PixelMoE 表明标准 LLM 式 MoE（Token-Choice 路由、细粒度专家、共享专家、偏置负载均衡）可直接迁移到像素空间扩散，在激活参数量相当的条件下持续优于稠密基线，并在 ImageNet-1K 上取得 FID 1.47（256×256）与 1.53（512×512）。
值得关注：对“像素空间扩散能否高效扩展”这一开放问题给出了肯定证据：把 LLM 领域成熟的 MoE 稀疏扩展范式迁移过来即可，无需为扩散专门设计路由。 与既有脉络的关系：已有卡片《像素空间文生图扩散模型训练的实证研究》关注的是*…
OmniCompass 是一个同时覆盖视觉-语言与音频-视觉两条评测轨道、并联合考察时间定位、空间定位与问答能力的全模态视频理解基准；据其摘要，当前开源模型在多模态视频理解上仍落后于闭源模型，音频-视觉理解与精确时空定位尤其困难。待核实：以上均基于摘要，正文未抓取。
值得关注：评测维度上，OmniCompass 把“何时/何处/什么”三类问题与“视觉-语言/音频-视觉”两条轨道交叉，指向对全模态视频理解的系统性诊断，而非单一任务打分。 配对评测设置（同一目标的纯文本 vs 文本+图像指定）提…
MFG 是一个基于强化学习的框架，通过训练 LLM 利用前几轮的反馈向量逐步优化分子，在十个多目标分子优化任务上，将相似度约束下的平均成功率从基线的 70.81% 提升至 81.50%。
值得关注：把“多轮反馈”从提示层面的使用，推进到**通过 RL 显式训练模型利用反馈**，弥补了现有 LLM 方法未被显式训练利用反馈的缺口。 明确区分单轮与多轮优化，指向一个此前较少被系统处理的方向。 反馈向量同时纳入“改进”…
LoopWAM 是一种闭环 world-action 模型，能直接从部署过程中产生的混合质量回放（成功、次优、失败）中学习，通过多轮部署-训练迭代持续提升通用机器人策略，而无需依赖额外的具身预训练。
值得关注：提出了一条不依赖更多专家演示、而是利用部署经验（包括失败）来持续改进机器人策略的路径。 将世界模型与策略学习通过闭环部署-训练循环紧密结合，为通用机器人策略的“从部署中学习”提供了可操作范式。 对既有“从开环到闭环”和…
LIBERO-RIG 是一个只在机器人硬件与设置层面施加扰动、保持 LIBERO 任务本身不变的鲁棒性基准，用于测量视觉-语言-动作（VLA）模型在相机安装、标定、控制频率、夹爪磨损等部署偏差下的成功率下降。
值得关注：既有 VLA 评测多关注任务多样性、视觉泛化或对抗攻击，而 LIBERO-RIG 把变量锁定在“机器人自身”的硬件与设置偏差上，提供了一个与视觉扰动正交的评测维度。 对与既有脉络的关系：与本批已有卡片中的 UniTex…
该工作提出一种神经推断架构，试图在化学反应网络（CRN）的模拟式贝叶斯推断中，同时完成竞争反应路径的模型判别与反应速率常数的后验估计；但当前仅能基于元数据概述，正文细节待核实。
值得关注：化学动力学建模中，“选哪个机理模型”与“参数是多少”通常被分开处理或依赖专家经验；该工作尝试用共享表示联合解决，属于 foundation-model 思路向科学计算/化学推断的延伸。 相比 ABC 类方法对人工摘要统…
Game2Real-Bench 通过共享推理需求（而非视觉相似性）对齐程序生成的游戏样本与真实世界样本，发现视觉语言模型的游戏表现与真实世界视觉推理表现高度一致（Pearson/Spearman 相关系数达 0.935），但游戏示例的迁移效果因能力类型而异：约束推理提升，细粒度感知下降。
值得关注：现有 VLM 视觉推理评测要么依赖真实数据（难以可控生成与验证），要么依赖程序游戏（是否代表真实能力存疑）。本工作首次系统检验两者的一致性，给出量化证据。 揭示“游戏到真实世界”迁移并非单向增益：约束推理受益，细粒度感…
该论文提出了 KLQ 与 KLPQ 两种算法，首次证明了在表格型有限视界 KL 正则化 MDP 中，采用增量随机逼近更新的离线 Q-Learning 也能达到 $\widetilde{O}(1/\epsilon)$ 的快速样本复杂度。
值得关注：离线强化学习中，Q-Learning 类增量式算法能否取得与基于悲观原则的方法相媲美的快速率，是一个开放问题；该工作给出了肯定回答。 说明 KL 正则化本身即可（在 KLQ 中）带来快速率，而不必依赖显式悲观；同时指出…
该研究提出两种方法，能够生成持久性图（PD）与目标描述符**完全一致**的图，而不再依赖软正则化带来的近似匹配。
值得关注：现有拓扑感知生成模型依赖软正则化，导致 PD 仅近似相似，缺乏严格拓扑合规的保证。本文首次将严格拓扑合规的图生成作为原则性问题加以处理，提供了精确实现目标持久性图的理论保证和可求解的算法框架，为拓扑约束下的图生成提供了新范式。
EgoExplorer 是一个基于可穿戴系统的 100 小时“视觉-运动-触觉”观测数据集，通过 Calibrate-Complete-Constrain 流水线，在稀疏身体传感条件下重建全身运动、手指关节活动与触觉信息，用于从人类演示中学习人形机器人移动-操作（loco-manipulation）。
