本文提出“度量显著性图”（metric saliency maps）概念，利用可微分渲染器的梯度反向传播揭示场景参数对不同图像度量（如眩光指数、平均亮度、感知评分）的影响程度，发现显著性高度依赖于所选的度量目标，而非场景本身的固有属性。
值得关注：首次将神经网络的梯度显著性方法系统性地迁移到物理渲染管线中，为可微分渲染器的应用开辟了新维度：除了优化，还可用于场景诊断和可解释性。 相对于已有卡片（如关系感知3D场景理解、聚类感知匹配），本文关注的是参数-度量之间的…
本文发现预训练的机器人策略在遵循组合指令时存在严重的“捷径”偏置（如过度依赖颜色而非动词），并提出一种可诊断各语义因素偏置程度的框架（FDR/FDH）以及偏向弱因素的主动数据收集策略，可在演示数据减半的情况下提升泛化性能。
值得关注：现有工作多关注整体泛化性能提升，本文首次对多因素间的偏置进行正式建模和全局排序，揭示了不同语义因素在决策中的重要性与接地程度不一致。 提供了一种可操作（actionable）的诊断结果：可直接指导数据收集策略，而非仅止…
SANA-Video 2.0 通过混合线性‑softmax 注意力与块注意力残差，在单 GPU 上生成 720p 视频，质量媲美全 softmax 视频 DiT，推理速度比同规模全 softmax 基线快 3.2 倍，并借助 Sol-Engine 优化实现 120 倍于 Wan 2.2-A14B 的加速。
值得关注：首次在视频生成领域实现了线性注意力与 softmax 注意力的有效混合，兼顾效率与质量。 块注意力残差是一种新颖的跨层通信机制，可推广到其他深度 Transformer 架构。 实际部署意义显著：单 GPU 上即可生成…
Same Dangerous Objective, Opposite Advice: Direct Exposure versus Multi-Agent Mediation
通过共享正弦块迭代循环展开，隐式神经表征（INR）可在参数更少、优化步数更少的情况下获得比前馈基线更高的保真度，并在超分辨率、NeRF和SDF任务上迁移良好。
值得关注：隐式神经表征广泛应用于3D重建、新视角合成和图像处理，但其核心瓶颈是对高频细节的建模效率。现有前馈INR参数冗余且优化缓慢。该方法通过简单的循环共享块，在不增加参数量的前提下从频谱角度直接增强高频，为高效高保真INR提供了新范式。
本文提出了在结构不可知的部分线性模型中，利用黑盒学习器估计线性系数的最优方法，其收敛速率 \(1/\sqrt{n} + \delta_{a,\mu} \cdot \delta_{a,\pi} + [\delta_s]^2\) 达到理论下界，比双重机器学习（DML）更优地移除了一个次优项，并进一步提出通用算法 TAME。
值得关注：传统 DML 方法在干扰函数的估计难度不平衡（例如一个易学、一个难学）时，会受到次优项 \(\max(\delta_{a,\mu}, \delta_{a,\pi}) \cdot \delta_s\) 的影响。该工作从理…
OpenForgeRL 是一个开源框架，通过轻量级代理和 Kubernetes 编排器解耦训练与推理，使得研究者能够直接在实际部署的 AI 代理推理框架 (Harness) 中，使用标准强化学习 (RL) 代码库对智能体进行端到端训练，并在多项工具使用和 GUI 操作基准上以较少任务量超越了同等规模的开放基线模型。
值得关注：此项工作解决了当前开源 AI 代理训练中的一个关键障碍：无法在端到端的训练流程中融入先进但复杂的推理框架。OpenForgeRL 提供了一个通用、可扩展的解决方案，使得研究者可以不在标准 RL 框架和专有推理框架之间做…
本研究证明，仅使用重整化方程残差训练的神经网络可以高精度求解四维Landau规范杨-米尔斯理论中耦合的鬼和胶子Dyson-Schwinger方程，其解与标准定点解在百分比水平一致，且对多种超参数变化保持稳定。
值得关注：证明了神经网络可以作为一种“免数据”的微分方程求解器，直接应用于量子场论中耦合、非线性的积分-微分方程系统。 数值实验表明神经解对超参数不敏感，而物理模型变化才是主要误差来源，这为未来使用类似方法探索更复杂截断（如包含…
MIRROR 是一种基于自监督强化学习的方法，通过让视觉-语言模型在同一问题的不同模态视图（纯文本、纯图像、图文结合）之间互相学习，显著提升了模型在几何推理任务上的准确性和跨模态一致性。
值得关注：首次系统揭示了视觉-语言模型在多视图几何推理中的模态不一致性，并量化了不同视图的互补性。 MIRROR 提供了一种无需额外标注、仅利用模型自身多视图表现即可提升推理质量的思路，与已有“多模态多环境机器教学”卡片相比，本…
待核实（原文未提供明确的单一结论，从摘要推断：MedGame框架通过双引擎设计将静态临床案例转化为故事化游戏，在5000例基准测试和初步学生研究中显示出比纯文本方案更高的参与度和实用价值。）
