中国人民大学与复旦大学团队提出 CoworkOS，用“主智能体—协调运行时—子智能体”三层协作架构，让 AI 能在 CAD、Blender 等工具中与人类共同修改同一作品，并在多轮自动后训练后显著提升自动化任务表现。
值得关注：现有 AI 编程/协作工具多聚焦单会话内的任务完成，而 CoworkOS 强调“跨会话持续干活”与“人机同作一件作品”，指向 AI 从助手向“同事”角色演进的方向。与既有卡片中 Claude Code 的跨会话消息传递…
百度在AI Day·Apollo专场披露全模态世界模型Apollo World，提出“2+3”标准，并在虚拟城市中让全AI智能体交通参与者跑通无人车从接单到送达的完整订单闭环，已用于萝卜快跑全球化测试。
值得关注：与既有世界模型卡片相比，本条增量在于**把世界模型直接接入真实商业无人车运营体系**（萝卜快跑），并以“跑通全程订单闭环”作为能力验证，而非仅展示生成质量或交互演示。 “2+3”标准提供了一个可对外比较的世界模型评价框…
SpecCompact 通过“小模型并行草拟结构化摘要槽位 + 大模型逐条验证与修复”的语义推测机制，在 AppWorld 和 τ³ 基准上实现相对 Hermes 式摘要 2.04–5.63 倍的压缩加速，在 Hermes 内用户研究中压缩延迟中位数加速达 8.68 倍，但下游任务性能存在依模型、依任务而异的权衡。
论文提出并验证：通用机器人策略可以在部署阶段通过在线强化学习实现多任务、通用化改进，且合适的算法配方能把性能提升泛化到在线训练未涉及的任务上（原文称这是机器人基础模型在线通用改进的首批证据之一）。
PixelSpline 提出一种连续时空视频超分辨率（STVSR）框架，用“端点锚定的共享像素轨迹”替代传统的双向独立运动建模，并结合长上下文编码与连续高分辨率特征提升，在空间与时间上采样设置中取得较好的质量—效率权衡。
HALO 通过在约一千个程序化生成的家庭场景中合成“视觉-语言-运动”配对数据，把类人机器人数据规模从依赖人工遥操作转向依赖算力，并在未见过的真实家庭中实现零样本迁移，360 次试验成功率 91%。
论文评估了一种简单的推理时扩展方法——回合级 Best-of-N 采样（turn-level best-of-N sampling）：每一步由生成器模型产生多个候选动作，再由选择器模型从中挑选一个执行；在长程终端任务上带来 5–10% 的准确率提升，并提高了重复尝试的一致性。
一种仅依赖相机管线已计算出的两种单目距离估计之间的排序关系来检测行人遮挡的方法，无需训练、无需遮挡标注，在 KITTI 上对重度遮挡检测达到 AUC 0.909。
针对 JEPA 风格潜世界模型中“静态坍缩”导致控制信息丢失的问题，作者提出运动引导对比正则化（motion-guided contrastive regularization），在随机背景的 OGBench-Cube 上把规划成功率从 52% 提升到 78%，在 LIBERO-Object 上从 14% 提升到 54%。
LongBanana 是据称首个由专家设计并验证的长上下文多参考图像合成基准，包含 90 个任务、约 4,670 条原子评估项，用于衡量智能体驱动图像生成中对分散视觉证据的检索、绑定与组合能力。
GBPNet 在保留 Tanner 图消息传递对称性的前提下，通过级联变量节点更新、可学习的逐元素消息缩放，以及渐进训练和高 SNR 训练两种策略，在多种线性码上实现了比传统置信传播和所评估的先进神经解码器更低的误码率。
FrontierPhysics 是由 42 位物理学家基于自身研究设计的 56 项端到端物理研究任务基准，覆盖理论、计算与实验物理九个领域，用确定性验证器加专家评分标准同时考察智能体研究的正确性与可发表性；在 22 个模型、26 种配置中，没有一种配置在 168 次 rollout 中通过超过 46 次。
NEO-VLA 提出一种“无视觉编码器”的视觉-语言-动作框架，让图像 token 与语言在骨干网络中共同演化，并让动作专家从不同深度的指令条件化视觉表征中取用信息；作者据此主张具身控制应从整个计算层级获取视觉表征，而非依赖固定编码器输出（正文未抓取，细节待核实）。
FlowReconBench 在层流圆柱尾迹、二维 Kolmogorov 湍流和大规模三维各向同性湍流三种流态下系统比较了 10 种学习型方法与 5 种经典方法，发现“最优方法随流态而变”：经典方法在低阶与密集传感场景中表现强劲，数据驱动方法在传感器密度下降或可观测性变差时才显现优势；同时不同评价指标（误差 vs. CRPS）会给出不同的方法排序，生成模型…
该研究利用21个O*NET条目和754个美国职业的数据发现，职业的AI暴露度越高，其“枯燥、肮脏、危险”类工作条件评分反而越低；但在控制体力要求、教育、培训、经验和工资等变量后，这种关联被显著削弱甚至消失，说明“AI用于替代恶劣工作”的叙事在职业层面缺乏稳健的经验支撑。
论文提出 Counterfactual Foreground Retrieval（CFR）评估协议，通过在同一检索任务下对比全图、仅前景、仅背景/轮廓三种视图，把单一检索分数拆解为“证据画像”，以判断模型是依赖动物特征还是身份相关的捷径信号。
CompressionBench 将“在存储预算内保留预训练模型行为”设为端到端终端任务，检验编码智能体能否自主完成 LLM 压缩；在 6 个智能体 × 6 个模型—规模设置共 36 次提交中，29 次通过独立验证，最优设计平均困惑度仅比 BF16 高 3.4%，下游准确率 77.33%（BF16 为 79.56%）。
BEAKER 是一个由专家手工构建的基准，用于评估多模态大模型（MLLMs）作为自驱动化学实验室（SDCLs）“具身大脑”的执行导向能力；测试显示 28 个模型能理解粗粒度实验流程，但在可操作区域定位、可行轨迹规划、细粒度器材/状态/安全识别及中等长度步骤排序上仍明显不足。
在文本嵌入模型中，int8 量化在多数任务上与 float32 效果几乎无差（总体最多损失 1.5 个百分点），而二值量化在所有任务类别上显著变差；层次化降维与 int8 结合可实现每向量存储 32 倍压缩并保留 94.4% 的基线效果，但量化本身并未带来评测加速。