TempCloze 通过让 Video-LLM 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，来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。对做视频理解和时序建模的团队，这是更细粒度的诊断工具。

该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，本质上是一种 mean-field 近似，丢弃了同尺度 token 之间的空间依赖，因此无论主干多强都容易出现局部不连贯。作者提出轻量自回归模块 Logit Refiner，在解码时重建尺度内依赖。它能改善视觉自回归采样的局部一致性和图像质量，是一个对生成解码规则的小型但关键修正。

该文把在线策略蒸馏中的逐 token 前向与反向 KL 门控统一到一个四系数参数化形式，其中现有 EOPD 和 ToDi 只是方向对齐的一维特例。通过引入多通道信号和偏置项，方法可以混合 FKL 与 RKL，不再固定单一门控信号或方向。这为 on-policy distillation 的超参搜索和损失设计提供了更灵活的统一框架。

RAG-Safety-Bench 关注检索增强生成在安全上的副作用：当用户诱导有害内容时，可信文档检索可能反而让模型更容易越过安全边界。该工作构建可靠评测基准以更清晰地理解 RAG 的安全机制。随着 RAG 被广泛接入企业语料，这类安全评测对生产系统不可或缺。

SIRF 面向工业内容风控的真实约束：不是平均准确率，而是在高精度和秒级时延下能自动处理多少风险。它通过 EntiGraph、MAGA 改写和账户级思维链合成复杂平台策略，再用继续预训练把这些规则内化进模型权重，避免额外人工标注。这样能在高精度和低时延下直接应用风控规则，适合大规模内容审核部署。

该工作反对完全抛弃 dropout，主张用层级稀疏性同时优化大模型训练和推理效率。具体做法是利用层丢弃提升训练效率，并在推理端配合早退和投机解码来加速，而不损害精度。其关键贡献在于把通常只用于正则化的 dropout 重新定位成一种贯穿训练和推理的稀疏优化手段，对低成本部署有实际参考价值。

针对思维链只在行为层面被评估、内部推理操作缺乏可解释性的问题，该研究发现语言模型中不同推理操作在隐藏表示上具备几何可分性。这些结构会跨层涌现，并且依赖当前推理上下文。它把 CoT 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了表示级抓手。

现有命令行编码智能体虽能读写文件和维持长会话，但完整研究流程仍被拆散在聊天、IDE、终端和写作工具之间，关键决策难以审计。Dr. Claw 没有再造一个自主智能体，而是把已有编码智能体执行器包进一个开源工作区，提供可控、可审计的人类在环流程，并持久保存状态。这对希望把 AI 科研流程从随意探索变成可复现、可追踪范式的团队尤其重要。

在可验证奖励的强化学习中，低成功率样本常因重要性采样裁剪过强而丢失梯度信号，拖累策略探索。GAPO 根据 rollout 的优势值自适应调整裁剪阈值，让低成功率群体保留更强的更新信号。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方式，对 RLVR 场景下提升尾部任务成功率有直接意义。

视觉语言模型在混合查询中常常要么过度拒绝、要么该拒的不拒，选择性不遵从能力缺乏系统评估。KoNA 专门评测 VLM 在面对混合请求时的选择性拒绝表现，并通过定向微调提升其对合法请求的遵从度。该工作把安全拒绝问题从纯文本扩展到多模态，并强调模型需要学会区分哪些视觉上下文下应当不回答。

安全微调后的模型常见误拒绝，把询问原因的安全问题也当成攻击。作者把安全响应结构分解为拒绝声明与理由说明两部分，发现仅用理由部分进行训练即可在保持安全性的同时降低误拒绝率。这为安全对齐提供了更细粒度的数据构造视角，让模型学会解释边界而不是机械地拒绝。

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。

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。

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。

针对空间视觉语言模型（VLM）在复杂空间推理（如多步深度、距离与场景关系推断）中的不足，提出双路径推理强化方法，分别处理几何感知与关系推理，提升推理准确率。对从事具身智能与空间理解的研究者而言，该方法突破了现有VLM在复杂空间任务上的瓶颈。

提出MuseVLA，一种自适应多模态感知的视觉-语言-动作模型，融合RGB、深度、触觉等多种传感模态，提升机器人操作的鲁棒性与泛化能力。对于机器人学从业者，该模型突破了传统VLA仅依赖视觉输入的限制，为复杂环境下的精细操作提供了更可靠的方案。

