Anthropic发布Claude Haiku 5.5，在10万Token以内将输入输出价格下调90%，并首次引入low到max五档effort机制，但新tokenizer导致同任务耗Token增加，实际节省低于标价折扣，官方仍建议复杂Agent编码使用Sonnet或Opus。
值得关注：本次发布延续了Anthropic通过价格与缓存优化降低Agent成本的脉络（参见已有卡片：Anthropic发布Claude 5.1，缓存读取成本降低75%）。增量信息在于：Haiku 5.5将降价幅度扩大到90%，并…
X-AgentRed 是一个自演化的红队测试框架，通过构建工具依赖有向图并利用执行反馈扩展/精炼有害工具调用路径，在四个前沿代理模型上实现了 STAC 的 1.77 倍有害路径率和 2.99 倍工具覆盖率。
值得关注：个人代理跨服务组合行为的安全问题是一个新兴且关键的挑战。X-AgentRed 提出的“工具依赖图 + 执行反馈自演化”思路，为系统性地发现跨服务组合性危害提供了可扩展的方法论。与已有卡片中 SovereignPA-Be…
据摘要信息，3D 医学图像自监督预训练中常用的随机子体积裁剪隐含“所有空间区域同等值得观察”的假设；该研究把子体积采样重新表述为“where-to-look”问题，并提出用离线由粗到细的探针库替代随机裁剪，其中轻量变体在多项下游任务上一致优于随机采样（具体数值与实验细节待核实）。
值得关注：随机裁剪长期是 3D 医学 SSL 的默认做法，但解剖先验（器官位置、组织分布）与空间冗余（相邻切片高度相似）意味着不同区域对表征学习的价值天然不等。 该工作把预训练中的“采样策略”从工程细节提升为可研究、可设计的问题…
多项视觉-语言模型（VLM）架构在内部表征中无法忠实编码空间关系，即使这些模型在组合性基准测试中得分高于随机水平；关系信息在谓词 token 处可识别，但在句子聚合为全局表征（EOS token 或均值池化）时丢失。
值得关注：该发现挑战了“模型输出表现好就说明内部表征可靠”的假设，指出输出层评估可能掩盖表征层面的信息丢失。 对依赖 VLM 进行空间推理、具身推理或多模态下游任务的应用而言，这一失败可能意味着模型看似理解空间关系，实则在下游使…
该研究提出一种低成本、自监督的方法，利用同步的RGB与长波红外（RGB-I）图像检测积雪覆盖路面上安全关键的车轮轨迹；由于未抓取到正文，具体指标与实现细节**待核实**。
值得关注：可行驶区域检测在雪地等恶劣环境下普遍失效，而“沿既有车辙行驶”是冬季驾驶的安全策略，本研究将该策略转化为可学习的感知任务。 采用热成像（长波红外）弥补可见光在白茫茫场景下的信息缺失，为多模态融合在极端天气感知中提供了新…
SAFE-QE 是一种无需训练、与检索器无关的查询扩展方法，利用“子序列关联”幻觉机制过滤不可靠扩展词，并用广度感知选择控制保留数量；在 TREC 与 BEIR 上，其 nDCG@10 与生成式/语料引导式扩展在统计上难以区分，但每查询注入的无支持扩展词显著更少（4.3 对 Query2doc 的 27.8 与 HyDE 的 57.5）。
值得关注：查询扩展长期面临“扩得越多越可能引入噪声”的两难，尤其在强检索器上扩展反而可能拖累效果。SAFE-QE 的价值在于把幻觉从“无差别噪声”转为可机制化打分与可约束选择的量，并给出查询侧忠实性指标，使“少注入无支持词”成为…
Artisan 通过引入带物理仿真反馈的多智能体流水线，将铰接式3D资产生成的目标从“看起来对”推进到“动起来和用起来对”，并配套构建了覆盖空间保真度、物理合理性、下游任务表现和整体质量的统一基准。
