CompactionRL是一种将上下文压缩融入强化学习的训练策略，能够使长程智能体LLM从压缩后的历史轨迹中学习，在编码任务上显著提升Pass@1指标，并已部署到GLM-5.2模型的训练管线中。
值得关注：上下文窗口限制是当前LLM智能体用于长期自主任务的核心瓶颈之一。CompactionRL首次在强化学习框架内系统性地引入上下文压缩，使得模型能够处理更长的交互历史，同时保持训练效率。该方法开源并直接提升了GLM系列模型…
CenSynCMB 通过中心图监督和物理引导合成数据，在脑微出血检测中取得了领先的病灶级 F1 分数（VALDO Task 2: 74.3%；外部 AIBL SWI: 65.0%），为大规模未标记 MRI 队列中的 CMB 候选提取提供了可扩展方案。
值得关注：针对 CMB 自动检测中小尺寸、稀疏性和模仿物三大难题，提出了结合领域先验（物理引导合成）与深度学习的实用框架，无需额外标注即可提升检测性能。
Beyond Isolated Objects: Relationship-aware Open Vocabulary Scene Understanding via 3D Scene Graph Analysis
根据论文标题和元数据，本文提出了一种名为AnyStyle的方法，声称仅需单个LoRA（Low-Rank Adaptation）即可实现图像引导的风格迁移。但无法确认具体实验结论，故本卡片内容均标注为待核实。
值得关注：待核实：风格迁移是图像生成和编辑中的常见需求，传统方法需要为每种风格单独训练或微调模型；如果单个LoRA即可适应多种风格，将推动风格迁移技术向更灵活、更轻量级的方向发展。
通过STE（Straight-Through Estimator）正则化技术，可以在不损害ColBERT模型全token检索性能的前提下，将层次池化的32 token保留率从77.1%提升至最高97.9%，实现5倍压缩下99.4%的保留率。
值得关注：将正则化思想延续到池化场景，证明了“为压缩而训练”是提升压缩效率的通用原则。 层次池化的推理时预算可调特性，结合正则化，实现了“一个模型应对所有压缩需求”的实用方案。 自适应预算进一步优化了存储与性能的权衡，避免“一刀…
本文提出了一种结合上下文感知与时序规划的自动驾驶规划框架，旨在提升决策的可靠性和安全性。由于未获取原文，具体技术细节与实验结果均待核实。
值得关注：当前自动驾驶规划方法常忽略上下文或时序关联，导致在长尾场景或强交互环境中失败。该研究有望填补“感知-预测-规划”之间的因果/时序衔接缺口，增强系统对动态环境的适应能力。
该研究提出了一种融合物理规律约束的神经网络框架，用于学习三维晶粒生长动力学，但具体结论因缺少原文待核实。
值得关注：融合物理先验的深度学习有望突破传统数值模拟的计算瓶颈，为材料微结构演化提供高效预测工具，但重要性依据待核实。