GenOlympiad 用九个能力轴上的高难度提示词对 20+ 个前沿文本到图像模型做压力测试，发现即便最强模型（Nano Banana Pro）严格得分也仅 23.9/100，说明当前 T2I 模型在“可视觉核验”的硬指标上仍存在巨大短板。
值得关注：它把 T2I 评测从“好看不好看”推向“能否按复杂规则精确完成可核验任务”，并揭示前沿模型在硬约束下得分极低这一落差。与既有卡片中“真实场景下 LLM 表现远未达实用要求”的结论形成呼应：不同模态的前沿模型都可能在真实…
CoopUQ 将“跨机器人时空特征融合的未来占据栅格预测”与“带不确定性惩罚的约束多智能体强化学习”结合，使多机器人团队在遮挡与分布外（OOD）场景下能根据预测不确定性自适应调整风险敏感度，从而提升社交导航的安全性与预测性能。
值得关注：把“预测的不确定性”从辅助信号变成策略代价的一部分，是一种可复用的设计思路：不确定性高的区域被主动规避，而不是仅靠端到端策略隐式学习。 明确面向多机器人协作与 OOD 场景，补充了单机器人社交导航方法在团队设置下的安全…
论文提出“竞争性学习”现象：在同时包含线性时间循环层与 softmax 注意力的混合架构中，不同 mixer 会争夺学习同一函数，先学会者会抑制其他层对应的学习信号；据此提出的分阶段预训练流程在至多 1B 参数模型上改善了语言建模、常识推理与检索相关任务表现（具体数值待核实）。
值得关注：混合架构被广泛用于兼顾吞吐与表达能力，但“加上了注意力层”不等于“注意力层真的学会了检索”。本文把这一隐性失效归因于层间学习信号竞争，并给出可操作的训练期干预，提示架构设计与训练课程需要联合考虑。
该研究提出将射线追踪数字孪生与多目标贝叶斯优化结合，在闭环工作流中自主设计光反应器，实验验证显示优化几何结构可同时提升光子捕获量与照射均匀性。
值得关注：对光化学与连续流/高通量反应器开发而言，该工作展示了“数字孪生+贝叶斯优化+实验校验”的闭环范式：设计阶段先用可校准的光学模拟替代大量试错，再用催化反应与光量测定双重验证。相比仅依赖经验或单一指标优化，多目标优化同时约…
论文提出FunCAD-Harness框架与FunCADBench基准，用于评估和提升LLM智能体在物理仿真下设计“功能可用”CAD机构的能力，实验显示该框架能暴露视觉检查无法发现的细微机械故障，并显著提升功能成功率（具体数值待核实）。
值得关注：它把CAD生成式AI的评价标准从“视觉合理性”推进到“物理功能可用性”，并指出功能验证必须随候选方案定制化，而非一刀切。这对LLM智能体在工程设计、仿真驱动迭代等场景的可信部署具有直接意义。
ASTOR 提出一种推理时框架，先把自然语言决策问题映射为受形式语法引导的抽象语法树（AST），再确定性地编译为可执行的优化代码；配套的 SoftOR 基准聚焦于“可被违反的偏好型软约束”，在同类单次请求与多智能体 LLM 方法中取得最佳汇总准确率，同时在仅含硬约束的标准自动形式化基准上保持竞争力。上述结论基于论文摘要，具体数值与实验细节待核实。
值得关注：把“软约束”从被忽视的边缘拉到评测与建模的中心：真实业务里，偏好与可妥协目标往往才是决策质量的关键。 用形式语法约束中间表示，提供了一条区别于“直接生成代码”的工程路径，可能改善可验证性与错误定位。 与既有卡片的关系：…
AnyGoal 是一个面向世界模型“组合泛化”的目标偏移任务基准与开源库：它刻意让单个状态因子与动作都落在训练支持集内、只让它们的组合在专家轨迹中欠采样，结果发现当前多个模型族在这些重组情形下持续失败。
值得关注：世界模型的核心卖点是替代或辅助真实交互进行动作推演与规划；若动力学只在专家轨迹附近成立，规划器一旦偏离示范分布就可能失效。 该工作把“数据覆盖—动力学泛化—规划性能”的关系转成可测量问题（组合泛化），并给出统一评测载体…
WildAWM 提出了一条完全由开源模型驱动的可扩展管线，用于合成同时支持 GUI、模型上下文协议（MCP）服务与命令行界面的可执行环境及长程任务，仅用合成世界训练的两个 Qwen 模型在 8 个分布外基准上均取得显著提升，表明“在合成世界中交互学习”可泛化到未见过的计算机使用任务。
值得关注：把智能体训练的数据来源从人类示范转向可控合成环境中的交互，绕开了在真实计算机系统上大规模试错的安全风险。 多接口联合支持（GUI + MCP + CLI）贴近真实计算机使用的复合形态，比单一接口环境更可能培养可迁移的通…
AfriBED 是一个面向两种低资源非洲语言（Bemba 与 Nyanja）的语音识别偏差评估数据集，用于检测和估计 ASR 系统在性别与说话人类型（speaker-type）上的性能偏差；具体基线结果细节待核实。
值得关注：低资源语言的 ASR 公平性问题长期缺乏专门的评估资源：通用基准往往不覆盖 Bemba、Nyanja 这类语言，也难以在性别、说话人类型等子群间做可比对照。AfriBED 的价值在于把“偏差评估”做成可操作的数据集，使…