阿里首次开源Max级旗舰模型Qwen3.8-2.4T-A95B权重，总参数2.4万亿、每Token激活950亿，主打长周期自主智能体任务；在PaperBench、OSWorld-Verified、CAD基准上超过Fable 5，但在TerminalBench、SWE-bench Pro等任务上仍落后于GPT-5.6 Sol与Fable 5。
值得关注：这是阿里首次开源“Max级”旗舰模型，开放权重意味着研究者和开发者可以在2.4T规模模型上做微调、推理和二次开发。 Agent能力不能只看单一基准：Qwen3.8在PaperBench、OSWorld-Verified…
直接偏好优化（DPO）可以把一个无监督的结构条件蛋白语言模型（ESM-IF1）对齐到实验稳定性数据，得到 ProteinDPO。它在稳定性打分上优于无监督原版和监督微调（SFT）版，且能推广到大型复合物结合亲和力预测及流感血凝素三聚体稳定化。
值得关注：DPO 为蛋白质生成模型提供了一种相对轻量的对齐方案：不需要为每个任务从头训练专用监督模型，也不像 SFT 那样容易丢失预训练知识。通过把实验测量到的“适应度”作为偏好信号，可以将生物物理信息直接注入生成模型。作者提出…
YOPO 在不改变冻结大语言模型权重的前提下，用一个小型残差重构网络解决“引导写入”与“充分性判读”互相干扰的问题，使模型在单次前向传播中既能回答也能弃权；在 Qwen2.5 1.5B 的 alphaNLI 上，三路准确率从冻结基线的 0.375 提升到 0.798，并超过需要两次前向传播的参照方案。
值得关注：大多数方案要么提高模型回答能力，要么训练模型拒答；YOPO 把“引导推理”和“知道何时弃权”放在同一条残差流上，并证明两者的干扰可以被一个小型重构网络吸收。 它强调一个原则：弃权不应被“训练进模型”（abstentio…
Wyvern 是一个面向“有据可依（grounded）多模态技术报告”自动生成的多智能体框架。作者报告它生成的图表信息量更高、报告更有用，并在引文召回率和精确率上显著超过基线；但当前可获取材料仅为摘要，系统细节和评测过程待核实。
值得关注：现有生成模型经常“能写但不稳”，Wyvern 把“信息依据”作为核心设计目标，而非事后贴参考文献。 摘要显示，Wyvern 试图把“依据校验/论断修订”做成框架内环节，为多智能体框架的质量控制提供了示例。 自动技术报告…
Universal Thermodynamic Interatomic Potentials for Crystalline Materials
UMPIRE-Net: Unrolled Magnitude-Phase Regularization Network for Accelerated MRI
Twin 系统在测试时让前沿编码智能体编写一个可执行世界模型，通过“数字孪生”回放验证和反例修复来玩规则未知的网格游戏，在 ARC-AGI-3 上通关 179/183 关（97.8%），并将同一基础模型在基准上的得分从 7.8% 提升到 93.3%。
值得关注：Twin 把“数字孪生”从仿真/工程概念引入测试时决策：在真实动作前用一个不断更新的孪生世界模型做回放验证。 它的反例驱动修复机制使世界模型可以随着交互逐步逼近真实规则，而不是一次性建模。 增量信息：与已有相关卡片中“…
知识编辑虽被寄望于低成本更新大语言模型，但现有方法把模型当作可独立修改的“模块化知识库”，忽视了知识之间的相互依赖；未来应转向考虑演绎闭合、模型信念与上下文依赖的“有原则”编辑方法。
值得关注：现有知识编辑方法（如 MEMIT、GRACE、AlphaEdit 等）已在局部事实更新上取得进展，但面对多跳推理和复杂知识依赖时明显不足。 本文与已有相关卡片（如 MetaboLLM、BiSCo-LLM、重采样/重路由…
这篇发表于 *Nature Machine Intelligence* 的综述文章认为，计算机听觉正从传统任务范式走向以大语言模型（LLM）为核心的“通用听觉智能”，关键路径是将音频理解、音频生成、语音交互和音视频融合统一纳入基础模型框架。
值得关注：音频是富含语义、情感和情境线索的模态，对实现自然化和具身化的机器智能至关重要。 该综述提出“通用听觉智能”这一整体愿景，区别于过去针对单一语音或音频任务的传统范式。 它为“音频 + 大语言模型”这一快速发展的方向提供了…
在冻结图像嵌入（如CLIP）的风格分类任务中，改用“艺术家隔离”评估协议后，5-NN风格准确率从0.87降至0.77，且下降极度不均衡；这表明此前报告的高准确率有一部分来自对画家个体的识别，而非真正的艺术风格理解。
