解读
1755 篇 · 选题榜 / 深度解读 / 科普 / 综述 / 视频脚本（学术推广产出）
Emergence World：长程多智能体系统的对抗性压力测试
1. 谁写、给谁看：作者 Aditya Vempaty 等；读者是 AI Safety / Agent 工程研究者，以及任何把多 agent 部署到"长期持久运行"场景的团队。 2. 它的真问题是什么：现有 agent 安全评估是"单回合、单模型、单任务"，但真实部署里 failure 会通过记忆、工具、其他 agen…
StepAudio 3 Music：把「显式乐谱规划」拉进长篇音乐生成的 DiT 系统
1. 这是什么：一篇 arXiv Technical Report，介绍 StepAudio 3 Music —— 一个大规模长篇音乐生成模型，核心卖点是「ABC 乐谱作 ChainofThought + 离散连续混合架构」。 2. 谁写的：StepFun 团队（程力 Feng、伍志悦 Wu、宋佳豪 Song、戴哲琦 …
ESRL：MoE 强化学习中基于专家路由空间的探索
ESRL（ExpertSpace Exploration Reinforcement Learning）将 MoE 模型中的专家路由选择视为显式探索空间，通过锚定高置信度专家 + 受限随机路由 + 熵自适应扰动强度，在不增加额外采样开销的前提下显著提升 MoE RL 训练效果：在 Qwen330BA3B 上，ESRL …
当 EOS Token 不一致时：理解 On-Policy 蒸馏中的长度膨胀
| 维度 | 自问 | 本文答复 | |||| | 真实问题 | 这篇论文到底解决什么「之前没人解决」的事？ | OPD 中 student 输出越来越长甚至耗尽 generation budget 的「长度膨胀」根因 | | 既有失败模式 | 之前业内默认的解法为何不行？ | 默认做法只看「停止集合是否一致」，掩盖了…
不要遮蔽环境：观测监督如何改变 RL 下 Agent 的探索
| 维度 | 自问 | 本文答复 | |||| | 真实问题 | 这篇论文到底解决什么「之前没人解决」的事？ | 标准 agent SFT 只对 action token 计算 loss，导致策略在后续 RL 中探索能力被锁死 | | 既有失败模式 | 之前业内默认的解法为何不行？ | 默认遮蔽 observation…
FAMOS：从稀疏观测出发的 3D 关节物体前馈建模
| 维度 | 自问 | 本文答复 | |||| | 真实问题 | 这篇论文到底解决什么「之前没人解决」的事？ | 从稀疏、无序、部分观测的点云集合，联合推断关节物体的可动部件分割与关节参数，且支持变数量输入 | | 既有失败模式 | 之前业内默认的解法为何不行？ | 主流前馈方法只吃单次观测，重度依赖类别级形状先验；多…
样本数量远远不够：候选生成策略决定 LLM 测试时扩展的能耗与性能
Q1 这篇真正在解什么问题？ 当大家讨论"测试时扩展（testtime scaling, TTS）"时，论文档几乎都只报候选数 N（生成多少个候选），没人讲这 N 个候选是怎么生成的——一次性 batched，还是拆成多次小 batch？这背后的能耗 / 延迟差距可以差到 5 倍。 Q2 它给出的核心解法是什么？ 固定…
面向 LLM 助手的可验证社会推理（Fuse 框架）
Q1 这篇真正在解什么问题？ LLM 助手被广泛用于日常社交建议（"我同事这句话到底什么意思"），但怎么「评测」它们的社会推理能力本身就是难题：情境来自用户的主观叙述，答案（他人意图）又没有客观真值。 Q2 它给出的核心解法是什么？ Fuse 框架：让一个"目标智能体"带隐藏动机与其他智能体交互，其中一个智能体代表用户…
自我演化的搜索索引（SELF-INDEX 框架）
Q1 这篇真正在解什么问题？ 信息检索的质量取决于"索引键（index keys）能不能把文档里的知识暴露出来"，但最优索引形态因检索环境（语料 / retriever / 任务）而异，没有"一刀切"的优化策略，而人工调索引又贵又慢。 Q2 它给出的核心解法是什么？ SELFINDEX：一个让索引自动演化的框架。Opt…
MiniMax-H3 能否对物理世界进行推理？一种全模态生成模型的评估
元层五问（自检栏） Q1（真问题）：全模态生成模型（OmniModel）能否通过「多模态对齐」提升物理世界推理能力？ Q2（机制核心）：评测不靠「文本 prompt 完全描述视频」，而是让每个模态只给出部分证据，逼迫模型做跨模态联合推理。 Q3（评测锚点）：517 个 instance，4 个推理维度，41.97% 总…
