通过心理测量学方法审计 HELM Safety 基准后发现，被广泛当作单一能力指标的“有害拒绝”（harmful refusal）实际上无法被任何单一数据集或总分可靠地隔离测量，因此用这类总分直接比较模型的安全能力缺乏构念效度依据。
值得关注：如果安全基准的总分不能被解读为单一属性，那么基于总分做出的“模型A比模型B更安全”的结论就缺乏效度支撑，可能误导模型选型、发布决策与监管沟通。 饱和数据集的存在意味着部分基准分数可能只是在重复同一信息，而非提供额外的区…
Rubric-CEPR 提出一种无需人工编辑目标或外部训练期奖励模型的自进化图像编辑框架，利用编辑器自身内部特征进行评分验证并自蒸馏，在 Qwen-Image-Edit 上把 ImgEdit 从 4.36 提升到 4.60（+5.5%）。
值得关注：免除了人工编辑训练对与外部训练期奖励模型，降低监督成本。 针对“合理但失败”的输出设计分解式评分与门控，试图避免奖励失真。 与同脉络中 TTT/GUI 自进化、自蒸馏类工作一致，属于“部署后自进化/自蒸馏”方向的延续：…
本条材料提出从“舍入空间”（rounding space）视角重新设计 AdamW 的 4 比特优化器状态量化，主张量化误差应放在预条件子空间而非状态空间评估，以减少相对 32 比特 AdamW 的验证损失差距；但抓取时未获得正文，以下内容均基于标题与元数据，具体机制与数字待核实。
值得关注：若结论成立，说明 4 比特优化器状态量化的瓶颈不只是“状态表示精度”，而是“误差在哪个坐标上被评估与最小化”——这会影响量化码本与舍入策略的设计取向。 与既有卡片“LLM量化损伤的结构：为什么下一个比特应该花在全局上”…
RoboRSI 提出一套基于“自顶向下技能精炼（Top-Down Skill Refinement, TSR）”的机器人自我改进系统，试图把执行反馈归因到具体技能分支，并在验证后复用新技能，从而在真实移动操作与仿真基准上提升任务表现（具体方法与实现细节待核实）。
值得关注：与既有相关卡片（如面向双过程语言智能体的记忆与自我反思）相比，本条增量在于：将自我改进的组织单位从“记忆/反思模块”推进到“带职责与输入输出契约的技能层级”，强调执行证据归因与复用前验证。 它把“机器人自我进化”的稳定…
Pumpire 是一个面向图像级与视频级 3D 基础模型的统一基准，用于直接评估重建几何中的“点对点物理距离”估计能力，而不再仅通过深度或相机内参等间接指标来判断模型性能（来源为元数据，正文细节待核实）。
值得关注：深度估计或点云相似度高，并不自动意味着模型能给出正确的物理距离；Pumpire 试图把评估从“几何形状像不像”推进到“物理尺度对不对”。 对 3D 基础模型而言，度量尺度能力是下游空间推理、导航、操作与测量的前提；该基…
一项预印本研究提出，仅利用源域（source-side）训练过程中的动力学信息，可能在直接观察到分布外（OOD）性能退化之前就给出前瞻性预警信号；但该结论尚待同行评审与正文核实。
值得关注：若该结论被后续工作验证，意味着在模型部署前或训练早期就可能识别出潜在的 OOD 脆弱性，而不必等到实际遇到分布外数据才发现问题。这为训练过程中的监控与预警机制提供了新思路。与既有卡片中关注表示复用和蒸馏的工作不同，本条…
论文提出“对齐泛化预测”任务，发现基于模型激活（in-context 应用价值时）的表征在预测微调某价值后对其他未见价值行为的影响上，显著优于基于价值文本描述的方法。
值得关注：对齐评测高分不等于泛化可控：狭窄行为训练会外溢到未见语境，需要可预测的工具。 激活表征优于文本描述，提示价值的行为效应难以仅靠语义描述刻画。 价值相似度与模型鲁棒性相关，为多价值对齐目标的设计提供可量化依据。 与既有卡…
