AI 论文与研究

PROWBench 基准发布，包含 170 个程序化构建的 episode 和 600 段代理视频，用于检验视频模型对程序指定世界事件的视觉还原能力。该基准记录实体状态与带时间戳事件（含镜头视野外事件）作为可回放世界记录，并渲染同步视图，覆盖第一、第三人称视角。

针对多智能体工作流中仅训练生成器、其他智能体固定的局限，研究者提出 FloWright，通过分层、结构感知的奖励范式让一个角色自我进化、两个及以上角色协同进化，无需额外模型、标注或执行。

研究者提出"数学原语"（Mathematical Primitive）概念并构建新基准，从 Discovery、Generation、Digestion、Execution 四个维度评估 LLM 的结构性数学理解。

研究提出"世界编辑"概念，即对已有可执行世界进行干预并保留不应改变的部分，同时引入"干预深度"描述编辑对世界实体、动态与系统的耦合强度。作者基于 Minecraft 和 Terraria 的工业级游戏模组构建了 IGMWorld，并发布包含 110 项任务、超 1.1K 条可执行状态与行为标准的 IGMBench。

Omni-Embed-Mini 是一个 0.9B 参数的多模态嵌入模型，可将文本、语音、音频、图像、视频和富视觉文档映射到同一余弦空间，且不更新任何文本侧参数。

ProWAM 是一种渐进式世界动作模型，通过联合预测动作与有序稀疏视觉子目标序列，为动作生成提供显式视觉引导。它在 LIBERO-Plus 上达到 85.8%、随机化 RoboTwin 上达到 75.7%，相对最强基线最高提升 35.9%；在 RoboCasa365 上成功率为 48.1%，Composite-Unseen 分项为 18.2%。

Apple 研究者提出 RLTL;DR，在每次失败尝试后让策略读取验证器输出并自行写出一条 TL;DR 式反馈，后续 rollout 以历史反馈为条件，并对上下文中的反馈做反向传播以内化"任务→反馈"映射。

Latent-MOPD 是首个面向 LLM 的表征级多教师同策略蒸馏（OPD）方法，同时利用专家的预测输出和计算这些预测所用的隐藏状态来整合多个专家，且无需额外教师训练。在同家族设置下，它在数学、代码和逻辑的九个基准上全面超越仅 token、仅表征和均匀平均基线；在参数量与各教师相同时，学生在多数基准上超过逐基准最优教师。使用更大规模的跨家族教师时，它在所有基准上均优于单通道基线。

研究者提出 LOOM，通过缩放残差更新、每次循环重新注入输入嵌入，并用逐循环路由器和 Looping Residual 缓解专家选择坍缩，使循环 MoE 稳定扩展至 9-12 次循环。

研究者提出免训练对比解码框架 LoopCD，通过对比最终预测与较早循环轮的中间表示来引导 token 选择，分为 logit 空间的 LoopCD-Logits 和零输出开销的 LoopCD-Hidden 两种形式。

研究者提出 Stability-Aware Generalization Objective（SAGO）框架，从生成一致性、内部激活、置信度和响应镜像等多个维度衡量 LLM 在输入变化下的行为波动。实验显示，常用模型普遍存在统计显著的泛化不稳定性，没有模型能均匀泛化，不同行为轴捕捉到独立的失败模式，跨数据集变化甚至会逆转模型排名。

SILSA 是一个拓扑感知的 3D 生成框架，用沿三个坐标轴的固定重叠切片隐变量替代昂贵的体素 token，每个 token 概括局部深度窗口，支持单阶段 rectified-flow 生成。

AGO AI Quality Gate 是一个面向工业级 RAG 评估的"证据优先"质量门框架，包含四态决策模型、分层评分、分层 beta-binomial 门控和强制元评估协议。

RPTune 是一个将学习式目录筛选与 LLM 后训练耦合的端到端框架，通过编码器-重组器筛选器依据下游 LLM 反馈对商品排序和剪枝，并用上下文相对奖励提升后训练效果。在 7 个真实商家的 100 条复杂对话查询上，上下文筛选带来最高 31.4 个百分点的搜索准确率提升，后训练平均再提升 10.3 个百分点，在闭源与开源权重 LLM 上均有效。

