AI 论文与研究

We study body-only, 12-class acted-emotion classification from skeleton motion under leave-performer-out (LPO) evaluation, a hard, underdetermined setting: chance is 8.3%, and a protocol-matched reproduced STGCN++ baseline reaches only 25.…

Test-Time Adaptation (TTA) has recently emerged as a promising strategy that allows the adaptation of pre-trained models to changing data distributions at deployment time, without access to any labels. To mitigate error accumulation, resea…

Text-to-image (T2I) models have achieved remarkable success at faithfully rendering specified objects and attributes, yet their ability to produce visual metaphors, images that convey abstract ideas by combining elements from two distinct …

Recommender-system experiments often rely on a single random training seed, assuming that run-to-run stochasticity has limited impact on evaluation conclusions. This assumption is risky, as a training seed may influence several algorithm-d…

Zero-shot graph anomaly detection seeks to deploy a detector trained on source graphs to unseen, unlabeled targets, yet domain shift can make source-derived notions of normality unreliable. We introduce RINSE (Robust Iterative Normality Se…

作者转发引用 @ao_qu18465 的文章，主题为 REEF，一个面向自我改进智能体（self-improving agents）的持续学习基础设施，原文链接 https://x.com/i/article/2094850055132024832。作者本人未补充正文内容。

论文提出神经网络向量表示隐式实现了 Tensor Product Representation 符号结构，作者用 DISCOVER 方法将多种网络（含 Gemma-3-27b、GPT-2-XL、GPT-OSS-20b、Pythia-12b、Qwen3-14b、OLMo-2-13B、Llama-3.1-8b 共 7 个 LLM）的表示替换为符号化闭式方程，模型行为基本不变。

Microsoft 论文《Sliding-window beats linear attention》发现，目标是降低推理内存时，免训练的滑动窗口注意力（SWA）优于多数改造的线性注意力方法，只需保留小窗口加前 4 个 sink token。

新论文《JIT-Agent： Scaling Harness Intelligence via Just-in-Time Harness Evolution》提出 JIT-Agent，可按需为具体任务生成 agent harness，动态决定记忆、规划、动作、工具和技能的组织方式。

Meta FAIR 发布论文 ADeptS-Bench（arxiv.org/abs/2608.26204），在移动和桌面双平台上用配对的 benign/恶意 GUI 任务与歧义指令评测 7 个模型。

PromptArmor 基于一个十人团队 30 天的 310,009 条 OTel 遥测事件分析 Claude Code 和 Cowork 的安全与成本。

论文提出 AgentFold，将折叠模型开发建模为对可执行代码变体的闭环智能体树搜索。智能体从紧凑的 ESMFold 衍生模型出发，提出架构修改、实现调试、运行训练，并记录成败经验决定分支算力分配。

美联储达拉斯联储发布报告，称 GenAI 暴露度较高的得州企业招聘岗位减少 8-9%。报告将 O*NET 任务映射到 Claude 实际使用情况来度量暴露度，并与 Lightcast 数百万条在线招聘数据关联。

arXiv 论文《Selective Forgetting： A Graph-Based Memory Framework for Long-Term LLM Agents》将对话轮次抽取为带类型节点和属性边，从两跳子图作答。

一篇论文提出将 LLM agent 的执行轨迹压缩为单个紧凑的有限状态机（FSM），用于预测下一步动作和识别失败运行。

Agent Zero Memory 提出溯源感知的长期记忆架构，把情景事件时间线、实体-事件知识图谱和精选的文档式记忆三条系统并行跑在同一历史上，检索经意图门、来源路由和三路并发 agentic 搜索完成。

因果基础模型（CFMs）将基础模型范式引入因果推断，通过预训练神经网络在新数据集上利用上下文学习直接估计平均处理效应等因果量，无需更新模型。本文为该新兴领域提供实用导论，先梳理因果推断与机器学习必要背景，再讨论CFMs，并附示例代码与Jupyter notebooks。

论文提出 EarlyEval，一个通过提前结果预测降低 LLM Agent 评测成本的轻量框架。它训练一对 LightGBM 成功与失败分类器，基于行为、文本和参考解特征，在达到校准置信阈值时提前终止 Agent 运行。

新框架 Conformal Relevance 通过上下文示例筛选与集成构建评分函数，在保持覆盖率的同时提升简洁性，且几乎无需人工干预。研究在七项 NLP 任务上验证了该框架，并从理论上给出互补性条件与集成改进的饱和界，刻画了集成多样性对最坏情况句子评分的影响。

异步同策略蒸馏（OPD）中教师节点 GPU 利用率平均仅 9.8%，59% 时间低于 5%。TGOPD 利用空闲算力生成教师探针，由验证器评估各提示词下教师可靠性，仅在通过门控时启用密集 token 级 OPD 信号，否则改用验证器驱动的 GRPO，将教师节点平均利用率提升至 78.9%。

论文提出 RoboTok，一个互联网规模数据引擎，输入人类操作视频即可从网络视频中检索与操作相关的人类示范，用于训练灵巧机器人策略。方法基于估计的演员中心参考系中的 3D 手部轨迹学习潜在运动空间，使操作行为的比较不受相机视角、场景外观和演员遮挡影响，并支持互联网规模视频的高效搜索与持续索引。在检索基准和下游策略评估中，RoboTok 检索出更相关的示范并提升了下游任务成功率。

Microsoft Research 发布 VibeVoice-ASR-Streaming 技术报告，提出基于 LLM 的端到端流式说话人归属 ASR，将音频块、0.5 秒 lookahead 和已有文本交错在单一自回归上下文中，无需独立 diarization 阶段即可随语音到达输出谁说了什么。

