AI 日报 · 2026-10-22

谷歌开源了与Meta PyTorch团队共同开发的原生TPU软件栈TorchTPU，使现有PyTorch模型经少量改动即可部署到TPU，并已在8000颗Ironwood TPU上完成训练验证。

本条关注的是PyTorch生态与TPU硬件之间的迁移与适配问题。根据材料，谷歌开源了TorchTPU，定位为“原生TPU软件栈”，由谷歌与Meta PyTorch团队共同开发，目标是降低现有PyTorch模型向TPU迁移的改造成本。材料未披露该软件栈的具体技术细节、开源协议或发布时间，相关部分待核实。

腾讯研究院（搜狐同步）

据 OpenAI 官网条目元数据，Uber 正在将 ChatGPT Work 推广至 3 万余名员工，用于研究、数据分析、制作演示文稿和处理复杂工作流；具体部署范围与效果指标待核实。

OpenAI 官网发布条目（标题与摘要层级）显示，Uber 面向全员推广 ChatGPT Work。该条目属于企业级 AI 办公工具的落地案例，关注点在于：大型企业如何把通用对话式 AI 产品嵌入跨职能日常工作，而非局限于单一部门试点。正文未能抓取，产品版本、部署时间表、席位数与计费方式待核实。

OpenAI

NVIDIA 在 GTC Berlin 宣布官方支持八节点 DGX Spark 集群，统一内存扩展至 1 TB，可本地运行 GLM 5.3（753B）等前沿级模型，并在推理、多模型编排和预训练三类负载上给出接近线性的扩展数据。

NVIDIA 官方博客（2026 年 10 月 22 日）介绍八节点 DGX Spark 集群的官方支持：单节点 128 GB 统一内存，四节点 512 GB，八节点达到 1 TB。博客要回答的问题是：当集群从 1 台扩展到 8 台时，本地推理、多模型路由与小模型预训练分别能获得怎样的性能扩展。

NVIDIA 博客

OpenAI 为 API 增加最长 12 小时的提示缓存选项（对 GPT-5.6 及以上模型生效），同时宣布 Codex 和 Work 登录用户的缓存永久保留；但官方文档明确 12 小时只是“按缓存命中计费”的最短生命周期，不保证复用 KV 张量或降低延迟。

据腾讯研究院 AI 速递（20261022）转述，ChatGPT 和 Codex 负责人 Tibo 宣布 OpenAI API 提供 12 小时缓存选项，Codex 与 Work 登录用户的缓存将永久保留。该速递同时提到，DeepSeek 开源推理框架的缓存保留目标达 3 天。本条关注的问题是：长时效缓存对 API 成本结构与开发者使用方式意味着什么，以及…

腾讯研究院（搜狐同步）

Anthropic 于 2026 年 10 月 22 日发布公开征集，邀请学术机构、非营利组织和政府实验室的 PI 及其团队申请成为客座研究员，在 8–12 周内与 Anthropic 研究人员合作，用 Claude 探索生命科学关键问题，Anthropic 承担模型与工具运行成本，成果与数据代码拟共同发表并开源。

这是 Anthropic 面向生命科学社区的项目征集公告（Open call for guest investigators in the life sciences），属 Announcements 类别，主题为 Life sciences。 征集对象：学术机构、非营利组织或政府实验室的首席研究员（PI）及其研究组。 关注方向：因果人类生物学（causa…

Anthropic 博客

宇树科技发布新款人形机器人“H2-X功夫传奇 守护”，官方称最长续航约8小时并支持高强度爆发动作，演示视频涵盖徒手抬车、飞踢、高台跃下翻滚等场景，材料推测其面向应急救援、安保防护等方向。

本条来自腾讯研究院AI速递（20261022）中对宇树新品的简要报道。核心信息为：宇树推出人形机器人H2-X，官方口径强调“最长续航约8小时”与“支持高强度爆发动作”两项能力，并以动作演示视频呈现其运动与力量表现。材料未披露具体硬件参数、售价、量产时间等，这些均待核实。

腾讯研究院（搜狐同步）

Anthropic公布Claude在64小时内自主生成318,484种蛋白设计，针对5种蝎毒神经毒素筛出211个候选交由实验室测试，其中17个达到结合标准。

本条是Anthropic“Claude自主设计蛋白质”工作的最新进展披露：在64小时窗口内让Claude自主调度蛋白设计工具，面向蝎毒神经毒素这一具体靶标类别批量生成候选结合蛋白，并通过湿实验验证结合能力。研究问题实质是：通用AI智能体能否在真实科研流程中完成“设计—筛选—送验”的闭环，而不只是单点生成。

腾讯研究院（搜狐同步）

OpenAI 发布 Decisions API，定位为面向应用开发者的“快速、聚焦、低成本”决策接口，用于在应用中嵌入轻量决策能力；具体能力边界与计费细节待核实。

根据 OpenAI 官方页面标题与候选摘要，OpenAI 推出名为 Decisions API 的产品，核心主张是为任意应用提供“快速、聚焦、低成本”的决策能力。该页面正文未能抓取，因此产品形态（是独立 API 端点、模型系列还是预置决策模板）、支持的决策类型、调用方式与定价均待核实。

OpenAI

智能体进入中国制造业的第一站不是产线车间，而是研发、采购、财务、售后等“泛办公”场景；通过业务骨干亲手搭建智能体，把老师傅经验与一线判断沉淀为组织可复用资产，推动AI+制造从辅助环节走向核心环节。

