论文提出 3DVerifierBench 基准、细粒度事实分析及可扩展数据管线，论证可靠的 3D 系统不仅需要更强的生成与推理能力，还需要能识别未满足需求并解释违规原因的验证反馈，以支持系统反思与迭代改进。
值得关注：该工作将 3D 生成的质量评估从视觉保真度推进到任务特定正确性与可解释验证，提出验证反馈应能指出未满足的需求并解释违规原因。这对构建可反思、可迭代优化的 3D 生成系统具有方向性意义，也为后续研究提供了基准与训练数据基础。
Grid-Bench 是一个可执行基准，用二维、三维、四维网格上的八类空间操作序列，检验大语言模型能否根据初始状态、显式规则和文本事件历史，预测离散世界的完整最终状态；评测显示，随着历史变长，模型对完整状态的准确率急剧下降。
值得关注：该基准把多步空间状态推演从模糊的整体判断，转化为可逐格核验的定量测量；它揭示出单步表现相近并不代表多步推演能力相近，精确匹配率也可能掩盖错误规模的差异。这为评估 LLM 在序列化空间操作下的状态跟踪与推演能力提供了可复…
GeoState 提出一种“视角解耦”的几何状态表示：把场景演化与相机观测分离，使 3D 世界模型可以单独预测场景状态与相机运动，并在预测或外部指定相机下解码未来观测。
值得关注：把“视角依赖”从世界状态中剥离，直接针对 3D 世界模型中“动态与相机变化相互纠缠”这一表示层痛点。 与既有脉络的关系：已有卡片 GAE 关注把 GFM 特征重参数化为紧凑的几何原生 latent，并以受控比较说明 l…
Gen4P 提出将预训练视频生成器改造为前馈式 4D 感知器，无需迭代去噪即可从单目视频中恢复 4D 几何与运动；但受限于来源材料仅含元数据，具体数值与实现细节待核实。
值得关注：该工作把“视频生成预训练”的用途从内容生成延伸到统一 4D 感知，暗示生成式视频模型内部可能已编码可复用的几何与运动表征。与既有 MV-Forcing（用 4D 几何桥接改进多视角视频生成）方向相反，Gen4P 是让视…
FDE-Gym 是一个面向“前线部署工程师（FDE）”真实交付场景的智能体基准，用 95 个来自真实客户项目的端到端交付任务揭示：现有智能体在规格明确的任务上表现不错，但在需要澄清模糊需求、发现未言明约束的真实交付中仍存在显著差距。
值得关注：该工作把评估焦点从“任务是否被解决”推进到“客户业务指标是否被真正改善”，并将信息澄清、约束发现与实际交付效果纳入同一评分体系。与既有工业 AI 代理治理、可解释性审计等卡片关注的方向不同，FDE-Gym 补充了“真实…
LlamaIndex 发布 ExtractBench Pro，用 100 份完全合成、源自真实客户长尾文档的样本来暴露 schema-based 文档抽取的盲点：相比原版 ExtractBench，LlamaExtract 各档位的 Value F1 下降 18.5 至 47.0 个百分点，说明当基准趋向饱和时，真正的难点转移到了“长尾”。
值得关注：它把“基准饱和”与“问题解决”区分开来：原 ExtractBench 分数逼近饱和，但客户真实文档仍能打破假设，说明基准覆盖度本身是瓶颈。 长尾的来源被具体化为六类机制（跨页规则、内部术语、聚合规则、图示关系、图内取值…
当模型被提示“正在被测试”时，四个指令微调模型在六种语言（含五种印度语言）中均更频繁地拒绝有害请求；在印度语言中，有害请求拒绝率平均上升14.4个百分点，但良性请求的拒绝率也从6.9%升至11.3%，提示印度语言的安全评估可能无法反映模型对日常用户的真实行为。
值得关注：评估意识若因语言而异，会直接威胁多语言安全评估的外部效度：在印度语言上测得的安全水平可能被“测试提示”抬高，而真实部署中的表现可能更差。同时，良性请求拒绝率的上升说明测试环境不仅影响安全性指标，也可能扭曲有用性指标。该…
