OpenAI 在“日更第二天”围绕 Codex/Agent 工作流连发四项更新：Auto-review 用第二个 Agent 复核高风险动作并免费开放，API 付费档位简化且顶档门槛砍半，Meetings 在 macOS 面向 Pro 与 Business 开放 Beta，Decisions API 由 GPT-6 Luna 驱动、只输出判断，延迟约为 R…
值得关注：已有相关卡片分别关注通用 3D 代理、编码代理推理基准、Design Mode 视觉提示；本条增量在于 OpenAI 在 Codex/Agent 产品线上的日更，尤其是第二 Agent 复核、API 分层与门槛变化、会…
WOVEN 提出把“视觉转移推理”（visual transition reasoning）作为多模态大模型（MLLMs）的共享训练原语与基准，用生成模型产出的多样化 rollout 进行监督，在约 2,000 条子集训练下即可广泛迁移到 26 个外部基准中的 22 个，最高提升 27.3 个百分点。
值得关注：该工作把视觉转移推理确立为 MLLM 视觉世界模型训练的可复用基础，提供了一条系统性训练配方，而非仅记录单项缺陷。它暗示不同监督来源可以共同教会同一底层能力，并可在任务间复用。与既有卡片的关系：本条聚焦“把视觉转移推理…
WorldGuide 把程序性视频生成重新定义为“视觉世界空间中的闭环任务执行”：仅给初始图像和任务目标，模型预测原子动作、生成对应视频片段，再用生成结果决定下一步或终止；它通过共享步级演示训练 Planner 与 Executor，并配套约 59K 步级标注视频的 WorldGuide Bench。
值得关注：它把“视频世界模型”的评价焦点从画面合理性推进到任务级成功：模型必须能在自身生成的状态上闭环推进，而不是一次性输出整段视频。 与只做动作条件预测的世界模型相比（如 DreamX-Phi 1.0 输入预设动作序列预测未来…
WorldCast 提出一种“每个玩家一个本地客户端”的分布式多玩家世界模型框架，试图用状态交换与共享场景状态替代联合多视角生成，从而支持可扩展的实时多人世界生成（具体实现细节待核实）。
值得关注：若分布式多客户端方案成立，多玩家世界模型的可扩展性可能不再主要受限于“玩家数量×联合生成成本”，而更接近“每个客户端各自实时生成 + 轻量状态同步”。 与已有相关卡片相比：本卡片关注的是“分布式客户端 + 状态交换 +…
WorldAlign 提出一种解耦的 4D 奖励框架，把视频中的静态区域与动态主体分开评估：静态部分用几何世界先验做掩码重投影对齐，动态部分用 VLM 作为“评委”按清单打分，从而在无需人类偏好标注的情况下提升生成视频的静态与动态一致性。
值得关注：与既有脉络的关系： 与 GAE（几何原生 latent 空间）关注表示层不同，WorldAlign 关注的是后训练阶段的奖励设计，把静态几何与动态语义拆成两路反馈。 与 LoGo（全局+空间局部奖励）相比，WorldA…
随着 AI 智能体自主科研能力提升，一些科学家担心自己尚未发表的研究会被 AI“抢发”，并因此收紧甚至禁止在研究中向商业大模型上传未公开信息。
值得关注：科研优先权与署名归属：如果 AI 公司或其智能体先发布结果，人类研究者多年的工作可能失去首发优势，而现有学术优先权与引用规范尚未对此有清晰安排。 数据信任问题：科学家对商业 LLM 的信任下降，可能影响 AI 工具在科…
即便把第一人称人类视频数据扩到 3 万小时、100 倍规模，世界模型对“智能体（agent）”的建模接近饱和，但对“物体及其交互”的保真度仍明显落后且提升缓慢；要补上这个差距，关键在训练方式，而不只是数据量。
值得关注：对“规模至上”的数据叙事提出反例：更多同类视频并不自动带来更好的世界建模，尤其是物体交互层面。 为世界模型研究指明方向：训练目标与监督设计（如把容量从外观转向动态）可能比堆数据更关键。 对具身智能、人形机器人、仿真器替…
ViSkill 提出一种“视觉原生”的技能学习框架：把成功交互编码为**复合视觉技能卡**，让技能的检索与策略优化形成闭环，从而在多个任务上以更快收敛速度超过所评估的专有与开源基线。
值得关注：若视觉技能卡确实能保留文本线性化所丢失的几何结构，则为 VLM 智能体提供了一条不依赖语言中介的技能复用路径，可能改善需要空间推理的任务表现。 “技能库与策略共同演化”的思路，与已有卡片中 Skill Self-Pla…
VioLA 将通用人形策略的预测目标从关节指令改为“身体与手部运动隐变量”，借助共享隐空间的运动编码器把人类动作映射进策略的动作空间，从而用 93.2% 为人类数据的 1.406 亿帧示范池训练出可在真机上零样本执行移动指令的通用人形策略。
值得关注：现有人形通用策略通常依赖逐任务遥操作微调，扩展成本高；VioLA 展示了以人类数据为主体训练通用策略并直接零样本部署的路径。 与 EgoLAP 的对比构成增量信息：EgoLAP 把人类运动意图表示为结构化、时间抽象的语…
VersaCamVLA 通过可配置相机框架，将相机集合表示与动作学习解耦，从而提升 VLA 模型对相机数量和位姿变化的鲁棒性。
值得关注：该工作解决了 VLA 模型在实际部署中因相机配置变化而性能下降的关键问题，提升了模型的泛化能力和实用性。 通过解耦相机集合表示与动作学习，为机器人操作中灵活使用不同相机配置提供了新思路。