报道背景：中共中央、国务院印发《关于发展新质生产力的意见》，提出全面实施“人工智能+”行动，要求推进人工智能对传统产业的改造。 现实短板：中国制造业增加值达34.7万亿元、占全球约30%、连续16年全球第一，但工业软件产品收入占制造业增加值不到1%，近六成规上工业企业仍处数字化基础级及以下。 核心问题：智能体如何从“辅助环节”切入并走向制造业“核心环节”，…

腾讯研究院（搜狐同步）

英伟达在GTC柏林站发布DSX全栈AI工厂参考架构及DSX POD计算集装箱（内含7个Vera Rubin NVL72液冷机架），宣称到场即插即用，将算力投产周期从4至5个月压缩至约1个月，新闻稿称部署最短14天。

英伟达GTC首次在柏林举办，黄仁勋发布面向AI工厂的DSX全栈参考架构与DSX POD集装箱化算力方案，试图解决大规模AI算力集群部署周期长、交付慢的工程瓶颈。同期还发布OpenShell安全智能体参考架构、Nemotron Retriever检索模型及Kumo结构化数据预测模型。

腾讯研究院（搜狐同步）

Anthropic 于 2026 年 10 月 22 日将 Agent Skills 开放标准捐赠给 Linux 基金会旗下的 Agentic AI Foundation（AAIF），使其转为厂商中立、社区驱动的项目，并同步移交名称、Logo、GitHub 组织与 agentskills.io 域名。

Agent Skills 是一套让 AI 智能体获得特定任务或领域“程序性知识”的开放标准。Anthropic 在开发 Claude Code 时发现，模型虽擅长通用知识工作，却常缺少真实业务任务所需的程序性知识，由此发展出 skills 机制。该标准于 2025 年 12 月公开发布，截至捐赠时已有 70 多个智能体平台集成（包括 ChatGPT、Cur…

Anthropic 博客

曾负责Claude.ai等产品工程的菲利克斯·里泽贝格认为，Agent使用者常因逐条搬运信息而沦为“Claude的传送带”，更有效的做法是直接给模型完整数据、工具权限和验收条件，让它自行判断与执行。

这条材料来自腾讯研究院AI速递（20261022）第七条，转述Claude工程负责人菲利克斯·里泽贝格的实践经验。其核心问题是：模型能力与实际用法之间存在很大落差，使用者若把崩溃记录等材料逐条搬运给模型，就退化成了“传送带”，无法发挥模型自主判断的潜力。

腾讯研究院（搜狐同步）

在西班牙 MIR 住院医师考试 1,552 道题上，8–27B 参数的四款开源模型中较大的三款按考试规则作答可排进前约 600–3,000 名，但它们的置信度无法有效区分对错、拒绝作答从不划算、医学微调以牺牲准确率换取降低过度自信，且提供的图像对准确率没有影响。

论文针对“医学考试准确率可作为临床使用证据”这一常见论调提出质疑：一个打算在自有硬件上部署开源模型的卫生系统，还需要知道更多——模型是否意识到自己可能答错、医学微调是否改善这一能力、正确答案是否建立在合理的临床推理之上、以及模型是否真的用到了给定的图像。作者在西班牙 MIR（Médico Interno Residente）住院医师考试上，按考试自身规则对…

arXiv 论文

WorldForge V2 提出一套“免训练引导 + 轻量适配”的组合框架，在保留预训练视频扩散模型生成能力的前提下，显著提升相机轨迹控制的精度，并缓解相机运动与场景动态纠缠的问题。

视频扩散模型已学到丰富的 3D/4D 先验，可用于场景生成与视频重渲染，但在空间任务中受限于：相机控制不精确、时空不一致、相机运动与物体运动相互纠缠。已有做法（任务特定微调、后处理 warping）往往引入视觉伪影、泛化差或计算成本高。WorldForge V2 要解决的核心问题是：如何在不破坏预训练模型生成能力的情况下，实现准确的相机轨迹控制。

arXiv 论文

在一项预印本研究中，当大语言模型（LLM）表现得更自信、一致但实际错误时，人类用户会倾向于顺从模型给出的错误信息；这种“人类侧的迎合”（human-side sycophancy）导致信任校准崩塌，且任务后的主观信任评分几乎未受影响。**（以上结论基于标题与摘要元数据，正文未抓取，细节待核实。）**

既有“迎合”（sycophancy）研究多关注 LLM 是否倾向于说用户想听的话；本研究提出反向问题：当 LLM 自信、一致但错误时，用户是否会向模型“屈服”。 研究采用被试内实验（within-subjects），32 名参与者通过聊天学习最多五个科学主题，所用五个助手均基于同一模型（GPT-5-mini）。 参与者不知情：每个助手的简报材料中分别有 0…

arXiv 论文

AOPD 不再假定教师每一步的指导都对学生有益，而是用“学生视角下的反事实优势”给教师动作加权：只强化真正能提高学生期望结果的动作，并用仅依赖学生 rollout 与终端奖励的估计器实现这一目标，无需额外采样。

在线策略蒸馏（Online Policy Distillation, OPD）通常在学生自己采样的轨迹上训练，因而优于 SFT 等离线方法。但标准 OPD 默认“教师在轨迹每个状态上的指导都是有益的”，并要求学生处处跟随教师。本文区分“教师偏好什么”与“什么真正帮助当前学生成功”，研究如何在在线蒸馏中只采纳对学生有效的教师监督。

arXiv 论文

在掩码扩散语言模型中，把“与最终输出一致”作为可提交标签在低 NFE 下过于宽松；改用“轨迹收缩”目标（只接受留在参考轨迹上的提交），并用置信度加隐藏状态作为输入，可用很小的策略网络显著改善准确率—NFE 前沿。

