外观
AI 导读HarnessPro是一种无标签方法，通过递归自改进优化Harness，在提升任务性能的同时降低执行成本。该方法使用LLM生成的测试评估候选Harness，通过专业代理诊断执行轨迹并规划更新，提供轻量、平衡和高性能三种模式。实验显示，在多个基准测试中，HarnessPro的高性能模式相比RHO方法平均通过率提升2.0个百分点，单任务成本降低26.1%。
AI 选稿理由解决了Harness开发中的性能与成本权衡问题，为不同预算场景提供优化方案，显著降低AI代理执行成本。
AI 导读DeOverlay提出了一种源锚定流模型，用于移除视频中的字幕、标题和logo等叠加物，同时保留周围内容。该模型通过区域加权流匹配训练共享速度网络，结合可见性归一化时间聚合和全局源上下文，实现场景重建。研究团队还创建了DVTE-Bench基准数据集，包含1631对视频和八类文本叠加物。实验显示，DeOverlay在五项重建和感知指标上均优于四个基线，Mask LPIPS和Mask VFID分别降低58.3%和70.3%。
AI 选稿理由DeOverlay解决了视频叠加物移除中残留和场景结构扭曲的问题，通过源锚定流模型显著提升重建质量，适用于视频编辑和内容处理领域。
AI 导读研究发现在资源受限情况下，现有终身记忆方法效果不佳，简单检索或无记忆代理反而更有效。TokenWorth框架通过学习查询相关的记忆价值，在三个LifelongAgentBench环境中实现了最高任务成功率并使用最少的输出token，证明有效适应的关键在于学习值得记住的内容而非记住更多。
AI 选稿理由解决了资源受限环境下终身代理的记忆价值评估问题，为实际部署中的内存管理提供了新方法。
AI 导读研究团队提出EgoXperience全栈范式，通过数据收集、自动标注、统一建模和基准测试解决自我中心视频重建中的一致性问题。核心EgoX-Engine引擎结合几何验证的目标跟踪与SLAM世界对齐，生成EgoX-Data-6M数据集（50小时任务驱动操作与移动数据）和EgoX-Bench基准。EgoX模型在单目自我中心视频和首帧目标掩码下，通过单次前向传播实现相机、场景、手部和物体的联合度量重建，实验显示在场景估计和世界空间手-物体姿态恢复方面达到最先进性能。
AI 选稿理由解决了自我中心视频重建中多元素一致性的瓶颈，为AR/VR和机器人操作提供高精度世界坐标框架重建能力。
AI 导读研究人员提出Stateful Harness框架，将世界演化与视频渲染分离，支持基于规则的状态交互。通过维护 evolving world state 并使用冻结视频模型渲染事件，该框架在隐藏状态场景下实现了92%的规则合规率，显著优于现有方法。团队还构建了WorldState-Bench基准测试，包含50对反事实双胞胎样本用于评估。
AI 选稿理由解决了世界模型在隐藏状态场景下规则执行不稳定的瓶颈，为需要持久规则交互的应用提供了新框架
AI 导读研究团队提出InfiniDream框架，结合视觉语言模型与程序生成技术，实现了开放式的逼真3D世界生成。该框架包含符号约束资产生成和端到端文本到世界管道，可在保持可编辑性和多样性的同时创建新型资产，并通过语义场景规划和确定性视锥引导网格放置构建大规模3D世界。在100个对象和20个场景生成任务中，该框架在四个感知指标上表现优异。
AI 选稿理由解决了现有VLM引导的程序生成方法受限于预定义工厂和API的问题，使AI能够创建新型逼真3D资产和世界，适用于游戏开发和合成数据创建。
AI 导读该论文揭示了混合架构中不同混合器之间的竞争学习现象，现代递归层在检索功能学习上快于softmax注意力，导致注意力层难以学习检索功能。通过在训练中途停止递归层权重更新，可使注意力层成功学习检索功能。提出的分阶段训练方法在10亿参数模型上显著提升了语言建模损失、常识推理及多种检索相关任务性能。
AI 选稿理由解决了混合架构中不同混合器功能竞争的问题，提供了一种有效的分阶段训练方法，显著提升了混合模型在检索任务和语言建模中的性能。
