大型语言模型在孤立编程问题上能写出正确代码，但在需要数小时反馈循环的机器学习开发上仍弱于强人类；TraceML 用版本级开发轨迹把这一差距定位为智能体动作范围狭窄、不常切换、不重新打开已放弃方案，并显示从人类实践中提炼的短规划提示只能部分弥合差距。
值得关注：该工作把“AI 智能体与人类在机器学习开发上的差距”从结果层面推进到过程层面。它不再只说“智能体分数更低”，而是展示“智能体在开发过程中如何不同地分配精力、如何不进行多样化探索、如何不重拾被放弃的方案”。这种过程数据可…
对LLM数据智能体而言，答案正确不足以证明可靠：必须进一步检查答案背后的“计算轨迹”是否完整、可执行、符合模式、忠实于算子、可重放、与答案一致且可审计；仅凭答案准确率会高估真实系统的可靠性。
值得关注：已有相关卡片分别关注LLM在真实世界数据分析中的性能差距、主动智能体基准、道德推理中的结构化调整。本卡片的增量信息在于：它不直接衡量任务表现，而是提出了一个更严格的“可靠性”维度——即使答案正确，过程也可能无效。对于金…
在一次决策优化问题中，如果决策者凭借人类经验判断“名义问题最优值不太大”，那么这种主观信念所能带来的最坏情况性能保证的最大改进，恰好等于某个 max-min 问题的 minimax gap（前提是策略的最坏情况性能计算可写成凸规划）。
值得关注：既有相关卡片多关注“人类参与是否持久”或“具身智能中的人机协作”，本卡片则从优化理论角度量化“人类专业知识”的增量价值。它不把人类经验看作不可解释的外生因素，而是将其转化为一个可计算的性能保证改进量，为“人在回路”的决…
在SwarmWorld中，最初同质的语言模型（LLM）智能体无需预设角色或配方，仅通过共享环境中的持久化痕迹（stigmergy）即可自组织出技术社会；共享社会能产生更广泛、更有韧性的技术组合，但在最强单个工件上，隔离搜索仍具竞争力。
值得关注：已有相关卡片聚焦于模型内部表征、视觉语言模型准确率、冻结模型弃权等层面，而本条关注的是基础模型智能体在多智能体社会层面的自组织行为，属于“基础模型社会行为”方向的新增信息。 SwarmWorld提供了一个从“直接对话/…
StreamPI 是一个不引入额外参数的流式多模态时间建模框架，可以让单帧 VLA 模型（如 pi0.5）获得时间推理能力，并在真实机器人任务和 LIBERO 模拟基准上的多样化任务中表现优于 pi0.5（具体性能数值待核实）。
值得关注：单帧 VLA 模型缺乏跨时间信息整合，StreamPI 给出了无需新增参数的解决方案。 将语言指令作为语义锚，既保持多模态融合，又不破坏流式自回归推理，设计上具有实用价值。 与已有相关卡片中的 UniTexture（针…
Robust CurveMoE 提出一种将模式连通性（Mode Connectivity）与混合专家（MoE）结合的防御框架，通过低损耗路径连接针对不同扰动范数特化的模型，在 CIFAR-100 和 ImageNet-100 上相比最强基线将 Union 准确率分别提升 2.37 和 2.13 个百分点。
值得关注：与已有混合专家相关卡片（如面向视频预训练、低秩适配、分布式微调）不同，本条信息的增量贡献在于：首次将“模式连通性”与“混合专家”结合，用于解决多范数对抗防御中的多目标冲突问题，避免在单一参数配置中强行走钢丝式的鲁棒性权…
RefVideo-6M 是一个包含 500 万视频编辑样本和 100 万图像编辑样本的大型参考引导数据集，它把无伪影的真实视频作为编辑目标，并提供约 600 万视觉参考，以缓解现有数据集目标视频伪影多、视觉参考缺乏的问题。
值得关注：RefVideo-6M 把“视觉参考”从辅助信息提升为大规模数据集的核心组成部分。相比纯文本指令，视觉参考能更直接地保留身份、细节和编辑意图。它为视频编辑模型提供了一条“真实目标视频 + 多专家生成条件 + 视觉参考”…
本文提出名为 **R³** 的后训练方法，将现成的视觉语言模型（VLM）训练成“机器人推理器”，使其生成自由形式的自然语言推理，作为测试时计算（test-time compute）信号来引导底层操作策略，并在两个长时程操作基准上显著优于仅使用指令的模仿学习基线。
值得关注：现有大语言模型的推理能力通常用于文本或代码任务，本文将其扩展到**机器人操作**这一高维、连续决策场景。 与已有相关卡片中的方法相比，R³ 的增量在于：它不把推理痕迹当作辅助监督，而是让自由形式语言推理成为**行动前的…
Prefix Sliding 通过只保留“前缀 + 最近窗口”中的 token，并丢弃中间推理 token，把长推理的内存需求变为有上限，让测试时缩放能够更高效地扩展到超长推理轨迹；无需训练即可让现有模型提速约 3 倍并保持性能。
值得关注：测试时缩放常通过更长的推理换取更强性能，但推理轨迹越长，全注意力带来的内存成本越高。Prefix Sliding 不依赖额外训练即可压缩内存占用，并把“内存随推理长度增长”变成“内存有上限”；结合 RL 训练，还能进一…
