外观
AI 导读DONIC 是首个跨操作类别与人体动作源联合训练的双手机器人跟踪器，配套 BiHOI 数据集含 1575 段序列、229 个物体，并将重建交互重定向为机器人参考。它把近端策略优化与行为克隆循环结合，将验证成功的执行回收为演示，并以物体中心逐手奖励和 Clip-Centered Advantages 处理异构参考。单一检查点未经微调在未见训练物体轨迹上成功率 86.79%，留出物体上 57.32%，比双手机器人跟踪基线分别高 77.36 和 45.73 个百分点。
AI 选稿理由首个跨操作类别与人体动作源联合训练的双手机器人跟踪器，配套 BiHOI 数据集，给出了留出物体上 57.32% 成功率，实验范围限定于该数据集与跟踪任务。
AI 导读论文将多模态具身智能体定义为把多模态任务推理与物理动作结合、并依据反馈修正决策的系统，提出按功能划分的PAPAV五能力框架：感知状态、预判动作效果、规划可行路径、通过接口或身体执行、验证结果。作者比较了电脑使用智能体、多模态智能体与机器人系统，并指出物理约束——从部分可观测到结果难验证——使可预先固定的选择更少、纠错空间更小。在64个基准中，显式评估集中在“执行”，仅5个评估“预判”、3个评估“验证”。
AI 选稿理由论文提出统一的五能力框架，并用64个基准的统计指出预判与验证能力在评测中严重缺位，为具身智能体的评估设计提供了可复用的分析框架。
AI 导读论文提出Harness Scaling，不再只用固定harness训练Agent，而是构建因子化harness空间，选覆盖均衡的小训练子集，组织跨harness训练。在多基准、不同模型规模和RL算法下，对未见白盒配置的泛化稳定提升；经结构化白盒变化训练的模型也能迁移到未见的外部黑盒harness，优于用单一复杂黑盒harness训练的模型。
AI 选稿理由论文给出一种可操作的Agent RL训练方法：通过有组织的harness多样性提升跨执行配置泛化，并在多基准、多模型规模和多种RL算法下验证；实验结论限于所测白盒与黑盒harness范围。
AI 导读VX-One用10万至1000万参数的多头网络输出二值门、含明确未知选项的闭集选择和序数分，CPU上p50约0.7–1.7毫秒。在UNSW-NB15、CIC-IDS2017、EMBER2024上与校准XGBoost、随机森林、MLP、Kitsune对比：VX-One在UNSW-NB15和CIC-IDS2017时间漂移下检测占优（0.711对0.637），多类归因三项基准均由XGBoost胜出；留一攻击族门在9/9个UNSW折上检出未见族，但在CIC侦察族低于随机水平。五日Suricata加VX-One级联中，无载荷重建时签名引擎仅解析约0.1%流量，第二阶段把召回补到至少0.978；所有方法的时间漂移下校准均崩塌（ECE从0.04升至0.40）。
AI 选稿理由给出类型化校准决策头在边界分诊中的逐项实测，明确了未知攻击检出、跨基准阈值迁移和多阶段级联的失效条件。
AI 导读研究者提出视觉状态编码器 ALPS，仅用静态图像与文本，以语言、重建和空间对应目标从零预训练 ViT-B/16，再用跨视角自蒸馏精调。在15个公开编码器的统一评测中，ALPS 的 LIBERO 状态探针聚合误差在 ViT-B 模型中最低，追平体积大3.5倍的 V-JEPA 2-L；冻结特征配合原生文本塔在 LIBERO 上策略平均成功率85.5%，在 PushT、Wall、Granular 的世界模型规划中持平或超过领先编码器，预测的未来 token 可直接解码成像素。
AI 选稿理由提出一种同时具备物理状态、语言对齐和像素重建能力的视觉预训练编码器，在15个编码器对比中刷新ViT-B级状态探针误差，并报告LIBERO策略成功率与世界模型规划结果。
