外观
AI 导读论文提出文件选择器 CQ2-CARE：在 300 个 SWE-rebench 问题上，用相同 token 预算时，把预算用于挑选要原样展示的整份文件，而不是压缩 token 或检索代码块。配 GPT-5.6 与 Claude Opus 5 分别解决 43.7% 和 46.7% 的问题，比三种压缩器最佳结果高 6.3 个百分点，比三种检索器最佳结果高 9.3 与 12.7 个百分点，也超过 SweRank 和 SWE-Pruner。作者分析称检索器常漏掉要改的文件，压缩器保留了文件却改写文本，导致补丁更难应用。
AI 选稿理由指出补丁类编码 Agent 的上下文瓶颈在于选对整份文件而非压缩，且方法无需额外压缩模型即可提升可应用补丁比例，对做代码 Agent 上下文管理的人可直接复用。
AI 导读针对联合音视频生成模型出现的多事件组合、多层音频混合与非对称跨模态关系，现有评估指标多沿用早期单向简单任务，难以适用。作者提出以事件为中心的评估框架：在事件层面拆解音频与视觉事件，独立分析后用跨模态关系交叉验证，再聚合成由粗到细的三级一致性指标，涵盖全局叙事和谐、事件级时间同步与细粒度属性对齐。该指标实例化为可训练奖励模型 AVC-Reward，并构建 AVC-Benchmark。结果显示其在自动方法中与人类判断对齐最佳，可给出定位失败的可解释依据，作为在线强化学习信号还能提升联合生成模型的音视频一致性。
AI 选稿理由为复杂音视频生成场景提供了可训练的一致性奖励模型，既能自动评判并定位不一致，也可作为强化学习信号直接改善生成质量。
AI 导读研究提出 ACT3D，不向视觉语言模型提供多视角图像、视频或3D表示，而是保持单张图像的原生视觉编码，将3D环境作为可交互空间，模型通过移动、转向等动作和渲染图像观察迭代推理并探索。经轨迹监督微调后，采用以最终答案正确性为主要奖励的强化学习，模型需自行学会探索策略。在六个3D基准上平均准确率53.2%，比基础Qwen模型高22个百分点，超过Gemini 3.6 Flash，且输入帧数减少50%–70%，在未见领域平均提升5.9%。
AI 选稿理由证明仅用结果奖励的强化学习可让视觉语言模型学会何时、如何获取视觉证据，在需要大量探索的问题上相对基础模型提升16.3%，为3D空间中的具身问答与主动感知提供了可复用方法。
AI 导读论文提出Event-STVG任务，把时空视频定位从匹配实例描述转向事件级推理，统一长上下文、重复事件推理、事件定位、角色推断与多目标定位。作者构建含4,016个标注事件的基准，覆盖足球及另外七个领域；实验显示最强多模态大模型在10分钟时长上m-vIoU仅5.4%，且反复混淆同类型重复事件、空间定位薄弱、很少能同时定位全部所需角色。代码与标注已开源。
AI 选稿理由提出事件级时空定位新任务与4,016事件、八领域基准，给出最强MLLM在10分钟跨度仅5.4% m-vIoU的量化结果及三类失败模式，适用于视频理解评测研究。
AI 导读研究人员提出RSIFlow框架，通过诊断性能瓶颈和环境反馈动态选择改进工作流，元代理将工作流结果提炼为组件技能和跨组件原则，实现工作流编排的持续进化。在六个基准测试和两个骨干模型上的实验显示，RSIFlow在所有基准测试上达到最先进平均性能。
AI 选稿理由解决了LLM代理自我改进工作流难以适应性能瓶颈的挑战，通过元代理进化实现工作流编排的自适应优化，显著提升复杂任务处理能力。
AI 导读论文提出 SABER 基准，覆盖四种图文模态组合、多种属性类型及最多十个对象的场景，评测发现 CLIP 类双编码器和基于 MLLM 的嵌入模型普遍存在属性-对象绑定失败。作者随后仅用合成属性绑定文本微调一个 MLLM 嵌入器，在没有图像监督的情况下，跨模态与图像-图像检索均有提升，在 SABER 上达到 SOTA，并改善了否定与实例检索基准。
