该论文提出“量子哈密顿量嵌入”（quantum Hamiltonian embeddings）监督学习框架：将经典训练数据编码进一个参数化哈密顿量，以该哈密顿量近似基态定义分类规则，并在理论上给出梯度估计与泛化保证，同时在 IBM Heron 处理器上完成规模化演示。
值得关注：与既有卡片中“单量子比特实现指数级量子优势的经典信号学习”相比，本条不是围绕测量次数缩减的单量子比特方案，而是面向通用监督学习的建模范式：把数据集整体编码为哈密顿量，并以基态作为分类器，关注的是可证明的泛化与可训练性。…
Stateful Harness 把“世界状态演化”与“视频渲染”拆开：由框架按规则维护隐藏状态并编译指令，冻结的视频模型只负责出画面，从而在依赖不可见状态的交互中显著提升规则遵循率。
值得关注：交互式世界模型若只擅长“生成看起来合理的画面”，在需要持久规则与隐藏状态（如开关、库存、剧情标记）的场景中会失效。该工作给出的增量是：不重新训练视频后端，而是通过外置状态机/规则执行层加指令编译，把规则遵循率大幅拉高，…
SpecMRL 通过在参数导出的谱基（spectral basis）中按特征重要性组织特征空间，改进 Matryoshka 表示学习（MRL）的嵌套前缀读出方式；据摘要，其在 MTEB 上于所有评估的降维维度均优于 MRL，且压缩越激进增益越大，仅用一半嵌入维度即可超过全维 MRL——具体数值与实验细节待核实。
值得关注：对“嵌入维度可裁剪”这一实用需求（检索、存储、推理成本）提供了比原始 MRL 更有效的实现路径，低维区间收益更明显。 把“特征重要性排序”显式引入表示空间设计，提示 MRL 类方法的瓶颈可能在于前缀读出的空间结构，而非…
SpecKCast 是一种无需训练（training-free）的扩散模型加速方法：它在频域（2D DCT）上对模型输出做逐系数卡尔曼滤波预测，并沿由噪声调度派生的频带特定时间坐标推进预测，从而在跳步时减少外推误差；据摘要，在多个图像/视频 DiT 上取得最高 6 倍加速，额外显存低于 0.05 GiB。
值得关注：它把扩散加速中的“跳步预测”从“在像素/特征空间均匀外推”推进到“按频带与非线性时间去建模”，针对的是现有预测型加速的误差放大机制，而非单纯调参。 与既有卡片中 MORCA 的“学习型缓存调度”不同，SpecKCast…
当 LLM 智能体通过“按需检索”而非“上下文内联”读取长工具输出时，部分模型会出现准确率下降；原因未必是没算对，而是答题所依据的证据发生了替换（evidence substitution）。
值得关注：揭示了一类易被最终准确率掩盖的失败模式：计算正确但证据用错。 对智能体框架设计（上下文管理、工具输出呈现方式）给出可操作的改进方向：命名权威输出、内联可容纳输出。 与“工具使用失败诊断”类工作形成互补：本工作聚焦证据使…
论文提出“安全中期训练”（safety mid-training），在预训练与后训练之间引入一个同时发展安全与通用推理的中间阶段，试图缓解安全与通用能力之间的取舍（trade-off），并提升安全对后续训练的鲁棒性；具体数据与实验细节待核实。
值得关注：直接针对安全对齐的两个现实痛点：安全能力随训练漂移而退化、安全与通用能力相互挤压。 把安全从“后训练补丁”重新定位为“可学习的基础能力”，为训练流水线设计（预训练—中期训练—后训练）提供新的分工思路。 与既有卡片的关系…
Ropedia W0 提出首个覆盖人类与多种机器人具身的自我中心（egocentric）移动操作世界基础模型，通过统一运动学表示与大规模人类/机器人混合数据，在多个跨具身基准上取得领先表现，并验证了“扩展人类预训练数据能同时提升人类与机器人评测”的缩放规律。
