AI 日报 · 2026-10-06

谷歌于2026年10月6日开源EmbeddingGemma 2，这是其首个原生多模态开源嵌入模型，以740M参数将文字、代码、图片、视频、音频映射进同一768维空间，面向端侧离线跨模态检索场景。

谷歌发布并开源EmbeddingGemma 2，定位为端侧可运行的原生多模态嵌入模型，目标是在手机等终端设备上实现跨模态检索（文本、代码、图像、视频、音频统一语义空间），并可搭配Gemma 4用于离线RAG。

腾讯研究院（搜狐同步）

据现有元数据，OpenAI 与 Ironclad 正在围绕复杂的合同工作流训练并评估 AI 智能体，以推进面向专业工作的 computer use（计算机操作类智能体）能力；具体做法与结果**待核实**。

本条材料来自 OpenAI 官网一篇标题为 *Advancing computer use with Ironclad* 的页面，轨道归为产业（industry），主题标签为 benchmark-evaluation 与 agent。 元数据摘要称，该材料介绍 OpenAI 与 Ironclad 如何在复杂的合同（contracting）工作流上训练和评估…

OpenAI

Boston Dynamics 以“Spot to the Rescue”发布公共安全主题内容，主张 Spot 能帮助公共安全组织让人远离危险；但当前抓取材料只有标题、描述和少量页面摘录，具体案例、部署规模与效果均待核实。

英文标题：Spot to the Rescue | Boston Dynamics。 抓取描述：Public safety organizations around the world are relying on Spot to do what it does best—keep people out of harm’s way. 抓取文本摘录：Safe…

bostondynamics.com

根据现有元数据，OpenAI 官网发布了一篇题为 “Sharing AI progress in mathematics” 的页面，候选摘要称其介绍内部前沿模型在数学开放问题上的新结果，并公开 Lean 证明形式化与研究细节；由于正文未能抓取，上述具体内容均**待核实**。

英文标题：**Sharing AI progress in mathematics** 原始来源：https://openai.com/index/sharing-ai-progress-in-mathematics Track：industry Topics：ai-industry 候选摘要称：OpenAI 发布来自内部前沿模型的数学开放问题新结果，并分…

OpenAI

NVIDIA 在 Megatron Core 中提出并工程化了一套位级确定性（bitwise-deterministic）预训练工作流，通过记录逐 rank 张量指纹定位非确定性来源，并在兆参数 Nemotron 模型与 2,432 GPU 规模下把确定性开销压到约 2%，同时保持 800 步位级一致。

来源：NVIDIA Technical Blog《Scale Bitwise-Deterministic Pretraining with NVIDIA Megatron Core》（2026-10-06）。 研究/工程问题：在数千 GPU、多并行维度、低精度计算与分布式 checkpoint 条件下，如何让大规模预训练既保持位级确定性，又不付出过高性能代…

NVIDIA 博客

Boston Dynamics 博客页面介绍了一款面向现代 AI 与真实工作的机器人手，来源描述称其具备 **13 个自由度**和**直接驱动（direct actuation）**，并面向**高保真仿真**与**灵巧物理工作**；但材料仅提供摘要级信息，具体性能、训练方法和部署状态待核实。

Boston Dynamics 博客文章《Robot Hands for Modern AI and Real Work》讨论机器人手如何服务现代 AI 与真实工作。页面抓取文本还出现“Training a Humanoid Robot for Hard Work”以及“11 min read”，提示文章可能涉及人形机器人训练与艰苦作业，但正文内容未获取，…

bostondynamics.com

Anthropic 于 2026 年 10 月 6 日宣布扩展 Cyber Verification Program（CVP），把 Project Glasswing 与 CVP 整合为 Defense Access、Red Team Access、Specialized Access 三层准入，让经审核的安全专业人员获得更强 Claude 网络能力与更少…

网络安全能力具有双重用途：同一能力既能帮助防御者发现和修复漏洞，也能被恶意行为者用于利用漏洞。Anthropic 称其通用可用模型（如 Claude Opus 5.5、Claude Fable 5.1、Claude Sonnet 5.5）带有保守网络防护，会阻断大多数网络工作，以减少恶意活动，同时继续降低安全编码场景的误报。但防御者也需要最强工具。过去六个…

Anthropic 博客

材料显示，Cohere 发布 North 2，并将其称为迄今最大升级：把企业级安全、智能、成本治理和全栈控制整合进一个可在数据所在处运行的 agentic AI 平台，目标是结束企业在安全、智能、成本和控制之间的取舍。

