AI 论文与研究

SkillSeek 是一个开源两阶段 Agent 技能检索器，由 BGE-base 双编码器接小型 cross-encoder 组成，并通过 MCP 暴露。在 89 任务的 SkillsBench 上，其 4×11 网格实验中 bm25 在四分之三设置下通过率不低于 LLM 介导检索循环，cross-encoder 补齐剩余差距，单次试验成本从 51.30 美元降至 27.54 美元。

研究者提出 CoEvoWhen 策略-工具协同演化框架，从 VLM 的智能体推理轨迹中联合演化高层策略与可执行媒体工具，形成可复用技能且无需更新模型参数。在五个 benchmark 和三个 VLM 上，该方法持续提升超长视频时序定位准确率，同时降低推理时的视觉 token 开销，演化出的技能在通用长视频 QA 上也取得显著提升。

研究者提出 Neighborhood OPSD（N-OPSD），通过局部参数扰动构建冻结专家池，在相同参考解上下文下提供互补的参考对齐修正，并用 MaxPeak 选锚点 token、分位数选择匹配专家，学生仍用 OPSD 的 clipped forward-KL 目标学习。

研究团队提出 Architect-Ant，用可编辑的坐标 DSL 表示布局，先经监督微调学习专业布置模式，再用 GRPO 结合 Layout Rule Score（LRS）优化几何与功能约束。同时发布 AntPlan 数据集，含 505 份真实专业户型图、92 个物体类别和十类住宅房间的密集家具标注。实验显示其几何违规率低、功能完整度高，布局可逐物体编辑并转换为 3D 场景。

研究者发布 Agent Error Dataset（AED），包含来自 33 个环境、19 个 harness 家族和 23 个策略模型的 50,228 条错误—诊断对，覆盖 9,961 个源任务。

Physis-Lang 提出用自演化语言作为视频世界模型的物理表征，统一数据筛选、模型训练与视频生成，并构建 PhysCapBench 将物理过程拆解为原子断言、以召回率和精确率评估描述质量。在 Wan 与 Cosmos 骨干上，该方法在四个物理视频基准上持续提升物理合理性；基于开源 Cosmos3-Nano 的增强模型超过领先的闭源 Veo 3.1。

PixelDense 将 DINOv2、SAM2 与 Depth Anything v2、Metric3D v2 分别路由到语义和几何两条投影流，并用权重空间正交惩罚让两流保持子空间不相交，四个教师模型训练时冻结、推理时丢弃。

论文提出科学垃圾内容（scientific slop）基准 SciSlopBench，含 390 篇 AI 生成论文及配对的人类论文，六项指标识别 AI 论文准确率 85.9%，高于 Binoculars 的 68.7%。

论文提出面向 vLLM、SGLang 和 llama.cpp 的内存层 Galahad，把模型对同一段文本的读取从重复计算变为一次性成本。

GraphForge 是一个基于证据图的工作型智能体训练数据合成框架，从职业种子出发为每个种子组装真实文件工作区，并基于文件关系构建证据图，使任务描述与评分标准都由该图派生、每条标准锚定到可验证的文件。

FrameMorrow 提出一种前瞻式帧选择器，先预测一小组代表未来信息需求的前瞻 token，再用它们从历史中挑出相关帧，从而提升长时程视频生成效果。它选择的是显式历史帧而非模型内部状态，可即插即用地接入包括闭源模型在内的多种生成器，额外推理开销很小。

UniEvo-VL 提出一种无需外部教师模型的多模态自进化训练方案，让同一模型分别以学生和教师身份、基于不同上下文进行在线自蒸馏，在自身采样轨迹上最小化去噪扩散分布差异。

Multimodal Flow 提出一种全连续的多模态生成模型，将文本块与图像组织为有序连续 hyperchunk，通过共享 chunk-causal flow backbone 和 Flow Matching 学习统一向量场，并用联合注意力实现跨模态交互。

针对 AI 审稿人会因措辞不同而对同一科学内容给出不同判断的问题，研究者提出修辞鲁棒性概念并发布 RobustReview 基准，包含 1,260 个稿件版本，评测了 30 种审稿人配置。

一项覆盖 500M 至 7B 四种参数规模、PT 预算最高 100B token 的研究显示，合成非自然语言数据上的预预训练（PPT）带来的下游性能与 token 效率提升可随规模保持，在 3B 规模下至少节省 21B PT token。但与先前工作不同，研究未发现一致证据表明这些收益来自语法先验，收益实际来自改善长程检索的 PPT 任务，且仅在 PT 数据混合中缺少网页文本时才会减弱。