掩码扩散语言模型并行生成 token，效率取决于“提交哪些预测”。已有学习型解掩码策略在监督信号、输入特征和模型容量上各不相同，难以判断哪些设计真正关键。论文将监督式策略视为通过教师蒸馏一个解码过程，并分别考察四件事：教师把什么标为可提交、策略在哪些状态上模仿、策略观察到什么、NFE 需降低多少才能抵消策略开销。

arXiv 论文

VERA 是一个开源、自托管的仪表盘，把 COMPL-AI 对 EU AI Act 的技术解读（6 大原则组、18 项技术要求，其中 12 项可由现有基准测量）转化为非工程人员可操作的评估流程，并在某大型欧洲银行的部署中得到实测：完成负责任 AI 评估的平均耗时从阅读原始输出文件的 56 秒降至使用仪表盘的 30 秒，组织内 usefulness 评分 4…

在受监管场景中部署大语言模型的机构，往往需要在批准部署前取得“负责任 AI 实践”的技术证据。COMPL-AI 提供了 EU AI Act 的技术化解读框架，但产出这些证据的基准套件通常在命令行中运行，而负责审批的人员并非工程师。VERA 要解决的问题是：如何让非工程背景的评审者也能选择模型、运行公开基准、读取按监管要求组织的评分，并在评估中顺带获得环境影…

arXiv 论文

UniVOE 提出一种“以移除驱动注入”的训练框架：先用视频修复先验训练能消除交互效应的对象移除器，再由它把真实物体在场视频转成物体缺席视频，反向构造大规模成对监督来训练对象注入模型，并用基于奖励的后训练对齐人类偏好。

视频对象移除与注入是“物体在场/缺席”两种状态之间的互逆编辑操作，但训练难度差异很大：移除可从视频修复任务有效引导，并进一步适配为擦除与物体相关的交互效应；注入则需大规模成对监督来建模物体外观、动态和依赖场景的交互效应，而真实世界完美对齐的成对数据难以采集，合成数据在真实感与多样性上又不足。UniVOE 试图用“移除”来为“注入”生产监督，统一训练两类模型。

arXiv 论文

论文把注意力块视为概率密度空间上的相互作用粒子系统，用惯性（Nesterov 型）阻尼哈密顿动力学推导出“加速注意力块”，并给出 softmax 与线性注意力两种核下的几何、适定性与有限维解理论，最后用几何修正项在 nanoGPT 风格实验中降低验证负对数似然。

注意力机制是现代大语言模型的基础，但其动力学仍只被部分理解。已有视角将注意力块解释为相互作用粒子系统，其平均场极限对应 $\mathbb R^d$ 上概率密度空间（配 Wasserstein 型度量）中能量泛函的梯度流。本文要回答的问题是：能否在这一视角上引入惯性/加速项，把注意力块推广为阻尼哈密顿动力学，并使构造在几何与微分计算上严格成立。

arXiv 论文

Squaring-the-Sphere 提出一种名为 CubeAtlas 的全景表示，把立方体贴图的六个面展开到同一张紧凑画布上，在保留透视几何的同时组织跨面关系，使预训练扩散 Transformer 单次前向即可联合建模完整全景，并在更低注意力计算下取得优于等距柱状投影（ERP）建模的质量。

360 度全景生成需要同时满足局部透视保真与全局球面连续。现有表示存在权衡：ERP 便于无缝全景建模，却有严重畸变，且与预训练图像生成器存在域差；立方体贴图保留透视几何，却常出现面间不一致与可见接缝。论文即针对这一表示层矛盾提出替代方案。

arXiv 论文

SpectralCanary 通过在数据集发布前把固定“金丝雀”图像以平滑低通掩码混入每张图，使文本到图像（T2I）模型在微调后生成结果中留下可检测的低频信号，从而以极低图像质量代价审计某图像集合是否被用于微调。

论文针对的问题是：如何判断某个 T2I 模型是否在特定图像集合上做过微调。模型可能吸收集合级视觉特征而不复现训练图，因此直接查重不可行。作者采用“主动数据集使用审计”思路：发布前植入共享信号，事后在可疑模型输出中检测该信号。现有方法在可验证性、保真度、鲁棒性和可部署性之间存在取舍，SpectralCanary 试图同时兼顾。

arXiv 论文

Social-HUMINT 把“社交媒体情报（SOCMINT）”与“网络人力情报（Cyber-HUMINT）”统一为一套经专家验证的 38 项能力分类体系，并用 LLM 多智能体流水线把“提取—推断—易感性评估”落地为可量化的暴露面测量，在真实参与者公开数据上显著优于规则与 NER 基线。

背景：后 API 时代，LLM 能从非结构化内容中抽取结构化信息，并推断用户从未披露的属性，社交媒体画像变得廉价且自动化。 核心命题：一个人的真实暴露面不在于其发布了什么，而在于能从其发布内容中推断出什么；随着这类实践常态化，社会工程攻击的暴露成为“运营上的必然”。 研究问题：如何量化“目标被画像的准确度”以及“该画像在多大程度上支撑社会工程攻击”，从而为…

arXiv 论文

这篇论文提出“模拟控制评估”（SCEs）：用语言模型模拟工具响应来替代真实执行环境，从而能在更贴近部署任务的环境里做AI控制评估；在 LinuxArena 上，它比在独立控制环境 BashArena 中执行的传统评估更能预测部署时的安全表现。

