主流专有LLM API以“加密文本块”形式把隐藏的逐步推理（chain-of-thought）返回给客户端，但这些加密块在同一提供商的会话、用户和模型之间兼容且可互换；攻击者可利用这一架构漏洞，把加密推理块注入同一生态内防护较弱的模型，强迫其输出明文推理，从而绕过反蒸馏、泄露隐私、暴露危险推理，并实现不可见提示注入。
值得关注：直接挑战了“隐藏思维链”作为保护专有模型推理的主流做法：如果加密块被放在客户端且可互换，攻击者相当于拿到了一个“解密预言机”。 隐私泄露维度：公开的会话日志本身看似无害，但其密文推理块可被批量解码，导致 PII 和凭据…
控球率是足球中最常被引用但也最误导的指标。本文提出“垃圾控球指数”标记低威胁控球序列，并用“空间创造指数（SCI）”从广播视频判断控球是否真正创造空间，从而将“创造了空间但未转化”与“无效死控球”区分开来。
值得关注：现有 on-ball 价值模型无法回答“控球是否创造了空间”这一 off-ball 问题。本文将事件数据与广播视频结合，分离“空间创造但未转化”与“死控球”，是对控球质量评估的重要补充。与已有相关卡片主题无重叠，本条属…
SHE 提出一种从智能体交互轨迹中学习并演化“安全护栏”（harness）的框架，将护栏拆分为系统提示、规则库、安全记忆和工具策略四类工件，通过归因引导的演化循环显著降低攻击成功率（ASR），并提升良性任务效用。
值得关注：已有安全手段多聚焦模型权重或固定规则，SHE 将安全视角扩展至“护栏”这一可演化层，弥补了静态护栏无法随新风险迭代的短板。 与已有相关卡片中的 APPA（面向污点隔离的权限策略代数）相比，SHE 不聚焦于具体权限代数，…
Sci-VBench 是一个专门评估视频生成模型在科学领域中知识理解与因果推理能力的新基准，初步结果显示：当前模型在视觉真实感上进步明显，但在科学正确性与因果动态建模上仍不可靠，且闭源模型与开源模型之间存在显著差距。
值得关注：Sci-VBench 是继 ExpertVerse 之后又一个面向知识密集型视觉合成评估的基准，但更聚焦于视频生成和科学领域。它为“生成模型是否真的理解科学”提供了可量化的评测手段，也为视频生成在科学教育、医疗模拟、工…
RynnValue 是一种开放源码的机器人操作价值基础模型（value foundation model），用“时间距离”（temporal distance）替代偏好或进度作为监督信号，仅靠时间戳即可从大规模异构数据中学习奖励相关能力，并在零样本泛化和真实世界策略提升上超越偏好监督方法。
值得关注：现有机器人基础模型的奖励/价值模块往往需要人工偏好标注或任务特定的进度定义，难以跨本体、跨数据源迁移。RynnValue 展示了一个仅依赖时间戳的替代范式，使“价值基础模型”可以从更大规模、更粗粒度的异构数据中学习，并…
本文提出一个数据驱动的气候临近预报框架，将短期气候预测与供应链风险建模相结合，为哥伦比亚农业的实时气候风险评估和早期预警提供概念性架构；在受控计算环境中的原型和实验显示，短期降水临近预报可转化为可操作的供应链风险指标。
值得关注：已有相关卡片聚焦于零售机器人、图像生成和青光眼诊断等领域；本条则将数据驱动建模应用于农业供应链的气候韧性管理，展示了“天气预报”到“供应链决策信号”的转化思路。增量信息在于：该框架专门面向哥伦比亚农业场景，强调轻量级、…
RA-FinBERT 通过在 FinBERT 的 [CLS] 表征上拼接由 VADER 情感比例和来源元数据构成的四维特征，并以 LoRA 进行参数高效微调，仅新增 1,024 个可训练权重，即在金融新闻标题/描述的三分类情感任务上将测试集准确率从 63.44% 提升至 69.89%，宏 F1 从 0.526 提升至 0.634。