AI 导读研究提出 RubatoCodec，基于 X-Codec-2 实现可变帧率语音编解码，并用 Adaptive Firing 依据特征与波形频谱把语音切成时长可变的事件，每个事件由离散码加显式时长表示，可逐个事件流式解码。低事件率下重建保真度和可懂度优于定帧率；多语种模型在英、日、汉语上重建质量有竞争力，英日基准可懂度最佳；配套 TTS 的 WER 更低、UTMOS/UTMOSv2 更高，且无需生成时速率约束即可学会事件预算。代码与权重已开源。
AI 选稿理由给出确切 utterance 级事件预算的可变帧率语音编解码与流式解码，并配套 TTS 实验验证，适用范围为语音重建与流式语音合成研究。
AI 导读论文指出，在教师强制下，自回归视频扩散模型容易依赖局部视觉连续性来去噪当前片段，未必真正学会场景如何演变。作者提出 Future Chunk Prediction（FCP）：在教师强制去噪之外，同时预测与当前相隔一段时间、且看不到中间视觉上下文的片段。该方法直接从训练视频取监督，不需要额外的预训练视觉编码器，也不改变自回归推理。结果显示，在总体训练计算量更低的情况下，其物理合理性优于标准教师强制训练；可视化还显示，表示空间更有结构，作者认为这可能有助于构建自回归世界模型。
AI 选稿理由论文给出可复用的训练目标，删除视觉演变捷径，在不增加推理改动、降低训练算力下提升物理合理性，属视频世界模型研究进展。
AI 导读视频扩散Transformer的3D注意力开销大，块稀疏注意力只算部分注意力块，但现有方法未优化稀疏分配的层与去噪步组合。作者发现不同层-步对最终画面保真度影响差异很大，且最敏感组合跨输入几乎不变。ALLOT把每对视为单元，经单元探测与轨迹校准估计其对最终视频误差的贡献，在实测延迟预算下联合优化密度，只替换分配环节。相同或更短墙钟时间下，在HunyuanVideo上PSNR比现有分配策略高11.8 dB；在Wan2.1、Wan2.2、HunyuanVideo的四种已发布管线九种设置中，均优于或持平默认。
AI 选稿理由提出免训练稀疏分配方法，在实测延迟约束下按输出误差优化层-步密度，并在五种视频生成管线九种设置中验证优于或持平默认，给出可复用思路与具体PSNR收益。
AI 导读论文提出以记忆为中心的持续学习（MCCL），主张记忆应以能否改善未来行动来评判，而非只看检索准确率。框架包含三部分：按存储基质、资产形态和管理策略划分的三轴分类及内外双循环生命周期；衡量干扰下保持、变化适应与任务迁移的评估协议；以及刻画性能随经验、存储和算力扩展的记忆扩展框架。
AI 选稿理由提出代理记忆应从被动检索转向持续学习，并给出分类、评估协议与记忆扩展框架，属方法论贡献，尚无实验数字。
AI 导读研究揭示扩散语言模型的量化敏感性与任务和时间步相关，不同下游任务在去噪步骤中需要不同精度。基于此，研究提出T2Quant框架，使用无标签敏感信号在固定比特预算下优化激活精度分配。在三个DLM和六个基准测试中，该方法平均准确率提升最高达6.7个百分点。
AI 选稿理由T2Quant框架首次实现扩散语言模型的任务和时间感知量化，无需标签即可预测量化敏感模式，在相同预算下显著提升准确率。
AI 导读Hugging Face发布了一项名为UserArena的基准测试，包含来自11,010个用户的64,729个会话轨迹，涵盖566,102个商品和13种动作类型。该测试旨在评估交互式用户模拟在长时购物代理中的应用，通过结合交互环境和离线验证，支持从输出有效性到个性化、结果等五级评估。同时，提出了On-Policy Trajectory Distillation (OPTD)技术，以提供更精确的模拟器。