AI 导读研究团队提出集体经验学习(CEL)范式，通过失败引导的经验检索微调(FERT)方法，让部署中的机器人共享执行经验来改进共同策略。配合容错异步训练系统(FATS)，在五个实际操作任务中，策略成功率达93.3-99.2%。96台机器人在手机包装任务中，成功率从79.2%提升至98.3%，无需额外专家纠正动作。
AI 选稿理由解决了机器人舰队规模扩大时人工监督不足的瓶颈，使机器人能通过共享经验自主学习，大幅提升任务成功率并降低对专家干预的依赖。
AI 导读研究团队提出由不同学科背景的AI研究员组成的协作团队，通过保持独立研究历史、共享实验证据和自适应分配研究机会，在有限实验预算下持续发现新架构。该团队在1.3B规模线性注意力架构搜索中，于语言建模、常识推理和检索任务上超越GDN2模型。移除任何组织组件都会显著降低发现效果。
AI 选稿理由提出多学科AI研究团队协作机制，在有限预算下实现持续科学发现，实验证明不同背景、独立历史和自适应分配对突破局部最优至关重要。
AI 导读研究比较多层Local Expert与跨层共享的Meta Expert，发现共享专家参数冗余更低、交叉熵损失更小、下游准确率更高。在激活专家数量和粒度固定时，仅用70–80%的专家即可达到普通MoE性能；理论分析称Meta Expert为隐藏状态提供更灵活的残差通路，提升信息检索效率。
AI 选稿理由给出跨层共享专家在MoE中减少冗余的具体实验对比与70–80%专家用量结果，属模型架构研究，尚需按论文实验范围理解。
AI 导读研究团队推出StreamEval，一个涵盖五个任务的交互式流式视频生成统一基准，包括虚拟人对话、表演、世界生成、指令编辑和参考编辑。该基准包含300个测试用例，通过四个维度（任务执行、状态一致性、视觉保真度和视听协调）评估37个模型，发现高质量视觉和身份保留并不一定可靠执行请求或保持状态一致性，请求执行仍是主要挑战。
AI 选稿理由StreamEval提供了首个交互式流式视频生成的统一评估框架，揭示了当前模型在请求执行和状态一致性方面的关键缺陷，为实时多模态系统发展指明方向。
AI 导读论文提出Ask-to-Distill，把合成问题当作分布引出器，用冻结的学生-教师模型对计算问题价值：结合师生分歧、教师概率质量与学生候选支持，并加入长度和多样性控制，无需参考答案、正确性奖励或逐候选更新。生成的问题经筛选去重后进入纯提示题库供标准OPD使用，在数学推理、代码生成与Agent任务上平均性能超过未优化提示和KL过滤的真实问题。
AI 选稿理由提出无需参考答案的问题价值代理指标与生成流程，并在三类任务上给出相对真实题库和过滤基线的评测结果。
AI 导读研究团队提出TextRIRO模型，通过破坏原始图像（如裁剪、打乱、遮盖）构建自配对训练数据，基于条件扩散架构实现场景文本编辑。实验表明，结合字符列打乱与图像裁剪的方法能有效破坏文本语义同时保留风格线索，在真实世界基准测试中取得准确性和视觉真实性的优异表现，并构建了TextRIRO-3M大规模长文本识别数据集。
AI 选稿理由TextRIRO模型通过自配对真实数据训练，显著降低了合成到真实领域的差距，为场景文本编辑提供了更可靠、更实用的解决方案。
AI 导读研究追踪SFT、DPO和强化学习如何改变模型匹配用户语言习惯的倾向，在10个开源模型系列中发现后训练会把回复统一成标准英语，且DPO更新仍更偏好匹配英式、澳式拼写而非AAE和新加坡英语。作者提出校准化适配偏好对CAP，在完全开源模型上提升了未训练特征的收敛，未增加标准英语用户的方言输出，也未损害指令遵循；单边偏好对则靠过度迁就用户取得类似增益。
AI 选稿理由论文给出后训练各阶段对语言适配的系统观察，并提出可复现的偏好数据方法CAP，附有开源代码，适用于关注对齐与方言适配的研究者。
AI 导读研究团队用120种训练配置，系统考察持续预训练在数据量、数据多样性和模型规模三个维度上的影响：模型从0.8B到27B共四档，数据预算从50到1600小时共六档，数据混合从只用Minecraft扩展到多世界语料共五类。结果显示：数据越多，同语料世界内表现越好；多样性有助于迁移到相关世界，但对差距很大的世界提升有限；单一世界训练下，增大模型能提高数据效率，但对远处世界的泛化反而更差。作者还拟合了验证损失与这三个变量之间的经验扩展律。模型在3D世界中与Minecraft专家模型和前沿模型水平相当。作者指出，仅靠持续预训练仍不足以构建通用具身智能体。