AI 选稿理由指出多模态检索中属性-对象绑定这一被低估的瓶颈，并证明仅用廉价可生成的合成文本监督即可显著提升跨模态检索能力，降低了为绑定任务收集配对图像的标注成本。
AI 导读论文提出“双评委一致”的忠实性判定：需Lean编译通过，并由两个不同模型家族的LLM评委给出同意；在独立人工抽查中，该判定与人类多数意见的一致率为91.5%。对227条大学水平陈述、8个系统的测试显示，编译通过率与判定通过率相差1.3至29.5个百分点：工具增强智能体编译率为87.2%，但仅57.7%通过；人工复核其被拒案例后，确认29.5个百分点中有23.8个是真实翻译错误。对GPT-6 Astra和Claude Opus 5.5的拒绝案例，仅7%属翻译错误，多数是评委误判。
AI 选稿理由给出了可复用的人工验证忠实性准则，并用227条样本和8个系统量化“编译不等于忠实”，可作为形式化与LLM评委方法的参考。
AI 导读针对语言代理训练中长轨迹 rollout 成本高的问题，CoPE 提出多步动作目标监督机制，通过让策略主干网络同时学习生成动作序列和预测未来动作，实现行动与预测的协同进化。在五个基准测试中，CoPE 不仅超越 GRPO 和 RL 基线，还比 ECHO 和 GRPO 提升最高 1.9 倍和 2.0 倍的样本效率，且无需额外模型或推理开销。
AI 选稿理由CoPE 解决了语言代理训练中长轨迹成本高和中间步骤监督利用率低的瓶颈，通过单一策略主干实现高样本效率，适用于多领域任务。
AI 导读随着前沿编码智能体的发展，AI辅助软件工程的token成本显著增加。TokenEconomizer通过确定哪些操作微技能要注入、哪些持续无关的工具要修剪以及何时干预无效的失败循环，在Claude Code、Codex和GitHub Copilot CLI配合前沿模型的情况下，将平均token成本降低了18.4-30.9%，同时保持了可比的任务成功率。
AI 选稿理由TokenEconomizer通过自适应黑盒成本控制，有效降低了编码智能体在现实环境中的token成本，提高了token效率。
AI 导读研究者提出 OS-Helix，一个端到端训练的多模态计算机使用代理，将 GUI 操作与代码执行统一在同一动作空间中。实验发现简单加入代码工具会拖累 GUI 代理，因此需要混合数据训练内化路由能力。团队通过应用-工件组合生成可执行 Ubuntu 状态和可验证任务，先用 SFT 冷启动，再在真实桌面环境做在线 RL，并提出按动作步聚合权重的 Step-balanced GSPO。在 OSWorld-Verified 上，OS-Helix-27B 与 OS-Helix-35B-A3B 相对同规模 Qwen3.5 混合基线分别提升 35.0% 和 33.7%，OS-Helix-27B-RL 再提升 42.9%，成功率达 66.44%。
AI 选稿理由把 GUI 操作和代码执行训练进同一策略，解决了此前靠提示词拼工具导致代码能力拖累 GUI 的瓶颈，并给出可验证数据生成和 RL 优化方法，可供构建桌面自动化代理的研究与工程团队参考。
AI 导读研究团队提出Lean4AgenticRL框架，首次将多层次过程奖励统一到Lean4形式化架构中，解决了当前大型语言模型在强化学习中仅依赖高层结果奖励的问题。该框架构建了问题特定工作流系统，并使用工作流阶段归一化的GRPO算法提供多层次奖励，训练出的LAR-9B/27B模型在TerminalBench-2.1上达到77.3%准确率，比基线模型高9.89%，比同类最佳模型高5.07%。