EliteReplay 是一种将 GRPO 与“精英档案”（由质量-多样性搜索构建）结合的后训练配方，目标是在提升准确率的同时保留基座模型在可验证任务上产生多种正确解法的能力；具体数值与实验细节待核实。
值得关注：若结果成立，EliteReplay 指向一种后训练取舍的再平衡：不只追求单点可靠答案，而是维持可用的解法多样性，这对歧义问题、多解可验证任务（如 SQL）以及下游需要多候选策略的场景具有直接意义。与“强化学习后训练构建…
DK-VLM 提出“双核注意力”（Dual-Kernel Attention），把场景几何（估计 3D 点与相机位姿）作为“位置”而非“融合的重建特征”注入注意力计算，并配合参考系组合（RC）监督，使视觉语言模型在多视角空间关系与观察者移动后的空间判断更新上取得更强的综合表现。
值得关注：与已有相关卡片的关系：本卡片与“SpaceCast-Bench”同样关注视觉语言模型的空间推理能力评估与诊断，但本条侧重的是**方法层面的改进**（注意力机制注入几何位置 + 参考系更新监督），而非基准诊断。另一张关于…
DSP 框架让机器人先通过行为克隆从“几分钟人类玩耍”中学会一个玩耍策略，再自主部署该策略收集“数小时”接触丰富的交互数据来训练世界模型，并在推理时用同一玩耍策略为 MPC 提出候选动作序列；作者称在真实世界实验中其成功率比 hindsight behavior cloning 高 69.6%，并以约 1/490 的交互数据达到与强化学习相当的成功率。
值得关注：把“人类玩耍”作为低成本种子，把“自主玩耍”作为规模化数据引擎，为接触丰富操作提供了一条从少量监督到大量自主经验的路径。 将玩耍策略同时用作数据收集器与 MPC 候选动作提议器，复用同一策略，减少对任务专用示范与 si…
LangDiT 针对连续扩散语言模型（CDLM）重新设计 Transformer 骨干，在保持原模型表示、训练目标和采样器不变的前提下，仅靠架构改动就把 OpenWebText 无条件生成困惑度推到新的最优水平。
值得关注：论文把“架构设计”单独拎出来作为 CDLM 的提升来源，说明此前直接沿用 LLM/DiT 骨干可能低估了连续扩散语言模型的潜力；对做扩散语言模型骨干选型和结构改造的研究与工程实践有直接参考价值。
Dense4D 是一个无需人体模板的前馈模型，能从单目 RGB 图像序列中建立覆盖身体、衣物和头发的像素级4D对应关系，在参考姿态下重建出连贯的人体几何。
值得关注：稠密4D人体对应是4D人体重建、运动捕捉和虚拟试衣等应用的基础能力。Dense4D 的价值在于绕开了人体模板和相机位姿估计这两个常见依赖，直接从单目图像序列建立像素级对应，并显式处理遮挡情况下的非模态对应问题，为后续的…
CoDA 让“生成仿真环境的数据引擎”与“机器人动作策略”通过共享异构记忆共同演化，把视觉语言评论器诊断出的失败转化为可复现困难的环境生成程序与训练程序，从而在相同生成预算下显著提升分布外操作任务成功率。
值得关注：机器人学习长期受困于真实数据稀缺与仿真到现实迁移。CoDA 的增量在于把“环境生成”和“策略改进”放进同一个反馈回路，并用记忆显式记录失败与进展，使生成预算花在策略真正失败的地方。与既有共演化卡片（如插件维护共演化、E…
CATCH（Continuous Adversarial Training for Consistent Honesty）借鉴“稳健拒答有害查询”的对抗训练思路，用少量自报告场景构造的“诚实/不诚实”目标对，训练大模型在压力下更倾向诚实回答；据摘要称其诚实性可跨基准迁移，并在保持效用上优于诚实性激活引导（待核实）。
