外观
AI 导读艾伦AI与宾夕法尼亚大学合作开发了LitPivot系统，帮助研究人员在早期研究阶段根据文献动态调整研究方向。该系统将研究提案分解为问题、贡献和评估三个部分，围绕正在编辑的部分组织相关文献，并提供基于文献支持的批判和建议。在17名研究人员的实验中，使用LitPivot开发的研究想法被认为比使用文本编辑器和AI聊天工具开发的想法更基于文献，参与者也认为其修订后的想法更具创新性和实用性。
AI 选稿理由LitPivot通过动态文献关联和批判性建议，显著提升了早期研究想法的文献基础和创新性，适用于各学科研究人员的早期研究阶段。
AI 导读研究提出RIDAR框架，用于自动检测和干预研究完整性违规(RIV)。首先引入包含14种RIV类型的RIVT分类法，RIDAR-post-hoc在RIV-Gold基准上达到85.2% F1性能，在RIV-Wild数据集中检测到99.7%轨迹中的3,964个RIV实例。RIDAR-runtime动态检测和纠正RIV，使任务完成时剩余RIV减少36.8%。研究团队将开源代码和数据。
AI 选稿理由RIDAR框架提供了首个全面的研究完整性违规检测与干预系统，通过分类法、后检测和运行时干预三层架构，显著减少了自主研究代理中的研究完整性违规问题。
AI 导读研究提出一套评估蛋白质-配体结合预测结构化方法的指南，强调透明披露训练数据、代码和程序的重要性，以促进可重复性、重用和独立审查。指南还强调防范数据泄露、采样偏差和设计缺陷，并建议使用共同数据分割、运行间变异性检查和性能基线进行有意义的方法比较。
AI 选稿理由该指南为蛋白质-配体结合预测领域提供了标准化的评估框架，有助于提高研究可重复性和方法比较的可靠性。
AI 导读研究团队提出F2G-Pose框架，通过单次前向预测从RGB-D观测中直接估计物体3D姿态、度量尺寸和相机坐标系下的完整形状。该方法将密集视觉基础特征提升到部分点云，使用DGCNN标记编码局部几何，并通过专家混合Transformer整合物体级结构。在SOPE和ROPE基准上达到最先进精度，姿态推理速度达28 FPS，并在HouseCat6D和HANDAL数据集上展示了强几何性能和真实物体迁移能力。
AI 选稿理由F2G-Pose实现了实时单次前向预测的类别级物体姿态估计，在保持高精度的同时解决了现有方法在可靠性和效率之间的平衡问题。
AI 导读MIT历史本杰明·林德奎斯特教授在《过去与现在》期刊发表论文，追溯AI幻觉的起源至20世纪50年代早期工程师的研究。这些工程师认为，为使机器能像人类一样思考，必须注入一定程度的非理性。早期神经网络通过随机性模拟人类创造力，而现代AI系统已被'打磨'以减少意外输出，但创造力与可预测性之间存在必然权衡。
AI 选稿理由揭示了AI发展历史中创造力与可预测性之间的权衡关系，以及早期工程师对AI系统设计的根本性思考。
AI 导读研究团队提出SCOPE方法，将LLM代理的策略编译为可执行程序，由小型模型、确定性提取器和组合代码执行。该方法通过对抗生成反例优化程序，在真实世界策略任务基准测试中取得最高平均准确率，且预测结果更稳定、可解释性强。
AI 选稿理由SCOPE实现了可靠、可解释且高效的策略执行，适用于生产环境中的LLM代理策略管理。
AI 导读研究团队提出视频中心深度研究报告生成任务，给定视频和用户请求，智能体可识别研究问题、检索外部多模态证据并生成交互式报告。该任务包含50个中英文任务，覆盖19个现实子类别，共6414项评估标准。测试显示最佳系统得分为63.3分，当前智能体仍需提升内容覆盖度、跨模态因果逻辑分析能力和引用准确性。
AI 选稿理由新增视频中心深度研究报告生成基准OmniDR-Bench，包含50个中英文任务和6414项评估标准，为视频内容研究提供标准化评估框架。
AI 导读研究提出Raw-RAG方法，使用密集检索和重排序对原始历史记录进行检索，为阅读LLM提供证据。在LoCoMo、LongMemEval等七个基准测试中，Raw-RAG在六种设置下排名第一，超越最强智能体记忆系统0.13-5.53分。证据分析表明，原始历史检索能覆盖更多必要证据，即使转换后的记忆存储也无法完全替代原始信息的重要性。
AI 选稿理由研究证明朴素RAG方法在长期对话理解任务中表现优于复杂智能体记忆系统，挑战了记忆复杂性的必要性。
