思考模式融合（Thinking Mode Fusion, TMF）中，非思考监督比例增大会降低思考模式的准确率；训练调度可以调节这一权衡，且最优调度取决于数据比例。
值得关注：现有研究较少关注 TMF 的训练动态，本文提供了系统分析与可操作的训练建议。 对需要同时支持快速应答和深度推理的应用（如智能助手、数学解题等）具有参考价值。 发布基准与代码，有助于推动该方向的后续研究。
面向荷兰政府场景的大语言模型评估框架“Grip on LLMs”提出六个评估维度，发现没有任何单一模型在所有维度上表现最优；模型质量越高通常伴随更大的环境与财务成本，而社会偏见与二者基本无关；事实性高并不等于诚实性高。
值得关注：该研究为政府机构选择大语言模型提供了基于公共行政价值的多维评估方式，弥补了非英语语境下政府用AI评估框架的空白。与已有相关卡片（如SPEARBench等侧重技术性能或自然度的基准）相比，本卡片强调从价值观出发、面向非技…
当前文档解析器在通用表格基准上得分很高，但在复杂真实世界表格上明显失效。本文提出诊断基准 TableParseMap 和无需重训练的修正框架 DEC，将冻结解析器的表格 TEDS 平均提升 1.57 点，在大型表格上提升达 5.66 点。
值得关注：已有相关卡片更多关注基准评测暴露的差距，例如 WorldExam 指出高视觉质量不保证世界模型具备内在反应性，DataGovBench 揭示真实世界数据分析的显著性能差距。本文的增量信息在于：它不仅用 TablePar…
FinATOM 提出让因果语言模型通过受限 token 生成直接表达股票收益预测与 ETF 配置决策，而不是为不同任务外接回归、排序或策略头；候选摘要报告该方式在 2023–2025 年 ETF 测试和 FinTexTS 上带来夏普比率改善（完整方法与数字待核实）。
值得关注：它将金融数值对象从“任务头输出”转为“token 生成”，让语言模型直接接触最终被评估的数值结果。 策略阶段直接以 21 日已实现 Sharpe 为优化目标，而不是只做有监督模仿，这使生成模型可以针对投资目标调整。 与…
在排序型链接预测公平性评估中，人口统计均等（Δ_DP）可能因为没有考虑链接在排序中的位置而掩盖暴露偏差；排名感知的 NDKL 能发现这类偏差，后处理方法 MORAL 能在效用损失较小的情况下降低这些偏差。
值得关注：挑战了常用公平性指标的充分性：Δ_DP 可能给出“公平”的误导信号。 排序位置本身是一种资源分配方式；在 Top-K 推荐、求职推荐等场景中，排名靠前才意味着真正的可见性。 本研究不是简单复现，还扩展了原有测试范围，并…
本文提出一种将能量与动量显式编码进潜状态的能量结构化潜世界模型（ELWM），并借助物理条件神经时间场（PC-NTF）与 Eikonal 方程生成物理一致的导航策略，在运动预测、导航成功率和碰撞率等指标上优于通用潜模型与 Active Neural Time Fields 基线。
值得关注：该工作的增量价值在于：不把物理规律当作隐式副产品，而是将其作为潜状态中可计算的显式量（能量、动量）加以约束。这为具身智能中的“可迁移物理知识”提供了一条新路径，可能推动开放世界导航、机器人运动规划与基础模型结合的研究方向。
DSLE 是一个将《黑暗之魂：重制版》全部 22 场 Boss 战封装为 Gymnasium 风格接口的容器化学习环境；当前评测中，专家系统和进化基线仅能稳定击败教程 Boss（峰值胜率 63% 与 43%），PPO/DQN 几乎无学习迹象，其余 Boss 均未被任何方法击败。
