外观
生成式奖励模型（GenRMs）生成自然语言理由来证明偏好判断，但正确的判决并不保证合理的证明。为了解决这些限制，研究人员提出了DeCert框架，该框架评估生成理由的有效性和判决一致性，无需参考解释。DeCert将这些评估转化为考虑判决正确性和证明质量的偏好监督。当多个采样的判断具有相同的正确判决时，证书质量的不同使DeCert能够构建区分更强和较弱证明的理由偏好对。在两个模型家族和多个分布内外基准上的大量实证研究表明，DeCert在提高理由质量的同时，始终优于强大的生成式裁判基线。
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。
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%。
研究提出分层稀疏注意力 SSA，将确定性检索与分数引导采样结合，对残差 token 按其计入概率校正，从而找回检索集之外的注意力质量，统一涵盖 top-k、top-p 与混合采样。在 RULER、LongBench、LOFT、AIME 及 3B–27B 共五个模型上，SSA 在同等稀疏度下一致优于基线；在 RULER-HARD、Ministral-3-8B、50 倍注意力稀疏下，32K 准确率从 81.8% 升至 84.2%，128K 从 63.8% 升至 69.3%，分别恢复稠密性能的 94% 与 85%。配合优化 CUDA 内核，1M 上下文解码较 FlashInfer 最高提速 2.96 倍，代码已开源。
研究团队推出RoboCasa-Shift基准，通过控制单因素偏移、匹配清洁-扰动轨迹和模拟器引导的阶段感知诊断，评估GR00T N1.5在四个长时程任务中的鲁棒性。研究发现鲁棒性响应在不同因素和任务间差异显著，且严重程度增加并不总是导致单调退化。同一端到端退化可能对应不同的执行深度配置，表明视觉语言动作鲁棒性应被视为执行的多维属性而非单一端到端性能指标。
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%。
研究者追踪了七个开源强化学习训练框架，分析了它们在2025年1月至2026年6月期间对1,598篇论文的包含情况。研究发现，在180天内被包含的论文数量稳定在5到7篇，这些论文通常具有30B参数以上的训练策略，并经常修改现有损失函数的系数、clip、mask或权重。
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。
研究者发布Code2Video-Compass基准，用于评估多模态大模型把视觉与时间要求转成可执行程序来生成完整视频的能力。基准含2104项任务、10类、24子类和构建、动态动画、状态依赖三个复杂度维度，覆盖T2V、I2V、V2V；采用12项客观指标与5项主观指标的评测框架。15个来自9个家族的专有及开放权重模型测试显示，领先模型仍难稳定生成符合要求的完整视频，复杂度升高时性能普遍下降。
针对Agent长轨迹中KV缓存I/O与存储成为主要成本、裁剪历史又会触发重新预填充的问题，作者提出“缓存工程”：Agent可用drop把选定缓存排除出后续注意力，用repos调整保留键的位置编码，无需改动轨迹前缀。团队将历史依赖视为服务难题并联合设计AKV引擎，以无状态接口内部管理缓存复用、驱逐与恢复。工具响应滚动丢弃策略使平均基准分提高1.7分、平均成本降低27.7%；AKV输出吞吐最高1.2倍，P95请求延迟加速1.5倍；缓存策略递归自改进再降本7.1%。代码已开源。
StyleStream 2.0通过训练少量步骤的像素MeanFlow模型并使用自回归反馈微调，将端到端延迟降低至520毫秒，比1.0版本提速2倍，同时保持转换质量。该框架引入紧凑的风格嵌入，支持基于文本的语音设计和指令式语音编辑，在目标风格保真度方面达到最强性能。
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。
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。
研究团队推出RoboJudge-Bench基准，用于评估多模态大语言模型(MLLMs)作为具身视频生成评估器的表现。该基准包含800个人类标注视频，覆盖8个数据源和10个视频生成器，测量物理遵循和指令对齐两个维度。实验显示现有评估器与人类判断一致性不均，基于此研究团队构建RoboJudge-Train数据集，训练出RoboJudge-9B模型，在基准测试中达到0.719的皮尔逊相关系数，超越Gemini-3.7-Flash。
研究团队提出DiffResearch框架，将扩散语言模型(dLLM)应用于深度研究的每个阶段。在100项Deep Research Bench任务中，扩散模型比自回归模型快约6倍，主要得益于规划和写作阶段的显著提速。团队还引入dFast模式，通过读取中间去噪状态提取子查询，实现1.99倍速度提升且不降低报告质量。基于更强扩散模型的系统在排行榜上超越多个商业系统。DiffResearch已以Apache-2.0许可证开源。
研究证明扩散语言模型代理可通过连续状态传递隐藏消息，接收方会使用这些消息内容。在Tiny-A2D和Dream-7B任务中，移除消息导致性能下降63.6和100.0点；错误消息使QASC准确率从80.8%降至46.8%。单次晚期信息传递效果优于四次交换，提供扩散模型代理间连续隐藏通信的因果证据。
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。
研究团队提出DuoLM框架，通过紧凑推荐模型与高效运行时结合，实现个性化推荐。编码器LLM学习可重用的紧凑物品表示，个性化排序器LLM结合用户历史与反馈进行推荐。在单块H100上每秒可处理约26,400个候选评分，比vLLM服务教师模型的吞吐量提高约60倍，同时保持与专家教师模型相当的推荐质量。
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。
论文提出Agent S4，让接口设计本身成为Agent能力：元智能体在无成功标签的合成任务轨迹上构建并修订接口仓库，再用种群式进化按验证任务表现筛选。在OSWorld V2上，搭配Qwen3.8-27B的Agent S4取得21.3%二元得分，是同模型固定接口的3.8倍，超过GPT-5.5（13.0%）和Claude Opus 4.8（20.6%），成本约为后两者的4.3%和1.5%；ScienceBoard成功率从41.4%升至58.6%。代码已开源。