论文提出端到端后训练管线，用 22，000 道精选题目、合成推理轨迹、SFT 和 RL 训练 Nemotron-3-Nano-CC（30B-A3B），并以 SFT 训练 Nemotron-3-Ultra-CC（550B-A55B），同时引入迭代生成、评估和改进解法的 GenCorrect 测试时计算策略。

论文研究 LLM 与非语言智能体（如棋类引擎）的协作，发布包含六个国际象棋协作任务的 LLAMIA-Bench，并提出将子智能体连续表征直接投影到 LLM token 流的潜在状态内化方法。

论文提出 Repo-To-Skill 与技能驱动的智能体 DisCo，将 GitHub 仓库中的操作性知识蒸馏为可复用技能，分为任务无关和任务导向两种形式。任务无关蒸馏产出 AREX-Skill Library，从 1，000 个常用 ML 仓库蒸馏出 5，000+ 个经核验的技能，按 20 个领域、178 个能力族组织。

论文提出 Calibrator-Output Repair for Top-1 Decision Preservation（CORD），一种后拟合适配器，通过修复完整校准概率向量，确保 argmax 恢复原始 top-1 预测，实现零 TPCR。

PaperCompiler 是一个论文到代码生成框架，将论文证据编译为显式的仓库级实现规格，区分论文支持、推断、外部委托和未解决的信息，并编码非退化要求、文件归属、跨文件依赖和文件级约束。

论文提出 Debias-SparseGPT，一种后训练剪枝方法，利用人口统计对比输入上的二阶项进行表征去偏。在 25%、50% 和 2：4 结构化稀疏度下，该方法相比 SparseGPT 持续降低剪枝引入的偏见，同时保持模型困惑度和零样本准确率；在限制最严格的 2：4 结构化稀疏模式下，用长上下文、内容丰富的示例扩充校准集可进一步提升下游性能和公平性。

该研究将随机梯度流（SGF）建模为渗流过程，认为架构对称性迫使子网络以离散的同步块合并，并在宏观序参量上表现为方差尖峰，类似物理相变。研究还指出这种捕获机制及标度级联在显式重尾噪声模型下同样适用于 Adam 和 AdamW。论文链接：https://arxiv.org/abs/2609.02373

论文提出 Cliff，一种奖励塑形策略，用现成 LLM 作为教师识别每次 rollout 中的第一个错误，将 rollout 分解为正确前缀和错误后缀，分别赋予正负 token 级优势。实验覆盖 12 个场景，Cliff 比.on-policy distillation 高 15%，比标准 GRPO 高 7%，即使教师能力一般也有效。

SolarWM 是一个全开源的交互式视频世界模型基础，包含可重构多源数据引擎和骨干原生适配框架，将10个数据集约143万片段（约25.85TB）转为统一的帧对齐训练契约，并基于 Wan2.2、LTX-2.5 和 MiniMax-H3 训练四个 5B-33B 模型。

该研究将多智能体LLM系统的编排器-工作器交互建模为双层协调博弈，证明在有限耦合下工作器局部更新博弈为近似势博弈，并分析反思作为语义记忆状态上的随机运动。研究提出随机反思记忆上升（SRMA）算法，仅在环境验证风险严格下降时提交候选记忆，并证明其几何或多项式收敛速率。

论文提出 VeriPhy，一个可审计的物理验证系统：纯文本规划器在观察任何帧之前将提示词编译为带类型的物理义务和经静态验证的执行计划，执行时仅调用冻结的低层专家（分割与跟踪、计数、11 类物理测量、深度、OCR、音频事件检测），每个动作返回带溯源的证据记录，并映射为 supported、contradicted 或 unknown 三值判定。

论文提出 Declarative Attention（DA）协议，让模型在链式思考中声明需要关注哪些上下文区域，推理引擎据此解析声明并跳过大部分 KV cache 读取，避免每步 O（N） 的外部打分开销。

论文提出开词表互信息 OVMI，一种信息论度量，用于在不同数据集、记录方式与词表条件下统一评估语音脑机接口解码器传达的信息量。作者指出通常报告的 accuracy、word error rate （WER） 等仅覆盖系统支持词表的指标会高估能力；用 OVMI 比较现有系统并优化词表选择，在三个语音域上取得最高 16.3% 的相对准确率提升。

论文提出 Temporal Context Routing（TCR），将结构化剧本中的镜头切换和对白时间映射到音视频生成的共享时间轴，并把各提示词引导路由到两种模态的对应位置。

ShallowStream 提出一种流式视频理解新框架，利用多模态大语言模型的浅层同时完成帧编码与检索索引构建，避免对每帧执行全深度预填充。在 OVO-Bench 上，ShallowStream 性能与现有最强流式方法持平，同时将每帧预填充和 10 秒端到端延迟分别最高降低 52.1× 和 11.9×。

Apple Machine Learning Research 发布 REFACTOR-VLA 研究，针对 OpenVLA、π0、RT-2、RDT-1B 等当前视觉-语言-动作（VLA）模型生成原始动作的"单体式"结构，提出以无监督方式学习类型化运动程序库的方法。

Epoch AI 统计发现，自推理模型推出以来，Epoch Capabilities Index （ECI） 前沿以每年 14 点的速度推进，而非推理时代为每年 6 点。图表显示推理模型时代拟合 adj. R2 为 0.98，90% 置信区间为 12-17；非推理时代为 90% CI 3-8，adj. R2 0.76。