AI 导读研究团队推出AgentVQA基准，从23个数据集中精选1000个真实世界代理场景，涵盖Web代理、机器人、第一人称视频、游戏和空间规划五个领域。测试显示，22个模型中最佳准确率仅为58.5%，主要错误源于无法准确定位UI元素、解释运动、跟踪状态变化和推断3D空间关系，而非任务理解或逻辑推理问题。
AI 选稿理由AgentVQA提供了首个跨领域代理视觉理解离线基准，解决了在线评估成本高、难以扩展的问题，为模型比较提供可靠依据。
AI 导读研究团队提出Cola2框架，通过动态文本分段、无辅助损失的负反馈控制压缩率，以及重建与生成监督结合，学习紧凑的潜在表示。在五个下游任务和约2100亿训练 tokens 的实验中验证了核心设计，显示竞争性且未饱和的扩展性。使用3460亿源 tokens 的未收敛检查点，在八项任务上平均达到60.10，超越Llama-3-8B在HellaSwag和StoryCloze的表现，尽管其预训练预算超过后者的43倍。
AI 选稿理由Cola2通过连续-离散自适应和压缩控制，在有限训练资源下实现超越大模型的性能，适用于资源受限的语言生成场景。
AI 导读研究团队提出Verus-Insight框架，将伪影检测系统化为检查规划、证据验证和证据聚合三个互补能力。该模型通过人类锚定的全过程监督和渐进式能力训练，在细粒度伪影分析和AI视频检测方面表现出色，显著提升了人类感知伪影的恢复能力。同时发布Verus-Bench基准，提供细粒度人类标注的感知伪影用于评估检测性能。
AI 选稿理由Verus-Insight通过结构化三阶段能力设计，显著提升了AI生成视频中细粒度伪影检测的准确性和可解释性，适用于视频内容真实性验证领域。
AI 导读研究团队推出FrontierCS 2基准测试，包含48个开放性任务，评估LLM代理对计算机科学前沿研发的贡献。该基准将代理置于研究环境中，继承工作仓库并随时提交补丁，最终在13个领域评估表现。测试了12个代理，Claude Opus 5.5表现最佳，通过58%的运行，但16个任务无任何运行通过。
AI 选稿理由FrontierCS 2是首个将LLM代理置于真实研究环境中的计算机科学研发基准，覆盖13个领域，为评估AI在科研中的能力提供了新标准。
AI 导读研究团队在保持训练目标和采样器不变的情况下，将选择性循环应用于均匀扩散语言模型(UDLMs)，显著提高了训练效率。循环UDLMs仅需约0.5万亿token训练量即可达到非循环UDLMs在1万亿token训练量下的验证NLL，在OpenWebText和FineWeb-Edu数据集上分别节省2.8倍和3.3倍训练FLOPs。在匹配NFE预算下，循环UDLMs生成困惑度降低最高达9.8%，且采用非均匀循环计数策略可进一步减少12%的循环次数而不降低准确率。
AI 选稿理由该研究通过循环技术显著提升了扩散语言模型的训练效率，在保持模型性能的同时大幅减少了计算资源需求，适用于大规模语言模型训练优化。
AI 导读研究团队提出ToM2Vec方法，通过固定数量的连续推理标记在丰富潜在空间中学习形成抽象心智理论。这些标记在训练时从合作伙伴的实际思想中获取监督，在测试时作为智能体思想和行动的条件器。在协作、竞争和混合动机环境中的测试显示，ToM2Vec在多智能体交互和协作方面持续优于基线和竞争性训练模型，且潜在推理至关重要，当推理以文本表达时性能下降。
AI 选稿理由ToM2Vec通过连续推理标记解决了大语言模型智能体在不确定环境下形成准确心智理论的挑战，在多种环境中提升了多智能体协作能力。
AI 导读研究团队提出LASAGNA框架，评估RAG技术组合效果。测试450种配置发现：单独有效的检索技术组合后仅实现预期17%提升而非47%；检索质量与答案忠实度优化目标冲突；最佳组合随语料库规模变化。研究强调RAG技术应完整测试而非孤立评估。
AI 选稿理由提供RAG技术组合效果的实证研究，证明孤立优化不可靠，适用于RAG系统设计与评估。
AI 导读研究者提出了一种名为SERA（自我进化机器人代理）的方法，通过一个可编辑的约束来组织高级视觉语言动作（VLA）模型，以保持任务上下文并通过执行经验改进规划。在RoboMME测试中，SERA实现了51.38%的成功率，而未进行自我进化的版本为44.38%。这表明，具有代理规划的机器人操作是一个有前景的方向。
AI 选稿理由SERA方法在机器人操作任务中实现了显著的成功率提升，为历史依赖的机器人操作提供了新的思路。
AI 导读研究提出LoopRec方法，针对序列推荐系统中不同项目计算需求不均匀的问题，引入轻量级门控机制实现项目级自适应递归。该方法将固定全局深度转化为学习到的每项属性，在四个骨干架构的公共基准测试中，一致优于固定深度对应模型。分析显示，低频项和近期交互自然获得更深计算。
