PatchBench 是一个用于更真实评估 AI 智能体漏洞修补能力的基准。它指出传统“仅用 PoC 验证补丁是否抑制崩溃”的评估方法存在严重缺陷：既可能让智能体“背下”历史开发者补丁，也可能让它们只做表面修复；PatchBench 通过漏洞移植和代码突变降低这些风险，并提出更全面的补丁验证方法。
值得关注：该工作揭示了当前自动化漏洞修补评估中的系统性偏差：仅仅“跑通 PoC”并不能证明补丁真正安全且正确。PatchBench 为更可靠的漏洞修复智能体评估提供了新方向，也为后续研究如何避免补丁记忆和表面修复奠定了基准基础。
该论文用参数化图理论研究张量网络态（TNS）的表示简化与量子态层析问题：cutwidth、tree-cutwidth 等图结构参数可用于界定把 TNS 表示为矩阵积态（MPS）或树张量网络态（TTN）时的键维（bond dimension）开销，并给出“可实现设定”及更一般的“不可知设定”下学习 TNS 所需样本复杂度与计算复杂度的图相关上界。
值得关注：它将“图结构”这一组合学视角引入张量网络表示与学习问题，而不只依赖一维链或固定树形结构。 它把之前的 MPS 学习器推广到更一般的 TTN 和任意已知图上，扩大了可学习张量网络状态类的范围。 它从可实现学习推进到不可知…
Para-Pipe 提出了一种面向异构 SoC 的层级映射框架，通过在流水线架构内部与跨流水线阶段引入算子并行，试图同时优化吞吐量与延迟；具体实验数据可确认的是，在 Amlogic SoC 上吞吐量优化配置相比纯流水线策略平均能效提升 11.0%，相比非流水线并行执行提升 23.3%。（其余细节待核实）
值得关注：边缘 AI 模型日益复杂，异构 SoC 的利用率往往受制于调度与映射策略。Para-Pipe 尝试在传统流水线和算子并行之间建立统一优化视角，为同时考虑吞吐量、延迟和能效的部署方案提供了一条新的路径。本文是对现有“流水…
EditVid 提出了一种无需训练的单一视频编辑框架，可同时支持指令引导与参考引导的多种编辑范式；在 FiVE 基准上达到 78.16 FiVE-Acc，远超所评估的最强免训练基线（58.95），用户研究中也以 51.8% 的整体偏好率胜过 7 个对比方法。
值得关注：EditVid 的增量价值在于：它不是在某个单一编辑任务上做优化，而是用同一套免训练机制将多种视频编辑范式统一起来。 与已有卡片中的 FlowMimic 相比：FlowMimic 关注从图像编辑样本自动生成视频编辑训练…
NucleicBERT interprets RNA sequence space through self-supervised language modelling
思维链推理轨迹的“可读性”（legibility）并不等于“可解释性”。论文将推理步骤的真实重要性操作化为 advantage（包含该步骤带来的期望奖励变化，如最终答对的概率变化），并用蒙特卡洛 rollout 进行估计。结果发现：LLM 评判员对高重要性步骤的判断虽然能超过流行率基线（prevalence baseline），但远低于噪声天花板（nois…
值得关注：这项研究直接挑战了“通过阅读思维链就能理解模型决策”的流行直觉。如果推理轨迹的可读性不等于可解释性，那么基于思维链文本训练过程奖励模型、用 LLM 评判模型“哪一步错了”、或让模型解释自身推理等做法，都需要加入干预式验…
该研究通过受控实验提出并验证：在大语言模型（LLM）预训练中，将同一知识以不同表述形式呈现的“辅助视图”（auxiliary views）对知识获取有因果性的帮助；在 token 预算固定的情况下，把原本用于文档重复的 token 分配给辅助视图，反而能提升学习效果，甚至包括事实性回忆。
