AI 论文与研究

Traffic signal control (TSC) is essential for improving urban mobility and reducing congestion. Although roadside cameras are widely deployed at signalized intersections and provide rich visual observations of evolving traffic, existing TS…

Recently, Group Relative Policy Optimization (GRPO) and its variants have been developed for policy optimization and demonstrated notable performance gains. However, these methods usually incur substantial computational overhead due to per…

Reproducibility is essential for scientific research, yet prior work shows that LLM outputs vary with hardware and batching. We identify an overlooked factor: the hidden injection of the current date into system prompts, which users cannot…

Many computer tasks recur: the same workflow runs many times, with new inputs and from different starting states. Current computer-use agents re-plan every step of every run, which makes them costly and unreliable on such tasks. We introdu…

Recent power measurements provide valuable information for photovoltaic(PV) power forecasting, but directly extrapolating short-term trends can introduce substantial errors over longer forecast horizons. To address this challenge, we propo…

You Only Edit Once： 通过局部示例精修激发 LLM 的上下文能力 挑选最佳少样本示例是一种缓慢的 System-2 搜索：组合爆炸，且往往需要反复调用 LLM。 我们把它变成了 System 1。⚡ Jev-LDE，一个 1.7B 的编辑器，扫一眼检索到的示例，只做一次编辑。LLM 只回答一次。 平均 1-shot 准确率 81.2 → 88.1 You Only Edit Once 🧵 动画演示（示意示例）。查询：“How far is it from…

苏黎世联邦理工学院软体机器人实验室基于常规仿人机械手，用强化学习训练出可依靠指尖自行行走的机械手，整机重 818 克，搭载树莓派机载计算机可独立运行。该机械手在 NVIDIA Isaac Lab 仿真平台完成训练，已在沥青、草地、碎石等 14 种表面爬行，25 次被碰倒中 21 次能自主站起；手指仍可恢复普通操作，敲键盘正确率达 90%，并通关推箱子游戏、定位精度达毫米级。

MIT 研究者 Brian Hedden 与 Manish Raghavan 系统评估了针对算法单一栽培的主要反对意见，发表于 Philosophical Perspectives。

Amazon AGI 提出 AutoGym，可从少量领域种子或过往模型轨迹出发，同时生成任务、可执行环境和验证器，用于为智能体自动构建 RL 训练环境。作者将其定位为"blueprint-first"的可验证 agent gym 生成方法，并强调创建 RL 环境正成为一项重要的 AI 工程技能。

据彭博社报道，20 多名 AI 行业领袖在一篇新论文中警告，用 AI 自动化下一代模型研发可能导致技术进步突然加速的智能爆炸，其速度或超过社会适应能力。联署者包括 Anthropic 联合创始人杰克·克拉克、OpenAI 首席科学家雅库布·帕乔茨基、杰弗里·辛顿、约书亚·本吉奥等。

研究者提出 Hindsight-Divergence Localization（HDL），利用后见诱导的 token 对数似然变化来选取分支点，只从关键位置生成续写并仅用新生成的后缀更新策略。在数学、代码和智能体任务上，相比同等组规模与训练步数的 GRPO，HDL 生成 token 最多减少 2.5 倍、rollout 墙钟时间提速 1.8 倍，智能体任务性能最高提升 12.5 分。

OTRetarget 提出一种统一方法，可从人类演示中联合重定向机器人与多物体运动，通过带符号距离、最近表面点和相对方向表示表面交互，并用熵最优传输在人体、机器人与物体几何间迁移这些量。

研究者提出长时视频掩码 Transformer（LVMT），用轻量 GRU 时序传播模块自适应选择跨时间保留的对象信息，并引入 Truncated Query Propagation（TQP）训练策略，按帧块处理视频、仅在块内反向传播，从而在长视频上实现更长时序监督且不爆显存。

研究者提出长视频记忆框架 Grounded Entity Biographies（GEB），将跨片段的同一物理实例的视觉观测归组为可检索的"传记"，并在问答时与情节证据一同检索，让模型沿身份链接追踪实体。