提出自适应体力学属性场，能够以分辨率不变的表示方式描述材料的杨氏模量、泊松比和密度，显著提升数字世界物理仿真的真实性与效率。对游戏、影视及工程仿真从业者而言，该方法可直接从3D资产中提取力学属性，减少手动标注成本。

提出「近端策略优化区间」知识蒸馏方法，通过将教师知识以提示形式注入学生模型，而非强制拟合logits，解决了小模型在极端小规模下模仿大模型时性能崩坏的问题。对模型压缩与部署从业者而言，该方法在保持轻量化的同时显著提升学生模型能力，尤其适合资源受限场景。

本文提出一种端到端上下文压缩方法，解决长上下文语言模型推理中KV缓存随上下文长度线性增长带来的内存瓶颈。相较于现有压缩技术常导致模型质量明显下降，该方法能在不损失性能的前提下实现大规模压缩，对部署高效长上下文推理服务至关重要。

该工作研究用稀疏自编码器(SAE)将语言模型叠加在一起的表征分解为稀疏且可解释的特征，以发现数百万个可解释特征。针对 SAE 训练计算开销大的痛点展开，对从事机制可解释性与模型内部分析的研究者具有参考价值。

DanceOPD 提出基于策略(on-policy)的生成式场蒸馏方法，旨在用单一模型统一文生图、局部编辑与全局编辑等多样能力，解决这些能力难以自然对齐的问题。对从事统一图像生成与编辑模型的研究者，提供了一种新的能力统一与蒸馏思路。

Nemotron-TwoTower 提出在扩散语言模型中引入预训练自回归模型提供上下文的双塔架构，针对现有方法用单一网络同时承担多种角色的局限，结合扩散模型并行迭代生成的优势与自回归的上下文能力。对探索自回归与扩散融合范式的研究者有借鉴意义。

该研究探讨思维链(CoT)训练带来的收益在基于大模型的智能体中究竟落在何处，回应了已有发现——口头化的 CoT 未必忠实、可能只是事后合理化推理。对关注 Agent 推理忠实性与 CoT 训练效果的研究者，有助于理解训练增益的真实来源。

提出 SpatialFlow-GRPO，将图像编辑的在线强化学习奖励从整图单一奖励细化为带空间信用分配的奖励，让模型知道画面哪些区域该改、哪些该保留。它解决了 Flow-GRPO 类方法因全局奖励导致细粒度编辑信号模糊的问题，对追求局部精准编辑与高保真生成的从业者很有价值。

主张安全分类器应把用户意图作为提示与最终标签之间的显式信号，并发布人工标注的困难样本数据集 AIMS（1724 条）来研究意图感知训练。结果表明在多种训练范式下引入意图建模都能提升大模型安全分类效果，对做内容审核、安全护栏和对齐的工程师有直接参考意义。

提出 SKILL-DISCO，将智能体的历史执行轨迹蒸馏并编译为可复用的程序化技能，避免反复从零求解相似任务。该方法缩短了推理链与执行成本，对构建高效、可积累经验的 Agent 系统的开发者很重要。

提出 UniFormer，一种统一且高效的以模型为中心的扩展方案，用于工业级推荐系统。相比逐组件分别扩展行为建模、特征交互或多任务的做法，它以统一架构实现规模化，对在算力与效果间权衡的推荐系统工程师有实用价值。

提出 AIGP，一个基于大模型的电商定价框架，面向长期价值对齐。它针对传统动态定价可解释性差、难以利用非结构化信息且与长期经营目标错位的问题，借助大模型改进定价决策，对做电商运营、定价与商业策略的从业者具有借鉴意义。

提出一种基于显著性的精准路由方法，用于扩散模型的专家混合（MoE）架构，让计算资源更聚焦于画面中重要区域。它改进了 MoE 扩散模型的专家分配与路由准确性，对追求高效高质量视觉生成的研究者和工程师很重要。

提出 Tactile-WAM，一种融合触觉的世界动作模型，引入触觉非对称注意力机制。它弥补了仅靠视觉预测在接触密集型操作中虽看似合理却不可靠的缺陷，对从事机器人灵巧操作与具身智能的研究者有重要意义。

