论文把多跳检索失败视为可按结构特征预测的子群问题，提出 RegimeAbstain 与 Retrieval Confidence Score (RCS)，在不增加额外 LLM 调用的前提下做校准弃答；摘要报告其在五个失败条件下达到最佳或并列最佳 AUC-AC，并在 MuSiQue（LLM-judge）50% 覆盖率下把 CWAR 从 39.5% 降到 20…
值得关注：多跳检索失败若集中在可预测子群，系统可在生成前识别高风险查询，而不是把所有查询一视同仁。 弃答与覆盖率-风险权衡是可信 RAG 的关键组件；CWAR 指标把“自信但错误”单列，比总体准确率更贴近风险控制。 **与既有脉…
论文提出 PCC+GCN：在 GCN 训练前用粒子竞争与合作（PCC）做基于图的标签精炼，在 NoisyGL 十个图数据集的常规标签噪声下取得最高总体平均准确率和最佳平均排名，并在实例依赖噪声下以显著更低执行时间保持竞争力。
值得关注：图神经网络中的标签噪声会通过边传播，单点错误可能影响邻域表示；PCC 的预处理视角提供了不同于损失函数设计、正则化或端到端去噪的鲁棒训练路线。 与已有相关卡片无直接重复：既有卡片涉及 MLIP 优化器、遮挡鲁棒目标跟踪…
论文提出 OmniVBench 与 Omni-R2V Dataset，用 7 个任务族、18 个细粒度任务、12,172 条案例特定检查项和 340K 处理后训练样本，补齐 omni R2V 生成的评测与训练资源缺口。
值得关注：评测重点从整体参考一致性转向因子级诊断：不仅看“像不像”，还看参考因子是否保留、解耦、绑定到目标并按指令实现。 任务覆盖较广，可能为 omni R2V 模型提供跨任务族、跨参考组合的比较框架。 数据稀缺是 R2V 训练…
NemotronLabs VoiceChat 是一个开放的 **full-duplex speech-to-speech** 模型，原生支持工具调用，并在多项基准上展示实时对话行为与工具选择能力；但参数准确率和端到端工具执行仍是待改进项。
值得关注：该工作把“工具调用”原生放进流式语音到语音模型，而不是只在文本 LLM 或级联式语音助手中处理外部工具调用。 全双工与打断/接管/backchannel 处理直接关系到自然语音对话体验，是语音 agent 从“回合制问…
论文提出 **Multiplicatively Optimistic Regret Matching (MORM)**，一种用于有限一般和博弈的非耦合学习规则；在同时全信息自我博弈下，每名玩家仅用一步乐观即可获得相对于时间范围一致的 external regret \(O(\sqrt n\log d)\)。
值得关注：与已有“常数遗憾”路线相比，本条摘要的增量在于：MORM 强调**仅用一步乐观**，而分析仍可得到对时间范围 \(T\) 一致的 external regret 界；并将相同框架扩展到对抗效用下的 \(O(\sqrt{…
论文提出 Moral Entropy 贝叶斯框架，将道德内容标注者分歧建模为可分解的熵，并用校准后验审计常见聚合规则；结果显示 any-annotator 规则约 30% 条目与校准后验不一致，而多数投票和两票规则漏掉 63–83% 真阳性。
值得关注：把标注者分歧从“要投票消掉的噪声”重构为可学习、可分解的不确定性对象。 为道德判断数据集的共识规则提供校准审计视角：不仅看聚合结果，还看其相对校准后验的假阳性/假阴性。 与已有卡片的关系：已有卡片涉及物理建模中的区间/…
MintAct 提出一个统一视觉代理模型家族，试图用同一套 vision-language models 覆盖 UI grounding、移动/桌面/Web 多步导航和 visual tool use，并配套可扩展环境与异步强化学习基础设施；摘要称其在可比模型规模下达到多个基准的 state-of-the-art，其中 OSWorld-Verified 得…
