基于模型的强化学习（MBRL）在单智能体领域表现突出，但在竞争性不完全信息博弈中的扩展仍不充分，这是本文瞄准的研究空白。 多智能体博弈中，对手策略变化会引发非平稳性；论文指出，分散式（decentralized）模型学习面临严重的可辨识性（identifiability）障碍，因此论证集中式模型学习在数学上具有必要性。 摘要没有说明具体是哪四个基准游戏，也…
值得关注：为 MBRL 从单智能体扩展到多智能体、尤其是双人零和博弈，提供了“集中式建模”的分析理据，而不只是简单增加对手模型。 给出“在理想化模型下可继承策略梯度算法收敛到纳什均衡”的理论连接，便于借用既有单智能体策略优化成果…
本文提出一个机制设计框架，用于处理“对齐（偏好）和能力（可行行动与信息）未知”的AI智能体，核心目标是设计激励机制，使智能体在面对我们时既“诚实”又“服从”。
值得关注：现有AI对齐研究多关注模型训练、解释性或行为约束，较少系统地从“机制设计”角度考虑智能体在信息不对称下的策略性行为。本文把对齐问题重新表述为“偏好未知+能力未知”的委托代理问题，补充了传统对齐技术路线之外的激励相容视角…
与预训练阶段不同，在大语言模型的“中段训练”（mid-training）阶段使用基于 logit 的前向 KL 知识蒸馏，会持续提升推理能力，但会拖慢事实回忆的获取；论文提出的 Switch Distillation 可以在保留事实回忆的同时获得推理与常识收益。
值得关注：已有研究多关注知识蒸馏的目标函数或教师规模，较少区分训练阶段带来的影响。本条增量信息在于：中段训练中前向 KD 会产生“推理提升但事实回忆受损”的分离效应，并且这种效应可以通过基于教师熵的简单路由信号缓解。这为后续在自…
（待核实：基于arXiv元数据中的候选摘要。）H3-World 提出一种轻量化框架，将 MiniMax-H3（33B）视频生成器原本粗粒度的自然语言控制，转化为具有时间精度的交互式世界控制，且无需新增专用动作模块。
值得关注：与已有相关卡片中的数据分析、无人机时空推理、遥感理解等评测不同，本条不是能力评测任务，而是一个面向“基础模型能力迁移/控制”的轻量化方法尝试。 增量意义在于：现有不少工作强调大模型在专业任务上尚未达到实用水平；而 H3…
训练物理信息神经网络时需要联合优化物理残差损失和初值/边界条件损失，这些损失项的梯度可能相互冲突。论文指出，即使梯度手术在优化器变换前构造的方向 \(a_t\) 落入无冲突锥 \(\mathcal{C}_t\)，现代优化器也未必能把这种无冲突性质保留到最终提议的更新 \(u_t\) 上，即“梯度更新失配”（GUM）。提出的“梯度更新对齐”（GUA）将优化器…
值得关注：已有相关卡片多关注 PINN 在不同物理场景中的应用，或通过架构/损失函数把物理先验引入模型；本条则从训练机制层面揭示了一个被忽视的中间环节——梯度手术的无冲突方向会被优化器变换破坏。 增量信息：提出并验证了 GUM …
该论文针对大语言模型在“标签空间大、标签语义相似”的文本分类任务中容易混淆的问题，提出一种无需微调的困惑感知检索与知识注入框架：先找出模型难分的标签对，再加入易混淆候选标签，并生成针对性规则来区分相似标签。在 WOS、Flipkart、LEDGAR 三个基准上，相比检索基线，Macro F1 最高提升 10.0 个百分点；小模型（2B–20B）通过跨模型迁…
值得关注：现实中有大量分类任务会面对“标签很多、边界很细”的分类体系，而模型的瓶颈往往不在于找不到候选标签，而在于候选标签之间太相似。 该框架把问题从“更多检索”转向“知道哪里会混淆，并显式注入区分知识”，为 LLM 文本分类提…
Facet-0 是一个将动作生成与腕部力/力矩（wrench）预测联合起来的机器人基础模型；在 ManuFacet-1K 上训练并经过任务适配后，它在五种亚毫米计算机装配任务上达到 82% 的平均成功率，而最强基线只有 15%。