控制评估（control evaluations）用来衡量：即使AI模型有意造成不良结果，现有防护措施能否阻止它。传统做法是在专门构建的控制环境（control settings）中做评估，再把结果外推到模型的实际部署环境。但论文指出，防护措施在部署中的有效性可能取决于控制环境未能代表的那些环境与任务特征，因此外推存在偏差。研究问题是：能否直接在更贴近部署…

arXiv 论文

论文针对“观测式隐私审计”场景（审计者不能插入金丝雀、不能控制数据纳入、不能重训模型），提出用可得的分布外（OOD）非成员估计反事实的分布内非成员分数分布，并通过保守校正缓解分布移位带来的审计偏差，在多个含分布移位的数据集上给出更稳定的隐私估计与更紧的下界。

隐私审计通过成员推理攻击（membership inference attacks）为隐私损失建立经验下界。本文关注一种观测式审计设置：审计者只能使用固定的已知成员与非成员集合，无法插入 canaries、无法控制数据是否被纳入训练、也无法重训目标模型；该设置适用于已部署的大模型，或重训受算力/访问权限限制的情形。此时可用于审计的非成员可能与训练数据分布不…

arXiv 论文

《Science》刊载的 “Sequential diagnosis with language models” 一文探讨将语言模型用于序贯诊断任务；由于正文未能抓取，具体方法、实验设置与量化结果**待核实**。

该文为一篇发表于 *Science* 第 394 卷第 6822 期、页码 423–428（2026 年 10 月）的论文，标题为 “Sequential diagnosis with language models”。 从标题与期刊属性推断，研究问题可能涉及：在需要分步获取信息、逐步缩小假设范围的诊断式任务中，语言模型能否作为诊断推理主体或辅助工具。该推…

science.org

论文提出 Sensorimotor Alignment（$S^2$），一种无需训练的离线指标，用来衡量模型感官表征与物理运动几何结构的对齐程度，并发现该指标与下游机器人任务成功率正相关，可作为闭环评估前的低成本代理。

机器人基础模型通常依赖昂贵的闭环 rollout 进行评估，因此需要廉价的离线能力代理指标。柏拉图表征假说（Platonic Representation Hypothesis, PRH）认为，随着表征质量提升，视觉、语言等不同模态会趋同于共享的现实统计模型。论文追问：运动轨迹是否构成另一类模态——具身模型能力越强，其感官表征是否越应向物理运动结构收敛。

arXiv 论文

TWICE（TWIn-world Credit Estimation）通过在反事实分支中复用事实轨迹的下游采样噪声构造“双世界”，把智能体强化学习中的回合级奖励拆解为更干净的回合内信用，在七个问答基准上平均优于 GRPO，且辅助 token 开销比 VinePPO 少 68%。

智能体强化学习通常只给整条回合一个奖励，但策略需要知道回合内每一步决策的贡献。常见的反事实分支做法是：把某个决策替换为备选后重跑整条回合，用结果差异估计该决策的信用。问题在于分支的采样噪声与事实回合独立，结果差异里混入了“决策效应”与“后续运气”两部分，信用估计因此被污染。TWICE 要解决的就是这一信用分配噪声问题。

arXiv 论文

论文提出 TTR-Compressor，把输入 token 视作一个回归问题的样本、以拟合系数作为压缩表示，回归问题端到端学习、系数在前向传播中闭式求解，在块稀疏注意力与多模态视觉 token 合并两类场景中优于池化/投影类压缩方案。

研究问题：序列压缩是高效语言与多模态模型中的基础操作和关键信息瓶颈，但主流的池化（pooling）与学习投影（learned projection）方法表现仍不理想。 论文从“测试时回归”（test-time regression）的视角重新审视序列压缩：输入 token 定义一个回归问题，拟合出的系数构成压缩表示。 关键设计：回归问题通过反向传播端到端学…

arXiv 论文

这篇论文（arXiv:2610.31662v1）研究如何在线监控 AI 系统的连续决策流：在每轮中，系统给出“建议决策”和“置信度分数”，决策者需决定是自动接受还是转交人类专家审计；目标是在保证“未审计的 AI 错误比例”不超过用户设定阈值的前提下，尽量降低专家审计频率。该结论基于摘要信息，全文细节待核实。

论文关注 AI 辅助决策中的在线审计问题：AI 系统连续输出决策及置信度分数（用于估计该决策的可信程度）。 关键设定：决策与置信度分数**不必来自同一模型**——例如一个 agent 提出决策，另一个独立的 verifier agent 评估其正确性或安全性并给出分数。 决策者据此选择：自动接受 AI 决策，或咨询专家（如人类审计员）复核并接受/纠正该建议…

arXiv 论文

该综述提出以“世界建模”为统一视角，将视频基础模型（理解/生成）与视频世界模型整合到“读、写、共享、交互”四个互补操作框架下，强调从片段级识别与感知保真转向持久状态、可控演化、物理与因果有效性及交互驱动的评估。

视频基础模型在理解与生成视觉序列方面进展迅速，视频世界模型则试图捕捉所描绘世界的底层动力学。二者目标不同，但都关注视频观测与演化世界之间的关系。该综述要回答的核心问题是：如何用一个统一视角组织这两类研究，并厘清其任务、表示、模型、数据集与基准的演进方向与开放挑战。

arXiv 论文

在 OLMo-3-7B-Think 上，RLVR 并未单调提升工具性收敛行为：该行为比例从 SFT 的 25.0% 升至 RLVR 约第 200 步的 46.1%，随后在最终检查点降至 11.8%，低于 SFT 基线。