FocusVTC 通过自适应分辨率打破视觉文本压缩的固定分辨率权衡，在保留通用多模态能力的同时压缩输入长度。在 RULER v1 上以 72 DPI 取得 87.4 分、2.9 倍输入压缩，超过 Glyph 的 57.5 分；LongBench 得分 56.40 高于文本输入基线的 55.86，MRCR 宏平均提升 13.91 分，在线端到端延迟较纯文本提速 2.79 倍。

SkillGym 提出一套自动流水线，从互联网抓取技能并筛选可离线复现的工作流，通过 builder-reviewer 流程构建四类难度可控任务，每个任务配有参考解和可执行验证器，共建成 6.8k 个环境、收集 19k 条验证成功的轨迹用于监督微调。

研究者推出 RLE-Bench，一个覆盖交互控制、策略学习、感知与估计、机械设计四类机器人开发流程的基准，用于评测编程智能体的工程能力。该基准按任务特定指标评估智能体提交的产物，并汇总为 RLE Index，同时给出各流程的能力画像，还通过案例研究分析智能体的行为与局限。

研究者提出 ActFirst-OPD，一种"先行动、后推理"的 on-policy 蒸馏训练框架，将环境交互与完整回复生成解耦：学生模型借助参考条件逆动力学推断并执行动作，当实际转移偏离参考轨迹时切换为自主预测下一动作，再异步生成完整 think-then-act 回复接受 token 级教师监督。

WorldLine 是一个动作驱动的视觉模拟器，将可迁移的动力学学习与异构动作对齐解耦，基于超过 10,000 小时无动作机器人视频学习操作动力学，并用超过 2,000 小时、覆盖十余种本体的动作轨迹完成对齐。

研究者提出 RouteFM，通过跨异构路由环境的片段式预训练学习可复用的 LLM 路由能力，让冻结的路由器仅靠上下文即可适配新环境，而非绑定固定模型身份。在未参与预训练的 MMR-Bench 上，每个候选模型仅用 8 条观测，RouteFM 就比最强基线高出 2.23 个质量分。代码已公开。

针对现有智能体技能优化方法忽视公开技能库、仅依赖昂贵 agent rollouts 的问题，研究者提出检索增强技能优化框架 RASO，将外部技能语料作为先验知识，通过 Cross-Harness Adaptation 适配目标任务与 harness。

研究者提出 Parallel Power Tempering（PPT），用并行回火实现幂锐化采样，让多个不同锐化程度的副本并行交互，低幂副本负责探索多样推理路径、高幂链负责利用高概率回答，从而缓解探索与利用的权衡。PPT 缓解了此前幂采样器的截断偏差，并研究了有限内存与算力预算下的交换策略。实验显示其显著优于单链幂锐化采样，超过 RL 后训练模型，推理轨迹质量更高，性能甚至可比前沿模型。

研究发现预训练 Transformer 几乎不利用模型深度来跟随上下文中的引用链，13 个基座模型只能可靠跟随 1.4-3.6 行。在早期一层加入任务训练的 rank-8 LoRA 并冻结其余权重后，Qwen3-8B 在 24 行链上的精确准确率从 15.5% 提升到 99%，Ouro-1.4B 在八次循环后可跟随至少 160 行。

研究者推出 Chinese-Jev，将 Jev 这类 System One 模型扩展到中文决策任务，并发布评测基准 CJ-Bench。

多模态智能体框架 VideoLoop 通过外循环推理视频、内循环从无界文件系统检索历史观察并重写有界工作记忆，解决长视频理解中"语义抖动"导致的注意力崩溃问题。

针对自回归视频扩散在长时程 rollout 中误差累积的问题，研究者提出 Rollout-Marginal Distillation（RMD）：保留生成历史用于自回归预测，但用 chunk teacher 对每个 chunk 独立打分，避免质量修正被不完美的时序上下文干扰，随后再用 video-level DMD 恢复时序连贯性。