AI 选稿理由UserArena基准测试为长时购物代理的交互用户模拟提供了新的评估标准，OPTD技术提高了模拟器的精确度。
AI 导读研究人员提出了Dual Exam，一个用于评估多模态代理和世界模型相互作用的工具。该工具在物理、数字、社会和科学领域测试代理和世界模型，比较了多种配置和案例。GPT 6 Astra和GPT-Image-2在各自的测试中表现突出，但结果揭示了任务性能的不均衡和任务相关状态的保留问题。
AI 选稿理由Dual Exam为多模态代理和世界模型的评估提供了新的方法，有助于理解它们之间的相互作用。
AI 导读Hugging Face发布了一篇论文，介绍了一种名为TWIG的神经网络权重表示方法。该方法将每个权重视为一系列小离散决策的终点，使得权重层几乎完全由线和加法器组成，适用于固定权重的芯片。TWIG使得剪枝、量化、低秩分解、代码簿和权重共享成为单一对象的编辑，单个优化器可以为整个网络选择所有这些方法。在大型语言模型的五个权重矩阵上，TWIG在3位和4位精度下，与GPTQ相比，在相同层错误率下需要少9-15%的加法操作。
AI 选稿理由TWIG方法在神经网络权重表示上提供了新的视角，有助于优化网络结构和性能。
AI 导读Echo是一种框架，它结合了任务状态信号学习，无需帧级进度注释，以及在一个视觉语言动作（VLA）中预测和生成状态的紧凑设计。Echo通过将停止和失败信号作为每个动作块的二维添加，并与机器人动作一起去噪来表示任务状态。为了在没有细粒度进度注释的情况下学习这些信号，Echo构建了成功、失败和恢复轨迹，具有互补的监督属性。Echo通过控制信号和动作之间的交互，并比动作更快地去噪信号，来实现状态信号引导的动作生成。广泛的实际操作实验表明，Echo可以准确地预测任务状态，并一致地提高策略性能。
AI 选稿理由Echo框架通过创新的方法提高了视觉语言动作模型中任务状态信号的预测和动作生成能力，这对于机器人执行决策和任务恢复具有重要意义。
AI 导读研究团队提出HiSTEVE，一种分层VLA代理，通过能力感知代理框架结合长程自主与原生界面控制。该代理在Minecraft中实现85.0%的MineStudio Bench得分和37.4%的OpenHA平均成功率，能像人类玩家一样从零开始制作铁镐。
AI 选稿理由HiSTEVE通过分层架构和特定技术解决了开放世界游戏中长程自主与原生界面控制的整合问题，在Minecraft基准测试中达到最先进性能。
AI 导读研究人员开发了一种名为DirCast的单流媒体视频语言模型，能够实时进行电子竞技直播的导演和解说。该模型通过分析所有摄像机的低分辨率画面，决定何时切换镜头，并在高分辨率下读取选定镜头的内容进行解说。DirCast在导演和解说方面均优于基于规则的导演和GPT-5等模型，解说能力在Proact-VL协议下与GPT-4o相比胜出29.2%。
AI 选稿理由DirCast模型在电子竞技直播导演和解说方面展现出优于现有技术的性能。
AI 导读研究团队开发了解释性管道，发现视觉-语言-动作(VLA)模型将任务指令编码为绝对坐标程序，导致对物体位置变化的脆弱性。通过激活注入实验，模型在99.6%的案例中执行源任务的轨迹，即使面对不同场景。研究还发现不同架构对指令的权重分配差异，以及目标选择与动作生成的分离机制。团队发布了Action Atlas交互平台，包含520+训练SAEs、79个识别概念及UR10e实验结果。
AI 选稿理由提供了视觉-语言-动作模型的内部工作机制解释，揭示了其脆弱性的根本原因，并开源了可复用的分析工具与数据集。