AI 选稿理由LoopRec通过项目级自适应递归优化序列推荐计算效率，提升推荐质量，适用于各类推荐系统架构。
AI 导读研究团队推出AW-0框架，将代码规划、未来视频预测和机器人动作控制整合为三个耦合的生成流，在统一transformer架构中实现。通过代码专家生成参数化技能程序，视频和动作专家生成视觉状态和低级指令。在RoboTwin 2.0和双臂操作任务中，该模型在任务性能、语言遵循、语义推理和鲁棒性上超越VLA和WAM基线。
AI 选稿理由AW-0首次将代码规划与视频动作预测整合为统一框架，实现了技能的复用和物理动态预测的结合，在机器人操作任务中展现出显著性能提升。
AI 导读研究团队提出DeepEvolve系统，通过持续交互动态变化的环境并内化经验实现递归自改进(RSI)。该系统在FutureX排行榜连续三周排名第一，评分提升高达195%；在合成评估中超越最强基线10.7 Bradley-Terry点。结果表明，与开放环境共同进化是AI系统自我改进的基础。
AI 选稿理由DeepEvolve实现了递归自改进智能体系统，在真实世界预测任务中连续三周排名第一，评分提升195%，为AI从静态模型训练向经验驱动进化提供了新范式。
AI 导读前沿模型 API 不再返回详细推理过程，TraceForge 改为以教师模型的答案和上下文为输入，用生成器按学生模型家族的风格重建推理链，再由判别器筛选。两阶段先监督后对抗训练；独立评审给出的真实性均分为 0.68，真实推理链为 0.66，判别器从四个候选中选出的达 0.82。在相同 5000 题和教师答案下，HumanEval+ 提升 3.7 分、MBPP+ 提升 7.1 分。
AI 选稿理由提出不依赖被限制的教师推理输出、按学生家族风格重建训练推理链的方法，并给出在固定题目和教师答案下的编码基准提升数字，适用于推理蒸馏训练场景。
AI 导读研究者提出 SpatialBrain 框架，在保持视觉语言主干不变的前提下，积累“何时直接观察、何时重建或换参考系”的推理经验。3DFusionMemory 将当前场景观测融合为可查询的空间关系，空间技能库提供可复用工具流程，空间认知把任务条件与使用经验关联起来；完成轨迹被抽象为过程记录并在任务块间整合。在五个空间推理基准上，四个优于同一主干的直接回答，一个持平。
AI 选稿理由它把可复用的推理经验与场景证据分开记忆，在冻结主干下于五个空间推理基准中的四个取得提升，实验范围为五项基准与组件对比。
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 导读论文提出语言条件潜世界模型 LaLa-World，用语言同时描述数值动作和视觉变化，让单个未来预测器在仿真、机器人轨迹及图像视频数据上联合训练。其平均 MPC 规划性能超过按域单独训练的 LWM；与基于 RAEv2 的视频生成基线相比，训练成本少 6 倍、规划快 13.9 倍。作为初始化得到的 LaLa-Policy 在 LIBERO 和 RoboCasa 上与 Cosmos Policy 竞争力相当，推理最高快 5.5 倍。
AI 选稿理由提出语言描述动作与视觉变化的 JEPA 式潜世界模型，在多域数据上联合训练后规划性能提升，并给出相对视频生成基线的训练成本与规划速度数据。
AI 导读SplatLab是一个针对3D高斯溅射(3DGS)的自主研究系统，能够复现已发表论文、提出扩展方案、训练模型并撰写论文。该系统在Mip-NeRF 360和LLFF数据集上，其生成的论文在PSNR指标上比复现目标高出+0.18至+3.78dB，其中在天文摄影星云渲染上提升3.78dB，且此前无3DGS方法能处理此类任务。研究周期从数月研究生工作缩短至数天自主计算完成。
AI 选稿理由SplatLab实现了3DGS研究全流程自动化，在PSNR指标上显著超越复现目标，将研究周期从数月缩短至数天，并首次实现天文摄影星云渲染的3DGS方法。
AI 导读研究指出，现代LLM代理可以从可访问的文档中检索信息，并泄露敏感结论。通过30个合成案例，发现GPT-5.6-Sol模型在模拟中有7.08%的答案泄露了禁止组合，在真实环境中泄露率更高。研究强调了在敏感数据环境中对代理推断和披露的更强控制。
AI 选稿理由揭示了代理型LLM系统中敏感数据泄露的风险，强调了需要更强的控制措施。