一篇讨论“世界-动作模型”表征空间应如何设计的研究，主张仅靠重建保真度或预训练感知特征都不足以支撑有效策略学习，并据此提出以 DINO 预训练特征为基础、经特征校准与时间表征瓶颈组织的 ReWAM；据候选摘要，其在 RoboTwin 2.0 上报告 93.6% 成功率（完整正文未获取，数据待核实）。
值得关注：把问题从“堆预训练数据和生成式视频建模”转向“表征空间该承载什么”，对世界-动作模型的设计取向有方法论意义。 明确区分了两类目标：策略需要的是“可行动”的表征，世界模型需要的是“可演化”的表征；Action-Groun…
LIFT（Latent Information Feedback Transformer）通过把循环状态学习转化为教师强制预测问题，在预训练中让 Transformer 语言模型学会将深层信息反馈到浅层/后续生成步；在 135M–1B 参数范围、token 匹配预算下，它持续优于标准 Transformer 和基线，并在状态跟踪任务上表现出显著样本效率优势…
值得关注：它直接挑战标准 Transformer 的前馈信息流限制，探索“深度到浅层反馈”能否在预训练中被学习。 通过教师监督预计算状态，把通常需要序列递归的状态学习变成可并行训练的目标，兼顾表达与效率。 状态跟踪任务的受控结果…
PowerSim 提出将预训练 PowerFoam 的 power diagram 3D 表示直接与 Material Point Method（MPM）耦合，使可微物理仿真的运动直接驱动场景几何与外观，无需中间辅助表示；摘要称其在物理基础动力学上优于先前框架，并支持动态场景中的二次光线反射等应用，具体定量结论待核实。
值得关注：该工作的重要性在于尝试绕过仿真与渲染之间的辅助表示，把 PowerFoam 的 primitive 属性与 MPM 跟踪量对齐，并让形变直接更新几何与外观。对于关注可微物理、3D 场景表示、动态渲染和材质恢复的研究者，…
Point2Part 将3D部件分解重新表述为对整个形状的联合完整划分：用户为每个期望部件提供一个3D点提示，模型输出互不重叠且共同覆盖整个形状的部件；摘要称其在图像到部件生成、网格到部件生成和部件分割三个任务上均优于现有工作，并将部件间兼容性相较此前 SOTA 提升一个数量级。
值得关注：与已有卡片相比，ELSA3D 关注统一3D理解与生成，MAGiSt3R 关注单目RGB视频前馈式3D重建，投毒攻击卡片关注3D点云数据安全；本卡增量在于把“完整且互斥的部件划分”作为3D部件分解目标，并用3D点提示实现…
DeGG-Flow 将多智能体生成过程建模为控制仿射动力系统，通过解耦生成引导为共享/私有耦合需求提供引导条件与理论保证，并在多机器人协作和多对象场景生成中直接生成满足对应硬需求的对象，包括训练未见过的团队规模。
值得关注：该工作试图把生成模型的表达力与硬约束满足、收敛保证和分布偏差分析连接起来，尤其针对多智能体设置中的共享与私有耦合需求。解耦引导意味着各智能体可独立确定引导输入，而不必依赖其他智能体同时计算的引导输入，这对分布式多智能体…
LongLive-Plug 提出一种 once-for-all 蒸馏框架：把可复用能力作为 LoRA 学到基座模型上，再以免训练、即插即用的方式部署到兼容的下游视频扩散模型，从而避免为每个专用模型重复蒸馏；具体效果与边界待核实。
值得关注：与已有“并行解码蒸馏：面向快速图像与视频生成的轨迹式蒸馏方法”卡片的关系：两者都涉及视频生成蒸馏与加速；LongLive-Plug 的增量在于把蒸馏产物做成可复用的 LoRA 能力包，强调 once-for-all 与…
LongHarness Bench 是一个同时评测长上下文 harness 有效性与效率的基准；它指出既有长上下文评测难以区分现代 harness，最佳 model–harness 组合在四个评测套件上仅达 68% macro-average accuracy，且同一底层模型在不同 harness 下效率差异显著。
