高通提出以“连接、感知、计算”为三大支柱的AI原生6G方向，目标频谱效率提升约50%，并展示13GHz与7GHz的Giga-MIMO原型机；预计AI-to-AI流量几年内增长约8倍，智能体应用可使单用户月流量超过50GB，同时动态QoS可将AI问答耗时从约48秒压缩至约13秒。
值得关注：已有相关卡片多关注AI代理能力本身，例如SIMA 2的通用3D代理、编码智能体推理性能、Cursor视觉提示代理。本条补充了基础设施层面的增量信息：智能体流量将快速增长，6G网络需要在频谱效率、算力调度与时延控制上同步…
自动语音识别（ASR）错误可能使具身AI（EAI）模型接受并执行有害指令，从而显著降低其安全性；自动纠错能在部分情况下降低风险，但并非总是有效。
值得关注：语音交互是具身AI（如家用机器人、服务机器人）最自然的控制方式之一。此前安全研究多关注指令本身是否恶意，而本工作提示：即使是非恶意的语音识别错误，也可能“意外”触发不安全行为。这条增量信息将ASR噪声引入具身AI安全评…
将预训练视频生成模型改造为几何估计器（GeoNeXt），把单目深度估计与表面法线估计创新性地表述为“下一帧预测”任务，以显著更少的标注数据实现零样本几何估计，并在多个基准上媲美训练数据多 100 倍以上的判别式方法。
值得关注：这是继图像扩散模型之后，首次（据摘要表述）将**视频生成模型**作为几何估计的统一基础框架。视频模型具备时间一致性和更丰富的场景结构先验，以“下一帧预测”方式联合建模图像与几何目标，为几何估计提供了新的生成式范式，并显…
CE-MoE 通过将专家层集中到少数路由 MoE 层、同时增加额外 token-mixing 层与稠密 FFN 层来保持深度，在匹配总参数和激活参数的条件下，相比常规 full-MoE 模型降低了训练成本；在 31.5B 规模下，GPU 小时使用减少 33.3%，并提高了平均下游得分和推理吞吐量。
值得关注：该工作把通信开销作为 MoE 模型层配置的核心设计目标，显示出仅通过重新安排层类型，也能在相同参数规模下获得训练效率收益。 与已有相关卡片中的 Robust CurveMoE（侧重对抗防御）不同，本条关注 MoE 语言…
Texture Image Classification Using DWT AlexNet Feature Fusion and Deep Neural Networks
在基于人设的对话生成中，训练阶段的传记可见性比推理阶段更能决定模型是表达人设特质还是退而复制传记文本；非对称披露下（只有对话者能看到目标说话者传记），目标内容更容易泄漏到对话者话轮中，且这类痕迹可被大语言模型评判者识别。
值得关注：这项研究首次将传记可见性拆分为训练、推理、评估三个阶段，并系统检验了对话者角色的影响，弥补了以往研究把可见性当作单一因素的不足。它提示未来对话评估需要分别报告各阶段的可见性设置，也说明生成文本中的传记泄漏可能源于训练/…
SignRR 提出“检索-精炼”（retrieve-and-refine）的新范式：先从真实手语片段库中检索动作来初始化姿态序列，再用部位感知的残差 VQ-VAE 对整段序列进行精炼，从而在保留真实手部细节的同时获得全局连贯的手语动作；实验在 PHOENIX14T 和 CSL-Daily 上取得领先的反向翻译性能。
值得关注：提出“检索-精炼”替代“从零生成”，兼顾了真实动作保真度和全局序列一致性。 与已有相关卡片没有直接延续关系；本条增量信息在于：面向手语生成任务，探索了“真实片段检索 + 潜空间精炼”的组合路径。
Real-time virtual circuits for plasma shape control via neural network emulators: experimental demonstration on MAST Upgrade
QGPINNs 是一个基于 PyTorch 的物理信息神经网络框架，专用于求解量子图上的非局部微分方程（如多阶分数阶椭圆问题和时间分数阶演化方程），并通过统一的图损失函数将边上的神经网络解耦合为全局解，同时可扩展求解逆问题。
值得关注：已有相关卡片覆盖了 PINN 在双材料波传播、3D 晶粒生长、KAN 变体求解偏微分方程等工作，但 QGPINNs 的增量信息是：专门处理量子图上带分数阶算子的非局部微分方程，并显式引入顶点传输条件（如 Kirchho…
PCMI（Phoneme-Cluster Mutual Information）和 WACS（Word Acoustic Consistency Score）是两种基于自监督语音表征的语料级指标，可在不依赖人工标注时间戳的情况下评估强制对齐质量，从而支持大规模和多语言场景。
值得关注：强制对齐是语音识别、语音合成和语言学研究中的基础环节，但传统评估依赖人工时间戳，难以覆盖长尾语言。PCMI 和 WACS 提供了无需标注参考的评估路径，有望提升多语言语音系统评测的自动化水平。
本文给出加权 Dikin 行走混合时间的两个证明：对于多面体上的指数分布采样，使用 Lee–Sidford、Lewis-weight 或 John 度量时可得到 $\widetilde O(d^2)$ 的总变差混合界；对于适当缩放的 Lee–Sidford 度量，还可在 $\chi^2$ 散度下得到 $\widetilde O(d^2)$ 混合界，改进此前…
