LIFT 是一个统一图生视频框架，在相机轨迹控制之外引入“未来布局（Layout-In-Future）”控制，让用户在给定首帧图像时不仅能指定相机怎么动，还能指定未来（尤其是末帧）画面里应出现什么、出现在哪里；为缓解末帧稀疏布局监督难以学习的问题，作者提出同策略自蒸馏（On-Policy Self-Distillation, OPSD），把密集逐帧布局教师…
值得关注：它把可控视频生成的控制轴从“相机怎么走 + 文本说什么”扩展到“未来某一时刻画面元素在哪”，这是文本提示难以精确表达的一类约束。 大视角变化下会出现首帧不可见区域的生成问题，末帧布局控制为该场景提供了显式锚点。 方法层…
论文提出 Meta-Skill：Builder 在模型权重固定条件下，从 Target 的执行反馈中学习“何时需要支持、提供什么资源”的原则，形成冻结技能库，并用它为未见任务构建 Harness；在 Harness-Bench 和 NewtonBench 上，完整元技能库比无技能构建提升 8.95 个百分点，比把同一技能库直接交给 Target 提升 12…
值得关注：把关注点从“提升模型推理能力”扩展到“设计模型行动环境”。 权重固定意味着无需微调即可改善 Target，适合测试时适应与系统级编排。 与已有卡片的关系：本条不同于 GaP 的多智能体图式策略自学习，也不同于 VLM …
LeapQuant 是一种免训练方法，把混合线性注意力模型的循环状态量化到 8-bit，并通过分窗量化、补偿 token 与残差平滑，在 Qwen、Kimi、GLM 系列上取得与 FP32 基线相当的精度，同时报告 kernel 级 2.05–3.70×、端到端 1.47× 的平均加速。
值得关注：长上下文 LLM 的瓶颈正在从标准注意力的矩阵计算，部分转向线性注意力循环状态的读写与更新。 单纯量化容易因误差累积和状态离群值而掉点；LeapQuant 的组合策略针对这两个失效来源。 与既有卡片的关系：已有卡片分别…
Imagine3D-LLM 提出一种让 MLLM 从多视图图像中先组装紧凑 3D 表示、再基于该表示回答问题的思路；摘要称其在多项空间推理与 3D 理解基准上一致优于先前方法。
值得关注：把 3D 理解从“外部注入几何特征/强化像素级对应”转向“模型内部先生成粗 3D 场景表示再回答”。 用重建式监督作为隐式 3D 感知训练信号，可能改善 MLLM 的跨视角整合能力。 与既有卡片中的 VLA 3D 操作…
FracGen 是一个“断裂感知”的视频生成模型：输入一张完整物体的单张图像，在物理信号条件下生成可控的断裂动态；其配套仿真框架 FracSim 用连续介质损伤模型增强物质点法（MPM），在不额外增加渲染成本的前提下产出配对断裂视频与稠密像素对齐物理场，用于训练与监督生成模型。（以上基于候选摘要与元数据，正文未抓取，细节待核实）
值得关注：断裂是视频生成中较难的一类动力学：涉及拓扑变化（新表面产生）、材料相关性与长时程稳定性，纯外观驱动的模型容易产生“看起来像碎、物理上不对”的结果。 该工作把**仿真产生的稠密物理场**作为监督信号，而非仅用像素重建损失…
EmoRES-TTS 是一种免训练的情感 TTS 向量引导方法：它把情感向量拆成“共享成分”和“残差成分”并分别控制；材料称其在 IEMOCAP 上、以 IndexTTS-2 与 CosyVoice2 为骨干时，四个客观情感指标均优于 CoCoEmo，同时人类评估显示情感识别率、保真度和自然度偏好有提升。
值得关注：情感 TTS 的可控性是语音生成应用中的关键问题；免训练向量引导可避免重新收集情感标注语音和重新训练模型。 该工作把“单一全局强度控制”推进为“共享/残差成分分解控制”，提供了更细粒度的情感 steering 思路。 …
据摘要，DMA$^2$ 面向像素空间教师模型重新设计 DMD 的教师匹配与真实数据匹配接口，并引入 DINO-Adv 与 AF-Loss，形成四步文生图蒸馏方案；在 DPG-Bench、GenEval、VQAScore、COCO30K 上，四步学生优于 25 步教师及所评估的少步蒸馏器。
