论文研究

AI 导读研究人员推出GlobeBench基准，包含5个领域、19种模拟技能的1632项任务，用于评估文本世界模型预测环境响应的能力。测试显示GPT-6 Astra成功率最高达49.57%，但当动作影响环境范围扩大时，模型平均成功率降至5.1%，631项任务无模型能解决，表明LLM作为世界模型存在显著能力差距。

AI 选稿理由GlobeBench首次为文本世界模型提供标准化评估基准，揭示了当前模型在复杂环境预测中的局限性，为改进方向提供明确指引。

AI 导读论文提出 First Passage Attention（FPA），将遗忘门从沿键-查询路径累加衰减改为路径极值：根据学习到的标量场在区间内的最深下探，按比例降低键的 logit，从而选择性擦除中间上下文而保留更早的相关 token。FPA 将 Forgetting Transformer（FoX）作为特例；在合成实验中，单层 FPA 头能收敛到目标键集合，而 softmax 和 FoX 基线在每个随机种子上都失败；在 1.1 亿参数语言模型上，FPA 困惑度与 FoX 持平，并在 8 倍训练长度下唯一实现完美 passkey 检索，键值缓存压缩至约 25% 时仍有效。

AI 选稿理由提出用路径极值替代路径求和的注意力遗忘机制，在合成任务和 1.1 亿参数语言模型上验证了选择性遗忘与训练长度 8 倍的 passkey 检索能力，适用于长上下文研究。

AI 导读针对灵活制造中的工业操作，如高混合、低批量（HMLV）电子产品组装，研究人员提出了LIBERO-Industry，一个基于LIBERO的新基准，用于评估机器人策略在工业流程约束下的表现。该基准包含三个经典任务场景，并通过实验表明，随着工业约束的引入和组合，性能逐渐下降。

AI 选稿理由LIBERO-Industry通过将工业流程约束转化为可控制的任务条件和可测量的成功标准，为评估机器人策略在工业环境下的表现提供了新的基准。

AI 导读研究者提出一种无需训练的权重编辑方法，用于降低语言模型对特定不良指令的遵从度。该方法只需对每个目标行为的一小批提示对做前向计算，且编辑写入模型权重，提示词中删除或修改指令也无法撤销。在五种指令微调模型上针对“被指示说谎”和“被指示性别歧视”两类行为测试：在两个说谎基准上，诚实回答率比最强基线分别提高6.2和4.6个百分点，五种模型中有三种显著、另两种在噪声范围内；性别歧视回答率均值从57.9%降至24.3%，结合公平性提示进一步降至11.9%。

AI 选稿理由提出可直接作用于模型权重的免训练干预手段，无需微调即可降低对特定有害指令的遵从，且不能通过改写提示词绕过，可用于对齐加固与安全部署。

AI 导读论文提出Harness-Delta Attribution（HDA）评估协议，将Agent harness进化的搜索集性能提升拆分为产物过拟合、测试时扩展和残余可泛化改进。在11个执行模型和3个框架的21个显著提升设置中，过拟合与测试时扩展平均分别贡献54%和14%，14个设置中两者合计超50%。搜索集收益常无法迁移至留出任务，验证信号不足以防过拟合。

AI 选稿理由该研究提出可复用评估协议，量化了harness进化收益中过拟合与测试时扩展的占比，对Agent评测有方法参考价值，结论限于21个显著提升的实验设置。

AI 导读研究者提出 PhysClosureBench，含 50 个专家验证、目标明确的研究任务，覆盖强场、阿秒及邻近物理领域。评测用 20 项 Atomic Score 衡量局部科学成果，用 Research Closure（RC0–RC4）判断是否满足必要证据与适用范围条件。Claude-Opus-5 平均 Atomic Score 最高（6.29/10），但仅 32.7% 的尝试达到 RC4；得分≥8/10 的尝试中仍有 36.2% 未达 RC4，七款前沿模型在三次运行中均明显少于至少一次运行达到 RC4 的任务数。

AI 选稿理由给出了衡量 AI Agent 能否把研究推进到“有证据支撑的完整结论”的基准与失败模式分析，可供做科研 Agent、自动实验与证据验证的团队直接用来诊断瓶颈。