AI 导读现有世界模型编码器不随任务调整，容易被与任务无关的视觉细节干扰。ConfigWM 以自然语言任务描述作为配置信号，把视觉嵌入映射到任务专属状态空间，只保留相关信息，再在其中学习动作条件动态用于规划。在干扰逐步增强的环境中，ConfigWM 的规划成功率保持相对稳定，平均超过最强对比方法 22.3%；物理量探测的 Pearson r 提升 0.365，干扰到干净检索提升 75.5%。
AI 选稿理由提出用语言任务描述驱动状态空间配置的世界模型方法，在噪声递增环境中给出规划成功率、物理量探测与检索三类量化结果，属于有实验范围的能力进展。
AI 导读论文提出HarnessAdapt-RL，在强化学习训练编码Agent时同步调整模型策略与执行框架（harness），不再固定框架只更新策略。冻结教师为具体任务生成机制级技能，另一教师按跨任务共性问题演化工具与hooks，仅保留不降低通过率或可训练率的改动。9B基座模型在SWE-bench Verified、Multilingual、Pro上pass@1较GRPO分别提高9.8、12.6、6.4个百分点，也优于配OpenHands人工框架的GRPO。
AI 选稿理由给出把Agent执行框架纳入强化学习训练的具体方法，并在SWE-bench三个设置上量化对比GRPO与人工框架，属可复用的Agent训练研究。
AI 导读Dharma AI 在基于 Qwen3-4B 的葡萄牙语作文评分器上，不换基座模型、数据与训练配方，仅用 VocabX 重建词表。方法按生成token成本而非出现频率选择子词与整段宏token，并控制输出层从约15.2万行降至约6.5万行。同一批500次请求上，平均回复从350token降至101token，实测推理成本降77.0%，bench分数从0.703升至0.810。论文仍在评审中，数据可能变化。
AI 选稿理由给出可复用的词表级推理优化方法及生产评分器的实测成本与质量结果，实验条件明确。
AI 导读Google Research在《JAMA Network Open》发表前瞻性多中心研究：让未受过超声培训的操作者用低成本便携探头按标准路径盲扫腹部，由AI估算孕龄。385名16–36周孕妇中，AI平均绝对误差4.18天，专家超声测量为4.48天；芝加哥适配后为4.10天，内罗毕零本地优化为4.27天。仅用芝加哥120人约6%训练集的数据微调即适配新探头，并将预测范围扩至36周以上。
AI 选稿理由新增前瞻性多中心临床验证：AI盲扫孕龄评估在低资源与高资源场景均达到与专家操作非劣的4.18天平均误差，且仅需约6%数据微调即可换用新硬件。
AI 导读针对RLVR奖励稀疏、长程任务难以分配信用的问题，作者提出Self-Credit：先让策略模型在 rollout 中生成带引用的摘要，标出关键证据所在轮次；再用同一提示下成功与失败轨迹的组内一致性重缩放这些引用，削弱错误信用、强化关键动作，并据此调整引用轮次的优势值。在BrowseComp-Plus上，Qwen3 8B与32B分别比基座高37.0和36.2分，比最强智能体RL基线高8.5和5.6分；GAIA与xBench-DeepSearch分别再高4.9和4.7分。
AI 选稿理由提出无需额外标注的信用分配方法，在Qwen3 8B/32B上给出BrowseComp-Plus、GAIA、xBench-DepSearch的具体提升幅度，适用于长程工具型智能体RL训练研究。
AI 导读微软研究院Xinzhi Zhang与合作者证明了1995年提出的Kannan-Lovász-Simonovits（KLS）猜想：对对数凹分布，最佳平坦切割与任意形状切割的差距总被一个与维度无关的常数界定。研究者用AI智能体探索了约100条候选路径，由人筛选方向，最终通过递归细化与误差有界性论证完成证明；同日另有两组独立证明与Lean 4形式化验证发布。
