AI 论文与研究

In this paper, we are concerned with matrices formed by block-diagonal factors interleaved with fixed permutations -- a flexible family of structured matrices. This class has recently drawn interest in deep learning architectures for its b…

KV-cache eviction is typically evaluated through average quality-memory trade-offs, yet a small average loss can hide requests whose utility degrades materially. We reformulate eviction as a deployment risk-control problem: a material degr…

Pruning large pre-trained transformer-based ASR models such as OpenAI's Whisper has seen great adoption, as pruning the decoder led to significant end-to-end transcription speedups. For instance, the {\tt whisper-large-v3-turbo} variant re…

The surge in AI-assisted generation of educational materials has outpaced our capacity to validate their pedagogical quality. Automated evaluation using Bloom Classifier models is a promising approach to assess educational materials at sca…

Vision-language-action models (VLA) promise human-steerable autonomous driving, but their training is bottlenecked by the scarcity of frames paired with natural-language instructions: while camera streams and expert trajectories are logged…

This paper advocates category theory as a practical framework for structuring and improving rein- forcement learning in high-dimensional, partially observable environments. We model symmetries between environmental states by partitioning t…

In value-based reinforcement learning, improving the accuracy of policy evaluation has been shown to improve downstream policy optimization performance. The widely adopted family of approximations relying on $n$-step truncation yields comp…

We propose the Memory-Efficient Neural Operator (MENO) as a high-performance PDE neural solver based on the Manifold Function Encoder (MFE). MENO features three primary advantages: (1) MENO has a significantly smaller memory footprint and …

Newton-Schulz (NS) iteration has recently been used in the Muon optimizer to transform update matrices during the training of large language models. Motivated by its spectral effect, we investigate applying NS directly to Transformer atten…

Vision-Language-Action (VLA) policies often rely strongly on the camera viewpoints seen during training, causing substantial performance degradation when deployed from unseen perspectives. Collecting demonstrations from sufficiently divers…

百度智能云灵医大模型在医疗大模型评测平台 MedBench 更新榜单中以综合得分 76.1 位列第一，并在医学知识问答、医学语言生成（并列第一）、复杂医学推理、医学语言理解等细分维度领先。灵医以智能体 Harness 架构为基础，依托持久会话记忆、技能管理和多智能体协作等机制面向真实临床场景持续优化。相关产品已累计落地医院客户 800+ 家、基层医疗机构 4000+ 家。

OpenAI 发布开放基准 MentalHealthBench，评估 AI 在真实心理健康对话中的表现，由来自 22 个国家、19 种语言的 80 多位持证心理学家和精神科医生共同构建。

JevBench v1.4.1 发布，这是 Benchmark Heaven 面向 Jev 类决策模型的可重复基准，输入状态与有界评分标准、输出类型化答案，基于 534 个公开加 308 个密封决策、协议 jevbench::v1.4 评分。榜单共 77 个系统，Jev 1.13.0 以 77 分居首，JevK5 v0.2.0 与 Hopper 分列二、三。

论文《Look Light, Think Heavy》指出多模态模型存在"看轻想重"问题：看图越来越浅、语言推理越来越长，靠语言自迭代和解释脱离视觉本身。GPT-6 上这一现象越来越明显，在 image 2.5 的使用中造成明显干扰与脱节，作者认为用解释代替观看也是人类常犯的错误。

数学领域公开披露的AI使用率在不到6个月内从1.39%升至14.09%。 作者扫描了2026年3月1日至8月20日期间发布的32,944篇数学相关arXiv论文。 证明构建是最大的类别，出现在1,225篇论文中。 AI在数学各领域的渗透并不均衡：组合数学的AI辅助论文总数最多，而度量几何中自身论文使用AI的比例最高。

DeepSeek 发布 DSec（DeepSeek Elastic Compute）论文并署名梁文锋，公开用于 Agent 训练的沙盒基础设施技术细节。

斯坦福与牛津论文 MedRSI 显示，医疗智能体可从自身错误中自我改进，但新能力须先在后续新患者上验证才能固化。若每轮都立即注册新工具，第 30 轮准确率降至 76.9%（57 个工具）；放慢注册、仅保留 18 个工具时准确率达 94.4%。该智能体还会优先处理可能造成更大临床危害的错误，而非仅关注最常见错误。