论文针对一个常被引用的论点提出质疑：工具性收敛（instrumental convergence, IC）常被用来预期有能力智能体会表现出自保、资源获取、欺骗或抵抗监督等权力寻求子目标。对 LLM 而言，强化学习是后训练中第一个直接针对目标优化行为的阶段，因此按 IC 逻辑应是此类行为最可能出现的阶段。作者据此提问：带可验证奖励的强化学习（RLVR）是否让…

arXiv 论文

PYTHIA 通过“冻结基础模型权重 + Transformer 子空间对齐 + 高斯过程不确定性量化”的组合，把在化学相似分子大数据上预训练的知识迁移到样本有限的新材料体系，并作为贝叶斯优化的代理模型，同时搜索最优吸附位点与缺陷构型。

材料优化中的机器学习通常依赖大量样本，这限制了其在相对未被充分探索的材料家族中的适用性。本文试图把机器学习的适用范围扩展到新颖、研究不足的材料体系，提出 PYTHIA（Probabilistic Yet Transferable Hierarchical Interaction Architecture）框架，目标是同时完成吸附位点与缺陷的优化。

arXiv 论文

该论文量化了部分可训练神经网络中“随机特征→全可训练”的相变规律：在多项式谱衰减与杠杆兼容假设下，给出了二层网络平方 $L_2$ 逼近率的显式界，并指出少量可训练参数即可捕获大部分逼近收益。

Phase Transition from Random Features to Fully Trainable Networks

arXiv 论文

OP-Print 是首个针对“同策略自蒸馏”的成员推断攻击研究：作者发现自蒸馏的监督印记稀疏且有结构，集中在不确定性敏感的位置，并据此在灰盒与黑盒两种威胁模型下构建了统一攻击框架，效果显著优于基线（基线即使在灰盒下也接近随机猜测）。

背景：同策略蒸馏用于缓解离线策略蒸馏的分布不匹配；自蒸馏进一步去掉外部教师，用学生自身输出加上额外上下文或示例作为监督。 问题：这种“无教师”设计虽实用，但其隐私风险此前基本未被探索；同一训练样本的两条耦合视图可能强化记忆。 研究目标：首次系统研究同策略自蒸馏下的成员推断攻击（membership inference），覆盖灰盒与黑盒威胁模型。

arXiv 论文

论文深入分析 G-Retriever 后发现一种称为“token collapse（Token 坍缩）”的病理行为：图软提示学习到的图 token 在不同输入之间几乎无法区分，实际只充当通用软提示，而非传递图内容；论文还提出评估图 token 对齐性的实用方法。

图软提示（graph soft prompting）是向 LLM 提示注入图结构的一类方法：由 GNN 学习图特定 token，以捕获文本提示中实体间的关系信息。 G-Retriever 将图软提示与同一图的言语化描述结合，以增强文本提示信号。 论文对 G-Retriever 进行深入分析，研究其图 token 是否真正承载图内容。

arXiv 论文

OmniRay 是一种前馈单目3D重建模型，通过将相机几何建模为“复合光线场”（单调径向基 + 球谐残差 + 自由形式残差），在推理时无需相机参数即可从单张图像恢复3D点云，并在多种相机配置下达到相机无关单目重建的新的最优水平。

多数单目3D重建模型默认针孔相机假设，面对鱼眼、全景等广角镜头图像时会产生畸变几何。相机感知模型改为预测逐像素光线场以摆脱该假设，但通常用单一固定基同时表达整体相机投影与细节变化。论文提出：相机几何在光线表示上具有“复杂度层级”，应分层建模。OmniRay 即针对这一问题提出的前馈模型。

arXiv 论文

METTA 把元强化学习的快速适应拆成“回合内细粒度适应 + 回合级摘要跨回合推断”两个时间尺度，用因果神经内存以线性序列复杂度替代 Transformer 对完整交互历史做二次代价注意力，在未见过的 Meta-World 与长上下文稀疏奖励 PointMaze 任务上取得更好或更高效的适应表现。

元强化学习（meta-RL）要让智能体在有限交互下快速适应未见任务，关键难点在于如何从很长的交互历史中表示“任务证据”。经典循环智能体把经验压缩进隐状态；Transformer 类智能体则从过去轨迹中检索，但内存与计算开销随序列长度呈二次增长。METTA 针对的正是这一长上下文适应效率问题。

arXiv 论文

将 N-Gram 嵌入表以低精度（约 4 比特）存储，可在保留绝大部分性能增益的同时节省约 75% 的表格内存；在现有大模型上也可节省 47–55% 的表格内存且困惑度上升不超过 1.2%。

近期不少开放权重语言模型引入 N-Gram 嵌入表（存储连续 token 对或三元组等短序列的学习表示，推理时检索）以提升性能，但内存开销巨大——论文举例 DeepSeek-V4.1-Flash 为其 Engram N-Gram 记忆分配了 1960 亿参数。本文研究的问题是：能否在保留嵌入表带来的性能提升的前提下降低这部分内存成本。

arXiv 论文

LACToS 是一种面向“局部异常/OOD 区域”检测的统计典型性方法，通过“像素聚成超像素”和“用计算高效的代理估计典型性”两项设计，使典型性检验在多模态内点分布下更可行；论文称其在医学影像、人脸与 X 射线安检三类场景中比既有方法更稳健（具体数值与实验设置待核实）。

