WorldSculpt 研究的问题是：如何从有定位/多视角观测的视频输入中，把包含数百个物体的杂乱三维场景生成为一组放在统一世界坐标系里的独立物体网格。它的核心做法是让一个强大的单物体 3D 生成先验（以 Pixal3D 为基础）接受多视角观测条件，且模型只在单物体的 canonical space 上微调，不需要场景级训练，就能泛化到严重遮挡的大场景。
值得关注：之前的工作路线要么把整个场景重建为一个整体表示，要么只能在简单场景中做组合式生成。WorldSculpt 的增量在于：以单物体生成先验为基础，不经过场景级训练，也能组合出包含数百个物体、严重遮挡的复杂场景。这相当于把“…
在明确告知“评语和分数由 ChatGPT 生成”后，学生仍然将 AI 的评价分为两个层面：AI 反馈适合用于表层修改，但最终评分与成绩判断的权威应属于人类教师。也就是说，“反馈是否有用”和“谁有权评价我”是两种被学生分别对待的判断。
值得关注：已有研究较多关注“AI 反馈是否能提升写作表现”或“学生是否喜欢 AI 反馈”；本研究则切入“透明告知后，学生如何为 AI 和教师分配角色”的问题。 与已有相关卡片相比，本条目的增量信息是：它不是描述 AI 学习助手的…
在LLM反编译评测中，“输出能重新编译并通过自带输入/输出测试”并不等于保留原函数行为；作者提出的Decompile-Diverge用模糊测试语料做行为比对，发现通过全部自带测试的候选中仍有4.9%与原始行为不一致，单一系统最高达13%。
值得关注：已有相关卡片分别记录LLM智能体目标涌现、重复采样vs自我反思、机器翻译测试时扩展；本条不是重复这些方法比较，而是聚焦“评测指标是否奖励了错误方向”。 增量信息在于：LLM反编译器可以一边让输出变得更可编译、更干净，一…
视觉运动模仿策略在操作阶段或任务状态变化时可能“看错该看的视觉目标”：视觉相似的干扰物或容器会导致抓取/放置选错对象，但底层操作技能本身可以保持完整；显式改善目标选择能显著恢复跨策略范式的鲁棒性。
值得关注：这类失败容易被误读为“操作技能不足”，但论文结果显示底层操作技能可能仍然完好，问题出在视觉目标的选择上。 这为机器人学习领域提供了一个更细的诊断维度：把“选哪个目标”和“如何操作目标”分开考虑。 对视觉-语言-动作模型…
WearableQA 是一个针对大语言模型（LLM）在真实用户长期可穿戴数据上进行健康推理的基准，包含来自 200 名真实用户、每人最长 500 天日常测量的数据所构造的 4,084 道 10 选 1 多选题；评测 14 个模型后，准确率从 19.6% 到 72.9% 不等，多数模型低于 60%，说明该基准远未被解决。
值得关注：WearableQA 强调了“能否对真实用户的多日可穿戴记录进行健康推理”这一此前较少被系统评测的能力。它不同于仅评价单一答案正确性的传统基准，也不同于已有相关卡片中的 LLM 数据智能体轨迹完整性、主动智能体通用基准…
作者提出一种基于 Hessian 的变分延拓方法：将周期轨道候选参数化为傅里叶级数，把轨道对物理微分方程的偏离定义为损失函数，并借助自动微分来自动化数值延拓过程；该方法无需积分器，并利用损失曲面的“平坦方向”（零特征值方向）确定延拓方向。作为演示，作者对双摆系统从不动点出发的周期振荡族进行了完整延拓，并报告找到了一类此前文献中缺失的周期轨道。
值得关注：周期轨道搜索通常需要手工推导 Jacobian，本文尝试用自动微分替代这一过程，可能降低方法使用门槛。 “无积分器”的延拓思路以及对损失函数平坦方向的利用，为动力系统周期轨道计算提供了另一种框架。 作者声称发现此前文献…
UniMate 是一个面向任意骨骼拓扑的文本驱动角色动作生成基础模型。输入“已绑定3D资产 + 文本提示”，即可输出关节运动；推理时无需逐骨架微调，也不需要测试时优化。