感谢 @ValsAI 的高水准评测！"flash"这个词现在有点"误导性"了。Ling-3.0-flash-fin 总参数 124B、激活 5.1B，是一款高智能密度的"flash lite"。趁免费 API 还在，尽情享用吧。我们还有 fp4 量化版本可用于本地 AI 😛

Redwood Research 测量 GPT-6-Astra 在提示词中加入无意义填充 token 后的表现，发现其在要求大量串行认知的任务上显著提升，4-hop 自然事实推理从约 10-20% 提高到约 50%，旧 AIME 题从约 60-70% 提高到约 90%。

论文提出 Just-in-Time Memory（JitMem），保留原始轨迹并把记忆整理推迟到读取时，由整理器根据当前任务合成任务自适应的紧凑载荷。在 ALFWorld、WebShop 和 τ^2-bench 上，JitMem 分别超过最强基线 16.2、16.3 和 3.9 个绝对成功率点，未训练的整理器也已与基线相当或更优。

Apple 提出 probe guidance，利用现有扩散模型冻结的内部状态构建引导信号，无需在推理时增加额外前向计算，即可让弱模型与强模型保持相近动态。该方法在连续扩散语言模型的无条件生成上取得新的 SOTA，应用于 1.7B 扩散语言模型时在多项选择题基准上持续提升。研究还发现，传统 autoguidance 中的弱模型必须来自训练的低熵区域。

研究者提出 Agent-Editing World Model（AEWM），不再模拟工具响应，而是建模推理与动作如何塑造任务进展，通过 Action Judge 区分 Critical、Exploratory、Noisy 决策，并用 State Revision 编辑噪声推理-动作续写。

DeltaWAM 用稠密锚点、稀疏 delta 与动作三路流联合预测视觉变化量和动作，替代传统世界动作模型对完整未来帧的稠密预测。在 RoboTwin 上配合 Streaming Delta Memory（SDM）后，平均成功率从 Fast-WAM 的 81.3% 提升至 85.4%，视觉随机化下从 75.8% 提升至 83.9%。

研究者在将 Qwen3-4B 和 Qwen3-8B 蒸馏到 Qwen3-1.7B-Base 时发现，潜在监督会让 MATH-500 准确率在 10 步内从 25 升到 46，随后却崩到 11 且无法恢复，而对齐指标仍在持续改善。

Epoch AI 更新并扩展了 OECD 的半导体拆分投入产出表，将半导体增强版 ICIO 数据更新至 2016-2022 年，并按处理器、存储和其他芯片进一步细分，其中韩国出口的堆叠存储（含高带宽内存）单独可见。该表可追踪各国半导体的最终买家，并衡量各国支出对外国芯片生产商的暴露程度，用于校准贸易模型、估算贸易战或自然灾害等供应链冲击的影响。

FLEET 将每次生成表示为熵超过阈值的稀疏轨迹，并据此推断逐 token 效用分数来调整 logits，从而在生成过程中引入记忆机制。基准评测显示，FLEET 在达到与重复采样基线相同准确率的同时实现 3x 加速，并在相同预算下将 LiveCodeBench Pass@32 从 59.9% 提升至 66.2%。

研究团队发布 StudentBench 评估套件与公开平台，基于超过 175,000 条学生-AI 消息和 2,383 名参与者的数据，发现 AI 辅导在 GRE 学习增益上与专家人类辅导统计等效（p = .015），七个 GRE 领域中有五个领域表现最好的 AI 辅导者平均超过人类。

VHD-Play 提出先采样并求解数学模型、再由 corpus-grounded setter 将决策过程渲染为有状态工具的环境生成流程，可执行动态与轨迹评分标准均继承自同一已解模型，以每个几美分的成本生成 3,300 个智能体环境。

