ReCal3R是一种无需重新训练即可应用于已有模型（如CUT3R）的校准规则，通过评估场景状态中每个token的可靠性来调整学习率，从而在长序列流式3D重建中显著降低姿态误差（ATE降低3.7倍），同时保持相近的运行时间和内存消耗。
值得关注：现有的流式重建方法在序列变长时易出现状态漂移或遗忘关键历史信息。ReCal3R提供了一种轻量级、即插即用的校准机制，在不改动模型结构的前提下显著提升长序列重建的稳定性，为后续研究提供新思路。
PixWorld 通过将三维重建与生成统一到像素空间扩散范式中，消除了潜在空间方法的信息损失与对预训练自编码器的依赖，在生成任务上超越此前潜在空间方法，在重建任务上达到当前最优水平。
值得关注：此前统一范式在潜在空间进行，存在信息损失与依赖预训练编码器的瓶颈。PixWorld 首次在像素空间实现统一，并通过几何感知损失增强了三维结构意识，为三维场景理解与内容生成提供了更简洁、更保真的基础模型思路。
本文提出了一种名为PAST-TIDE的立场检测方法，该方法通过原型锚定（Prototype-Anchored）语句微调与话题不变归一化（Topic-Invariant Normalization）来提升模型在跨话题场景下的泛化能力。**（待核实：论文结论及效果来自标题推测，具体实验结果未知。）**
值得关注：立场检测是自然语言处理中细粒度分类的重要子任务，但现有方法严重依赖话题标签。PAST-TIDE尝试解耦话题与立场，有望推动跨领域、零样本立场检测的发展。**（待核实：理论基础仅基于标题推测。）**
OptiAgent 是一个多智能体框架，能够将运筹学问题的自然语言描述自动转化为求解器可读的数学公式和可执行代码，在 3/4 的基准测试上达到最先进性能。
值得关注：传统优化建模依赖领域专家手动编写数学公式和代码，不仅耗时且容易出错。OptiAgent 提供了一种端到端的自动化方案，结合多智能体协同与迭代精化，显著提高了建模的准确性和透明度，有助于加速运筹学在实际业务中的落地。
MV-Forcing 是一个结合时间与视角双向自回归的框架，通过引入4D几何桥接，使单个扩散模型能够生成任意长度、多视角一致的动态场景视频，并利用分布匹配蒸馏（DMD）与时空自强迫缩小训练与推理之间的曝光偏差。
值得关注：解决了长期存在于视频生成领域的一个难题：如何同时保证时间上的长程连贯性与空间上多视角的几何一致性。MV-Forcing 通过将3D重建模型自然嵌入生成流程，为这类任务提供了一种可扩展的、无需额外配对数据的框架。
本文基于待确认的元数据，提出了一种原创的昼夜节律评分方法，并将其应用于机器学习驱动的抑郁症筛查与干预。由于未能获取全文，所有结论均需对待核实。
值得关注：抑郁症是全球主要致残原因之一，但现有诊断依赖主观评估。基于昼夜节律的客观生物标记物结合机器学习，有望提升筛查准确率和干预的及时性。但本文具体贡献待核实。
LLM-as-a-Verifier 是一种无需额外训练的通用验证框架，通过计算评分 token logits 分布的期望值生成连续分数，实现细粒度反馈，在多个智能体任务基准上达到最优性能，并可扩展为强化学习的密集奖励信号。
值得关注：将“验证”提升为与大语言模型预训练/后训练/测试时计算并列的**第四可扩展轴**，开辟新研究方向。 提供通用、无需额外训练的框架，可广泛应用于编程、机器人、医学等智能体系统。 连续分数比离散分数能更精细地排序和选择方案…
本文提出一种利用设备与观看条件分布来提升视频质量评估模型泛化性能的方法，但具体内容因缺少原文无法确认。
值得关注：视频质量评估是视频编码、流媒体优化和用户QoE评估的关键技术。实际场景中设备与观看条件多样，现有模型泛化能力有限，本文若提出有效方法将具有重要实用价值。
本文提出一种无需人工标注数据的深度学习框架，通过模拟瞬变源注入与污染数据训练双网络模型，实现了鲁棒的真实-虚假分类，并提供了校准的不确定度量化，能够直接迁移至即将开展的时域巡天项目。
