外观
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。
研究人员推出了Quant-Arena，这是一个针对真实A股市场数据的端到端量化研究基准和排行榜。模型构建特征和股票评分代码，仅对2022-2023年数据进行反馈，并在2024年对策略进行评估。GPT-6 Astra在该基准测试中得分最高，但没有模型在2024年击败等权重市场。
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。
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。
研究团队提出一种将微调神经网络检测器转换为基于人类可读概念分类器的流程。通过在检测器残差流上训练稀疏自编码器(SAEs)，为每个SAE特征分配自动解释标签，并仅保留通过全局保真度阈值的特征，然后训练轻量级分类器。研究发现SAEs恢复的潜在概念对应于AI生成文本的高度特定且具有预测性的语言特征，基于这些提取特征构建的分类器不仅高度可解释，而且在分布外文本上的表现优于神经和文体统计替代方案。
Hugging Face发布CulturalRiddles，一个包含62种文化（45个国家，51种语言）的原创谜语基准。这些谜语要求模型具备丰富的文化知识、推理能力和语言技能，以评估大型语言模型对多元文化的理解和表现。
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。
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。
Hugging Face发布了一项名为Generalized CycleGRPO的研究，这是一种统一强化学习框架，用于跨空间、时间和时空域的区域理解和定位。该框架通过生成候选描述并将每个描述定位以重建输入区域来工作。CycleGRPO在GroundingSuite和GRES上的gIoU指标上取得了显著提升，同时引入了DOVE评估基准，用于视频中的时间区分度。
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。
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。
Hugging Face的每日论文报道了一项研究，该研究提出了一种名为Pitfall Anticipation World Model (PAWM)的新方法，用于引导黑盒大型语言模型代理。该方法通过预测潜在陷阱来避免失败，并在ScienceWorld和WebArena-Lite上提高了Claude Sonnet 4.5的性能。
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。
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。
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”。
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。
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。
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。
研究团队提出PACE方法，通过周期性而非每token量化循环状态，结合通道对齐共享量化尺度，在4B至35B参数的混合模型上，使用四位和八位混合量化，内存占用约为DAMP的三分之二，性能相当；全四位量化在相同内存下优于Q-Mamba，且周期性量化保持了解码速度优势。
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。
