WorldAuditBench 将“交互式 3D 世界审计”作为评测多模态智能体能否耦合行动与视觉推理的任务；根据摘要，在固定探索预算下，五个前沿模型成功率仅为 6.6%–42.3%，远低于人类表现 83.4%。
值得关注：它把 3D 世界质量检查/异常检测从单帧视觉识别，推进到“主动探索并验证异常”的交互式评测。 对具身智能、VLA/VLM 智能体和模拟环境质量保障都有直接评测意义：模型不仅要“看懂”，还要“走到能看懂的地方”并判断证据…
ViTeX-Bench 用 387 段真实 720p 视频、三轴 13 项指标和 ViTeX-Edit-14B 参考编辑器，把“视频场景文本编辑”的文本正确性、时序质量与局部保持难题变成一个可复现评测对象。
值得关注：视频局部文字编辑同时牵连 OCR、生成、时序建模和局部编辑控制，是可控视频生成中容易被通用指标漏掉的难点。与既有卡片相比：EgoPolice 关注高风险自我中心视频理解，MedPMC 关注医学多模态数据系统，Motio…
Turbo Harness 提出把已完成的一次全局 harness 优化过程“回收”为结构化 playbook，并训练 harness editor 为每个任务实例生成补丁，从而将统一 harness 转为实例自适应 harness；摘要称其在七个基准上持续优于现有 harness 优化基线。
值得关注：它把 agent 自我改进的对象从单一全局 harness 扩展到实例自适应 harness，并强调复用已有优化痕迹而非从零搜索。这与“递归自我改进”的自动化 harness 搜索方向相关：一旦全局优化完成，后续实例适…
Alonso-Monsalve 等提出一种稀疏 Vision Transformer 框架，用掩码自编码器与体素级关系目标进行自监督预训练，在能量前沿中微子探测器模拟事件上提升分类、回归、顶点重建和数据效率，并在部分公共探测器基准上观察到跨域迁移；作者仅称其为 “foundation-style”，不宣称已完成通用探测器基础模型。
值得关注：对能量前沿中微子探测，机器学习不只是可选增强，而可能是实际事件级物理提取的前提。 论文给出 “foundation-style” 的操作性含义：单一可复用编码器、任务标签无关的大规模预训练、多任务适配、少标签条件测试、…
该工作提出一种新的有向无环图（DAG）乘积算子，使定义在两个 DAG 之积上的线性结构方程模型（SEM）、图傅里叶模态、因果偏移与滤波器能够沿两个图因子分离，从而避免直接处理规模为两因子规模之积的加权传递闭包矩阵。（基于元数据与摘要要点，正文未抓取，细节待核实）
值得关注：现实中的因果结构常常天然具有两个正交维度（时间 × 个体、部件 × 工序、基因 × 条件），直接展平为一个图会丢失可分解结构，并带来规模爆炸。 该工作把“图乘积算子”与“因果信号处理”这两条线索接在一起：算子的选择不是…
SCAPO 将半事实（semifactual）提示干预下的 token 概率漂移纳入 GRPO 的 token 级信用分配，在 Qwen3-4B-Base 和 Qwen3-1.7B-Base 上相比 GRPO 提升 AIME 2024-2026 准确率 5.63 和 4.17 个百分点，表明半事实稳定性可作为 RLVR 中细粒度训练信号。
值得关注：它直接指出 GRPO 类方法的一个潜在缺陷：结果奖励被均匀摊到所有 token 上，可能把虚假相关性也一并强化。 SCAPO 的增量在于把“半事实稳定性”转化为 token 级信用信号，而不是只做解码期干预或只依赖最终…
一篇编号为 arXiv:2609.40316v1、题为《Scaling Laws for Looped Mixture of Experts》的预印本，据其摘要声称提出了首个把「循环（recurrence）」与「稀疏专家（MoE）」连同模型规模、数据量一起联合建模的缩放定律；但正文抓取失败，本卡片仅基于元数据与摘要信息整理，全部技术结论与数字均待核实。