值得关注：该工作提供了一种“轻规则+强表征”的融合思路：不依赖大规模额外参数或复杂模型结构，仅用四个手工标准化特征即可带来显著性能提升。对于预算有限或需要快速部署的金融文本分析场景，RA-FinBERT 展示了将传统情感词典规则…
CVPD（Contrastive Counterfactual Visual Process Distillation）提出一种完全自包含的多模态大语言模型视觉自蒸馏方法：通过“放大某个区域会改变并锐化模型答案分布，而移除该区域几乎不改变整图行为”的反事实盲区，从模型自身响应中生成密集的逐 token 对比监督，不依赖外部标注、工具或更强模型。论文报告，在…
值得关注：CVPD 不是用粗粒度奖励分数，而是用逐 token 的密集监督，把“模型看到了但没稳定用上”的信息显式转化为训练信号。 “感知先于监督”强调：在引入外部监督之前，先利用模型自身的感知不一致性进行自我改进。 论文将反事…
该研究提出一个隐私保护的合成数据流水线：先用 StyleGAN 生成新颖的硬件布局掩码，再用条件 GAN（Pix2PixHD）把掩码转换为逼真的 SEM 图像；仅用这些合成图像训练的分割模型，可以成功迁移到真实 SEM 图像，并且性能优于只在有限真实数据上训练的基线模型，同时降低了硬件设计 IP 泄露的风险。
值得关注：该工作同时应对了“数据量不足”和“数据不能共享”两个相互冲突的瓶颈。 与已有相关卡片相比，本条目的增量在于：将合成数据生成用于 SEM 硬件保证，并明确把 IP 保密作为生成流水线的设计目标，而不仅是为了提升模型性能。
MMDiff 是一种多模态模型差异分析框架，通过训练多模态稀疏自编码器（SAE），对比基础语言模型与多模态适配模型，把隐藏状态分解为可解释、可因果操作的特征方向，从而发现、审计和控制多模态大模型行为。
值得关注：MMDiff 把 SAE 从“事后解释”推进到了“事前控制”，使可解释特征可以直接用于模型行为干预。这种“模型差异分析”思路也有助于定位多模态训练带来的特有特征变化，而不仅仅是分析通用语言模型特征。
本文是 POLIS 研究计划的第一篇论文。POLIS 是一个持续进行中的研究项目，研究多智能体系统的“算法制度”（algorithmic institutions）。 研究问题：AI制度中的哪些部分产生安全？它们如何产生安全？ 作者报告了一个冻结的 5,280-episode 研究套件。 主要的预先指定委托实验覆盖四个模型家族；另有一个针对高冲突场景的诊断…
值得关注：已有相关卡片已经说明“部署规则”本身能因果性地改变多智能体系统的集体安全。 本条增量信息在于：把“规则”这个黑箱进一步打开，指出规则表述、权威状态、守卫类型、阻断后路径会各自影响安全结果。 本文还用“溯源感知”方法给出…
在线策略蒸馏（On-Policy Distillation, OPD）中，学生与教师之间的“令牌失配”（token mismatch）比“令牌一致”（token agreement）更值得关注；论文提出 TIDE 方法，分别处理“学生多余”和“学生缺失”两类失配令牌，在数学推理基准上优于标准 OPD 及近期基线，尤其在教师-学生失配较强时提升显著。
值得关注：它提醒后训练社区：在线策略蒸馏不能只追求学生输出与教师输出在令牌层面的“像”，还要诊断和治理“失配”。这一视角可能对长推理模型、格式稳定性、以及教师-学生能力差距较大的场景都有价值。
本文证明了一致稳定算法的矩不等式可以去掉对数因子，得到在相应范围内与下界匹配的泛化误差上界。
值得关注：该结果解决了 Bousquet 等人（2020）提出的开放问题，将均匀稳定算法的泛化界从含 $\log n$ 的差距改进为常数因子最优，有助于更精确地理解算法稳定性与泛化能力之间的关系。
