该论文提出用“数学原语”（Mathematical Primitive）探查大语言模型的结构性数学理解，并以四维基准诊断数学推理；摘要称“发现”（Discovery）是主要瓶颈，发现受限型失败更可修复，进而提出一种原语优先的自蒸馏框架，在多种模型规模和困难基准上稳定提升数学推理。基准与框架的具体名称待核实。
值得关注：如果数学能力不能仅用最终答案准确率衡量，那么评估需要区分发现、生成、消化、执行等能力。 该工作把“诊断—修复”连接起来：先定位数学推理瓶颈，再通过后训练转移原语引导推理。 与已有关于模型表面表现与真实理解/忠实性差距的…
（待核实）据摘要性材料，TACO 是一种面向大语言模型全参数微调的优化器，通过“每列仅保留绝对值最大元素符号”的列式一稀疏更新来压缩优化器状态，据称可将持久优化器状态相对 AdamW8bit 减少约 174 倍，并在单张 80 GB H100 上支持 30–32B 参数模型的全参数微调；相关数据与结论尚待原文核实。
值得关注：显存瓶颈而非算力瓶颈，常是决定“能否上全参数微调”的第一约束；优化器状态是其中占比可观的一块（待核实）。 若 TACO 能在压缩状态的同时保持与 AdamW 预训练权重兼容的更新几何，则可降低“换优化器就要重调或掉点”…
据候选摘要，MEVA 把体素级图像强度与皮层网格几何（曲率、皮层厚度）编码进同一组自监督影像特征；这些特征在 UK Biobank 的 GWAS 中检出的全基因组显著位点多于仅用体积或仅用网格学到的特征，但正文未能抓取，所有具体数值与细节待核实。
值得关注：若结果成立，说明在体积自监督学习中补入皮层表面几何，可以捕捉到额外的一部分可遗传变异，直接提高 GWAS 的位点检出能力。 它为“影像表型怎么造”这一问题提供了多模态路线，而不只是在单模态内部换模型或换预训练目标。 与…
Sphere Encoder 2 针对原始 Sphere Encoder 在潜球面随机点覆盖与像素级重建损失上的两个限制进行改进；作者声称在保持自编码器速度与简单性的同时显著提升图像生成质量，但具体方法、指标与可复现性待核实。
值得关注：既有相关卡片分别涉及音频语言模型的声学神经元、智能体原生视频表示、PM2.5 预报迁移学习；本条增量在于图像生成方向的球面潜空间自编码器改进，与它们不重复陈述同一事实。 该工作把生成质量问题归因于潜空间覆盖缺口和像素级…
SoftServe 是一类面向深度学习的拟牛顿（Quasi-Newton, QN）优化方法，声称在不使用线搜索或临时曲率修正的情况下，处理非凸性与超大参数量，并在若干严重病态任务上常获得低于 Adam、Muon、SOAP 的损失；完整实验与理论细节待核实。
值得关注：深度学习训练优化长期以一阶方法为主，QN 方法因非凸性与参数量限制而难以直接扩展。 SoftServe 试图把“利用曲率信息”与“GPU 可扩展实现”结合：用变分目标构造正定曲率，用对角线/Kronecker 分解控制…
SILSA 用沿三个标准轴排列的固定重叠切片潜变量替代昂贵体素 token，并加入切片级拓扑监督，在减少 token、训练内存和推理时间的同时，提升高分辨率 3D 生成的结构保真度与拓扑一致性。
值得关注：高分辨率 3D 生成的一个关键矛盾是：分辨率越高，体素或局部 token 越贵，同时连续表面和拓扑结构越容易被切碎。SILSA 的重要性在于尝试同时处理“表示效率”和“拓扑保持”两个问题。 与已有相关卡片 **ELSA…
材料提出的核心问题：什么让伟大科学家伟大？当 AI 开始在开放问题上取得进展时，科学家仍远胜于 AI 的一点，是能感知在日益膨胀的研究档案中，哪一个先前想法/论文是解决新问题所需的。 ScholarCatalyst 试图研究并评测这种能力：给定一个初始研究问题，只从项目开始时已经存在的文献中，检索出后来被作者判断为已经或可能推动该项目的论文。
值得关注：该基准把科研文献检索从“找相关文档”推进到“找能启发新研究”的层面，评测对象更接近科研立项和构思中的真实需求。 通过限制只使用项目开始时的文献，材料试图模拟真实的信息条件，并避免用完成后论文作为检索答案；具体能在多大程…
该论文针对具有局部依赖结构的类别型高维分布，以低阶马尔可夫随机场（MRF）建模依赖，为“均匀加噪的离散扩散 + τ-leaping 采样”给出端到端样本复杂度分析，并提出权重共享的神经 score 学习器。
值得关注：这项工作把离散扩散的采样分析从经验性能推进到带有限数据样本复杂度的学习/采样保证，关注离散状态空间和类别型局部依赖分布。 它强调显式依赖词汇表大小与 MRF 交互阶数，为讨论序列长度、状态空间大小、数据量与采样质量之间…
ROWBench: Do Video Models Render What the Program Specifies?
