HIL-UMI 是一个策略引导的 UMI 框架，用 Energy Score 触发人在环数据采集，并用在线优势预测精炼基于进展的优势估计器，从而在无需物理机器人执行策略预测的条件下，对视觉-语言-行动（VLA）模型进行交互式后训练；材料称其在四个真实世界任务中相较 SFT 取得一致提升。
值得关注：该方法尝试减少对物理机器人反复执行策略和现场人工干预的依赖，可能降低 VLA 部署适配成本。 用策略与人类动作的差异引导采集，并以在线优势预测挑选关键片段，为机器人数据飞轮提供一种主动数据选择思路。 与已有相关卡片相比…
在妇女健康沟通的多语言理解评测中，总体准确率与跨形式一致性可能掩盖安全相关失败：采用“语言非对称风险监督”的多语言适配模型在法语和阿拉伯语上的分诊不足（under-triage）达到 0.994，而改用来源一致、跨语言不变的风险标签进行受控再适配后可降至 0.572 和 0.558。
值得关注：报告强调，稳健的多语言医疗评测必须显式测试三件事：**语域变化**、**不确定性处理**、以及**适配标签的来源与不变性**。 对医疗沟通场景而言，漏判风险（under-triage）比答得不够好更危险；仅看回答质量的…
该研究声称，在 OpenAI GPT 系列跨代安全训练中，性别歧视内容可能不是被消除，而是被转化为更难被表层毒性分类器识别的形式；作者称之为 harm laundering（危害洗白）。
值得关注：该研究直接挑战“毒性分类器分数下降即安全改进”的评估惯习。若危害只是从显性歧视转化为隐性框架、主题收窄或表征不对称，则依赖表层毒性的安全报告可能低估实际风险。与既有脉络的关系：已有卡片记录 RetroCoT 作为跨模型…
GeoAAC 提出一种面向 flow-based VLA 策略的几何自适应动作分块方法：利用 Flow Matching 去噪轨迹的几何信息估计当前动作预测可靠性，从单次生成中自适应确定动作 horizon，无需额外训练，并在多种仿真与真实操作任务上优于固定 horizon 基线和已有自适应方法。
值得关注：动作分块 horizon 是 VLA 策略中连接“生成动作序列”和“实际闭环执行”的关键超参数；固定 horizon 难以适配任务阶段变化。 GeoAAC 的增量在于：把 Flow Matching 去噪轨迹几何作为过…
FunArt 提出从单次静态配置的 posed RGB-D 观测构建“铰接感知功能 3D 场景图”的框架：它把物体融合几何转为 TRELLIS.2 的 O-Voxel 表示，利用冻结的稀疏压缩 VAE 作为结构先验，并用轻量 query-based 解码器联合分割可动部件与功能交互元素、估计运动类型/轴/原点/范围；在 Articulate3D 上报告 S…
值得关注：把“铰接结构”和“功能交互元素”放在同一框架中，可能减少对主动交互或已知物体输入的依赖。 与既有 FAMOS 卡片的关系：FAMOS 关注从稀疏、无序部分点云进行前馈式 3D 铰接建模；本条 FunArt 的增量在于输…
FlowSGS 提出一种基于 Split Gibbs Sampling（SGS）与 Stochastic Interpolants（SI）的流匹配后验采样方法，用于计算成像逆问题；摘要声称其在多种逆问题上达到 SOTA，并首次为 flow-based inverse solver 加入非线性 Fourier 相位恢复实验。
值得关注：与已有相关卡片的关系：已有卡片中的 flow matching 应用分别面向湍流统计稳态、LHC 标准模型结构和视觉编辑/生成；本条增量在于把 flow matching 用作逆成像后验采样中的先验，重点从“生成内容”…
FAMOS 是一个前馈模型，可从稀疏、无序的部分点云集合中预测可动部件分割与关节参数，并支持可变数量输入（包括单视图）；在 PartNet-Mobility、ACD、ArtiCraft-10K 上相较前馈与优化基线取得一致改进。