TimeEvo 提出一种失败驱动的时间序列智能体自进化方法，通过将诊断出的失败聚类为能力缺口、为每个缺口规划度量、合成仅基于证据的工具，并经配对准入机制筛选候选工具库。在十个时间序列 QA 任务和三个骨干模型上，TimeEvo 从空工具库起步，在每个任务和每个骨干上都提升了准确率，且在廉价模型上成长出的工具库装入更强模型后仍能带来增益。

Morphometric Imitation 提出三阶段框架，将重建的人手-物体交互转化为零样本 sim-to-real 视觉运动策略。在三种机器人手和十种 HOI 上，其 MMO 的接触 F1 比五个基线中最强者至少高 8 分，下游动态重定向成功率最多提升 35 分；最终策略在 30 个物体、300 次真实世界试验中实现 89.3% 零样本成功率。

论文提出用证明长度与陈述长度之比衡量定理的内在有趣度，并证明其与下游实用性相关。作者训练了一个 27B 模型预测证明难度，准确率超过前沿通用模型；按该指标优化后，生成定理与 Mathlib 的实质性或完全重合率从 91.9% 降至 30.6%，系统可迭代构建自扩展的机器验证数学库。

研究者发布数据驱动的机器人仿真器 Uranus，基于关节轨迹条件的自回归扩散模型，可在线接收未来关节位置轨迹并逐步自回归生成隐帧，每步对应四帧 RGB，无固定时长限制。经推理优化后生成速度达 24 FPS，并提供统一接口支持多种机器人形态与相机配置的同步多视角生成。代码与模型权重已开源。

WhatWorkedBench 被提出，用于衡量 AI 研究智能体的实验理解能力，即预算受限实验后对组件改动效果的预测准确度。基准覆盖 30 个数据源、8 类工作流的 36 个任务，含 1248 条配置记录，核心评测整合 4206 条数值控制记录与 108 个智能体 episode。对同一批智能体观测拟合高斯过程后，Flash 队列的效果恢复率从 0.632 升至 0.698。

Epoch AI 推出家具组装基准 FAB，用 60 张宜家家具组装照片测试模型的视觉与空间推理能力，模型需找出错误步骤并描述问题。OpenAI 的 GPT-6 Astra 以 80% 登顶，每张照片中位耗时 3 分钟，比此前领先模型快 2 至 10 倍；Claude Fable 5.1 和 Claude Opus 5 分别为 70% 和 61%。

上海AI实验室推出 InternW 物理世界模型系列的首个模型 InternW0，通过非对称视频动作架构结合 flow matching 联合学习未来视觉动态与连续机器人控制，视频专家提供长时程预测上下文，轻量动作专家以更快频率运行，并通过复用层间 K/V 和观察条件上下文路由避免每次动作更新都重新生成未来。

腾讯混元发布开源 MoE 大语言模型 Hunyuan-A13B，总参数 80B、推理仅激活 13B，以平衡能力、效率与部署成本。模型在经严格筛选的 20T token 语料上预训练并加强 STEM 数据，再经 SFT 和大规模强化学习；引入双模式 Chain-of-Thought 框架，简单问题用快思考、复杂多步问题用慢思考。

研究者提出 EmbodiedMemory-Bench（EMem-Bench），包含 4 类任务家族共 2,554 个交互 episode，要求智能体从交互历史中构建并更新记忆，再据此在环境中完成后续任务。

研究团队提出 EmbodiedSWE 框架，并构建 EMBODIEDSWE-BENCH 仿真基准，覆盖富接触操作、可变形物体及需长达半小时连续交互的长时程任务，发现前沿编码智能体可求解复杂长时程任务并跨任务、跨本体迁移已有解法。

研究者提出按"留一法"对 WER 影响排序来剪除 Whisper 编码器层，去掉影响最小的 6 层，占编码器堆栈的 18.5%，剪枝后模型无需自定义推理代码。再用无标签单语语音数据蒸馏恢复性能，四种语言平均 WER 从零样本剪枝的 21.9% 降至 20.1%，基线为 18.2%。代码与剪枝模型已开源。

MemBodied 是一种固定大小的情景记忆机制，为 Vision-Language-Action 模型提供跨策略调用的联想状态和保留初始场景的 episode anchor，避免直接堆叠历史观测。