PhysiCalWorld 提出用“上下文提示”方式，把测试场景中的一段探索性交互片段编码为紧凑的“物理描述符 token”，从而在不微调、不做解析物理建模的情况下，将动作条件世界模型校准到该实例特有的动力学上，显著改善 rollout 预测精度与视觉规划成功率。
值得关注：指出了一个被忽视的失效模式：世界模型的误差不仅来自视觉建模能力，也来自对场景物理参数的无知，导致预测向经验先验回归。 提供了一种轻量适配路径：一次探索片段 + 一个 token + 复用，避免为每个新场景做微调或系统辨…
该论文将并行 AI 智能体的编辑合并问题建模为带依赖图的离散块优化，利用分数着色给出可证明的合并质量下界，并在代码修复与路线搜索任务上验证了“验证式合并”能缓解朴素合并导致的共享解退化。
值得关注：多智能体并行协作的常见失败模式是“局部有用、合起来变差”；本工作提供了识别相容编辑（独立集）与安全合并的原则性方法，而非启发式拼接。 理论结果将合并质量与图的分数色数挂钩，为多智能体系统的协调层设计提供了可计算的结构性…
Orbitol 把晶体生成的最小单位从“原子”换成“Wyckoff 轨道”，在给定空间群与占据的 Wyckoff 位置条件下直接生成满足该群对称性的原子类型、自由坐标与兼容晶格，并在速度与目标空间群保持率上优于对称性感知基线。
值得关注：对称性可控：把空间群从“事后统计属性”变为“生成条件”，有望让生成模型直接服务于对称性受限的功能材料检索（如压电性）。 效率与可筛选性：数量级的速度提升，配合较高的 DFT 通过率与新颖性，意味着生成—筛选—验证闭环的…
论文提出 PAPAV 能力框架，用五个反复出现的功能（感知、预判、规划、执行、验证）来统一比较多模态智能体（MMAs）与机器人系统（RSs），并追问：当多模态智能体从 computer-use 走向 robot-use 时，究竟发生了什么变化（具体结论待核实）。
值得关注：把“具身”从架构标签转为功能问题：同一套能力视角可同时审视软件界面智能体与机器人系统，便于定位能力缺口（如预判与验证评估不足）。 对评测实践提出直接批评：以任务成功率为主的基准可能掩盖 Anticipate 与 Ver…
对于一元高斯混合密度估计，非参数最大似然估计（NPMLE）在平方 Hellinger 距离下达到极小极大最优收敛速率：真实混合测度次高斯时为 $\log(n)/n$，紧支撑时为 $\log(n)/(n\log\log n)$。
值得关注：高斯混合是密度估计与经验贝叶斯的经典模型，NPMLE 是实际常用的无调参方法。此前对其在 Hellinger 距离下的最优性缺乏如此精细的速率刻画，尤其是紧支撑情形下 $\log\log n$ 因子的加速。该工作既补齐…
LAW（Loopholing All the Way）证明连续生成模型可以完全基于自条件（Self-Conditioning）构建：它在每一步传播去噪器预测下的期望嵌入（Expected Embedding），仅在最后一次性解码 token，在数独、迷宫、GSM8K 和 OpenWebText 上均取得优于既往扩散语言模型的表現。
值得关注：LAW 的意义在于重新定位了自条件的角色：它不再只是扩散语言模型的“调味剂”，而可以作为连续生成模型的唯一条件化基础。这为扩散式语言模型提供了一条区别于离散扩散和自回归的新设计路径，并在推理任务（数独、迷宫、GSM8K…
在训练目标与采样器保持不变的前提下，给均匀扩散语言模型（UDLM）引入“选择性循环”（递归复用早期 Transformer 层）能显著降低训练 FLOPs，并在匹配 NFE 预算下改善生成困惑度。
