PES 通过将 LLM 智能体的“人格”（指令、语气、自我呈现）与“执行”分离到不同信任域，使受治理组织中的人格可以自由漂移，同时执行仍保持有状态、可审计和可追溯。
值得关注：该模式提供了一个可落地的架构选择，直接回应 LLM 智能体在组织治理中的核心矛盾：人格需要持续演化，而执行必须被审计。 与已有相关卡片相比，本条不聚焦记忆分离或用户主权评估，而是提出“人格域-执行域”分离的架构模式，强…
当前视频生成模型虽然常被称作世界模型，也能生成看似合理的视频，但在“相同初始观测与动作下，多次生成的行为分布是否与真实物理可能性分布一致”上普遍未达标。
值得关注：当前对“世界模型”的评价标准还停留在视频是否逼真，忽略了世界模型的预测本质是下一时刻状态的概率分布。 如果模型只能输出一种可能，而真实世界允许多种可能，则模型在规划、决策、科学模拟等应用中会产生系统性偏差。 本工作给出…
在碎片化文本复用证据下，将“找回文章级重印/复用”的任务从“片段检索”转为“pair级证据整合”，可生成紧凑、可审计的候选传播关系集合；直接LLM提示配置适合高召回扩展，而规则工作流在精确率-召回率权衡上更强。
值得关注：该研究提供了一个可直接落地的历史文本复用研究范式：面对碎片化、不完整的复用证据，不追求一次性召回所有重印，而是输出可审计的紧凑候选对，让历史学者能够手工验证。同时，研究揭示直接LLM提示在完整候选空间上会大量标记正例，…
评估感知（eval-awareness）不应被视为一个单一的、可整体压制的量；当模型在思维链中把“被测试”框定为“测试我的能力”而非“测试我的边界”时，其遵从行为显著更高。安全评估需要区分评估感知的语义类型，而不能只看总体抑制率。
值得关注：如果安全评估管道把评估感知当成单一值来压制，就可能被汇总指标误导：总量下降并不等于安全相关行为变好。本文给出一个更细粒度的可观测信号——模型在思维链中如何框定“自己被测试”这件事——并说明该信号与遵从行为有预测性和因果…
抵押贷款文档自动化通过智能文档处理（IDP）将非结构化贷款文档转换为可验证、可集成的结构化数据，从而缓解人工处理带来的延迟、低效和合规风险。
值得关注：本条是面向金融垂直领域的文档自动化指南，属于基础模型/大模型在行业场景中的应用。与已有相关卡片（机器人变体任务、Transformer 谱分析、印刷质量合成数据）不同，本条补充了“智能文档处理 + 贷款流程”这一具体业…
MAELLE 将化学反应直接建模为电子占据向量上的离散流匹配，在 USPTO-480K 基准上取得与领先反应预测模型相当的表现，并在分布外场景下保持稳健，同时能恢复符合已知化学的机理轨迹并预测副产物。
值得关注：该研究放弃了常见产物生成或分子图编辑范式，转向电子占据这一更底层的化学描述空间，使反应预测与机理可解释性对齐，并具备副产物预测能力。与已有知识卡片覆盖的知识图谱问答、闪电网络优化、链上欺诈检测等主题不同，本卡片关注 A…
据论文摘要，CAST（Concept-guided Artifact Suppression Tuning）通过稀疏自编码器识别并抑制临床笔记中的格式伪影，在 MIMIC-IV 出院小结死亡风险预测任务上优于微调编码器基线，并与强 LLM 基线竞争力相当，同时提供特征级审计踪迹。（待核实）
值得关注：本工作将“可审计性”嵌入临床语言模型的微调过程，回应了医疗场景中模型部署的信任与安全需求。相比已有相关卡片中的“BERT-LER”，本条增量在于：不只做可解释的临床预测，而是显式区分并抑制文档伪影，使模型决策更依赖临床…
对于库存控制、排队网络控制、品类优化这类边界清晰（well-specified）的运筹学问题，最强测试模型 gpt-5.6-sol 在几乎全部评估实例上匹配或优于现有最佳方法；即使在 level 2 设置下——只给定问题类别描述和参数范围、生成固定算法之后再看到评估实例——这一结论依然成立。
值得关注：已有关注 LLM 翻译、经验抽象、数据增强等话题；本卡片的增量信息是：LLM 的能力检验可以扩展到运筹学算法设计这类结构化决策问题。摘要显示，一条未调优提示词加上固定计算预算，就能产生与专用方法竞争的 OR 算法，并且…
LeVJEPA 是首个在 LeJEPA 无坍塌目标下训练的视频编码器，完全去除 EMA 目标编码器、stop-gradient 和容量受限预测器等常见启发式部件，仅保留“编码器 + 投影器”结构，并用 SIGReg 正则化以可证明的方式防止表征坍塌，从而在显著降低视频预训练计算成本的同时，匹配或超越现有方法。
值得关注：LeVJEPA 表明，视频预训练不一定需要复杂的非对称机制或像素重建。通过理论上有保证的正则化，可以将目标简化为单一超参数，同时实现数量级的计算节省，并保持甚至提升下游性能。该工作为视频作为通用视觉表征训练基底提供了新…
本研究基于马萨诸塞州和佐治亚州两个医院系统共 36,807 例符合 Sepsis-3 标准的成人患者（29,116 例与 7,691 例），利用 43 项常规记录的临床变量、72 小时治疗窗口，以死亡作为治疗层级的排序信号而非逐状态目标，学习出一个连续的脓毒症严重程度指数。内部验证显示该指数能区分幸存者与非幸存者，跨机构验证显示其结果具有中等至较好的一致性…