值得关注：把“移动”与“操作”纳入同一个世界模型，而非分开建模，贴近真实移动操作任务的耦合特性。 跨人类与多机器人具身的统一表示，为利用海量人类视频数据训练机器人世界模型提供了可操作路径。 同时给出数据、基准与模型，并覆盖零样本…
CORNETO 框架的多样本约束网络推断并非在所有条件下都能稳定获益：其稳健性取决于先验知识完整性、样本可得性、正则化强度与生物学情境，因而应被视为一个“分区依赖”（regime-dependent）的学习问题。
值得关注：把网络重建定位为“分区依赖的学习问题”，为多样本生物网络推断提供了实践原则，而非单一的性能排名。 强调预测性能本身不足以证明推断网络对应真实分子调控机制（问题本身欠定，多个候选结构可解释同一观测）。 对使用 CORNE…
该论文提出“视觉可归因同策略自蒸馏”（Visual-Attribution Gating, VAG），通过对比“证据存在”与“证据退化”两种教师视图来筛选特权纠正，只保留能归因于视觉证据的 token 级更新，从而在六个视觉推理基准上优于 GRPO 与 OPSD 方法。
值得关注：相比既有 OPD-V（以模态平衡构造信任区域）与 Where-OPD（以空间定位引导与合成场景提供免标注信号），本条的工作把重点放在“纠正是否可归因于视觉证据”这一判别上，属于对 OPSD 脉络中“特权信息可能引入污染…
RefCraft 是一个包含 300 个真实多模态网页开发任务的基准，用于评估智能体在自然语言指令之外结合 1–5 张参考网页截图进行选择性理解、渲染与迭代优化的能力；据摘要，九个前沿 (M)LLM 中表现最强的系统总分仅 52.12/100，表明该能力仍是显著挑战（具体评测细节待核实）。
值得关注：补足了现有基准“只重文本指令或视觉重建”的空白，把“从参考样例开发”这一常见工作流纳入评测。 将评测从单轮生成推向“生成—渲染—视觉检查—迭代”的智能体闭环，更贴近真实开发流程。 与既有的参考一致性生成、条件式生成域偏…
StreamRPS 提出了一套面向 FMCW 旋转雷达的流式全景分割框架，通过自动标签生成管线与实时流式网络，在 SAX 和 BOREAS 数据集上以超过 400 FPS 的速度处理 4 扇区数据，性能至少领先最强基线 1.4 个百分点（待核实具体指标细节）。
值得关注：针对雷达这一在恶劣天气下相对稳健的模态，补齐了实时全景/语义分割能力，对自动驾驶感知冗余有直接价值。 自动标签生成管线缓解了雷达标注数据稀缺的瓶颈，并公开 100 帧人工标注供独立评测，有利于后续复现与公平比较。 与已…
在 131 项蛋白质结构任务组成的 ProteinGeoBench 上，前沿结构生物学智能体普遍更擅长检索结构元数据，而在从坐标做数值/几何计算时表现更弱；且基准排名对评测配置（运行次数、工具框架、网络/数据库访问、任务子集）敏感。以上基于元数据与摘要级信息，正文细节待核实。
值得关注：对“基准分数=模型能力”的默认假设提出操作性质疑：同一模型在不同运行预算、工具框架与访问条件下可能得到不同名次，评测报告需要显式披露这些配置。 区分“查表流畅”与“几何计算可靠”两类能力，对结构生物学智能体的实际部署有…
PICA-WAM 是一项针对世界动作模型（World Action Models, WAMs）的自监督训练框架，试图用“跨外观自对齐”这一辅助任务，让模型在视觉外观被扰动时仍产出与原始观测一致的动作表征，从而提升视觉扰动下的鲁棒性（具体实验数字待核实）。
值得关注：指向 WAMs 的一个结构性矛盾：视频预测目标天然偏向保留外观，而机器人行为需要对外观变化不敏感；仅靠数据增强或外部特征对齐不足以强制这种不变性。 提出了一种不依赖额外标注的自监督路径，且以“浅层动作表征对齐深层教师目…
