AI 论文与研究

Covariate-aware time-series foundation models (TSFMs) promise training-free what-if answers for instrumented plants: the change in output that a different future input would cause. We test this on forced engineering systems with exact coun…

Path-following control strategies typically follow the bi-objective optimization dilemma: minimizing deviations from a reference path while maintaining smooth speed profiles. The latter objective is especially relevant for Electric Vehicle…

Diffusion language models (dLLMs) have emerged as a promising alternative to autoregressive (AR) language models, offering flexible token-update orders and parallel decoding. Recent dLLMs are often initialized from pretrained AR models bef…

Attacker ASV systems for voice anonymization have been studied primarily in English, leaving their behavior in multilingual settings largely unexplored. Conventional ASV has shown that both acoustic and contextual information are important…

Multimodal large language models (MLLMs) advance rapidly, while conventional benchmark development lags behind, delaying investigation of newly observed capability gaps. Such investigation requires an expressive task format and an on-deman…

Conversational MLLM agents are increasingly expected to assist in professional workflows, from AI research and engineering design to product management and business operations. Yet this capability remains underexplored: existing benchmarks…

Shared memory coordinates agents' actions, but correct records do not establish that those actions satisfy task requirements. Memory governance and failure diagnosis regulate or inspect recorded information; they do not by themselves estab…

AI agents increasingly rely on modular third-party "skills" that are dynamically selected by skill routers to execute complex tasks. While recent studies highlight the threat of prompt injections embedded in these skills, existing evaluati…

Mathematical problem solving often requires deterministic computational steps that agents delegate to tools and implicitly trust. Yet tools can fail silently, returning plausible but incorrect results. How well can agents detect and correc…

Natural-language access to RDF knowledge graphs is a core Semantic Web ambition. Large language models (LLMs) have advanced Text-to-SPARQL, yet on unfamiliar graphs they often generate valid queries that misrepresent the populated data mod…

Developing reliable models for clinical tasks, such as Medical Question Answering (QA), is severely constrained by the limited availability of high-quality, expert-annotated training data. This challenge is exacerbated by stringent privacy…

IPv6 extension headers (EHs), such as fragmentation, segment routing, and in-situ telemetry, are operationally important yetwidely dropped in transit, and characterising their behaviour from packet captures is a recurring measurement probl…

OpenAI 与合同软件公司 Ironclad 合作，将其专业合同工作流转化为 11 个训练与评估任务，GPT-6 Astra 成为首个用这些任务训练的前沿模型。在研究评估中，Astra 平均得分为 55.0%，GPT-5.6 Sol 为 41.6%，估算每次尝试平均用时从 37.0 分钟降至 19.2 分钟；训练使用基于 SEC EDGAR 公开合同的合成任务和强化学习，未使用客户数据。

PhAI Labs、CUHK、复旦、斯坦福、牛津与普林斯顿的研究者发布 JEPA-Anything，一个领域无关的世界模型框架，用共享学习配方覆盖视觉、生物、临床轨迹、控制、分子动力学、物理场和天气 7 个领域。

Q Labs Research 发布 Dust，一种零阶优化方法，通过在每个 token 上独立扰动激活（虚拟种群）预训练 GPT 式 Transformer，无需反向传播。

AI 写学术论文的一个微妙问题在于，AI 没有针对反馈进行校准。AI 往往直接就妥协了，但如果你把论文送审，同行评审的质疑应该促使你为自己的想法做一些辩护（当然如果确实错了还是要放弃）。

arXiv 论文提出 PAIR，通过从同一智能体状态分别带压缩和不带压缩地续跑来定位压缩造成的影响，而非比较整条随机的运行轨迹。研究发现有害压缩会丢掉尚未解决的任务条件或把已读的 API 规格缩成模糊描述，导致重开文档和重新登录、多出约 5 步；PAIR 据此重写压缩提示词的对应部分，不改智能体、压缩模型和工具。

