外观
研究团队提出EgoXperience全栈范式，通过数据收集、自动标注、统一建模和基准测试解决自我中心视频重建中的一致性问题。核心EgoX-Engine引擎结合几何验证的目标跟踪与SLAM世界对齐，生成EgoX-Data-6M数据集（50小时任务驱动操作与移动数据）和EgoX-Bench基准。EgoX模型在单目自我中心视频和首帧目标掩码下，通过单次前向传播实现相机、场景、手部和物体的联合度量重建，实验显示在场景估计和世界空间手-物体姿态恢复方面达到最先进性能。
研究团队推出OpenDS任务和OpenDS-World基准，评估AI代理在真实开放网络环境中进行多步骤深度搜索的能力。该基准包含200个挑战性任务，涵盖多种信息模态、异构文件格式和交互访问要求。评估显示，最佳模型准确率为39.0%，而人类评估准确率为21.1%。研究揭示了模型在工具协调和长程搜索管理方面的持续挑战。
TRACE 把 EHR、胸片、放射报告和出院小结组织成日级轨迹，用时间注意力区分全局背景与当日事件，并对缺失模态不生成 token；表型引导的对比学习进一步处理疾病分布差异。在 MIMIC-IV、eICU、MIMIC-III 近 18 万次住院上，TRACE 在死亡率、住院时长和再入院共 9 个数据-任务设置中 AUROC 全部最高，ACC 在 8 个设置中最高；消融实验验证注意力掩码与对比学习，轨迹级归因能定位风险相关的住院日与模态。
浙江大学团队提出ScaleNav框架，通过三阶段训练方法利用网络第一人称视频学习目标导向的视觉动态，实现机器人根据文本指令导航至指定位置。在Short-Horizon OVON单视图变体和HabitatGS-LN基准测试中分别达到86.5%和94.9%的成功率，并在真实四足机器人上验证了泛化能力。
扩散式视频抠像受算力限制，每次只能处理6至24帧，跨分块边界易出现边缘闪烁和透明度不连续。VideoMaMa++把RGB与掩码作为独立Token流，经全时空自注意力自适应融合，并引入可学习的保留Token与细化Token，配合滑动窗口推理把已生成抠像传播到下一分块，同时用全局参考锚点防止长序列误差累积，无需额外训练。在标准基准和真实长视频上，其细节精度与时序一致性均优于此前扩散方法。
HarnessPro是一种无标签方法，通过递归自改进优化Harness，在提升任务性能的同时降低执行成本。该方法使用LLM生成的测试评估候选Harness，通过专业代理诊断执行轨迹并规划更新，提供轻量、平衡和高性能三种模式。实验显示，在多个基准测试中，HarnessPro的高性能模式相比RHO方法平均通过率提升2.0个百分点，单任务成本降低26.1%。
研究团队提出SEAM方法，通过零音频初始化从已知子词构建未见词元的嵌入，应用频谱滤波保留时间音素顺序，使用闭式岭回归对齐新嵌入与预训练条件流形。在三种语言和两种TTS架构上，SEAM使用最多减少四倍的训练数据接近或匹配基线性能，相比随机初始化和均值池化降低75%的样本复杂度。
Anthropic承诺将5%股权用于公共利益基金，支持AI对经济和劳动力的影响；OpenAI测试新Aurora图像模型；Anthropic报告初级技术招聘比例下降，员工使用Claude提高生产力但监督工作增加；DeepSeek发布Search & Fetch API和DeepSeek-V4.1-Flash-1017模型；Replit将默认AI提供商更换为OpenAI；Stack Overflow for Agents通过ChatGPT插件实现用户量三倍增长；Qualcomm预测2028年手机将运行1000亿参数模型。
研究团队提出MMedAgent-Plus，用视觉语言规划器统一调度18个专科模型，覆盖12项任务、8种模态。规划器在32个公开医疗基准的208,928个样本上指令微调；单工具多轮、多工具多轮、多工具单轮的调用准确率分别为91.0%、98.1%、80.7%。端到端在7项任务的350例中正确调用专科模型占90.6%，最终答案准确率0.98，最强基线为0.28。
Recent Omni LLMs (OLLMs) have demonstrated remarkable capabilities in joint audio-visual reasoning, yet cross-modal hallucinations remain a major challenge. Existing mitigation methods mainly operate at the output level, overlooking the en…