通过心理学驱动的推理与角色感知的策略优化，提升通用角色扮演智能体对任意人物设定的忠实演绎能力。它针对主流监督微调易导致行为僵化的不足，引入强化学习式优化，对开发对话角色扮演与个性化交互应用的从业者很有价值。

提出WQ-Fusion，一种用于跨域音频表征的双编码器框架，通过动态门控注意力机制融合不同声学域的特征。核心亮点在于用动态门控自适应地整合多源信息，缓解预训练模型难以学到通用音频表征的问题。对从业者而言，它为语音、音乐、环境声等跨域音频任务提供了更鲁棒的统一表征思路。

研究表明大模型并非天生不擅长捕捉人类判断，问题更多出在提示设计上：通过合适的提示，LLM能更好地还原人类回答的完整分布并提升判断稳定性。核心贡献是反驳了「LLM无法捕捉响应分布且判断不稳定」的常见结论。对从业者而言，提示工程可显著改善用LLM做标注、评估和人类偏好建模的可靠性。

探索用脑信号引导的语言模型来增强鲁棒推理，超越单纯的表征对齐，刻画LLM与人类高阶认知神经机制的对应关系。亮点在于把脑科学约束引入语言模型，提升推理的稳健性。对从业者而言，提供了一条结合神经科学先验来改进模型推理与可解释性的路径。

提出将长视频建模为神经知识表征「NKR」的新范式，不再把视频当作token流或预先组织的结构，从而实现高速长视频理解。核心贡献是用知识化表征压缩并组织视频内容，大幅提升理解效率。对从业者而言，为长视频问答、检索等高成本任务提供了更省算力、更快的解决方案。

提出 BitNet 文本嵌入，利用低位量化技术大幅降低基于 LLM 的嵌入模型的推理延迟和内存开销。该工作在保持检索与语义表示质量的同时，显著提升嵌入部署效率，对大规模检索增强生成系统尤为关键。

针对基础模型中的虚假相关性偏误，提出了基于扩散模型解耦的双分支交叉投影去偏方法。它通过分离因果属性与非因果属性，有效改善了少数群体的泛化性能，为模型公平性和鲁棒性提供新的技术路线。

提出组图策略优化方法，将群体结构建模为图来指导策略更新，适用于长周期智能体强化学习场景。该方法能够实现更细粒度的策略调整，为基于 LLM 的智能体在复杂长时间任务中提升决策效果开辟了新视角。

该工作构建了一套智能体框架，用于从科学文献的多模态来源（长文本、密集表格等）中自动提取结构化信息。核心贡献在于解决了关键证据分散在不同模态且难以统一处理的问题，提升了科学策展效率。对希望自动化文献挖掘与知识管理的从业者具有重要参考价值。

提出了TickingCollabBench，一个基于Minecraft的多智能体基准，专门用于评估时间敏感的互补协作任务。该基准反映了真实协作的四个核心特性，填补了现有评测中时间约束下多智能体协调的空白。为多智能体协作研究提供了贴近现实的实验平台。

研究不同功能角色（如事实记忆、情景记忆）对基于RAG的对话智能体表现的影响，弥补了以往只关注记忆存储与检索的不足。实验揭示了记忆角色如何塑造对话质量，为对话系统设计更人性化的记忆机制提供了实证依据。

SCOPE 提出从长单目视频序列中一次性估计尺度一致的 3D 几何的方法，解决了现有方法在长视频中尺度漂移的问题。它无需多次优化或全局校正，直接输出一致性几何，对 3D 视觉、SLAM 等实时应用尤为重要，提升了端到端系统的鲁棒性。

LIBERO-Safety 构建了首个综合评估视觉-语言-动作（VLA）模型物理与语义安全性的基准，覆盖严格约束下的操作安全。该基准为 VLA 安全验证提供标准化工具，对部署安全敏感的机器人操作任务至关重要，推动安全规范发展。

TriggerBench 系统研究大语言模型的前瞻记忆能力，即记住在未来执行意图的能力，填补了现有评估偏重回顾记忆的空白。该基准为长交互场景下的 LLM 应用提供关键评估维度，对构建主动执行延迟任务的智能体具有重要意义。