值得关注：该研究突破了传统监督学习对大量人工标签的依赖，利用注入仿真和弱监督技术大幅降低了数据标注成本与偏差。同时，内建的可校准不确定度量化使得分类结果更可信，对于后续的瞬变源确认与科学分析至关重要。方法的易迁移性意味着未来巡天…
本文提出了一种将神经编码器与贝叶斯广义线性混合模型结合的方法，用于多模态数据分析，但具体细节因无法获取正文而待核实。
值得关注：待核实：它结合了神经网络的灵活性和贝叶斯模型的概率推理能力，可处理小样本或噪声数据。 待核实：为基础模型的多模态适配提供了一种新范式。
InFlux++ 通过大规模合成视频数据集（441K+帧）和扩展的真实世界基准（514K+帧），显著提升了基于 RGB 图像对动态相机内参（尤其是焦距）的估计精度，证明合成数据监督是一种有前景的训练策略。
值得关注：该工作填补了动态相机内参领域大规模训练数据和多样化评估基准的空白，推动了从固定内参假设向动态内参估计的范式转变，为实际视频中的 3D 理解提供了关键基础。
待核实（无法从元数据确定结论性内容）。
值得关注：该挑战赛聚焦跨场景泛化能力与细粒度分级，有助于提升工业质检的自动化水平和可靠性。待核实更重要意义。
本文提出一种无需标注数据的无监督方法，通过拟合孪生验证网络输出距离分布的双峰函数并取两峰之间的极小点作为阈值，在四个数据集上达到平均94%的验证准确率，与依赖标注数据的等错误率方法性能相当。
值得关注：阈值是孪生验证网络从训练走向实际部署的关键参数。以往方法依赖标注数据或经验设定，难以应对数据分布漂移。本文提供的无监督方法使模型可以在线上自动校准，大幅降低了部署维护成本，并保持了高准确率，对工业级验证系统的实用化具有重要价值。
Graph Sparse Sampling (GSS) 通过共享采样未来轨迹的图结构，将树形搜索的指数级地平线依赖降为多项式依赖，在连续控制长时域规划中显著优于传统蒙特卡洛树搜索。
值得关注：传统树形搜索（MCTS）在连续域和长时域下计算负担迅速膨胀，而GSS通过图结构将复杂度从指数降为多项式，为实时在线规划提供了可扩展的理论基础和实用算法。该工作同时填补了图结构规划在连续MDP中的理论空白。
待核实。论文提出了一种名为GlaKG的知识图谱框架，以生物标志物为中心，旨在实现可解释的青光眼诊断和风险评估。
值得关注：1. 填补了青光眼诊断中可解释性工具的空白。 2. 将生物标志物知识结构化，便于跨机构知识共享与临床决策。 3. 相比纯黑箱模型，知识图谱能提供推理路径，符合临床对透明度的需求。
基于几何互易定理（Geometric Reciprocity Theorem, GRT），首次实现从单目视频自监督学习立体视频生成，无需立体对或合成数据，显著优于无训练和监督方法。
值得关注：首次实现自监督的立体视频生成，解决了训练数据稀缺的关键瓶颈，所用几何关系简洁且有效。
GaP（Graph-as-Policy）是一种多智能体代码编排框架，通过生成带感知、规划和控制节点的有向计算图，并结合内部仿真迭代优化，使机器人在变体自动化任务上显著超越现有基线方法。
值得关注：填补了无模型策略在变体自动化任务上的可靠性缺口。 结合可解释编程（有向计算图）与自学习适应能力，具有可解释性和可迭代性。 提出了一种新的范式：将策略表达为可编辑的计算图，并通过仿真自动优化，类似“代码即策略”的思路。
本文提出了一种测试时迭代优化框架，旨在提升图像生成与参考图像之间的一致性（待核实）。
值得关注：传统方法（开环）一次生成后难以修正，而闭环迭代优化能在保持生成质量的同时显著提升与参考的匹配度（待核实）。 该方法可能为多模态生成任务（如文本到图像+参考条件）提供更可靠的框架（待核实）。
CamVLA 通过让策略自主推断相机位置（而非被告知），仅依靠单目 RGB 图像和任务指令，即可在训练时未见过的相机视角下稳定执行操作任务，且无需相机外参标定或深度信息。
值得关注：消除了对相机外参标定的依赖，大幅降低部署成本与复杂度； 仅需单目 RGB，降低传感器要求； 策略自主适应视角变化，更适合动态变化的真实场景； 为视觉-语言-动作模型在灵活相机配置下的实际应用提供了新范式。