外观
In a small language model the vocabulary is the single largest part. In Gemma 3 270M the embedding table holds 168M of 268M parameters, and because quantisation methods leave the embedding in 16-bit, it is also most of the file once the re…
研究者提出 GeoState，一种面向预测式三维世界建模的视角解耦几何表示。它利用场景 tokenizer 将多视角几何基础模型（GFM）特征聚合为解耦的场景状态，几何解码器再以相机射线查询，从而把场景状态演化与相机运动分开建模。实验显示，GeoState 在 Waymo 上优于既有三维世界模型，支持跨视角一致查询，并可零样本泛化到 KITTI 和 nuScenes，rollout 过程中无需逐帧尺度对齐。
论文提出文件选择器 CQ2-CARE：在 300 个 SWE-rebench 问题上，用相同 token 预算时，把预算用于挑选要原样展示的整份文件，而不是压缩 token 或检索代码块。配 GPT-5.6 与 Claude Opus 5 分别解决 43.7% 和 46.7% 的问题，比三种压缩器最佳结果高 6.3 个百分点，比三种检索器最佳结果高 9.3 与 12.7 个百分点，也超过 SweRank 和 SWE-Pruner。作者分析称检索器常漏掉要改的文件，压缩器保留了文件却改写文本，导致补丁更难应用。
针对联合音视频生成模型出现的多事件组合、多层音频混合与非对称跨模态关系，现有评估指标多沿用早期单向简单任务，难以适用。作者提出以事件为中心的评估框架：在事件层面拆解音频与视觉事件，独立分析后用跨模态关系交叉验证，再聚合成由粗到细的三级一致性指标，涵盖全局叙事和谐、事件级时间同步与细粒度属性对齐。该指标实例化为可训练奖励模型 AVC-Reward，并构建 AVC-Benchmark。结果显示其在自动方法中与人类判断对齐最佳，可给出定位失败的可解释依据，作为在线强化学习信号还能提升联合生成模型的音视频一致性。
研究提出 ACT3D，不向视觉语言模型提供多视角图像、视频或3D表示，而是保持单张图像的原生视觉编码，将3D环境作为可交互空间，模型通过移动、转向等动作和渲染图像观察迭代推理并探索。经轨迹监督微调后，采用以最终答案正确性为主要奖励的强化学习，模型需自行学会探索策略。在六个3D基准上平均准确率53.2%，比基础Qwen模型高22个百分点，超过Gemini 3.6 Flash，且输入帧数减少50%–70%，在未见领域平均提升5.9%。
论文提出Event-STVG任务，把时空视频定位从匹配实例描述转向事件级推理，统一长上下文、重复事件推理、事件定位、角色推断与多目标定位。作者构建含4,016个标注事件的基准，覆盖足球及另外七个领域；实验显示最强多模态大模型在10分钟时长上m-vIoU仅5.4%，且反复混淆同类型重复事件、空间定位薄弱、很少能同时定位全部所需角色。代码与标注已开源。
研究人员提出RSIFlow框架，通过诊断性能瓶颈和环境反馈动态选择改进工作流，元代理将工作流结果提炼为组件技能和跨组件原则，实现工作流编排的持续进化。在六个基准测试和两个骨干模型上的实验显示，RSIFlow在所有基准测试上达到最先进平均性能。
论文提出 SABER 基准，覆盖四种图文模态组合、多种属性类型及最多十个对象的场景，评测发现 CLIP 类双编码器和基于 MLLM 的嵌入模型普遍存在属性-对象绑定失败。作者随后仅用合成属性绑定文本微调一个 MLLM 嵌入器，在没有图像监督的情况下，跨模态与图像-图像检索均有提升，在 SABER 上达到 SOTA，并改善了否定与实例检索基准。
Post-hoc image explanations usually show where a model looks using spatial heatmaps or indicate which channels matter using global channel scores. These separate views are limiting for multispectral data because channel relevance is often…
论文提出“双评委一致”的忠实性判定：需Lean编译通过，并由两个不同模型家族的LLM评委给出同意；在独立人工抽查中，该判定与人类多数意见的一致率为91.5%。对227条大学水平陈述、8个系统的测试显示，编译通过率与判定通过率相差1.3至29.5个百分点：工具增强智能体编译率为87.2%，但仅57.7%通过；人工复核其被拒案例后，确认29.5个百分点中有23.8个是真实翻译错误。对GPT-6 Astra和Claude Opus 5.5的拒绝案例，仅7%属翻译错误，多数是评委误判。
