TAPDreamer 只需利用公开视觉编码器，就能构造一个跨任务、跨动作架构迁移的固定局部对抗补丁；它不需要查询目标策略，在闭环评测中可把 FastWAM 在 LIBERO 和 RoboTwin 上的成功率分别从 97.7%、90.8% 降到 0.0%，表明世界动作模型的共享视觉编码器是必须防护的关键攻击面。
值得关注：攻击不需要目标策略查询，降低了攻击者获取目标模型信息的门槛。 固定补丁可跨任务、跨动作架构迁移，说明风险不是单一策略或单一任务特例。 对世界动作模型安全而言，需要把共享视觉编码器纳入威胁模型和防御边界。 与既有脉络：U…
T-Search 是一个开放权重的智能体检索器，在固定语料上执行有界多轮搜索，返回带简短理由的证据块排序，并把答案生成留给下游模型；材料报告其在七个英语和俄语基准上平均达到 56.0 Recall@10（单次 rollout），三次 rollout 融合后为 61.3。
值得关注：与已有“多步/智能体搜索”卡片相邻，但本条材料的增量在于：T-Search 强调开放权重智能体检索器、证据块排序与简短理由、答案生成解耦，并发布模型、harness、demo 和三个 benchmark（含俄语 TRu…
Singular parameters and missing limits in neural PDE solvers
候选摘要称，OPPD（On-Policy Power Distillation，同策略幂蒸馏）能让语言模型在**单次生成**中产出原本需要"多候选采样+按幂分布重加权"才能得到的推理答案，从而在不改变参数规模、不使用参考答案的前提下提升推理准确率；但由于本次未能抓取 arXiv 正文，除标题、编号与代码链接外，全部方法细节与数值结果均**待核实**。
值得关注：如果候选摘要的结论成立，它把"推理期搜索/采样"的收益部分转化为"训练期吸收"，属于**把测试时计算搬到训练时**这一大方向的具体实例。 它给出了一个不依赖标注答案、也不依赖更大教师模型的强化/蒸馏折中方案，对缺少高质…
S2PD 通过“高噪声阶段自回归扩散、低噪声阶段并行扩散”的两阶段策略，在游戏、物理仿真和真实视频中比匹配的双向基线更可靠地遵循规则，并比其他串行方法具有更好的时间稳定性和采样效率。
值得关注：材料强调“近乎无限的分布内数据”仍不足以让双向并行去噪模型稳定遵守物理定律和符号规则，这指向模型架构与采样顺序对视频一致性的影响。 与既有“并行解码蒸馏：面向快速图像与视频生成的轨迹式蒸馏方法”相比，本条增量不在蒸馏加…
RTKNNC（Round-Trip KNN Clustering）提出一种保留最近邻关系双向性的图聚类方法：把“谁选了我”当作加权投票，在递归的“前向—反向”遍历中决定哪些局部连接保留，从而在多个邻域尺度上揭示簇的持续与合并；据候选摘要，它无须预先指定簇数，并可通过可选的无标签细分步骤改善边界情形（正文未能抓取，详情待核实）。
值得关注：把“方向性”当作信号而非噪声：在 KNN 图被无向化后常被抹掉的入边信息，可能正是区分“紧邻核心”与“被顺带连上”的关键。 同时给出**多尺度**与**层次**视角：不是单一分辨率下的划分，而是观察分组如何随邻域尺度合…
RV-ICL 是一种免训练方法：把单条任务演示视频组织成可按需递归查询的子事件层级，让编排冻结 VLA 策略的 LLM 智能体在规划时读取粗层、在执行接触相关步骤时加载细层短片段，从而在 LIBERO-PRO 与 LIBERO-Plus 上提升任务成功率。
值得关注：与既有脉络的关系：已有卡片中的 GPT-Policy 同属“免梯度更新、上下文机器人学习”方向；RV-ICL 的增量在于把演示视频从一次性 prompt 变成可递归导航的层级记忆，针对视频上下文过长与接触细节丢失的矛盾…