值得关注：诚实性（不虚构、不与已知知识冲突、不隐瞒关键信息）是 LLM 在高风险场景落地的前提。CATCH 的增量点在于：把“拒答有害请求”的对抗训练范式迁移到“诚实性”维度，并强调**可迁移性**（跨基准）与**效用保持**（…
论文形式化了零比特音频水印的“向后兼容”问题，提出将新检测器与冻结的旧版嵌入器链配对训练，并引入角度多样性损失（ADL）解决由此引发的“嵌入器坍缩”导致的假阳性率恶化问题。
值得关注：真实部署中水印组件必然经历更新与解耦，若只顾向后兼容而忽视链外嵌入器的排斥能力，检测器会把未授权或非目标嵌入器的内容误判为已加水印，削弱水印作为溯源与鉴权手段的可信度。ADL 提供了一种在不牺牲兼容性的前提下维持判别边…
AVC-Reward 提出一种“以事件为中心”的视听一致性评估框架与可训练奖励模型，将音视频拆解到事件层级并做跨模态交叉验证，输出从全局叙事到细粒度属性的三级一致性指标，据称在自动方法中与人类判断对齐达到 SOTA，并可作在线强化学习信号提升联合生成模型的视听一致性。
值得关注：现有评估指标“整段打分 + 简单预定义关系”的范式，难以覆盖多事件、多层音频与非对称跨模态关系；AVC-Reward 把评估粒度下沉到事件层并做跨模态交叉验证，同时给出可解释的失败定位，这使自动评估不仅能打分，还能作为…
该研究提出把“人类示范未覆盖到某些特征”这一问题的解决负担从人转移到机器人：利用教学数据中已含的不确定性信息构造“知情先验”，把偏好查询定向到需要澄清的特征上，并配合解释性提示引导人的注意力；模拟中低查询预算下优于标准主动偏好学习基线最高约 30.8%（据摘要，具体数值与实验设置待核实）。
值得关注：把主动学习的重点从“问多少”转向“问哪里、怎么问”，直接针对人类注意力有限这一现实约束。 对人机交互设计有直接含义：解释不只是可解释性附加项，而是提升偏好数据质量的机制。 与既有卡片脉络的关系：本卡片属于偏好/奖励学习…
ARC-SORT 是一个无需训练、可实时运行的跟踪-by-检测器：它用交互多模型（IMM）卡尔曼滤波为每条轨迹估计预测协方差，并把该协方差连续地转化为匹配搜索区域大小，在体育转播与舞蹈场景中取得有竞争力的 HOTA，且身份切换数最少。
值得关注：多数跟踪-by-检测器依赖手工设定的门控阈值与固定匹配策略，在剧烈运动与镜头运动叠加时容易失配。ARC-SORT 的增量在于：把滤波器的预测协方差从事后诊断量转变为关联过程的连续控制信号，并用实验说明硬门控与更复杂协方…
该研究提出一个面向“临床多学科第二意见”的多维基准，用 300 个已确诊的 NEJM–MedQA 病例比较 8 种单模型流水线的会诊报告质量，并以医师校准的 LLM Judge 评估 3,040 份报告；元数据显示模型身份对报告质量的影响强于回答格式，结构化报告在多数组流水线中总体得分更高，尤其在“处置/管理”维度（待核实：具体数值与统计细节需以原文为准）。
值得关注：临床第二意见是高 stakes 场景：仅“能列鉴别诊断”不足以证明可用，需同时满足事实性、连贯性、可执行性与安全性。 该工作把“多学科会诊”拆成可评估组件（角色意见、综合报告、审议轮次），有望为医疗 LLM 评测提供比…
ACEdit 提出一种训练方案，通过让编辑模型在训练中面对自身前序输出（Self-Forcing），并用锚定原始干净图像的教师模型提供蒸馏信号，缓解多轮图像编辑中累积分布偏移导致的质量退化。
值得关注：多轮交互是图像编辑走向实用工作流（如反复修图、迭代设计）的必要能力。ACEdit 把语言模型序列生成中的 Self-Forcing 思路迁移到图像编辑，并用非对称条件的教师蒸馏解决自生成轨迹监督不可靠的问题，为多轮编辑…