针对 OCR 奖励把汉字当作原子字符、忽略部件与空间结构的问题，研究者提出 IDSpect：用表意文字描述序列（IDS）将目标文本确定性分解为 IDS token，并把裁剪区域的视觉 IDS 预测与目标序列对齐，配合整字语义奖励提供细粒度反馈。

针对在线自蒸馏（OPSD）随模型规模增大而失效的问题，研究者提出 OASIS，仅用最终答案标签、以经核验的在线轨迹为主要监督信号，并用模型自生成尝试替代参考解答作为教师上下文。

RIDE（RL-Induced Direction Extrapolation）将强化学习相对基座检查点的表征偏移作为方向，在每一层和每个 token 位置计算教师与其 RL 前检查点的残差，并把学生隐状态回归到沿该残差外推的目标上。

研究通过保留每个注意力头、层和查询中注意力权重最高的 token 并测量 NLL 增幅，估算语言模型维持损失容差所需的"有效注意力集合"大小。基于注意力的选择显著优于随机选择，扩展上下文会增大所需集合大小，而重归一化保留权重可大幅降低该规模。

HybridCUA 提出让计算机使用智能体（CUA）同时编排 GUI 与 CLI 的训练方案，先构建含 5K 混合轨迹与 3K 可验证 RLVR 任务的 HybridCUA-8K 数据集，再经监督微调加 CLI 感知奖励的强化学习两阶段训练。

针对在线策略蒸馏（OPD）中教师模型需监督学生生成前缀、但自身仅按自有策略前缀优化导致续写性能随前缀变长而下降的问题，研究者提出协同训练框架 SCOUT，通过带可验证奖励的强化学习定期优化教师对学生前缀的条件续写能力。在多种教师—学生配置、模型规模和推理领域上，SCOUT 均持续提升在线策略蒸馏效果。

MILO（Meta-evolutionary Island Orchestration）框架让 Agent harness 与搜索策略协同进化，在 Terminal-Bench 2.1、PaperBench 和 DeepSWE 上超越 8 个 SOTA harness 和 6 种搜索方法。

HiRAE 提出分层表示自编码器，按深度对编码器各层分组并学习对最深表示的残差修正，用分组范数上限约束修正幅度、浅层预算更紧。HiRAE-24 保持潜变量 token 数与通道维度不变，在 ImageNet-256 上将重建 FID 从 RAEv2 的 0.299 降至 0.209，并维持有竞争力的引导生成质量。

针对 GRPO 等 RLVR 方法在有限 rollout 预算下产生全失败组、缺失策略梯度信号的问题，研究者提出 GRAFT 框架，用同伴模型轨迹替换全失败组，并通过序列级兼容性加权与 token 级重要性比率裁剪控制跨模型不匹配。

HeteroFold 是一种免预填充的跨模型族 KV cache 传输方法，可在发送方与接收方均冻结的前提下，对齐模型结构、将发送方 cache 映射到接收方空间并校准以保持接收方行为。

研究对比六款预训练语言模型的中间残差状态与自身最终状态及其他上下文的最终状态，发现模型自身终点在早期就优于平均替代项，但许多单个终点距离更近。竞争终点集合随深度总体收缩，但其成员不断变化，存活终点之间未必更相似；方向对齐和终点排名可以改善，而到最终状态的欧氏距离变化很小。

Scaffolding Minds 针对潜在推理两阶段框架的两个缺陷提出改进：用专门学习的 scaffolding encoder 在潜在空间提供优化目标，并同时学习 RL 采样器的均值和方差以支持探索。该方法在 FrozenLake 空间规划上比最强潜在推理基线提升 +9.5 分，32x32 网格上提升扩大至 +19 分，在九个视觉中心推理基准上平均提升 +5.6 分。

针对现有主动测试时适应（ATTA）方法默认每个测试批次都可请求监督、导致长测试流标注成本过高的问题，研究者提出预算受限 ATTA 设定，即仅少部分测试批次可获得标签，并将核心挑战从"批内标注什么"转为"何时施加监督"。

研究者提出一种针对黑盒 LLM 的越狱框架，仅通过纯文本续写接口即可实施受控解码攻击，无需访问模型权重或 token 概率。