来源为 Cohere 博客，日期显示为 Oct 05, 2026。 要解决的问题：企业部署 agentic AI 时常在复杂性、成本和妥协之间取舍——安全够不够智能，智能够不够可控，可控又是否太贵。 North 2 定位于全栈 agentic 平台，面向不能牺牲安全、智能、成本或控制的组织。 材料称 North 已在金融、医疗、电信、制造、能源、公共部门推…

Cohere 博客

Together AI 推出 Together Link，把 Kimi K3、GLM 5.3 等开放模型接入团队已在使用的编码 agent harness（如 Claude Code、Codex、OpenCode、Pi 等），来源称可保持原有工作流并节省超过 50% 模型支出。

来源标注发布日期为 10/5/2026，作者为 Will Van Eaton、Hassan El Mghari。Together AI 发布 Together Link，目标不是要求团队更换编码 agent，而是把既有 harness 连接到 Together AI 上的开放模型。

Together AI 博客

据现有元数据，量化交易公司 Jump Trading 正在使用 OpenAI 的能力扩展量化研究工作，其做法被描述为“运行时间更长的 AI 工作流 + 多数据源结合 + 人工审核”；具体实现细节与成效均待核实。

来源线索为 OpenAI 官网案例页面，标题为 *How Jump Trading is scaling quant research with ChatGPT*。 已知信息仅到“谁在用、用在哪一环节”：Jump Trading 将 ChatGPT/OpenAI 用于量化研究（quant research）的规模化。 尚未确认的信息包括：具体部署时间、使用…

OpenAI

Agility Robotics 于 2026 年 10 月 6 日直播其 Analyst & Investor Day，向投资者、分析师、媒体和公众说明 Digit 5、商业化部署、规模化制造、Physical AI 与长期财务机会；材料同时称 Digit 5 已获得超过 3 亿美元多年期订单。

来源为 Agility Robotics 2026 年 10 月 6 日新闻稿，标题为 “Agility Robotics to Livestream Analyst & Investor Day Today”。 活动于 2026 年 10 月 6 日（星期二）12:30–15:00 ET 在纽约市举行，并通过 Agility 投资者关系网站直播；回放计划…

agilityrobotics.com

Agility and FORT Robotics Announce Strategic Partnership to Advance Humanoid Robot Safety Press Release October 1, 2026

agilityrobotics.com

NVIDIA AI Cluster Runtime（AICR）v1.0 为 GPU 加速的 Kubernetes 集群提供版本锁定、经验证的配置 recipe，并把 CLI、REST API、Go SDK、bundle 布局和 artifact schema 纳入稳定兼容契约，使“配置什么、如何部署、是否验证通过”可被公开检查。

GPU 加速的 Kubernetes 集群依赖主机内核、GPU 驱动、容器运行时、Kubernetes、网络、存储、设备插件、operator、调度器和工作负载框架等数十个组件，它们各自遵循不同发布周期。一个为特定服务、GPU 代际、fabric 类型、机器形态和 Kubernetes 版本验证过的配置，可能在另一个组合中静默失败；升级一个组件也可能破坏原…

NVIDIA 博客

WorldSonus 是一个面向世界模型的交互式视频到音频框架，尝试用流式因果自回归扩散、按音频块索引的提示调度，以及立体声/Ambisonic 监督，为生成的视觉世界实时合成可交互、空间对齐的声音。

材料指出，世界模型在视觉合成上越来越真实，但生成环境大多仍是“无声”的。为世界模型引入声音面临三项核心挑战： 1. 实时生成，以跟上交互式视频流； 2. 交互控制，以响应生成过程中的声音指令； 3. 空间对齐的立体声，以反映场景几何与相机运动。

arXiv 论文

WorldSolver 把“生成可执行物理求解器”作为 LLM 智能体的新基准：它覆盖 168 个来自 61 篇经典计算机图形学论文的物理现象任务，横跨 7 个物理域；前沿智能体虽能生成部分可执行求解器，但在视觉保真度与物理合理性上整体得分不足一半。

