本文提出PDDIM算法，通过对标准DDIM更新进行轻量坐标方向修改，显式融入测量模型，在理论上证明其能收敛到给定测量的贝叶斯后验，并在图像恢复任务上取得优于现有扩散后验采样器的性能。
值得关注：现有扩散后验采样方法要么无理论保证（如DPS、MCG），要么计算成本高（如需要额外反向传播或迭代优化）。PDDIM首次在DDIM框架内同时实现后验收敛性证明与轻量级实现。 该方法不依赖额外训练或复杂的逆向过程，只需修改…
OmniReasoner 是一个针对全模态大语言模型（omnimodal LLM）的后训练框架，让模型学会在回答前自主决定是否调用“缩放”（zoom-in）工具对长音频-视频中的关键时间段进行高保真度检查，从而在降低计算成本的同时提升答案准确性和时间定位能力。
值得关注：与已有知识卡片（如 MV-Forcing、Cycle-World 等聚焦视频生成）不同，OmniReasoner 解决的是长音频-视频的**推理与理解**问题，尤其是如何让模型主动选择信息来源。它与“基于冻结离散扩散语…
Off-Context GRPO（OC-GRPO）通过在训练时向模型提供解答前缀等特权指导来生成“异上下文”轨迹，并利用重要性校正避免分布偏移，在数学推理基准上平均取得3.9%的绝对提升（13.8%相对提升），且几乎不增加额外成本。
值得关注：**解决零信号困境**：直接解决了RLVR在硬问题上的“学习悬崖”，使模型能从完全失败的问题中学习。 **与已有脉络的关系**：本卡片之前已有AdaPrefix-GRPO（2026-07-08）同样聚焦于解决困难问题的…
通过测试时多次推理与自纠正，无需额外训练即可显著提升视觉语言模型（VLM）在无人机导航任务中的轨迹规划安全性与准确性，达到当前最优（SOTA）性能（待核实具体指标）。
值得关注：与已有相关工作（如测试时缩放用于图像生成或LLM选择）不同，本文将测试时迭代精炼引入具身导航场景，解决了无人机导航中单次推理的局限性。 避免了昂贵的模型重训练或微调，适合资源受限的无人机平台或快速部署需求。
Neural sampling from cognitive maps enables goal-directed imagination and planning
Masked Visual Actions (MVA) 提出一种像素空间控制接口，通过部分显示视频中任意实体的轨迹来表达机器人动作或期望物体运动，使同一个视频模型既能正向预测物理响应，也能逆向恢复机器人行为；仅用 15 小时掩码示例微调即可在多种场景和多种具身形态上实现高视觉保真度和可控性。
值得关注：统一了正向动力学预测和逆动力学恢复两种能力，且不需要手工设计动作表示（如低维关节角或光流），直接在像素空间利用视频模型已有的交互先验。 与已有相关卡片 FlowWAM（光流统一动作表示）相比，MVA 不依赖光流作为中介…
不完美的LLM检测器可能反直觉地导致人类增加LLM使用量，甚至降低输出质量；检测到的属性（如语言模式）则呈现“先升后降”的清晰规律。
值得关注：揭示了LLM检测作为干预措施可能产生意想不到的负面后果，提醒政策制定者和平台在设计检测系统时必须考虑用户的战略适应性。 与已有卡片（如LLM-as-a-Verifier）不同，本工作聚焦于检测器对用户行为的反馈效应，而…
InstructMixup 是一种**仅在单个样本内部**进行数据增强的方法——通过指令引导生成模型编辑显著补丁并注入分形结构，在不跨样本混合的前提下构造具有挑战性且标签一致的训练样本，在多个视觉骨干和基准上全面超越现有混合方法。
值得关注：**范式创新**：将 mixup 思想从“跨样本混合”转变为“单样本内语义编辑+结构注入”，从根本上避免跨样本语义冲突。 **理论可解释**：提供了二阶邻域风险近似，定量解释了为何该方法能同时促进不变性和平滑性。 **…
本文提出一种名为GUIDED（Geometrically Unconstrained Inductive Demand EmbeDding）的网络无关初始化层，通过将出行需求作为标量属性注入辅助虚拟链路，有效解决了图神经网络（GNN）在交通分配问题中因空间拓扑绑定而无法跨城市迁移的难题，并在单网络任务上保持最先进精度，在跨网络迁移和少数据场景下显著优于基线。
值得关注：**填补空间泛化空白**：此前GNN交通代理模型普遍无法直接跨城市复用，需要重新训练或复杂对齐；GUIDED首次提出一种轻量、通用的网络无关初始化方案，使迁移成为可能。 **增量信息**：与已有相关卡片（如Atari世…
