ShallowStream 提出让多模态大语言模型（MLLM）的浅层网络在持续视频流中同时完成帧编码与检索索引构建，在保持与最强现有流式方法相当性能的同时，显著降低每帧预填充延迟和端到端延迟。
值得关注：已有的高效视频理解工作多集中在帧选择、token 压缩或证据聚合，而 ShallowStream 的增量在于专门利用 MLLM 的“深度”维度：把浅层计算产物同时用作索引，让深层只在需要作答时执行，从而缓解流式场景下“…
SafeEvolve 提出一种由智能体自身经验驱动的“护栏-策略协同演化”框架，在 agentic 安全基准上取得优于现有基线的安全-效用权衡。
值得关注：已有护栏演化工作（如 SHE）侧重安全护栏自身的轨迹驱动演化；SafeEvolve 的增量在于把“策略优化”也纳入同一个自演化闭环，形成“护栏-策略协同演化”，试图同时改善运行期控制与模型内在安全，并强调护栏更新的可审…
RoGe 是一个端到端统一框架，将“隐式场景重建”与“视频扩散生成”联合训练，去掉了以往混合方法中“渲染图像/点图/3D Gaussian”这类有损的显式 3D 桥接；摘要称其在 DL3DV 上的图像级指标和视频时间一致性均优于重建型、生成型和混合型基线。
值得关注：RoGe 提供了一个新思路：重建与生成之间不一定要用显式 3D 表达或渲染图来传递信息，而是可以让生成模型直接使用隐式场景表示中的射线特征。联合训练还意味着生成损失可以反向影响几何条件的学习，而不是让重建误差单向传导给生成模块。
作者提出了一套结合题目筛选、合成推理轨迹、监督微调（SFT）与强化学习（RL）的语言模型后训练方案，并引入反馈驱动的测试时计算策略 GenCorrect；据摘要报告，该系统在 IOI 2025 和 IOI 2026 题目/赛制中均超过金牌线，其中 IOI 2026 的竞赛专用系统在 535.4/600 的分数上超过了最高分人类选手 498.27，作者称这是…
值得关注：摘要给出了一个可量化的“AI 超过人类顶尖选手”的竞赛编程里程碑：535.4 分超过最高分人类选手 498.27 分。 它把“后训练”和“测试时计算”作为关键贡献，而不只是堆叠预训练规模。 与已有相关卡片中涉及视觉语言…
MuyBridge 是一个纯端侧系统，用单部手机的单目视频流估计运动员基于节段法的人体质心（segmental center of mass，CoM）轨迹：以 63 FPS 的 2D 姿态估计为主干，配合约 2.86 Hz 的稀疏单目深度更新，在 AthletePose3D（跑步、田径、花样滑冰）上取得 33–41 mm 的垂直方向 CoM 误差，且不需要…
值得关注：质心与运动稳定性、能量消耗和损伤风险等关键问题直接相关，却长期被绑定在实验室设备上。MuyBridge 展示了一条可行路径：用紧凑 2D 姿态网络、经蒸馏的深度网络与解剖/物理先验，在端侧恢复有物理单位的生物力学量。它…
SpeND（Spectral-like Neural Discretisation）将无网格离散算子中“未被多项式一致性约束的自由度”交给神经网络学习，使构造出的微分算子能在更宽波数范围内近似谱算子的频响，同时通过硬约束投影严格保持多项式一致性。
值得关注：该工作表明，无网格格式中看似“剩余”的自由度并非只能由核函数或范数条件决定，也可以用数据驱动的谱目标来引导。现有“已有相关卡片”均不涉及无网格离散算子学习，本卡片补充了“神经网络自适应构造离散微分算子”这一方向，属于数…
本文提出一种面向电信网络根因分析（RCA）的结构化推理框架，通过在诊断前将异构网络遥测组织成规范上下文、在诊断中强制决策路径推理、在输出时生成证据支撑的解释，来减少大语言模型（LLM）在5G/6G场景下直接用于RCA时的幻觉与不稳定，提升诊断准确率和决策一致性。实验基于TeleLogs和TelecomTS两个5G RCA数据集（待核实具体规模与来源）。