论文关注的问题是：LLM 智能体能否通过生成求解器来模拟物理动力学。求解器负责计算动态系统状态如何随时间演化；构建求解器需要物理理解来识别合适模型、数学推理来形式化动力学，以及软件工程能力来实现可执行代码。材料指出，LLM 智能体的这一能力仍未被充分探索。为此，作者提出 WorldSolver 基准，用于评估智能体在仿真任务中补全求解器实现的能力。

arXiv 论文

该研究提出一个基于测量的基准 **World Models' Last Exam in Physics**，用 40 个受控任务评估视频世界模型在多个物理领域中的物理一致性；在八个视频生成模型、1,280 个视频上，最佳模型总分仅为 **57.76/100**，显示物理不一致仍然持续存在。

视频世界模型能生成视觉上逼真、但物理上不一致的序列，这会引发对其在具身 AI 系统中用于预测与规划的可靠性的担忧。现有评测常依赖模型判断或参考视频，而直接物理测试又多集中在力学。该工作试图用覆盖多物理领域、无需参考视频、基于可测量物理关系的基准，来评估视频世界模型的物理一致性。

arXiv 论文

语言模型微调后看似“忘掉”的旧知识，可能只是被共同方向移位暂时遮蔽，仍可恢复；真正灾难性的是事实特异变化的累积侵蚀，而哪类遗忘占主导取决于新数据是否把旧记忆一起移动。

论文研究“虚假遗忘”（spurious forgetting）：微调新事实时，旧事实回忆可能先崩溃，继续只用新事实训练后又恢复，最后才不可逆地衰退。作者追问：这种遗忘何时不是灾难性的？

arXiv 论文

VeriFine 提出一个 agent harness 框架，让 policy、训练课程与 judge 共同演化，并在验证成为瓶颈时引入选择性人类指导来改进 judge，从而支持具身推理中的持续自我改进；具体性能提升幅度与实验细节待核实。

自我改进策略会不断暴露新的失败模式，因此其 judge 需要验证的内容也在变化。摘要指出，当前固定 judge 会限制优化反馈和有用训练样本的发现，进而限制进一步自我改进。在具身推理中，这一问题更突出，因为可靠评估需要处理空间 grounding、因果推理和安全感知决策。

arXiv 论文

据候选摘要，论文主张常见的“单最小对”log-likelihood 比较不足以可靠测量大语言模型中的刻板印象，并提出“双最小对”设置、数据增强框架与两种评估指标；其中一种指标基于社会群体与刻板属性之间的互信息（MI），以支持更稳健的跨语言、跨模型比较。正文未抓取，具体定义、实验与结论强度待核实。

英文标题：The Missing Minimal Pair: Stereotype Evaluation in LLMs。 研究问题：如何评估 LLM 中的刻板印象与偏见？ 候选摘要指出，常见方法是比较两个对比刻板印象句子的 log-likelihood；作者认为此类单对比较常不可靠：用替代属性重写同一刻板印象，可能产生逻辑不一致的偏好。 论文提出的方向：…

arXiv 论文

据论文摘要，Sherpa 是一个多轮强化学习框架：它用不同学习偏好的 LLM 学生原型来模拟学习者，并训练教师 LLM 直接以提升这些学生的学习结果为优化目标，从而让教师模型学会自适应教学；摘要报告学生表现平均提升 20.5 个百分点等结果。

LLM 越来越会解题，但“会解题”不等于“会教学”。已有训练 LLM 当教师的方法常依赖演示、偏好数据或预设教学标准；这些信号未必扎根于个别学生的学习结果，而有效教学策略可能因学习者而异。Sherpa 要回答的是：能否让教师模型根据学生差异调整教学，并以学习结果为导向训练。

arXiv 论文

论文提出 RLCP（Reinforcement Learning with Calibrated Pruning），用 critic 分数和在线阈值自适应裁剪候选动作集；在 KuaiRand-Pure 与 MovieLens 1M 的 19 个配置中，至少一个 RLCP 变体取得最高目录多样性，达到最强基线的 1.11×–5.21×，同时会话深度有竞争力且…

顺序推荐通常使用固定 slate size，但一次会话中有用候补的数量会变化。本文研究如何让强化学习推荐器动态调整保留的动作集，并量化剪枝对奖励的影响。

arXiv 论文

作者称，该工作为具有空间变化反扩散系数的 Kuramoto--Sivashinsky 方程提出了首个快速稳定反馈设计，通过双边界输入与 Fredholm backstepping 克服单输入设计在重复不稳定特征值处的可控性缺失，并用神经算子近似增益以实现数值实现。