论文提出 Latent Dynamics Reasoning（LDR），把视频潜在状态的时间演化建模为显式运动学积分：低阶动力学由数值积分完成，模型只回归三阶及以上残差；在 PhyWorld 白盒物理基准上，LDR 的分布内/分布外误差差距比视频扩散基线小 20 倍以上，论文称其为首个能外推所学动态的视频世界模型。
值得关注：因为强视频模型擅长生成逼真帧，但未必遵守物理规律；LDR 通过显式运动学积分和分布外测试，展示了“学规律”而非“记像素”的可行性，为视频世界模型提供了可外推的动力学建模方向。
对于一个一般的非负实解析势 \(V\)，当大参数 \(\beta\) 趋于极限时，朗之万扩散 \(dX_t = -\beta\nabla V(X_t)dt + \sqrt{2}dB_t\) 若从 \(V\) 的零集出发，会被限制在零集上；其极限动力学可按局部学习系数及其重数对零集分层来描述，并且该演化强烈偏向更高维（原文亦称“更奇异”）的层。这为“随机梯度…
值得关注：将奇异学习理论中的核心概念“局部学习系数”与朗之万动力学的极限随机演化联系起来。 为“SGD 偏向能泛化的奇异解”这一现象提供了可数学化的理论机制，而不只是经验描述。 说明“更奇异”的层不仅具有静态几何特殊性，还可能强…
据论文摘要，Johnson 等人展示了一种自主三杆张拉整体（tensegrity）机器人，能够在遭受极端冲击（包括从 5.7 米高处跌落到沥青路面）后，依然在多种地形上实现稳健移动。该结论仅基于已知元数据，具体实验细节待核实。
值得关注：张拉整体结构兼具轻量化与结构柔顺性，可能为机器人抗冲击与地形适应提供新设计思路。该研究同时涉及“自主性”与“抗冲击性”，区别于仅依赖被动结构的抗冲击方案。与既有卡片涉及的“投毒攻击”“LLM 代理”主题不同，本条属于机…
一篇发表在《自然》上的评论文章认为，如果没有强有力的标准和明智的监督，人工智能可能侵蚀高等教育的基础；文中具体监管建议因正文未抓取，待核实。
值得关注：本条与已有相关卡片形成互补：已有“倾听Z世代对人工智能在教育中应用的看法”呈现了学生群体对AI进入课堂的态度；本条则从教师和大学治理角度出发，关注AI在考试中的滥用与学术诚信风险。增量信息在于：它提示教育界需要同时关注…
Nature 于 2026 年 8 月 10 日在线发布了一篇关联网络研讨会的报道，面向招聘经理和求职者，讨论在科学职位申请中如何与何时使用人工智能；具体建议内容待核实。
值得关注：这是对“AI 如何进入科研职业生态”这一议题的延伸：此前已有卡片关注知识蒸馏、图形摘要制作、LLM 修辞偏差等 AI 在研究产出中的应用，而本条聚焦于 AI 在“科研人员求职”这一职业竞争环节中的角色。 增量信息：该报…
GENCO（GEometric Neural Corrective Optimizer）是一个统一神经求解器，可在同一架构和共享网络表示下处理潮流（PF）、最优潮流（OPF）和状态估计（SE）三类稳态电网分析任务；在多个基准和真实电网数据上，它相对经典求解器可实现数十倍加速，并配套开源低代码开发框架 GridFM，为“电网基础模型”提供了具体切入点。
值得关注：本卡片不同于已有的物理信息神经网络在弹性波传播或晶粒生长等材料/固体力学场景的应用，GENCO 将神经求解器与开发框架结合，直接面向输电网稳态分析这一工程物理领域。统一架构和配套低代码框架共同提供了一种新的大规模稳态电…
思考模式融合（Thinking Mode Fusion, TMF）中，非思考监督比例增大会降低思考模式的准确率；训练调度可以调节这一权衡，且最优调度取决于数据比例。
值得关注：现有研究较少关注 TMF 的训练动态，本文提供了系统分析与可操作的训练建议。 对需要同时支持快速应答和深度推理的应用（如智能助手、数学解题等）具有参考价值。 发布基准与代码，有助于推动该方向的后续研究。