外观
Scaling embedding capacity alongside Transformer computation is an emerging trend in language models. This trend makes high compression rates increasingly useful. Hence, we study extreme compression of Per-Layer Embeddings (PLE), which fol…
研究提出推测扩散(speculative diffusion)技术，通过联合调整扩散步数和推测解码的宽松度，在扩散模型和自回归模型之间实现速度与质量的最优平衡。实验表明，这种联合优化可将速度-质量帕累托前沿扩展至单步扩散草案之上。
针对微短剧脚本生成中情节多样性和长程叙事连贯性的挑战，研究提出DraMaze多智能体管道，通过类型记忆引导的进化树搜索和变异探索多样化因果路径，并构建反向叙事依赖树组织历史记忆。实验表明，在60k词60集脚本中，DraMaze将因果模式重复率降低32.1%，逻辑得分达82.5，超越最佳基线8.5分。
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。
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。
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。
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。
研究团队提出BrickWright框架，通过预训练代理从文本或图像提示生成物理可行的乐高积木构建。该框架使用Python工具包BrickLayer，包括一个用户友好的积木组装API和一个验证器，以实现100%的物理有效性。
研究团队提出FilmFlow框架，可将自然语言指令或参考视频转化为动态3D环境中的可执行相机轨迹。该系统由导演智能体和三个专业智能体（解释器、侦察员、评论员）组成，支持空间推理、时间协调和视觉构图。研究团队还创建了CinemaBench基准数据集，包含150个Blender场景和750个文本指导任务，FilmFlow在基准测试中表现最佳并获用户最高偏好。
研究提出DISC框架，通过校准传输观测值选择、加权并组合不同相似性指标，提高时间序列数据集相似性评估与下游任务预测误差的对齐度。实验表明，DISC能更好地区分对下游行为重要的源-目标数据集差异，在报告分割上优于单一指标参考。
研究深入分析了G-Retriever方法，发现其图软提示存在令牌崩溃现象，即图令牌在不同输入间变得几乎无法区分。实验表明，替换令牌对准确率无影响，且学习到的常量提示性能相当或更优。研究提出两阶段流程生成非崩溃令牌，并证明令牌变异性不等于模型实际使用图信息。
研究团队提出FocusVLA框架，通过预测未来交互意图引导动态视图路由，解决现有视觉语言动作模型(VLA)无法充分利用多视图互补性的问题。在RoboTwin 2.0测试中，FocusVLA将平均成功率提升10.10个百分点，实际测试中成功率从71.7%提高到85.0%，比基线模型高13.3%。该框架可集成到现有VLA架构中无需修改核心结构。
这篇综述把视频基础模型与世界模型放在同一框架下考察：把观测视频视为潜在时序世界的部分、有损且按时间排列的投影，并用读、写、共享、交互四类操作组织文献。作者区分观测或生成序列的时序连贯性与底层世界状态的一致性，梳理研究重点从片段级识别和感知保真度转向持久状态、可控演化、物理与因果有效性。
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。
研究人员对扩散语言模型中的学习掩码策略进行了控制研究，发现标签预测匹配最终输出在低NFE时过于宽容，而隐藏状态单独较弱但可以补充信心。通过在轨迹收缩目标上训练策略，使用信心和隐藏状态，研究人员在LLaDA-8B-Instruct上实现了最佳准确度-NFE前沿和最高的吞吐量。
研究团队发布FLORA开源机器人数据引擎，可同时提供结果奖励标签、过程奖励标签和时间戳标注，在WGO-Bench、RoboReward和Robometer等基准测试中达到SOTA性能。该引擎每天可处理20万小时数据，成本仅为GPT-6 Astra的1/125，已被用于训练GR00T模型。
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。
研究人员评估了预训练的LeWorldModel（LeWM）在重现小动作变化效果方面的能力。通过匹配模拟器和模型响应，使用Gram矩阵在三个扰动尺度上测量动作敏感性。研究结果表明，动作敏感性的具体表现与扰动尺度有关，对控制效果的影响仍需进一步研究。
研究团队发布IQuest-Q1，一个稀疏专家混合(MoE)代理基础模型，总参数320亿(激活15亿)。通过三阶段训练开发：稳定高效预训练、细粒度中训练和多支架多版本后训练，结合SFT、领域专业RL和MOPD，增强代理编码能力。模型合并不同专家和检查点，缓解参数更新冲突。IQuest-Q1在编码和通用任务中展现能力，已开源支持社区研发。
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。