研究对象：Kuramoto--Sivashinsky 方程的快速稳定化，且反扩散系数可随空间变化。 既有障碍：对常系数情形，Coron 与 Lü（2015）的单输入 Fredholm 设计会排除一组离散参数值；在这些值处，重复不稳定特征值会导致可控性丧失。 本文目标：克服上述障碍，给出反馈设计、可控性条件、可实现近似方法，并证明非线性闭环系统的快速局部稳定…

arXiv 论文

QF3（Fast Flow RL with Filtered Q-Gradients）是一种在线离策略强化学习算法，用流匹配训练流策略，并结合评论家的动作梯度与“过滤 Q 梯度”机制提升更新可靠性；作者报告其可首次以离策略流 RL 从零训练人形机器人运动策略并零样本迁移到硬件，同时相较 FPO++ 取得约 10 倍墙钟加速。

流策略（flow policies）已成为从演示中学习机器人行为的常用策略类，但强化学习对于改进预训练流策略或通过交互从零学习仍很关键。材料围绕的问题是：如何高效、可靠地在线离策略训练流策略，使其既能从零学习机器人控制策略，也能微调已有演示预训练的流式操作策略。

arXiv 论文

针对“近期短窗口有标签、长期仅有协变量、且覆盖多个空间位置”的时空数据场景，论文提出一种结合预测驱动推断（PPI）与异方差自相关稳健（HAC）思路的方法，用不完美预测器给出各空间位置未来期望标签的点估计与有效置信区间，并称优于若干自然替代方案。

论文标题：*Prediction-powered inference for time series across space* 作者：Shahzar Rizvi、David Burt、Vishwak Srinivasan、Renato Berlinghieri、Stefano Del Col、Tamara Broderick arXiv：2610.087…

arXiv 论文

论文提出一种面向 3D Gaussian Splatting（3DGS）的后训练语义提升方法：逐目标类别融合多视角证据，按每个高斯在各视角中的可见性加权累积目标/非目标证据，再用主阈值 β 与较低阈值 γβ 筛选和扩展高斯；该设计可分离 2D 检测器、2D 到 3D 提升、以及高斯到网格标签迁移三类误差。材料报告在 ScanNet++ 十个测试场景上，使用…

同一 3DGS 高斯会在多视角中被观察到，但不同视角对其类别判断可能不一致；高斯在某些视角可能被遮挡，检测器置信度也会随视角变化。另一方面，真值以带标注网格给出，因为两次训练不会产生相同的高斯。 研究问题可概括为：如何在训练后把 2D 语义信息提升到 3DGS 高斯上，并在评估时区分和定位检测器、提升过程与表示转换各自的误差。

arXiv 论文

本文给出一个确定性算法，在在线逆向线性优化中达到最优的 \(O(\sqrt d)\) 遗憾，并将运行时间降到 \(d\) 与 \(T\) 的多项式，正面回答 Sakaue 提出的“能否在多项式时间内达到该遗憾”的问题。

在线逆向线性优化设定中，学习器先推荐一个动作，然后观察一个专家的选择；该专家在 \(\mathbb{R}^{d}\) 上最大化一个固定但未知的线性目标。学习器的目标是不观察该目标函数，也学会优化它。

arXiv 论文

摘要显示，鲁棒 bandits 中一个特殊情形可用多项式时间学习器实现 $\tilde{O}(\sqrt{T})$ regret；但若干小泛化被证明是 NP-hard，说明该特殊情形可能位于计算可处理性的边界。

当环境不属于学习者的假设类时，通常使用 agnostic learning 保证处理。但材料指出，监督学习之外，agnostic 保证很难获得。近期，imprecise bandits（Kosoy, 2025，后称 robust bandits，Appel and Kosoy, 2025）被提出作为 bandits 场景中不可实现学习的另一路径，并对一大类…

arXiv 论文

论文提出 **Neural Petri Flow**，把 Petri 网的 firing form、局部性和使能规则硬编码为无参数层，仅学习各变迁的 rate law 或分类读出；摘要报告其在原子映射、反应分类、正向预测和基元步骤预测等多个任务上优于若干基线。具体实现与可复现性待核实。