值得关注：数字环境代理通常面临平台碎片化：移动、桌面、Web 的 UI 结构、动作空间和工具接口不同。MintAct 的增量在于尝试用一个模型家族和一套训练/环境基础设施统一这些能力，而不是只做单一领域 specialist。 …
该论文提出一个共享潜空间框架，把城市交通模拟器的校准与基于强化学习的运行控制连接起来：校准阶段用 MLP 自编码器学习低维交通动态表示，控制阶段把同一潜表示纳入深度 Q-learning 状态，从而在基准网络上报告系统级旅行时间最多降低 51%。
值得关注：它把通常分离的两条流程——高保真模拟器校准与实时交通控制——放在同一个学习框架下，尝试打通“离线校准”和“在线决策”。 对数字孪生、智能交通系统和大规模城市网络优化而言，共享潜空间可能提供一种降低维度、提升样本效率并复…
论文报告：在运动诱发压力与跨会话变化条件下，ECG 仍可支持个体区分；其 Siamese ResNet + late multi-lead fusion 方法在会话内静息到峰值运动条件下达到 EER 1.7%，在 CYBHi 数据集上达到 3.9%（作者称为 state-of-the-art），支持存在对生理与时间漂移有韧性的内在心脏签名。上述数字来自论文…
值得关注：多数 ECG biometrics 研究停留在单会话静息条件，而真实使用常伴随运动、压力和时间间隔。本文把评估条件推进到运动与跨会话变化，并报告较低 EER，因此对“心脏信号是否携带跨状态稳定个体特征”这一问题提供了新…
Gricea 是一个面向会话式 AI（CAI）研究的开放科学平台，将研究表示为可配置、可部署、可运行、可检查、可分享和可重用的研究工件，以支持 CAI 研究的构建、复现与扩展。
值得关注：将 CAI 研究从分散报告推进为可执行、可复用、可检查的研究工件，有助于复现、扩展和知识积累。 对研究基础设施、开放科学实践、会话式 AI 实验标准化具有潜在价值。 与既有卡片的关系：已有卡片 MARC v1、Deep…
GALA 将基于图像的潜在动作与 3D 末端执行器几何运动结合，并引入统一末端执行器运动表示（UEMR），以支持跨具身视觉-语言-动作（VLA）模型预训练；材料报告其在细粒度运动探测、跨具身检索和下游 VLA 评测中有效，并取得 68.3% RoboCasa-GR1 成功率与 75.5% 真实世界成功率。
值得关注：多具身预训练是 VLA 规模化的重要瓶颈之一，末端执行器动作空间异质会阻碍知识迁移。 GALA 的增量在于：把“跨具身动作空间异质”问题转化为“几何感知潜在动作 + 统一末端执行器运动表示”的问题，并显式区分场景级视觉…
DiaVLo 是一个面向视觉-语言模型（VLM）的行为诊断框架：它结合人工策划与 VLM 生成能力来构建“期望行为/观测行为”规范，并提供因果估计以识别影响行为的关键概念；摘要称其在多个开源 VLM 的分类与生成条件下产生了与模型性能相关的行为标签。
值得关注：VLM 部署不仅需要看准确率，还需要知道模型表现出哪些行为、哪些有害行为需要避免。行为识别方法稀缺，DiaVLo 将诊断对象从输出性能扩展到行为规范与潜在错位，并用因果估计指向影响行为的概念。与已有卡片的关系：已有卡片…
Designer-RSI 提出一种不更新模型权重、不使用人工标签的持续适应框架：冻结的前沿模型操作专业设计软件，同时从真实用户 brief 和自动评分轨迹中扩宽、深化外部自然语言“程序记忆”，从而提升长时程智能体图形设计的执行成功率与设计质量。
值得关注：长时程工具使用智能体在专业软件中的失败，常来自程序性知识缺口，而非单步能力不足；外部程序记忆可视为对这类缺口的显式补足。 该框架把“经验积累”放在模型之外，通过自然语言技能和回放门控实现持续适应，避免灾难性遗忘式权重更…
