豆包工作通过与飞书原生打通，让办公Agent直接读取企业聊天、文档、表格与权限上下文，成为目前最接近企业Agent终局的一组实践答案。
值得关注：与已有相关卡片中“虚拟3D世界的通用代理”“编码智能体基准”“Cursor视觉提示编辑UI”等方向不同，本条增量信息在于：企业级Agent竞争正从“会干活”转向“懂组织”。豆包工作接入飞书不是简单插件级连接，而是与组织…
Zero-WAM 提出一种以人类操作视频作为“上下文指令”的因果视频-动作模型，让机器人零样本执行训练中从未见过的操作任务，在 RoboTwin 2.0 的 7 个未见任务上平均成功率达到 47.0%。
值得关注：该工作把“上下文学习”从语言模型扩展到机器人操作，并用人类视频替代语言作为任务规范，为开放世界任务泛化提供了新范式。相比已有相关卡片中的 Surgical WAM（以无动作内窥镜视频预训练手术操作模型），Zero-WA…
VoiceMem 提出一种带有“信息左脑 + 情感右脑”的流式双脑记忆架构，可在语音对话系统中实现高精度、情感化、个性化且低延迟的实时记忆读写，检索仅需 134 ms，不增加额外对话延迟。
值得关注：已有相关卡片多关注视觉、时序预测或机器人建图，未涉及语音对话系统中的流式记忆架构。VoiceMem 的核心增量在于将“记忆”明确拆分为信息性与情感性两条通路，并以流式方式接入双工语音模型，同时验证了低延迟和高精度可兼得…
VISA 把多模态指令跟随数据的合成从“一次性生成-过滤”转变为“合成-验证-反馈-记忆-再合成”的自我进化闭环；在 MM-IFEval 上稳定提升多模态指令跟随性能，并在七个公开基准上保持通用多模态能力。
值得关注：已有卡片（MidTool）关注面向工具使用的中间训练数据合成，（MedPMC）关注从文献提取医学多模态数据。VISA 则面向通用多模态指令跟随的合成数据，其核心增量在于：把失败样本、验证器结果和目标模型错误作为有价值的…
VBVR-Pro 是一个把“通过视觉生成进行推理”变成可训练、可验证、可优化、可对照实验的闭环测试平台：用 300 个程序化任务支撑训练，用规则化的可验证奖励替代 VLM 裁判，并在超过 30 种图像/视频/交错生成器上做机制研究，提出存在对视觉推理至关重要的“视觉原生轨迹”。
值得关注：与已有相关卡片（技能熵基准、VAORA 视觉-动作对齐）相比，VBVR-Pro 的增量信息在于： 明确提出“视觉生成本身即推理介质”这一范式，并通过闭环测试床将其工程化； 用可验证规则奖励取代不可靠的 VLM 裁判，为…
本文提出 UGDiff，一种不确定性引导的扩散采样范式：先估计高保真图像潜在特征的重建不确定性，再结合扩散采样器每步的后验方差动态确定高不确定性区域，从而指导扩散过程只在这些区域重点恢复高频细节，其余区域保持保真度，最终在感知质量与失真之间取得更好平衡。
值得关注：扩散模型在图像超分中面临“好看但不准”与“准但不自然”的两难。UGDiff 的增量信息在于：不把高保真图像当作全局硬约束，而是用潜在特征重建不确定性加扩散后验方差来动态定位需要“补细节”的区域，从而缓解后期采样对高保真…
在B模式超声图像中，使用超声域内基础模型作为LPIPS骨干，比使用自然图像或医学通才骨干更能匹配下游监督任务性能；LPIPS骨干选择是一个不可忽略的设计决策。
值得关注：提示通用自然图像预训练模型在特定成像领域可能不是最优的感知度量基础，为基础模型在垂直医学影像领域的适配提供了证据。 与已有的基础模型能力展示类卡片不同，本工作聚焦基础模型作为“感知度量”的领域专门化，并开源了超声专用L…
大型语言模型在孤立编程问题上能写出正确代码，但在需要数小时反馈循环的机器学习开发上仍弱于强人类；TraceML 用版本级开发轨迹把这一差距定位为智能体动作范围狭窄、不常切换、不重新打开已放弃方案，并显示从人类实践中提炼的短规划提示只能部分弥合差距。
值得关注：该工作把“AI 智能体与人类在机器学习开发上的差距”从结果层面推进到过程层面。它不再只说“智能体分数更低”，而是展示“智能体在开发过程中如何不同地分配精力、如何不进行多样化探索、如何不重拾被放弃的方案”。这种过程数据可…
对LLM数据智能体而言，答案正确不足以证明可靠：必须进一步检查答案背后的“计算轨迹”是否完整、可执行、符合模式、忠实于算子、可重放、与答案一致且可审计；仅凭答案准确率会高估真实系统的可靠性。
值得关注：已有相关卡片分别关注LLM在真实世界数据分析中的性能差距、主动智能体基准、道德推理中的结构化调整。本卡片的增量信息在于：它不直接衡量任务表现，而是提出了一个更严格的“可靠性”维度——即使答案正确，过程也可能无效。对于金…
在一次决策优化问题中，如果决策者凭借人类经验判断“名义问题最优值不太大”，那么这种主观信念所能带来的最坏情况性能保证的最大改进，恰好等于某个 max-min 问题的 minimax gap（前提是策略的最坏情况性能计算可写成凸规划）。
值得关注：既有相关卡片多关注“人类参与是否持久”或“具身智能中的人机协作”，本卡片则从优化理论角度量化“人类专业知识”的增量价值。它不把人类经验看作不可解释的外生因素，而是将其转化为一个可计算的性能保证改进量，为“人在回路”的决…
