论文研究

AI 导读MIT、波士顿儿童医院和Inria研究人员开发了E(3)-Pose深度学习模型，通过将胎儿头部左右对称性原理融入神经网络架构，解决了胎儿在MRI扫描中移动导致的图像切片角度不一致问题。该模型能捕捉胎儿运动时的高分辨率头部图像，帮助放射科医生更准确诊断脑部异常，有望替代当前缓慢的手动胎儿脑部MRI扫描过程。

AI 选稿理由解决了胎儿MRI扫描中因运动导致的图像不完整问题，通过物理原理嵌入模型提高诊断准确性，可应用于早期胎儿脑部异常检测。

AI 导读研究提出 Bridged Self-Distillation（BSD）框架：外部教师只提供离线推理轨迹，作为特权上下文；学生模型自身在无上下文条件下生成 rollout，再由同一学生的上下文条件副本充当自教师，在学生自身词表空间为这些 rollout 打分，并结合验证器结果信号调整失败轨迹的更新。由于教师只需输出文本，该方法统一适用于共享词表、跨词表和闭源 API 教师场景，在各类场景中均优于基线和专用方法，代码已开源。

AI 选稿理由提出一种只依赖教师文本输出的统一在线蒸馏框架，覆盖跨词表和闭源API教师等此前需分别处理的情形，并公开代码，适用于研究蒸馏方法者参考。

AI 导读研究分析了两个扩散模型在10项任务中的表现，发现模型生成每个token所需的前向传递次数因任务而异：复制或轻度编辑文本成本低，开放式写作成本高。输出中相对于输入的新内容比例和词的稀有性是影响成本的关键因素。多语言生成中，高token化语言需要更多传递次数。此外，错误答案比正确答案需要更多传递，按解码速度加权候选答案比多数投票高4.2分。

AI 选稿理由研究揭示了扩散语言模型计算效率与输出内容创新度之间的关系，为优化推理效率和可靠性提供了实用信号。

AI 导读论文提出 TokenGate，一个可即插即用的小型组件，通过 token 重要性分数重加权注意力 logits 的“token 门控注意力”机制，实现长上下文输入端到端可学习的 token 剪枝，缓解模型逐层处理全部 token 的成本。实验显示其在不损失精度的前提下将首 token 时间（TTFT）提升 1.4–11.3 倍、峰值内存降低 1.5–3.4 倍；相比此前最优 token 剪枝方法，预填充最快提升 6.4 倍、内存降低 2 倍。该方法可扩展至 Qwen3 等标准 transformer 与 Qwen3.5 等混合注意力模型，代码已开源。

AI 选稿理由提出可端到端训练的 token 剪枝组件 TokenGate，在不损失精度下将长上下文 TTFT 提速 1.4–11.3 倍、峰值内存降低 1.5–3.4 倍，并覆盖标准与混合注意力模型，代码开源。

AI 导读研究团队提出OpenVLHarness，一种围绕能力层和持久多模态记忆组织的多模态推理工具。在22个基准测试中，该工具使Qwen3-VL-8B、Kimi K3和GPT-6 Astra模型得分分别提升11.2、9.7和9.9分，在GPT-6 Luna上以中等推理 effort 超越其他模型最高 effort 表现，且模型token成本最多降低37%。

AI 选稿理由OpenVLHarness通过多模态记忆和工具接口解决了视觉推理中证据获取瓶颈，显著提升模型在复杂任务中的表现并降低计算成本。

AI 导读前沿大语言模型被训练以逐步解决问题，生成人类可理解的推理文本。然而，这些推理标记并非大语言模型内部计算的准确解释，给模型监控带来了挑战。

AI 选稿理由研究揭示了推理大语言模型内部计算与外部推理文本之间的差异，为提高模型透明度和可监控性提供了新视角。

AI 导读该研究系统探讨了物理递归自我改进(RSI)的机制、缩放行为和泛化能力。研究引入PhysRSI-eval评估框架，通过首次尝试性能、效率、成功率、预算和失败改进五个维度量化物理RSI，在18个操作任务中评估不同视觉语言模型(VLM)。实验结果提出"物理桶假设"，即不同能力可能限制改进的不同部分。研究还从两个角度进行观测缩放分析：预测VLM代理的相对性能和基于早期物理反馈预测后续进展。

AI 选稿理由该研究首次系统量化了物理递归自我改进能力，提出物理桶假设，为AI体在物理世界中的自我改进机制提供了理论基础和评估框架。

AI 导读研究发现在资源受限情况下，现有终身记忆方法效果不佳，简单检索或无记忆代理反而更有效。TokenWorth框架通过学习查询相关的记忆价值，在三个LifelongAgentBench环境中实现了最高任务成功率并使用最少的输出token，证明有效适应的关键在于学习值得记住的内容而非记住更多。