研究者提出多智能体框架 MEA，由 Proposer 智能体按问题与模态选择并配置解释工具，Actor 智能体则针对忠实度做端到端优化，将输出转化为自然语言解释，覆盖表格、文本与视觉模态。在六个数据集上，MEA 一致优于事后解释方法、智能体与闭源基线，奖励驱动优化相比未训练主干带来 +28%（表格）、+21%（文本）、+34%（视觉）的忠实度提升。

CANOPY（Canonical Projection over Hierarchy）是一个面向多模态 RAG 的自适应粒度检索后证据压缩框架，将检索项表示为层级结构，用基于 gold evidence 微调的节点编码器对区域打分，并通过父节点相对细化在不同粒度上选取多个区域，无需 LLM 调用即可完成节点级剪枝。

研究提出 SBERT2S1，将 Sentence-Transformers 编码器转为双编码器、cross-head（C）与 prior-fused residual（PFR）类型化决策模型，并发布 BIODECIDE 生物医学决策套件和 243k 条 NLM 索引决策构成的 MEDLINE-S1。

针对 LLM 智能体反复使用同一外部来源却只当作重复访问的问题，研究者提出 SourceLearn，通过自导向来源学习和任务引导来源学习两种机制，构建并持续优化持久化的来源模型。在五个 benchmark 和三个 LLM 后端上，SourceLearn 在 15 个设置中 13 个取得最佳表现，最高比 Hybrid RAG 提升 22.6 分。

OneStreamer 通过共享的主动生成过程，联合学习与查询无关的证据记录和任务响应，其 Proactive Hierarchical Caption Memory（PHCM）生成带时间定位的局部细节描述与已完成事件摘要。

4Director 是一个以显式 4D 场景表示为条件的视频世界模型，每个物体从输入图像重建为规范网格，并由每帧一个预设刚性变换驱动。它把受控场景渲染为深度视频，再用 Motion Adapter 生成视角一致的外观、光照与非刚性动态。

研究者构建了 ScholarCatalyst 基准，让 207 篇近期计算机科学论文的 184 位第一作者标注哪些候选论文推动或可能推动了其项目，并附详细理由。在该检索任务中，Agentic 搜索（0.42 Recall@20）不如嵌入向量检索（0.48），即便基于 Claude Fable 5.1 的智能体也只达到 0.51 R@20。

论文提出 OpenRUA，一个零抽象 harness，只给现成编码智能体 ROS 2 原生接口的终端访问权限、ROS 2 文档和基础工具，不编排任何定制工作流。

一项研究考察四个开源权重类型化决策模型，发现模型概率大多跟随选项标签而非定义：删除全部定义后 laya-td 准确率仍为 0.8559 对 0.8487，而将选项改名为 A 和 B 反而提升准确率 +0.1511。

SimuVerity 是一个包含 101 个文本到可执行 Simulink 模型生成任务的基准，覆盖十个工程领域，采用分层评估器先检查产物交付、原生可执行性与工程合格性，再从准确度、输出质量、机制保真度、控制与因果完整性、工况鲁棒性和动态响应六个维度打分。六个智能体系统参与评测，最佳系统总分仅 42.86，表明结构相似度无法代表工程性能，部分高分模型仍存在严重的视觉布局混乱。

一项研究记录了关键词匹配基准的假阳性：一对共享解码器与 tokenizer 的西班牙语安全模型（661.6M 与 1,109M 参数）在宽松工具调用指标上得分几乎相同（B4：0.660 vs. 0.650），但逐字复现检查中 600M 在 6/6 样例上生成有效工具调用，1B 在 0/6 上做到。

VeriHarness 将生成用的 LLM 变为智能体验证器，通过工作区、证据工具和可复用验证技能，对多次采样结果中的分歧与共识分别核查，从而筛选和修订最终产物。

EPFL 与 Apple 研究者发表论文，发现在相同时间预算和同一前沿 LLM 骨干下，开源最先进 harness 并不优于最小化 harness 编码智能体的单次会话。通过大规模系统性消融研究，作者认为复杂机制层在编码智能体场景中变得冗余，性能主要由 LLM 骨干驱动，为强模型手工搭建复杂 harness 的投入在当前 MLE 基准上回报很低。