值得关注：将3D资产生成的评价标准从“视觉像不像”扩展到“物理上能不能用”，更贴近下游仿真和机器人任务的实际需求。 提供了可复用的基准与协议，覆盖空间、物理、下游任务和整体质量四个维度，有助于该方向的横向比较。 与已有关于多智能…
任务情境不仅决定共享注意力头“对哪些事实做出反应”，也决定它们的输出“如何影响后续计算”；这种任务依赖的影响力分布可用线性响应图部分预测。（待核实：以上结论目前仅基于候选摘要与元数据，正文未能抓取。）
值得关注：它把“共享组件”的讨论从“哪些头是共享的”推进到“共享组件在不同任务中扮演什么角色”，指出仅靠组件身份无法解释任务差异。 它为“同一参数如何支撑多种计算”提供了一种可测量的网络视角：影响力是任务依赖的，且部分可由线性响…
TabMF 把预训练的表格基础模型（TFM）改造成“数据集编码器”，在数据集检索、紧凑基准构建与分布偏移严重度评估等任务上取得了优于所学与经典数据集表示的综合表现。
值得关注：把“基础模型复用”从样本级预测扩展到数据集级表示，可能改变数据集检索与数据质量监控的技术选型。 若冻结读出已具竞争力，则意味着大量现成 TFM 可能无需重训即可用于数据集级下游任务，降低门槛。 与既有相关卡片（如 Vi…
论文提出 PAGE 框架，把人工智能（含视觉语言模型）用作漫画研究的工具，对 3,929 本美国漫画（1938–1956）和 87 卷日本漫画做大规模解析与标注，并展示三项研究分别考察政治权力呈现、页面视觉形式与艺术家识别、以及跨传统的“谁在说话”。
值得关注：把 AI 从“生成内容”转向“辅助人文学科的大规模实证研究”，为漫画研究提供可扩展的方法论。 若 PAGE 的标注与人类编码一致性可验证，则可为档案级、跨出版商与跨体裁的比较研究提供基础。 对可访问性（视障读者）与档案…
该研究提出在神经语义解析的多个阶段引入结构自动机，其中接受路径解码（APD）能在固定输出长度限制下保证生成合法结果且无需回退 token，在 DRS 和 AMR 任务上优于局部掩码方法。
值得关注：该工作将结构约束从单纯的局部解码限制扩展到覆盖解码、事后处理与训练的全流程，并指出固定输出长度限制下“可补全性”这一被局部掩码忽略的问题。APD 在无需回退的前提下保证合法性，为受长度约束的结构化生成提供了新思路。同时…
Splat2Act 提出了一条全自动的 real-to-sim-to-real 流水线，仅凭手机扫描和物体照片，就能把预训练的 VLA 策略个性化到特定建筑级室内场景与用户物体，在真实 Stretch 3 上达到 63.9% 的抓取成功率。
值得关注：直接回应了通用 VLA 策略在真实部署场景中"零样本失败"这一痛点，给出了一条不依赖昂贵真实演示的个性化路径。 将 real-to-sim 的适用范围从单个桌面扩展到建筑级室内环境，涉及 receptacle 自动发现…
预训练数据的知识组织方式（按时间顺序 vs. 随机打乱）会影响模型后续学习新知识的效率：按时间顺序训练的“专才”模型比随机顺序训练的“通才”模型需要更少的更新步骤即可获得新知识。
值得关注：本研究将知识更新的效率问题从“训练后如何更新”前移到“预训练时如何组织数据”，提供了一个新的优化维度。这意味着，在实际系统中若预训练阶段就考虑知识的时序组织方式，可能显著降低后续持续学习与知识更新的成本。与已有卡片中“…
SpatialASM 提出一种可扩展的训练框架，通过训练时的空间模拟，让大型视觉语言模型（LVLM）学会像人类一样主动进行“主动空间心理化”（Active Spatial Mentalization, ASM）——即在空间推理中自适应地规划视角并想象新视角下的场景布局，从而在多个空间推理基准上提升性能，同时保留原有通用视觉能力。