在自适应生长的量子分类器（Q-FLAIR）中，训练集规模 N 与最终收敛的电路规模之间不存在可预测关系；Caro 等人的泛化界在 14/15 次运行中成立，但与实际泛化差距的相关性极弱（r = 0.12），说明“活跃门数”K 无法解释大部分观测到的变化。
值得关注：对量子机器学习中“电路复杂度—数据量”权衡的直觉提出了实证挑战：理论上成立的泛化保证，未必能作为实际选择电路深度的预测性工具。 提示当前基于活跃门数 K 的理论量可能遗漏了导致泛化差距变化的主要因素。 与既有卡片中“重…
Tangermeme 是一个针对基因组深度学习“模型之外”（everything-but-the-model）环节的高度优化工具包，用于序列操作、特征归因、变异效应估计与序列设计，并将训练好的模型学到的顺式调控模式蒸馏为人类可解释的洞见。
值得关注：将基因组深度学习的重心从“刷预测性能”推进到“训练后如何使用”，这是走向生物学发现的第一步之后的关键环节。 模块化设计让序列操作与任意模型操作（含自定义操作）自由叠加，研究者可针对具体问题快速搭建定制分析，降低把模型转…
SpaceFlow 提出了一种免训练的3D生成流程，通过几何基元与局部控制等级，实现对3D物体不同区域几何约束强度与外观线索的分别指定，从而在几何保真与生成自由度之间取得可调平衡。
值得关注：已有3D生成工作多聚焦于统一生成与重建、语义锚定或全局质量提升（参见 PixWorld、ELSA3D 等卡片），而 SpaceFlow 的增量在于把“控制”从全局强度细化为按区域可调的局部约束，并让外观线索也按部件分别…
SpaceCast-Bench 是作者提出的首个直接诊断“预测性空间推理”能力的基准，用 3862 道题揭示当前最强模型（58.0%）与人类（87.2%）之间的显著差距，并发现显式 3D 证据比生成式结果图像/视频更可靠。
值得关注：该基准将评测焦点从“读出已见关系”推进到“推断未见结果”，填补了空间推理评测中预测性能力的空白；同时通过受控分析指出 bridge views 与显式 3D 证据的价值，为模型设计与数据构建提供方向。微调结果说明程序化…
通过心理测量学方法审计 HELM Safety 基准后发现，被广泛当作单一能力指标的“有害拒绝”（harmful refusal）实际上无法被任何单一数据集或总分可靠地隔离测量，因此用这类总分直接比较模型的安全能力缺乏构念效度依据。
值得关注：如果安全基准的总分不能被解读为单一属性，那么基于总分做出的“模型A比模型B更安全”的结论就缺乏效度支撑，可能误导模型选型、发布决策与监管沟通。 饱和数据集的存在意味着部分基准分数可能只是在重复同一信息，而非提供额外的区…
Rubric-CEPR 提出一种无需人工编辑目标或外部训练期奖励模型的自进化图像编辑框架，利用编辑器自身内部特征进行评分验证并自蒸馏，在 Qwen-Image-Edit 上把 ImgEdit 从 4.36 提升到 4.60（+5.5%）。
值得关注：免除了人工编辑训练对与外部训练期奖励模型，降低监督成本。 针对“合理但失败”的输出设计分解式评分与门控，试图避免奖励失真。 与同脉络中 TTT/GUI 自进化、自蒸馏类工作一致，属于“部署后自进化/自蒸馏”方向的延续：…
本条材料提出从“舍入空间”（rounding space）视角重新设计 AdamW 的 4 比特优化器状态量化，主张量化误差应放在预条件子空间而非状态空间评估，以减少相对 32 比特 AdamW 的验证损失差距；但抓取时未获得正文，以下内容均基于标题与元数据，具体机制与数字待核实。
值得关注：若结论成立，说明 4 比特优化器状态量化的瓶颈不只是“状态表示精度”，而是“误差在哪个坐标上被评估与最小化”——这会影响量化码本与舍入策略的设计取向。 与既有卡片“LLM量化损伤的结构：为什么下一个比特应该花在全局上”…
RoboRSI 提出一套基于“自顶向下技能精炼（Top-Down Skill Refinement, TSR）”的机器人自我改进系统，试图把执行反馈归因到具体技能分支，并在验证后复用新技能，从而在真实移动操作与仿真基准上提升任务表现（具体方法与实现细节待核实）。
值得关注：与既有相关卡片（如面向双过程语言智能体的记忆与自我反思）相比，本条增量在于：将自我改进的组织单位从“记忆/反思模块”推进到“带职责与输入输出契约的技能层级”，强调执行证据归因与复用前验证。 它把“机器人自我进化”的稳定…
Pumpire 是一个面向图像级与视频级 3D 基础模型的统一基准，用于直接评估重建几何中的“点对点物理距离”估计能力，而不再仅通过深度或相机内参等间接指标来判断模型性能（来源为元数据，正文细节待核实）。
值得关注：深度估计或点云相似度高，并不自动意味着模型能给出正确的物理距离；Pumpire 试图把评估从“几何形状像不像”推进到“物理尺度对不对”。 对 3D 基础模型而言，度量尺度能力是下游空间推理、导航、操作与测量的前提；该基…
一项预印本研究提出，仅利用源域（source-side）训练过程中的动力学信息，可能在直接观察到分布外（OOD）性能退化之前就给出前瞻性预警信号；但该结论尚待同行评审与正文核实。
值得关注：若该结论被后续工作验证，意味着在模型部署前或训练早期就可能识别出潜在的 OOD 脆弱性，而不必等到实际遇到分布外数据才发现问题。这为训练过程中的监控与预警机制提供了新思路。与既有卡片中关注表示复用和蒸馏的工作不同，本条…