值得关注：UDLM 因训练目标更难而比 MDLM 更耗 FLOP，但换来更强的下游推理表现；本工作说明循环机制可以把这部分训练成本压下来，同时不牺牲（甚至改善）生成质量。对既有“选择性循环提升 MDLM 训练效率”的脉络而言，本…
LongZero 提出一种不依赖任何外部语料或更强教师模型的长上下文强化学习数据合成方法：先让模型在紧凑结构化形式中自拟问题、答案与支撑证据，再单独把证据扩展为长多文档上下文，并结合自拟多跳推理任务与多轮检索任务，用 GRPO 训练模型，从而提升其长上下文推理能力。
值得关注：缓解了长上下文 RL 对昂贵人工标注、稀缺自然数据以及外部语料/强教师模型的依赖，使模型能力提升更“自给自足”。 将“零数据 RL”从短上下文任务扩展到长上下文任务，填补了该方向的方法空白。 对与既有卡片“Copy L…
GoiBERT 提出两个仅含 26M 与 49M 参数的紧凑越南语编码器，直接在原始文本上运行，通过“同分词器教师打基础 + 大模型教师给任务级软标签”的两阶段蒸馏，在八项基准上以更小体量和更高吞吐接近或超越强力紧凑基线。
值得关注：对越南语这类资源相对有限的语言，部署侧真正的瓶颈常是模型体积、词表规模和预处理依赖，而非榜单峰值。GoiBERT 的价值在于把“无需外部切词 + 小参数量 + 高吞吐”与“接近强基线”同时摆上台面，并明确指出压缩在不同…
这篇综述系统梳理了几何代数神经网络（Geometric Algebra Neural Networks），指出其在具有明确几何对称性和异构几何实体的场景中证据最强，但在参数效率、可解释性和密集预测等方面并不普遍优于调优良好的非几何代数等变基线。
值得关注：该综述为几何代数神经网络提供了一个较为审慎的定位：它不是“万能更优”的架构，而是在特定几何结构场景中更有依据的选择。这对研究者在架构选型时避免过度推广具有参考价值，也为后续在代数选择、数值稳定性和可复现评估方面的研究指…
该报告在 LIBERO-10 基准上系统评测了 6 个前沿 AI 模型（含 GPT、Claude、Gemini 系列）的闭环机器人操作能力，最高成功率仅为 44%，说明推理能力向可靠物理动作的转化仍存在明显鸿沟。
值得关注：为“通用大模型直接充当机器人控制器”这一路线提供了标准化、可复现的量化基线，而非仅凭定性演示判断能力。 明确指出推理努力（test-time compute）与操作成功率之间存在正相关但非均质的收益关系，对成本-性能权…
HDC-FL 提出一种“零额外优化”的个性化联邦学习思路：利用共享编码器训练中本就存在的客户端分类头作为聚类信号，把相似客户端分组并为每组构建编码器原型，从而在不平均、不传播客户端个性化头的前提下实现表征共享与个性化兼顾。具体机制细节与实验数据待核实。
值得关注：降低个性化联邦学习的工程复杂度：分组决策复用训练中已有的头信号，避免为“谁与谁共享”单独设计优化目标或微调阶段。 隐私与个性化的边界更清晰：头不离开客户端、不被平均，个性化参数不被共享，共享的只是编码器原型的混合。 评…
论文提出 **Environment Duels** 动态智能体基准，让模型同时扮演“环境创作者”和“解题者”，发现解谜与出题是两种可分离的能力，且模型间的两两对抗模式可映射真实生态中的相互塑造。
值得关注：模型能力不再只由单点 benchmark 决定，还取决于它在“创作—解题”生态中的位置。Environment Duels 把这种相互塑造关系变成可测量、可对战的实验对象，对训练数据来源、模型评估与协同训练策略都有直接启示。
本文首次为 Bradley-Terry-Luce（BTL）模型下、由成对偏好反馈进行的差分隐私稀疏奖励估计建立了完整理论框架，证明估计误差可依赖稀疏度 $s^*$ 而非模型维度 $d$，并在 Sample-DP 与 Label-DP 两种设置下给出上界、下界及实验验证。
