论文研究

AI 导读视频扩散Transformer的3D注意力开销大，块稀疏注意力只算部分注意力块，但现有方法未优化稀疏分配的层与去噪步组合。作者发现不同层-步对最终画面保真度影响差异很大，且最敏感组合跨输入几乎不变。ALLOT把每对视为单元，经单元探测与轨迹校准估计其对最终视频误差的贡献，在实测延迟预算下联合优化密度，只替换分配环节。相同或更短墙钟时间下，在HunyuanVideo上PSNR比现有分配策略高11.8 dB；在Wan2.1、Wan2.2、HunyuanVideo的四种已发布管线九种设置中，均优于或持平默认。

AI 选稿理由提出免训练稀疏分配方法，在实测延迟约束下按输出误差优化层-步密度，并在五种视频生成管线九种设置中验证优于或持平默认，给出可复用思路与具体PSNR收益。

AI 导读论文将多模态具身智能体定义为把多模态任务推理与物理动作结合、并依据反馈修正决策的系统，提出按功能划分的PAPAV五能力框架：感知状态、预判动作效果、规划可行路径、通过接口或身体执行、验证结果。作者比较了电脑使用智能体、多模态智能体与机器人系统，并指出物理约束——从部分可观测到结果难验证——使可预先固定的选择更少、纠错空间更小。在64个基准中，显式评估集中在“执行”，仅5个评估“预判”、3个评估“验证”。

AI 选稿理由论文提出统一的五能力框架，并用64个基准的统计指出预判与验证能力在评测中严重缺位，为具身智能体的评估设计提供了可复用的分析框架。

AI 导读DONIC 是首个跨操作类别与人体动作源联合训练的双手机器人跟踪器，配套 BiHOI 数据集含 1575 段序列、229 个物体，并将重建交互重定向为机器人参考。它把近端策略优化与行为克隆循环结合，将验证成功的执行回收为演示，并以物体中心逐手奖励和 Clip-Centered Advantages 处理异构参考。单一检查点未经微调在未见训练物体轨迹上成功率 86.79%，留出物体上 57.32%，比双手机器人跟踪基线分别高 77.36 和 45.73 个百分点。

AI 选稿理由首个跨操作类别与人体动作源联合训练的双手机器人跟踪器，配套 BiHOI 数据集，给出了留出物体上 57.32% 成功率，实验范围限定于该数据集与跟踪任务。

AI 导读研究团队推出AW-0框架，将代码规划、未来视频预测和机器人动作控制整合为三个耦合的生成流，在统一transformer架构中实现。通过代码专家生成参数化技能程序，视频和动作专家生成视觉状态和低级指令。在RoboTwin 2.0和双臂操作任务中，该模型在任务性能、语言遵循、语义推理和鲁棒性上超越VLA和WAM基线。

AI 选稿理由AW-0首次将代码规划与视频动作预测整合为统一框架，实现了技能的复用和物理动态预测的结合，在机器人操作任务中展现出显著性能提升。

AI 导读研究提出 RubatoCodec，基于 X-Codec-2 实现可变帧率语音编解码，并用 Adaptive Firing 依据特征与波形频谱把语音切成时长可变的事件，每个事件由离散码加显式时长表示，可逐个事件流式解码。低事件率下重建保真度和可懂度优于定帧率；多语种模型在英、日、汉语上重建质量有竞争力，英日基准可懂度最佳；配套 TTS 的 WER 更低、UTMOS/UTMOSv2 更高，且无需生成时速率约束即可学会事件预算。代码与权重已开源。

AI 选稿理由给出确切 utterance 级事件预算的可变帧率语音编解码与流式解码，并配套 TTS 实验验证，适用范围为语音重建与流式语音合成研究。

AI 导读研究团队提出PACE方法，通过周期性而非每token量化循环状态，结合通道对齐共享量化尺度，在4B至35B参数的混合模型上，使用四位和八位混合量化，内存占用约为DAMP的三分之二，性能相当；全四位量化在相同内存下优于Q-Mamba，且周期性量化保持了解码速度优势。