值得关注：现有方法通常需要类别模板或逐骨架调整；UniMate 尝试建立“一个模型面对多种骨骼拓扑”的基础模型范式。 方法上，它将图神经网络/图拉普拉斯、RoPE 与扩散 Transformer 结合，为处理任意骨骼拓扑提供了一…
现有视觉-语言-行动（VLA）模型能执行短程操作技能，但在需要持续任务状态、依赖感知推理、条件判断和可靠锚定的长时程流程中仍不稳定；该论文（arXiv:2609.05369v1）提出一种神经符号框架，将 VLA 控制与显式任务图、多模态过程记忆结合，并引入伪注视演示线索来辅助策略微调与推理。摘要层面未给出实验结果，实际效果待核实。
值得关注：该工作不是简单增加 VLA 模型规模或数据，而是把“过程约束”重新放到模型之外，用任务图和过程记忆来补偿 VLA 在长时程流程中的脆弱性。 它将评估重点从单步操作成功率扩大到步骤顺序一致性、程序性错误等“流程正确性”指…
这项研究提出一个“Think-Verify-Revise”闭环神经符号框架：视觉语言模型（VLM）负责提出候选一阶逻辑（FOL）规则，动态逻辑张量网络（D-LTN）负责可微验证并反馈修正；在 ViSudo-PC 基准的四个视觉域上，系统仅用 3 个带标注视觉样例即可归纳出有效的数独约束规则，AUC 达到或优于 NeuPSL、LTN 等既有方法。
值得关注：该工作的特点不是单纯强调 VLM 的感知能力，而是把 VLM 当作“规则假设生成器”，并与可微逻辑验证器耦合。这种设计让神经符号系统不必完全依赖人工预定义规则，也使自动生成的规则能够通过可微验证被评估和修正。
BUGSTONE-E2E 提出一种端到端框架，能够从已知 CVE 的修复提交中提取检测规则，形成“轻量扫描 + LLM 审查 + 运行时验证”的漏斗式流程，并在真实程序上产出具有运行时证据的漏洞发现。
值得关注：这项工作的增量价值在于：它把 CVE 和补丁历史从“人类可读的记录”变成“可执行的检测器”，让过去漏洞的检测知识可以系统化地复用于其他代码库，从而降低相同或相似漏洞模式再次潜伏的风险。与常见的一次性漏洞扫描不同，该方法…
生产环境常假设“能承担某个角色的智能体就可以替换”，但本研究表明：把同一基础模型、同一任务上独立形成的 LLM 智能体跨队对调，任务分数上的代价很小，团队每单位进展所需通信量却会提高 16%–63%；在 Hanabi 中，换来的智能体甚至比没有经验的智能体更“贵”，这可能是因为它带着与前队友形成的旧惯例进入新团队。
值得关注：“可互换性”不能只由单个智能体的能力界定，还取决于它是否与团队内部形成的默契兼容。 即使来自同一基础模型，独立形成的团队也可能漂移到彼此不兼容。 与既有脉络的关系：既有卡片已经指出社会结构可引发目标分歧、交互信息可导致…
本手册介绍了一个开放工具包，其核心构造是“bridge form”（桥接形式）：让同一个词形在多个学科领域中保持词形不变、但含义不同，从而受控测量Transformer语言模型在深层表示中是否会按上下文对同一词的不同出现进行“个体化”区分；该手册只说明方法与实现，不报告任何特定模型上的实证结果。
值得关注：现有相关卡片涉及流式语音评估、音频模型声学神经元、视觉语言模型测试时训练，均未直接关注Transformer语言模型内部表示中“上下文个体化”的测量问题。本手册的增量价值在于：提供了一种公开、可复用的测量流程，并且明确…
本文提出一种完全自监督的对比学习框架，直接使用 IPA 转写的原始词表学习词汇表示，不需要同源词标注、序列比对或额外专家输入；据此推断包含 3,399 个语言变体的全球语言谱系树，计算时间仅为标准笔记本 GPU 上的数分钟，其拓扑与 Glottolog 参考树之间的广义四元组距离（GQD）达到与多个基线相当的水平。