本文探讨了智能体式AI如何解决网络安全中长期存在的人力密集、低效难题。核心贡献在于提出以自主智能体自动执行安全任务，突破传统方案的局限。这对安全从业者意味着能用AI大幅降低运营成本并提升响应速度。

UME提出了统一元泛化框架，用于跨域即时物流ETA预测，解决不同城市、不同配送网络下模型难以泛化的痛点。通过元学习提取跨域共性知识并可快速适应新域，大幅提升末页预计到达时间的准确度，对即时配送效率优化至关重要。

通过对比研究探讨自主智能体在数据检索中是否需要语义元数据（如schema.org）的支持，实证评估其对检索效率与准确性的影响。研究强调了机器可操作数据对数据驱动工作流的重要性，为从业者设计自主数据系统提供了关键决策依据。

针对代码生成中的Pass@K度量，提出协调式的Pass@K策略优化方法，通过改进采样策略提升测试时计算效率。对代码推理与代码生成任务，该方法能在相同采样预算下获得更优的通过率表现。

提出ECHO方法，让语言模型驱动的终端代理通过执行命令并观察终端返回（stdout、错误、文件等）来「免费」学习世界模型，无需额外数据或训练即可内化执行环境。这降低了构建命令行Agent的复杂度，使其能更智能地与环境交互、提升决策能力。

评估前沿AI模型遵循详细书面行为规范（如Anthropic的Constitution和OpenAI的Model Spec）的能力，并探讨后训练阶段集成这些规范的效果。研究系统性地衡量模型对齐程度并揭示现有规范在实际执行中的局限，帮助从业者理解规范设计的有效性并指导对齐技术改进。

该工作超越传统单槽位假设，提出多槽位保证展示广告的联合优化方法，能在多个曝光位置间动态分配保量合约。这有效提升了平台流量利用率和广告主效果满意度，是品牌广告营收优化的关键进展。

提出用轻量级代理模型近似LLM在SQL中的AI查询评估，实现约100倍的成本与延迟下降。核心贡献是以小模型替代大模型完成查询打分，大幅提升效率。对从业者而言，可显著降低AI查询的部署成本与响应延迟。

提出自剪枝的键值注意力机制，通过预测未来效用动态决定何时写入KV缓存，在长序列生成中减少显存占用与计算量。核心亮点是提升Transformer的推理效率。对长上下文和智能体场景下的高效文本生成具有重要意义。

提出 ShardTensor 域并行方法，专为科学机器学习中超高分辨率数据设计，弥补了现有方案在扩展性与精度上的不足。其亮点是能在高效并行的同时保持模型精度。对处理大规模科学数据的从业者而言，提供了可落地的分布式训练手段。

本文研究微缩放量化中块大小对 LLM 量化质量的影响，发现配合恰当缩放策略时，更细的块大小能显著降低量化误差。这一结论揭示了块粒度与缩放的协同关系。对从业者而言，为在压缩率与模型性能之间权衡量化参数提供了明确指导。

挑战检索增强生成（RAG）将检索与生成视为分离系统的范式，探讨基于注意力的编码器-解码器能否直接从自身内部表示中完成检索。研究表明注意力模型具备「从内部检索」的内在能力，为简化 RAG 架构、把检索能力内化进模型本身提供了新视角。

本文剖析大语言模型推理面临的挑战，指出 Transformer 自回归解码使推理与训练在本质上不同，并梳理了相应的硬件设计研究方向。其价值在于把推理瓶颈与硬件需求对应起来。对从业者而言，有助于提升推理效率并降低部署成本。

提出PaT方法，在测试时先生成尝试再规划，以高效扩展LLM的推理计算用于代码生成。核心贡献是避免盲目搜索，通过尝试结果引导规划，显著提升测试时计算效率。

提出D^3方法，利用动态方向图约束对LLM训练数据进行调度，优于传统按整体分布调整的策略。核心贡献是引入图结构捕捉样本间依赖关系，实现更高效的数据调度与训练优化。

针对LLM预训练退火阶段数据选择困难，提出有原则的样本选择方法，基于模型状态动态筛选高质量数据。核心贡献是证明合理样本选择能显著提升退火效率和最终模型质量。

本文系统化研究了大语言模型训练中的数据组织策略，指出除了数据筛选外，数据排序与分组同样显著影响训练效率。核心贡献是提出了可操作性强的数据组织指南，帮助从业者在保持模型性能的同时降低训练成本。