AI 选稿理由解决了高维几何与概率论31年核心公开问题，把此前随维度缓慢增长的界收紧为维度无关常数，使大量依赖该猜想假设的结果可无条件陈述；同时提供了人指导AI做数学研究的可复用流程对照。
AI 导读论文提出HRoPE，把每个patch的局部几何表示为倾斜3D平面，并将token级、由平面诱导的单应性作为相对变换注入注意力，从而在视角间校正透视畸变、对齐patch特征。该方法无需真值几何，平面参数可在视角合成目标下端到端预测，也可由基础模型导出。在RealEstate10K、CO3Dv2和DL3DV上的新视角合成实验中，最佳变体持续优于所评估的几何位置编码。
AI 选稿理由提出表面感知位置编码，把patch平面单应性注入注意力，在三个新视角合成数据集上验证优于现有几何位置编码，且不需要真值几何。
AI 导读论文指出现有 JEPA 的稠密 patch 表征需下游预测器隐式恢复物体结构和跨时间对应。作者提出 Slot-JEPA，将稠密表征分解为稳定语义槽与时变空间掩码，预训练一次后冻结即可复用；配套的过渡记忆预测器 TMP 用掩码存储视觉过渡，并用非平衡最优传输监督掩码与评估候选计划。在 7 个视觉理解基准上槽重建特征保持可迁移，并在 6 个平面环境和 REALM-JEPA 的 4 个机械臂规划任务上提升目标条件规划。
AI 选稿理由提出可复用的物体结构化接口并在 7 个视觉基准、6 个平面环境和 4 个机械臂规划任务上验证迁移与规划提升，适用于关注世界模型与机器人规划的研究者。
AI 导读论文提出多智能体世界模型OverSeer，在智能体第一视角之外加入空间固定的辅助摄像机视角，作为世界中心表征的代理，使视角变化直接对应世界状态的局部变化。辅助视角因冗余半静态特性可用delta-VAE仅编码相对静态参考图的变化来压缩token。Minecraft与Doom实验显示世界与智能体一致性提升，真实多相机采集的定性结果表明方法不限于游戏引擎，压缩分析显示计算开销显著降低。
AI 选稿理由提出固定辅助视角加delta-VAE压缩的多智能体世界模型方法，在Minecraft、Doom及真实多相机数据上验证一致性提升与计算开销降低。
AI 导读Anthropic 的 Claude 独立设计了靶向致命蝎神经毒素的蛋白结合剂。在超过 31.8 万个设计中，211 个进入实验室测试，17 个符合标准；其中最强的两个与墨西哥蝎毒素 Cn2 紧密结合。这些结合剂是否真能作为抗毒血清仍无定论。
AI 选稿理由这是同一抗蝎毒蛋白设计工作的外媒复述，与已刊 5 人团队用 Claude 设计抗蝎毒蛋白属同一事件，未提供新增事实或数据变化，按重复稿处理。
AI 导读论文提出Agent S4，让接口设计本身成为Agent能力：元智能体在无成功标签的合成任务轨迹上构建并修订接口仓库，再用种群式进化按验证任务表现筛选。在OSWorld V2上，搭配Qwen3.8-27B的Agent S4取得21.3%二元得分，是同模型固定接口的3.8倍，超过GPT-5.5（13.0%）和Claude Opus 4.8（20.6%），成本约为后两者的4.3%和1.5%；ScienceBoard成功率从41.4%升至58.6%。代码已开源。
AI 选稿理由提出从任务经验自动进化Agent接口的方法，在OSWorld V2和ScienceBoard上以约1/4至1/15成本超过GPT-5.5与Claude Opus 4.8，为计算机使用Agent提供接口自进化的开源方案。
AI 导读NVIDIA研究团队提出Joints, Camera, Action!（JCA）模型，可为任意给定的骨骼绑定（rig）同时生成视频与可回放的3D动作，并估计相机将动作配准到场景。方法将3D动作保留在独立模型中，通过少量交叉注意力层连接预训练视频模型；模型还学习在视频帧中定位每个关节以恢复相机。借助生成式视频编辑器布置动画3D资产，团队整理出近20万对训练数据（含人与机器人视频）。评测显示该模型从文本驱动多样骨骼比视频优先管线更忠实，动作会响应周围场景，且支持视频转骨骼动作、骨骼动作转视频及基于关键帧的3D动作控制。
