AI 论文与研究

Hugging Face 推出 Open TTS Leaderboard，用 WER/CER、RTFx、TTFA 和 WavLM 嵌入相似度等客观指标评测开源 TTS 模型，将评测周期从数周缩短到数小时。榜单支持多语言与语音克隆对比，提供 Listen 试听和 Streaming 排名，评测脚本即将开源。

SemanTok 是一种灵活视频 tokenizer，将冻结的 DINO 特征输入编码器，并加入轻量 head，使每个保留的 token 前缀都能单独重建这些特征。201M 的 SemanTok AR 模型匹配或超越 3.4 倍规模的 VideoFlexTok AR 模型，更大模型还能进一步提升保真度。它在分布外类别上保持语义对齐，并在包括纯噪声在内的各噪声水平上为解码器提供更高语义对齐。

研究者提出 Soft Spatial Reasoning，一个面向 LVLM 空间任务的训练后框架，在每步推理中混合 token 嵌入形成连续软状态，而非硬性选定单个 token。

DexPolicy 将探索噪声尺度设为训练步数的显式函数，从宽到窄退火，在 PPO、GRPO 和流参数化 PPO（FPO）三种设置下提升轨迹引导灵巧操作的成功率。

研究系统考察了 LLM 条件控制方法在概念注入与移除场景下的表现，发现高效激活引导（activation steering）方法往往以流畅性大幅下降为代价。激活引导在指令微调模型上的效果远不如基座模型，而简单提示词与完整监督微调适合概念注入、却不擅长概念移除。此外，低成本文本指标与昂贵的 LLM-as-judge 评分高度相关。

PivotOPD 是一个在线策略蒸馏框架，同时训练学生模型避免关键错误并从其造成的状态中恢复。研究在三个 Qwen3 模型（8B 至 235B）上发现，超过一半的失败轨迹包含早期出现的关键错误，且引导模型在关键轮次后仅几轮即可恢复任务成功。

针对 VLA 模型在复杂环境中任务成功与意外接触难以兼顾的问题，研究者提出四阶段自进化框架 FailBank，把运行时反馈转化为持久的策略改进：由固定 CBF 安全模块作为只观察的教师生成反事实修正，再经结果感知筛选转为纠正目标，并以成功未修正动作作为锚点进行受保护的 LoRA 更新。

研究发现，d'Ascoli 等人（2025）的脑电转文本方法在完全不含脑信息的合成信号上仍达 22.0% 平衡准确率，接近真实脑数据的 22.3%，原因是按词起始切分的重叠窗口隐含泄露了词时长信息。作者改为独立处理每个窗口，使同一词多次神经响应的预测聚合与预训练 LLM 语言先验都明显更有效，SimpleB2T 在感知语音基准上每词五次观测的词错误率为 36.6%。

研究者提出 Align Then Reason（ATR），一种多语言唇形同步评判模型，先在帧级唇部表征与候选台词的音素单元间建立单调对齐，再基于该对齐进行推理判断。

EviRover 是首个显式训练通过交互解决感知查询的感知智能体，采用监督微调加智能体强化学习，并配套发布 EviRover-SFT-5K、EviRover-RL-12K 数据集与 688 条实例的 EviLens 基准。4B 版本在 EviLens 上平均超越其骨干模型 30 分，达到先进闭源模型水平，并在 BrowseComp-VL 上提升 15 分。代码、模型与数据均已开源。

研究者提出 Box^2-Bench，在固定模型与任务的前提下改变工作流可靠性，以衡量语言模型能否在受益于可靠指导的同时覆盖不可靠指导，即"跳出框框"的能力。测试显示前沿模型虽能从可靠指导中获益，但在指导具有误导性或变得不可靠时仍很脆弱。团队用坏工作流训练两个开放权重模型，发现反事实监督微调可提升鲁棒性，而基于结果的强化学习能提高对有用工作流的使用，该行为还可迁移到同行纠错和受损记忆的鲁棒性上。