AI 选稿理由首次将形式化方法与多层次奖励机制结合，显著提升了智能体在复杂软件工程和终端使用任务中的强化学习效果。
AI 导读研究针对动态高斯表示在小而快速运动物体和高动态区域细纹理重建上的失败，指出瓶颈在于高斯原语分配的位置与时机。作者提出 Seed Injection 与 Temporal Biased Relocation 两种互补策略：前者用时序外观变化与重建误差定位欠重建区域，再通过多视角在几何合理位置初始化新高斯；后者用时间分辨优化信号引导迁移高斯的时空放置。两者都不增加高斯预算、不改底层表示，在多组动态场景数据集上提升了高动态区域的重建质量。
AI 选稿理由不增加高斯数量即可恢复小而快速运动物体与动态区域细节，可被动态三维重建、体积视频与实时渲染方向的研究者和工程实现复用。
AI 导读ARC-SORT是一种无需训练、实时运行的多目标跟踪算法，专为体育广播场景设计。该算法通过测量自身不确定性来决定行动，使用交互多模型卡尔曼滤波器为每个轨迹提供预测协方差，并将其转化为轨迹搜索区域。在SportsMOT和DanceTrack测试集上，该算法实现了81.82和62.1的HOTA分数，并在RTX 3060 GPU上以约50帧/秒的速度运行。
AI 选稿理由ARC-SORT解决了体育视频中运动员快速移动和摄像机同时平移变焦带来的跟踪难题，通过自适应搜索区域和身份交换机制显著提高了跟踪精度。
AI 导读一篇论文报告对 GPT-6-Astra 在具身任务上的评估：在涵盖桌面操作、人形、移动平台与灵巧手的 12 项基准上，允许从训练集演示进行上下文学习并大幅增加执行步数后，模型取得前所未有的成绩；同时它识别出高层 System 2 推理（GPT-6-Astra）与低层 System 1 控制器（如 π0.5）的闭环协作成本高但有效。在 8 种机器人配置的真实部署中仍存在明显差距：ICL 所需机器人演示采集昂贵，物理约束下难以用更长执行时间换取更高成功率。结论是该模型大体越过了具身能力门槛，但尚未达到实用具身智能。
AI 选稿理由给出 GPT-6-Astra 在 12 项具身基准和 8 种真实机器人配置上的一套评估方法与实测差距，指出 ICL 演示成本、执行时间与物理约束是落地瓶颈，为具身智能研究与部署提供可复用的问题清单。
AI 导读论文指出 R-Zero、Agent0、Skill Self-Play 等自进化循环存在“选择到更新”的缺口：看起来可学的任务未必产生有用更新，但循环仍继承全部更新。作者提出 HeirCommit，冻结更新后模型并用新评测题决定是否继承，相比随机继承把有害更新占比降低 68-83%；EvoHeir 则分离参数继承与经验继承，在四个骨干模型上数学与通用推理平均表现最佳，数学平均较最强基线 Agent0 提升 5.3%。
AI 选稿理由为自进化语言模型提供可复用的继承筛选机制，解决任务可学但更新无益的瓶颈，降低有害更新比例并保留有效经验，可被训练自进化模型的研究与工程团队直接采用。
AI 导读研究系统评估了OPSD（在策略自蒸馏）中16种特权信息配置，覆盖三个多轮Agent基准和三个不同规模、推理模式的学生模型。结果显示，PI效果取决于内容、生成来源和学生模型：信息密集轨迹和更强生成器产出的PI增益更大，思考模型受益较不一致。研究提出两个KL指标（采样token反向KL和错误步KL对比）来在训练前评估PI，比PI效用更可靠，且用错误步KL选PI优于随机选择；有效PI与GRPO结合还能超过强GRPO基线。
AI 选稿理由提出用KL指标在训练前预测特权信息效果的方法，并在多轮Agent基准上验证优于随机选择，为OPSD中PI构建提供可复用的评估手段。