论文关注的问题是：什么架构对其权重的每个取值都仍然是 Petri 网？已有工作用 Petri 网描述化学反应，或把网作为神经网络消息传递的支架，但这些学习模型不一定保证 Petri 网语义。作者从理论上寻找所有网语义共享的结构，并据此构建 Neural Petri Flow。

arXiv 论文

在精确滑动窗口约束的线性 bandit 中，离线最优解依赖凸性与循环移位不变性；在线学习不能只靠几何结构，需要 transition diameter $\tau$ 或 history-state diameter $D$ 等可达性/通信度量，作者据此给出 rare-switching OFUL 与乐观剩余时域规划，并在评估中以更少策略更新维持精确可行性。

来源研究 **Linear Bandits under Exact Sliding-Window Constraints**：每个连续动作块都必须属于预设可行集。 离线设置中奖励函数已知：什么条件下平稳解最优？ 在线设置中：仅凭几何结构是否足以学习？次线性 regret 是否可能？ 进一步去掉循环不变性，考虑一般滑动窗口约束：最优行为可能非平稳。如何把近期…

arXiv 论文

据摘要，IdeaAnchor 试图通过“结构化规格作为特权信号”训练 LLM，把一组相关论文综合成研究想法；摘要称其在 ideation quality 上有持续改进，并观察到“锚点训练强化创造性综合、检索增强细节展开、二者结合最佳”的功能分解。

科学研究常始于综合一组相关论文，以识别空白并形成新方向。但训练语言模型进行这种“文献驱动的研究想法生成”（literature-grounded ideation）仍具挑战：现有基于 prompting 或 feedback 的方法，缺少对“论文应如何被综合”的结构化监督。

arXiv 论文

复用选出 Best-of-N 胜者的分数来评估该策略，会高估其期望评审奖励；论文给出无偏评估的硬条件：在固定 K 个独立分数矩阵下，仅当选择策略使用的新分数数 J 小于 K 时，才存在仅基于该矩阵、对期望评审奖励恰好无偏的单一估计量，而 Holdout 可达到相应 minimax 风险，但无偏本身有统计代价。

来源论文为 **Holdout Best-of-N: Unbiased Evaluation and Its Cost**，arXiv ID 为 **2610.08719v1**，作者为 **Shrey Shah, Yinheng Li**，类别为 **cs.CL**，发布时间材料显示为 **2026-10-06T17:26:05Z**。

arXiv 论文

VIMA（变分推断驱动的微环境分析）是一种无需预先注释细胞类型或微环境的深度学习统计方法，可在多种空间分子技术与疾病中高功效、高保真地识别疾病相关组织模式。

来源：Nature Methods 研究简报（Research Briefing），2026 年 10 月 6 日在线发表。 研究问题：空间分子数据中识别疾病相关模式具有挑战性；现有方法通常依赖将数据注释为细胞类型或微环境（niche）。 本文提出 VIMA，试图在不依赖上述注释的前提下完成疾病相关组织结构的发现与病例—对照分析。

nature.com

EgoLAP 是一个 VLA 预训练框架：它不把原始人类轨迹直接作为控制监督，而是把运动意图表示为结构化、时间抽象的语言动作，并搭配运动级推理，从而将第一视角人类经验迁移到机器人控制。摘要报告其真实世界平均任务进度达 80.1%，相比替代动作表示有 2.3 倍提升。

第一视角人类数据有望突破昂贵机器人演示对机器人学习扩展的限制。 但人类与机器人之间存在具身差距（embodiment gap），原始人类轨迹作为控制监督目标效果较差。 核心洞察：低层动作虽具身特定，但其底层运动意图可捕捉跨人类与机器人迁移的任务相关结构。

arXiv 论文

在 TRACE 的 590 个 AppWorld 压缩边界配对重放语料上，压缩前历史只能弱预测压缩后的动作负担；最佳可解释触发器避免 21% 有害边界并保留 84% 压缩机会，但材料尚不支持其在匹配保留率下优于 token 预算规则的结论。

许多长时程智能体按全局规则压缩上下文，通常是 token 预算，而不看智能体当时在做什么。论文问：智能体近期行为能否预测一次压缩何时会造成伤害？TRACE 公开语料包含 590 个由 harness 触发的 AppWorld 压缩边界；每个边界从重新执行的前缀状态出发，在压缩前上下文和摘要条件下分别重放，并记录下一步动作负担——出错或重复已经发出的调用。

arXiv 论文

Disentangling Paradigm, Identifier, and Decoding in Generative Retrieval

arXiv 论文

DepthWorld 通过构建校准的 3D 数据集 DROID-3D，并训练基于 Stable Video Diffusion 的多视角 RGB+深度联合预测世界模型，试图让机器人世界模型从“逐帧看似正确”走向“具有一致 3D 几何”，同时报告深度监督还能反过来提升 RGB 预测。