提出IndicKLAR评估框架，系统量化了多语言大模型在印度语言上的跨语言知识一致性差距。研究发现模型在低资源印度语言上的知识召回明显弱于英语，为从业者提供了可用的诊断工具与改进方向。

通过纵向分析真实用户与LLM的对话记录，揭示了用户行为随时间从简单采纳到深度适应的演化过程。挑战了以往静态交互研究的假设，为人机协作系统设计与用户粘性提升提供实证依据。

针对多语言LLM排行榜仅报告准确率而不解释差异根源的问题，提出DEPART归因方法。该框架能分解各语言上的性能差异来源，帮助从业者定位系统性偏差并采取有效干预措施。

利用模型行为几何特征预测对越狱攻击的敏感度，并提出相应的缓解策略。该方法无需全面测试即可评估大量配置的安全风险，为从业者提供低成本的安全部署方案。

针对长上下文推理中KV缓存线性增长导致的显存瓶颈，提出IndexMem学习式缓存驱逐策略并结合潜记忆机制。有效压缩缓存占用，支持超长序列的高效推理，对部署长上下文模型至关重要。

针对生成式AI系统评估中概念模糊、标准不一的难题，提出AI辅助系统化评估方法。通过自动化分解与度量复杂目标（如推理、公平性），帮助从业者建立更可靠、可复现的评测流程。

针对AI推理服务日益增长的电力需求与电网压力，提出跨站点路由器XWind，将推理负载智能调度至可再生能源农场。在降低运营成本的同时减少碳足迹，为可持续AI基础设施提供实用方案。

提出SkillOpt框架，将Agent技能进化类比为深度学习优化器，通过结构化迭代更新替代手工或松散自修正方式。核心贡献是让技能改进更可控、高效，为从业者提供自主升级Agent能力的实用策略。

系统研究语言Agent如何消费模型生成的领域级技能，分析从原始经验到结构化技能工件的转化过程。核心贡献是厘清技能重用机制，帮助从业者设计更高效的技能蒸馏与复用流程。

提出特权过程监督方法，从补丁级监督扩展到完整轨迹级监督，改进软件工程Agent的微调效果。核心贡献是提升Agent在复杂调试任务中的推理能力，对从业者而言可减少人工标注成本。

提出SynAE框架，专门评估用于工具调用Agent评估的合成数据质量，解决生产数据不可用的问题。核心贡献是提供量化指标衡量合成数据可靠性，从业者可据此筛选高质量训练/测试集。

提出Memory Grafting方法，通过离线条件记忆扩展语言模型预训练，避免从头学习大规模记忆表。核心贡献是显著降低记忆扩展时的显存开销，从业者可用更少资源提升模型容量。

提出在任务无关世界模型中对视觉-语言-动作（VLA）模型进行强化学习后训练，使其能适应新任务而无需真实交互。核心贡献是提升VLA的迁移泛化能力，从业者可低成本部署机器人等应用。

提出MemGym长程记忆环境，专为LLM Agent设计，评估其在多轮复杂任务中的长期记忆能力。核心贡献是填补现有基准只关注聊天场景的空白，从业者可更全面测试Agent记忆性能。

提出基于纳什均衡的免训练多模态步骤验证框架，无需额外学习就能检测推理链中的错误。核心贡献是提供轻量级验证方法，从业者可集成到现有系统提升多模态答案正确性。

提出TaskGround框架，从完整家庭场景和情境请求中结构化推断可执行任务。核心贡献是将模糊请求转化为明确步骤，提升家庭机器人的实际部署能力。对从业者而言，该工作为家庭自动化和服务机器人提供了更鲁棒的任务推理方法。

研究表明，基于大型语言模型的多智能体AI系统在创造性任务上表现优于人类团队。该工作挑战了创造力是AI难以企及的前沿观点，为利用多智能体协作提升创意生成提供了新思路。对AI从业者意味着可探索多智能体协作在创意产业中的应用。

提出一个带智能体控制的流式视频理解框架，根据视频内容动态调整处理策略（如记忆压缩或注意力分配），在严格延迟预算下高效处理动态信息密度。核心亮点是智能体控制的自适应机制。对从业者而言，该方法可应用于实时视频分析、监控、直播等场景。

