本文提出一种手术场景下的初步世界-动作模型，用分块自回归方式同时预测未来视频视觉状态和器械轨迹，结果显示联合预测初步可行，但长时预测仍存在视觉退化与轨迹误差累积。
值得关注：手术规划需要同时理解“动作”和“场景变化”的耦合关系。本文尝试将世界模型思路引入手术场景，是“手术世界-动作建模”的早期探索。与已有的通用世界模型相关卡片相比，本条增量在于：面向手术场景，将未来视觉状态生成与器械轨迹预…
论文提出，软件形态正在进入由“上下文与推理决定行为”的 Software 3.0 阶段，其终态收敛为三个要素：广义数据库（所有持久状态与记忆的统一抽象）、大模型（推理与生成核心）、智能体（连接前两者的执行循环）；传统三层架构中 UI 层被大模型按需生成界面的能力吸收，业务逻辑层按“可表达性×关键性”重新切分为模型推理与存储约束，只有数据层被提升为唯一持久基…
值得关注：这是对软件形态演变的一种宏观架构判断，而不是具体算法或模型层面的改进。它与已有相关卡片（多轮长程规划、ColBERT 正则化、冻结小模型自修复）不重复；本条提供的是更上层的“软件形态”叙事，可用于把模型训练、检索增强、…
TCPα 通过给误分类样本施加边际控制惩罚，构造了正确与错误预测在置信度目标值上完全分离的新目标，从而显著提升音乐信息检索中的失败预测能力；仅拒绝最不自信的 8% 预测，即可将基础模型的 macro-F1 从 0.89 提升至 0.98。
值得关注：现有置信度估计常难以区分“模型不知道”与“模型知道但不确定”。TCPα 从目标构造角度提供了可证明的分离保证，并展示了在少量标注下适应新数据域的能力，是“让模型知道自己不知道”这一可靠性方向的增量贡献。
Task-CoEvolve 提出在 LLM agent 的 harness 优化中动态选择有区分度的验证任务，并通过采样概率校正部分评估结果；在匹配全量验证集搜索最终性能的同时，可将优化过程中的评估数量减少约 80%。
值得关注：与已有相关卡片分别关注电路优化、运筹建模和物理推理不同，本条聚焦 LLM agent 的 harness 优化评估策略。它在“不更新模型权重”的基础上进一步压缩验证成本，属于基础模型/智能体开发效率的增量进展。
根据2026年8月发布的一项预印本研究，2025年12月发表且被PubMed Central收录的英文生物医学论文中，近九成（约90%）带有AI辅助写作的痕迹；该比例远高于此前基于摘要的估计。
值得关注：该数字远超此前估计（如2024年摘要至少13.5%、跨学科2025年论文57%），表明AI辅助写作已在生物医学写作中成为常态。 结果部分出现AI痕迹尤其令人担忧，因为LLM可能“幻觉”编造数据。 若LLM被用于撰写引言…
RoMAN-Flow 提出一种离线强化学习框架，通过“免采样的优势加权似然目标”和“一步式动作生成器蒸馏”，解决了自回归归一化流（AR-NF）策略在机器人操作中训练与部署阶段的采样瓶颈，在多个仿真基准和真实机器人平台上取得有竞争力的策略性能，同时大幅降低推理延迟。
值得关注：现有扩散/流匹配策略虽然采样质量高，但缺乏精确似然，难以直接用于基于似然的离线 RL 后训练；AR-NF 虽有似然优势却受采样开销限制。RoMAN-Flow 同时解决两阶段瓶颈，使 AR-NF 在机器人操作中既能参与似…
PCCA（Prompt-Conditioned Channel Attention）通过在编码器-解码器网络的多个阶段引入提示条件通道注意力，实现了提示驱动的层级特征调制，在不依赖特定解剖结构的情况下，稳定提升医学图像分割性能。
值得关注：PCCA 提供了一种不依赖特定解剖结构的、可扩展的提示感知层级特征调制框架，可直接嵌入主流编码器-解码器网络。与已有相关卡片中的 GUIDED（网络无关初始化）和 AuricularWorld（世界模型驱动分割）不同，…