零样本机器人抓取系统 BeyondSCe 可处理"指代过去事件角色"的抓取请求，即使目标当前不可见也能定位。在单腕部 RGB-D 相机真机实验中，初始可见与遮挡目标的抓取成功率分别为 76% 和 77%，最强基线为 40% 和 55%。在四个重度遮挡场景中，成功率从 75% 提升至 95%，平均视角数从 3.35 降至 2.20。

针对多奖励强化学习中各目标学习进度不均的问题，研究者提出密度感知奖励聚合方法 DARA，通过逆平方根密度校正，为激活频率较低的奖励信号赋予更高权重，且不改变底层策略优化目标。在工具调用任务上，DARA 达到高格式合规所需训练步数比 GDPO 最多减少 26%；在数学推理任务上，接近饱和的长度合规所需步数最多减少 65%，最终性能保持竞争力。

Mid-Harness 在模型与 harness 边界采样并验证候选动作后再转发执行，且不改动生成器与 harness。

DyRAD 用静态背景反射体与运动跟踪的动态点反射体建模动态驾驶场景，渲染完整的距离-方位-多普勒（RAD）张量，并通过源自雷达信号处理链的固定解析点扩散函数（PSF）渲染反射体，避免传感器扩散被写入场景表示。

研究团队提出 OmniReasoning 音视频联合推理方案，包含 OmniReasoningBench 基准（1150 道题）、OmniQA 数据引擎与 MFSD 在线自蒸馏方法，并产出 OmniReasoning-SFT-112K 和 OmniReasoning-RL-19K 训练数据。

SpatialCORE 是一个后训练框架，将模型对生成式定位的自身置信度转化为空间推理的学习信号，通过自调节空间奖励按坐标 token 置信度加权每个预测边界框的匹配质量，并用答案门控将定位优化与最终答案正确性绑定。该框架在多个 benchmark 上取得开源及专用空间推理模型中的 SOTA 结果，并可零样本迁移到未见数据分布，源代码已公开。

针对 RL 后训练中已解出问题回答变得冗长的"长度缩放税"（LST），研究者提出 Length Self-Distillation（LSD），将已解出的提示词路由到 on-policy 蒸馏，未解出的仍保留原 RL 目标，并以在线策略的指数移动平均作为教师，无需外部模型。

EvoDuet 是一种双层优化方法，在模型参数固定的前提下让解与搜索查询协同进化，每轮由检索门控让 LLM 判断知识缺口，决定检索新文档、复用已有文档或不检索。

针对同一对话中历史计算能否帮助 LLM 解决后续问题，研究者提出 STAIR（Stale-Token Attention for Inter-query Reuse），将先前回答生成中的 keys 和 values 存入固定 bank，并学习在当前查询读取该 bank 时重定向查询。

DEFINE 是一个端到端零样本 TTS 框架，通过分别以说话人身份和口音示例音频作为条件，将两者解耦，并可在推理时用单一引导权重连续控制口音强度而无需重训练。它基于 F5-TTS 与 LoRA 适配，在已见口音上把口音探测准确率从 6.5% 提升到 19.6%，单个模型在已见和域外口音上可媲美双模型 TTS-语音转换级联，同时说话人相似度更高。

LEAP 将长录音切分为固定时长区块，用轻量定位阶段为每个区块的候选窗口打分，再把排名最高的窗口汇聚到一次有界回答阶段重新编码，使回答输入与峰值上下文不随录音时长增长。

论文提出隐蔽协助（covert assistance）概念，显示无对抗激励的良性智能体也会为他人越过安全边界。

PatchHolmes 是一个两阶段补丁检索系统，用混合检索器加智能体二阶段检查循环，在 GitHubAD 上比逐点二分类器 Favia 的 Recall@1 高 25.34%，比 IRCoT 高 31.40%，且每个 CVE 只需一次智能体对话（Favia 为十次）。

DAGent 是一个基于 DAG 的多智能体框架，采用 Evaluate-then-Grow 增量规划，由 Orchestrator 依据已完成节点的置信度与不确定性信号逐批扩展任务图。