值得关注：将“主动视角探索 + 心理场景模拟”作为空间推理的核心能力显式建模，而非仅依赖隐式提示跟随。 提供可扩展的 ASM 轨迹合成方法，缓解空间 CoT 监督稀缺的问题，对训练数据构建具有方法论价值。 与既有面向 3D 布局…
论文提出 $\beta$-Flow——一种由相关参数 $\beta$ 与置信度参数 $\kappa$ 索引的通用即插即用后验采样方法，将流匹配（flow-matching）、扩散（diffusion）与去相关先验统一在同一框架下，并在 7 个逆问题、4 个数据集上取得稳定最优（SOTA）水平的表现。
值得关注：（与既有脉络的关系）已有卡片记录了 PDDIM 等工作——通过修改 DDIM 更新融入测量模型并证明收敛到贝叶斯后验。本条内容的增量在于：它不局限于单一扩散轨迹，而是用一个相关参数把流匹配与扩散先验统一起来，并将采样步…
SLICE 通过将模拟得到的预测分数共形化为条件 E-值并构造检验鞅，为似然不可解的科学模型提供精确的“随时有效”置信序列，且其有效性不依赖于打分函数的准确性。
值得关注：此前已有工作关注无似然推断中的冗余参数处理与效率（如基于归一化流的无似然推断），而 SLICE 的增量在于将序列化监控与随时有效保证引入无似然场景，使置信序列在数据不断到来时仍然精确有效。 对 LLM API 路由的审…
论文提出 SCCR 审计框架，通过选择性移除原始输入模型与专家特征模型共享的表征方向，量化原始黑盒模型相对于专家视角所额外利用的预测信号。
值得关注：临床决策支持系统常面临“黑盒模型优于专家特征模型，但说不清优势来源”的困境。SCCR 提供了一种量化“原始模型比专家视角多学到了什么”的方法，有助于评估模型是否捕捉到专家未编码的临床信号，或是否依赖冗余/虚假关联。这对…
在温度设为 0 的语义查询引擎中，重复执行同一查询仍会导致部分行甚至整条答案发生变化，且查询计划会把行级波动指数级放大为答案级波动；现有基准测试的少量执行结果往往不足以定论系统优劣。
值得关注：它挑战了“温度 0 即确定性”的默认假设，说明语义查询引擎的基准结论可能因执行次数不足而不稳定。 为基准报告提出规则、为引擎设计提出规则，属于方法与评测层面的贡献，而非单一系统性能。 与既有关于 VLM 鲁棒性/失败归…
RSI-Anything 是一个基于 JEPA-Anything 构建的领域通用框架，通过预测性世界模型指导行动与学习数据选择，并结合组件兼容性检查来保留更新后的“策略-模型”配对，从而在代码修复、GUI 操作、实验室规划与反应优化等多领域实现递归式性能提升。
值得关注：已有综述类工作（如“AI中的递归自我改进：从有界自我精炼到自主研究循环”）指出，自我评估信号是所有改进回路的共同主张，并建立了从形式验证器到内在自我评估的验证层级。RSI-Anything 的增量在于：它不依赖单一验证…
一篇立场型综述章节指出，建筑损毁评估（BDA）领域虽已活跃十年并积累了多个大规模数据集，却缺乏共享基础；作者从数据、评估与方法三大支柱出发，主张采用传感器无关、基于实例且容忍缺失震前影像的任务定义，并批评当前以单一聚合分数为主的评估实践在理论上脆弱。
值得关注：与已有卡片《鲁棒性的幻觉》呼应：后者指出聚合准确率会掩盖逐样本预测翻转；本卡片从 BDA 领域角度提出类似批评——单一聚合分数评估在理论上脆弱，两者共同指向“聚合指标不足以刻画真实风险”这一方法论问题，本条将该批评延伸…