世界模型被视为传统机器人模拟器的数据驱动替代方案，可用于策略评估、策略改进和规划。 材料指出，这些用途都依赖可信的 3D 几何；但当前基于视频的世界模型通常只以 RGB 训练，生成的 rollout 可能逐帧看起来正确，却无法组成一致的 3D 世界。 要缩小这一差距，摘要提出两条推进线：面向机器人操控的大规模 3D 监督，以及能在不破坏强预训练视频先验的前…

arXiv 论文

H-CDLM 把 token 与由预训练 token embedding 聚类得到的粗粒度簇作为多种语义粒度模态并行去噪，在 CoBit 上得到 H-CoBit、在 FLM 上得到 H-FLM，摘要报告其在 LM1B、OWT、GSM8K 等基准上相对基线有提升。

英文标题：Denoising Hierarchical Representations: Joint Continuous Diffusion for Language Modeling 作者：Mathias Ollu, Nikos Komodakis 发布/更新：2026-10-06T17:38:19Z 研究问题：连续扩散和流匹配语言模型近期因 toke…

arXiv 论文

在基于 patch 的高光谱图像（HSI）分类中，从同一图像随机划分训练集与测试集会造成训练-测试 patch 空间重叠，进而导致数据泄漏和过于乐观的性能估计；该论文用 OP 与 AOR 两个指标量化这种重叠，并显示非随机空间采样下深度模型性能大幅下降。

论文研究的问题是：patch-based HSI 分类中，同一类别训练 patch 与测试 patch 之间的空间重叠会在多大程度上造成数据泄漏，并如何影响模型评估结果。作者关注“same-class train-test spatial overlap”，即同类训练-测试空间重叠，并在 Pavia University 数据集上比较随机采样与非随机空间采…

arXiv 论文

CtrlCache 是一种无需训练的控制感知缓存框架：它利用交互式生成中“控制信号先于去噪到达”的特性，动态决定哪些视频块可复用计算，在 Matrix-Game 2.0 与 LingBot-World v1/v2 上取得 1.21x–1.41x DiT 骨干加速，同时提升 WBench Overall 分数。

交互式视频世界模型需要高效生成每个视频块，并忠实响应用户控制。许多系统采用分块自回归生成与少步去噪，但每个块仍需多次昂贵的去噪迭代。无训练缓存可降低成本，然而现有策略主要依据模型内部去噪动态做复用决策，没有显式考虑控制切换。材料指出，交互式生成暴露了一个未被利用的信号：一个块的控制在该块去噪前就已到达，因此基于这些控制推导调度不会产生额外前向传播成本。

arXiv 论文

这篇论文为“保形预测集大小缩减可当作信息增益度量”提供了决策论与信息论基础：它引入基于集合大小和覆盖的一族广义信息度量，证明 Shannon 互信息可由这些度量精确积分表示，并给出集合大小缩减与经典信息量之间的夹逼关系和数据处理不等式。

保形预测（conformal prediction）输出带有限样本覆盖保证的预测集合。实践中，预测集大小常被当作不确定性的启发式指标，但这种解释的信息论依据此前并不清楚。本文的研究问题是：能否用面向集合值预测的决策论熵推广，为“集合大小缩减 = 信息增益”建立形式化基础，并把保形预测与 Shannon 互信息等经典信息论量联系起来。

arXiv 论文

本文把路径网络与流网络放在同一路径-流对齐目标下协同训练，并通过随机路径正则化抑制路径过拟合和低熵瓶颈；在 ImageNet-256x256 与 SiT 骨干网络上报告 FID 一致改善，且推理时架构与采样器不变。

研究问题是将路径-流对齐作为 flow matching 的统一训练目标：不再固定插值路径、只学习速度场，而是联合训练一个保持端点的路径网络和一个流网络。摘要指出，尽管每个固定的学习路径都能定义有效的 flow-matching 目标，但仅靠对齐损失并不是路径学习的可靠标准。

arXiv 论文

论文摘要提出一种改造物体中心 3D 生成器（以 Trellis 2 为例）的方法，使其能仅凭单张图像生成包含相机未观测表面的完整室内外场景网格；方法结合自适应分块、显式 2D-3D 对应建模和约 4,000 个合成室外场景，并称在 Tanks and Temples、ScanNet++ 与 in-the-wild 图像上优于所有基线。