在SwarmWorld中，最初同质的语言模型（LLM）智能体无需预设角色或配方，仅通过共享环境中的持久化痕迹（stigmergy）即可自组织出技术社会；共享社会能产生更广泛、更有韧性的技术组合，但在最强单个工件上，隔离搜索仍具竞争力。
值得关注：已有相关卡片聚焦于模型内部表征、视觉语言模型准确率、冻结模型弃权等层面，而本条关注的是基础模型智能体在多智能体社会层面的自组织行为，属于“基础模型社会行为”方向的新增信息。 SwarmWorld提供了一个从“直接对话/…
StreamPI 是一个不引入额外参数的流式多模态时间建模框架，可以让单帧 VLA 模型（如 pi0.5）获得时间推理能力，并在真实机器人任务和 LIBERO 模拟基准上的多样化任务中表现优于 pi0.5（具体性能数值待核实）。
值得关注：单帧 VLA 模型缺乏跨时间信息整合，StreamPI 给出了无需新增参数的解决方案。 将语言指令作为语义锚，既保持多模态融合，又不破坏流式自回归推理，设计上具有实用价值。 与已有相关卡片中的 UniTexture（针…
Robust CurveMoE 提出一种将模式连通性（Mode Connectivity）与混合专家（MoE）结合的防御框架，通过低损耗路径连接针对不同扰动范数特化的模型，在 CIFAR-100 和 ImageNet-100 上相比最强基线将 Union 准确率分别提升 2.37 和 2.13 个百分点。
值得关注：与已有混合专家相关卡片（如面向视频预训练、低秩适配、分布式微调）不同，本条信息的增量贡献在于：首次将“模式连通性”与“混合专家”结合，用于解决多范数对抗防御中的多目标冲突问题，避免在单一参数配置中强行走钢丝式的鲁棒性权…
RefVideo-6M 是一个包含 500 万视频编辑样本和 100 万图像编辑样本的大型参考引导数据集，它把无伪影的真实视频作为编辑目标，并提供约 600 万视觉参考，以缓解现有数据集目标视频伪影多、视觉参考缺乏的问题。
值得关注：RefVideo-6M 把“视觉参考”从辅助信息提升为大规模数据集的核心组成部分。相比纯文本指令，视觉参考能更直接地保留身份、细节和编辑意图。它为视频编辑模型提供了一条“真实目标视频 + 多专家生成条件 + 视觉参考”…
本文提出名为 **R³** 的后训练方法，将现成的视觉语言模型（VLM）训练成“机器人推理器”，使其生成自由形式的自然语言推理，作为测试时计算（test-time compute）信号来引导底层操作策略，并在两个长时程操作基准上显著优于仅使用指令的模仿学习基线。
值得关注：现有大语言模型的推理能力通常用于文本或代码任务，本文将其扩展到**机器人操作**这一高维、连续决策场景。 与已有相关卡片中的方法相比，R³ 的增量在于：它不把推理痕迹当作辅助监督，而是让自由形式语言推理成为**行动前的…
Prefix Sliding 通过只保留“前缀 + 最近窗口”中的 token，并丢弃中间推理 token，把长推理的内存需求变为有上限，让测试时缩放能够更高效地扩展到超长推理轨迹；无需训练即可让现有模型提速约 3 倍并保持性能。
值得关注：测试时缩放常通过更长的推理换取更强性能，但推理轨迹越长，全注意力带来的内存成本越高。Prefix Sliding 不依赖额外训练即可压缩内存占用，并把“内存随推理长度增长”变成“内存有上限”；结合 RL 训练，还能进一…
PlanSightRAG 是一个直接对图纸图像建立索引并进行推理的视觉优先多模态 RAG 框架；在五个州交通部标准图纸的零样本检索上达到 91.47% Recall@5，在合成合规图纸上，只有在提供预解析规则阈值时才达到 100% 判定准确率。
值得关注：现有 OCR 方案丢失几何与布局信息，PlanSightRAG 将“视觉优先”引入土木标准图纸的 RAG 流程，并给出可解释的热图证据。相比已有相关卡片（如 HierDoc 的页到区域证据路由），本条的核心增量在于：它…
PPE 是一个由自然语言查询直接驱动的自主 AI 系统，能够自动完成多模态地理空间数据的检索、融合与模型选择；在摘要报告的多项任务中，它超过了人工调参的专家基线和公开最优模型，例如将美国 CDC 21 项健康指标的平均 R² 从 60.0% 提升到 76.8%。
值得关注：PPE 把“数据选择”从离线训练集选择扩展到在线地理空间协变量选择，并结合基础模型嵌入处理多源、多模态数据。 它展示了一条从自然语言直接到专家级地理空间预测的路径，有望显著减少领域专家在数据工程和模型调参上的负担。 对…
标准OCR技术在处理真实身份证件时存在结构性缺陷，字段级错误率难以达到KYC/AML合规所需的99.9%准确率门槛；以LlamaParse为代表的agentic document extraction（智能体式文档提取）通过布局感知与模型路由，将OCR从“逐字符识别”升级为“先理解、后提取”的合规管道。
值得关注：**与既有脉络的关系（增量信息）：** 已有卡片覆盖了LLM评测、优化器和数据投毒防御。本条增加了“基础模型在文档智能/合规场景中的应用”视角：标准OCR的局限不在于单个模型精度，而在于缺少对文档结构的理解与推理能力。…