AI 选稿理由提出首个支持任意骨骼绑定的视频与3D动作协同生成方法，通过分离式架构与关节定位恢复相机，用近20万训练对实现可回放、场景响应的3D动作生成及双向转换。
AI 导读论文提出把多模态重排序视为“系统一”式单选决策：让通用 VLM 对第一阶段检索的前 16 个候选做一次单选，排序依据是单次前向计算中候选项标签的概率。在 MMEB-V2 图像检索上，该做法比逐候选是/否提问高 5.4–7.3 hit@1。零样本 Qwen3.8-27B 在三个基准上超过监督式 Qwen3-VL-Reranker-2B，并在每个基准上距 Reranker-8B 不超过 1.6 分；其延迟为后者的 1.1–1.5 倍。作者也指出，模型规模和代际差异会混淆对比结果。
AI 选稿理由给出可复用的多模态重排序方法及 MMEB-V2 等基准的具体增益与延迟数据，并说明模型规模与代际差异会影响对比结论。
AI 导读Specter将量化、投机解码与专家卸载结合，用轻量量化草稿模型在设备上保留高保真的专家激活模式，从而提前预测并调度后续专家数据的搬移。在单请求推理下，相比当前最优系统，TPOT平均快1.50倍、最高1.88倍，使显存受限的单卡MoE推理更可行。代码已开源。
AI 选稿理由给出量化草稿模型驱动多步专家预取的具体系统设计，并在单请求场景测得TPOT平均1.50倍、最高1.88倍加速，适用于受PCIe卸载瓶颈限制的MoE推理。
AI 导读Matrix-Game 4.0将游戏执行与画面生成分离：轻量游戏引擎维护世界状态并执行交互规则，多模态编码Agent把玩家想法转为游戏代码和动态场景描述，基于自回归视频模型的渲染器再把低多边形代理画面转为高保真视觉。单张RTX5090实现480p、60FPS，按键到显示延迟112ms；单步生成稳态83FPS，峰值显存18.2GiB，RTX5080和RTX5070Ti上分别为67FPS和58FPS。代码、模型权重和低多边形游戏资产已开源。
AI 选稿理由给出可玩游戏世界的执行—渲染分离架构，并在单卡上实测延迟、帧率与显存，同时开源代码、权重和资产，为实时视频生成与游戏交互结合提供可复现基线。
AI 导读研究者提出Lafa，将连续流语言模型扩展到8B参数，采用块内双向异步流加前缀因果注意力的设计，可通过改造预训练自回归模型高效训练，并用前缀缓存和块级并行解码加速推理。在0.5B、7B、8B规模上，均以少于300亿token完成训练，指令跟随、推理和编程质量与AR相当或更好，还能蒸馏成流映射，实现一步或少步生成。利用流训练的多token预测效应做自推测解码，吞吐量达AR的2.54倍。
AI 选稿理由给出8B连续流语言模型的完整训练与推理方案，并在多token预测和自推测解码下报告了2.54倍吞吐的具体结果，属于可复用的生成建模范式进展。
AI 导读研究团队发布EvaOmni视听推理基准，含392段视频、1027个人工标注问答对，覆盖检索定位、基础理解、复杂推理三层共15项能力。评测要求模型同时返回答案与支撑证据区间，并用C.G.衡量证据覆盖、B.G.惩罚单模态时间定位偏差。在24个Omni模型上，Gemini3.7-Flash综合准确率最高（79.4%），但Level 3的B.G.仅12.3%。
AI 选稿理由新基准把“答案+音视频证据区间”纳入评分，并给出24个Omni模型的分层结果，可复用于视听推理评测。