在法语职业事故叙述中，仅用建筑业数据开发并选择的事故过程角色分类器，无需重训或目标域调参即可迁移到冶金、化学-塑料及独立企业语料；任务特定适配优于冻结预训练表示，三种领先策略在三个目标语料上的平均平衡准确率约为 85.6%–85.8%。
值得关注：跨行业、跨组织事故叙述的术语和写作风格差异，是自动化编码落地的核心风险；本文给出了一个“不重训、不目标域调参”的跨行业评估结果。 若可复现，此类系统可能减轻专家手工编码负担，并支持跨行业职业安全分析。 与既有“冻结视觉…
一条来自 arXiv 的学术条目提出 **$λ$-Controlled GRPO**，主张 Flow-GRPO 在多步去噪中出现的多种训练不稳定（重要性比率下漂、离散化加剧、不同步裁剪比例不同、后期可用样本减少）其实源自同一个逐步统计量——"路径方差"（path variance），并据此把不稳定性从"需要事后修补的症状"改写为"可测量、可预算的资源"（正…
值得关注：把"稳定化"从事后补丁转为事前定量预算，属于方法论层面的转变：如果多步去噪 RL 的不稳定确实由单一的转移核量决定，那么调参空间会被显著压缩，稳定器的选择可以被推导而不是试错。 与既有卡片的关系：现有相关卡片分别涉及*…
COMPLEX 是一种闭式、免训练的多参数持久性模嵌入；在可检查的见证切片一致性条件下，它给出单切片下界，配合标准上界形成双侧失真界，并在 Orbit 与分子图基准上取得强结果，但在摘要层面局部逐预测认证仍失败。
值得关注：让多参数持久性特征的忠实性从“只有上界”变为“可测量、可有双侧失真界”。 免训练、闭式嵌入加仅 SVM head 的设定，说明强基准表现不必来自学习式表示或留出校准。 对 TDA/多参数持久性在分子图等任务中的可用性与…
CodeMidas 提出一种智能体流水线，仅以源码作为任务特定输入，把现有代码库中的已实现功能转化为可执行 RL 环境；据此构建的数据集训练 MiMo-V2.5 后，在五个编码智能体基准上均有提升。
值得关注：对编码智能体后训练而言，任务与验证器是规模化瓶颈之一。CodeMidas 把“已实现功能”本身作为任务来源，可能减少对 issue、commit 等开发工件的依赖。 与既有相关卡片 Change2Task 所代表的“从…
BrainWideBench 是一个基于 International Brain Laboratory Brainwide Map 数据集的基准，用于评估多脑区神经记录上的跨动物迁移；摘要显示，预训练普遍优于匹配的单会话基线，但现有方法在三类任务上表现异质，尚无单一方法全面胜出，面向行为、动力学与解剖结构的通用神经表征仍是开放挑战。
值得关注：与已有卡片中的 FriendBench、MUSE 等同属“以统一基准揭示模型能力差异”的脉络；本条将评测对象扩展到小鼠多脑区神经记录与跨动物迁移。 增量信息在于：把预训练目标—下游任务对齐、零样本跨个体泛化，以及行为/…
Benchmarking World Models for Continual Learning on Compositional Tasks
BCA（Bayesian Chronicle Agents）为 LLM 智能体增加最小显式贝叶斯信念层，把“信念”与“表达”分离，并用先验强度参数 κ 控制共识、持续分歧和坚定少数派影响；在四个模型上，预设 κ 经语言往返后仍可恢复，且持续分歧结果与 FJ 闭式不动点匹配（R²=0.93–0.99）。
值得关注：LLM 社会模拟常把意见变化藏在上下文推理里，导致“说服开放性”等关键变量不可指定、不可验证。BCA 把意见动力学参数化并外显化，使研究者能调节集体结果，并把模型偏差从模拟结果中分离出来。与既有卡片相比：APPA 关注…