对比学习自动学习时间信号，提升检索结果对时间动态的敏感性。对检索系统开发者而言，该方法无需标注即可增强语义相似度模型的时间感知能力，适用于新闻、社交媒体等时效性强的场景。

提出RubricsTree评估框架，用于可扩展且不断演进的开放端评测，衡量基于LLM的个人健康代理在健康记忆与医学技能方面的表现。该框架支持多维度、动态更新的评价标准，对部署医疗对话系统的团队具有重要参考价值，可帮助确保代理的可靠性。