值得关注：为从人类演示学习人形机器人移动-操作提供了更完整的多模态数据基础（视频+运动+触觉+手指关节+步骤描述）。 轻量可穿戴采集系统有利于在多样环境中规模化采集数据。 Calibrate-Complete-Constrain…
DuplexBridge 让统一模型用自身的理解能力去增强自身的生成能力（无需外部理解模块），通过“源接地的桥接”明确编辑目标、终态变化与保留约束，并借助互信检查机制选择性引入全局反馈，在多个基准上显著提升图像编辑的完全合规率。
值得关注：图像编辑失败的归因困难是长期痛点。DuplexBridge 的思路把“理解”和“生成”当作两个需要各自独立监督、又可选择性共享全局信号的角色，而不是笼统地端到端优化。这与既有统一生成/编辑方向（如颜色控制、3D 理解生…
DoubtLess 是一种免训练的解码方法，利用一个更小的推理模型作为“引导者”，通过对比“简洁思考者”与“冗长思考者”两种提示下的 logit 差异，实时引导大型推理模型缩短思维链（CoT），在保持准确率不变的前提下显著减少 token 消耗。
值得关注：推理模型的算力与延迟成本很大程度由 CoT 长度决定，而现有压缩手段往往以训练成本或准确率损失为代价。DoubtLess 提供了一种推理时即可部署的免训练方案，且能在保持准确率的前提下获得可观压缩率，并可与训练式压缩叠…
MiniDog 框架在四块 3090 GPU 上，用 55 分钟预训练 + 15 分钟微调即可完成一个文生图扩散 Transformer 的训练，降低了入门级文生图模型训练对算力的门槛。
值得关注：现有文生图训练常与大规模算力绑定，MiniDog 将门槛拉低到消费级 GPU 与分钟级时间，可能促进更多个人与小团队参与模型训练与教学实践。 其数据、架构与加速组件的组合方式（小型 Transformer + 小型文本…
针对格点场论中均衡场构型采样这一计算瓶颈，该工作提出无需目标分布样本的扩散模型训练方案：只要能够访问未归一化概率密度，就可利用目标 score 恒等式从模型自身生成的样本进行训练，并在二维 \(\phi^4\) 理论中取得与基于 HMC 参考数据训练相当的表现。
值得关注：若训练扩散采样器本身需要目标分布样本，就难以摆脱原有采样瓶颈；该工作表明在仅有未归一化密度的条件下即可绕开这一循环依赖。 对格点场论实践而言，可能降低对 HMC 参考数据的依赖，并为生成式采样器提供新的训练路径。 与该…
ChunkAct 将“动作分块”（action chunking）引入由 LLM 智能体驱动的机器人控制循环，把在线逐步推理改为离线编译的“动作块”自主执行，从而在 LIBERO-Pro 上以更少的 LLM 调用与 token 消耗取得更高的任务成功率。
值得关注：直接回应了智能体机器人学的核心痛点：通用性带来每步推理成本随基本动作数线性增长，难以扩展到长程任务。 提出“把记忆编译为可执行块”的思路，将 LLM 从例行控制中解放出来，只用于需要判断的决策点，改变了算力随任务长度伸…
Cepheid 通过把“残差结构”与“物理尺度”解耦——学习无量纲先验、并从可观测量中估计幅度——在无需骨架、配准或跨网格对应的情况下，统一超越调和延拓，并可零重训迁移到动物视频与软体抓取等场景。
值得关注：论文指出的“尺度壁垒”是一个常被忽视的问题：残差幅度随几何族与观测密度剧烈变化，导致跨族训练难以稳定。 解耦尺度与结构提供了一种可能更通用的建模范式：结构用无量纲先验学习，尺度从数据可观测量中估计。 对既有脉络的增量：…
在低资源机器翻译中，若已有中等规模的目标语言单语数据，用“回译（Back-Translation, BT）”微调大模型比继续预训练（continued pretraining）更有效；在 Odia 和 Swahili 上，仅 1K 平行句对时，BT 在域内比继续预训练高出 7.7 至 16.4 个 XCOMET-XXL 分。
值得关注：当前 LLM 时代的常见直觉是“要适应新语言就继续预训练”。该研究提示，在低资源翻译这一类任务上，古老的回译技术仍具有竞争力，甚至优于继续预训练，并且对平行数据的需求更低。这为资源有限、但握有一定单语数据的团队提供了一…
AMIFound 是一个覆盖 7 种医学影像模态的“一体化”基础模型，用共享编码器加动态路由专家池统一处理多种退化，并在图像质量、临床医生评估和下游疾病任务上全面超越 38 个专用与通用基线。
值得关注：与“去什么、留什么：全合一图像恢复中的双歧义校正（DAR-Net）”相比，该条是**医学领域**的全合一恢复：DAR-Net 关注自然图像全合一恢复中的退化—内容歧义问题，而 AMIFound 强调跨 7 种医学模态的…
AesCode 通过将内容提示生成的图像作为美学指引，并以设计图（design graph）解耦出可解析与不可解析的跨模态奖励进行强化学习，显著提升了生成幻灯片、海报、仪表盘等可视化代码的视觉质量，同时保持代码的可验证正确性。
值得关注：该工作将"代码生成"与"图像美学指引"通过设计图解耦为两类互补奖励，为可视化代码生成提供了一条兼顾内容正确性与视觉设计质量的路径。其增量在于：不是简单用图像作为目标复现，而是把图像作为美学信号、把代码作为内容载体，通过…