AI 选稿理由PACE通过减少量化频率和通道对齐优化，在降低内存占用的同时保持了模型性能，适用于线性注意力语言模型的推理优化。

AI 导读论文提出Harness Scaling，不再只用固定harness训练Agent，而是构建因子化harness空间，选覆盖均衡的小训练子集，组织跨harness训练。在多基准、不同模型规模和RL算法下，对未见白盒配置的泛化稳定提升；经结构化白盒变化训练的模型也能迁移到未见的外部黑盒harness，优于用单一复杂黑盒harness训练的模型。

AI 选稿理由论文给出一种可操作的Agent RL训练方法：通过有组织的harness多样性提升跨执行配置泛化，并在多基准、多模型规模和多种RL算法下验证；实验结论限于所测白盒与黑盒harness范围。

AI 导读VX-One用10万至1000万参数的多头网络输出二值门、含明确未知选项的闭集选择和序数分，CPU上p50约0.7–1.7毫秒。在UNSW-NB15、CIC-IDS2017、EMBER2024上与校准XGBoost、随机森林、MLP、Kitsune对比：VX-One在UNSW-NB15和CIC-IDS2017时间漂移下检测占优（0.711对0.637），多类归因三项基准均由XGBoost胜出；留一攻击族门在9/9个UNSW折上检出未见族，但在CIC侦察族低于随机水平。五日Suricata加VX-One级联中，无载荷重建时签名引擎仅解析约0.1%流量，第二阶段把召回补到至少0.978；所有方法的时间漂移下校准均崩塌（ECE从0.04升至0.40）。

AI 选稿理由给出类型化校准决策头在边界分诊中的逐项实测，明确了未知攻击检出、跨基准阈值迁移和多阶段级联的失效条件。

AI 导读研究提出RealMe框架，通过高分辨率视频扩散模型将稀疏低分辨率捕捉增强为2K分辨率、4D一致的体积视频。该模型构建辅助数据并编码为潜在表示，采用分解时空注意力适应多视图捕捉布局，通过潜在频率损失减少生成视频与真实捕捉间的数据差距，在DNA-Rendering基准和自建RealVV数据集上实现视觉保真度和4D一致性超越现有方法。

AI 选稿理由RealMe通过视频扩散模型和潜在频率损失解决了稀疏捕捉生成高质量体积视频的问题，适用于医疗、影视和VR等领域的内容创作。

AI 导读研究团队在保持训练目标和采样器不变的情况下，将选择性循环应用于均匀扩散语言模型(UDLMs)，显著提高了训练效率。循环UDLMs仅需约0.5万亿token训练量即可达到非循环UDLMs在1万亿token训练量下的验证NLL，在OpenWebText和FineWeb-Edu数据集上分别节省2.8倍和3.3倍训练FLOPs。在匹配NFE预算下，循环UDLMs生成困惑度降低最高达9.8%，且采用非均匀循环计数策略可进一步减少12%的循环次数而不降低准确率。

AI 选稿理由该研究通过循环技术显著提升了扩散语言模型的训练效率，在保持模型性能的同时大幅减少了计算资源需求，适用于大规模语言模型训练优化。

AI 导读研究团队提出FRED框架，通过自蒸馏方法改进World Action Models(WAMs)中未来视频表示的质量。该框架利用真实未来观测作为目标，从噪声中预测未来表示，并结合历史观测提供时间上下文。在多样化实际操作场景中，FRED在长时程和跨域任务上显著优于现有WAMs，将人类到机器人的技能转移成功率从19.4%提升至50.0%。

AI 选稿理由FRED框架通过自蒸馏方法显著提升了机器人未来视频表示质量，在长时程和跨域任务上实现零样本泛化，并大幅提高人类到机器人的技能转移成功率。

AI 导读研究探讨了递归自改进(RSI)在物理AI中的应用，分析了如何通过物理经验强化改进机制，并总结了现有研究的评估原则和未来研究方向。研究指出，物理环境中的RSI需要处理部分观察、高成本试验和不可逆后果等挑战，现有研究主要集中在操作领域，支持行为改进、后续学习和程序改进，但尚未完全隔离递归带来的增益。

AI 选稿理由该研究系统分析了递归自改进在物理AI中的实现路径和挑战，为机器人学习领域提供了评估原则和研究方向。

AI 导读研究提出前馈模型 Foundation4D，用共享骨干和分解式时空注意力，从多相机驾驶视频同时完成几何估计、3D 检测、语义占用与高斯重建；视频推理用位姿图优化细化相机轨迹并拼接目标轨迹。团队还发布含 1253 段驾驶片段的 PAI-Foundation4D 基准。按基准微调后，在 Waymo 和 nuScenes 取得最低深度 AbsRel，nuScenes 检测 mAP 最高，OpenOccupancy 占用 mIoU 最高。联合训练使检测 top-class mAP 提升 1.2 点，几何与检测共训把相机到支架平移误差降低 13.4%。预测几何与轨迹还作为无激光雷达 NuRec 的先验。