AI 选稿理由用120组受控实验给出数据量、多样性、模型规模对虚拟世界具身预训练的扩展律与泛化边界，结论可用于设计训练阶段。
AI 导读研究团队提出Policy-Mask方法，通过预算条件策略联合选择时间步、网络块和通道子集，解决了冻结扩散模型特征选择难题。在分割、分类和语义对应任务中，该方法在相同预算下优于固定提取和特征过滤基线，在ADE20K上达到38.9 mIoU，CIFAR-100上达到75.4% top-1准确率，SPair-71k上达到76.3 PCK@0.1。研究发现256个保留通道是实际操作点，并将方法扩展到PixArt-Σ和SD3.5 MMDiT等扩散变压器。
AI 选稿理由Policy-Mask通过联合优化特征选择参数，显著提升了扩散模型在判别任务中的性能，并确定了实际操作点。
AI 导读研究团队提出 Agent4Sci，用作长期测试平台，覆盖 11 个领域的 20 个科学 ML 基准，重点考察 Agent 在真实条件下能改进已发表最佳模型多少，以及会在哪里失败。结果显示，前沿 Agent 在每个基准上都有提升，其中 Claude Opus 的平均相对改进为 10.4%，且没有运行被标记为学术不端；但这些提升主要来自 ML 工程技巧，而不是研究级洞察。轨迹分析指出三类问题：新颖性判断失准、资源利用不足，以及很快退化为局部工程搜索。加入研究构思、实验管理和定时检查清单等轻量插件技能后，Claude Opus 提升到 20.1%，Codex 从 4.4% 提升到 8.1%。代码和数据已在 GitHub 与 Hugging Face 公开。
AI 选稿理由Agent4Sci 用 11 个领域 20 个基准实测前沿 Agent 对已发表最佳模型的改进幅度，并给出插件技能将 Claude Opus 从 10.4% 提到 20.1% 的可复用方法，同时限定在科学 ML 基准范围内。
AI 导读MIT、波士顿儿童医院和Inria研究人员开发了E(3)-Pose深度学习模型，通过将胎儿头部左右对称性原理融入神经网络架构，解决了胎儿在MRI扫描中移动导致的图像切片角度不一致问题。该模型能捕捉胎儿运动时的高分辨率头部图像，帮助放射科医生更准确诊断脑部异常，有望替代当前缓慢的手动胎儿脑部MRI扫描过程。
AI 选稿理由解决了胎儿MRI扫描中因运动导致的图像不完整问题，通过物理原理嵌入模型提高诊断准确性，可应用于早期胎儿脑部异常检测。
AI 导读该研究评估了CORNETO框架在多组学数据中学习生物网络的可重用性。研究发现，稳健的网络推断取决于数据可用性、先验知识、正则化和生物背景。这项工作揭示了不同条件下网络推断的稳健性差异。
AI 选稿理由该研究解决了生物网络推断中可重用性的关键问题，为不同数据条件下的网络分析提供了重要参考，有助于提高多组学数据分析的可靠性。
AI 导读前沿大语言模型被训练以逐步解决问题，生成人类可理解的推理文本。然而，这些推理标记并非大语言模型内部计算的准确解释，给模型监控带来了挑战。
AI 选稿理由研究揭示了推理大语言模型内部计算与外部推理文本之间的差异，为提高模型透明度和可监控性提供了新视角。
AI 导读2026年10月9日，AWS宣布TwelveLabs的Pegasus 1.5视频语言模型已在Amazon Bedrock上线。该模型可将长视频转换为带时间戳的结构化元数据，支持基于用户定义条件匹配视频片段，并引入视频分段、多模态提示和即时处理功能，无需预索引即可直接分析Amazon S3中的视频，数据保持在AWS边界内。
AI 选稿理由Pegasus 1.5解决了视频内容难以搜索和利用的痛点，通过结构化元数据提取和多模态理解，使企业能高效分析长达两小时的视频内容，无需复杂预处理流程。