针对语言代理训练中长轨迹 rollout 成本高的问题，CoPE 提出多步动作目标监督机制，通过让策略主干网络同时学习生成动作序列和预测未来动作，实现行动与预测的协同进化。在五个基准测试中，CoPE 不仅超越 GRPO 和 RL 基线，还比 ECHO 和 GRPO 提升最高 1.9 倍和 2.0 倍的样本效率，且无需额外模型或推理开销。
随着前沿编码智能体的发展，AI辅助软件工程的token成本显著增加。TokenEconomizer通过确定哪些操作微技能要注入、哪些持续无关的工具要修剪以及何时干预无效的失败循环，在Claude Code、Codex和GitHub Copilot CLI配合前沿模型的情况下，将平均token成本降低了18.4-30.9%，同时保持了可比的任务成功率。
研究者提出 OS-Helix，一个端到端训练的多模态计算机使用代理，将 GUI 操作与代码执行统一在同一动作空间中。实验发现简单加入代码工具会拖累 GUI 代理，因此需要混合数据训练内化路由能力。团队通过应用-工件组合生成可执行 Ubuntu 状态和可验证任务，先用 SFT 冷启动，再在真实桌面环境做在线 RL，并提出按动作步聚合权重的 Step-balanced GSPO。在 OSWorld-Verified 上，OS-Helix-27B 与 OS-Helix-35B-A3B 相对同规模 Qwen3.5 混合基线分别提升 35.0% 和 33.7%，OS-Helix-27B-RL 再提升 42.9%，成功率达 66.44%。
研究团队提出Lean4AgenticRL框架，首次将多层次过程奖励统一到Lean4形式化架构中，解决了当前大型语言模型在强化学习中仅依赖高层结果奖励的问题。该框架构建了问题特定工作流系统，并使用工作流阶段归一化的GRPO算法提供多层次奖励，训练出的LAR-9B/27B模型在TerminalBench-2.1上达到77.3%准确率，比基线模型高9.89%，比同类最佳模型高5.07%。
本期主线有三：xAI 发布语音到语音模型 Grok Voice 3.0，延迟低于 1 秒并改善客服表现；Google Research 开源 Harness²，让智能体在不改模型权重的前提下迭代改进提示词、工具、记忆与编排，其 Deep Review 系统可对复杂技术文档做严格技术核查；观点部分讨论路由器成为 AI 栈新原语、开源专才模型与前沿系统在路由后共存。此外 Anthropic 为 Claude 托管智能体与 SDK 加入 OpenTelemetry 追踪，vLLM 推出基于推送的 KV 传输优化 TTFT/TPOT，Netflix 分享大规模 GPU 训练容错实践，Ling-3.1-flash 以 5600 亿总参数、250 亿激活参数和百万 token 上下文开源。
研究针对动态高斯表示在小而快速运动物体和高动态区域细纹理重建上的失败，指出瓶颈在于高斯原语分配的位置与时机。作者提出 Seed Injection 与 Temporal Biased Relocation 两种互补策略：前者用时序外观变化与重建误差定位欠重建区域，再通过多视角在几何合理位置初始化新高斯；后者用时间分辨优化信号引导迁移高斯的时空放置。两者都不增加高斯预算、不改底层表示，在多组动态场景数据集上提升了高动态区域的重建质量。
ARC-SORT是一种无需训练、实时运行的多目标跟踪算法，专为体育广播场景设计。该算法通过测量自身不确定性来决定行动，使用交互多模型卡尔曼滤波器为每个轨迹提供预测协方差，并将其转化为轨迹搜索区域。在SportsMOT和DanceTrack测试集上，该算法实现了81.82和62.1的HOTA分数，并在RTX 3060 GPU上以约50帧/秒的速度运行。
一篇论文报告对 GPT-6-Astra 在具身任务上的评估：在涵盖桌面操作、人形、移动平台与灵巧手的 12 项基准上，允许从训练集演示进行上下文学习并大幅增加执行步数后，模型取得前所未有的成绩；同时它识别出高层 System 2 推理（GPT-6-Astra）与低层 System 1 控制器（如 π0.5）的闭环协作成本高但有效。在 8 种机器人配置的真实部署中仍存在明显差距：ICL 所需机器人演示采集昂贵，物理约束下难以用更长执行时间换取更高成功率。结论是该模型大体越过了具身能力门槛，但尚未达到实用具身智能。
论文指出 R-Zero、Agent0、Skill Self-Play 等自进化循环存在“选择到更新”的缺口：看起来可学的任务未必产生有用更新，但循环仍继承全部更新。作者提出 HeirCommit，冻结更新后模型并用新评测题决定是否继承，相比随机继承把有害更新占比降低 68-83%；EvoHeir 则分离参数继承与经验继承，在四个骨干模型上数学与通用推理平均表现最佳，数学平均较最强基线 Agent0 提升 5.3%。
研究系统评估了OPSD（在策略自蒸馏）中16种特权信息配置，覆盖三个多轮Agent基准和三个不同规模、推理模式的学生模型。结果显示，PI效果取决于内容、生成来源和学生模型：信息密集轨迹和更强生成器产出的PI增益更大，思考模型受益较不一致。研究提出两个KL指标（采样token反向KL和错误步KL对比）来在训练前评估PI，比PI效用更可靠，且用错误步KL选PI优于随机选择；有效PI与GRPO结合还能超过强GRPO基线。