AI 选稿理由新论文给出多任务驾驶感知与重建的统一前馈模型，并在 Waymo、nuScenes、OpenOccupancy 报告深度、检测、占用指标及联合训练增益，附 1253 段驾驶片段的标注基准。

AI 导读研究团队推出FrontierCS 2基准测试，包含48个开放性任务，评估LLM代理对计算机科学前沿研发的贡献。该基准将代理置于研究环境中，继承工作仓库并随时提交补丁，最终在13个领域评估表现。测试了12个代理，Claude Opus 5.5表现最佳，通过58%的运行，但16个任务无任何运行通过。

AI 选稿理由FrontierCS 2是首个将LLM代理置于真实研究环境中的计算机科学研发基准，覆盖13个领域，为评估AI在科研中的能力提供了新标准。

AI 导读Hugging Face推出FairStress基准，用于测量大语言模型在人口公平性方面的表现，超越传统仅关注最终决策的方法。该基准包含300个现实场景，测试模型在面对不同人口身份和对抗性前提时的决策稳定性，发现模型在多数群体身份候选者被挑战时更可能放弃正确决策，表现出反刻板印象过度纠正现象。

AI 选稿理由FairStress解决了传统公平性评估无法捕捉模型决策过程中隐藏偏见的问题，为AI开发者提供了测量模型对称公平性的工具，有助于构建更公平的AI系统。

AI 导读研究团队提出 AgenticRoboRL，把编码智能体的后训练思路迁移到机器人规划器。训练流程结合监督微调与多轮强化学习，并通过针对不同执行框架的适配器，将规划器交互记录与任务结果对齐，使 VLA 技能调用和代码生成等执行方式共用一套强化学习流程。在 LIBERO-PRO 上，一个 9B 参数规划器的成功率从 18.1% 提升到 71.0%，在不借助外部记忆的情况下接近 Codex（GPT-5.5）加外部记忆的 72.1%。团队将开源框架和训练好的规划器检查点。

AI 选稿理由给出机器人规划器可后训练的具体方法，并在 LIBERO-PRO 上把 9B 模型成功率从 18.1% 提升到 71.0%，接近 Codex 加外部记忆的 72.1%，同时承诺开源框架与检查点。

AI 导读论文提出多智能体世界模型OverSeer，在智能体第一视角之外加入空间固定的辅助摄像机视角，作为世界中心表征的代理，使视角变化直接对应世界状态的局部变化。辅助视角因冗余半静态特性可用delta-VAE仅编码相对静态参考图的变化来压缩token。Minecraft与Doom实验显示世界与智能体一致性提升，真实多相机采集的定性结果表明方法不限于游戏引擎，压缩分析显示计算开销显著降低。

AI 选稿理由提出固定辅助视角加delta-VAE压缩的多智能体世界模型方法，在Minecraft、Doom及真实多相机数据上验证一致性提升与计算开销降低。

AI 导读Hugging Face每日论文报道，研究团队提出RLSplat，一种资源线性预算控制的三维高斯喷溅框架，通过线性减少表示大小、推理延迟和峰值内存，以降低资源消耗。该方法通过学习高斯分配策略，在局部场景区域分配预算，并使用资源线性高斯解码，使解码成本随高斯数量线性减少。在零样本评估中，RLSplat在所有预算下均优于先前的方法。

AI 选稿理由RLSplat通过线性减少资源消耗，提高了资源受限环境下的三维高斯喷溅效率。

AI 导读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。

AI 选稿理由提出多学科AI研究团队协作机制，在有限预算下实现持续科学发现，实验证明不同背景、独立历史和自适应分配对突破局部最优至关重要。

AI 导读研究团队发布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%。

AI 选稿理由新基准将LLM系统内决策模型的评估从单项准确率扩展到对比组、校准与选择性覆盖，并给出多项模型间的具体差异数据，适用于研究LLM路由与护栏评估的读者。