AI 导读论文提出 Progress-Aligned Recurrence（PAR）：把第k次迭代的预测对齐到前k步后的状态，并把循环状态缩放回首次迭代的范数。用最多32步训练的Qwen2.5-0.5B在swap-S_5上做512步全状态跟踪，平均准确率95.5%，为训练长度的16倍；同骨干下RLT为55.7%，显式思维链仅0.8%。消融显示去掉范数锚定后外推倍数从16倍降至2.2倍以下，把进度对齐目标换成最终答案监督则至多8倍。
AI 选稿理由给出可复用的训练方法：进度对齐目标加范数锚定，使循环深度在状态跟踪任务上的外推从不到2.2倍提升到16倍，并附同骨干对照与消融结果。
AI 导读研究提出 S-Agent 2.0，为现成通用编码代理配备命令行感知工具包，并通过持久场景记忆让模型把工具读到的几何数据转成空间结论。开源底座 Qwen3.8-27B 接入后，MMSI-Bench 和 ReVSI 分别比无工具版本提升 13.9 和 20.5 分，达到 66.5 和 82.3，超过同底座的 SpatialClaw；接 Gemini-3.8-Flash 时同样领先。该方案可运行在 Codex、Claude Code 等代理框架上。
AI 选稿理由给出空间推理代理的工具接口与记忆设计，并在两个基准上按开源/闭源底座分别报告相对无工具与 SpatialClaw 的具体分数变化，属于可复用的研究方法进展。
AI 导读研究提出 Video-Point Model（VPM），以多视角视频历史和语言指令为条件，联合预测任意视角的未来视频和持续场景点的 3D 轨迹。团队扩展预训练世界模型，加入相机条件多视角处理和轨迹预测头，并构建 VPM-Data 仿真语料与 VP-WorldBench 基准。将动作作为 token 接入后，该模型在仿真与真实机器人操作中成功率均提升。
AI 选稿理由新增可复用的世界模型方法：点轨迹监督同时改善视频保真度与 3D 运动精度，并覆盖仿真和真机操作任务。
AI 导读研究团队发布DecisionPivot诊断基准，含48项任务、40033条数据，覆盖七类决策角色，核心轨道7800条来自13个生成任务族并组织成对比组。评测40个决策模型和14个通用模型后发现，参考轨道上仅差2.6分的两个27B模型，对比组准确率分别为70.1%和44.2%；Perplexity Decider在2400对二选一中概率排序正确率92.3%，但两项都答对仅74.1%。
AI 选稿理由新基准将LLM系统内决策模型的评估从单项准确率扩展到对比组、校准与选择性覆盖，并给出多项模型间的具体差异数据，适用于研究LLM路由与护栏评估的读者。
AI 导读研究者提出 RiseHarness 框架，在模型权重不变的前提下迭代改进智能体的 harness。它聚焦同一配置下时成时败的任务，把成功轨迹与运行时监控的内部 harness 跟踪结合分析，再借 Harness Handbook 定位共享机制中的反复问题，检索其他 harness 的实现并适配，经行为检查与重复评估后以有效版本进入下一轮。论文评测了任务成功率与可靠性，并做了消融与未见基准迁移测试。
AI 选稿理由提出不改变权重的 harness 自改进方法，针对长程终端智能体跨次运行的不稳定，给出可复用的失败分析与跨框架机制迁移流程。
AI 导读研究者提出MMEnterprise-Bench基准，包含1,613个基于模拟协作项目动态多模态记录的问题，分为证据推理、冲突消解、不可回答三类。评测10个开源与专有多模态大模型发现，最强模型在跨源或时间冲突、证据跨多图时仍表现不佳；提高检索预算或换更大检索器只提升证据召回，未稳定提升答案准确率。
AI 选稿理由为企业多模态Agent提供可复用的评测基准与实证发现：检索召回提升未稳定转化为答案准确率，适用于评估动态记录问答系统。