该研究用“打乱选项顺序、保持题目与候选内容不变”的测试发现：Jev 风格 System One 模型虽然在重复呈现下准确率稳定（波动小于 2 个百分点），但其累计失败集合相对原始顺序扩大 27–29%，且并不比生成式 LLM 基线更能保持正确选择，说明“可重复的准确率”不等于“对选择偏差的鲁棒性”。
值得关注：揭示了“可重复决策”与“跨等价呈现仍正确决策”之间的差距。 对依赖选项顺序稳定的评测与部署提出警示：准确率稳定可能掩盖选择偏差导致的失败扩散。 为 Jev 风格模型及更广泛 LLM 的选择偏差评估提供了可复用的打乱呈现…
论文提出“选择性平局学习”：在偏好优化数据中，并非所有平局样本（被同等偏好的回答）都能同等程度地纠正虚假相关；通过对数线性策略推导每个平局对虚假依赖的影响，并按预测降幅从大到小选取平局，可在使用更少平局的情况下达到与均匀选取相当的纠正效果（据摘要；正文未抓取，细节待核实）。
值得关注：偏好优化（如 RLHF/DPO 类方法）的数据质量与构成直接影响模型是否学到捷径特征；平局是一种低成本的数据侧干预手段。 该工作把“要不要加平局”推进到“加哪些平局”，提供了可操作的选择准则与理论依据（一阶最优性）。 …
论文提出“上下文干扰项”（contextual distractors）概念，指出在计算机视觉中，某些特征加入完整真实图像后反而降低目标类得分（即使预测标签不变），并研究半值与最小核心（least core）下这类特征的归因差异，给出量化差距界与充分条件，实验支持了理论发现。
值得关注：Shapley 类归因在视觉解释中被广泛使用，但若特征贡献随上下文变化而符号翻转，解释的稳定性就成问题。本文把这一现象理论化，并给出半值与最小核心差异的可量化边界，为设计上下文稳定的归因方法提供了理论依据；同时提示“权…
REVA 通过将安全上下文与代码理解信息压缩进大语言模型（LLM）的单次前向传播，并利用训练好的探针读取模型内部表示，在 PrimeVul 测试集上以约 1 秒/函数的速度达到与顶尖智能体检测器 VulTriage 相当的准确率（60.0% vs 59.2%），速度提升超过 250 倍、成本降至不到十分之一。
值得关注：面向 AI 生成代码的高速产出场景，提供了一种可实时部署的漏洞筛查第一道防线，弥补“智能体检测准确但太慢、快速检测器快但不准”的空白。 证明了“探针读取内部表示”可作为替代多步智能体推理的高效路径，对 LLM 在安全领…
DecisionRAG 提出一种“无检索器”的检索范式：利用预训练语言模型的决策能力，在单次前向传播中联合评估候选分支、不生成任何 token，像人逛图书馆一样从宽泛主题逐层导航到具体段落，在无需任务特定训练和一阶段检索器的情况下超过带 8B 重排器的稠密检索。
值得关注：直指 RAG 流水线中的“检索瓶颈”：把检索从固定嵌入空间的相似度匹配，转向由语言模型决策驱动的结构化导航。 无需一阶段检索器和任务特定训练，简化了传统“召回+重排”的多阶段架构。 在百万级段落语料上仍保持亚秒到秒级延…
该论文提出“重新认证”（recertification）范式：在已有统计程序的风险证书中挖掘可计算的“松弛”（slack），在保持有效性保证的前提下扩大认证用 e-值，从而得到更少保守性的决策；论文将其应用于一致性风险控制（CRC）与随机化 e-BH 两个场景。以上基于标题与摘要元数据，正文细节待核实。
值得关注：常见做法是把风险水平当作硬上限一次性使用，而该工作指出“证书中的松弛”本身是可优化的资源，把“有效性”和“保守性”解耦处理。 与既有卡片无直接重复；本条属于统计方法论/基础模型可靠性方向的新增脉络，增量在于提出统一的“…