单图像场景生成的目标是从一张图像生成完整的 3D 场景网格，包括相机没有观察到的表面。 已有预训练 3D 物体生成器虽然编码了较强的形状先验，但主要面向固定规范体积中的孤立物体，且多聚焦室内场景，因为多样化的室外 3D 数据相当有限。 本文的问题是：如何重新设计这类以物体为中心的生成器，例如 Trellis 2，使其在保留先验的同时适用于室内和室外场景。

arXiv 论文

BASA 提出一种后端无关的稀疏注意力：用跨 DiT 块的结构化移位局部窗口注意力替代视觉自注意力，在不引入不规则算子或定制 kernel 的情况下，缓解窗口边界造成的网格状伪影，并在 FLUX、Wan 上报告接近理论估计的实测加速与有竞争力的生成质量。

来源为 arXiv:2610.08772v1，标题为 **Backend-Agnostic Sparse Attention for Fast High-Resolution Visual Generation**。 研究问题：Diffusion Transformers（DiTs）在图像和视频生成中表现强，但 full attention 的二次复杂度使…

arXiv 论文

ALIVE 试图让视频编辑中“插入的对象”不只是出现，而是能与源视频内容发生被拿起、被操纵等连贯交互；它用编辑后首帧和仅命名新增对象的指令，结合 35,800 编辑对、VLM 交互引导和 ALIVE-interaction 基准，提升对象插入的交互保真度。

当前视频编辑器可以插入对象，但常难以让插入对象参与交互，例如被拿起或被操纵。ALIVE 要解决的问题是：在给定编辑后首帧，以及一个只命名新增对象的指令时，如何让插入对象与源视频内容产生连贯交互，并保持源视频动作与内容。

arXiv 论文

LLM 能解决许多窄任务，但对数百万相关实例逐条查询可能成本过高。本文提出“bottling”能力：智能体把通用能力转化为任务特定解决方案，在答案质量与摊销成本之间平衡。研究问题是：LLM 智能体能否自主为这类工作负载创建更便宜的解决方案？为此，作者提出 BOTTLED 基准：智能体接收整个未标注 workload，并在固定时间、计算和 LLM API 预…

arXiv 论文

AdvSim2Real 通过在冻结的 Web 世界模型中协同演化任务课程、注入攻击者和 Web 代理，使 4B 代理在任务完成能力与对抗自适应提示注入方面同时提升；在 150 个 Web 任务上，面对未见过的前沿模型攻击者，其完成率相对基础代理提高 33.6%。

Web 代理通过阅读并操作第三方撰写的页面来完成用户请求，因此页面中植入的指令可能把代理引导偏离用户目标。代理又不能简单忽略页面，因为页面同时包含任务所需的值和控件。现有防御通常在训练前固定的注入样本上微调代理，而会适应已训练模型的自适应攻击者可绕过这类防御。另一类对抗训练允许攻击者适应，但任务固定，任务一旦被代理解决就不再提供教学信号。本条研究问题是：如…

arXiv 论文

论文针对生成式信息检索中“什么是好的 DocID”这一问题，提出统一 Product Quantization (PQ) / Residual Quantization (RQ) 及其混合变体的设计空间，并给出免训练内在指标，以便在 MS MARCO 300K 与 NQ320K 上系统分析 DocID 结构属性与超参数对检索效果的影响；具体最优配置与性能提…

Generative Information Retrieval (GIR) 正从传统“retrieve-and-rank”流程转向 sequence-to-sequence 生成，由模型直接预测文档标识符 DocID。 DocID 的语义设计已知对性能关键，但“what makes a good DocID”仍未被充分探索。 现有方法依赖计算昂贵的下游评…

arXiv 论文

4D-HOF 是一个前馈式条件流匹配框架：它把视觉基础模型产生的粗略手-物状态输运到交互流形，并在生成/输运过程中用物理交互约束和观测到的2D证据进行测试时引导，以重建更稳定、更准确的4D手-物交互。

现有4D手-物重建方法常依赖昂贵的逐序列优化；生成式方法又通常从随机噪声合成交互，可能导致交互预测不稳定。论文研究的是：如何利用视觉基础模型给出的粗糙但信息丰富的估计，以前馈方式重建4D手-物交互，并泛化到挑战性的 in-the-wild 场景。

arXiv 论文