论文研究

AI 导读论文提出免训练方法SpecKCast：对扩散模型输出做二维离散余弦变换，用轻量卡尔曼滤波按噪声调度导出的频带时间坐标跟踪各系数，仅当预测不确定性超阈值时才评估Transformer。在FLUX.1-dev、Qwen-Image、Wan2.1-14B和HunyuanVideo上，该方法在加速与保真度的权衡上优于现有缓存与预测方法，最高实现6倍加速，额外内存不足0.05 GiB。

AI 选稿理由提出免训练的频域卡尔曼预测方法，在四个图像/视频扩散模型上以不足0.05 GiB额外内存实现最高6倍加速，优于现有特征缓存与外推方法。

AI 导读研究通过共享控制迷宫实验，探讨了语言模型代理在完成任务时与人类协作的效率。实验中，模型与人类在达到共同目标时，根据各自的优势进行协作，结果显示更强的单打独斗能力与选择性的人类参与相关。

AI 选稿理由研究揭示了模型在特定任务条件下与人类协作的效率，为AI协作提供了新的视角。

AI 导读Hugging Face每日论文报道了一项关于脑编码模型参数高效微调的研究。该研究通过参数高效微调（PEFT）技术，使用少量可训练参数有效地适应了非常大的预训练骨干网络，用于脑编码。研究展示了如何利用骨干网络的原因结构来预测多个时间点，从而显著降低特征提取成本。该方法在多个多模态骨干网络上实现了性能提升，并在Algonauts 2025挑战赛中取得了最佳成绩。此外，研究还开发了一种多LoRA内核，以加速多个LoRA在共享骨干上的联合训练。

AI 选稿理由该研究通过参数高效微调技术，实现了对非常大的预训练骨干网络的适应，从而提高了脑编码的性能，并加速了多个LoRA的联合训练。

AI 导读研究团队提出集体经验学习(CEL)范式，通过失败引导的经验检索微调(FERT)方法，让部署中的机器人共享执行经验来改进共同策略。配合容错异步训练系统(FATS)，在五个实际操作任务中，策略成功率达93.3-99.2%。96台机器人在手机包装任务中，成功率从79.2%提升至98.3%，无需额外专家纠正动作。

AI 选稿理由解决了机器人舰队规模扩大时人工监督不足的瓶颈，使机器人能通过共享经验自主学习，大幅提升任务成功率并降低对专家干预的依赖。

AI 导读该研究评估了CORNETO框架在多组学数据中学习生物网络的可重用性。研究发现，稳健的网络推断取决于数据可用性、先验知识、正则化和生物背景。这项工作揭示了不同条件下网络推断的稳健性差异。

AI 选稿理由该研究解决了生物网络推断中可重用性的关键问题，为不同数据条件下的网络分析提供了重要参考，有助于提高多组学数据分析的可靠性。

AI 导读针对大型语言模型（LLM）代理在未知和动态环境中需要主动探索、理解和适应环境动态的问题，研究人员提出了AdaExploreBench，一个用于评估主动探索和测试时自适应能力的基准。实验表明，主动和自适应的探索仍然具有挑战性，当前LLM代理在获取正确证据和识别先前获取的证据不再有效方面存在瓶颈。

AI 选稿理由解决了LLM代理在动态环境中主动获取证据和适应环境变化的瓶颈，有助于提升LLM代理在复杂环境中的表现。

AI 导读研究提出自引导训练法 Swift，冻结一个早期检查点的弱去噪器，把干净回归目标朝远离其预测的方向外推，放大欠拟合分量；主模型不反传、推理不加引导。CIFAR-10 与 ImageNet-256 上跨模型规模均有提升，某 ImageNet-256 配置下用约一半总训练算力超过基线最佳 FID；RAEv2 上无引导 FID 1.15、加引导 0.99。作者给出 RKHS 有限时间梯度流谱分析，证明适当外推强度可降低后验均值误差。

AI 选稿理由给出无需推理开销的扩散训练新方法与理论、实验证据，属可复用训练方法但尚待更大规模验证。

AI 导读针对共享团队奖励难以追溯责任的问题，论文提出GRSE（Group-Relative Skill Evolution）：同一问题在相同技能库下多次执行，对比结果来为智能体—技能对分配行为信用，并结构化诊断失败。在HotpotQA和LoCoMo上（两个开源权重模型），GRSE优于MASkills，多跳问题F1分别提升6.7和3.2；增益来自更有依据的检索，学到的技能可跨多跳任务迁移。面对被植入有害技能的库，GRSE正确判定每个植入技能的符号并恢复到干净库+6.3分，MASkills误判两个且低于起点。