AI 导读研究提出 Bridged Self-Distillation（BSD）框架：外部教师只提供离线推理轨迹，作为特权上下文；学生模型自身在无上下文条件下生成 rollout，再由同一学生的上下文条件副本充当自教师，在学生自身词表空间为这些 rollout 打分，并结合验证器结果信号调整失败轨迹的更新。由于教师只需输出文本，该方法统一适用于共享词表、跨词表和闭源 API 教师场景，在各类场景中均优于基线和专用方法，代码已开源。
AI 选稿理由提出一种只依赖教师文本输出的统一在线蒸馏框架，覆盖跨词表和闭源API教师等此前需分别处理的情形，并公开代码，适用于研究蒸馏方法者参考。
AI 导读Jack Clark在IMF曼谷会议上发表演讲，认为AI已开始自主进行前沿科学研究，奇点已经到来。他列举了AI在数学、生物学、机器人学等领域的突破性进展，如AI解决理论物理问题得分98%超过人类专家。他预测这将加速科学进步，带来经济变革，但也需警惕风险。各国应建设基础设施以利用AI科学能力，同时制定规则确保安全。
AI 选稿理由AI已开始自主进行前沿科学研究，在多个学科取得突破性进展，将加速全球科学进步并带来经济变革，但也需警惕风险并制定相应规则。
AI 导读研究分析了两个扩散模型在10项任务中的表现，发现模型生成每个token所需的前向传递次数因任务而异：复制或轻度编辑文本成本低，开放式写作成本高。输出中相对于输入的新内容比例和词的稀有性是影响成本的关键因素。多语言生成中，高token化语言需要更多传递次数。此外，错误答案比正确答案需要更多传递，按解码速度加权候选答案比多数投票高4.2分。
AI 选稿理由研究揭示了扩散语言模型计算效率与输出内容创新度之间的关系，为优化推理效率和可靠性提供了实用信号。
AI 导读论文提出 TokenGate，一个可即插即用的小型组件，通过 token 重要性分数重加权注意力 logits 的“token 门控注意力”机制，实现长上下文输入端到端可学习的 token 剪枝，缓解模型逐层处理全部 token 的成本。实验显示其在不损失精度的前提下将首 token 时间（TTFT）提升 1.4–11.3 倍、峰值内存降低 1.5–3.4 倍；相比此前最优 token 剪枝方法，预填充最快提升 6.4 倍、内存降低 2 倍。该方法可扩展至 Qwen3 等标准 transformer 与 Qwen3.5 等混合注意力模型，代码已开源。
AI 选稿理由提出可端到端训练的 token 剪枝组件 TokenGate，在不损失精度下将长上下文 TTFT 提速 1.4–11.3 倍、峰值内存降低 1.5–3.4 倍，并覆盖标准与混合注意力模型，代码开源。
AI 导读针对数据湖分析中的编码代理每回答一个问题就丢弃工作、下题从头再来的问题，研究者提出无监督工具进化方法 TEAL：由 Explorer 从数据湖、Critic 从 Worker 轨迹分别提出工具，只有 Worker 重跑时无需额外步骤即可采用、且答案变化有轨迹证据支持才保留。在 KramaBench 和 LakeQA 上，10 或 15 步预算下四个 Worker 模型均有提升；Sonnet-5 在 15 步时分别提升 9.3 和 21.7 分。TEAL-Q 用合成问题进化的工具库与真实问题效果相当。
AI 选稿理由论文给出无标注工具进化的具体方法及在 KramaBench、LakeQA 两个基准、四个 Worker 模型上的步数预算实验结果，需保留其无监督设定和预算条件。
AI 导读研究提出参考引导的流匹配框架StreamingSwap，通过Joint Rec-ID Loss按噪声水平平衡身份监督与隐空间重建，并借助Face-RoI Generation和Short-Context Rollout Training减少空间token与时间上下文长度。同时发布1000小时电影级训练数据及200条短视频、200条长视频评测集HumanFaceVid。实验显示单张RTX 4090上可达20 FPS，最长10分钟视频稳定生成。
AI 选稿理由提出面向实时流式视频换脸的完整方法与配套数据集HumanFaceVid，在单卡RTX 4090上实现20 FPS、10分钟长视频稳定生成，属于可复用的视频生成方法进展。