一篇综述首次系统梳理视频生成模型的后期训练与对齐，将其统一为隐式对齐与显式对齐两类框架。方法被归为四类：监督微调、自训练与蒸馏、偏好与奖励方法、推理时方法。文章还整理了常用数据集、benchmark 与评测实践，并讨论可扩展奖励设计、长时程时序一致性、稳定性与表现力权衡及安全生成等开放挑战。

研究团队推出 EgoTools，首个面向第一视角工具使用理解的综合套件，包含 100 小时带同步音频、密集描述与 3D 信息的 EgoTools-Data，以及覆盖四个赛道的 1000 对 QA 诊断基准 EgoTools-Bench。

MemLife 是一个多模态记忆系统，通过构建实体锚定的第一人称文本片段，并用时间索引的智能体读取器进行检索，在无需训练、查询时不访问原始视频的情况下，于四个长期基准上比最强免训练基线提升 4.6–12.0%。配套的 MemOpt 强化学习框架优化记忆写入器，使 MemLife 再提升 2.7–5.0%，且增益可跨写入器、读取器骨干和记忆系统泛化。

AutoDataBench 是一个隔离数据因素、专门评估 LLM 数据智能的受控测试平台，覆盖数据诊断、组织与构建三类优化任务，并在工具使用、检索和知识注入场景下评测前沿模型迭代改进训练数据的能力。该平台还通过对比训练前预测与实际结果，检验 LLM 是否真正理解数据干预的效果，而非仅靠试错。复用 AutoDataBench 轨迹进行中期训练可提升下游编码性能。

Hugging Face 推出 Open TTS Leaderboard，用 WER/CER、RTFx、TTFA 和 WavLM 嵌入相似度等客观指标评测开源 TTS 模型，将评测周期从数周缩短到数小时。榜单支持多语言与语音克隆对比，提供 Listen 试听和 Streaming 排名，评测脚本即将开源。

SemanTok 是一种灵活视频 tokenizer，将冻结的 DINO 特征输入编码器，并加入轻量 head，使每个保留的 token 前缀都能单独重建这些特征。201M 的 SemanTok AR 模型匹配或超越 3.4 倍规模的 VideoFlexTok AR 模型，更大模型还能进一步提升保真度。它在分布外类别上保持语义对齐，并在包括纯噪声在内的各噪声水平上为解码器提供更高语义对齐。

研究者提出 Soft Spatial Reasoning，一个面向 LVLM 空间任务的训练后框架，在每步推理中混合 token 嵌入形成连续软状态，而非硬性选定单个 token。

DexPolicy 将探索噪声尺度设为训练步数的显式函数，从宽到窄退火，在 PPO、GRPO 和流参数化 PPO（FPO）三种设置下提升轨迹引导灵巧操作的成功率。

研究系统考察了 LLM 条件控制方法在概念注入与移除场景下的表现，发现高效激活引导（activation steering）方法往往以流畅性大幅下降为代价。激活引导在指令微调模型上的效果远不如基座模型，而简单提示词与完整监督微调适合概念注入、却不擅长概念移除。此外，低成本文本指标与昂贵的 LLM-as-judge 评分高度相关。

PivotOPD 是一个在线策略蒸馏框架，同时训练学生模型避免关键错误并从其造成的状态中恢复。研究在三个 Qwen3 模型（8B 至 235B）上发现，超过一半的失败轨迹包含早期出现的关键错误，且引导模型在关键轮次后仅几轮即可恢复任务成功。

针对 VLA 模型在复杂环境中任务成功与意外接触难以兼顾的问题，研究者提出四阶段自进化框架 FailBank，把运行时反馈转化为持久的策略改进：由固定 CBF 安全模块作为只观察的教师生成反事实修正，再经结果感知筛选转为纠正目标，并以成功未修正动作作为锚点进行受保护的 LoRA 更新。

研究发现，d'Ascoli 等人（2025）的脑电转文本方法在完全不含脑信息的合成信号上仍达 22.0% 平衡准确率，接近真实脑数据的 22.3%，原因是按词起始切分的重叠窗口隐含泄露了词时长信息。作者改为独立处理每个窗口，使同一词多次神经响应的预测聚合与预训练 LLM 语言先验都明显更有效，SimpleB2T 在感知语音基准上每词五次观测的词错误率为 36.6%。

