AI 论文与研究

研究者提出全自主框架 Agentic Idea Manager（AIM），用于管理并探索"想法驱动"的自动化研究，通过 Agentic Surrogate 与 Agentic Acquisition 机制组织并筛选研究想法，并以 Solution Auditor 维护想法与实现的一致性。

LongLive-Plug 是一个一次性蒸馏框架，把可复用能力以 LoRA 形式学在基座模型上，无需重训练即可即插即用到兼容的下游模型。这些能力涵盖单次 classifier-free guidance、少步采样和自回归生成的长上下文纠错，即使下游模型新增条件分支或扩展输出通道仍可复用。团队在三个骨干家族、八类任务的 54 个下游模型上验证了免训练部署，包括世界建模、机器人、编辑和多模态生成。

研究团队提出 LIFT，一个统一的图像到视频生成框架，用末帧布局作为显式控制信号，让用户指定未来视角中出现什么内容及其位置。由于稀疏布局引导比逐帧密集布局更难学习，LIFT 引入 on-policy self-distillation（OPSD），将密集布局教师模型的控制能力迁移给末帧布局学生模型。

针对音视频大语言模型（AVLLM）的"来源混淆接地幻觉"，研究者通过路径干预与表征分析发现"问题中继"机制：问题状态会携带干扰模态的线索，削弱对所需模态证据的接地。

论文提出 Context Language Models（CLMs），将上下文视为文件、由模型自由更新以原生管理自身上下文。

苹果研究者提出往返协议，用生成器把算术表达式转成文字题、再由独立提取器还原，并以符号等价作为精确判定，测试十六个模型的所有两两组合。结果显示该通道有损且不对称：交换生成与提取模型可使准确率相差最多 60.4 个百分点，最佳组合达 92.9%；至少 73.6% 的失败源于生成端，难度由树结构而非模型家族决定。

研究者提出免训练的后门移除方法 NEEDLE，通过激活向量估计后门方向与拒绝子空间，再施加顺序权重正交化，在压制后门的同时避免改变拒绝相关表征。该方法无需干净参考模型或原始投毒训练数据，在多种模型家族与攻击类型上取得最低平均攻击成功率，其中代码注入攻击为 0%，同时 KL 散度最低，能力与安全性变化极小。

Prompt2Skill 框架仅凭自然语言任务描述即可为 LLM 构建技能：从提示词推导任务规范、发现或合成数据集，并通过反思式编辑的闭环迭代优化技能。在问答、阅读理解、表格操作和数学推理四个领域，该方法在开源与前沿模型上平均提升 10.8，稳定优于直接提示基线。

针对传统 token-wise MoE 因均匀专家使用正则化导致的"均匀性陷阱"，SplitMoE 提出分角色稀疏架构，将专家池拆分为语义专家与通用专家，配合原型引导路由和拉推正则化，让 token 按语义属性自然聚类。在等效激活参数预算下，SplitMoE 在收敛速度、路由一致性和视频生成质量上均优于传统负载均衡 MoE。

研究者提出 SMART，一个面向长篇幅字幕翻译的自进化多智能体系统，通过测试时训练构建剧集级持久记忆，并用动态路由与 Mixture-of-Agents 层完成翻译。

改进的分布扩散模型（DDM）通过将粒子扩展推迟到 Transformer 后层，并引入基于动力学区间的时间相关评分规则调度，解决了多粒子训练开销随粒子数增长、评分规则超参数全局固定的问题。

研究者推出 LibraryDesignBench，一个两阶段基准，让智能体根据只定义能力与用例、不规定设计的规格实现完整代码库，再由来自不同模型族的三个用户智能体以程序正确性和简洁性评估。

研究提出 MIST（Misleading-Image Stress Test），用 200 个可作比喻或字面理解的英文句子，分别配对齐图像、误导图像或无图像，要求仅凭句子作答。

EmoRES 提出一种免训练的情感 TTS 向量引导方法，将情感向量拆分为共享分量与残差分量并分别控制，无需重训主干模型。

SaveRouter 是一个稀疏监督的 LLM 路由框架，只选择性获取有信息量的模型反馈并在相关查询间共享能力信息，在四个路由基准上仅用约 33–41% 的可用训练反馈就保持或超过竞争方案的 routing 质量，并将盈亏平衡部署量较最快的传统路由器降低约 1.9–9.5 倍。该研究同时把监督开销与后续服务节省一起纳入评估，发现最小化服务成本的监督水平未必等于最早回本的监督水平。代码已公开。

针对联合音视频扩散模型的多奖励强化学习，研究者提出 Adaptive Reward Routing，在 DiffusionNFT 前向过程 RL 中同时自适应调整更新位置与奖励协调方式。

研究在 470 万条关于提示注入与隐瞒行为的解释上，比较了模型计算信号与仅用聊天结构训练的排序器，发现聊天结构通常能选出更相关的解释，且无需为位置选择做一次模型前向传播。在四个数据集中的三个上，只解释 5% 的位置就能保留解释全部位置时几乎全部的成功率。预训练 verbalizer 还能在无需额外训练的情况下还原模型经微调学会隐瞒的词语。