值得关注：该结果进一步逼近了 Dikin 行走混合时间的 $d^2$ 猜想，并且通过“高概率区域上的接受概率控制”和“四阶 bootstrap 条件”提供了两种不同的证明路线，可能为后续研究提供新的分析工具。
Claude Code 插件市场正在快速扩张，插件开发以功能提交为主导；技能目录中的自然语言指令文件与实现脚本存在显著共演化，构成一种传统软件工程中未观察到的维护依赖类型。
值得关注：智能体插件正在成为 AI 编码工具链的关键扩展方式。如果插件只是一次性脚本，生态维护压力较小；但本研究表明，指令文件与实现脚本会共同演化，并且存在功能耦合。这要求开发者、平台方和工具链把“自然语言指令”当作一类需要被跟…
NL2AGBench 是一个专门评测大语言模型（LLM）能否把英文几何题自动翻译成 AlphaGeometry 可执行形式语言（DSL）的基准，结果显示最强闭源模型的可执行翻译率超过 80%，而开源模型即使在最大规模下也较难稳定保持几何约束并生成合法形式化表示。
值得关注：已有相关卡片主要关注 LLM 的自我改进、推理调度、KV 缓存压缩等方向，而本条聚焦“LLM 自动形式化”这一相对未被充分探索的能力，并且直接以 AlphaGeometry 作为评测载体。它补充了现有脉络中的增量信息：…
Logos: An Agent Harness on a Cross-Process Bus
这篇系统综述覆盖 2023–2026 年同行评审文献，发现当前 LLM 安全智能体已经“能行动”——能规划、用工具、在多步流程中保持状态并修订计划——但尚未达到“权限有界、行为可审计”。领域中“agent”一词使用不一致、应用场景风险差异大、评估协议常不可比。
值得关注：这是对 LLM 智能体在软件/系统安全领域的一次系统化梳理，而不是单一技术点。它为后续研究提供了一个共同框架：把“智能体能力”与“可委托性”分开考察，避免只用端到端结果评价安全智能体。
本文提出 LTP-BIT，一种“先学目标域生成先验、后学源条件控制”的解耦训练范式，将遥感跨模态图像翻译中的目标先验学习与跨模态依赖学习分开；在 SAR-to-RGB 和 NIR-to-RGB 基准上仅用 9.81% 任务特定参数达到 SOTA，并在 QXS-SAROPT 上仅用 25% 配对样本保留接近全数据实例保真度。
值得关注：遥感跨模态翻译（如 SAR 到光学、NIR 到 RGB）在灾害监测、土地利用分类等场景有广泛应用，但高质量配对数据通常稀缺。该工作的核心增量在于：明确指出目标域先验和跨模态依赖在数据需求上的不对称性，并用解耦训练把“学…
本文研究输入协方差特征值按幂律衰减的各向异性高斯数据上的核岭回归，在多项式高维机制（\(n=\Theta(d^\kappa)\)）下推导出核谱与泛化误差的渐近精确表达式，发现各向异性会从根本上重塑学习曲线。
值得关注：该工作为理解输入数据几何如何影响核方法提供了精确理论工具：协方差特征值的幂律衰减（各向异性）不仅改变核谱，还从根本上改变泛化误差的样本复杂度依赖关系。与已有相关卡片（AI生成图像检测、散斑回归、零售机器人VLA框架）相…
本文提出一个通用框架，用“规模-权重前沿”（size-weight frontier）刻画合成数据增强统计推断时的样本量与权重配置，并从历史任务中估计该前沿，从而对前沿上或下方的所有配置同时给出有限样本覆盖保证。在利用大语言模型回复增强民意调查数据的实验中，该方法达到目标覆盖率并显著缩窄置信区间。
值得关注：合成数据在基础模型时代越来越常见，但盲目混合真实与合成数据会导致统计偏差。本文为多任务场景下的合成增强选择提供了原则性框架，结合历史任务信息，在不牺牲覆盖率的前提下提高推断效率。与已有相关卡片相比，本条卡片聚焦于统计推…
本研究提出 GOLLuM（Gaussian Process Optimized LLMs）——通过高斯过程的边际似然目标训练大语言模型，使其具备校准的不确定性估计，从而能够在自然语言指导下进行跨领域实验优化；仅从 10 个低性能实验出发，即可在 23 个任务上平均排名第一。
值得关注：本研究提出了一种新的基础模型专门化范式：不是通过更多数据，而是通过更丰富、不确定性引导的信息来训练模型。与已有相关卡片中的检索增强知识图谱、水印或测试时模型选择不同，本条目的增量在于：首次将 LLM 直接通过贝叶斯优化…
在LLM机器翻译中，顺序式测试时扩展（sequential sampling）相比并行式（parallel sampling，如i.i.d.采样+重排）具有更高的性能上限，其收益主要体现在翻译流畅性和自然度上；但当推理预算较大时，顺序采样反而可能损害翻译准确性。该增益可部分归因于模型能够访问更大的目标侧上下文（target-side context）。
值得关注：已有测试时扩展研究强调不应把“预算”当作一个简单标量，而要区分推理算法的结构。本文在机器翻译这一具体任务上，进一步区分了顺序式与并行式两种扩展形态，指出其收益模式不同：顺序式提升流畅性和自然度，但可能牺牲准确性；且机制…