该工作提出“平滑”（smoothing）概念与 SmoothScore 评分流程，用于量化 LLM 深度研究智能体在长报告中将多源、可能冲突的证据压缩为过度自信结论的倾向；据摘要，跨 7 个系统与 4 个数据集，智能体一致地给出比证据支持的更强的论断（具体数值待核实）。
值得关注：既有相关卡片关注的是智能体“是否做完事”（过度声称完成）与“端到端研究能否跑赢基线”（Quant-Arena），本条补充的是中间环节：即便材料被读到，从材料到结论的表述强度仍可能被系统性放大。它把评测粒度从报告级/任务…
前沿多模态大模型（MLLM）在统一观测协议下可直接驱动机械臂，短程任务与泛化稳定性接近甚至优于后训练策略；通过“挂载（harness）后训练 VLA/WAM 策略”的混合配置可提升总体成功率并显著降低 token 成本，但仍受策略调用次优、缺乏子目标与接管时抓取中断等限制，未达到各组件单独使用的逐任务上界。
值得关注：明确了前沿 MLLM 作为机器人控制器的能力边界：优势在短程与泛化稳定性，短板在长程、精细与接触丰富操作。 表明混合架构（MLLM 调度 + VLA/WAM 执行）在成功率与 token 经济性上均有收益，但收益并非自…
ZAP（Zero-real Agent Policy）提出一种“工具调用式”配方：用预训练大模型提供世界理解与推理，再用简单仿真任务教小模型如何操控机器人；在不使用任何真实机器人数据训练的情况下，据称在真实任务上达到 96.7% 成功率，并能泛化到训练中未出现的物体、目标、策略与语言，甚至迁移到未见过的机器人形态——以上数据均来自摘要元数据，正文细节待核实。
值得关注：对“基础模型 + 机器人”路线的一个关键分歧点给出实证：**理解能力可以预训练获得，动作技能可以在仿真中获得**，二者组合即可产生组合泛化。 与 π0.7 一类“通用机器人基础模型涌现组合泛化”的叙事形成对照：ZAP …
在基于连接器（connector）的语音大模型中，向新语言扩展 ASR 能力时，采用 SSU-Wanda+TIES 的“源感知适配+模型合并”策略能在学习新语言与保留源语言性能之间取得最佳平衡，而仅做目标语言微调或标准 TIES 合并会导致严重的源语言遗忘。
值得关注：多语言 ASR 系统在向新语言扩张时往往缺乏源语言数据的重放条件（受数据隐私、存储或授权限制）。该研究说明“源感知的更新构造+模型合并”是一条可行的无重放扩展路径，并揭示了不同合并策略在源语言保留上的显著差异，为实际部…
研究提出 NPC-RubricBench——一个以鼻咽癌为疾病场景、覆盖六个连续照护阶段的“分期感知”基准，用患者特异性原子化评分标准评估大语言模型在多阶段临床推理中的表现；结果显示强诊断能力并不能延续到下游照护，且主导失败模式随阶段发生反转（原始摘要信息，全文待核实）。
值得关注：把评估单位从“单次问答”转向“患者-阶段”纵向单元，为医疗 AI 评测提供了可复用的分期化思路（据摘要）。 揭示“诊断强 ≠ 照护全程可靠”，对模型选型与部署监控提出不同于静态榜单的要求（据摘要）。 提示提示词粒度是可…
OSWAM 通过用“想象令牌”初始化扩散过程并结合特权信息蒸馏，将直接策略世界动作模型（Direct-policy WAM）的动作生成从数十步去噪压缩到单步，在自动驾驶与具身控制任务上达到与多步基线相当或更优的效果，并获得约 3 倍加速（摘要数据，具体实验设置待核实）。
值得关注：世界动作模型常在“动作质量”与“推理延迟”之间权衡；OSWAM 声称打破这一权衡，把去噪步数压到一步而性能不降，这对实时闭环控制场景具有直接价值。 与既有卡片中关注实时性的工作（如 TurboVLA 的 32Hz 实时…