值得关注：DSLE 提供了一个高难度、高保真的游戏智能体基准，能反映当前强化学习算法在完整商业游戏中的显著局限。与已有相关卡片中的奖励学习、优化器等算法方法论研究不同，本条属于“游戏环境基准”方向的增量信息：它强调真实环境中的实…
DistMoE: Private-data Rehearsal-free Routing in Mixture-of-Experts for Distributed Instruction Tuning
本研究提出一种基于腕戴式多模态传感器数据的深度学习融合框架，用于检测和分类身体聚焦重复行为（BFRB），在二分类检测中达到F1分数0.985、AUC 0.997，在九分类方案中宏平均F1为0.700、AUC为0.963，优于单模态基线。
值得关注：这项工作将多模态可穿戴传感与深度学习结合，针对精神障碍相关的细微动作进行客观检测，弥补了传统主观评估和早期识别困难的不足。与已有“基于LoRA的级联多模态融合用于医疗培训动作识别”卡片相比，本条不是在培训环境下的通用动…
Taboo 是一种零提示（zero-prompt）的运行时诊断压力测试，通过动态屏蔽 logit 空间中的高概率候选 token，强制大语言模型偏离其“标准生成路径”，从而评估模型在真实部署约束下的鲁棒性。本结论基于论文摘要元数据，具体机制与数据待核实。
值得关注：现有评估多聚焦于“名义路径”性能，而 Taboo 直接在解码层制造扰动，更贴近真实部署中的约束场景。 与已有“LLM 测试生成”“测试时缩放”等卡片相比，本条增量信息在于“解码层干预”这一原语：不改变输入提示，而是从输…
现有基于置信度的无验证器测试时缩放（VF-TTS）方法在复杂任务上会灾难性失效，因为“全程高置信度”往往对应探索不足和自信的错误；本文提出 Consilience 框架，通过显式建模置信度的时间不对称性——惩罚初始高置信、要求最终高确定性——来挑选更稳健的推理轨迹，并在研究生级数学和自由形式代码生成上超过基线。
值得关注：本文是对“无验证器测试时缩放”中置信度利用方式的重要更新。已有卡片讨论了自适应采样、迭代优化和重采样/重路由，本条增量信息在于：揭示了置信度基 VF-TTS 在复杂任务上的失效模式，并给出了可操作的轨迹级选择标准。 为…
CEAA 提出一种模块化、面向实现的认知架构，用于在实时交互式 3D 计算系统中部署具备认知能力的具身智能虚拟代理（IVA），旨在弥合高层智能体推理模型与实时具身执行之间的鸿沟。
值得关注：CEAA 与已有相关卡片中的智能体架构不同，其增量信息在于：它明确面向“具身”智能虚拟代理，并以工程可实现性为核心，将 Sense-Think-Act 与 BDI 等成熟认知模型组合为可供复用的模板，而非聚焦于情感记忆…
目前的自动化 TTS 评估方法（MOS 预测器与音频大模型裁判）并不能可靠覆盖听者实际感知的多样语言维度：MOS 预测器主要塌缩到声学信号质量，音频大模型裁判则是选择性且依赖提示词的检测，两类方法都难以全面捕捉语言结构性的语音错误。
值得关注：现有自动评估指标常被当作人类听感的代理，但本文首次在维度层面对两类主流的自动化评估器进行系统性检验，揭示其盲区。 与已有相关卡片中的 SPEARBench 相比：SPEARBench 关注流式语音到语音对话模型的自然度…
CEAVAD 将视频异常检测的判断单位从“孤立异常概念”改为“可证伪的事件假设”，通过让“危险解释”与“良性解释”在视频证据面前相互竞争，无需目标域训练即可建立推理时的异常决策边界；在三个广泛使用的 VAD 基准上，该方法达到免训练范式下的最优性能。
值得关注：指出现有免训练方法的盲点：更强的异常描述不必然解决“异常性判定”问题。 提出一种概念上的新策略：不直接定义什么是异常，而是让“危险解释”和“良性解释”在具体视频证据前竞争、被裁定。 与既有相关卡片的关系：已有卡片中没有…
