PAC-MAN 将控制障碍函数与强化学习结合，并引入部署级真实的机载感知约束，使人形机器人仅凭头戴相机提供的分割遮罩深度信息就能完成躲避球任务，在仿真基准上接近“特权状态”性能，并在 Unitree G1 真机上实现零样本迁移，95% 的投掷成功躲过。
值得关注：已有相关卡片多集中在视频理解、多模态感知等“感知”任务，而 PAC-MAN 提供了一条**感知如何进入安全控制闭环**的机器人学路径。 它明确提出：训练时使用的安全结构（如 CBF）必须与部署时的感知可观测性匹配；否则…
OSReward 是一个用于评估视觉语言模型（VLM）作为“计算机使用智能体（CUA）轨迹判断器”是否可靠的基准。作者发现，即便是最先进的 VLM 判断器也存在系统性“宽松偏差”，容易把失败轨迹误判为成功；为此，作者构建了开放推理标注语料 OS-Shepherd-100K，并训练出低成本、可靠的开放奖励模型 OS-Shepherd（9B/35B），在成本比…
值得关注：在 CUA 领域，奖励信号的质量直接影响强化学习与数据筛选。此前缺少一个专门评估“VLM 判断器”的标准基准。OSReward 填补了这一缺口，并揭示了现有判断器的系统性偏差，同时提供了开源奖励模型作为低成本替代方案。…
在接近生产环境的 oncall 根因分析（RCA）评测中，五个前沿智能体的最佳准确率在 Medium（真实输入设定）上只有 25.3%，在 Hard 上只有 10.0%；最弱模型会在 40% 的故障报告中提出不合理的幻觉根因。即使 Claude Fable 5 也无法弥合这一差距，说明通用编码智能体距离安全承担生产可靠性值班仍有明显距离。
值得关注：ORCA-bench 提供了一个可复现的评测框架，把智能体能力评估从“代码生成/补全”扩展到“生产故障排查”。它对产业界的直接启示是：前沿编码智能体虽然能处理代码任务，但在真实感的 oncall 根因分析中仍然脆弱；这…
β-OPSD 将 vanilla OPSD 重新解释为“策略优化族”中 β=1 的特例，通过可调节的 KL 惩罚权重 β，在参考策略与特权教师之间做几何插值，并用廉价的自蒸馏目标逼近昂贵策略优化问题的解，从而在数学推理基准上比 vanilla OPSD 更稳定、更有效。
值得关注：给出了 OPSD 不稳定的结构性解释，而不是只靠工程技巧修补。 把 KL 惩罚权重 β 从固定值变成可调超参数，提供了新的调优维度。 将昂贵的策略优化目标转化为可实现的蒸馏目标，兼具理论推导与实操效率。 为“自蒸馏”与…
MixFrag 提出一种基于“量化脆弱性”引导的混合精度训练后量化（PTQ）框架，通过KL散度评估ViT各组件对量化的敏感度，并将比特分配建模为多选择背包问题（MCKP），在目标比特预算下自适应分配层间精度，从而在目标检测等任务上取得超越现有混合精度PTQ方法的效果。
值得关注：打破了ViT量化中“均匀比特宽度”的常见假设，强调组件级异构敏感性的重要性。 将比特分配形式化为MCKP，提供了清晰的优化框架，可适配不同比特预算。 在检测/分割等下游任务上的大幅提升（最高+9.6 AP）表明混合精度…
本文将单分子化学结构识别（OCSR）和 Markush 结构识别统一建模为“图像到文本翻译”问题，提出 OCSRGlyph 与 MarkushGlyph，并引入一种新的 Markush 结构翻译准确率评估指标。
值得关注：Markush 结构在专利中非常常见，但传统方法往往需要多阶段处理视觉与文本信息，容易产生误差累积。本文尝试用视觉语言模型直接读取整个 Markush 结构图像，并把 OCSR 与 Markush 识别统一为同一图像到…
MANTA 让基于大语言模型的多智能体系统在推理时自适应调整通信拓扑，使“协作架构本身”也能自我改进；在五个基准上平均得分 74.0，比最强基线高 5.8 个百分点。
值得关注：已有相关卡片中，GaP 侧重图式策略生成，HealthClaw 侧重纵向个人健康管理，而 MANTA 的增量在于：它把“自进化”的对象从单个智能体或固定图结构扩展到多智能体系统的通信拓扑，提出在推理时动态调整协作组织方…
这篇论文用机器学习方法判断超对称箭图规范理论中的 Seiberg 对偶；在约 10 个箭图节点规模的问题中，Transformer 与多层感知机（MLP）等网络架构倾向于胜过确定性算法，而用成熟寻路算法补充网络后，搜索策略的效率和准确性还能进一步提升。
值得关注：它把“对偶性判定”这一理论物理问题转化为可由机器学习处理的图论/组合问题。 为 AI for theoretical physics 提供了一个具体、可比较的基准任务。 展示了神经网络与经典寻路算法结合的可能增益，而不…
KAISEN 是一个针对临床风险模型亚组公平性审计的可复现五阶段流水线；通过合成基准压力测试发现，审计结论的可靠性取决于最小可检测效应、缓解方法选择、代理变量是否错设以及队列随机实现，不能只看平均结果或统计显著性。
值得关注：公平性审计的结论可能影响模型是否被批准部署，但审计组件本身也可能失效。KAISEN 提供了一个可复现的压力测试框架，明确给出了组件失效的条件，尤其是“无信号失败”和“平均效应掩盖方差”这两类风险。它提醒审计报告应披露更…
该研究发现，为阻止大型语言模型（LLM）将意识归因于自身而进行的安全对齐，会连带抑制模型对非人类动物、自然物体以及精神信仰相关的心智归因；通过机械性干预恢复模型内部对“意识”的表征，可以逆转这种抑制，并让模型在价值观类社会学调查中给出更接近人类的回答。