该研究提出一个模块化框架，将多轨音频中的乐器活动、可见乐器与图像清晰度，与基于节拍的切镜时机和概率化机位选择结合，用于多机位演唱会视频编辑；但受限于未获取正文，具体数值结果与实验规模待核实。
值得关注：该工作把“音乐结构—视觉质量—切镜节奏”显式拆分为可测试组件，为自动演唱会剪辑提供了可解释的架构基础；其“混合评价”的初步结论也提示，仅靠局部视听相关性不足以决定完整剪辑质量，序列级与上下文标准可能是后续改进方向。
MedVTok 是一个通用医学视觉分词器，把 2D 图像与 3D 体数据、跨 9 种成像模态统一映射到同一 token 空间，并在 24 个基准上报告了最优性能，为多模态医学 AI 提供可复用的视觉接口。
值得关注：医学影像天然多模态、多维度（X 光/病理切片为 2D，CT/MRI 为 3D 体数据），此前系统往往按模态各自为政。MedVTok 若如其报告所言在 24 个基准上全面领先，则意味着下游任务（分割、报告生成、VQA 等…
dSpark 提出用“调度蒸馏”让扩散大语言模型学会在解码时优先揭示那些能帮助其他位置更快变得可预测的 token，从而在数学推理与代码生成任务上显著加速并行采样；具体方法细节与实验设置待核实。
值得关注：对扩散语言模型而言，解码轮数与并行采样效率是关键部署瓶颈；dSpark 把“提交顺序”本身作为可学习对象，而不是仅依赖 token 置信度，提供了加速 dLLM 的一条新路径。 与既有脉络的关系：已有卡片 Pivot-…
FLORE 通过“无机器人演示采集 + 力反应扩散策略 + 带力跟踪的混合柔顺全身控制器”，让人形机器人在保持平衡的同时按指令控制双手接触力；在三个接触密集任务上成功率 80%，而仅位置策略为 26.7%。
值得关注：许多真实操作依赖对接触力的主动调节（如推、压、擦拭、协同搬运），仅靠位置控制容易失败或无法完成任务。FLORE 给出了从“无机器人演示”到“力反应策略”再到“全身力跟踪执行”的完整路径，并用真机对比显示了力指令输入带来…
本文提出一种信息论安全聚合方案，使联邦学习中带宽受限程度不同、因而采用不同量化级数的客户端仍能安全地求和模型更新，同时容忍客户端掉线以及最多 \(T\) 个半诚实客户端与服务器串谋。
值得关注：异构量化是实际联邦学习部署中的常见约束，而安全聚合若不能兼容异构精度，要么迫使客户端统一量化而牺牲带宽适配，要么在掉线与串谋组合下产生隐私缺口。本文用统一线性整数系统生成跨不同代数群的秘密份额，为“异构精度 + 掉线容…
论文提出“不可剥夺的人在环”（I-HITL）概念，要求即便 AI 代理已攻陷人类所交互的系统、甚至人类试图把审批权外包给代理，关键动作仍必须获得人类明确批准；作者用通信拓扑形式化该性质，证明其实现必须依赖可信实体（如可信计算设备），并给出可插拔到现有 HITL 系统的原型 Countersign。
值得关注：把 HITL 从“流程约定”提升为“可证明的安全属性”，为 AI 代理的高风险动作审批提供了更严格的安全目标。 揭示现有 HITL 实现的系统性弱点：当代理能访问审批通道（如邮箱）时，审批可能被代理自己完成。 与既有的…
该论文用博弈论模型分析AI普及后学术招聘中的双向困境：研究者该深耕理解还是用AI堆论文，招聘方该只看面试理解力还是坚持论文数量与面试双过关；受限于材料，模型细节与结论待核实。
值得关注：当论文产出因AI变得廉价，依赖出版物数量与质量的传统筛选信号可能失效，导致“理解深度”与“简历长度”之间的错配。该框架有助于讨论如何在AI环境中保留深度理解的价值，避免招聘陷入单纯数量竞赛或面试成本过高的困境。与既有卡…