AI 选稿理由提出按组内执行对比分配技能信用而非按是否出现计功，在两数据集多跳任务上提升F1并用植入有害技能实验验证纠错方向。

AI 导读本文提出了一种名为Vision-Language-Delta-Action（VLDA）的新范式，通过紧凑的Delta变量捕捉潜在的世界状态变化，作为视觉语言理解和动作生成之间的接口。VLDA通过统一目标学习Delta，包括局部过渡滤波器（LT-Filter）和全局过渡锚点（GT-Anchor），以改善长期一致性、鲁棒性和泛化能力。

AI 选稿理由VLDA通过紧凑的Delta变量捕捉潜在的世界状态变化，作为视觉语言理解和动作生成之间的接口，从而提高了机器人操作的长期一致性、鲁棒性和泛化能力。

AI 导读研究团队发布PVBench，从7个领域、46个维度评估生成视频的物理合理性，覆盖指令与语义、行为因果、几何空间、材料与场状态、运动学及机械守恒等。基准含600条提示，其中30%涉及机械臂、人形、四足等具身智能体，并为可计算维度接入6D位姿、尺度、法线等专用视觉模型，避免只靠主观打分；同时支持文生视频与图生视频，并用人工评估校验自动指标。

AI 选稿理由提供了一个把物理合理性拆成可测量维度并配专用视觉模型的视频生成基准，公开600条提示与校准协议，适合评估视频模型而非只看画面观感。

AI 导读Hugging Face发布了一项名为Holi-World的研究，该研究利用人类自我中心的经验来学习世界的组织和变化。通过将大量记录转化为学习资源，连接场景结构、对象语义和交互历史，同时减少对昂贵的手动标注的依赖。Holi-World生态系统包括经验捕获、世界表示、自动化数据构建、模型学习和独立评估。实验表明，在静态感知和动态跟踪方面表现出色，且在Holi-World数据集上的训练显著提高了Holi-World-VL-4B在Holi-World-Bench和EgoDynamic4D上的时空推理能力。

AI 选稿理由通过利用人类自我中心的经验，Holi-World能够有效地构建世界智能，为从人类经验的连续流中扩展学习资源并推进对动态世界的机器理解提供了实用基础。

AI 导读研究人员推出了HandsOn，一个用于跨实体灵巧操作的可组合模拟平台和基准。该基准支持五种机器人臂、六种灵巧手和约200种随机场景中的刚体、关节和可变形资产。HandsOn将18,000个精心制作的演示与66个经人类验证的任务相匹配，支持基于演示的学习和执行测试，并评估资产和关系迁移、技能组合和可变形操作。该基准在多任务策略训练方面取得了显著成果，同时揭示了在接触建立、动作协调和维持目标方面存在的失败。

AI 选稿理由HandsOn为研究灵巧操作泛化能力和可靠物理交互的极限提供了一个共同的基础。

AI 导读研究团队提出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。

AI 选稿理由解决了自我中心视频重建中多元素一致性的瓶颈，为AR/VR和机器人操作提供高精度世界坐标框架重建能力。

AI 导读研究团队推出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。

AI 选稿理由OpenDS-World提供了首个系统评估AI代理在真实开放网络环境中自主深度搜索能力的统一平台，包含200个多模态、异构格式的挑战任务，并揭示了当前模型在工具协调和长程搜索管理方面的显著差距。

AI 导读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。

AI 选稿理由提出了按天建模住院多模态轨迹并允许缺失模态不生成 token 的方法，在三个公开队列共约18万次住院的九项预测设置上取得最高 AUROC，并给出消融与归因验证。

AI 导读浙江大学团队提出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。

AI 选稿理由解决了机器人导航训练数据稀缺和仿真到现实差距问题，通过互联网视频预训练实现了高精度的语言条件导航能力。

AI 导读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。

AI 选稿理由论文针对扩散视频抠像的分块不一致问题提出可复用方法，并在标准基准和长视频上报告了跨边界一致性结果，适合作为视频生成/编辑方向的技术简报。

AI 导读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%。

AI 选稿理由解决了Harness开发中的性能与成本权衡问题，为不同预算场景提供优化方案，显著降低AI代理执行成本。

AI 导读研究团队提出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。

AI 选稿理由SEAM为低资源语音合成提供了一种轻量、可复现且理论基础的词汇扩展方法，显著减少训练数据需求。

AI 导读研究团队提出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。

AI 选稿理由给出多模态医疗Agent的工具调用准确率与端到端结果，并保留评测任务、样本量和基线对照，可作为医疗Agent工具编排的参考数据。