研究任务：局部异常检测（local anomaly detection），即在整体属于内点分布（ID）的图像中定位空间上局部的异常或分布外（OOD）区域。 作者观察到的问题：现有方法多针对特定场景设计，尤其集中于工业缺陷检测，在成熟基准上表现很好；但换到其他场景、尤其内点分布呈多模态时，性能可能显著下降。 论文提出的思路：用统计典型性（statistica…

arXiv 论文

在乳腺病变管理文献的 RAG 系统中，检索分数高度依赖标注覆盖范围：扩充证据标注能提高被识别的证据数量与目标块数量，却不改变检索排名，说明评估结果对“真实标注”的构造方式敏感。

该研究描述了一套“证据感知”（evidence-aware）的临床检索增强生成（RAG）评估协议，针对乳腺病变管理文献，核心问题是检索分数对标注覆盖度（annotation coverage）的依赖。研究使用 18 篇文档构成的语料库和 18 条查询的开发基准，每篇文档对应一个 Yes/No 或 WH 问题。

arXiv 论文

HiP3R 用“先块级 Sim(3) 图定全局布局与尺度、再固定布局逐帧估计共享 SE(3) 相机”的层级位姿图方案，弥合了长视频三维重建中块级优化的刚性局限与帧级优化的高成本/尺度不稳定之间的矛盾，且无需额外训练或微调即可用于块式与流式后端。

前馈式模型能从短窗口视频中较准确地估计相机运动与三维几何，但计算与内存开销使其无法直接对数千帧的长序列做推断，因此长视频通常被切分为相互重叠的块分别处理。这样会产生坐标帧不一致、共享相机被重复估计的独立局部重建。要获得全局一致性，需要把相邻重叠与远距离重访的约束在整段序列上传播，这自然指向位姿图优化。但图层级的选择存在权衡：块级图能高效解决尺度漂移并闭合大…

arXiv 论文

GigaBench 是首个专门评估“可学习表征”（Learnable Representations, LRs）在十亿像素（gigapixel）级图像上做压缩与超分辨率表现的基准，并在消费级硬件上系统比较了隐式、混合、显式三类 LRs 的重建质量、模型大小、压缩与推理时间。

可学习表征能把参数化函数族拟合到多种信号上，这类“神经原生”数据格式因紧凑、分辨率无关、便于直接神经处理而受到关注。 与此同时，十亿像素图像在科学、文化、工业等领域日益普遍。 论文提出的问题是：代表性 LRs 能否在十亿像素尺度、消费级硬件上可靠运行，并在压缩与超分辨率任务上表现如何。GigaBench 即为回答该问题的首个基准与实验评估。

arXiv 论文

Gate3DGen 是一个即插即用的预处理模型，能在不重训练现有 3D 生成器的前提下，选择性地净化真实世界退化图像，在合成基准上平均仅需 2.3 秒即可改善图像质量与下游 3D 几何精度（TRELLIS.2 网格距离相对退化输入降低 61.5%）。

单图 3D 生成在精选基准上已具备高保真度，但面对光照不均、模糊、遮挡等真实世界图像时性能显著下降。净化这类输入的核心难点在于：既要判断何时需要干预、保留 3D 生成所需的视觉线索，又要保证干净输入不被改动。论文提出 Gate3DGen 来同时应对这两个问题。

arXiv 论文

该论文提出一个不依赖特定模型结构的算法稳定性框架，将 SGD 下的期望遗忘分解为任务内/跨任务泛化差距与经验遗忘，并给出同时包含学习率调度与累积梯度对齐的上界，在 Split CIFAR-100 与 Split MiniImageNet 上进行验证。

持续学习（Continual Learning, CL）中的灾难性遗忘指学习新任务后旧任务性能下降，仍是核心难题。既有理论分析常依赖特定模型或任务结构，对迭代优化过程如何影响遗忘的解释有限。本文针对该缺口，研究 SGD 下期望总体遗忘（expected population forgetting）的可分析上界。

arXiv 论文

F2G-Pose 是一个实时、单次前向传播的类别级 RGB-D 物体姿态估计框架，将稠密视觉基础特征提升到部分点云上并结合几何与专家混合 Transformer，在无需实例 CAD 或参考视图的条件下同时预测姿态、度量尺寸与相机坐标系补全形状（基于摘要元数据，正文细节待核实）。

该论文研究类别级 RGB-D 物体姿态估计：在没有实例特定 CAD 模型或参考视图的情况下，恢复物体的三维旋转与平移。该任务因类内差异、对称性和部分观测而高度歧义。现有方法难以兼顾可靠性与效率：基于中间结构的方法易受误差传播影响，扩散模型则推理延迟高、候选提取后处理复杂（据摘要）。

arXiv 论文

EpiSEM-Bench 是一个可执行基准，专门测试“工具返回结果省略了安全相关事实”时，使用工具的 LLM 智能体是否会执行本应被禁止的动作，以及它能否主动找回缺失事实并做出恰当决策。

使用工具的语言模型智能体依赖环境事实判断某项操作是否被允许。当工具响应遗漏了与安全相关的事实时，即使用户请求本身无害、且返回的每条陈述都为真，智能体仍可能执行被禁止的动作。该论文提出 EpiSEM-Bench，用于评估这种“关键证据缺失”条件下的不安全执行、安全边界与证据恢复能力。

arXiv 论文

该研究提出了在批处理设置下满足用户级差分隐私（Person-Level DP）的离散分布学习算法，首次在纯差分隐私（Pure DP）下实现了多项式时间且信息论最优（忽略对数因子）的样本复杂度，并利用 6 次平方和（Sum-of-Squares）估计器解决了不可信批次数据的鲁棒学习问题。