值得关注：既有长上下文评测可能出现准确率饱和，难以区分现代 harness；如果只看准确率，可能忽略不同 harness 在计算成本与处理策略上的差异。LongHarness Bench 将效率与准确率–成本权衡纳入评测，强调同…
LIFT 是一个统一图生视频框架，在相机轨迹控制之外引入“未来布局（Layout-In-Future）”控制，让用户在给定首帧图像时不仅能指定相机怎么动，还能指定未来（尤其是末帧）画面里应出现什么、出现在哪里；为缓解末帧稀疏布局监督难以学习的问题，作者提出同策略自蒸馏（On-Policy Self-Distillation, OPSD），把密集逐帧布局教师…
值得关注：它把可控视频生成的控制轴从“相机怎么走 + 文本说什么”扩展到“未来某一时刻画面元素在哪”，这是文本提示难以精确表达的一类约束。 大视角变化下会出现首帧不可见区域的生成问题，末帧布局控制为该场景提供了显式锚点。 方法层…
论文提出 Meta-Skill：Builder 在模型权重固定条件下，从 Target 的执行反馈中学习“何时需要支持、提供什么资源”的原则，形成冻结技能库，并用它为未见任务构建 Harness；在 Harness-Bench 和 NewtonBench 上，完整元技能库比无技能构建提升 8.95 个百分点，比把同一技能库直接交给 Target 提升 12…
值得关注：把关注点从“提升模型推理能力”扩展到“设计模型行动环境”。 权重固定意味着无需微调即可改善 Target，适合测试时适应与系统级编排。 与已有卡片的关系：本条不同于 GaP 的多智能体图式策略自学习，也不同于 VLM …
LeapQuant 是一种免训练方法，把混合线性注意力模型的循环状态量化到 8-bit，并通过分窗量化、补偿 token 与残差平滑，在 Qwen、Kimi、GLM 系列上取得与 FP32 基线相当的精度，同时报告 kernel 级 2.05–3.70×、端到端 1.47× 的平均加速。
值得关注：长上下文 LLM 的瓶颈正在从标准注意力的矩阵计算，部分转向线性注意力循环状态的读写与更新。 单纯量化容易因误差累积和状态离群值而掉点；LeapQuant 的组合策略针对这两个失效来源。 与既有卡片的关系：已有卡片分别…
Imagine3D-LLM 提出一种让 MLLM 从多视图图像中先组装紧凑 3D 表示、再基于该表示回答问题的思路；摘要称其在多项空间推理与 3D 理解基准上一致优于先前方法。
值得关注：把 3D 理解从“外部注入几何特征/强化像素级对应”转向“模型内部先生成粗 3D 场景表示再回答”。 用重建式监督作为隐式 3D 感知训练信号，可能改善 MLLM 的跨视角整合能力。 与既有卡片中的 VLA 3D 操作…
FracGen 是一个“断裂感知”的视频生成模型：输入一张完整物体的单张图像，在物理信号条件下生成可控的断裂动态；其配套仿真框架 FracSim 用连续介质损伤模型增强物质点法（MPM），在不额外增加渲染成本的前提下产出配对断裂视频与稠密像素对齐物理场，用于训练与监督生成模型。（以上基于候选摘要与元数据，正文未抓取，细节待核实）
值得关注：断裂是视频生成中较难的一类动力学：涉及拓扑变化（新表面产生）、材料相关性与长时程稳定性，纯外观驱动的模型容易产生“看起来像碎、物理上不对”的结果。 该工作把**仿真产生的稠密物理场**作为监督信号，而非仅用像素重建损失…
EmoRES-TTS 是一种免训练的情感 TTS 向量引导方法：它把情感向量拆成“共享成分”和“残差成分”并分别控制；材料称其在 IEMOCAP 上、以 IndexTTS-2 与 CosyVoice2 为骨干时，四个客观情感指标均优于 CoCoEmo，同时人类评估显示情感识别率、保真度和自然度偏好有提升。
值得关注：情感 TTS 的可控性是语音生成应用中的关键问题；免训练向量引导可避免重新收集情感标注语音和重新训练模型。 该工作把“单一全局强度控制”推进为“共享/残差成分分解控制”，提供了更细粒度的情感 steering 思路。 …