值得关注：该研究提示：随机划分下的风格分类准确率会高估冻结嵌入对艺术风格的真实理解。“识别画家”与“理解风格”是两种不同的机制，而现有基准常常无法区分二者。作者认为，艺术家隔离评估是测量冻结嵌入中风格理解的必要步骤。这一结论对计…
根据候选摘要，该工作主张把“从多个来源中得出结论”拆成“解释每个来源”和“聚合各解释”两个独立环节，并固定二者之间的证据元组接口，比把所有来源拼接进一个提示更合理；摘要给出的一个实例中，该方法达到 0.921 AUPRC，而手工基线为 0.805（待核实）。
值得关注：该工作给出一个更清晰的证据处理架构：解释部分可以继续追求更强的上下文理解，聚合部分可以做成稳定、可复用的算术规则。它识别出一种隐蔽的失败模式——**count-scale drift**——并指出修复只需改变聚合算法，…
在PM2.5监测数据有限且源域与目标域分布不一致的条件下，保留目标域专属分支、并允许源编码器在目标域监督下进行适应的双编码器迁移框架，能够比仅用本地数据或直接迁移取得更好的短时预报性能，并降低负迁移风险。
值得关注：该研究将“域偏移下的低数据适应”问题引入PM2.5预报场景，并验证了“双编码器融合+目标域专属分支+受控的源编码器适应”这一组合策略的有效性。与已有相关卡片相比，增量信息在于：该框架专门针对时间序列环境监测任务，且通过…
SheetCompass 提出用层次化关系图显式建模工作簿内和工作簿间的结构关系，并用记忆驱动智能体进行电子表格推理与自动化，避免传统方法把多维表格结构“压扁”成字符串而丢失关键语义。
值得关注：现有 LLM 表格处理多依赖序列化或拼接式输入，而 SheetCompass 强调结构关系与记忆，直接针对“工作簿”这一真实办公单位进行智能体设计。其增量价值在于：不是只读单个工作表，而是建模多个工作表之间的隐式关系。
根据 arXiv 摘要，Rollplex 是一个面向视觉语言模型（VLM）强化学习后训练的运行时系统。它把 reference scoring 和 actor training 中的前缀计算移入 rollout 解码窗口，并通过阶段感知内存管理与张量并行感知的权重共享，在保持同步 on-policy 更新的同时，在 32 块 H800 GPU 上比串行共置…
值得关注：Rollplex 的重要性在于它把 VLM RL 后训练的性能问题从“模型算法”引向“系统运行时”：即使模型结构和 RL 算法不变，仅通过跨阶段空间共享和显存管理，也能获得显著加速。“前缀处理不依赖生成结果”这一观察，…
RecipeNet 是一种针对配方数据的层次化 Transformer 架构，通过在步骤内编码字段级交互、跨步骤建模顺序依赖，在多个配方数据集和任务上稳定优于现有表格学习模型；其具体性能提升幅度需待核实。
值得关注：指出“展平固定 schema”范式对配方类结构化流程数据的局限。 提出层次化 + 顺序建模的通用思路，可作为表格学习之外的增量方向。 此前相关卡片未涉及配方数据与层次化 Transformer，本文提供新的建模视角。
在“让公众投票”的道德AI偏好收集流程中，开发者对特征范围、投票者样本和问题表述的选择会影响最终聚合偏好，因此投票式对齐无法仅靠聚合保证公平与透明；至少每个阶段都应被审计并披露。
值得关注：这项研究揭示了“参与式”“民主式”AI对齐并非天然中立。即使模型由公众投票训练而成，开发者在特征、样本和措辞上的隐形选择仍会将特定价值观嵌入结果。它为AI伦理审计提供了一份可操作的三阶段检查清单：特征范围、投票者抽样、问题表述。
PACE-Bench 是一个基于模拟器的物理适配评测基准，通过 144 个“源环境→突变目标环境”的代码演化任务检验自进化智能体在物理规则变化后的恢复能力；当前最强方法也只能解决约三分之一的全量任务，表明该基准远未饱和，且机制重设计是核心瓶颈。
值得关注：与已有基准（如 PAST-Bench 关注个人智能体经验保留）不同，PACE-Bench 首次将评测重心放在“物理规则动态变化后的代码级自适应”上，为自进化智能体在真实世界条件漂移场景下的可靠性提供了可量化测试。其“机…
该论文提出用数据驱动的替代模型从OD需求直接近似均衡交通弧流量，以缓解道路养护调度中反复求解均衡分配模型的计算瓶颈，并在新泽西州纽瓦克地区的真实交通数据上验证了可行性。
值得关注：传统均衡交通分配模型难以在养护调度中反复调用，数据驱动替代模型提供了一个新的解决思路。 与已有相关卡片（具身AI、3D点云投毒）无直接关联，本文将机器学习与交通基础设施维护结合，属于增量方向。