随着企业级 AI 系统从单次问答转向长时间运行、有状态的多步骤流程，需要一种显式的工作流抽象。本文不将 LangGraph 视为模型质量基准对比目标，而是作为低层次编排框架，回答“何时以及如何使用图式工作流路径”来解决真实业务问题。
值得关注：本文为 practitioners 提供了清晰的决策框架：何时引入图编排（LangGraph）比更简单的循环或纯提示方案更值得。与已有卡片（如 Earthquaker-AI、CompactionRL 等）不同，本工作不…
本文证明：在特定高斯设定下，仅用 \(O(\log K)\) 个简单超平面二分类器即可组合成 \(K\) 类分类器，并给出了该范式下分类性能的严格理论界限，仿真结果与理论一致。
值得关注：理论奠基：首次严格刻画了“以少量简单二分类器组合实现多分类”这一实用范式的性能天花板，为分布式分类系统的设计提供了理论指导。 实用启示：说明在资源受限（如仅能部署少量二分类节点）的场景中，分类精度并非无代价，存在由维度…
本文提出将建图与运动规划联合围绕有符号距离函数（SDF）进行协同设计，通过Octree REsidual Network（OREN）实时重建SDF，并搭配基于距离的Bubble$^\star$搜索规划器，实现无人机在杂乱环境中的自主飞行，SDF估计精度提升22%，运动规划速度相比基线快3-10倍。
值得关注：该方法打破了传统建图与规划的割裂，以SDF为统一表示实现高效协同，同时规划器利用连续的几何信息而非离散占用，显著减少计算开销。Bubble$^\star$的形式化保证（完备性、故障检测）增强了系统在安全关键场景中的可靠…
ExpertVerse 是一个以能力为中心的基准，用于评估多模态生成模型在知识密集型视觉合成中的专家级推理能力，发现当前主流模型存在严重的推理缺陷。
值得关注：填补了多模态生成模型在专业知识驱动推理方面的评测空白。 提供了一套系统化的能力分类体系（58个子学科），可作为未来模型改进的方向指南。 配套的数据集和训练方法（KnowThinker + BPPO）为提升模型的知识推理…
论文提出一种无需标签、仅需单次前向传播的视觉丰富度度量指标——有效秩（ERank），该指标与人类复杂度判断高度相关（r=0.72），并能指导特定任务的数据筛选：去掉低ERank样本提升超分辨率，去掉高ERank样本提升OCR。
值得关注：填补了“无需标签、单次前向”的图像复杂度度量空白。 揭示了一个有趣的反直觉现象：对于不同任务，去除不同复杂度的样本反而有帮助，说明“数据筛选的受益方向因任务而异”。 与已有相关卡片无直接重复，属于全新的度量方法及其在数…
CodeRescue 提出一种预算校准的恢复路由方法，通过在编程智能体失败后利用执行反馈决定是继续使用廉价模型还是升级到昂贵模型，并借助保形风险控制层在不同预算下自动调整决策，无需重新训练即可控制期望成本。
值得关注：首次在编程智能体场景中系统性地将“失败后恢复”与“预算校准”结合，提供了可部署的决策框架。 CRC 层的引入使得路由器能在不同预算下保持成本控制，避免每次预算变动都需重新训练，降低了工程成本。 与现有相关卡片（如 Co…
CircuitKIT 是一个开源的 Python 库，通过统一的类型化可序列化表示，将电路分析中的发现、评估与下游干预（剪枝、编辑、引导、选择性微调）全流程连接起来，旨在降低该领域工具碎片化带来的比较与应用门槛。
值得关注：填补了现有电路分析工具链中“流程断裂”的空白，为学术社区提供了一个统一的比较基准。 减少手动构造对比提示的重复劳动，使得非经典任务（如自定义数据集上的电路发现）也易于开展。 与已有相关卡片（如加速MLIP训练的SOAP…
本研究提出了一种结合卷积神经网络和巴甫洛夫学习范式的视觉效价处理模型，成功复现了人类联想学习中的联结形成与泛化行为，并验证了模型与人类实验数据的一致性。
值得关注：该工作将深度神经网络应用于情感计算和认知建模领域，提供了一种超越传统解析模型的工具，可桥接神经科学与人工智能。相比已有卡片（均不涉及情感学习或联想学习），本卡片首次聚焦于神经网络模拟情绪联想过程。
Appearance Pointers -- Multimodal Region Control of Diffusion Transformers
Agents in the Wild: Where Research Meets Deployment