值得关注：已有相关卡片主要涉及自动算法发现、价值观对齐和认知障碍检测，均未关注预训练阶段知识获取的内部机制。本卡片的增量信息在于：它提出了一个可验证的因果解释——数据多样性之所以有助于预训练，可能是因为多样化的知识表述（辅助视图…
本文针对NVIDIA Blackwell FP4张量核心上注意力计算的新瓶颈，提出硬件感知的FP4 FlashAttention-4。据论文元数据，其Direct-P非因果路径在GB200上可比bfloat16（BF16）前向吞吐最高提升2.13倍，完整单GPU 8B参数更新最多加速1.14倍；但测试中的所有MXFP4概率/值训练轨迹均发散。具体细节待核实。
值得关注：将FlashAttention式优化推进到FP4张量核心场景，并识别出“矩阵尺寸变小后，softmax/片上依赖成为主要瓶颈”这一非直观问题。 与已有相关卡片（自动驾驶、3D场景理解、视频物理一致性）主题不同；本条新增…
该论文提出，在语言模型欺骗研究中需要区分“看起来欺骗性的输出”和“实际具有欺骗性的机制”；仅凭行为表现不能直接推断模型拥有欺骗机制，而即使存在机制证据，也不等于模型在欺骗中具有能动性（agency）。
值得关注：本卡片与已有“自由相机VLA”“参考一致性图像生成”“轨迹分析优化”等卡片没有直接重复。 增量信息：本条从“欺骗行为—欺骗机制—模型能动性”的因果区分切入，为语言模型欺骗研究提供了更严谨的概念框架。 对AI安全评估、模…
ESPO（Error-Structured Prompt Optimization）将提示词优化重构成“诊断错误模式—多样化生成—稳定化选择”三阶段。据候选摘要，它在 7 个公开 NLP benchmark 上将平均准确率从 GEPA 的 70.91% 提升到 74.67%（+3.76 个百分点），同时把提示词长度从约 1,878 字符降到 1,004 字…
值得关注：提示词优化不能只是“继续追加规则”。ESPO 把失败案例结构化，并用多样性生成和稳定性选择来对抗提示词膨胀。 与已有相关卡片关注的“边缘模型结构化记忆”或“视频一致性”不同，本条聚焦大语言模型提示词优化器自身的设计缺陷…
当无法获得客观正确答案（ground truth）时，可以用 **epistemic warrant**（认识论意义上的“依据/保证”）来刻画“某一条具体 LLM 推荐”是否值得依赖。摘要显示，该框架通过四层“依赖凭证”区分推荐的依据强弱，并且比单纯的模型置信度或决策难度提供更多信息。
值得关注：它把“模型整体可靠”和“这一条推荐可依赖”区分开来，为个体决策提供了更细粒度判断。 在 ground truth 不可得时，传统准确率或可靠性指标往往失效；该框架提供了一个理论上可追溯、实践上可操作的替代路径。 增量信…
论文提出“环境演化”（Environment Evolution）方法，在训练终端智能体时通过“off-policy”（离线/非当前策略）方式逐步提高任务环境难度，并按代调度演化后的环境，以持续提供有效学习信号；在 Terminal-Bench 2.1 上，经简单长程 RL 训练，Qwen3.6-27B 和 Qwen3.6-35B-A3B 的性能分别提升…
值得关注：该工作将注意力从“模型侧”扩展到“环境侧”：前沿模型越来越强时，训练环境难度的可持续供给成为瓶颈。 它提出环境不必只依赖当前策略的 rollout 来发现弱点，而是可以按难度方向离线演化并参与训练调度。 与本知识库已有…
论文提出 TAHI（Test-Time Adaptation through Human-AI Interaction），利用跨会话的人机交互信号在测试阶段对智能体进行个性化适配，并通过一个不断演化的评估准则模块（evolving rubric module）把用户难以提前说清的标准显式化；在写作和视觉创作两个领域的 30 位用户、600 个任务上，仅用几…