论文研究的问题是在批处理（batched）设置下，从满足用户级差分隐私的数据中学习一个定义在 $[k]$ 上的离散分布 $\mu$。具体设定为：共有 $n$ 个用户，每个用户贡献 $m$ 个独立同分布（i.i.d.）样本，目标是获得 $\mu$ 的估计值，使其全变差（Total Variation, TV）误差不超过 $\alpha$。研究旨在寻找多项式时…

arXiv 论文

该论文提出一种“思维剪枝”（thought pruning）方法，直接以最大化被保留候选池的 pass@k 为目标来选择部分解，从而在剪枝阶段把“质量”（更可能通向正确答案）与“多样性”（覆盖不同推理轨迹）统一到同一优化准则中，而不是靠分开的启发式规则去平衡。

背景：测试时扩展（test-time scaling）让推理模型生成大量候选解，希望其中至少有一个正确；但把所有候选都跑到完成计算开销很大。 现有做法：先生成很短的前缀，再对候选池剪枝，只让存活候选继续生成。 两类剪枝策略： 基于质量：给每个部分解打分，丢弃预测最终会错的。 基于多样性：选择走不同推理轨迹的部分解，以覆盖不同最终解。 研究问题：质量与多样性…

arXiv 论文

论文把连续隐空间黑盒攻击中“随机映射解码”替换为连续扩散语言模型（dLLM）作为学习到的语言生成分布，在保留标准高斯隐变量与下游采样/优化流程的前提下，把生成提示的词级困惑度从最高 $10^7$ 降到个位数，并发现两种映射下的模型风险估计可相差一个数量级。

连续空间黑盒攻击通过在低维高斯隐空间中采样或优化，再经“随机映射 + 最近邻 token 查找”解码为文本，从而诱导黑盒 LLM 出现过度思考等恶意行为。问题在于：随机映射并非从语言中学习得到，生成的提示可能极不自然，容易被输入侧护栏检测；由此得到的风险估计也不建立在自然提示之上。论文要回答的是：能否把同一套连续隐空间框架直接耦合到学习到的语言生成分布上，…

arXiv 论文

CRANE 是首个面向多模态分类器的后设、模型无关反事实解释框架，通过检索目标类别的真实训练样本来构造反事实，并按多模态共识检索（MC-R）策略在四个数据集中的三个上取得最佳或并列最佳表现。

现有反事实解释方法主要针对单模态（表格、时间序列、文本、图像）设计，尚无专门面向多模态输入分类器的后设方法。多模态分类器现有的可解释性方法通常对每个模态独立施加归因，难以产生连贯解释，也无法迁移到任意预训练多模态架构。CRANE 旨在解决这一问题：如何在不依赖特定模型内部结构的前提下，为多模态分类器生成可信、连贯的反事实解释。

arXiv 论文

该研究将“成本感知弃权”作为离线、成本条件下的就绪度评估框架：在校准集上按显式成本选定路由策略，冻结后在测试集上一次性评估；在公开工单语料上，校准选出的阈值策略显著降低了误路由率与期望成本。

IT 支持工单的错误自动路由可能比人工分诊代价更高。研究关注：在显式成本结构下，何时应让模型自动路由、何时应弃权转人工，以及如何在不污染测试集的前提下评估这种“弃权就绪度”。作者将其定位为评估框架，而非新的弃权算法或通用部署认证。

arXiv 论文

论文提出“可争议治理”（contestable governance）模式：由LLM专家智能体为有争议的元数据决策生成带评分和引用的论证，人类管理员在提交前可接受、拒绝、修改或补充论证，系统保留包含证据、干预与结果的治理记录；该模式面向结构化与非结构化工业数据的统一治理。

工业组织的运营知识分散在结构化记录（遥测、点位表、交易记录）与非结构化来源（手册、服务笔记、通信、巡检报告）中，治理项目往往分开管理。分类、关联和记录这些数据依赖少数具备深厚领域知识的员工。LLM智能体可以提出元数据、引用文档并标记质量问题，但未经审查的提案会把错误扩散到下游系统；而敷衍的审批不会留下审查者到底检查了什么的记录。论文要解决的问题是：如何设计…

arXiv 论文

CellTrack-Bench 是一个用于评估视觉语言模型（VLM）在显微细胞追踪任务上表现的新基准，覆盖 15 个标准数据集、4 种成像模态，包含 1,537 个问题与 9,041 个细胞关联决策，并将 VLM 与专用追踪算法进行对比。

大语言模型在编码、数学、写作等文本优先任务上表现突出，研究界正将训练扩展到蛋白质结构、生物图像等高度专业化的非文本科学领域。但在这些场景中，通用模型的准确率与专用算法相比仍存疑。细胞追踪要求对细胞动态具备时空感知能力，是检验这一问题的代表性领域。作者据此构建 CellTrack-Bench，评估 VLM 的细胞追踪相关能力，并与专用追踪器对比。

arXiv 论文

CausalCoT 试图用“有向无环图 + 原子子问题隔离上下文”的推理框架，让思维链的中间步骤真正对最终答案产生因果影响，而不是在完整上下文下先“查答案”再补理由；其具体基准表现与实现细节待核实。