研究人员在复现POPE基准测试的幻觉缓解结果时发现，评估代码中的token选择会影响F1分数。通过分析9,000个问题，发现模型实际生成的是带空格前缀的"Yes"和"No"token，而非直接比较的"yes"和"no"token。这种评估方法导致LLaVA-1.5-7B在对抗分割上的F1分数提高了6.13点，超过多数报告的增益。研究还发现错误预测比正确预测获得更多图像注意力，与基于纠正的假设相反。
研究人员开发了一个名为SpatialScout的基准，用于评估视觉语言模型（VLM）代理在主动对象级3D绘制方面的能力。该基准包含80个不同的室内场景和3140个目标对象。实验结果表明，即使是最强的模型在绘制精确的度量地图方面也存在重大局限性。
论文指出基于自然语言评分标准的RL存在两类失效：分数因探索不足或难度不匹配而整体塌缩到高低一致，以及高分并不对应更好回答。HarnessRL通过任务采样、rollout引导和评分标准三个接口与策略共同演化，并用训练时记忆检索任务内外证据，由批评者在冻结策略上验证候选更新。在医疗、科学、写作、角色扮演和指令遵循五个领域的Rubric-Mix-10k上，4B和9B模型分别比最强基线高2.8至3.1分，达到最佳检查点的训练步数近乎减半。
研究团队构建统一数据管线，把机器人操作录像自动标注、并与多来源视觉数据一起转为可验证的定位监督，约150万样本微调Qwen3.5-9B得到ACE-Brain-0.6。在7项公开定位基准上，该模型以四项胜出、平均分75.41超过GPT-6 Astra的73.68；固定微调方案下，随训练数据覆盖更多定位场景，聚合成绩稳步提升。
研究团队提出InfiniDream框架，结合视觉语言模型与程序生成技术，实现了开放式的逼真3D世界生成。该框架包含符号约束资产生成和端到端文本到世界管道，可在保持可编辑性和多样性的同时创建新型资产，并通过语义场景规划和确定性视锥引导网格放置构建大规模3D世界。在100个对象和20个场景生成任务中，该框架在四个感知指标上表现优异。
研究提出 WildAWM 流水线，用开源模型合成同时支持图形界面、MCP 服务和命令行的可执行环境。通过执行式质量门控——异质智能体 rollout、交叉评判一致性和反事实探针——合成 341 个环境任务对，部分需超过 100 步，GPT-6-Astra 仅解出 60%。两个不同规模 Qwen 模型仅在合成环境中训练，在覆盖网页、claw 和计算机使用智能体的 8 个分布外基准上均取得明显提升。
研究团队提出 Ropedia W0，首个覆盖人类与多种机器人本体的自我中心移动操作世界基础模型。其数据 Xp-Data 含 1 万小时人类数据与 3 千小时机器人数据，用统一运动学表征编码相机位姿与投影骨架。在 DreamDojo、Ψ_0、ω-HOME、Xp-Teleop、AgiBot 五个跨本体基准及留出人类视频上取得最优结果，蒸馏后支持实时分钟级推演与 VR 交互。
研究团队推出RoboValue基准，通过共享接口评估机器人价值模型的四个互补能力维度：任务状态理解、时间进度监控、故障恢复推理和价值一致性。该基准包含15个模拟和20个真实操作任务，提供专家演示和标注轨迹。评估显示现有模型在细粒度指令锚定、历史依赖进度跟踪和恢复评估方面存在错误，同一语义子任务在不同执行顺序中可能获得显著不同的价值增益。
论文指出，Agent把规则、摘要等抽象经验存入外部记忆后，其中的错误会经检索复用传导到后续决策，并通过“抽象—执行—再抽象”循环被重新生成，作者称之为错误复现。为此提出Anti-Persistence：只累积轨迹与结果，任务指导按需即时合成、执行后即丢弃，由自适应选择器依据既往结果决定是否及如何合成。在多个基准与骨干模型上，该设计取得更高的留出任务成功率与最低的平均LLM调用成本。
论文指出，当多个任务组合在同一提示中时，模型错误率显著上升，即使每个任务单独都能可靠完成，且错误无法用独立误差累积解释。在开源模型和Claude Opus 5上，作者发现模型在组合下每个任务分配的思考token明显少于单独完成时，即使序列远未超出上下文窗口；单独完成时需要更长解题轨迹的任务在组合下更易出错。利用这一隐式预算机制，按任务脆弱性分组可在数学和语言任务上减少43%的token使用并保持准确率。