研究者提出 Align Then Reason（ATR），一种多语言唇形同步评判模型，先在帧级唇部表征与候选台词的音素单元间建立单调对齐，再基于该对齐进行推理判断。

EviRover 是首个显式训练通过交互解决感知查询的感知智能体，采用监督微调加智能体强化学习，并配套发布 EviRover-SFT-5K、EviRover-RL-12K 数据集与 688 条实例的 EviLens 基准。4B 版本在 EviLens 上平均超越其骨干模型 30 分，达到先进闭源模型水平，并在 BrowseComp-VL 上提升 15 分。代码、模型与数据均已开源。

研究者提出 Box^2-Bench，在固定模型与任务的前提下改变工作流可靠性，以衡量语言模型能否在受益于可靠指导的同时覆盖不可靠指导，即"跳出框框"的能力。测试显示前沿模型虽能从可靠指导中获益，但在指导具有误导性或变得不可靠时仍很脆弱。团队用坏工作流训练两个开放权重模型，发现反事实监督微调可提升鲁棒性，而基于结果的强化学习能提高对有用工作流的使用，该行为还可迁移到同行纠错和受损记忆的鲁棒性上。

零样本机器人抓取系统 BeyondSCe 可处理"指代过去事件角色"的抓取请求，即使目标当前不可见也能定位。在单腕部 RGB-D 相机真机实验中，初始可见与遮挡目标的抓取成功率分别为 76% 和 77%，最强基线为 40% 和 55%。在四个重度遮挡场景中，成功率从 75% 提升至 95%，平均视角数从 3.35 降至 2.20。

针对多奖励强化学习中各目标学习进度不均的问题，研究者提出密度感知奖励聚合方法 DARA，通过逆平方根密度校正，为激活频率较低的奖励信号赋予更高权重，且不改变底层策略优化目标。在工具调用任务上，DARA 达到高格式合规所需训练步数比 GDPO 最多减少 26%；在数学推理任务上，接近饱和的长度合规所需步数最多减少 65%，最终性能保持竞争力。

Mid-Harness 在模型与 harness 边界采样并验证候选动作后再转发执行，且不改动生成器与 harness。

DyRAD 用静态背景反射体与运动跟踪的动态点反射体建模动态驾驶场景，渲染完整的距离-方位-多普勒（RAD）张量，并通过源自雷达信号处理链的固定解析点扩散函数（PSF）渲染反射体，避免传感器扩散被写入场景表示。

研究团队提出 OmniReasoning 音视频联合推理方案，包含 OmniReasoningBench 基准（1150 道题）、OmniQA 数据引擎与 MFSD 在线自蒸馏方法，并产出 OmniReasoning-SFT-112K 和 OmniReasoning-RL-19K 训练数据。

SpatialCORE 是一个后训练框架，将模型对生成式定位的自身置信度转化为空间推理的学习信号，通过自调节空间奖励按坐标 token 置信度加权每个预测边界框的匹配质量，并用答案门控将定位优化与最终答案正确性绑定。该框架在多个 benchmark 上取得开源及专用空间推理模型中的 SOTA 结果，并可零样本迁移到未见数据分布，源代码已公开。

针对 RL 后训练中已解出问题回答变得冗长的"长度缩放税"（LST），研究者提出 Length Self-Distillation（LSD），将已解出的提示词路由到 on-policy 蒸馏，未解出的仍保留原 RL 目标，并以在线策略的指数移动平均作为教师，无需外部模型。

EvoDuet 是一种双层优化方法，在模型参数固定的前提下让解与搜索查询协同进化，每轮由检索门控让 LLM 判断知识缺口，决定检索新文档、复用已有文档或不检索。

针对同一对话中历史计算能否帮助 LLM 解决后续问题，研究者提出 STAIR（Stale-Token Attention for Inter-query Reuse），将先前回答生成中的 keys 和 values 存入固定 bank，并学习在当前查询读取该 bank 时重定向查询。

DEFINE 是一个端到端零样本 TTS 框架，通过分别以说话人身份和口音示例音频作为条件，将两者解耦，并可在推理时用单一引导权重连续控制口音强度而无需重训练。它基于 F5-TTS 与 LoRA 适配，在已见口音上把口音探测准确率从 6.5% 提升到 19.6%，单个模型在已见和域外口音上可媲美双模型 TTS-语音转换级联，同时说话人相似度更高。