AI 导读论文评测4个模型家族的19个模型在8个多模态基准（9个评测切分）上的表现，每个模型回答29,386个问题，共558,334次模型-问题评测。逐题成对分析发现375个子任务-模型对组合呈逆向扩展，涉及4,342个独特查询（小模型答对而大模型答错），且在独立开发的架构间复现；13个子任务-数据集对跨多个家族出现逆向扩展，表明现象由任务驱动而非特定模型所致。受影响最严重的领域包括多图像空间推理、视觉感知和大学级STEM知识，部分准确率差距超过20个百分点，而图表理解相对稳健。
AI 选稿理由论文给出视觉语言模型在子任务层面逆向扩展的系统量化证据（19模型、558,334次评测、375个逆向扩展组合），并指出该现象跨架构复现、由任务驱动，提示模型选择应按任务区分。
AI 导读论文提出免训练方法SpecKCast：对扩散模型输出做二维离散余弦变换，用轻量卡尔曼滤波按噪声调度导出的频带时间坐标跟踪各系数，仅当预测不确定性超阈值时才评估Transformer。在FLUX.1-dev、Qwen-Image、Wan2.1-14B和HunyuanVideo上，该方法在加速与保真度的权衡上优于现有缓存与预测方法，最高实现6倍加速，额外内存不足0.05 GiB。
AI 选稿理由提出免训练的频域卡尔曼预测方法，在四个图像/视频扩散模型上以不足0.05 GiB额外内存实现最高6倍加速，优于现有特征缓存与外推方法。
AI 导读研究提出自引导训练法 Swift，冻结一个早期检查点的弱去噪器，把干净回归目标朝远离其预测的方向外推，放大欠拟合分量；主模型不反传、推理不加引导。CIFAR-10 与 ImageNet-256 上跨模型规模均有提升，某 ImageNet-256 配置下用约一半总训练算力超过基线最佳 FID；RAEv2 上无引导 FID 1.15、加引导 0.99。作者给出 RKHS 有限时间梯度流谱分析，证明适当外推强度可降低后验均值误差。
AI 选稿理由给出无需推理开销的扩散训练新方法与理论、实验证据，属可复用训练方法但尚待更大规模验证。
AI 导读研究团队推出OpenDS任务和OpenDS-World基准，评估AI代理在真实开放网络环境中进行多步骤深度搜索的能力。该基准包含200个挑战性任务，涵盖多种信息模态、异构文件格式和交互访问要求。评估显示，最佳模型准确率为39.0%，而人类评估准确率为21.1%。研究揭示了模型在工具协调和长程搜索管理方面的持续挑战。
AI 选稿理由OpenDS-World提供了首个系统评估AI代理在真实开放网络环境中自主深度搜索能力的统一平台，包含200个多模态、异构格式的挑战任务，并揭示了当前模型在工具协调和长程搜索管理方面的显著差距。
AI 导读研究团队提出SEAM方法，通过零音频初始化从已知子词构建未见词元的嵌入，应用频谱滤波保留时间音素顺序，使用闭式岭回归对齐新嵌入与预训练条件流形。在三种语言和两种TTS架构上，SEAM使用最多减少四倍的训练数据接近或匹配基线性能，相比随机初始化和均值池化降低75%的样本复杂度。
AI 选稿理由SEAM为低资源语音合成提供了一种轻量、可复现且理论基础的词汇扩展方法，显著减少训练数据需求。
AI 导读论文指出基于自然语言评分标准的RL存在两类失效：分数因探索不足或难度不匹配而整体塌缩到高低一致，以及高分并不对应更好回答。HarnessRL通过任务采样、rollout引导和评分标准三个接口与策略共同演化，并用训练时记忆检索任务内外证据，由批评者在冻结策略上验证候选更新。在医疗、科学、写作、角色扮演和指令遵循五个领域的Rubric-Mix-10k上，4B和9B模型分别比最强基线高2.8至3.1分，达到最佳检查点的训练步数近乎减半。
AI 选稿理由提出可复用的rubric奖励失效归因与just-in-time更新验证方法，并附五领域数据集，在4B/9B规模上给出2.8至3.1分提升与训练步数减半的实验结果。
AI 导读研究团队构建统一数据管线，把机器人操作录像自动标注、并与多来源视觉数据一起转为可验证的定位监督，约150万样本微调Qwen3.5-9B得到ACE-Brain-0.6。在7项公开定位基准上，该模型以四项胜出、平均分75.41超过GPT-6 Astra的73.68；固定微调方案下，随训练数据覆盖更多定位场景，聚合成绩稳步提升。