一项在田纳西州 18 所中学开展两年期整群随机对照试验发现，在每日补救数学课中使用带 AI 家教 Khanmigo 的 Khan Academy，学生数学成绩每学期提升 1.3 个全国百分位，约合每学年 0.06 到 0.08 个标准差，与不用 AI 的 Khan Academy 练习效果相近。

Apple 研究团队提出 RISED，将评分量表（rubrics）从奖励信号扩展为多环境 LLM 智能体训练中的数据选择与策略监督工具。该方法由 LLM judge 用跨环境共享的评分量表词表标注每条 rollout，据此挑选与混合环境批次行为构成一致的数据，并用正向量表为正策略自蒸馏教师提供 token 级监督、负向量表引导后续生成避开重复失败模式。

论文提出 Personal-Agent Mediated Recommendation 范式：平台推荐系统用本地信息排序候选集，个人 LLM 智能体再借助用户授权的跨平台历史对排序进行中介，产出最终 top-K 列表。

UNREAL 框架从冻结 LLM 的内部表示直接导出检索查询并编码 chunk，仅新增不到 500K 可训练参数，统一覆盖语料检索与长上下文推理。

研究者提出面向端侧级联语音智能体的推测性工具执行方案，通过 Predictor 模块从部分 ASR 假设中预测工具调用，在用户说话时提前执行并缓存结果，再注入 LLM 提示词以加快响应。在完整实现的 Android 语音助手上，该方法将首音频响应中位时间从 5.79s 降至 4.60s，标准差从 3.49s 降至 2.81s。

CtrlCache 是一个免训练的控制感知缓存框架，通过动作感知调度与刷新策略，将视频块标记为初始、过渡、转向或稳态，仅在部分去噪步骤复用 Transformer 残差，并引入频率混合历史先验引导。

针对长时程具身任务中目标常不在视野内、状态连续变化的问题，研究者提出 Attacca，用与执行环境解耦的目标图像在完整"搜索到交互"轨迹上训练视觉目标条件策略。该方法在 Minecraft 多项短时程与长时程任务上取得 39.0-47.5% 的 clean success，较最强基线提升 1.7-2.4 倍；长时程任务完成率达 54%、30% 和 28%，最高提升 7 倍。

研究重新审视跨 Tokenizer 的 On-Policy Distillation（OPD），发现严格 1:1 对齐已覆盖大部分学生生成 token，将 reverse KL 限制在学生选出的共享词表 top-16 子集即可达到全共享词表 OPD 的精度，并优于所评估的跨 Tokenizer 基线。

HiPLEX 是一个将预训练全双工文本策略因子化为控制策略与条件内容策略的强化学习框架，前者决定何时输出内容（pad/epad/con），后者仅在 con 时选择 token。

DAEDALUS 提出一种无需既有任务或 oracle 验证器、从自生成练习中自举可复用智能体记忆的方法：explorer 智能体生成有挑战性且可解的任务，solver 智能体尝试并从失败中提炼启发式，经反复验证后写入记忆库供测试时使用。

Google Research 提出用地学基础模型 PDFM 的位置嵌入作为即插即用输入，融入现有流行病学工作流。嵌入由隐私保护的搜索趋势、人流、建成环境密度和环境指标自监督合成，按月更新。

NeMo-DCR 是一种比特精确的增量压缩重配（refit）方案，只传输变化的权重，接收端得到的参数与缓冲区比特与全量重配完全一致。在 3% 和 5% 变化率下，30B-1T 模型的重配速度比仅传输全量 checkpoint 的基线快 12-40 倍；1T 模型经中继树在 3% 变化率下重配仅需 150 秒，而全量传输需 87.5 分钟。

EmbodiedSmith 是一个通过递归自我改进（RSI）扩展具身数据生成的框架，将资产、场景与任务生成统一到一条支持自主创建和语言驱动定制的流水线中。其核心是智能体式精炼循环：场景生成预判下游任务需求，任务生成引导针对性场景编辑，二者迭代互促，提升长时程任务生成成功率。框架还支持移动机械臂、人形机器人和灵巧手，以及可变形物体与流体的交互。