值得关注：该工作的增量信号在于：机器人基础模型不一定只预测下一图帧或末端位姿，也可以把力/力矩等接触信号作为显式预测与价值评估对象。对接触丰富、需要容错的精密操作而言，“动作会带来什么接触后果”比单纯几何运动精度更关键。
EvoSCM 提出让科学智能体不只“学会推理”，还“知道该相信什么”：它把科学假说表示为显式、可演化的结构因果模型（SCM），并通过“做出可证伪预测—实验检验—用偏差修正模型”的闭环，在 DiscoverPhysics 基准上持续提升科学发现效果。
值得关注：它回应了“科学智能体不知道应该相信什么”的问题，把科学假说从自由文本变成可编辑、可检验的因果模型。 “信念修正”不再只是抽象哲学概念，而是体现为结构因果模型的结构更新和机制更新。 EvoSCM 把溯因、实验设计、预测检…
本文提出一种名为 PTA-IRT 的“特权轨迹感知项目反应理论”框架，将智能体执行任务的历史轨迹与最终通过/失败结果结合，用于更高效地选择少量校准任务并估计智能体能力；在低校准预算下，该方法在四个 SWE 基准上一致优于既有 IRT 基线。
值得关注：既有相关卡片主要涉及机器人操作组合泛化、开放词汇 3D 场景理解和视频物理一致性，而本条卡片属于“基础模型”主题下的软件工程智能体评测方向，与已有卡片没有直接重复。增量信息在于：它指出已有高效评估方法多为“只看结果”（…
从构思到修改，写作涉及不同层次的认知活动；仅提供自动补全等通用文本辅助并不够。本文提出并探索“主动思维伙伴”这一设计方向：让用户可配置角色和主动性的 AI 智能体在适当时机提供更高层认知支持，从而把写作 AI 从“替用户补字”推向“陪用户思考”。
值得关注：主动 AI 在写作工具中的应用常常只被理解为“更积极的文本预测”。这篇研究把重点从文本层提升到认知层，提出主动系统也可以作为“思维伙伴”介入写作。它延续了“主动智能体”这一研究方向，但与已有相关卡片关注的记忆代理、基准…
CordisBench 是包含 1,200 道题的组件生命周期推理基准，用来考察语言模型能否在动态 Agent 执行框架（dynamic agent harness）中理解组件依赖、清理（teardown/cleanup）顺序与重配置的后果。结果显示，模型在小规模系统上通常表现不错，但随着相关交互数量增加，可靠性下降；额外推理投入可为部分模型带来明显提升，…
值得关注：它将“语言模型修改自身执行环境”这一新范式中的组件生命周期问题，显式化为可量化评测任务。 提供了一个将有限参考语义与真实运行时执行相对照的评估思路，有助于同时考察推理结果与推理成本。 为动态 Agent 的可靠性研究提…
该工作展示了一个已部署的文档理解系统：它基于总参数35B、激活参数3B的混合专家（MoE）视觉语言模型，结合“难度感知”数据筛选与内部生产数据微调，在质量调整后的预期成本上比人工基线降低超过80%，比最佳可比开源模型降低超过50%。
值得关注：与已有相关卡片关注的VLA、视频质量评估、多跳问答不同，本条聚焦文档理解中的“成本-质量”权衡。其增量信息在于把“难度感知数据筛选”和“质量调整部署经济学”结合：不只是报告准确率，而是在真实生产遥测下将人工、确认、纠错…
基于该论文摘要：大语言模型能否真正“发现科学定律”仍是开放问题；作者提出科学定律发现基准 SCILAWS-BENCH，通过“真实观测”和“平行世界”两种互补任务评估模型，发现预测拟合度与科学有效性可能脱节，记忆会显著影响模型是复现还是超越已有公式，并且 best-of-N 研究暴露出选择瓶颈。
值得关注：现有 AI 科学发现评测常常过于简化，或使用可能被模型“背下来”的目标；SCILAWS-BENCH 使用真实论文与真实数据构造任务，更接近实际科研生态。 真实世界与平行世界的双设置设计，有助于将“数据拟合式发现”与“主…
本文提出一种以用户涂鸦（scribble）为条件的 ResEnc U-Net，用于多示踪剂 PET/CT 全身病灶分割；在 autoPET/CT V 挑战的五折验证中，无交互时平均 Dice 为 0.554，经过 5 轮涂鸦修正后升至 0.751，说明少量交互提示能大幅提升分割性能。