AI 导读论文提出知识迁移探测（KTP）协议，通过图像生成训练向模型注入新知识，再用纯文本问答检验其可获取性。在七类知识和三个统一多模态模型上，视觉监督能直接但非均匀地迁移到语言能力。作者随后引入文本对齐与交错图文对齐，将生成与回答通过共享知识和交错响应连接；对部分实体的引导可在无问答监督下改善其他实体的知识获取。
AI 选稿理由提出了可复用的KTP协议来量化视觉生成训练向语言知识的迁移，并给出对齐方法提升可获取性，为多模态训练数据与架构设计提供实验依据。
AI 导读Leash Bio 的 Ian Quigley 在 Latent Space 播客中介绍了公司利用 DNA 编码文库（DEL）收集蛋白质与小分子结合数据的方法，并透露团队将多年积累的数据转化为数万个“实验室在环”模拟环境，用于智能体做可验证的科学推理。两个月后，该工作发展为 Minos，并释出完整预印本、博客和开放数据集。播客还讨论了 Kaggle 竞赛中 40 亿次测量显示模型在未见化学库上无法超越随机、ChEMBL 中“作者身份”可预测分子活性、Hermes 仅用自研数据在公开基准上与 Boltz 持平，以及智能体在 650 万分子中按预算筛选最佳结合物等发现。
AI 选稿理由Minos 将 DEL 实验数据转为可验证的智能体科学推理环境，并开放数据集与预印本，为 AI 做化学与生物领域的强化学习提供可复现的“实验室在环”模拟基础。
AI 导读MIT等机构研究人员开发了一种机器学习后处理模型，通过学习历史数据修正现有预报系统的误差，在2至6周的次季节预报中将黄金标准模型的预测能力提升一倍，并首次稳定超越气候学平均值。该方法还显著提升了对洪水、寒潮等极端天气的预测能力，相关成果发表于《Nature》，并在ECMWF预报竞赛中获第一名。模型训练使用MIT超级计算集群，但运行不依赖超算。
AI 选稿理由该方法首次让2至6周次季节预报稳定优于气候学平均，并提升极端天气预测，能源运营商、农户和应急部门可借此延长决策窗口。
AI 导读论文提出 LEV 决策模型，通过循环重跑层而非生成 token 来加深推理。模型基于按循环方式预训练的语言模型，每个循环步骤后读取选项并联合训练所有步骤，因此同一 checkpoint 可在任意深度作答。在三个循环骨干网络上，准确率随深度提升，主要改善难题：2.6B LEV 在 JevBench 上从深度 1 的 63.2% 升至深度 4 的 76.2%。按问题自适应设定深度可节省 15%–24% 计算量，代价不到一个准确率点。在锁定测试集上，1.4B 和 3B 模型比同延迟（低于 50ms）的稠密模型和级联方案高 5.4 至 8.8 个点。
AI 选稿理由提供了一种不生成 token 就能按需增加推理深度的决策模型方案，同一权重可自适应深度并节省 15%–24% 计算，适合低延迟分类与多选问答场景。
AI 导读研究者提出 MorphAct，一种上下文参数化框架，能根据交互情境动态调整机器人策略参数，而非在所有任务间共享固定参数。其两个耦合生成器分别产生视觉-语言与动作模块的低秩更新，并按策略计算依赖关系耦合，无需操作标签或专家适配器目标。在 LIBERO 和 Meta-World 上，该框架在三个 VLA 主干上最高提升 16.30%，真实世界评测相对 π_{0.5} 最高提升 14%。
AI 选稿理由它针对多任务机器人学习中共享参数被冲突更新方向拖累的瓶颈，用上下文生成的低秩参数更新解耦不同操作，并在仿真与真实机器人上验证了性能提升，可供 VLA 机器人策略研究者复用。