研究者推出 World Models' Last Exam in Physics，一个基于测量的视频世界模型物理一致性基准，涵盖力学、光学、流体、热学与相变、电磁学、表面张力共 40 项受控任务。在 8 个视频生成模型、1280 段视频上的测试显示物理不一致普遍存在，最佳模型总分仅 57.76/100。该评测器与人类判断的一致性高于直接使用视觉语言模型基线。

针对冻结的视觉-语言-动作（VLA）策略可能选中局部安全但无法完成任务的动作，研究者提出可行未来解码方法 VICS-G，通过推导策略-环境轨迹在安全完成约束下的下一块边缘分布，识别候选动作是否仍保留安全完成路径。

视频编辑框架 ALIVE 让插入的物体能与原视频内容产生连贯交互，而非仅静态出现，输入为编辑后的首帧和仅命名新增物体的指令。团队构建了 35,800 对编辑数据，并训练 VLM 从相同输入预测交互引导。

VeriFine 是一个 agent harness 框架，通过策略、训练课程与评判器的协同演化来扩展验证能力，解决固定评判器限制自我改进的问题。

研究者提出 Dev-Primitives——把仓库构件与常驻 LLM 配对、使其具备可执行智能体接口的模块化抽象，并据此构建 HERMES 框架，通过依赖感知动态激活与 bug 诊断机制在仓库规模上实例化这些原语。

一篇综述系统梳理了在部署阶段为 LLM 增强参数内记忆的方法：将承载记忆的参数对象在推理时接入前向传播，以补充 ICL 消耗上下文窗口、重复编码成本随上下文长度增长的不足。文章按参数位置（Embedding、Attention、FFN 层或 Hybrid）与参数获取时间（部署中在线获取、部署前离线获取）两个正交维度组织现有工作，并讨论了干扰、安全、与 ICL 协同设计及递归自我改进等开放方向。

研究揭示工具调用智能体在从证据到行动的链条上存在断裂：在十种模型-框架配置中，静态动作判断能力强，但交互式执行明显偏弱。失败常始于执行前，智能体调查不完整或证据未建立就行动；单动作执行通常可靠，多动作工作流则暴露未解决的前置条件和执行不完整问题。为此研究提出 SafeActBench，涵盖六大领域、五种协议的 656 个案例，并用证据账本与轨迹评估器追踪信息建立与依赖满足情况。

研究者改造以物体为中心的 3D 生成器 Trellis 2，使其能从单张图像生成完整的室内外 3D 场景网格。方法通过按相机距离自适应分块、显式建模 2D-3D 对应关系（区分自由空间、已观测表面与未观测区域），并合成约 4,000 个户外场景扩充训练数据。在 Tanks and Temples、ScanNet++ 及真实图像上，该方法在几何精度和感知质量上均超越所有基线。

TRACE 是面向 MoE 语言模型 RL 训练的 FP4 量化框架，用 rollout 侧量化结果引导训练侧 FP4 舍入决策，直接缩小训练与 rollout 两条量化执行路径的差异。它支持 FP4 权重/激活与 FP4 KV-cache rollout，在四个大规模 MoE 语言模型的推理、编码和长程 RL 任务上性能与 BF16 rollout 相当，rollout 提速最高 5.4 倍。

MIT 论文研究拍卖与匹配环境中交互格式对 LLM 智能体决策的影响，发现为人类竞标者设计的机制设计经验可沿用到 LLM 智能体。GPT-4o、Claude、Gemini 和 Gemma 仍常压低出价以保留利润；升价加简单留守或退出选择使 Gemma 的出价从低于价值 $5.30 收窄到 $0.30，一行说明拒绝只会重新分配的提示把匹配错误从 4.2% 降到 0.2%。