据摘要，DMA$^2$ 面向像素空间教师模型重新设计 DMD 的教师匹配与真实数据匹配接口，并引入 DINO-Adv 与 AF-Loss，形成四步文生图蒸馏方案；在 DPG-Bench、GenEval、VQAScore、COCO30K 上，四步学生优于 25 步教师及所评估的少步蒸馏器。
值得关注：将 DMD 的讨论从主流潜空间文生图扩展到像素空间教师，强调原生 RGB 可能带来的设计机会。 与既有卡片的关系：已有卡片分别覆盖像素空间三维统一生成/重建、像素空间稠密预测、像素对扭曲流场编辑；本条增量在于像素空间文…
论文提出混合 Transformer-卷积模型 **Cropland Parallel Attention and Refinement Network for Segmentation (PAtteRNS)**，声称是首个分别对 Sentinel-2 多光谱卫星影像时间序列（SITS）的时间、光谱、空间维度使用自注意力的模型；它在 PASTIS 与 MT…
值得关注：该工作把“维度因子化注意力”用于多光谱卫星时间序列的作物分割，可能为遥感基础模型处理时序、光谱、空间三类信息提供更高效的架构思路。 它强调除常见分割指标外，田块边界/地块轮廓质量也应被关注，评估指标的选择会影响结论。 …
PRISM 通过反事实视频生成，把少量真实人-物交互视频放大为大规模训练集，再用接触锚定的 real-to-sim 流程重定向为物理可行轨迹，从而训练单一策略；该策略在真实人形机器人上仅用机载深度观测即可完成多类物体的拾取、搬运和放下，且没有真实世界微调。
值得关注：视觉模仿和机器人基础模型常受限于高质量真实交互数据；本条用生成式视频放大少数样本，并强调通过接触锚定与运动重定向保证物理可行性。 与已有“梦见接触之声”等生成数据用于机器人操作的卡片相比，本条增量在于人形全身 loco…
CLeaR 是一个免训练（training-free）的风格迁移框架，主张通过正交子空间投影、集成反演与能量引导校准三个环节，在扩散生成全流程中同时压制“内容泄漏”并维持风格保真；论文称在 StyleBench 上取得更好的风格对齐、更低的泄漏和更优的 LLM-as-Judge 评价（具体数值与对比基线待核实）。
值得关注：把“内容泄漏”与“风格退化”从经验性调参权衡，改写成一个可分解到流水线各阶段的结构性问题，并提出跨阶段统一处理方案。 免训练路线降低了落地门槛：不依赖成对风格数据或微调，理论上可复用现有视觉基础模型与扩散采样器。 用多…
英文标题：**Breaking the Uniformity Trap: Scaling Video Diffusion Model via SplitMoE** 来源：https://arxiv.org/abs/2609.38140v1 Track：academic；Topics：foundation-model 研究问题：传统视觉 MoE 采用 tok…
值得关注：如果结论成立，它挑战了从大语言模型 MoE inherited 的“负载均衡优先”直觉：视频生成可能不应强制均匀路由，而应允许语义不平衡和长尾分布。 对视频扩散模型扩展、生成式基础模型架构和视频世界模型有潜在参考价值…
论文摘要声称：在“共同原因”假设下，非局域窗口必须位于物种形成窗口内；并给出系统规模增长时两个窗口收缩为单一极限时间的相变条件，在高斯混合中解析验证。具体证明细节、实验证据与适用范围待核实。
值得关注：该工作试图连接两个关于生成模型中语义结构出现的互补视角：语义类别锁定与局部生成能力失效。它把两者关系放到语义信息的空间分布、共同原因假设和相变框架下讨论。
材料称，Grounded Entity Biographies（GEB）把长视频中同一物理实例的视觉接地观察跨片段组织为可检索“传记”，并在问答时与情节证据共同检索，从而在多个长视频问答基准上优于既有记忆框架；在 EgoLifeQA 上达到 72.0% 准确率，比已发表最佳结果高 4.4 个百分点。
值得关注：它把长视频记忆的问题从“按时间线摘要/检索相关事件”推进到“按物理实体身份聚合观察”。如果材料结论成立，长视频问答的检索单位不只是事件片段，还可以是实体的跨事件传记。 消融结果提示，单纯增加文本描述不足以替代视觉接地的…