值得关注：**填补空白**：将大语言模型从单轮问答/反馈延伸至完整的临床案例决策轨迹，支持结构化的故事化学习路径。 **实用价值**：通过游戏化叙事降低医学教育枯燥感，提升学生主动性和临床推理能力。 **开源贡献**：提供了交互…
渐进式种子剪枝（PSP）打破了扩散模型推理时固定内存占用的约束，通过早期加载大量候选种子并逐步剪枝，在相同计算预算下显著提升了图像生成的对齐质量（GenEval 自动评估与人类评估），性能优于 best-of-N、重要性采样和树搜索等基线。
值得关注：为扩散模型的推理时缩放提供了新方向：利用早期阶段的“探索红利”提升性能，而不增加总计算量。 与 LLM 推理时的链式搜索、树搜索形成类比，但专门针对扩散模型的去噪过程设计，可能启发更多针对图像生成推理的优化策略。 补足…
本文通过构造更大的独立集，将奇环 \(C_7\)、\(C_{11}\)、\(C_{13}\) 的香农容量下界分别提升至约 3.258020、5.289773、6.300109，并展示了大型语言模型（LLM）在发现显式组合构造中的潜在作用。
值得关注：香农容量是信息论与图论交叉的经典难题，奇环的精确容量自1950年代提出以来未被完全解决。本文对三个奇环的下界推进具有理论意义。 首次在高质量组合构造论文中系统使用LLM作为发现工具，可能开启“人机协作”数学发现的新范式。
GS-Agent 是一个多智能体框架，它通过让多个大模型驱动的智能体模拟人类创建4D世界的工作流程，自动从自然语言描述生成动态、物理逼真的4D场景（含液体、可变形物体与刚体交互），并实现电影级相机与光照控制。
值得关注：填补了现有生成方法在物理合理性和可控性方面的空白。 提供了一个端到端、可自动化的多智能体解决方案，显著降低4D内容创建的人工成本。 将物理引擎与基础模型结合，有可能推动虚拟世界构建、游戏开发、机器人仿真等领域的进步。
GraphVid 通过结构化交互图代替轨迹或文本，实现了对多主体交互视频的精准、灵活控制，在视频质量指标上显著优于 Motion-I2V，且所需训练数据和参数更少。
值得关注：现有可控视频生成多依赖轨迹（像素级）或文本（语义级），GraphVid 填补了中间层次——利用图结构描述物体间关系，既保留了语义的灵活性，又提供了明确的几何/运动约束。 与已有相关卡片（几何互易定理、MV-Forcin…
将环肽分子的多个构象（构象系综）通过共享等变图神经网络编码后池化，并经过自监督预训练，可显著提升分子性质预测性能；单独从头训练则完全失败。
值得关注：首次系统验证了在环肽领域，利用构象系综而非单一构象进行性质预测的显著优势。 提供了预训练 + 微调范式的可行方案，且联合序列建模能互补信息。 该项工作为柔性分子（如环肽、多肽）的机器学习建模开辟了新方向。
Future Rendering $\neq$ Future Surface: A Benchmark and Dataset for Dynamic Surface Reconstruction Beyond the Observed Window
本文提出一种Petri网引导的LLM测试生成方法，通过将API资源、生命周期和因果依赖建模为有色Petri网，推导合法并发场景并作为约束中间表示，再由LLM合成可执行Rust测试，同时通过局部忠实性契约与修复循环保证代码忠于模型意图。
值得关注：直接应对LLM生成并发测试时常见的“表面测试”和“丢失并发”问题。 利用Petri网的数学基础提供可验证的场景约束，弥补纯LLM方法的语义不可控性。 提出自动化的场景到测试代码的转换流水线，减少手工编码负担。 对Rus…
Finite-Sample Coverage Audits for High-Recall Candidate Generation: Certification and Learning-Theoretic Design
本文提出**扩展生成流（EFlows）**与**扩展流映射（EFMs）**，将传统固定维度/固定长度的生成流推广为输出大小本身可学习、可控的自由度，从而支持变长序列与变尺寸图生成等动态输出任务。
值得关注：现有流模型在生成时必须预先指定输出维度/长度，限制了其在自然文本、分子图等输出长度不固定的场景中的应用。EFlows/EFMs首次将**维度扩展**内化为生成过程的一部分，使模型能自动决定何时停止扩展以及扩展多少，是可…
大语言模型推理时，KV缓存随着序列长度增长而膨胀，常见做法是使用重要性分数保留top-k token（确定性驱逐）。本文证明：这种设计存在根本性缺陷——攻击者可以篡改被驱逐的token值，使得系统保留的所有内容不变，但真实注意力输出误差任意增长，因此任何运行时误差估计量都不一致。研究问题：如何设计一种可识别、可证书化的KV缓存驱逐策略，既能保证误差有界，又…
值得关注：理论贡献：首次严格证明确定性驱逐无法一致估计注意力输出误差，揭示了其安全性和可靠性风险。 实用贡献：随机化方案几乎无精度损失，且可给出严格的每步误差上界，填补了KV缓存压缩领域“无法得知破坏了什么”的空白。 与既有脉络…