论文提出“忠实性泛函”（faithfulness functional）框架，把现有解释忠实性评估标准之间的分歧定位为对“解释对模型作出了什么断言、哪些比较与该断言相关、如何聚合这些比较”的不同选择，并主张这些选择需借助解释性、制度性与规范性理由来辩护，而非存在唯一正确的评估标准。
值得关注：在可解释AI的评估实践中，忠实性常被视为核心要求，但度量之间的不一致会导致审计结论分歧。该工作把“标准冲突”转化为“可辩护的选择问题”，为监管与审计场景（如不利行动通知）中按情境论证评估方式提供了方法论。与既有卡片中“…
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…
LooM 针对循环 Transformer 的显存随循环次数增长、算力只能整块调节、训练后循环次数难以更改这三个问题，提出在因果编码器-解码器（CED）中只循环解码器首层之后的层，使 KV 缓存不随循环次数增长，并支持部署时在 3 到 21 次逐 token 层执行预算间灵活选择。
值得关注：该工作把“循环深度”从训练时固定的结构超参，转变为部署时可调的算力预算，同时避免 KV 缓存随循环次数膨胀，这对需要在不同算力条件下复用同一模型权重的推理场景具有直接意义。其“记忆写一次、深度即预算”的思路，也与既有卡…
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…
该工作提出“上下文感知”的自回归图像生成框架：不让模型按固定或随机的 token 顺序生成，而是由模型根据全局上下文与当前局部信息动态决定下一个 token 的位置，从而提升结构鲁棒性并观察到初步的“推理型”生成能力。
值得关注：把“生成顺序”从工程细节提升为影响结构鲁棒性与推理能力的设计维度，提示图像 AR 建模中存在一个此前较少被系统研究的自由度。 与既有卡片中偏“外部规划/校验”（如 SpatialGuard 的可验证闭环）或“评测诊断”…
该研究训练“上下文—答案元模型”，把模型阅读上下文时产生的激活序列直接映射为答案阶段平均池化激活的点预测或分布预测，从而在生成第一个答案 token 之前，以较低成本估计随机解码下的答案变化。
值得关注：随机解码下，用多次 rollout 刻画答案分布的成本很高。若上下文激活本身就能预测答案阶段的激活统计，则有望减少昂贵采样，在生成前预估模型行为。跨模型迁移的初步结果还提示，该方法可能降低为每个目标模型单独训练预测器的负担。
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…
LLM 对话助手在涉及时间依赖约束的日常建议中，即使能正确计算经过时间，也常常不把该约束应用到建议里，导致在违规场景中仅约三成会考虑时间限制。
值得关注：该结果提示：时间相关的安全约束在对话助手场景中是一个容易被忽略的失效点，且单纯提升“时间计算”并不足以保证建议安全。对评估体系而言，需要区分“能算出时间”和“会用时间约束”两种能力。与既有的安全基准（如关注污名检测、缺…
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…
structRFM 是一个在 2100 万条 RNA 序列–结构对上预训练的结构引导 RNA 基础模型，通过把碱基配对交互整合进掩码语言建模，学习序列与结构的联合表示，在二级/三级结构预测、功能推断和零样本泛化上取得改进，并公开数据、权重与代码。
值得关注：RNA 的功能与结构高度耦合，仅靠序列的预训练可能遗漏关键约束。structRFM 把结构信号系统性地纳入基础模型预训练，并以开放数据与权重降低复现和二次开发门槛；其与 AlphaFold3 可比的三级结构表现，说明结…
AutoDNA 是一个“AI 原生”的自主生物分子工程实验室，可跨多种仪器完成多目标核酸实验（合成、转录、扩增、测序），在仅需硬件维护类人工介入的前提下，实现 AI 与自动化系统的协同演化，并在四类应用中达到专家级或端到端可用的结果。
值得关注：从“AI 作为任务工具”转向“AI 原生”架构：强调 AI 对实验的整体理解与模型—实验—仪器的协同设计，区别于既往“附加式”自主实验系统。 把自主实验室从单一目标、简单仪器的场景推进到多目标、多仪器、工程化的生物分子…
AMM（Adaptive Multi Mode）是一种面向连续黑盒优化的预算感知路由器，它通过在线探测曲率、平台、可分性、折点、盆地与分形结构，在拟牛顿、信赖域、坐标、多起点与进化策略等优化引擎之间分配已知预算；在预留 bbob 实例上，AMM 在 600 个“函数-维度-预算”单元中的 382 个取得最高目标份额。
值得关注：它把“优化器选择”从静态元学习或维度/预算启发式，推进为在线检验景观假设并计入探测成本的预算感知路由；同时以预注册开发加一次性留出测试的方式报告结果，并开源实现，便于复现与后续比较。与既有卡片中面向 LLM/智能体的任…
论文提出“受控上下文增强”与“选择性鲁棒性”两个概念工具，用于系统比较不同上下文增强方式如何影响LLM社会智能体在意义保持型提示扰动下的行为稳定性，并在类囚徒困境博弈中展示了该框架的可用性。
值得关注：为LLM社会模拟提供了一套可操作的验证思路：不仅看智能体“表现好不好”，还看其在无关提示扰动下是否稳定、在关键社会变化下是否敏感。 将“上下文丰富度”拆分为可控制、可比较的多种类型，有助于区分“更多上下文”与“更有效接…