外观
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。
论文提出 PhysSkin++，从静态几何学习连续的神经蒙皮场，构建紧凑的形变子空间。其神经蒙皮场自编码器无需逐物体训练即可预测依赖形状的子空间，并用物理信息自监督学习替代仿真轨迹，结合蒙皮场归一化与冲突感知梯度修正来稳定联合优化。该方法支持带用户控制与接触的降阶动力学，可直接绑定网格、点云和 3D Gaussians；在给定 rig 动画时另用自监督互补目标学习弹性响应。实验显示，学到的蒙皮场能跨形状泛化，并实现实时降阶仿真。
Hugging Face的研究团队提出了一种名为RouteWeaver的统一路由框架，该框架将不同的路由模式整合到一个LLM策略中，并共同学习如何选择模式和在该模式内选择模型。通过COMET-GRPO（协调模式-执行训练）和渐进式探索技术，RouteWeaver在数学、编码、知识、逻辑推理和事实回忆等五个领域实现了平均61.4%的准确率，比最强的基线提高了11.03%。
研究人员提出KronLSTM，一种基于Kronecker Delta Rule的新型线性注意力架构，通过最小侵入式内存修正机制减少信息干扰，特别适合长上下文语言建模。实验表明，KronLSTM在长上下文基准测试中表现优异，性能优于现有线性注意力架构，且内存动态稳定无需额外归一化机制。
研究团队提出AnyGoal基准测试，评估世界模型在组合泛化方面的能力。该基准包含基于常用环境构建的目标偏移任务变体，测试模型能否将熟悉的状态和动作因素重组为有效动态。研究发现当前模型在这些重组任务中普遍存在失败，为评估世界模型在新规划任务中的泛化进展提供了基础。
研究团队提出VerifierBench基准，包含来自6个代理基准的222个任务和4,993个隐藏测试案例，用于评估LLM代理生成可执行验证器的能力。测试显示19个模型的归一化平衡准确率在10.6%至62.1%之间，生成的验证器在拒绝无效解决方案方面比接受有效解决方案更可靠，但存在过度限制验证的问题。
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。
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。
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。
研究通过共享控制迷宫实验，探讨了语言模型代理在完成任务时与人类协作的效率。实验中，模型与人类在达到共同目标时，根据各自的优势进行协作，结果显示更强的单打独斗能力与选择性的人类参与相关。
Hugging Face每日论文报道了一项关于脑编码模型参数高效微调的研究。该研究通过参数高效微调（PEFT）技术，使用少量可训练参数有效地适应了非常大的预训练骨干网络，用于脑编码。研究展示了如何利用骨干网络的原因结构来预测多个时间点，从而显著降低特征提取成本。该方法在多个多模态骨干网络上实现了性能提升，并在Algonauts 2025挑战赛中取得了最佳成绩。此外，研究还开发了一种多LoRA内核，以加速多个LoRA在共享骨干上的联合训练。
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。
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。
针对大型语言模型（LLM）代理在未知和动态环境中需要主动探索、理解和适应环境动态的问题，研究人员提出了AdaExploreBench，一个用于评估主动探索和测试时自适应能力的基准。实验表明，主动和自适应的探索仍然具有挑战性，当前LLM代理在获取正确证据和识别先前获取的证据不再有效方面存在瓶颈。
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。
针对共享团队奖励难以追溯责任的问题，论文提出GRSE（Group-Relative Skill Evolution）：同一问题在相同技能库下多次执行，对比结果来为智能体—技能对分配行为信用，并结构化诊断失败。在HotpotQA和LoCoMo上（两个开源权重模型），GRSE优于MASkills，多跳问题F1分别提升6.7和3.2；增益来自更有依据的检索，学到的技能可跨多跳任务迁移。面对被植入有害技能的库，GRSE正确判定每个植入技能的符号并恢复到干净库+6.3分，MASkills误判两个且低于起点。
本文提出了一种名为Vision-Language-Delta-Action（VLDA）的新范式，通过紧凑的Delta变量捕捉潜在的世界状态变化，作为视觉语言理解和动作生成之间的接口。VLDA通过统一目标学习Delta，包括局部过渡滤波器（LT-Filter）和全局过渡锚点（GT-Anchor），以改善长期一致性、鲁棒性和泛化能力。
研究团队发布PVBench，从7个领域、46个维度评估生成视频的物理合理性，覆盖指令与语义、行为因果、几何空间、材料与场状态、运动学及机械守恒等。基准含600条提示，其中30%涉及机械臂、人形、四足等具身智能体，并为可计算维度接入6D位姿、尺度、法线等专用视觉模型，避免只靠主观打分；同时支持文生视频与图生视频，并用人工评估校验自动指标。
Hugging Face发布了一项名为Holi-World的研究，该研究利用人类自我中心的经验来学习世界的组织和变化。通过将大量记录转化为学习资源，连接场景结构、对象语义和交互历史，同时减少对昂贵的手动标注的依赖。Holi-World生态系统包括经验捕获、世界表示、自动化数据构建、模型学习和独立评估。实验表明，在静态感知和动态跟踪方面表现出色，且在Holi-World数据集上的训练显著提高了Holi-World-VL-4B在Holi-World-Bench和EgoDynamic4D上的时空推理能力。
研究人员推出了HandsOn，一个用于跨实体灵巧操作的可组合模拟平台和基准。该基准支持五种机器人臂、六种灵巧手和约200种随机场景中的刚体、关节和可变形资产。HandsOn将18,000个精心制作的演示与66个经人类验证的任务相匹配，支持基于演示的学习和执行测试，并评估资产和关系迁移、技能组合和可变形操作。该基准在多任务策略训练方面取得了显著成果，同时揭示了在接触建立、动作协调和维持目标方面存在的失败。