值得关注：循环与稀疏分别对应「深度方向的重复计算」与「容量方向的稀疏激活」，把它们放进同一个缩放定律，意味着扩展规律从单轴走向多轴联合建模（待核实）。 与既有脉络的关系：本批已有卡片中的 MoE 相关工作——LingBot-Vi…
Ataraxos 通过自博弈强化学习、信念网络与测试时搜索的组合，在隐藏信息规模极大的 Stratego 中取得作者所称的首个超人类结果，并将同一设计模式推广到 Barrage Stratego、Hanabi 和斗地主，表明大规模隐藏信息不再必然阻碍强化学习与搜索。
值得关注：它针对的是战略决策领域长期开放问题：当隐藏信息量很大时，传统不完全信息求解与搜索方法成本过高；Ataraxos 提供了不依赖小规模公共信息变换的替代路径。 它把“策略-价值网络 + 信念建模 + 测试时搜索”组合成较通…
论文发现，非侵入式脑到文本解码中一些显著性能提升可能来自“时间捷径”；把句子中所有窗口改为独立处理，并配合对同一词多次神经响应的聚合与预训练 LLM 语言先验后，SimpleB2T 在感知语音基准上取得 36.6% 词错误率。
值得关注：它暴露了脑到文本解码评估中的一个重要捷径：模型可能利用词时长、窗口重叠和句子级联合预测中的时间结构，而非真正读取脑活动。 无脑信息合成信号与真实脑记录上的 balanced accuracy 几乎相同，说明旧有部分的提…
Ranking-PE 把反思式提示进化中的“逐实例正确性”替换为“阳性—阴性配对排序”，使候选提示的选择目标对齐 AUROC；在 MIMIC 的三个疾病上，它逆转了准确率导向提示进化对排序的损害，并分别比准确率基线提升 +5.8 AUROC 百分点（经微调的 Qwen3-VL-8B）和 +16.2 个百分点（MedGemma-4B），但医疗级视觉骨干仍被论…
值得关注：类别不平衡在临床数据中常见，准确率可能被多数类主导；AUROC 关注正负样本排序，且不依赖分类阈值。 提示优化通常以准确率驱动候选选择；本条指出，这种目标可能损害排序，而 Ranking-PE 在不增加模型调用的情况下…
Science Advances 刊载的一篇论文（标题为 *Programmable robotic textile with closed-loop self-sensing and active actuation*）报告了一种可编程机器人织物，其宣称的核心特征是将**闭环自感知**与**主动驱动**集成在同一织物载体中；由于正文抓取失败，本卡片仅基于…
值得关注：若标题所述能力成立，其可能的增量在于把“感知—决策—驱动”的闭环从刚性器件或外挂模块迁移到织物本体，从而改变柔性系统的形态与集成方式（基于标题的推断，待核实）。 与已有卡片的关系：现有相关卡片（ToolLoop 的工具…
Physis-Lang 把“物理语言”作为跨数据整理、模型训练和视频生成的共享、可优化表示，通过自演化框架提升视频世界模型的物理合理性。
值得关注：它把语言从普通条件输入提升为物理知识的结构化表示，并让该表示在数据、训练、生成之间共享和迭代优化。 对视频世界模型而言，这提供了一条不同于纯像素预测或额外数值/规划信号的物理一致性改进思路。 如果 PhysCapBen…
Multimodal Flow 提出一种完全连续的多模态生成/预训练框架：将语言与视觉表示为有序连续 hyperchunks，并用共享 chunk-causal flow backbone 通过 Flow Matching 统一建模；其 MF-1 在多模态生成与理解基准上取得有竞争力成绩，但全文细节与对比设置待核实。
值得关注：若结果可复现，它把多模态统一建模从“离散 token 化/混合离散-连续”推进到“完全连续嵌入空间 Flow Matching”路线，可能减少视觉量化瓶颈与模态依赖目标。 对 foundation-model 方向，它…