值得关注：将 DMD 的讨论从主流潜空间文生图扩展到像素空间教师，强调原生 RGB 可能带来的设计机会。 与既有卡片的关系：已有卡片分别覆盖像素空间三维统一生成/重建、像素空间稠密预测、像素对扭曲流场编辑；本条增量在于像素空间文…
论文提出混合 Transformer-卷积模型 **Cropland Parallel Attention and Refinement Network for Segmentation (PAtteRNS)**，声称是首个分别对 Sentinel-2 多光谱卫星影像时间序列（SITS）的时间、光谱、空间维度使用自注意力的模型；它在 PASTIS 与 MT…
值得关注：该工作把“维度因子化注意力”用于多光谱卫星时间序列的作物分割，可能为遥感基础模型处理时序、光谱、空间三类信息提供更高效的架构思路。 它强调除常见分割指标外，田块边界/地块轮廓质量也应被关注，评估指标的选择会影响结论。 …
PRISM 通过反事实视频生成，把少量真实人-物交互视频放大为大规模训练集，再用接触锚定的 real-to-sim 流程重定向为物理可行轨迹，从而训练单一策略；该策略在真实人形机器人上仅用机载深度观测即可完成多类物体的拾取、搬运和放下，且没有真实世界微调。
值得关注：视觉模仿和机器人基础模型常受限于高质量真实交互数据；本条用生成式视频放大少数样本，并强调通过接触锚定与运动重定向保证物理可行性。 与已有“梦见接触之声”等生成数据用于机器人操作的卡片相比，本条增量在于人形全身 loco…
CLeaR 是一个免训练（training-free）的风格迁移框架，主张通过正交子空间投影、集成反演与能量引导校准三个环节，在扩散生成全流程中同时压制“内容泄漏”并维持风格保真；论文称在 StyleBench 上取得更好的风格对齐、更低的泄漏和更优的 LLM-as-Judge 评价（具体数值与对比基线待核实）。
值得关注：把“内容泄漏”与“风格退化”从经验性调参权衡，改写成一个可分解到流水线各阶段的结构性问题，并提出跨阶段统一处理方案。 免训练路线降低了落地门槛：不依赖成对风格数据或微调，理论上可复用现有视觉基础模型与扩散采样器。 用多…
英文标题：**Breaking the Uniformity Trap: Scaling Video Diffusion Model via SplitMoE** 来源：https://arxiv.org/abs/2609.38140v1 Track：academic；Topics：foundation-model 研究问题：传统视觉 MoE 采用 tok…
值得关注：如果结论成立，它挑战了从大语言模型 MoE inherited 的“负载均衡优先”直觉：视频生成可能不应强制均匀路由，而应允许语义不平衡和长尾分布。 对视频扩散模型扩展、生成式基础模型架构和视频世界模型有潜在参考价值…
论文摘要声称：在“共同原因”假设下，非局域窗口必须位于物种形成窗口内；并给出系统规模增长时两个窗口收缩为单一极限时间的相变条件，在高斯混合中解析验证。具体证明细节、实验证据与适用范围待核实。
值得关注：该工作试图连接两个关于生成模型中语义结构出现的互补视角：语义类别锁定与局部生成能力失效。它把两者关系放到语义信息的空间分布、共同原因假设和相变框架下讨论。
材料称，Grounded Entity Biographies（GEB）把长视频中同一物理实例的视觉接地观察跨片段组织为可检索“传记”，并在问答时与情节证据共同检索，从而在多个长视频问答基准上优于既有记忆框架；在 EgoLifeQA 上达到 72.0% 准确率，比已发表最佳结果高 4.4 个百分点。
值得关注：它把长视频记忆的问题从“按时间线摘要/检索相关事件”推进到“按物理实体身份聚合观察”。如果材料结论成立，长视频问答的检索单位不只是事件片段，还可以是实体的跨事件传记。 消融结果提示，单纯增加文本描述不足以替代视觉接地的…