PlanSightRAG 是一个直接对图纸图像建立索引并进行推理的视觉优先多模态 RAG 框架；在五个州交通部标准图纸的零样本检索上达到 91.47% Recall@5，在合成合规图纸上，只有在提供预解析规则阈值时才达到 100% 判定准确率。
值得关注：现有 OCR 方案丢失几何与布局信息，PlanSightRAG 将“视觉优先”引入土木标准图纸的 RAG 流程，并给出可解释的热图证据。相比已有相关卡片（如 HierDoc 的页到区域证据路由），本条的核心增量在于：它…
PPE 是一个由自然语言查询直接驱动的自主 AI 系统，能够自动完成多模态地理空间数据的检索、融合与模型选择；在摘要报告的多项任务中，它超过了人工调参的专家基线和公开最优模型，例如将美国 CDC 21 项健康指标的平均 R² 从 60.0% 提升到 76.8%。
值得关注：PPE 把“数据选择”从离线训练集选择扩展到在线地理空间协变量选择，并结合基础模型嵌入处理多源、多模态数据。 它展示了一条从自然语言直接到专家级地理空间预测的路径，有望显著减少领域专家在数据工程和模型调参上的负担。 对…
标准OCR技术在处理真实身份证件时存在结构性缺陷，字段级错误率难以达到KYC/AML合规所需的99.9%准确率门槛；以LlamaParse为代表的agentic document extraction（智能体式文档提取）通过布局感知与模型路由，将OCR从“逐字符识别”升级为“先理解、后提取”的合规管道。
值得关注：**与既有脉络的关系（增量信息）：** 已有卡片覆盖了LLM评测、优化器和数据投毒防御。本条增加了“基础模型在文档智能/合规场景中的应用”视角：标准OCR的局限不在于单个模型精度，而在于缺少对文档结构的理解与推理能力。…
MyoMechanix 是一个面向负重动作的多模态数据集/基准与推理系统：它将多视角RGB、3D姿态、表面肌电（sEMG）等生理信号与专家标注的健身知识图谱（FKG）结合，并通过组合式推理引擎 CUBIST 做“分解—分析—重组”，从而把动作质量评估从“看视频/姿态的整体打分”推进到可解释、可归因、可生成纠正反馈的教练式理解。
值得关注：它把 AQA 从“视觉中心、整体打分”扩展为“视觉+生理信号+结构化知识”的组合式推理，补上了肌肉力学这一被长期忽视的维度。 对应用端而言，可解释的错误归因和纠正反馈是健身/康复教练场景的关键需求，而不仅是给一个动作质…
Imitation Learning for Connection-Tableau Construction
ICON分解通过在多变量框架中同时考虑所有概念和结果，量化每个概念在控制其他概念后所解释的层方差比例，以避免单概念审计将概念间相关性误认为模型真正使用它们的证据。
值得关注：既有工作如ConceptSMILE侧重于审计“基于概念的可解释AI”输出本身的可信度；ICON分解则在概念重要性估计的方法层面直接回应“相关性不等于因果使用”的统计陷阱。它提供了一种更稳健的多变量审计方式，可作为已有概…
论文为Transformer注意力中的LoRA更新建立了任务相关的秩-误差理论界，说明LoRA秩的选择可由目标更新的谱尾部能量等因素指导，而非仅凭经验。
值得关注：目前LoRA秩的选取大多是经验调参，本文在Transformer注意力上给出了可证明的秩-误差界，是LoRA理论化的重要补充。 与已有相关卡片相比，本卡片并不描述某个具体应用方法，而是提供分析LoRA变体容量需求的理论…
Group-Shared Low-Rank Approximation for Mobile-Efficient Pointwise Convolutions in Large-Kernel CNNs
该论文提出在自动驾驶规划“承诺前”加入一个由语言引导意图模块驱动的门控层，基于平滑的“意图-几何发散度”评分拦截计划机动；在重放的驶离道路事件和四段碰撞片段中，门控是唯一能修复计划的层，且将评分不确定性视为“弃权”而非“半个冲突”后，误触发率从 9 次/5.9 分钟降至 0.341 次/分钟。
值得关注：这项工作将意图误解与“承诺后失败”联系起来，提出一个位于规划执行之前的轻量级门控层，而不是事后修正。其“不确定性作为弃权”的设计原则对自动驾驶交互安全具有直接参考价值，也为语言模型在规划中如何与几何约束结合提供了一个可验证的案例。
通过微调多语言基础模型 Whisper Small，可以在仅约0.54小时人工转写语音的极低资源条件下，为巴尼瓦语（Baniwa）建立自动语音识别（ASR）初步基线，最佳词错误率（WER）为37.5%，字符错误率（CER）为7.45%。
值得关注：本研究的增量在于：它展示了通用多语言语音基础模型（Whisper）在数据量极少的原住民语言上仍可获得可行的初步识别效果，为低资源语言语音技术提供了实证案例。与已有相关卡片关注的通用ASR评估、多模态动作识别或市场模拟不…