MatLoom 把“文本到材质生成”表述为生成紧凑、分层的可执行程序：程序既可被解释为 PBR 材质贴图，又保留命名字段和层参数供后续编辑；在材料报告的 141 条提示基准、六种骨干和盲测中，其提示对齐与人类偏好结果优于三类扩散基线。
值得关注：它把材质生成的目标从“只生成外观”推进到“同时生成构造规则”，材料明确指出源码保留命名字段和层参数以供后续作者流程；更广泛的可解释性收益待核实。 程序空间紧凑且可执行，使 patterns、color、relief 之…
在一种语言中让 LLM“遗忘”某个事实，并不保证其他语言也遗忘；该工作提出语言预算多语言遗忘任务、174 语言—文字对基准 Cross-Lingual Unlearning Tensor，以及 COVER 方法，用有限语言预算选择遗忘监督源语言，使未获监督语言的留出集残余访问相对均匀源选择降低 7.8–27.3%。
值得关注：多语言 LLM 的安全、隐私与版权治理不能只依赖单语言遗忘；“英文已遗忘”不等于“多语言已遗忘”。 COVER 在部署时仅需 benign calibration data 和 frozen model 访问，可能降低…
MM--GSA 提出一种基于元模型的全局敏感性分析（GSA）方法，试图在只有观测样本、无法按设计抽样重复评估输入—输出机制时，估计一阶 Sobol' 指数，并引入一种新的基于触发的结构指数来刻画预测性能对预测变量可用性的依赖。
值得关注：许多领域只能获得观测数据，难以进行干预、重复实验或按设计抽样。如果 MM--GSA 的结论成立，它可能帮助研究者在观测研究中开展敏感性分析与变量相关性筛查。
在 GPT2 与 DistilGPT2 的 DP-SGD 实验中，解除输入/输出嵌入的权重绑定（untied embeddings）比权重绑定（weight tying）取得更高准确率，最高提升 4.74 个百分点，并可启用内存高效的 ghost clipping，报告内存使用降低超过 60%。
值得关注：DP-SGD 是大语言模型隐私保护微调的重要方法；架构选择会直接影响效用、内存和训练可扩展性。 本文把“权重绑定”这一常见非私有设计放入 DP 语境检验，提示隐私训练可能改变标准 LLM 架构权衡。 与已有相关卡片无明…
据元数据与摘要信息，VideoMSN 尝试把视频重排为“超级图像”（由采样帧组成的网格），再用标准图像 Vision Transformer 与掩码孪生（Masked Siamese）目标学习时空表示，从而避免依赖重型 3D 架构或基于重建的自编码器；其自称在多个动作识别基准上达到当前最优，并显著减少视频预训练轮数（具体数值待核实）。
值得关注：若“图像分类器可直接充当高效视频表示学习器”成立，会挑战“视频必须用专门 3D 架构或重建式目标”的默认假设，把视频自监督拉回到图像基础模型的生态与工具链中。 效率叙事（更少预训练轮数、免解码器）对算力受限的研究者与中…
论文研究“按时间顺序消费帧、严格滑动窗口批次、无全局打乱、无多轮回放”的连续视频流自监督预训练；结果显示对比学习和蒸馏类方法在该设置下表现困难，MAE 更稳健但仍落后于标准 i.i.d. 预训练，而提出的 StreamMAE 通过流感知正则化与运动偏置裁剪，缩小了这一差距。
值得关注：它把自监督预训练的“数据消费方式”本身当作研究变量：不是只问模型结构或目标函数，而是问连续视频流中的批次内冗余如何影响表示学习。与已有“从视频中自监督学习结构化运动表示”的卡片相比，本条增量在于聚焦流式预训练协议与批内…
在相同时间预算与同一前沿 LLM 底座下，复杂的开源“外挂框架”（harness）相对最简会话式编码智能体并未显示优势，性能差异更可能来自模型底座本身——**该结论目前仅来自元数据与摘要级描述，正文未抓取，具体实验设置与数据待核实**。
值得关注：它把 MLE 智能体的“能力归因”问题摆上台面：排行榜增益究竟来自脚手架工程，还是来自底座模型换代。 对研究复现与工程投入有直接含义：若 harness 收益有限，则社区在编排、检索子智能体上的重复建设可能属于低回报投…