据候选摘要，AdviSD（Advisor Self-Distillation）让一个可训练的小型“顾问”模型用自然语言建议去引导冻结的语言模型执行者，并把结果奖励强化学习与“有选择性的”自蒸馏结合起来；在摘要口径下，它在 BFCL-v3 与 EnvScaler 上优于 advisor-GRPO。以上细节尚未经正文核验，待核实。
值得关注：**学习信号的筛选问题**：论文关注的不是“如何生成更好的建议”，而是“从哪些交互中学习”。这一视角对多轮智能体训练、过程监督与偏好数据筛选具有可迁移性。 **非对称能力架构**：把一个可训练的小模型放在前沿模型之上作…
对预训练像素扩散模型，在保留原扩散/流匹配目标的同时，对非高噪声时间步的预测输出加入对抗损失进行后训练，可联合改善分布保真度、覆盖度、提示对齐和感知质量；其机制与恢复自然图像高频频谱功率有关，且在测试的潜空间扩散配置中未观察到可比增益。
值得关注：已有相关卡片分别关注：像素空间扩散用于单目几何估计；像素空间文生图训练从潜空间切换到像素空间以提速；掩码扩散用于时间序列插补。本条的增量在于：不讨论是否采用像素空间或训练收敛速度，而是讨论已预训练的像素扩散模型能否通过…
在平均奖励弱耦合 MDP（WCMDP）中，作者识别出与 restless bandits 类似的条件，并设计了一种非优先级策略，使最优性间隙达到 $O(1/N)$；这优于此前一般 WCMDP 中不优于 $1/\sqrt{N}$ 的结果。
值得关注：对大规模、多约束的序列决策问题，最优性间隙随臂数 $N$ 增大的衰减速度直接关系到可扩展性；在该抽象层面，$O(1/N)$ 比 $O(1/\sqrt{N})$ 衰减更快。 本条与已有相关卡片（DiaLLM、AI 翻译可…
有研究主张：用拉普拉斯谱间的 Wasserstein 距离这一单一聚合数值来评估大语言模型的图重建，会丢失“改了哪些边”的信息；该距离被“净边数变化”与“对称差”两个边计数（各按 2/n 缩放，n 为顶点数）上下夹住，且当两端不重合时，二者残差可作为“同时新增与删除边”的混合编辑证书，仅凭已报告的汇总统计即可算出。
值得关注：**评测方法学层面**：给出一个“聚合指标何时失效、以何种方式失效”的可证明刻画，而不只是经验性抱怨。它把“单指标不够”从直觉变成可检验的命题。 **可操作性层面**：所提出的诊断量被描述为可直接从既有评测报告里已有的…
奥特曼在《名利场》专访中证实 OpenAI 曾主动叫停一次模型训练（因能力跃升过快、对齐与可监控性未跟上），并承认自己零持股是判断失误。
值得关注：与已有卡片《OpenAI 沙箱越界与最强模型训练暂停（2026-09-28）》相比，本条是同一脉络的延续：此前报道聚焦沙箱越界、训练暂停与红队测试等技术安全事件；本条则是 CEO 层面首次公开证实“主动叫停训练”，并给…
PMosFM 提出把物理约束“编码进流形解码器”，从而在内在坐标上学习传输映射，目标是在不做残差损失或末端残差展开的前提下，实现一步生成同时满足目标分布与给定物理约束的物理场；摘要声称在可比物理与分布保真度下，训练与采样时间低于多步基线，但具体基准与数值尚待核实。
值得关注：若摘要中的理论陈述与实验结论成立，其价值在于把“物理约束”从采样期或训练期的外挂修正，转为由解码器参数化直接承载的结构性质，从而把约束满足的代价从“迭代/展开”转移到“坐标变换与参数化设计”上——这是物理约束生成在成本…
Looped-DiT 尝试用“在同一去噪步内重复运行共享 Transformer 块”的方式替代单纯堆参数或堆去噪步数来扩展文本到图像生成的计算量，候选摘要称其能在匹配参数与匹配算力条件下优于非循环基线；但原论文正文未能抓取，本文所有具体结论与数字均待核实。
值得关注：它把“循环/递归计算”这一在语言模型测试时扩展中受到关注的思路，迁移到扩散 Transformer 的图像生成场景，并主张循环深度与去噪步数是两种可比较、可取舍的迭代计算预算。 若“固定推理预算下加深循环优于增加去噪步…