AI 导读研究者提出BizBench，一个基于某头部支付公司真实业务流程的多轮基准，用于评测长周期Agent的中间执行有效性。其可执行环境整合789份知识文档与601个可发现业务工具，包含50个涉及资源约束、时间依赖、既有承诺及冲突/过时指引的任务，通过确定性检查同时评估目标达成与执行合法性。实验显示前沿模型仍有明显短板：Claude Opus 5和GPT-6 Sol严格成功率仅64.0%和61.3%；Qwen3.8-27B目标达成率42.0%但严格成功率降至32.7%；DeepSeek-V4.1-Flash平均每次运行191.3次工具调用，比参考执行多约70%。
AI 选稿理由提供了可执行的长周期Agent评测环境，把评估从只看最终结果推进到检查中间步骤是否合规，可用于支付等高风险业务场景下Agent可靠性的测试与改进。
AI 导读论文提出 SAE-IDF，将符号在其原生上下文中用稀疏自编码器编码为稀疏码，再按各维度稀有度加权，实现异构符号系统之间的单元匹配。在覆盖 6 类符号系统的 12 项任务上，使用 Gemma-2-9B 时全部任务优于同一模型的稠密基线，使用 Llama-3.1-8B 时仅在 1 项任务上未胜出，最高提升 45 分，且在不同 SAE 层与配置下表现一致。稀疏码的每个维度具有人类可读含义，每次匹配可分解为具名概念。作者称这是构建通用符号骨干的基础一步。
AI 选稿理由给出跨异构符号系统的可解释匹配方法，为数据驱动地拼接更大规模神经符号系统的符号骨干提供可复用基础，做符号对齐与可解释推理的研究者可参考其 SAE-IDF 编码与稀有度加权做法。
AI 导读论文提出 ReaDy，首个利用混合线性注意力（HLA）模型循环状态辅助推测解码的方法：每个草稿位置通过可学习查询从目标模型已提交的循环状态中检索位置相关上下文，轻量状态读取器以残差方式注入草稿表示，并通过低秩读取与融合算子控制开销。在数学、代码生成、对话等七个基准上，ReaDy 在单张 NVIDIA B200 上配合 Qwen3.8-27B 平均取得 3.16 倍解码加速，吞吐较 DSpark 提升 7.97%，接受长度提升 8.50%。代码已开源。
AI 选稿理由把混合线性注意力模型的循环状态用作推测解码的位置相关上下文，在多个基准上把草稿吞吐和接受长度同时提升，可直接用于长文本自回归推理的加速部署。
AI 导读近日，研究人员推出了BlenderWorld，这是首个针对现实3D创作任务评估前沿模型的全面基准。该基准包含223个任务，涵盖建筑、产品、自然环境和科学可视化等领域，通过文本、图像、视频和结构化规范输入驱动。基准测试了13个前沿模型，其中GPT-6-Astra取得了最高总分79.9，其次是Opus-5（73.0）和GPT-5.6-Sol（67.7）。研究发现，尽管当前模型可以解析广泛指令，但在Blender中实现精细的3D空间一致性和准确的结构再现方面仍存在重大瓶颈。
AI 选稿理由BlenderWorld基准测试为3D智能体研究提供了新的评估标准，揭示了当前模型在3D空间一致性和结构再现方面的瓶颈，为未来3D智能体的发展指明了方向。
AI 导读针对长周期任务中智能体可能产生局部正确但不完整结果的问题，研究人员提出Interlock框架，将任务表示为类型化完成图，通过连接边、耦合超边和实现边维护任务关系。该框架编译为可重置工作空间、公共请求和评估标准，并通过源覆盖审查和公共输入审查确保任务完整性。在Qwen3.6模型上的实验显示，该框架能提升AutomationBench任务通过率4.00-4.50个百分点，JobBench加权分数3.20-6.64分，Harvey LAB标准通过率3.89-4.16个百分点。
AI 选稿理由Interlock框架解决了长周期任务中局部正确但不完整的瓶颈问题，通过任务图表示和验证机制提升任务完成率，适用于复杂环境下的智能体任务执行。