OuroWorld 是一个无需掩码（mask-free）的框架，可将任意静态 3D Gaussian Splatting 场景转化为“3D 动态影像”（3D cinemagraph）——一种在任意视角下都能无缝循环、具有生动多样运动的动态场景。
值得关注：现有 3D 世界模型多停留在“静态可探索”阶段，OuroWorld 补上了时间维度这一环，使 3D 场景从“凝固的时空”走向“可循环的动态世界”，对内容创作、沉浸式体验与 3D 世界建模具有推进意义。
OnTrack 是一种流式监控机制，通过将智能体执行步骤与依赖关系同已记录的成功运行轨迹进行比对，在约每步 1 毫秒的开销下实时预警或阻断智能体；在 SWE-bench 轨迹上，它比内容相似度方法更早区分失败与成功轨迹（+0.057 AUROC），并借助中止策略节省约 18% 的无效算力。
值得关注：当前智能体安全监控面临“实时性—成本”两难：防护智能体方案延迟与开销高，事后评估方案无法阻止损害。OnTrack 提出的流式结构感知比对，试图以极低单步开销实现实时预警/阻断，并给出了可量化的收益（AUROC 提升、算…
OneSearch-VL 提出以“视觉锚定证据图（VGEG）”为核心统一单图、多图与视频深度研究，将视觉定位、外部检索与事实组合的依赖关系显式建模，并用于数据构造、过程监督与操作级评测，其 8B 模型在两个新建基准上较带工具访问的 Qwen3-VL-8B 分别提升 20.2 与 17.6 个百分点。
值得关注：将“证据依赖链”显式建模为图结构，可能比端到端奖励更利于多模态深度研究中的可追溯性与过程监督。 统一框架覆盖单图/多图/视频三类任务，减少了按模态分别设计智能体的重复工作。 与既有 WebSwarm（递归多智能体编排的…
reViT 证明单个 Transformer 块循环复用、并通过“深度编程专家”恢复各深度的差异化变换后，可以在推理 FLOPs 相当的情况下逼近全深度视觉编码器的精度，且无需中间特征蒸馏。
值得关注：现有卡片中多数为特定任务的模型适配（如图 MILP 生成、红外遥感视觉-语言、LiDAR 协作 3D 检测），本条聚焦**基础模型架构层面**的循环与专家混合设计，属于 foundation-model 主题的不同脉络…
METR 的 50% 时间视野在改用样条与项目反应理论（IRT）重新估计后仍具参考价值，但其隐含的“任务 AI 难度随人类耗时对数线性变化”假设并不成立，时间视野应结合诊断图一起解读。
值得关注：时间视野正被越来越多地用作衡量 AI 能力进展的核心指标，并可能影响基准设计与能力预测。若其底层线性假设不成立，简单以“倍数”比较不同区间的时间视野会产生误导。本文的增量在于：不否定时间视野指标本身，而是指出其非线性结…
OmniCapBench 将音视频描述评估从“整段文本打分”重构为“原子化可验证单元的深度结构化诊断”，旨在同时解决覆盖度与可定位性难以兼顾、以及 LLM 评委不稳定的问题，并揭示前沿 MLLM 在长程音视频推理（尤其是身份漂移与跨模态错位）上的明显短板。
值得关注：把“描述质量”拆成可验证的原子单元，使评估同时具备覆盖度与可定位性，并降低对不稳定 LLM 评委的依赖。 对全模态模型研发具有诊断价值：能指出错误类型（时间、身份、跨模态、幻觉），而不仅是给出一个笼统分数。 与既有卡片…
Marformer 是一种直接预测缺失变量条件边缘分布的 Transformer，无需建模完整联合分布或数据生成过程的领域知识，在多个合成与真实数据集上匹配或超过经典缺失数据处理方法，并比生成式基线显著更快。