值得关注：过去关于LLM的可靠性研究多集中于模型自身机制（如水印、基准、预算分配），而本工作聚焦专业领域（电信RCA），强调“领域证据结构”与“推理过程约束”比单纯提示词调优更能抑制幻觉。这属于LLM在垂直行业落地中的关键增量信息。
在光滑凸优化中，采用预定步长序列的梯度下降（GD）仍有不可忽视的收敛误差下界：本文给出 non-anytime 下界 \(\Omega(n^{-1.6342})\) 和 anytime 下界 \(\Omega(n^{-1.2408})\)，分别改进了 Ma-Chen 与 Tsai 等人的结果，并借助 silver schedules 的非 anytime…
值得关注：这项工作刻画了“仅仅改变 GD 的预定步长序列”这一简单操作能达到什么程度，为理解梯度下降的加速边界提供了更精确的理论参考。
Graph Machine（GM）是一种维护 O(n) 大小状态并通过稀疏动态路由访问该状态的架构；用 GM 稀疏层替换 Qwen3-0.6B 中 75% 的稠密 Transformer 层后，在 15.7B tokens 上从头预训练，每个 KV 头只需从 4,096 个 token 中检索 4 个 token，最优模型的 loss 便获得轻微改善。
值得关注：增量信息在于：GM 用“边”作为可微指针式对象，在稀疏层中保持 O(n) 复杂度的同时，避免了固定大小状态或静态稀疏路由对可访问状态大小造成的限制。 本文属于基础模型预训练架构与稀疏动态路由方向，与已有相关卡片中的场景…
GRADSOLVE 是一个面向 NVIDIA GPU 的开源 JAX 库，用于求解低维 ODE 集成（ensemble）并执行反向模式求导：它记录自适应求解器接受的步，再对这些步做定步长重放和微分，返回这些步的精确离散伴随；一旦完成一次记录，其梯度计算速度比 Diffrax 的 checkpointed adjoint 快约 5.6–14.1 倍，具体优势…
值得关注：GRADSOLVE 试图打破“正向求解快”与“可求导”之间的取舍，为科学计算中的参数估计、灵敏度和优化任务提供更直接的高吞吐路径。 与既有知识卡片无直接重复；本条对应 arXiv 2609.02876v1，属于新的工具…
GDB-Reward 的核心主张是：把图形设计领域各类不可微的评估指标统一转换为强化学习奖励，从而在不微调文生图模型的情况下，提升模型输出对设计规格的遵从性（依据候选摘要，具体效果与机制待核实）。
值得关注：它把“评估”与“训练”连接起来：原本用来给结果打分的指标，也可以反过来作为优化信号。 对基础模型应用而言，这种思路提供了一种不改动庞大生成模型的改进路径：只在奖励端做转化，即可影响生成结果。 增量信息在于“评估指标本身…
在无噪声高斯压缩感知的理想化线性设定中，**全维线性生成先验**在整族可调线性先验中取得最小期望重建误差；此时调低先验复杂度并不能改善重建误差。该结果与去噪任务中低复杂度先验因偏差-方差权衡而更优的行为形成对比。
值得关注：该结果刻画了“可调生成先验”在压缩感知与去噪两种任务之间的本质差异：压缩感知中线性族的全模型最优性说明，实验上观察到的调优收益不能由线性机制解释；这为理解非线性生成先验的作用提供了理论边界。作为待核实摘要，它提供了对既…
论文为 Model-RB 基准实例 `frb100-40` 给出了可核验的最优性证书：一个 100 顶点的独立集，以及一个将该 4,000 顶点图划分为 100 个大小为 40 的团的验证性划分；二者合在一起证明最大独立集大小为 100，最小顶点覆盖大小为 3,900。预注册搜索实验显示，新增的 pair 与 triple 修复算子相对基础 ULSA 没有…