在 oblivious realisable 对手设定下，对每个有限 Littlestone 维 \(d\) 的类，差分隐私在线学习与差分隐私在线预测的误差代价存在随时域 \(T\) 增大的分离：前者每步需发布假设，期望错误下界为 \(\Omega((d/\varepsilon)(\log T)^{2/3})\)；后者只需预测，存在与 \(T\) 无关的期…
值得关注：理论上，它补足了隐私在线学习在特定 \(\delta\) 区间的非平凡下界空白，并给出隐私预测的强上界。 它区分了“发布假设”的隐私学习与“只做预测”的隐私预测：前者可能需要随 \(T\) 增长的错误代价，后者则可能不…
PlotGround 用真实科学图表与作者源数据构建绘图数字化基准，发现多模态模型在 ±5% 相对误差容差下最佳准确率为 87.5%，但容差收紧到 ±2% 后所有模型下降 11–24 个百分点；在同一图-源表配对结构中，向 coding agent 提供源表而非图表，可把准确率从 90.0% 提高到 97.4%，并将成本降低 72%。
值得关注：该工作把绘图数字化评测从合成图表推向真实科学图表和作者源数据，更贴近科研复用与验证场景。 结果提示：模型“大致读对图”不等于“数值可被严格复用”；报告绘图数字化能力时，需要明确误差容差。 对科研 agent 设计有直接…
Paradee: Distilling Kokoro-82M into an 8M-Parameter Single-Voice Text-to-Speech Model
论文把“给定栅格流程图和目标宽高比，产出结构忠实、无幻觉、可编辑的重排布局”定义为独立任务，并用 Parse、Style、Layout 三阶段智能体流水线实现；在 100 个流程图、5 种宽高比的基准上，Content Fidelity 达到 68.6%，高于先前工作的 11.2%–41.4%。
值得关注：它将“图表重排”从像素级拉伸或生成问题，转为结构保真与可编辑性约束下的 agentic 流程问题。 对学术传播、设计自动化与多画布内容适配有直接相关性：连接关系错误会误导读者对方法的理解。 与既有卡片无直接事实延续；本…
论文在 CADENCE 已提供形式化覆盖与连通性保证的基础上，提出两种学习型角落选择启发式方法，用于决定 POCGAGP 中每个智能体应部署到哪个有效角落；在随机正交环境 7,500 次运行中，它们相比基线 CADENCE 提升达到全覆盖的步数与峰值智能体数量，规模越大收益越明显，并在智能体利用率上优于 ISDA 基线，同时保留 ISDA 缺少的保证。
值得关注：该工作不是替换 CADENCE 的保证机制，而是在其留下的“选择哪个有效角落”环节引入学习组件。 它提示在部分可观察多智能体覆盖任务中，角落/部署点选择可能是效率瓶颈，并且可以通过 CNN 或图神经网络方法进行优化。 …
据摘要，MemPilot 提出一个通过强化学习优化多步 LLM 策略的框架，在不同性能—成本—延迟偏好下按需策展多模态记忆，并在五个多模态智能体记忆基准上报告了比现有权衡感知基线更宽的权衡前沿。
值得关注：它把记忆处理从“先以查询无关方式建好，再检索”推向“运行时按需策展”，可能减少无用预处理并保留后期才显现价值的细节。 将模型选择、视觉访问、证据量与策展指令纳入统一策略，适合多模态智能体场景中的运行时计算分配。 对多目…
MC-Sparse 是一个免训练（training-free）的稀疏注意力框架，通过“按个体 KV token 选择 + 相似 query 分组成 tile 对齐组 + 跨去噪步复用元数据”的方式，在视频与 3D 生成模型上比既有稀疏注意力基线更接近稠密注意力的输出保真度，并取得更大的去噪加速；但由于正文未能抓取，除摘要外的细节均待核实。
值得关注：长序列生成（视频、高分辨率 3D）中，注意力计算是延迟的主要瓶颈之一；稀疏注意力常以质量换取速度。MC-Sparse 的价值主张是**在不重训模型的前提下**缩小“稠密-稀疏差距”，即同时要速度也要保真度。 把稀疏化的…