提出VeriCache方法，将现有有损KV缓存压缩技术（如token丢弃、量化）转化为无损推理。通过校验和重建机制保证输出精确性，同时大幅降低显存占用。对从业者来说，该工作使得在有限显存下支持长上下文LLM推理成为可能，且不损失精度。

提出PersonaArena动态仿真环境，用于评估和增强LLM在角色扮演中保持一致人格的能力。核心贡献是模拟真实多轮交互场景，暴露角色扮演中的不连贯问题。对从业者而言，该框架有助于开发更可信的社交AI助手和虚拟角色。

提出Skim框架，利用专门网站的预测性结构，通过推测执行加速Web代理任务，同时降低开销。核心亮点是显著减少等待时间和冗余操作，提升效率。对从业者来说，该技术可应用于自动化网页操作、数据采集和RPA场景。

发布Orchard开源框架，支持将LLM转换为具备规划、推理、工具使用和多轮交互能力的自主智能体。核心贡献是提供模块化、可扩展的智能体建模基础设施。对从业者而言，该框架降低了构建复杂AI代理的门槛，便于快速原型和实验。

提出GroupMemBench基准，用于评估LLM代理在多人对话场景中的记忆提取、检索和应用能力。核心贡献是填补了多人交互记忆评估的空白，提供了标准化测试集。对从业者而言，该基准有助于改进对话代理的记忆系统设计。

本文提出将可验证奖励机制引入视频扩散模型，使其不仅优化视觉逼真度，还能进行可验证推理。核心贡献是首次赋予视频模型推理能力，对提升生成式AI的可解释性和可靠性有重要意义。

提出EvoLib框架，让大语言模型在测试时无需参数更新或外部监督，即可跨实例积累、复用和演化知识。该方法零成本扩展模型知识库，对连续任务场景的LLM应用具有实用价值。

揭示LLM代理执行框架可能返回正确但有害的答案，强调了审计框架安全性的必要性。核心贡献是识别并防御框架层面的安全漏洞，对构建可信赖的代理系统至关重要。

针对长程个性化对话中相关事实与当前查询语义相似性低的问题，提出前瞻引导的记忆检索方法。该方法通过预测未来需求来提升检索准确率，对改进对话系统个性化能力有直接帮助。

提出最后一英里微调（Lift）流水线，先用预训练大模型提取初始表格，再用微调小模型细化。核心贡献是用轻量级模型高效提升表格抽取精度，为表格数据处理提供低成本实用方案。

提出感知分解置信奖励（PDCR），在视觉语言推理的强化学习中提供细粒度置信度奖励，替代传统稀疏结果信号。该方法显著改善多模态模型推理训练效果，对VLM推理优化有重要参考。

指出SWE代理评估中二值通过/失败信号会导致「幸运通过」问题，即偶然成功被误判为真正能力。提出AgentLens方法揭示这一缺陷，推动更细致的评估标准，对代理鲁棒性评测意义重大。

针对计算机使用代理在复杂低频交互上可靠性差的问题，提出覆盖完整人类动作空间的数据合成方法和基准测试。核心贡献是提升CUA在真实场景中的鲁棒性，对桌面自动化工具开发有直接指导。

提出 Kairos，一个面向物理 AI 的可扩展服务系统，针对物理 AI 任务独特的推理特征进行优化。核心贡献在于设计能高效处理物理世界推理负载的架构，对部署大规模物理 AI 应用的从业者具有重要参考价值。

提出 GEAR 方法，通过自蒸馏实现粒度自适应的优势重加权，用于改进 LLM Agent 的强化学习后训练。解决了传统结局级奖励监督粗糙的问题，能更精细地指导 agent 学习，对提升 Agent 在复杂任务中的表现意义重大。

提出 Agent-BRACE 框架，通过口头化状态不确定性将信念与行动解耦，使 LLM 在部分可观测的长程任务中更稳健地推理和决策。亮点在于显式建模不确定性并融入行动选择，对构建可靠的长时域 Agent 系统具有指导意义。

提出从稀疏到密集的奖励原则（Sparse-to-Dense Reward Principle），超越 GRPO 和在线策略蒸馏，为语言模型后训练提供更高效的奖励分配方法。经验证该原则在标注数据稀缺时能最大化每个样本的信息收益，对实际后训练流程优化有重要启发。