AI 选稿理由开放9B模型以可验证空间定位监督在7项公开基准均分上超过GPT-6 Astra，且给出数据扩展与得分同步提升的受控结果，适用于具身操作的空间感知环节。
AI 导读研究提出 WildAWM 流水线，用开源模型合成同时支持图形界面、MCP 服务和命令行的可执行环境。通过执行式质量门控——异质智能体 rollout、交叉评判一致性和反事实探针——合成 341 个环境任务对，部分需超过 100 步，GPT-6-Astra 仅解出 60%。两个不同规模 Qwen 模型仅在合成环境中训练，在覆盖网页、claw 和计算机使用智能体的 8 个分布外基准上均取得明显提升。
AI 选稿理由提供了一套全开源、可复用的计算机使用智能体环境合成流水线，并给出 341 个长程任务和跨 8 个分布外基准的训练结果，适用于关注智能体训练方法与评测的研究者和工程师。
AI 导读研究团队提出 Ropedia W0，首个覆盖人类与多种机器人本体的自我中心移动操作世界基础模型。其数据 Xp-Data 含 1 万小时人类数据与 3 千小时机器人数据，用统一运动学表征编码相机位姿与投影骨架。在 DreamDojo、Ψ_0、ω-HOME、Xp-Teleop、AgiBot 五个跨本体基准及留出人类视频上取得最优结果，蒸馏后支持实时分钟级推演与 VR 交互。
AI 选稿理由首次给出跨人-机本体的移动操作世界基础模型，并构建 1.3 万小时统一标注数据和 Xp-Teleop 基准，在多基准取得最优，蒸馏后支持实时推演，为具身决策提供可复用的数据与评测基础。
AI 导读论文指出，Agent把规则、摘要等抽象经验存入外部记忆后，其中的错误会经检索复用传导到后续决策，并通过“抽象—执行—再抽象”循环被重新生成，作者称之为错误复现。为此提出Anti-Persistence：只累积轨迹与结果，任务指导按需即时合成、执行后即丢弃，由自适应选择器依据既往结果决定是否及如何合成。在多个基准与骨干模型上，该设计取得更高的留出任务成功率与最低的平均LLM调用成本。
AI 选稿理由论文提出Anti-Persistence记忆设计并给出跨基准、跨骨干模型的对比结果：留出成功率更高且平均LLM调用成本最低，适用于基于外部记忆自我改进的Agent。
AI 导读论文指出，当多个任务组合在同一提示中时，模型错误率显著上升，即使每个任务单独都能可靠完成，且错误无法用独立误差累积解释。在开源模型和Claude Opus 5上，作者发现模型在组合下每个任务分配的思考token明显少于单独完成时，即使序列远未超出上下文窗口；单独完成时需要更长解题轨迹的任务在组合下更易出错。利用这一隐式预算机制，按任务脆弱性分组可在数学和语言任务上减少43%的token使用并保持准确率。
AI 选稿理由论文提出组合任务下错误源于隐式思考预算而非误差累积的解释，并给出按脆弱性分组省43% token且保准确率的可复用方法，适用于多任务提示设计。
AI 导读研究者提出EMBER，分别折叠TCR与pMHC并编码为SE(3)不变残基图，在无共享坐标系下比较表示，因而不需预测对接复合物，避免结构放置误差传播。预处理复杂度由O(NM)降至O(N+M)。在表位不相交评测、六个重训基线及四种折叠工具下，EMBER的micro-AUROC、micro-AUPRC和MCC全部居首，排名跨工具稳定性最多提高85%。
AI 选稿理由提出无需对接复合物的TCR–pMHC结合预测框架，在表位不相交评测中于四种折叠工具下全面领先重训基线，并给出跨工具排名稳定性结果。
AI 导读研究显示，安全护栏分类器的性能主要取决于训练时采用的'不安全'定义，而非模型本身的能力。同一组提示使用两种不同定义标注后训练的模型，在相同架构下，安全基准得分差异可达23倍。仅0.03%的参数变化就能使基准分数跨越整个范围，验证准确率与标注者政策定义的一致性(rho=+0.74)远高于检测能力(rho=+0.34)。
AI 选稿理由揭示了安全评估中政策定义对模型性能的决定性影响，为AI安全基准测试提供了新的评估维度和改进方向。