值得关注：现代对齐模型参数量巨大（$d$ 极大），稠密隐私奖励估计的误差界随 $d$ 多项式增长而不可用。本文通过稀疏假设把误差界从依赖 $d$ 转为依赖 $s^*$，在理论上首次刻画了隐私稀疏 RLHF 的可学习性边界（含近最…
P2NPCBench 用“同一表层、不同复杂度类”的配对题与对抗式多智能体重写，试图剥离教科书措辞带来的记忆线索；据摘要，12 个模型在 NPC 一侧的 pass@1 显著低于其 P 孪生题（35.4% vs. 63.8%），且加大时间限制收益有限——但正文未能抓取，方法细节与数字均**待核实**。
值得关注：为“基准分数有多少来自记忆/题面熟悉度”提供了一个可操作的对照设计：同表层配对 + 对抗重写 + 可执行有效性门控。 若结论成立，则单纯放宽推理时间预算无法弥补 NPC 侧的性能落差，评测与训练应更关注程序正确性与结构…
该论文将 LLM 分类器视为对潜在标签的“噪声测量仪器”，提出用“电路”（circuits）把多个模型组织成自适应的查询—决策序列，从而在给定平均查询成本下最大化平均分类准确率，并在七类任务上改善了成本—准确率前沿。
值得关注：为“多模型组合做分类”提供了统一的理论视角（噪声测量 + 自适应查询），而不只是工程式路由或级联。 在成本敏感场景下，给出了可追求的准确率上界与实现路径，对需要可靠分类的 LLM 应用（安全审核、评估等）有参考价值。 …
论文提出让图表成为数据智能体推理循环中的“认知动作”（epistemic actions），并通过从轨迹中蒸馏经验来教会智能体在文本与图表之间切换；实验显示该方法提升了分析准确率与视觉证据质量，且无需改动模型参数。
值得关注：它把“可视化”从输出呈现手段重新定位为推理过程中的认知动作，并给出可操作的训练路径（经验蒸馏＋验证门），为数据智能体的多模态推理设计提供了不依赖微调的替代方案。
BatchBench 是一个基于 JUMP-CP 数据集构建的排行榜，用来评估和比较 AI 系统在生物医学图像上对未见实验批次与数据源（批次效应与域偏移）的鲁棒性；具体数值结果与榜单现状待核实。
值得关注：生物医学图像的采集条件差异会系统性改变图像统计特征，模型在“同分布”测试上的高分未必能迁移到新批次/新来源。 排行榜式基准能把“鲁棒性”从零散实验变成可重复、可比较的公共度量，降低不同方法之间口径不一致的问题。 与既有…
AtomicRL 是一种针对视觉-语言-动作（VLA）模型的强化学习后训练框架，通过“原子任务结构”约束跨子任务的信用分配并自适应聚焦薄弱子任务，在 LIBERO-LONG 与 CALVIN ABC-D 基准上超过 PPO，并结合 Real2Sim2Real 管线将真实机器人任务性能平均提升 21.3%。
值得关注：针对 VLA-RL 中“稀疏奖励 + 长程任务”这一核心痛点，给出以任务结构（原子子任务）为切入点的信用分配与探索方案，而非仅调整奖励设计。 同时覆盖仿真基准与真实机器人迁移，提供了从在线 RL 训练到物理部署的完整路…
ASTEROID 提出一种“学生收集同策略历史、特权教师按该历史给动作标签”的非对称蒸馏框架，让从未需要探索的特权专家教会学生在部分可观测下进行测试时探索，在 11 类环境中以约 1/100 的交互量取得约 2 倍回报。
值得关注：给出了一条不靠在线强化学习、也不靠朴素离线模仿来获得探索能力的路径：关键在于让学生在自己的同策略历史上接受教师标注，而非在专家分布上平均。 “特权教师不需要探索却能教出探索”这一非对称设定，对机器人、导航等难以大规模在…