提出 Multi-Rollout On-Policy Distillation，利用同伴成功与失败经验进行多展开在线策略蒸馏，解决稀疏验证奖励下推理路径反馈不足的问题。该方法能更有效地从有限成功信号中学习，对提升 LLM 推理能力的后训练方案有显著价值。

提出超球面流（Hyperspherical Flows）用于语言建模，为离散扩散语言模型提供一种可并行生成的新思路。相比传统离散扩散，该模型在保持并行性的同时可能提升生成质量，对加快文本生成速度并保持高保真度具有潜力。

提出 DeepRefine，通过强化学习对 Agent 编译的知识库进行精炼，解决其质量系统性不足的问题。该方法将知识精炼建模为决策过程，能持续改进外部知识质量，对知识密集型 LLM Agent 应用（如问答、任务规划）至关重要。

提出 Reinforce Adjoint Matching 方法，将强化学习后训练扩展到扩散和流匹配模型，突破以往仅适用于自回归模型的限制。通过 adjoint 匹配实现可扩展的 RL 对齐，对推动生成模型（如图像、视频）的分布外优化与偏好对齐有重要价值。

提出EmbodiSkill框架，通过技能感知反思使具身智能体在多样化环境中自我进化，能够更有效地指导对象搜索、动作执行和状态变化。核心贡献是让智能体在部署后持续优化技能库，对机器人/具身智能从业者提升跨场景泛化能力有重要参考。

提出Rebellious Student方法，利用自蒸馏强化学习VR（RLVR）让学生模型逆向利用教师信号进行推理探索，无需额外信息即可提升推理能力。亮点是通过反转教师引导信号激发学生自主探索，对LLM后训练中的推理优化从业者提供新思路。

提出ReVision方法，通过时间视觉冗余减少策略大幅降低计算机使用智能体的视觉token数量，从而延长交互轨迹并降低成本。核心贡献是在保持性能前提下实现显存和计算优化，对GUI自动化Agent开发者在效率提升方面具有重要意义。

提出CodeClinic基准，用于评估LLM驱动的临床推理智能体在ICU监测和患者状态追踪等任务中的代码化技能自动化水平。亮点是填补了临床推理中编码技能评估的空白，对医疗AI从业者验证自动化临床决策系统有直接价值。

定义Oracle Poisoning攻击类别，攻击者通过污染知识图谱在AI智能体运行时查询时导致错误结论。核心贡献是揭示知识图谱作为工具使用协议时的安全脆弱性，对构建安全可靠的AI Agent系统的从业者具有重要警示。

系统分析启用工具的AI智能体在云托管环境中特权执行的安全风险，揭示特权工具执行时可能导致的侧效应攻击。亮点是对多种攻击面进行形式化分类，对部署AI Agent服务的开发者防范权限滥用有实践指导。

提出生成无泄漏基准的方法以鲁棒评估RAG系统，解决现有基准存在数据泄漏导致评估虚高的问题。核心贡献是构建干净且不易被记忆的测试集，对RAG从业者进行真实性能度量具有重要参考。

提出SkillGen框架，实现验证驱动的推理时Agent技能自动合成，无需重新训练即可生成高质量可复用技能。亮点是通过自动验证保证技能正确性，对提升LLM Agent的扩展性和可控性有实际价值。

针对软件工程智能体故障后恢复成本高、手动且无固定流程的问题，提出基于故障锚定的结构化恢复方法。核心贡献是自动定位故障根因并生成恢复步骤，减少人工干预。对从业者而言可提升智能体在工程环境中的鲁棒性与自治能力。

通过因果能量最小化的视角重新审视Transformer层参数化方式，为多头注意力和门控MLP的组合提供理论依据。核心贡献是揭示了不同参数化选择对训练动态的影响，可用于指导更高效的架构设计。对从业者而言有助于减少经验试错、提升模型设计效率。

提出Switchcraft模型路由器，用于代理系统中智能选择调用工具时的模型，以降低推理成本。核心贡献是相对现有路由方法实现了更优的准确率-效率平衡，在保持性能的同时显著节省预算。对从业者而言是部署Agent系统时实用的成本优化方案。