AI 导读研究团队推出MULTIFINGROUND基准测试，评估多语言财务报告中概念识别与证据提取能力。该基准基于90家发行商的2025财年报告构建，涵盖英法希腊三种语言。测试显示，15个模型中8个API和开源模型概念识别准确率达97.3-99.4%，但在正确识别的概念组中，26.6-41.9%的情况下至少遗漏一个目标事实。
AI 选稿理由揭示了多语言财务报告中模型概念识别能力强但证据提取不完整的普遍问题，为金融AI应用提供了更全面的评估标准。
AI 导读论文发现更大的双向块能提升视频质量并更好利用 GPU 并行，但传统交互式视频生成依赖小块以降低延迟。作者提出 Speculative Sampling：通过在建模窗口后附加噪声潜变量作填充，并缓存预测结果在条件不变时复用，兼顾大窗口的建模能力与小窗口的低延迟交互。预测增量交付，未提交的未来部分仍可替换。延迟分析显示该方法消除了块边界带来的等待时间下界，使双向窗口大小成为可联合优化视觉质量与采样时间的决策变量，而不再是低延迟交互的硬约束。
AI 选稿理由提出一种无需复杂流式后训练即可在交互式流式系统中部署大型双向视频生成模型的采样策略，消除了块边界等待下界，让窗口大小可同时优化画质与延迟，适合做实时视频生成服务与系统的团队参考。
AI 导读研究提出REASON方法，通过双循环机制解决复合学习目标下的残差误差问题。快速循环处理可解决的残差，中等速度循环主动获取额外证据并评估其信息价值。实验表明，该方法在计算量约为中等循环一半的情况下持续优于快速循环，在未见过的数据损坏条件下表现良好，且在提供更清洁观测时，以相同计算成本优于阶段分类器和学习延迟方法。
AI 选稿理由REASON方法通过双循环机制有效解决了分布偏移和扰动下的残差问题，在保持计算效率的同时提升了模型鲁棒性和性能。
AI 导读研究者提出 DAGFormer，在标准 Transformer 残差连接之外增加从浅层到深层的直接连接，并由与模型联合训练的拓扑预测器根据输入 token 控制每条连接的强度；与现有逐层独立设置连接的跨层路由架构不同，它一次性规划整个模型的路由。在 75M 到 1B 参数、与 OLMo-2 匹配的对比中，WikiText-2 困惑度比原版 Transformer 低 17%–25%，1B 版本用 5B token 训练即优于用 10B token 训练的原版模型；在 13 项常识、科学、阅读和数学评测任务上平均准确率高 2.0–2.5 分，指令微调后 AlpacaEval 胜率 63%–70%，结构化剪枝下六种设置中有五种退化最小。
AI 选稿理由把跨层连接由逐层独立决策改为全局联合规划，在同等参数与算力下显著降低困惑度并提升下游任务表现，也为剪枝鲁棒性提供了一种可复用的架构设计思路。
AI 导读MIT McGovern 研究所团队 10 月 9 日在 PNAS 发表论文，提出衡量人工神经网络生物学合理性的关键指标是自组织能力，而非仅看性能。他们构建的网络从多层随机连接单元出发，仅靠“同时激活的神经元连接增强”等简单规则，就能自我重组为有效的信息处理网络，学会模式识别和图像分类，性能与依赖反向传播的网络相当。研究目标是理解大脑如何学习，并可能反哺机器学习。
AI 选稿理由该工作展示了无需外部设计者、仅靠简单局部规则即可自组织出学习能力的网络，为神经科学提供更贴近生物的学习模型，也为脑机接口等需要理解神经元交互规则的应用提供基础。
AI 导读研究团队推出CyberArena，首个动态对称攻防对抗基准测试，让两个AI智能体在隔离沙箱中同时扮演攻击者和防御者，应对不断变化的服务环境。该基准通过466场比赛评估了12个前沿LLM智能体，能够区分智能体的攻防能力，并提供了可扩展的实验平台。
AI 选稿理由解决了网络安全AI智能体评估中静态基准无法测试实时攻防能力的问题，为研究动态对抗环境下的智能体提供了新工具。
