中国人民大学与复旦大学团队提出 CoworkOS，用“主智能体—协调运行时—子智能体”三层协作架构，让 AI 能在 CAD、Blender 等工具中与人类共同修改同一作品，并在多轮自动后训练后显著提升自动化任务表现。
值得关注：现有 AI 编程/协作工具多聚焦单会话内的任务完成，而 CoworkOS 强调“跨会话持续干活”与“人机同作一件作品”，指向 AI 从助手向“同事”角色演进的方向。与既有卡片中 Claude Code 的跨会话消息传递…
百度在AI Day·Apollo专场披露全模态世界模型Apollo World，提出“2+3”标准，并在虚拟城市中让全AI智能体交通参与者跑通无人车从接单到送达的完整订单闭环，已用于萝卜快跑全球化测试。
值得关注：与既有世界模型卡片相比，本条增量在于**把世界模型直接接入真实商业无人车运营体系**（萝卜快跑），并以“跑通全程订单闭环”作为能力验证，而非仅展示生成质量或交互演示。 “2+3”标准提供了一个可对外比较的世界模型评价框…
SpecCompact 通过“小模型并行草拟结构化摘要槽位 + 大模型逐条验证与修复”的语义推测机制，在 AppWorld 和 τ³ 基准上实现相对 Hermes 式摘要 2.04–5.63 倍的压缩加速，在 Hermes 内用户研究中压缩延迟中位数加速达 8.68 倍，但下游任务性能存在依模型、依任务而异的权衡。
值得关注：长程智能体的瓶颈往往不在单次推理而在反复的历史重写；把压缩做成可并行、可验证的推测过程，直接压缩了智能体主循环中的关键路径延迟。与已有的 CompactionRL（把压缩纳入强化学习训练、关注“从压缩历史中学习”的效果…
论文提出并验证：通用机器人策略可以在部署阶段通过在线强化学习实现多任务、通用化改进，且合适的算法配方能把性能提升泛化到在线训练未涉及的任务上（原文称这是机器人基础模型在线通用改进的首批证据之一）。
值得关注：把 RL 自我改进从单任务扩展到多任务通用策略，贴合机器人基础模型的实际能力形态。 提出“在线训练任务分布”和“基于价值的 RL”是泛化改进的关键因素，为后续复现与工程选型提供可检验的设计变量。 若泛化结论稳健，意味着…
PixelSpline 提出一种连续时空视频超分辨率（STVSR）框架，用“端点锚定的共享像素轨迹”替代传统的双向独立运动建模，并结合长上下文编码与连续高分辨率特征提升，在空间与时间上采样设置中取得较好的质量—效率权衡。
值得关注：把“双向独立运动建模”改为“单条共享连续轨迹”，直接针对端点对应歧义与轨迹不一致这两个连续 STVSR 的常见失效点。 长上下文编码与连续 HR 特征提升的组合，为在任意目标高分辨率网格上重建细节提供了不同于仅依赖两端…
HALO 通过在约一千个程序化生成的家庭场景中合成“视觉-语言-运动”配对数据，把类人机器人数据规模从依赖人工遥操作转向依赖算力，并在未见过的真实家庭中实现零样本迁移，360 次试验成功率 91%。
值得关注：直接针对类人机器人自主性的核心约束（配对监督数据稀缺），给出“算力换人力”的替代方案。 零样本从仿真到真实家庭的成功率数字，为“仿真训练是否够用”提供了可检验的证据点。 技能组合求解长时程任务，说明系统不止于单一动作，…
论文评估了一种简单的推理时扩展方法——回合级 Best-of-N 采样（turn-level best-of-N sampling）：每一步由生成器模型产生多个候选动作，再由选择器模型从中挑选一个执行；在长程终端任务上带来 5–10% 的准确率提升，并提高了重复尝试的一致性。
值得关注：推理时扩展（inference-time scaling）是提升智能体能力的一条低门槛路径，本文说明“回合级”采样（而非仅对最终答案采样）在长程任务上有效。 使用开放权重 LLM 直接做动作比较，降低了对外部 crit…
一种仅依赖相机管线已计算出的两种单目距离估计之间的排序关系来检测行人遮挡的方法，无需训练、无需遮挡标注，在 KITTI 上对重度遮挡检测达到 AUC 0.909。
值得关注：对部署在标注稀缺环境（如非基准覆盖地区）的机器人而言，免标注的遮挡信号具有直接实用价值。 揭示了“利用现有管线输出之间的不一致性”作为免费监督信号的思路，可推广到其他感知任务。 与既有卡片中“无监督距离阈值拟合”思路相…
针对 JEPA 风格潜世界模型中“静态坍缩”导致控制信息丢失的问题，作者提出运动引导对比正则化（motion-guided contrastive regularization），在随机背景的 OGBench-Cube 上把规划成功率从 52% 提升到 78%，在 LIBERO-Object 上从 14% 提升到 54%。
值得关注：潜世界模型的评估常忽略“表征是否保留控制所需信息”这一问题。本文把静态坍缩明确为可复现的失败模式，并给出轻量级的对比正则化补救方案，与仅依赖分布正则化（如 SIGReg）的做法形成对照。其增量在于：不是改进预测器或规划…
LongBanana 是据称首个由专家设计并验证的长上下文多参考图像合成基准，包含 90 个任务、约 4,670 条原子评估项，用于衡量智能体驱动图像生成中对分散视觉证据的检索、绑定与组合能力。
值得关注：与已有基准（如 ExpertVerse 侧重知识密集型推理、BEAKER 侧重化学实验室具身执行）不同，LongBanana 聚焦“长上下文 + 多参考图 + 智能体流程”的交汇点，把评估从单图生成推进到需要检索、拒斥…