MGE（Masked Geometric Encoder）在训练阶段主动丢弃送入全局注意力的部分帧 token，并向预训练的全上下文教师模型蒸馏，使模型学到更强的单帧几何表征，从而在遮挡与"撞脸"视角下更鲁棒；这种更丰富的帧表征还可支撑推理期的锚点引导 token 合并以加速。以上均据候选摘要转述，论文正文未抓取，具体数字与实验设置待核实。
值得关注：对 3D 重建与相机标定类任务，"跨视角证据是否可信"是关键失效点：遮挡视角和视觉相似但实际相距很远的视角会污染全局注意力。MGE 的思路是把"上下文不完整"从缺陷转成训练信号，而不是在推理时无条件使用全部上下文。 与…
论文提出一种用自然语言“读取”MM-DiT 中间 contextual tokens 的框架：这些令牌在去噪过程中编码正在生成图像的全局语义，甚至空提示下也能解码图像特异信息；据此提出的 Contextual Alignment 可强化这些信息，并改善生成质量与分布覆盖。
值得关注：与既有卡片的关系：已有卡片分别涉及 ViT 令牌专门化、扩散表示学习中的优化轨迹调控、离散扩散中的因子级专家组合；本条不是重复这些结论，而是将“令牌角色与可解释性”延伸到 MM-DiT 生成过程中由文本令牌动态更新形成…
InterMimicGen 是一个自演化运动模仿框架：先把动捕人-物交互数据整合并重定向为带灵巧手人形机器人的参考运动，再训练物理仿真中的通用追踪器，并通过“任务保持变体生成—微调追踪器—仿真筛选—再生成”的数据飞轮持续扩充可执行移动操作运动；摘要称其可迁移到真实机器人。
值得关注：人形机器人全身移动操作的真机数据采集昂贵且稀疏；把“数据生成”和“策略训练”耦合为闭环，是扩展机器人基础策略数据的重要方向。 与已有“反事实视频生成实现可扩展的人形机器人移动操作（PRISM）”卡片的增量：PRISM …
IdeaLens 尝试识别长篇写作中的“想法来源”（idea provenance）——文档中的想法来自人类还是 AI，而不论文字由谁写成；材料显示该信号在控制实验和 19 个检测基准中具有区分力，但其训练依赖 silver labels，实际部署与政策使用边界仍需核实。
值得关注：如果政策只检测“谁写了文字”，那么人类按 AI 计划写作、或 AI 根据人类计划润色等协作情形可能被误读。IdeaLens 把检测焦点扩展到 idea provenance，对 AI 辅助写作的披露、归因与治理具有概念…
这篇论文提出一套用于高能物理（HEP）任务的系统化缩放律推导与架构比较流程；在约 110 亿喷注的 ATLAS JetSet2 数据集上，用多任务 Transformer 在计算约束和数据约束两类情形中验证：计算最优时模型与数据规模近似同等按 √C 扩展，辅助目标可降低主喷注分类损失，输入向更低层数据扩展可降低损失但缩放指数近不变；数据集规模低于阈值时，损…
值得关注：把语言模型领域的缩放律方法论系统化迁移到 HEP，并用大规模真实任务验证，有助于减少“单点架构比较”的外推风险。 强调数据规模本身决定高计算量缩放是否可信；若数据不足，增加算力未必带来可预测收益。 对 HEP 基础模型…
H-JEPA 提出一种端到端训练“动作条件化 JEPA 层级”的方案：每一层在各自学到的潜空间中预测更远的未来，规划时自顶向下把上层预测当作下层的子目标；据候选摘要，它在四个仿真导航与操作环境中优于单层（扁平）JEPA，并在 Visual AntMaze 上把成功率从 18% 提升到 73%，同时使用更少的规划器计算。上述数字与结论均待核实（未能抓取正文）。
值得关注：长时程规划的核心张力是“预测多远”与“预测多准”之间的权衡：单层模型若预测很远，误差累积、细节不可控；若预测很近，则难以完成需要跨越多个阶段的任务。H-JEPA 的价值主张是把这一权衡交给层级与时间尺度分解来处理，让每…