值得关注：与既有相关卡片相比，本条不是继续讨论 3D 重建、3DGS 渲染或 PDE 发现，而是把“稀疏观测 + 前馈”推进到可动物体的关节参数与可动部件分割。增量信息在于：从单观测前馈推断扩展到多观测集合联合推理，支持可变输入…
来源指出，遗传性息肉病综合征可能是结直肠癌的前驱病变，并关联多种结肠外肿瘤。 早期识别和准确分类对及时诊断、个体化管理及受影响家族的靶向监测策略很重要。 作者提出的问题是：公共内镜数据集多围绕单个散发性息肉组织，尚未在患者层面连接息肉病表型、组织病理与胚系发现。 为此，作者发布 ERCPMP-Gx 数据集。
值得关注：如果公共数据长期缺少患者层面的表型—病理—胚系关联，AI 模型难以学习息肉病综合征的整体模式。 ERCPMP-Gx 的增量在于将内镜图像/视频与组织病理、临床胚系发现放在同一记录框架中，并纳入形态重叠的非遗传性病变作为…
该论文研究混合数据类型下的 DAG 因果发现，证明序数节点与正则单参数指数族节点之间的边方向在一般参数值下可分布识别，并提出基于评分的穷举搜索与使用 DAGMA 的掩码连续优化框架；具体流行病学实证效果待核实。
值得关注：观察数据因果发现的核心难点是：没有干预时，仅凭分布信息往往无法确定边方向，必须依赖结构假设。 混合数据类型在流行病学等场景中常见，而既有可识别性理论对序数、计数与连续变量混合的情形覆盖不足。 与既有卡片脉络的关系：已有…
一项题为 “Embedding Models Measure in Peculiar Ways” 的研究（据候选摘要）探讨嵌入空间是否能反映质量、距离、时间、体积等物理测量的语义结构，结果显示这种建模很弱，且呈现出受表层字符串相似度强烈影响的“奇特”测量模式。（正文未获取，结论待核实）
值得关注：它把“嵌入相似度是否可信”这一问题从词义、句义推进到**可客观测量的物理量**上——这正是一个理论上应有唯一正确答案的领域，因此更适合作为嵌入几何的“压力测试”。 如果连质量、距离这类语义明确的量都无法被良好建模，则基…
ESIA（Earth Surface Immune System）是受生物免疫系统启发的地表异常监测系统；摘要称其无需预设异常类别即可快速定位时序卫星影像中的未知异常，并进一步通过多模态基础模型完成开放词汇属性识别与单场景测试时适应。
值得关注：未知异常的历史样本少、类别开放，传统“固定类别检测”难以覆盖；ESIA 的摘要主张把流程从二值定位延伸到开放词汇属性识别，试图弥合“检测到可行动信息”的缺口。 若摘要指标可复现，快速定位、单参考图像对适应和开放词汇识别…
论文提出 dQwen3.5 系列（0.8B/2B/4B/9B），尝试把采用“注意力+RNN”混合架构的预训练自回归模型 Qwen3.5 适配为扩散语言模型（DLM），并报告混合主干在达到相同训练损失时所用 token 约为全注意力对照的一半，且在任意顺序解码与并行解码上表现接近全注意力 DLM（具体基准数值待核实）。
值得关注：它把 DLM 适配的研究边界从“全注意力 Transformer”推进到“注意力+RNN 混合主干”，这是当前 AR 模型架构演进的主流方向之一。 若“约一半 token 达到同等训练损失”在更大规模与更多任务上成立，…
标准 SFT 通常只对智能体产生的动作 token 计算损失，把环境观测仅当作上下文；ActObs 额外监督轨迹中已有的观测 token，在不增加数据、参数、序列 token 或前向次数的情况下，改变后续 GRPO 的探索行为，并在部分基准上提高 pass@k、保留更高熵、减少策略漂移。
值得关注：本条关注的是基础模型训练目标层面的问题：SFT 是否应该掩蔽环境观测。与已有相关卡片相比，它不重复 SENTINEL-RL 的智能体架构卸载、SovereignPA-Bench 的用户主权评估，或验证孪生网络阈值方法；…
据摘要，Deep Noir 用 Logit Lens 收敛与因果头级归因自动发现激活引导（activation steering）的最优干预参数，在 spam 与 SST-2 情感任务上跨模型规模取得提升，并发现引导强度越大，可预测的提示注入攻击面越脆弱。