GBPNet 在保留 Tanner 图消息传递对称性的前提下，通过级联变量节点更新、可学习的逐元素消息缩放，以及渐进训练和高 SNR 训练两种策略，在多种线性码上实现了比传统置信传播和所评估的先进神经解码器更低的误码率。
值得关注：该工作说明在神经解码器设计中显式保留消息传递对称性与 Tanner 图结构，同时以轻量学习组件（逐元素缩放）和训练策略改进来提升性能，是一条兼顾结构先验与学习能力的路线，对通信系统接收端解码器的实际部署具有参考价值。
FrontierPhysics 是由 42 位物理学家基于自身研究设计的 56 项端到端物理研究任务基准，覆盖理论、计算与实验物理九个领域，用确定性验证器加专家评分标准同时考察智能体研究的正确性与可发表性；在 22 个模型、26 种配置中，没有一种配置在 168 次 rollout 中通过超过 46 次。
值得关注：该基准把评估重心从“答对题”推向“做出可发表的研究”，并以领域专家自研任务和双重评分机制提高生态效度。对自动科研智能体的能力诊断具有方向性意义：改进重点应放在严谨推理与研究品味，而非继续堆叠物理知识。与既有“自动科研评…
NEO-VLA 提出一种“无视觉编码器”的视觉-语言-动作框架，让图像 token 与语言在骨干网络中共同演化，并让动作专家从不同深度的指令条件化视觉表征中取用信息；作者据此主张具身控制应从整个计算层级获取视觉表征，而非依赖固定编码器输出（正文未抓取，细节待核实）。
值得关注：若“动作关键信号早于最终视觉表征达峰”成立，则把视觉压缩为单一固定端点的常规做法可能系统性丢失对操作有用的信息。 该工作把争论从“换更强的视觉编码器”转向“策略应如何访问视觉计算层级”，为 VLA 架构设计提供了不同于…
FlowReconBench 在层流圆柱尾迹、二维 Kolmogorov 湍流和大规模三维各向同性湍流三种流态下系统比较了 10 种学习型方法与 5 种经典方法，发现“最优方法随流态而变”：经典方法在低阶与密集传感场景中表现强劲，数据驱动方法在传感器密度下降或可观测性变差时才显现优势；同时不同评价指标（误差 vs. CRPS）会给出不同的方法排序，生成模型…
值得关注：该基准把“学习模型 vs. 经典方法”的比较从单一误差指标扩展到校准、集合质量、频谱与计算成本，并揭示评价指标本身会改变方法排名——这对实际选型（按流态、传感密度、可观测性与算力预算取舍）具有直接参考价值。其“可查询方…
该研究利用21个O*NET条目和754个美国职业的数据发现，职业的AI暴露度越高，其“枯燥、肮脏、危险”类工作条件评分反而越低；但在控制体力要求、教育、培训、经验和工资等变量后，这种关联被显著削弱甚至消失，说明“AI用于替代恶劣工作”的叙事在职业层面缺乏稳健的经验支撑。
值得关注：它把“AI替代恶劣工作”这一政策与产业叙事的经验基础问题化了：暴露度高并不等于工作条件差，调整后关联不稳，意味着仅凭暴露度指标推断“AI将改善工作质量”是过度解读。这与已有卡片《测量革命？AI时代的可信测量与推断》形成…
论文提出 Counterfactual Foreground Retrieval（CFR）评估协议，通过在同一检索任务下对比全图、仅前景、仅背景/轮廓三种视图，把单一检索分数拆解为“证据画像”，以判断模型是依赖动物特征还是身份相关的捷径信号。
值得关注：把“匹配是否由动物特征支持”变成可测量的评估项，有助于发现依赖背景、轮廓等捷径的模型。 对共享基准与可复用基础模型而言，证据画像比单一分数更能反映模型是否学到了可迁移的个体特征。 与既有“真实标注如何塑造检索分数”卡片…
CompressionBench 将“在存储预算内保留预训练模型行为”设为端到端终端任务，检验编码智能体能否自主完成 LLM 压缩；在 6 个智能体 × 6 个模型—规模设置共 36 次提交中，29 次通过独立验证，最优设计平均困惑度仅比 BF16 高 3.4%，下游准确率 77.33%（BF16 为 79.56%）。
值得关注：把“AI 改进 AI”从抽象口号落到可测量的效率任务上：压缩有明确的存储预算与行为保持目标，便于量化评估智能体的自主工程能力。 与既有编码智能体基准（如关注长周期仓库级迁移的 SWE Refactor Bench）形成…
BEAKER 是一个由专家手工构建的基准，用于评估多模态大模型（MLLMs）作为自驱动化学实验室（SDCLs）“具身大脑”的执行导向能力；测试显示 28 个模型能理解粗粒度实验流程，但在可操作区域定位、可行轨迹规划、细粒度器材/状态/安全识别及中等长度步骤排序上仍明显不足。
值得关注：把评测焦点从“科学理解/安全检测”推进到“可执行性”，直接对应具身自动化落地的关键瓶颈。 专家手工标注、无 AI 生成，降低了数据污染与标注偏差风险，适合作为诊断工具。 对化学实验室自动化、具身智能与科学多模态模型的能…
在文本嵌入模型中，int8 量化在多数任务上与 float32 效果几乎无差（总体最多损失 1.5 个百分点），而二值量化在所有任务类别上显著变差；层次化降维与 int8 结合可实现每向量存储 32 倍压缩并保留 94.4% 的基线效果，但量化本身并未带来评测加速。
值得关注：对实际部署文本嵌入系统的工程团队而言，该研究给出了可操作的压缩策略优先级：int8 是低风险默认选项，二值量化需谨慎；层次化降维可与 int8 叠加获得显著存储收益。同时，它澄清了一个常见误解——量化未必带来端到端评测…