BDH-CQ 是一种将上下文学习与循环潜在推理结合的新推理模型：推理时输入不断更新模型的循环记忆，模型在高维潜在空间中迭代计算求解，而不把中间推理过程写成文字。论文报告，150M 参数配置在公开 ARC-AGI-1 评测集上达到 29.5% pass@2，每个任务计算成本约 \$0.0007，突破了此前报告的 ARC-AGI-1 成本-准确率帕累托前沿。
值得关注：BDH-CQ 说明“隐性/潜在推理 + 循环记忆”可以在不输出 Chain-of-Thought 的情况下获得较强的推理性能和极低计算成本。 这为“测试时计算”提供了一条不同于显式推理文本的路径：模型可以在潜在空间中反…
ArchAgent v2 将智能体自动化设计扩展到了多级数据预取：据候选摘要，它在第4届数据预取锦标赛（DPC4）规则下自动设计出一个三级预取器，IPC性能优于手工设计的冠军方案。因原始正文未抓取，具体数字与实验细节待核实。
值得关注：与已有相关卡片不重复：本条不是 LLM 压缩、数据分析基准或医学文本挖掘，而是智能体自动化设计在“计算机体系结构”领域的前沿应用。 增量信息在于：原 ArchAgent 只做到单级缓存替换策略；ArchAgent v2…
本文提出在机器人规划与执行之间加入一个由大语言模型（LLM）驱动的“验证层”（verification layer），用LLM-as-a-Judge集成对规划动作进行“允许性”审查，将计划分为批准、拒绝/重写或升级人工审查，从而提升机器人自主系统的安全性与对抗鲁棒性。
值得关注：填补了机器人自主性研究中“规划验证”环节的空白：以往系统大多优化规划能力，而缺少对动作伦理、安全、对抗风险的显式检查。 提出了一种可组合的LLM评判集成机制，不依赖单一模型的判断，提高了验证可靠性。 与既有卡片的关系：…
作者提出，当前“生成-排序”（generate-and-rank）的自动化研究范式忽视了**稀疏反馈**问题；自动化研究应该像灰盒模糊测试一样，用廉价、密集的认知进展信号来引导下一步实验，并由不受自适应复用污染的最终验证来判定真正发现。
值得关注：增量信息：已有卡片讨论过形式化验证、循环不等于可靠性、多智能体社会结构等；本条直接把自动化研究类比为灰盒模糊测试，提出“反馈架构”而非“生成能力”是主要瓶颈。 重要含义：没有密集反馈信号时，研究者只能事后筛选海量候选；…
据新智元2026年8月9日报道，OpenAI内部评估认为，新模型Astra在智能体编码和网络安全上取得重大突破，可能已达到其《备战框架》中定义的“关键”级网络能力（可自主开发零日漏洞、发动端到端网络攻击），因此OpenAI紧急叫停相关内部工作并施加多重安全限制；但该模型尚未正式发布，相关细节待官方进一步披露。
值得关注：据材料，Astra可能是首个被OpenAI官方评估为达到“关键”级网络安全能力的模型；此前最强前代模型“GPT-5.6-Sol”仅被评为“高”风险。 它展示了AI能力安全评估框架（如OpenAI《备战框架》）从“高”到…
据Pathfounders援引行业消息人士爆料，Demis Hassabis原本计划和Jeff Dean等人同期离开谷歌；谷歌管理层担心股价大跌而极力挽留，最终他以“DeepMind董事长兼Alphabet首席科学家”的新头衔留下，但这很可能只是缓兵之计，Pathfounders预测他一年内可能彻底离开谷歌。
值得关注：本条补充了Jeff Dean离职背景下的增量信息：哈萨比斯没有同期离开，不是“不想走”，而是被谷歌用过渡性安排劝住。 它揭示Google DeepMind的一次关键组织变化：CEO换人并非简单“高升”，而是实权交接和中…