值得关注：相比纯全自动分割，本文验证了“少量交互提示即可显著提升 PET/CT 病灶分割”这一可落地思路。 与已有 AUTOPET V 相关卡片相比，本条提供了另一种具体提交路径：采用四通道涂鸦条件、ResEnc U-Net，并…
LLM 裁判给摘要打分不是一个无法解释的“黑箱直觉”，而是存在一条可定位的两阶段神经计算管线：第 15 层以下的注意力先进行局部错误比较并把结果路由到最终输入位置，第 15 层以上的 MLP 级联整合信号并写出评分；最终决策在残差流中的一个明显晚期层结晶（Themis 为第 26 层，Prometheus 为第 25 层）。
值得关注：已有可解释性工作往往关注 LLM 裁判的“评分偏差”，本文则进一步说明正常评分路径本身也存在可定位、可干预的神经机制。这为评估器的可靠性审计、有针对性的纠错以及更可控的自动评估信号提供了机制层面的切入点。
ACToR 提出在 LLM 自回归生成过程中识别“关键 token”，并在这些决定性位置按需触发仓库检索；在 RepoExec 与 CoderEval 两个基准上，相对现有最优方法分别取得 8.4% 和 15.4% 的相对提升。
值得关注：这篇工作把代码生成场景中的 RAG 从“任务级上下文支持”推进到“决定性 token 级按需支持”。它提示：代码生成失败可能不是由整体上下文不足决定，而是由少数关键位置上的错误决策决定。对仓库级代码补全、跨文件 API…
据论文摘要，该研究提出一套端到端流水线，用大语言模型（LLM）从半导体公司公开披露文档中抽取风险与机会，将其组织为知识图谱并排序，最终生成机会-风险矩阵；在五家企业的测试中，抽取条目的独立验证有效率为 92.6%，自动排名与专家判断的平均 Spearman 相关系数分别为 0.55（风险）和 0.72（机会），矩阵显示贸易限制是跨公司的主要风险。
值得关注：这是“LLM + 知识图谱”用于产业级风险情报的实证尝试，而非仅停留在模型能力评测。 它将知识图谱应用从生物医学、智能体轨迹等扩展到供应链风险管理领域，属于增量应用场景。 引入独立人工验证和与专家判断的相关性比较，比单…
候选摘要称，LRNBA 将网络中的每个 block 表示为一组共享神经基的线性组合，从而在降低训练与推理内存成本的同时，允许在相同参数预算下构建更宽、更深的网络；其收敛速度可与经典架构相当甚至更快，损失更低，且训练动态稳定。
值得关注：在基础模型规模持续增长、内存成本突出的背景下，该工作把网络压缩问题放到架构层面，尝试用“共享神经基 + 线性组合”而非仅靠事后剪枝、量化来解决参数效率问题。 与已有相关卡片的增量关系：已有卡片分别涉及PINN弹性波、深…
该论文提出 UVIB（Unconstrained Vehicle Identification Benchmark），一个整合 7 个巴西公开车辆数据集、共 84,835 张图像的车辆属性分类基准，用于评估监控场景下前端/后端朝向、遮挡相关 VMMR 适用性、颜色清晰度三个任务，并发现“域偏移”对性能的影响大于模型架构选择。
值得关注：现有车辆属性研究多依赖单一数据集或域内精度指标，容易低估真实监控部署时的性能衰减。UVIB 的价值在于：将多个已有数据集重新组织为统一标注的跨域评测基准，并显式区分“朝向、VMMR 适用性、颜色清晰度”这些影响实际车辆…
Anthropic 在 Claude Fable 5.1 中推出“上下文一致性验证”，严格校验客户端回传的思考块是否与系统提示、工具和历史消息完全一致，不一致即报错拒绝服务；此举旨在封堵针对推理能力的工业级蒸馏，同时因上下文固定而显著提升提示词缓存命中率，降低延迟与调用成本。
值得关注：这条信息补充了 Anthropic 在模型安全治理上的增量动作。在既有的“Fable 5 永久可用”“生物学安全防护”之外，Anthropic 开始从 API 规则层面防止模型蒸馏：不是简单限制输出，而是要求推理过程在…