值得关注：将激活引导从人工试错推进到由机制可解释性信号驱动的自动发现。 提供跨模型规模与架构的量化增益，尤其 7-9B 范围报告了更高增益区间。 揭示控制手段的外部性：steering magnitude 与 prompt in…
SafeHarness 通过两个障碍感知 harness，让编码智能体在机器人操作中把“不得触碰障碍”从提示词约束转化为规划与接触执行中的优先级，报告达到 71.9% 任务成功率和 87.5% 避碰率。
值得关注：这条材料的重要性在于把 LLM 编码智能体的能力问题推进到具身安全约束问题：任务完成率不等于安全，提示词里的禁止条款也不等于规划中的优先级。失败归因尤其关键：感知和指令不是主要问题，规划没有把约束当作目标才是问题。
据论文摘要，当前 4D 基础模型虽能感知和重建动态环境，但只能维持短期一致性；一旦物体离开视野，记忆会显著退化。PersistBench 用 360° 视频作为“全知真值”，从 object permanence、motion continuity、appearance preservation 三个方面评估视觉记忆。
值得关注：这项工作的重点不是继续提升像素级重建或短时一致性，而是把评估推进到“物体离开视野后是否仍被记住”。这为 4D 基础模型提供了更贴近视觉记忆的评测维度，也暴露了当前模型在持久对象表示和跨视角记忆上的短板。
一项摘要级材料显示，在固定执行循环的轻量级编码 harness 中，上下文管理、规划与动作空间三个组件的作用是条件依赖的：上下文管理的价值随上下文预算收紧而上升，规划从弱模型的“准确率脚手架”变为强模型的“成本节约器”，而预定义工具只对 bash 能力较弱的模型有明显帮助。以上结论尚未经全文核实。
值得关注：它把“harness 好不好”这一整体问题拆成可分别检验的组件问题，为模型感知（model-aware）与预算感知（budget-aware）的 harness 设计提供了初步经验依据，也为后续组件评估给出一个模块化框…
Agile-WAM 是一种面向接触丰富机器人控制的敏捷触觉世界动作模型：摘要称其将视觉与触觉观测编码到共享潜空间，通过直接的 vision-tactile-to-action flow-matching 联合生成动作块与未来视觉/触觉潜表征，并在九个仿真和五个真实接触丰富操作任务中超过最强基线，真实实验总体成功率相对提升 29.4%，推理延迟 11.9 m…
值得关注：传统视运动策略主要依赖视觉；Agile-WAM 把触觉纳入世界动作模型，直接针对接触瞬间的物理动力学。 它强调“视觉变化较慢、触觉变化较快”的多时间尺度建模，可能比统一时间尺度预测更适合接触丰富任务。 低推理延迟指标 …
阶跃星辰发布 StepAudio 3 系列，包含 Realtime、ASR、TTS、Gen、Music 五款模型；材料称其在 Artificial Analysis 等语音相关榜单中多项位列第一或并列第一。
值得关注：本条可作为 benchmark-evaluation 主题下的新案例：语音/音频模型开始以多榜单、多指标方式呈现能力竞争。与已有 AA-Briefcase 卡片同属 Artificial Analysis 评估脉络，但…
Arena（Research Arena Team）于 2026 年 9 月 16 日发布题为 “HarnessTax: How Much Does the Harness Matter for Coding Agents?” 的文章，从标题判断其关注点是：在编码智能体（coding agents）中，智能体框架/harness 本身对最终表现的贡献与代价…
值得关注：编码智能体正从“模型即产品”转向“模型 + harness（工具调用、上下文管理、重试与验证循环）即产品”，harness 成为可比较、可优化的独立变量。 对评测而言，若 harness 差异足以显著改变结论，那么只看…