AI 选稿理由解决了资源受限环境下终身代理的记忆价值评估问题，为实际部署中的内存管理提供了新方法。

AI 导读DeOverlay提出了一种源锚定流模型，用于移除视频中的字幕、标题和logo等叠加物，同时保留周围内容。该模型通过区域加权流匹配训练共享速度网络，结合可见性归一化时间聚合和全局源上下文，实现场景重建。研究团队还创建了DVTE-Bench基准数据集，包含1631对视频和八类文本叠加物。实验显示，DeOverlay在五项重建和感知指标上均优于四个基线，Mask LPIPS和Mask VFID分别降低58.3%和70.3%。

AI 选稿理由DeOverlay解决了视频叠加物移除中残留和场景结构扭曲的问题，通过源锚定流模型显著提升重建质量，适用于视频编辑和内容处理领域。

AI 导读针对平面相机游戏世界模型中动作控制的空间一致性问题，研究者提出ActionRoPE参数化动作接口，将动作驱动的相机位移转换为世界坐标旋转位置，并引入坐标条件噪声调度(CNS)算法。该方法使遵循指令运动更准确，比最强基线减少66%的重访漂移，且可跨1.3B至33B参数的视频骨干模型及分布外场景迁移。

AI 选稿理由解决了平面相机游戏世界模型中动作控制的空间一致性问题，通过坐标表示和噪声调度显著提高了运动准确性和生成稳定性。

AI 导读研究人员提出了一种直接在高维隐式3D潜在空间中进行场景生成的方法，利用2D基础模型（如DINOv2、SigLIP2、DA3）构建3D潜在表示，并通过扩散变换器在3D潜在空间中执行扩散建模。实验表明，该方法在效率和空间一致性方面优于基于2D的方法，并验证了3D潜在表示对场景生成性能的可扩展性影响。

AI 选稿理由解决了3D场景生成中2D表示导致的冗余和空间一致性问题，为大规模3D场景生成提供了更高效、更一致的新方法。

AI 导读Manga2Animate提出了一种多智能体框架，通过将漫画动画生成任务分解为动画脚本和视觉分镜两个中间表示，每个表示由创作者智能体生成并由配对的审查者智能体对照原漫画面板进行审核，最终合成忠实于原漫画且跨镜头一致的动画。实验和用户研究表明，该方法比现有技术更忠实于原漫画且跨镜头一致性更强。

AI 选稿理由解决了漫画动画生成中忠实于原作和保持故事连贯性的瓶颈，为动画制作提供了可复用的技术方案。

AI 导读研究团队推出MemT-1.0，一种将内存作为基础模型内在能力的新架构，采用Gated DeltaNet-2和Mixture-of-Storage技术。该模型家族包含MemT-1.0-Nano和MemT-1.0-Flash，在128K token历史长度下实现1.86倍推理加速和66倍存储减少，同时保持通用能力并提升智能体任务成功率。

AI 选稿理由MemT-1.0通过内存原生架构解决了长上下文处理的效率和存储瓶颈，为需要长期记忆的AI应用提供了实用解决方案。

AI 导读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。

AI 选稿理由论文给出无标注工具进化的具体方法及在 KramaBench、LakeQA 两个基准、四个 Worker 模型上的步数预算实验结果，需保留其无监督设定和预算条件。

AI 导读论文提出 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。

AI 选稿理由提出不依赖逐物体训练和仿真轨迹的神经蒙皮场学习框架，可跨形状泛化到网格、点云与 3D Gaussians 并做实时降阶仿真，属图形学与物理动画方向的具体方法进展。

AI 导读研究人员提出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。

AI 选稿理由KronLSTM解决了长上下文建模中的内存干扰问题，为稳定的大规模语言模型提供了新的数学基础和开源实现。

AI 导读研究团队提出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。

AI 选稿理由Any基准测试揭示了当前世界模型在组合泛化方面的局限性，为构建能适应新规划任务的世界模型提供了评估框架和改进方向。

AI 导读研究团队提出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。

AI 选稿理由提供了首个针对LLM代理验证器生成的基准测试，揭示了验证器在拒绝无效解决方案时的过度限制问题，为改进代理输出验证提供了新方法。

AI 导读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。

AI 选稿理由提出面向实时流式视频换脸的完整方法与配套数据集HumanFaceVid，在单卡RTX 4090上实现20 FPS、10分钟长视频稳定生成，属于可复用的视频生成方法进展。

AI 导读论文评测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。

AI 选稿理由论文给出视觉语言模型在子任务层面逆向扩展的系统量化证据（19模型、558,334次评测、375个逆向扩展组合），并指出该现象跨架构复现、由任务驱动，提示模型选择应按任务区分。