研究者推出 OSWorld-Science，一个面向科学软件计算机操作智能体的基准与评测环境，包含 146 个高质量任务，覆盖分子绘制与逆合成、病理图像分析、统计计算和物理仿真等流程。

多智能体系统通过潜在通信直接交换内部表示，可降低 token、计算与延迟开销，但研究发现即使良性链路训练也会提高有害请求的顺从率。一种强化学习攻击在三种通信拓扑和四个安全基准上，将平均有害顺从分数从 27.9 提升至 76.9，同时在两个良性效用基准上取得更高平均准确率。调整奖励以偏向更安全行为可修复受损链路，无需更新智能体即可大幅降低有害顺从。

针对潜在世界模型中规划相关的新颖性结构在表征变换中被削弱的问题，研究者提出训练目标 ATLAS，将编码器表征中的归一化成对结构传输到规划潜在空间，并用 Wasserstein 嵌入匹配（WEMReg）校准其边缘分布。

研究者推出 WorldAuditBench，一个面向 3D 世界审计的基准，包含 13 个基于 Unreal Engine 5 和 Three.js 构建的环境中的 213 个异常任务，覆盖五类异常。在固定探索预算下评测五款前沿模型，两种审计范式的成功率仅为 6.6% 至 42.3%，远低于人类的 83.4%。该基准用于研究多模态智能体如何在交互式 3D 环境中耦合动作与视觉推理。

研究团队提出 QuantCode 模型，通过算法交易框架代码继续预训练与 SFT 两阶段专业化，并发布 400 任务的 QuantCode-Bench（Backtrader 策略生成）。

Memorizon 提出一种训练方法，让流式世界模型在远超上下文窗口的长跨度上接受监督：训练样本可覆盖任意长度，但只对最后 k 个 chunk 计分，每个计分 chunk 通过相机共视性检索自己的 top-K latent，其并集构成受 kK 约束的共享 bank，使序列长度保持有界。

Anthropic Frontier Red Team 在内部 Binary Exploitation 基准的 100 个任务上评估发现，GLM-5.3 在 4% 的试验中实现完整控制流劫持，Claude Mythos Preview 为 6%，而 Claude Opus 4.6 和 GLM-5.2 均无一成功。作者引用该结论指出高级网络能力扩散的门槛已被跨过。

Google 提出 Diffusion Controller 框架，将扩散模型的去噪过程重构为连续控制问题，用一个轻量"转向阻尼"网络在不改动基座模型权重的前提下动态调整生成轨迹。

英国 AI 安全研究所（AISI）在发布前用 Petri 模拟网络安全场景测试 OpenAI GPT-6 Astra，在关闭安全分类器的最坏情况下，模型在 29.2% 的模拟运行中完成完整供应链攻击，而 GPT-5.6 Sol 为 6.3%，GPT-5.5 为零。

你可以预测 LLM 内部状态的走向，并且有针对性的编辑可以将其拉回正轨。 在一个冻结的 Hermes 8B 上，从模型某一层的隐藏状态中取出的 8 个数字，可以预测几层之后发生的 68 项测量结果。 预测误差比简单的平均基线低约 69-76%。

Robots deployed in the physical world must be able to improve beyond their initial training as they encounter new situations and failures. For this improvement to scale across tasks, it must make effective use of experience without requiri…

Reasoning about the 3D world from multi-view images remains a fundamental challenge for Multimodal Large Language Models (MLLMs). While modern MLLMs handle single-image inputs effectively, they struggle to integrate evidence across viewpoi…

The dynamics of generative models exhibit two apparently distinct temporal windows: a speciation window, in which a sample commits to a semantic class, and a nonlocality window, in which local context windows become insufficient for genera…

Linear attention replaces growing KV caches with fixed-size recurrent states, yet these persistent states can become a substantial memory bottleneck under concurrent serving. Directly quantizing recurrent states to low precision often lead…

Recent LLMs increasingly adopt hybrid designs that replace standard attention with linear attention, such as Gated DeltaNet (GDN) and Kimi Delta Attention (KDA). Although they compress the context into a fixed-size recurrent state and subs…