研究者提出 ALICE，一个仅用合成分布训练的基础模型，可在上下文内估计未见分布的 rectified-flow 速度场，并通过固定恒等式积分联合场与条件场之差的平方得到互信息。ALICE 无需按分布单独训练，原生支持不同数据维度和样本数量，在标准基准及生物学、遗传学、神经科学三个领域实现零样本互信息分析，首次让单一模型追平按分布分别训练的神经估计器。

Real2Gym 是一个 Real2Sim2Real 智能体框架，能把人类和机器人演示视频转成可交互仿真训练场，并将仿真中学到的技能迁移到实体机器人。其仿真环境重建成功率比 GPT-6 Astra Direct Mode 高 16.7%，策略执行 token 减少约 74.9%；在真实 Franka 机器人四项任务上，实体执行成功率高出 33.3%。

研究通过配对 I2I 生成与 I2T 理解任务发现，在合适训练配方下 I2I 训练能提升下游 I2T 表现，且 I2I 训练数据越多增益越大。

研究者提出 CorpusMap，一种围绕语料中反复出现的实体组织文档的导航层，将每个实体表示为 Entity Page，聚合并链接所有提及该实体的文档，形成可供智能体遍历的实体—文档图。

Rules to Tools（R2T）为科学计算场景的 LLM 智能体提供公开科学需求的可执行检查。在匹配的 SciCode 修复任务中，文本组完整修复 26/30，工具组 29/30；8 个任务 ID 队列为 13/16 对 15/16，而更大的共享定义队列两组均为 13/24。

一项研究通过配对预测框架测量科学解释对实验预测的增益，覆盖 336 个前瞻状态、12 个 Tox21 端点和 24 个 OpenML 任务，v5 的冻结信用判定为不确定。

EVO-WAM 让世界动作模型无需额外专家演示即可适应新任务，通过状态预测与锚定多帧上下文实现自回归 rollout，并用视觉语言模型筛选完成任务的前缀、以逆动力学模型验证视频-动作一致性后迭代训练。

针对循环推理模型固定更新尺度的问题，研究者提出 Trajectory Adaptive Progress-Fluctuation Scheduler（TAPS），通过在线追踪持续进展与中心波动的平衡来自适应调整步长。

MemFold 通过同策略优化训练固定预算的软记忆，将查询条件下的文本记忆压缩为 K 个连续向量作为读者模型的记忆接口，并以任务结果的组相对奖励和置信门控的同策略蒸馏两种信号训练。

PreviewDiff 是一种免训练测试时搜索方法，把扩散采样从标量搜索变为对中间潜变量的多模态评审引导搜索：在选定的去噪检查点解码部分预览，由多模态评审模型打分并给出自然语言批评，据此在语义提示词编辑和局部重新加噪的潜变量延续上分支，再对分支打分并选择性推进。在图像和视频生成基准上，它持续优于同等预算的 Best-of-N 选择和强标量搜索基线；消融显示更早介入和更大搜索宽度收益最大。

20 多位 AI 研究者在论文中警告，自我改进的 AI 可能引发智能爆炸，签署者包括 Geoffrey Hinton、Yoshua Bengio 和 OpenAI 研究负责人 Jakub Pachocki。

FuseReg 正则化层融合缓解表征自编码器中的重建-生成差距 论文：https://huggingface.co/papers/2609.31620

Realistic and editable animal fur reconstruction from multi-view images is challenging due to fine-scale detail, self-occlusion and obfuscation, and, unlike human hair, the lack of animal-fur datasets. Fur usually covers most of an animal'…

One deployed language model must often serve many compute budgets, yet serving each budget still means a separate training or compression run per point. We train a Telescopic Language Model (TLM) to be that continuum: a nested-capacity Tra…

Modern video diffusion models require tens of denoising evaluations over long spatiotemporal token sequences. Distribution Matching Distillation (DMD) reduces the number of function evaluations (NFE) to just a few. However, DMD samples can…

Unified multimodal models can both look at and render images, so in principle they can repair their own generations: diagnose what an image gets wrong, revise it, observe the result, and diagnose again. Whether a revision helps is known on…

Identifying intertextual references is central to literary scholarship, but computationally difficult when source material is transformed through paraphrase, allusion, historical language, and translation. We investigate this problem throu…

\emph{Distributional training} provides collective supervision for one-step visual generation by matching real and generated features in frozen representation spaces. We introduce \emph{a unified theoretical framework} that separates distr…

When a large language model (LLM) agent executes the same task, token consumption can vary by over an order of magnitude across runs. The agent chooses its next steps based on tool feedback and intermediate results, while the growing conte…

LLMs have demonstrated strong capabilities in creative writing. However, scaling them to full-length novels remains challenging, as maintaining narrative consistency becomes increasingly difficult. Existing story-generation methods typical…

We present a representation-learning framework for composite adaptive tracking control under dynamically coupled disturbances. The framework connects classical disturbance-accommodating control (DAC) to recent last-layer adaptive disturban…

We introduce Neural Harmonic Measure Operator (NHMO), a neural solver for elliptic PDE problems on variable-shape domains. The harmonic measure of a domain is the boundary probability distribution that, integrated against any boundary data…

Looped Transformers reuse one block of layers several times: by spending extra computation they push a model of fixed size further, and so use its parameters more fully; while sparse mixture-of-experts (MoE) models activate only a few of m…