在高相干字典学习中，稀疏追踪得到的原子支撑即使看起来精确，也可能在物理意义上缺乏校准数据支撑；本文提出“分辨率感知的物理支撑置信推断”，将字典学习和部署表示的不确定性共同纳入度量，并给出物理分辨率的最优理论尺度与一种避免过度精确的高效计算方法 AEB。
值得关注：这项工作把“字典学习 + 稀疏编码”从点估计式的物理解释推进到“不确定性感知的物理置信推断”。它提醒研究者：一个与校准数据兼容的字典和一套稀疏表示，可能并不唯一；在高相干字典下，物理含义的分歧不能被忽略。对基础模型和表…
语言模型“自我改进”的判断若只看平均准确率或单次解码的题目级变化，极易被测量伪影误导；本文用冻结控制组贯穿同一训练流程，识别出七类测量失败，并提出一种无需新增实验的逐问题精确检验作为替代 null。
值得关注：这项工作把“自我改进”的论证从效果展示转向计量审计。它提示：没有独立测量的 null，任何题目级收益或损失都可能只是噪声；而 null 不必额外花钱做实验，可以从多臂研究已有的基线重复中构建。与既有“递归自我改进”讨论…
Pandora's Router 将“是否值得为某个专家模型进一步细化价值估计”的权衡形式化为经典的 Pandora's Box 问题，在保持路由质量不降的同时大幅减少对昂贵估计器的调用；去中心化版本 Pandora's Bidder 则让专家自主决定是否做自我评估，但噪声环境下可能被策略性专家利用。
值得关注：现有路由研究往往默认“专家价值估计”是无成本或固定的，而本文明确把评估成本当作路由决策的内生变量，将经典搜索理论引入模型路由，给出可解析的检查/停止规则。这为构建更节约算力的异构 AI 系统提供了理论框架。
MCES 是一个不依赖单一因果推断方法的证据排序框架：它在观测面板数据上运行 11 种来自 8 个数学传统的方法，把结果汇成“趋同证据分数”（CES），用于对候选驱动因素与结果之间的关系强度排序；在基准测试中能将真实边排到前列，但作者明确表示它不提供干预意义上的因果识别，而是用于假设优先级排序。
值得关注：MCES 针对“单一方法过信”和“方法选择任意性”问题，提供了一种跨方法共识的排序方式。 与只聚合因果发现算法的结构集成不同，MCES 明确纳入多种数学传统，包括非因果方法，因此更适合作为稳健性检查工具。 它划定了一个…
MidTool 提出了一套面向通用工具使用能力的中间训练（mid-training）语料构建流程，并通过在 Qwen3-4B/8B-Base 上进行中间训练、再叠加 SFT 与 RL 后训练，在 BFCL、tau2-Bench 和 MCP Universe 上稳定提升了工具使用表现，表明通用工具使用也应获得专门的中间训练阶段，而非完全交给后训练。
值得关注：已有工作更多关注中间训练对数学、科学推理或软件工程场景的增强，而 MidTool 将这一思路拓展到“通用工具使用”这一更广泛但研究较少的智能体能力。它提供了可复现的语料构建思路，并给出在多种工具调用基准上的正向证据，为…
MemTrapBench 提示：大型语言模型的记忆即使被忠实记录且语义相关，也可能扭曲模型推理或信念、降低当前任务表现；在该基准上，所有被测记忆策略都弱于“无记忆”设置，而作者提出的推理期方法 AdaptiveMem 可以缓解这种“记忆认知陷阱”。
值得关注：它把记忆评测从“是否记住、是否检索到”扩展到“检索后的记忆如何影响推理与决策”。 它揭示了一种容易被忽视的失败模式：记忆记录没问题、语义也相关，却会诱发认知偏差并拖累当前任务。 它给出了一个轻量缓解方向：Adaptiv…
本论文让强化学习训练出的推理模型在回答的第一个 token 选择 NoThink、Short 或 Long 三种模式，从而自主决定推理长度；在 MATH 上训练的 1.5B 蒸馏模型上，平均响应长度从 4,796 个 token 降到 2,811 个 token（约 41% 减少），MATH500 准确率仍接近基线（0.782 vs. 0.796），并可以…