值得关注：传统方法依赖人工同源词标注，是历史语言学大规模计算研究的瓶颈；本文证明自监督词汇表示可在免除该标注的情况下完成具有竞争力的推论。 相比已有相关卡片中的自监督表示学习应用（如 LiDAR 三维目标检测、纵向因果推断），本…
据作者称，本文提出首个可扩展的端到端自动化孢粉检测流程，可将单张全玻片图像中化石孢粉的检测时间从人工常需数天缩短至自动化分析不足一小时，并在检测基准上达到 AP@50 = 0.879。
值得关注：孢粉鉴定长期依赖专家人工镜检，是相关地球科学研究的明显瓶颈。本工作首次提出可扩展的端到端自动检测流程，并展示现代目标检测器（如 RF-DETR）在高分辨率多焦点显微全玻片图像上的应用潜力。与传统自然图像检测不同，该场景…
视觉语言模型（VLM）被用作机器人学习的奖励函数时，普遍缺乏释义不变性：仅改写指令，就足以显著改变同一轨迹的预测进度，甚至让完全相同的机器人行为在“失败”与“成功”之间翻转。
值得关注：该论文将“释义不变性”明确为 VLM 奖励模型可靠工作的核心要求。真实用户指令天然存在丰富多样的表达方式；若奖励模型对措辞高度敏感，就无法稳健地传递目标。尤其值得警惕的是，模型规模和推理能力不是解决问题的可靠路径，而是…
RISE 提出一种不借助外部教师、不依赖特权条件的自蒸馏路线：利用模型自身 RLVR 训练轨迹中“当前 checkpoint 与滞后锚点（trailing anchor）之间的参数/输出位移”，外推出一个合成教师，将稀疏的结果奖励转化为稠密的逐 token 监督，从而让学生模型在“RLVR 定方向、蒸馏定细节”的循环中递归改进。
值得关注：与已有 OPD/自蒸馏工作相比，RISE 的增量在于“递归性 + 自我外推”：教师不是固定的大模型，也不是来自特权提示，而是随着学生进步不断从自身轨迹中“长出来”。这让结果奖励和稠密 token 监督相互增强，为强化学…
RegionFed 是一种完全在梯度层面运行的“架构稳健”联邦学习框架，专门解决跨地域零售搜索场景中的数据异构与模型个性化问题；它能在现代 Transformer 上避免参数级个性化联邦学习方法低于 10% 准确率的崩溃现象，并在三个公开数据集和四种架构上达到接近集中式训练的性能，同时提供差分隐私保证。
值得关注：现有参数级个性化联邦学习方法在 Transformer 上会崩溃，RegionFed 提供了一种不依赖参数结构、可跨架构迁移的解决方案。 将“梯度冲突”作为统一信号同时用于诊断、路由和控制个性化强度，是一个较新颖且工程…
本文研究“每个智能体只看部分数据、只把自己的预测向前传”的网络化信息聚合模型，将线性回归超额均方误差（excess MSE）的已知上、下界 gap 闭合为：在 $M$-覆盖路径上，深度达到 $M^2$ 之前误差基本为常数阶，之后为 $\Theta(M^2/D)$；作者还将这一最优速率推广到 logistic 分类。
值得关注：这是对 Agentic AI 中信息聚合误差的定量刻画：当多个模型/智能体串联，而每个节点只传递自身结论时，信息损失会随网络深度累积。该结果给出了一个理论临界深度 $M^2$：在此之前，单纯增加串联深度未必能继续降低误…
大语言模型在给出推荐或判断时往往会列出“影响最大的三个因素”，但这些解释与模型真实决策行为只有中等的统计相关性；用“必要性”和“充分性”作为行为标准检验后，发现“前三因素”含有一定信息，却不可靠地等同于真正影响最强的三个因素。
大型语言模型（LLM）在分子性质基准上的高准确率，可能并非来自真正的预测能力，而是来自对已发表数值的“逐字检索”；作者审计了22个前沿模型后发现，这种记忆性检索较普遍但高度依赖具体数据集，并且增加推理水平反而使检索更容易被触发。
值得关注：这项工作提醒我们，分子性质基准上的“高分”可能不是化学理解力的证据，而是训练语料记忆的泄漏。它为LLM科学评估提供了一种污染诊断思路，也为设计抗记忆检索的分子性质测试集提供了依据。与一般“模型准确率提升”的叙事不同，该…