值得关注：条件边缘分布是 Bayes 风险与 VOI 计算的核心输入，直接关系到“是否值得再采集一个观测”的决策。Marformer 提供了一条无需完整联合建模、无需领域知识、单次前向即可得到条件边缘的路径；在与经典方法（即便赋…
MAMHOI 提出一种以“可供性”（affordance）为中介的分解式框架，把复杂 3D 场景中的人-物交互（HOI）生成拆成“场景理解→运动可供性→人-物运动合成”两个阶段，从而在无需成对的人-物-场景数据的情况下，用互补数据源分别学习环境感知与人-物交互动力学。
值得关注：数据稀缺是 3D 场景中 HOI 生成的核心瓶颈之一；MAMHOI 的分解思路让“环境可行性”和“交互动力学”可以各自复用已有数据集，而不必强行配对。 显式的“运动-可供性接口”为场景理解与运动合成之间提供了一个可解释…
LLM-BlockFE 通过在离线阶段用 LLM 增量构建可执行特征程序、冻结后部署，把长文本中的信息转成结构化特征供下游模型使用，从而在在线推理时不再调用 LLM，并在多个数据集和已上线风控应用中取得优于基线的效果。
值得关注：在工业风控等场景中，长文本信息价值高但实时 LLM 调用成本与延迟不可忽视。LLM-BlockFE 提供了一条“离线用 LLM 生成特征程序、在线只跑结构化模型”的路径，兼顾信息利用效率与部署可行性；同时其块级回滚与多…
LeWAM 用无解码器的 JEPA 潜空间承载前向、后向、逆向动力学与策略预测四种模式，配合在策略头噪声空间（而非原始动作空间）中做 MPC 规划，使世界动作模型在闭环控制中既能对齐机器人/物体状态、又能抗视觉干扰，并在同等规模下匹配纯流匹配策略的性能。
值得关注：对“世界模型是否必须重建像素”这一问题提供了负面证据：无解码器的 JEPA 潜空间在状态对齐与抗干扰上更有优势。 把“世界模型 + 策略”整合进同一潜空间与同一组四种预测模式，说明一个模型可以同时承担预测与控制，而不必…
LEGO 提出用“免提升（lifting-free）”的学习式视图合成器替代“深度估计—点云提升—重投影”的显式管线，为外中心（exocentric）到内中心（egocentric）视频生成提供条件信号；其可行性、数值结果与泛化范围目前待核实。
值得关注：它把问题从“如何把几何重建做得更准”转为“扩散模型的条件应该长什么样”，属于对条件信号设计的重新提问，而非对既有管线做增量优化。 与显式管线相比，它明确接受“纹理被平均掉”的代价，换取向扩散模型让渡细节生成的职责，这是…
ScaleCast 提出用 Global-Regional Alignment 把预训练全球天气模型的大尺度预报与区域高分辨率预测耦合起来，在 5.5 km 与 3 km 尺度上改善区域预报，且同一模型可复用多种全球预报驱动而无需针对性重训。
值得关注：区域公里级预报是本地预警与决策的关键尺度，但纯粹数据驱动方法在跨网格耦合全球—区域信息上存在困难。 该工作把“预训练全球模型”当作可复用的大尺度引导来源，而不是为每个区域系统重新训练全球组件，可能降低区域高分辨率预报系…
LCT（Latent Core Tokenizer）主张把“结构发现”与“词表构建”分开：先用最小描述长度、熵边界信号与形态规则找出可复用的语言单元，再构建共享词表；在104种语言、200K词表规模下，它比 BPE、Unigram、parity-aware BPE 取得更低 fertility、更高 MorphScore，并在四个多语言下游基准上分别提升1…
值得关注：对多语言模型而言，词表容量如何跨语言分配，可能比单纯压缩率更影响下游效果。 它为“分词器设计”提供了一个不同于纯频率/压缩导向的思路：先发现结构，再谈容量分配。 与“分词器移植”这类关注边缘语言与分词崩溃的脉络相关，但…