OpenVLHarness 是一个围绕“能力层 + 持久多模态记忆”组织的多模态推理框架（harness），在 22 个基准、8 个开源与闭源基座上，相比匹配的无工具基线平均提升 9.7–12.6 分；且在 GPT-6 Luna 中等推理投入下，以不超过对比方案 37% 的模型 token 成本超越基座模型、Codex 与 Visual Sketchpad…
值得关注：与“只加大推理预算”的路线形成对照：论文的受控研究显示该路线增益有限，提示外部工具与证据管理才是瓶颈所在。 与既有“视觉工具使用”脉络相比，本条的重点不在“是否调用视觉工具”的因果审计，而在于把异构工具输出转化为可读证…
论文提出“开放形态几何风格迁移”这一新设定：把从某一类形状（如风格化拉丁字母）中学到的几何设计语言，迁移到形状族之外的全新形态（如希腊字形乃至人体姿态），并从方法上强调必须把“学风格”与“学形状族”解耦（具体实验结论待核实）。
值得关注：把几何风格迁移的适用范围从“同族内”推向“跨族”，更接近设计实践中“把一套视觉语言套用到任意对象”的需求。 强调“通用几何先验”而非仅“风格建模”，为风格迁移中的内容—风格解耦提供了区别于图像域 LoRA 方案（如 A…
该论文（arXiv:2610.26817v1）将“Next Best Action（NBA）”建模为约束马尔可夫决策过程（CMDP），并把对客户动态的离策略因果校正直接整合进 CMDP 的线性规划（LP）求解中，以在满足业务约束的前提下最大化长期经济价值；具体方法细节与完整实验设置**待核实**。
值得关注：将“因果性”与“约束”同时纳入 NBA 决策：既避免仅凭相关性做定向，又把公平性/用户福利等运营护栏写进优化问题，而非事后补丁。 通过 LP 的 shadow prices 提升策略可解释性，有助于把 RL 决策转译为…
该论文针对下层 Hessian 可能奇异、下层解可能不唯一（即不满足强凸性）的双层优化场景，提出了两种利用下层更新与乘子更新共享曲率结构的牛顿型方法，并给出收敛性与复杂度改进。
值得关注：经典超梯度公式在下层 Hessian 奇异时失效，是双层优化落地到实际机器学习任务（如下层解不唯一的数据重加权）时的常见障碍。该工作把牛顿型方法的适用边界从“下层强凸”推进到更弱条件下，并用统一框架（GNBO）串联已有…
MemT-1.0 是一类将记忆内化为模型计算组成部分的“记忆基础模型”架构；据摘要，其在长历史场景下相对全上下文 KV cache 有约 1.86× 端到端推理加速与 66× 持久存储缩减，但正文与评测细节待核实。
值得关注：若摘要结论成立，该工作提供了一条“记忆原生”路线：把长程记忆从外部检索或全上下文缓存，转为模型内部可扩展的存储与更新机制，从而在长历史下同时改善推理效率与持久存储开销，并为智能体积累程序性经验提供架构支撑。相较已有卡片…
Manga2Animate 是一个多智能体框架，通过引入“动画剧本”和“视觉分镜”两个中间表示，并配合创作者—审阅者双智能体机制，把生成过程的每一步都锚定在原始漫画画格上，从而提升漫画改编动画的忠实度与跨镜头一致性。
值得关注：对漫画 IP 动画化流程：把“剧本规划”和“分镜规划”显式拆成可审阅的中间产物，为自动化改编提供了可检查、可迭代的结构，而不是端到端黑箱生成。 对多智能体方法：创作者/审阅者配对 + 双层反馈的模式，是“生成—校验”循…
LatComm 提出一种“编码一次、按问读取”的潜通信接口：冻结的上下文编码器 LLM 将长上下文压成固定大小的数据包，另一个冻结的接收器 LLM 通过交叉注意力按问题选择性读取，从而在多个模型协作场景中同时实现紧凑、跨问题复用与跨模型可读。
值得关注：多 LLM 系统的瓶颈往往不在单模型能力，而在模型间传递信息的格式与成本。LatComm 把“上下文压缩”与“潜通信”两个方向合并，给出一种可复用的中间表示，使接收模型无需重读原文即可按需取用。与既有卡片中关注权重压缩…