RPG（Reconstruct, Practice, Go Real）提出一种不更新模型权重、只改进系统提示与可复用符号技能库的具身智能体自我改进框架：在 22 个操作任务的留出初始化上，任务成功率从第 1 轮练习后的 28.6% 提升到第 15 轮后的 95.0%，并在 3 个任务各 10 次的实体试验中全部成功。
值得关注：这条工作把“自我改进”从模型权重更新转向具身执行系统的提示与技能库更新，并通过仿真练习、失败诊断和跨任务筛选形成闭环，最后以实体机器人试验作为验证信号。与已有相关卡片相比：AI4AI-Bench 关注 LLM 智能体改…
One Basis to Animate Them All: Gaussian Blendshape Distillation for Real-Time Avatars
OmniSeek: Native Tool Integration for Multi-turn Audio-Visual Reasoning
据摘要级信息，Omni-Embed-Mini 用 0.9B 参数、在不更新任何文本侧参数的前提下，把文本、语音、音频、图像、视频与富视觉文档映射到同一余弦空间，使文本检索能力在结构上无法退化；但其正文未能抓取，除元数据外的所有细节与数字均**待核实**。
值得关注：**与既有脉络的关系（增量信息）**：已有卡片中的 REDDIT（回放式分布编辑、避免 ASR 灾难性遗忘）、Direct-OPD（策略蒸馏迁移）、Patch Policy（轻量适配复用预训练密集表示）都围绕"新增能力…
该论文提出一类非二次动能驱动的欠阻尼 Langevin 系统，用动量预条件与动能梯度的“平滑谱驯化”来处理矩阵空间 Gibbs 采样；在势能既非凸也非全局梯度-Lipschitz 的条件下，证明目标测度不变、加权全变差距离下指数收敛，并给出无需修改势能梯度即可保持时间一致矩界的 Euler-Maruyama 离散化。
值得关注：本条与已有“驯化 Langevin 超越凸性”的脉络相关，但增量在于：从显式次梯度/驯化 Langevin 转向**欠阻尼 Langevin + 动量预条件 + 谱驯化**，并将对象扩展到矩阵空间 Gibbs 分布、加…
MosaiChunk 提出一种时空记忆机制，通过选择并合成历史 key-value（KV）条目，在固定记忆预算下提升自回归视频生成对远距离对象/场景的“回访一致性”；生成器保持冻结，仅训练轻量 router。
值得关注：它将长时视频生成的瓶颈从“单纯扩大上下文窗口”转向“如何有效访问和合成历史记忆”。 它强调 revisit consistency，即对象/场景离开再返回后能否保持细节一致，这可能补充传统短片段质量评测。 它提供了一个…
本文提出把非可逆共形图像变换 $T$ 及其适配递归约束的广义逆 $T^\dagger$ 与扩散去噪步骤交错编织，使自指场景与其几何扭曲同步生成，以解决仅靠提示、事后变换或采样中直接变换的不足。
值得关注：它把经典艺术与数学对象（Escher、Penrose、共形映射）和现代生成模型连接起来，并指出了一个具体失败模式：生成模型会“修复”人为扭曲，使递归结构难以保持。其提出的“编织”策略可能对需要全局几何一致性的生成任务有…
MIRTO 试图把脑MRI无监督异常分割（UAD）的评估从“单一排行榜分数”转为对配准、阈值、假阳性预算、指标聚合和病灶定义等评估选择的显式、多重宇宙式检验；据候选摘要，这些选择可能显著改变方法比较结论（待核实）。
值得关注：它把“评估管线选择”本身作为变量，而不是只比较模型架构或训练策略。 配准门控和实际假阳性负担报告，可能减少因几何错位、阈值迁移和指标聚合造成的虚假优势。 对脑MRI异常分割基准而言，单一分数可能不足以支持稳健结论；需要…
LSL 是一个面向大模型“灾难性遗忘”的通用训练框架：它把遗忘重新表述为每个权重矩阵输入空间中的几何问题，并在不访问旧数据的前提下，用“权重适配器 + 高斯混合模型门控”的组合让更新只作用于当前阶段的数据分布，从而在继续学习新能力的同时保留旧能力。**（该判断基于候选摘要，正文未抓取，细节待核实。）**
值得关注：**与主流缓解手段的差异**：常见做法依赖旧数据回放、正则化约束或参数隔离；LSL 强调“无旧数据”，且以输入分布局部性作为保留机制——若被验证，是一条较低成本的替代路线。 **把遗忘几何化**：从“指标现象”转向“权…
据候选摘要，该研究为具有有理多面体状态-动作矩形不确定性（覆盖奖励和转移）的鲁棒马尔可夫决策过程（RMDP）构造单个线性规划（LP），使其最优解可恢复鲁棒最优值和所有最优平稳随机策略；并在固定折扣因子下给出多项式规模 LP 与强多项式构造，同时改进或建立若干 RMDP 与回合制随机博弈的复杂度界。正文未抓取，相关定理细节与证明待核实。
值得关注：鲁棒 MDP 关注不确定性下的序贯决策；若能以单个 LP 表示并给出强多项式算法，理论上可提升问题可解性与复杂度理解。 候选摘要强调“所有最优平稳随机策略”的恢复，这可能对策略集合刻画有意义；但完整证明与条件待核实。 …
LACE 将大语言模型用于组合优化算法设计：先建立经验证的问题契约和 I–O–T–H 接口，再通过时间约束下的互补演化生成并选择一组互补启发式；材料报告其在 36 个 CO-Bench 经典问题上平均得分 0.945，高于最强已有 LLM 基线 0.870 和直接提示 0.571，并把增益主要归因于框架而非单纯模型。
值得关注：这条工作把大语言模型从“直接写代码/单次提示”推进到“结构化算法发现框架”：问题契约、工具库和互补启发式组合共同构成可演化的设计空间。材料强调增益来自框架而非模型，这对图书、简报和产业讨论都很关键：不要只问“换哪个模型…