值得关注：它将“何时思考、思考多久”从固定预算或外部启发式问题，变成模型自身的可学习决策。 模式选择通过 RL 在模型内部学习，不需要额外的路由模块。 与已有相关卡片相比，本条不是基于模糊控制器的外部自适应采样，也不是长视频理解…
Inter-X++ 是一个包含 11,388 条高保真交互序列、超过 810 万帧的大规模多模态人-人交互基准，并配套提出 OpenHHI 统一表示与建模框架，在生成和感知任务上均达到当前最优性能。
值得关注：现有资源往往局限于低保真动作或忽略手部精细运动，Inter-X++ 以大规模、高保真、手指级细节和多模态标注回应了这些短板。 该工作同时覆盖感知和生成，并通过 OpenHHI 尝试解决以往表示碎片化和评测不一致的问题，…
InsufficiencyBench 是首个面向“查询侧信息不足”的法律 AI 基准，测试大模型能否识别用户法律问题中缺失的关键事实、指出缺了什么，并避免基于臆测过早下结论；评测发现当前前沿模型表现显著不足，没有模型能同时做到“识别缺失信息”“对不完整查询作答时加以限定”且“直接回答完整查询”。
值得关注：法律场景中，用户往往不知道自己遗漏了关键事实；如果 AI 只会在“完整问题”上表现良好，真实部署风险很高。 该基准把注意力从“答案质量”转向“查询充分性”，为法律 AI 的安全性和可靠性评测提供了新维度。 与已有相关卡…
本文提出 IAR（Inject, Align, Recover）三阶段后训练框架，将固定文档语料转化为大语言模型的参数化知识，在不依赖推理时检索的情况下提升领域问答能力，同时尽量保持通用能力。
值得关注：该工作为“让模型记住固定文档、回答问题时无需检索”提供了一条清晰的后训练路线，并显式处理了领域知识注入与通用能力退化之间的平衡。与单纯依赖 RAG 或普通 SFT 相比，IAR 展示了在固定语料问答场景中同时兼顾领域准…
在非负鞅的路径空间上核算信息流，可得到任意随机时刻也成立的精确变分恒等式；从 Ville 到 PAC-Bayes 的经典集中不等式都可看作它的特例，且每条不等式“丢弃”的松弛量被显式刻画。
值得关注：经典集中不等式常被看作不同技术；本摘要提示它们可能是同一个信息流恒等式在不同几何下的特例。 把尾部概率、相对熵、随机时间、e-process 和可选停止统一起来，为 anytime-valid 推断和自适应/在线检验提供新的语言。
TMI 可以在不预先指定任务、不要求单一工作流的条件下，从被动录制的屏幕截图和鼠标/键盘操作轨迹中分离交错任务，并归纳出符号化、可审计、可复用的结构化任务模型，在受控评测中优于既有工作流归纳基线。
值得关注：既有相关卡片分别关注计算机使用智能体的步骤级 GUI 状态理解（Desktop-Delta Bench）和轨迹奖励模型评估（OSReward）。TMI 的增量价值在于：它不是评测基准或奖励模型，而是面向“任务知识获取”…
这篇论文于2026年8月20日发布在arXiv（论文ID: 2608.20231v1），作者为Sahil Sharma，分类为physics.soc-ph、cs.AI、cs.CY。文章针对“全自动化之后如果人类没有收入，谁来购买产出”这一常见反对意见展开，认为这种反对混淆了“购买力”的会计职能与人类这一生物物种。论文建立一个后AGI经济的理论模型：企业拥有…
值得关注：这篇文章不是讨论某个机器学习模型的训练或系统结构性极限，而是把AGI之后的整个经济当作研究对象。它用增长模型反驳“自动化导致需求消失”的直觉：机器本身可以成为消费者，经济可以在人类零消费下闭环运行。更重要的是，它将“G…