设计受人类记忆机制启发的LLM代理记忆架构，包含六种认知机制（如工作记忆、情景记忆等）。核心贡献是使代理能够持久管理长期交互中的上下文，提升连续任务的连贯性与适应性。对从业者而言可增强对话、任务执行等场景的用户体验。

提出VLA-GSE方法，通过通用专家和专用专家模块实现视觉-语言-动作（VLA）模型的参数高效微调。核心贡献是在机器人控制任务上以极低微调参数量达到或超越全微调性能。对从业者而言可大幅降低VLA模型在具体任务上的微调成本和计算资源。

从理论上证明了使用随机Hadamard变换进行均匀随机旋转在量化（如梯度压缩、KV-cache压缩）中的有效性。核心贡献是将先前高效的启发式方法提升为有严格证明的方法，确保量化过程中信息损失最小。对从业者而言可放心采用该预处理加速推理与压缩。

提出AgenticRAG，一种面向企业知识库的智能体检索增强生成框架，让智能体自主进行多步检索与推理。核心贡献是突破标准RAG对搜索栈的依赖，使答案更准确地基于结构化与非结构化知识。对从业者而言是企业级应用中提升RAG效果和灵活性的实用方案。

提出DataDignity方法，用于大型语言模型输出的训练数据归属审计。核心贡献是识别最可能支撑回答的源文档，支持透明度与合规性检查。对从业者而言可增强模型输出的可解释性与责任追溯。

本文聚焦于大型基础模型中的视听智能（AVI），旨在打通听觉与视觉模态，使机器能感知、生成和交互。核心贡献是系统梳理了AVI的前沿方向，对多模态AI从业者理解跨模态融合与生成有重要参考价值。

本文提出代理可解释性工具（Agentic-imodels），利用自动研究机制提升数据科学代理自主分析、拟合和解释数据的能力。亮点在于推动代理从执行到自我进化的可解释性，对构建可信自主分析系统至关重要。

针对自主代理顺序行为验证难题，本文提出从示例学习正确行为的方法，无需手动规范精确序列。其贡献在于降低验证门槛，对确保代理在实际环境中安全可靠执行序列任务具有重要意义。

本文通过实证研究探索大语言模型（LLM）在长期任务（Long-Horizon Tasks）中的训练效果，分析任务长度对模型表现的影响。亮点在于量化了Horizon长度作为关键参数，为从业者设计交互式代理训练策略提供指导。

提出MultiBreak，一个可扩展、多样化的多轮越狱基准，用于评估LLM安全性。核心亮点是模拟自然对话中的多步越狱，更贴近真实攻击场景，对开发更安全的对话系统具有重要安全评测价值。

本文提出MAGIC方法，通过多步优势门控因果影响信号，促进多智能体强化学习中的智能体间协调。贡献在于设计更有效的学习信号提升团队协作，对复杂多智能体系统（如自动驾驶、机器人集群）有实用价值。

针对大推理模型在生成长文本时容易产生幻觉的问题，提出校准感知生成策略（Only Say What You Know）。亮点在于通过校准控制减少推理步骤错误累积，对提升长文本事实性有直接帮助，降低模型误导风险。

本文探索无数据情形下LoRA向视频扩散模型变体（如步骤蒸馏、因果蒸馏）的迁移能力。核心贡献是解决LoRA适配不同蒸馏后模型的难题，对从业者快速复用微调权重、降低适配成本具有实用意义。

本文分析了多模态训练在Grace Hopper超级芯片上的跨层能耗，识别出内存和通信瓶颈。对硬件设计和训练优化具有重要指导意义，帮助从业者降低大规模多模态训练能耗。

提出了紧凑潜空间多智能体协作方法，解决长视频任务中感知上下文限制问题。通过多智能体协作提升视频理解可扩展性，突破了传统方法的瓶颈。对视频理解领域从业者设计高效长视频模型有重要参考。

开发了虚拟言语治疗师平台，结合临床医生回环的AI代理，实现口吃评估和个性化治疗计划。自动化与自适应AI提升了治疗可及性和监督质量。对言语治疗和AI医疗从业者具有实用价值。

编码智能体正从内联补全向自主编辑仓库、提交PR等演进，但论文指出仅靠自主性不够，还需主动性。核心贡献是强调主动性在智能编码中的关键作用，提醒从业者构建更有效编码助手时必须考虑主动推理能力。