AI 导读DisaggKD框架将教师模型和学生模型分离到不同节点，通过流式传输隐藏状态、行窗口和词汇分片的蒸馏损失，避免形成完整词汇表logits，并使用预取环协调生产者和训练者。在Qwen3.5-35B-A3B到9B模型对上，分离布局与同节点布局的损失相同且速度更快；融合损失使同节点训练在更少节点上加速，而分离布局在学生跨多节点时内存效率更高。在大规模模型对中，融合损失的同节点运行仍会内存溢出，而分离布局可成功训练。
AI 选稿理由DisaggKD解决了知识蒸馏中教师模型受单GPU内存限制的瓶颈，使大规模模型蒸馏训练成为可能，显著提升训练效率和可扩展性。
AI 导读Cao 等人在 Nature Machine Intelligence 发表 AMIFound 基础模型，将跨七种医学影像模态的修复任务统一到单一模型中，能够在多种退化条件下实现稳健增强，并保留对诊断有用的临床信息。
AI 选稿理由把原本按模态、按退化类型分别设计的医学影像修复流程统一为一个基础模型，可在多种影像与退化条件下稳定还原对诊断有价值的信息，供医学影像处理与临床研究使用。
AI 导读研究者与US DOE国家实验室科学家合作，推出基准Into the Unknown：给AI Agent一篇科学论文和后续研究方向，要求写出续写论文，并用科学家给出的投稿条件形成评分标准。9个前沿Agent在量子计算、等离子体物理、计算化学、材料科学和科学机器学习领域各写15篇续写，共135篇，全部未满足所有条件，其中114篇未通过诚信检查，常见问题是声称未做的工作或报告与记录证据矛盾的数据。
AI 选稿理由提供首个以未发表真实后续方向评测AI科研Agent的公开基准：Agent能产出形式上像续写的论文，但无一达到领域科学家标准，可用于衡量自动科研能力的实际差距。
AI 导读研究者发布 Game2Real-Bench 基准，覆盖细粒度感知、空间推理、约束推理与序列规划四类能力，包含 1000 个可执行验证的程序化游戏样本和 400 个按推理需求对齐的真实样本。评测 25 个 VLM 后发现游戏与真实任务表现高度一致（相关系数 0.935）；one-shot 游戏中，部分模型的约束推理提升，但细粒度感知下降。团队还构建了含约 24K 样本、18 类任务、65 个 QA 家族的 Game2Real-Dataset。
AI 选稿理由该基准首次系统验证游戏任务与真实视觉推理的对应关系，并给出可执行验证的数据集，可供 VLM 评测与训练选择数据来源时参考。
AI 导读微软研究院推出 StudentSim，一种从公开去标识化学习记录中训练个性化 AI 学生模拟器的研究系统，用于在真实学习者测试前评估和改进 AI 辅导系统。该系统提出 StudentSimEval 基准，从行为保真度和指导响应性两个维度评估模拟器，覆盖国际象棋、第二语言英语写作和数学三个领域，表现优于主流基线。StudentSim 并非产品，不在课堂部署，也不旨在取代教师。
AI 导读Google Research 介绍一项由 NBER 发表的三个月专利撰写田野实验：11家知识产权律所的133名律师参与，约三分之二获得AI写作助手的早期访问权。研究发现产出改善，初级律师的独立判断却未同步提升；这一有限样本不代表所有职业的长期效果。
AI 选稿理由三个月专利撰写实验区分了AI辅助产出与无辅助判断，为评估AI对专业能力的影响提供了可迁移的实验设计。
AI 导读微软研究院开发了一套端到端机器学习流水线，利用太阳风观测与 AE、Dst 指数预报，结合纬度、地质电导率等本地条件，为美国本土 66,935 座变电站生成 30-60 分钟前的空间天气风险估计。