自回归视频生成中的记忆机制综述：过去如何框定未来

StableVQ 通过 Dynamic STE、Region VQ Loss 和 Decoupled Schedule 三项改进，解决向量量化分词器中编码器-解码器与码本训练相互纠缠导致的稳定性问题。该方法基于 shared-projection 码本构建，不引入可学习参数，在 ImageNet 上于不同码本规模和初始化设置下均提升了训练稳定性、码本利用率和重建质量。

ImIR 提出用退化图像自身生成的图像指令替代文本提示，通过 VAE 保留结构、轻量 token mapper 将退化图像的视觉-语言嵌入向干净图像的嵌入偏移，从而驱动图像编辑模型完成修复。

研究提出 ActObs，在 SFT 阶段除动作 token 外也监督轨迹中已有的观测 token，不增加数据、参数、序列长度或前向计算。

研究者构建了 12000 条二选一道德困境数据集，覆盖诚实 vs 公正、公正 vs 自主、自主 vs 诚实三类价值冲突，并翻译为印地语、阿拉伯语、西班牙语和中文。

在 Phi-3-mini 和 Qwen2.5-1.5B 上，将候选数 N 从 1 增至 8 分别提升 GSM8K 准确率 8.4 和 18.4 个百分点，但候选数无法反映执行方式。

GPT-Policy 是一个面向上下文机器人学习的通用智能体框架，由上下文编译器、提出机器人工具动作的 VLM 和验证并执行动作的受限控制器组成，无需梯度更新或改动任务专属参数。真机试验中，人类视频演示即使没有机器人动作标签也能提升任务完成度，对齐的动作参考在接触敏感任务上带来进一步提升。

一项研究让拟人手用同一组手指完成移动、支撑体重与环境交互，且保留原有手指设计与位置控制器。该方法用强化学习应对手指不均衡问题，并在依据硬件测量校准的模拟器中训练，其奖励公式下的移动速度快于为四足机器人调优的奖励。硬件上，任务专用策略实现了无缆爬行、转向与跌倒恢复，还能在无视觉条件下执行连续键盘指令，并借助俯视视觉反馈将物体推至目标。

研究提出一种推理架构，将设计方向作为显式中间决策，通过预生成带典型性评分的结构化设计规范、外部选择器采样、下游生成器在固定设置下实现所选规范，从而把探索与实现分离。

研究者为掩码扩散语言模型（dLLM）提出 register tokens：用少量固定位置 token 的连续隐状态跨生成块携带推理进度，从而在清空已生成文本后仍能继续推理。

一篇论文用同一套三阶段提示词，对 OpenAI、Anthropic、xAI 和 Google DeepMind 的六类前沿模型各做 10 次独立会话。在"学校听众"设定下，回答反复收敛到含持久潜状态、自适应计算、记忆、专家路由、验证、停止控制和延迟解码的共同架构模式；去掉该设定后结果明显更异质。