值得关注：这是对 `frb100-40` 这一长期开放实例的确定求解，而不只是又一个表现更好的启发式运行。 将“随机搜索发现”与“可核验证明”分离，有助于建立可复现的组合优化结果。 预注册的零加速结果是一个有价值的负面结果：说明…
CW-Net（Concept-Wrapper Network，概念封装网络）将自动驾驶机器学习规划器的决策“因果性地”锚定到人类可理解的概念上，并在真实自动驾驶车辆上完成部署；结果显示，它改善了驾驶员对车辆行为的心智模型，使其能更好地预测车辆行为，尤其是在意外场景中。
值得关注：本研究提供了“经真实部署验证”的可解释性路径，回应了此前可解释深度学习技术实用性不明的问题。 CW-Net 的解释不是与决策脱节的附加说明，而是参与最终决策的概念变量，因此更可能真实反映规划器行为原因。 对自动驾驶安全…
本文提出一种轻量级全合一图像恢复方法 FReSH-IR（Frequency Reconstruction via Spectral Harmonization），通过在层级编解码器中显式分解高、低频特征并结合傅里叶跳跃连接，以比 Transformer 类模型少 80% 的参数与计算量，取得相近的恢复质量。
值得关注：已有相关卡片分别关注全合一恢复中的“歧义校正”和“自监督深度估计的天气鲁棒性”，但尚未覆盖“轻量化、频谱分解”这一技术路线。本条目的增量信息在于：FReSH-IR 从频率分解和傅里叶跳跃连接入手，将全合一天气恢复的模型…
EarlyEval 提出“早期结果预测”这一评估降本新轴：在 agent 执行过程中用一对 LightGBM 成功/失败分类器判断最终结局，一旦置信度过阈值就提前终止运行，从而在只让 agent 解决率平均变化 1–2 个百分点的情况下，最多减少 44.1% 输入 token 和 29.4% 输出 token。（待核实）
值得关注：早期结果预测是一条与基准蒸馏正交的效率轴：蒸馏压缩“任务数量”，EarlyEval 压缩“单个任务内的执行开销”，两者可以组合使用。 与已有“探针级联”卡片相比：探针级联用隐藏层激活和召回控制来预测失败并提前终止；Ea…
该工作提出用“预测状态匹配”（predicted-state matching）训练判别式世界模型，使网络智能体在测试时通过预测并区分不同动作导致的网页状态来选择更优动作，相关实验表明该方法优于传统监督式下一状态预测训练的世界模型。
值得关注：现有相关卡片多关注基础模型的数据集或基准构建（如 Deform360、RMISC、UniClawBench），而本条聚焦于“世界模型训练目标”本身与下游任务（智能体动作排序/选择）之间的对齐问题。 若这一目标被验证有效…
DiscoSign 是一个面向语篇（discourse）级别的手语翻译框架，提出用模块化大语言模型（LLM）处理“文本→手语标注（gloss）”中的语篇现象。摘要称，相比“仅句子翻译”，该方法显著改善了空间一致性和实体追踪，同时保持有竞争力的单句翻译质量。
值得关注：手语不是孤立句子的简单拼接；很多信息依赖跨句的空间指代和语篇结构。若只做句子级翻译，翻译结果可能在单句上可读，但连起来仍不符合手语使用习惯。 与既有脉络的关系：已有相关卡片“实时句子级手语翻译”更关注降低延迟、提高端侧…
这篇Nature综述指出，AI驱动的物理实验设计正从“调整个别参数”发展为在广阔硬件配置空间中搜索最优解，甚至提出全新实验布局；这些AI发现的结构常挑战传统设计惯例，却能达到或超过人工设计的性能，未来有潜力开辟探索宇宙的新途径。
值得关注：过去AI在实验科学中常被视为“参数调节器”，这篇综述表明其角色正向“实验发明者”扩展。它提供了一个系统化的四问题框架，帮助研究者理解不同AI设计方法的本质差异与共性瓶颈。该综述还明确指出AI发现方案与人类直觉的关系——…