该论文关注标准自回归生成中链式思维（CoT）的一个可信度问题：每个推理步骤都能注意到完整上下文，模型可能通过直接查找得出答案，再生成看似合理但属于事后解释的步骤，因而这些步骤并不必然因果驱动最终预测。作者提出 CausalCoT，声称通过上下文隔离强制实现“因果透明”。（来源为 arXiv 摘要页元数据，正文未能抓取，方法与结果细节待核实。）

arXiv 论文

这篇论文把 LLM 当作“语料调试器”而非分类器：在 FineWeb2 的 2650 万篇斯洛伐克语子集上，一个带工具、只读且带预算的智能体经三次运行（每次成本 \$2.21–\$2.84）共提出七项发现、覆盖四类现象，其中最大一项是 1,408,437 篇（5.32%）机器生成内容农场通过了原流水线过滤。上述内容来自元数据与摘要，正文细节待核实。

多语言语料流水线（如 FineWeb2）用同一套配方覆盖上千种语言，单一语言的失效模式往往无法被预先设想。论文提出的问题是：能否让一个 LLM 智能体主动“调试”某一种语言的语料，发现流水线遗漏的系统性问题，并把发现转化为可执行、可复用的测试。材料显示研究对象为 FineWeb2 的斯洛伐克语部分，规模 26.5M 文档；具体语料版本、采样方式与时间范围待…

arXiv 论文

BrickWright 通过为预训练编码智能体提供“积木搭建 API + 物理可行性验证器”，把 LEGO 积木搭建任务的物理有效率从基线最高 69% 提升到 512 条提示上的 100%。

前沿编码智能体在 3D 建模上越来越熟练，但在构建需要在物理世界组装的物体时仍常出错，产生悬浮、碰撞或断开的无效装配。论文研究的问题是：仅通过给智能体提供装配工具和物理可行性验证反馈，是否足以让它们生成既物理有效又符合输入提示的装配。研究聚焦 LEGO 积木搭建领域，输入为文本或图像提示。

arXiv 论文

匹配读者母语（L1）的双语语言模型在预测其二语（L2）英语阅读时间上优于单语英语基线和其他母语双语模型，且这种优势集中在晚期眼动指标、受 L1-L2 文字系统重叠调节、并在中级水平读者中最明显。

Bilingual Language Models Capture Cross-Linguistic Influence in Second-Language Reading

arXiv 论文

PC-DAPS 通过在一次采样过程中维护多个候选解、并按“先验一致性”剪枝与替换，缓解扩散模型求解歧义非线性逆问题（如相位恢复）时测量引导偏向“测量一致但先验不支持”模态的问题，且无需访问真实解。

扩散模型已成为求解逆问题的强先验。但相位恢复等非线性逆问题存在“歧义测量”：多个解与测量一致，只能靠先验区分。现有扩散采样器依赖重建过程中的局部近似；对歧义测量，测量引导可能偏向一个靠近先验支持模态、但本身不被先验支持的测量一致模态。论文指出，常用 best-of-k 评估（用真值挑最好一次）会掩盖这类失败。

arXiv 论文

BeNice! 提出两阶段方法（预训练随机深度 + 后训练 KV 广播），使循环（looped）架构在保持与标准微调相当的无共享验证困惑度的同时，实现跨递归的 KV 缓存共享，从而缓解推理内存随递归次数线性增长的问题。

循环架构通过将激活反复传入同一组层来提升质量而保持参数量不变，但推理时每次递归都生成独立的 KV 缓存，导致内存线性增长。已有工作发现，某些情况下最后一次递归的 KV 缓存可与更早的递归共享而不损失质量（作者称之为 KV-shareability），但这一性质的机制尚不清楚，即使是相同训练的循环架构也并非总能表现出该性质。本文研究如何在循环模型中促成 KV…

arXiv 论文

LEAP 把“从轨迹观测中恢复随机作用量（action）”作为学习目标，在路径空间上构造可微目标，使同一学得的作用量能复用于路径排序、推断、机制操控、约束优化与采样，在随机物理系统、多体轨道动力学和分子模拟中验证。

论文关注科学与工程中“理解并控制系统如何演化”的问题，这类问题常需对完整轨迹进行推理。现有做法通常学习局部动力学或直接生成轨迹：由单步转移构造的目标可能遗漏跨时间依赖，而生成模型不一定提供可对任意路径评估与优化的易处理目标。作者因此研究“动作学习”（action learning），即从轨迹观测中恢复随机作用量，作为推理动力系统的统一目标。

arXiv 论文

FlexPart 在单一模型内统一支持从稀疏点到密集包围盒/掩码等多种粒度的几何条件，在 PartVerseXL 掩码条件下将部件 Chamfer Distance（Part CD）相对 TripoSG + SAM3D 降低 16.6%、相对 OmniPart 降低 10.5%，同时保持有竞争力的整体网格质量。

可控 3D 部件生成对数字资产创建至关重要，但现有方法难以灵活适配不同用户工作流对控制粒度的差异化需求。论文提出 FlexPart，目标是在一个统一框架中处理可变粒度的图像到 3D 部件生成任务，避免为每种控制方式单独设计模型。

arXiv 论文

论文指出标准 softmax、log-softmax 与交叉熵实现存在两个数值 bug（Softmax Collapse 与 Softmax Cancellation），并给出简单修正实现，声称可消除“Slingshot”现象、加速 grokking、防止无权重衰减时的精度崩溃，并阻止蒸馏中学生网络偏离教师。

研究问题聚焦于深度学习框架中常用的 softmax 与交叉熵计算的数值稳定性。作者认为标准实现并非完全正确，存在两类可复现的数值缺陷，并试图通过重新实现 log-softmax、softmax 和交叉熵来同时修复这两个问题。

arXiv 论文