值得关注：揭示了安全对齐可能以“抑制自我归因”为代价，连带削弱模型对动物、自然物及其他文化中广泛认可的心智/精神属性的理解。 从可解释性角度给出实证：研究者可通过在激活空间中引导一个“意识向量”来改变外部行为与价值观输出。 为未…
本文提出一种图神经网络磁力场框架，直接从电子结构计算学习金属磁体的有效磁能量泛函，从而高效计算自旋力矩，并以较低成本模拟与直接电子模拟高度一致的非平衡自旋动力学。
值得关注：这项工作将图神经网络方法从结构材料、流体、晶粒生长等模拟扩展到磁体自旋动力学这一凝聚态物理核心问题，展示了用机器学习力场替代电子结构求解瓶颈的可能性。与已有相关卡片相比，增量在于其学习对象是“磁力场”或有效磁能量泛函，…
生成式AI在学术写作与出版中既可能强化英语世界的主流语言等级，也可能成为语言多样性的抵抗场所；最终效果取决于AI的设计、治理方式以及学术社群的使用实践。
值得关注：本文从世界英语视角切入，将AI与学术出版中的语言规范问题联系起来，超越了单纯的技术效率讨论。 它提示学术机构、期刊和AI开发者关注非英语母语学者在生成式AI环境中的语言自主权。 与既有相关卡片相比，本文的增量在于：采用…
Frontis-MA1: Training an AI4AI Model towards Recursive Self-Improvement in Machine Learning Engineering
在卫星影像前后时相文本检索任务中，融合模块的查询速度决定搜索成本；一项受控实验表明，免训练两阶段搜索（廉价差分模型粗筛 + 注意力融合精排）可在匹配或超过全量融合召回率的同时，将查询成本降低 10–15 倍。
值得关注：这篇工作首次在固定编码器和固定训练配置下，对多种卫星变化文本检索融合模块进行受控比较，给出了可复现的统计结论。它揭示了一个反直觉的工程事实：理论上有线性复杂度的 Mamba 在视觉 patch 规模下未必优于注意力融合…
DualG-MRAG 提出将多模态检索增强生成（MM-RAG）中的全局结构推理与细粒度证据匹配解耦为“宏观推理图”和“微观匹配图”两层，并用 GNN 驱动的查询式消息传递与动态规划解码来提升多跳问答的证据召回与答案准确率；据论文摘要，其在证据召回与复杂问答准确率上均超过基线。
值得关注：针对 MM-RAG 中“图太粗丢证据、图太细有噪声”的权衡，给出了显式的解耦设计，而不是单纯堆叠特征。 相比已有相关卡片中的 DynaKRAG（面向文本多跳 RAG 的证据控制），DualG-MRAG 的增量在于面向多…
本文提出 **Doubly Robust Functional Representation Learning (DR-FRL)**，一种将不规则观测历史转化为面向目标估计量的状态表示的交叉拟合工作流，使纵向因果推断中的双重稳健估计在明确理论条件下具有渐近线性，并在模拟和 VitalDB 数据审计中展示可行性。
值得关注：填补了双重稳健估计与函数型/深度表示学习之间的方法论空白，避免强制压缩为标量摘要或单纯优化预测损失。 提供了一套诊断工具来评估“历史上提取的状态是否真的能支撑因果估计方程”。 为高维、不规则、含信息性观测时间的纵向数据…
本文提出一种多层级计算框架，将文学创造力建模为对早期文本的选择性转化，并在词汇、语义、概念、结构、叙事等表征层面比较文本，从而定量刻画“模仿在哪里延续、创造在哪里发生”。
值得关注：这为“创造力”提供了一种更精细的可计算视角：创造力不一定是无中生有，而是对已有材料的“再组合、再转化”。相比笼统的相似度检测，该方法能把“像/不像”拆解为多个表征层面上的具体差异，为研究文学影响、抄袭判定、风格演变等提供新工具。
本文提出一种量子数据增强方法，使神经网络能利用零差测量数据高效分类多体连续变量系统中的纠缠结构，在降低数据采集成本的同时显著提升分类准确率。
值得关注：解决了数据驱动机器学习在大型希尔伯特空间中学习量子系统时，数据获取成本高昂的关键障碍。 此项工作的增量信息：与已有的利用神经网络对离散变量系统（如自旋组态）进行量子态分类或相位识别的研究不同，本文专门针对连续变量系统中…
Change2Task 是一个基于仓库历史自动将已合并 Pull Request 转化为“可在现代健康代码版本上运行并经自动验证的编程智能体任务”的系统，在 1,130 个候选源变更上达到 79.6% 的验证任务构建成功率，相比基于 Pull Request 的构建基线多恢复 29.2% 的验证任务。
值得关注：编程智能体需要持续新增“可执行”且“可验证”的任务数据，而不仅仅是非结构化的代码文本。Change2Task 提供了一条从真实仓库历史中自动挖掘此类数据的路径。 与已有相关卡片中的“数据选择”类工作（如 PPL-Fac…
仅用单一情绪分数无法充分刻画金融新闻的预测信息；通过大语言模型抽取多维结构化语义特征，可在股票预测中显著超越单纯的情绪分析，表明金融文本中的“情绪—语义解耦”是系统性的且可利用的。
值得关注：这是“已有相关卡片”脉络中的一个新方向：既有工作关注区块链情绪分类、开源大模型生成漏洞威胁信息、智能体轨迹优化，而本卡片聚焦金融新闻的多维结构化信息抽取，并首次系统性量化了“情绪—语义解耦”的预测价值。其增量信息在于：…