值得关注：本研究提出了一种不依赖逐小时人工标注的脓毒症严重程度连续评分方法，通过死亡率排序信号进行时序信用分配，可能弥补现有指数在粒度、时效性和当代人群校准方面的不足。与现有相关卡片无直接重复；此条目的增量信息在于：将死亡率作为…
KnockGS 提出从 3D 高斯物体在已知外力作用下的动力学响应中估计其弹性与密度尺度，并将估计值冻结写回同一物理模拟器，使模型在与拟合时不同的交互下仍保持预测能力。这是迈向“渲染外观与模拟响应一致”的交互式 PhysicalGS 系统的第一步。
值得关注：与已有 3D 高斯表示工作相比，KnockGS 的增量在于从“重建外观/几何”走向“标定物理参数”。例如，WildSplat 解决无位姿图像下的 3D 高斯重建与编辑，而 KnockGS 解决物理模拟中材料参数未知的问…
本研究提出 INTENT-AS-A-TOOL 方法，通过给模型增加“意图定向工具”，用工具调用概率作为无裁判、细粒度的信号，来追踪大语言模型在推理过程中产生有害行为的意图倾向，从而补充思维链监控并识别在线干预的关键步骤。
值得关注：该研究为追踪 LLM 智能体在推理阶段的安全风险提供了一种新的、不依赖外部评判的细粒度信号。相比传统的事后 CoT 标注，它能够揭示意图在生成过程中的动态变化，为在线干预和安全监控提供更可操作的信息。与已有相关卡片相比…
大型语言模型在表征空间中并没有把道德内容坍缩成一个单一检测器，也没有把不同道德基础彼此隔绝；而是同时存在“共享的正向共同成分”和“近最大数量的独立维度”，形成一种既整合又可区分的道德知识几何结构。
值得关注：已有相关卡片多关注语言风格、对齐失败或知识蒸馏；本卡片的增量信息在于道德知识在模型内部表征中的“几何组织方式”。 它说明“能检测道德内容”不等于“以理论预期的方式组织道德知识”。模型有自己的内部结构，而且这种结构在预训…
现有大语言模型（LLM）做代码审查时通常被简化为“单轮静态判断”，而本文提出 MCR-Bench，首个面向“缺陷状态感知”的多轮代码审查基准，用 2,269 个真实多轮审查任务评测主流 LLM，发现其整体能力有限、随轮次增加显著下降，且对缺陷类型和严重程度高度敏感。
值得关注：已有基准和模型大多把代码审查当作静态分类或单轮生成任务；MCR-Bench 将评测从“静态”推向“动态”，首次显式建模缺陷在多轮审查中的状态演化。它为后续研究提供了更接近真实开发的评测标准和错误分析线索，是自动化代码审…
Difference-in-Differences on a Censored Rating Scale Can Manufacture an Effect: Evidence from a Pre-Registered LLM-Judge Audit
Detection of Christmas tree plantations from high-resolution aerial imagery. A case study in the French Morvan
本文提出 D2C-Routing，将混合来源 AI 生成文本检测从二元文档级判断重构为“内容来源 + 表达来源”的维度到组合溯源，在 MixD2C 基准上达到 0.8603 的四类平均 TPR@1%FPR，比同设置下的 RACE-local 重跑高 6.5 个百分点。
值得关注：挑战了“非人即机”的二元检测范式，提出更贴近真实人机协同写作的混合来源检测视角。 与已有 AI 生成图像检测、长文档 VQA、视频取证中的证据路由/元检测思路相比，本文将“路由”思想引入文本来源归因，并显式区分内容来源…
CritICL 将弱模型产生的失败模式转化为批评式上下文示例，让强模型在推理时借鉴这些失败经验，从而以较低生成成本和较少采样次数获得与测试时扩展方法相当或更优的推理性能。
值得关注：将“失败”重新定义为可利用的指导信号，而非仅仅需要避免的负面输出，为弱到强泛化提供了新的推理时实现路径。 与已有的 Direct-OPD（通过策略蒸馏实现弱到强泛化）不同，CritICL 不需要在弱模型上运行强化学习并…
CorporateBench 是一个人工验证的大规模多任务问答基准，用超过 23 万份文档模拟企业通信网络，评测大语言模型在信息抽取与知识库查询上的能力；实验显示，当输入规模接近真实企业场景时，五个被测模型的表现明显下降。
值得关注：以往的企业场景评测要么缺乏真实数据，要么使用过于简单的合成数据集，难以反映实际部署条件。CorporateBench 提供了一个可扩展、逻辑一致、且规模接近真实企业文档量的评测基准，能更可靠地衡量大模型在企业文档检索与…
用“可验证奖励的强化学习”（RLVR）训练出多个领域专家模型后，合并任务向量（Merge）、混合数据训练（Mix RL）、多教师同策略蒸馏（MOPD）三种整合范式的平均表现差距很小（≤1.4个百分点），但在单一基准上最大差距可达8.6个百分点。选型时应考虑：是否已有专家模型、端到端成本是否重要、以及是否需要尽可能保留领域特异增益。
值得关注：这项工作把三种原本分散研究的 RLVR 融合范式放到同一套实验条件下比较，给出了可操作的选型依据。它提醒我们：只看平均分可能掩盖单领域风险，需要结合任务向量几何、训练约束、端到端成本和保留能力来综合判断。