研究者提出 Local Support Learning（LSL），一种无需访问旧数据即可保留模型已有能力的通用训练框架，通过权重适配器加基于高斯混合模型（GMM）的门控函数，使更新仅作用于当前训练分布的输入激活。该方法可在最高 70 亿参数的 LLM 上缓解灾难性遗忘，跨多个训练阶段同时保留预训练与微调能力，且内存与计算开销低、对超参数选择稳健，并展现出扩展潜力。

Zyphra 发文解释混合架构中全局 NoPE 注意力如何获得位置信息：滑动窗口注意力等局部混合层在残差流中留下随相对距离变化的近因偏置结构，训练中全局层的 query/key 投影学会读取该结构，形成隐式相对位置编码。

研究发现，将嵌入模型从 T5 扩展到 T5Gemma-1、T5Gemma-2 可显著提升扩散语言模型生成性能，但原始 T5Gemma-2 嵌入区分度过高，导致连续扩散易落入无效嵌入。

研究者提出分层连续扩散语言模型（HC-DLM），将离散 token 生成与连续隐变量轨迹耦合进单一去噪过程，训练目标由 token 似然的变分下界推导而来。与把连续上下文附加到离散链上的做法不同，HC-DLM 让隐变量成为唯一持续存在的生成状态，每步从中读出 token 并反馈为下一步隐状态更新的脚手架。

KaliBench 是面向 Kali Linux 自然语言到 CLI 翻译的细粒度基准与数据集，包含 8,504 条 query-command 对，覆盖 1,642 个工具、23 个能力维度和 5 个安全阶段。

研究提出 Temporal Activation Injection（TAI），一种无需训练的方法，通过在推理阶段将中间层的时间散度向量 τ_l 按衰减规律重新注入后续层，解决 VideoLLM 时间推理能力随层数加深而衰减的问题。该方法在三个 VideoLLM 和四个 benchmark 上一致提升时间推理表现，对非时间任务影响可忽略。

EditHero 是首个面向长程、部件级 3D 编辑的基准，提供自然语言指令与几何、纹理目标图像，由确定性装配引擎在每次编辑后生成精确目标，所有序列均经人工审核。对比显示，非智能体方法常漏改并扰动应保持不变的区域，而 LLM/VLM 智能体通过代码检查 mesh 并只重写指令要求的部件，指令遵循与未编辑区域保持更好，但每次编辑耗时数分钟。装配引擎与编辑序列将开源发布。

研究者发布 RealCompanion 基准，包含 10 段真实人机关系、最长 120 天的 27,218 条消息，以及 profile、persona、chat ground truth 和问题集四类衍生文件，每条标注附推理链。

论文研究了 LLM 的 RL 后训练是否只锐化基座已有行为的问题，发现在智能体任务上，带轻量推理框架的预训练模型虽 pass@1 更低，但在足够测试预算下 pass@K 常超过后训练模型。

研究者提出 Spatial Memory Intelligence（SMI），首个系统性地用理解模型为长视频世界模型管理空间记忆的框架。SMI 包含空间聚类、簇内稀疏化、动作感知检索和可靠性感知过滤四项协同原子操作。在多个基线、benchmark 和世界模型骨干上的实验显示，SMI 在记忆稀疏度、生成稳定性和空间一致性上均取得全面提升。

World Observer 通过将"观察"与"行动"解耦，联合生成一个 actor 视角与一个或多个全景 observer，使离开 actor 视野的物体在 observer 中持续演化，重新进入视野时能反映更新后的状态。

GUI-HARVEST 是一个自动执行框架优化器，可在冻结主干模型的情况下让 GUI 智能体自我改进。在 OSWorld-Verified 上，Qwen3-VL-32B-Instruct 全套件提升 12.33 分；冻结框架迁移到 WindowsAgentArena 后，GPT-5 在 50 步设置下提升 13.87 个百分点。

Latent-Foresight 提出一种端到端框架，联合学习潜在 tokenizer 与基于 flow 的生成式动力学模型，直接塑造具备时间可预测性的表征，取代先压缩 VFM 特征再训练预测器的两阶段流程。该方法通过防止潜在坍缩、对齐重建与生成目标等设计实现稳定联合优化，在多项未来场景理解任务和预测时域上持续优于两阶段基线，并省去独立训练阶段（含高分辨率适配）。实现代码与模型权重已公开。