AI 导读论文提出机制不确定性概念，用支撑模型回答的内部机制稳定性刻画不确定性，并定义因果鲁棒性边距——使模型输出偏离所需的最小内部干预，通过Jlens概念转向向量实现。在三个开源模型和五个问答数据集上，错误与不确定回答的边距更小，且该边距与基于输出的不确定性方法互补；受控知识注入实验中，正确习得的事实训练后边距增大。

AI 选稿理由提出因果鲁棒性边距这一机制层面的不确定性信号，在三个开源模型、五个问答数据集及受控知识注入实验中验证其与输出不确定性方法互补。

AI 导读研究者构建了 SciΠvot 基准，包含 248 个基于人类纠错记录的案例，来自高级研究员六个月内在 26 个科研项目、六个学科方向上对 LLM 智能体的反复干预。每个案例让模型在原始 LLM 方案与人类修正方案之间选择，且只能用纠错前的项目记录作为上下文。结果显示，在中等推理强度并提供项目记录时，模型系统性地偏好原始 LLM 方案；五个前沿模型中四个在所选案例上低于随机水平，最高准确率为 63.5%，而新手研究员为 73.4%。中等强度下，所有模型带项目记录的准确率反而低于不带记录，重新考虑也未持续提升整体准确率。

AI 选稿理由该基准首次用真实科研纠错记录系统评测 LLM 智能体的科学判断力，揭示前沿模型在关键研究决策上仍弱于人类，为自主科研智能体的评估与改进提供了可复用的测试集和方法。

AI 导读研究者提出 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。

AI 选稿理由把相机视角变化从场景状态中剥离，解决了 GFM 特征视角依赖导致动力学难以预测的瓶颈，可提升自动驾驶等场景下三维世界模型的可预测性与跨数据集泛化能力。

AI 导读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。

AI 选稿理由指出补丁类编码 Agent 的上下文瓶颈在于选对整份文件而非压缩，且方法无需额外压缩模型即可提升可应用补丁比例，对做代码 Agent 上下文管理的人可直接复用。

AI 导读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。

AI 选稿理由为复杂音视频生成场景提供了可训练的一致性奖励模型，既能自动评判并定位不一致，也可作为强化学习信号直接改善生成质量。

AI 导读研究提出 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%。

AI 选稿理由证明仅用结果奖励的强化学习可让视觉语言模型学会何时、如何获取视觉证据，在需要大量探索的问题上相对基础模型提升16.3%，为3D空间中的具身问答与主动感知提供了可复用方法。

AI 导读论文提出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。

AI 选稿理由提出事件级时空定位新任务与4,016事件、八领域基准，给出最强MLLM在10分钟跨度仅5.4% m-vIoU的量化结果及三类失败模式，适用于视频理解评测研究。

AI 导读研究人员提出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。

AI 选稿理由解决了LLM代理自我改进工作流难以适应性能瓶颈的挑战，通过元代理进化实现工作流编排的自适应优化，显著提升复杂任务处理能力。

AI 导读论文提出 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。

AI 选稿理由指出多模态检索中属性-对象绑定这一被低估的瓶颈，并证明仅用廉价可生成的合成文本监督即可显著提升跨模态检索能力，降低了为绑定任务收集配对图像的标注成本。

AI 导读论文提出“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。

AI 选稿理由给出了可复用的人工验证忠实性准则，并用227条样本和8个系统量化“编译不等于忠实”，可作为形式化与LLM评委方法的参考。

AI 导读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。

AI 选稿理由CoPE 解决了语言代理训练中长轨迹成本高和中间步骤监督利用率低的瓶颈，通过单一策略主干实现高样本效率，适用于多领域任务。

AI 导读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。

AI 选稿理由TokenEconomizer通过自适应黑盒成本控制，有效降低了编码智能体在现实环境中的token成本，提高了token效率。

AI 导读研究者提出 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%。

AI 选稿理由把 GUI 操作和代码执行训练进同一策略，解决了此前靠提示词拼工具导致代码能力拖累 GUI 的瓶颈，并给出可验证数据生成和 RL 优化方法，可供构建桌面自动化代理的研究与工程团队参考。

AI 导读研究团队提出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%。

AI 选稿理由首次将形式化方法与多层次奖励机制结合，显著提升了智能体在复杂软件工程和终端使用任务中的强化学习效果。