值得关注：已有测试时适应研究多侧重优化器设计、分布偏移恢复或特定视觉任务；TAHI 的增量在于把“人机交互”本身作为测试时适应的数据源，目标是理解和适配“个人专长 / 个性化评估标准”。它把隐性主观标准显式化为可复用的评估准则，…
Efficient Semantic Understanding from Digital Foveation
值得关注：本工作为高效视觉理解提供了增量证据：即使只观察少数“值得看”的位置，也能获得接近全图密集处理的语义理解水平。这与已有相关卡片中的 EcoFrame、ELSA3D 等研究同属“以更少计算换取更好或相近性能”的脉络，但具体…
DRACO 面向“结果不可知”（outcome-blind）且自身不使用验证器的长程智能体训练场景，提出在训练中动态生成 rubrics（评分规则），对完整轨迹评分一次，再以闭式方式将优势重新分配到各步骤，从而在 GRPO 中产生细粒度的逐步骤优势；在 AppWorld 和跨领域 Tau-Bench 上均超过稀疏真值奖励训练的基线。
值得关注：DRACO 提供了一条不依赖程序化验证器或真值奖励的弱监督信用分配路径：只用轨迹级 rubric 评价，就能为 GRPO 生成步骤级优势。这对现实世界中难以编写验证器的长程智能体任务具有潜在价值。同时，它规避了训练额外…
CORE 将多模态重排序器（reranker）的组合推理判断蒸馏进嵌入模型，采用 Rank-KL 列表式训练目标，使嵌入模型在组合推理基准上取得当前最佳平均分；其 8B 重排序模型在三个组合推理基准上的平均成绩超过 Jina-Reranker 10.7 分，且未牺牲传统检索性能。
值得关注：组合推理是细粒度多模态检索中的难点，传统对比学习对“属性-客体绑定”等组合变化不敏感。 CORE 说明：同一个骨干网络作为“重排序器”远比作为“嵌入模型”更擅长组合判断，将这一判断蒸馏回去，可以兼顾嵌入模型的高效召回与…
“通过训练编译”（compile by training）可将一条自然语言规范转化为可复用、可本地运行的神经函数；在 FuzzyBench-Hard 上达到 83.6% 的语义准确率，代价是编译时间约 1 分钟，而快速编译器只需数秒。
值得关注：它提供了一条“把自然语言需求变成可复用软件组件”的新路径：不直接生成传统代码，而是通过训练生成本地神经函数。相比每次请求远程大模型，这类函数有潜力降低重复推理成本、减少对特定模型提供方的依赖，并让模型能力进入版本化、组…
在共享服务端点上，模型名称不是冻结的测量仪器；预注册评估必须在冻结任何判定门槛前先测量该仪器的可靠性。该预注册研究的两个活动均在“仪器验证”阶段失败：同窗口内重复排名的 Spearman 一致性为 0.400（要求 0.90），字节完全相同的次日重演一致性为 0.78（要求 0.99）。【数字与结论均来自摘要元数据，原文待核实】
值得关注：本研究把“同一模型名 = 同一测量仪”这一隐式假设变成可检验的对象，并在大规模外部测量中记录到失败。已有相关卡片分别关注 LLM 后训练的数据件工程和黑盒学习器在半参数估计中的理论性质；本条卡的增量在于：黑盒 LLM …
BooM-VVT 是一个面向视频虚拟试穿的免掩码生成框架，在关键帧驱动范式下，用图像级伪数据降低对昂贵视频级伪数据的依赖，并结合服装敏感关键帧采样与 Frame-Shared 3D-RoPE，提升生成视频的时序一致性和服装细节保真度。
值得关注：BooM-VVT 的核心增量在于：它尝试把“图像级伪数据”带来的免掩码训练优势引入视频虚拟试穿，同时不依赖昂贵的视频级伪数据。相比已有免掩码通用编辑工作（如 FlowMimic），该工作将问题聚焦到服装视频试穿场景，采…