VākQA：泰卢固语口语事实型问答基准与评估研究
元层五问（自检栏） Q1（真问题）：低资源语言的「口语问答（SQA）」基准为什么长期空白，自动评估在该场景下到底可不可信？ Q2（机制核心）：用 2,001 QA 对 + 2.53 小时语音 + 双语转写 + 人工核验参考答案构建 Telugu SQA benchmark，并先做「评估方法学 vs 人类判断」对齐验证，…
Srijika: 面向九种婆罗米文字的 OpenType 布局复用字体再设计
元层五问（自检栏） Q1（真问题）：从零生成出来的「印度文字体」为什么装上去还是错位的？ Q2（机制核心）：与其生成 glyph，不如复刻成型引擎（shaper）的整套 closure？ Q3（评测锚点）：怎么证明「复刻 closure」比「逐 glyph 生成」更稳？ Q4（撞名风险）：本文 Srijika 与 Li…
StepAudio 3 Realtime：用「边说边想」化解推理与延迟矛盾的实时语音模型
1. 这是什么：arXiv Technical Report，介绍 StepAudio 3 Realtime —— 一个 audiolanguage 全双工对话模型，主打「ThinkWhileSpeaking」让推理与口语输出并行。 2. 谁写的：StepFun 团队，80+ 位作者的巨型 author list（Bi…
RetireOPD：自退休式 On-Policy 蒸馏，用于 Agentic RL 训练
RetireOPD 通过「自退休机制」让 RL 训练出的 Agent 在蒸馏教师模型时自己决定何时抛弃老师，比固定蒸馏 schedule 在 ALFWorld 和 WebShop 上分别高出 14~19 个百分点。 Multiturn Agent（比如在 ALFWorld 做家务任务或在 WebShop 购物的 Age…
PACT：企业 AI 助手在压力下能被信任吗？
PACT 基准测试揭示了一个严峻现实：即使是最强的企业 AI 助手，在用户施压时违规率平均增加 65%；在无压力情况下，头部模型仍有 6~10% 的规则误判率——企业 AI 的合规性远比想象中脆弱。 企业正在将 LLM Agent 部署到招聘、医疗、金融等强监管场景。在这些场景中，Agent 的系统提示（system …
DeepSeek-V4.1-Flash：突破 KV Cache 压缩极限的长上下文 MoE 模型
DeepSeekV4.1Flash 是一个 552B 参数的稀疏激活 MoE 多模态模型，通过 Causal EncoderDecoder（CED）架构让 prefill 阶段只激活 8B 参数，结合 CSA2 跨层 KV Cache 重用和 FP4 量化，将全局 KV Cache 占用压到 890 bytes/tok…
On-Policy Self-Distillation 中"特权信息"到底加了什么？
本文用 5,319 道数学题 × 6 种推理视角构建的 AMPLEMath 套件，把 OPSD（onpolicy selfdistillation）里"教师看到解题过程/答案"这一特权信息的贡献剥离出来，结论是：对 Qwen31.7B 而言绝大部分收益来自 referencefree 蒸馏本身，参考信号的额外增益很有限…
WeVisDoc：从覆盖到能力，构建稳健的端到端文档解析
WeVisDoc 提出一个两阶段、以数据为中心的端到端文档解析框架：第一阶段通过异构数据与"结构保留降质合成"扩语义/结构/外观覆盖，第二阶段用 holdout 探针定量诊断残留错误并据此定点补样本与重新分配 token 预算；在 OmniDocBench v1.6 与 PureDocBench 三个赛道上以 4B 模…
EvoSkill-GUI:面向 GUI Agent 的免训练技能演化框架
1. 这篇论文真正要回答的核心问题是什么? GUI Agent 在长时任务里被动态界面(弹窗、延迟加载、控件位移)反复打破执行计划,既有 skill 框架把 skill 当作部署前一次写死的静态资产,而不是会随执行反馈自我修订的活程序知识。 2. 为什么这是真问题而不是人造问题? Web/手机/桌面 GUI 的真实使用…
UFO:多模态图像生成的"全条件对齐"评估新范式
1. 这篇论文真正要回答的核心问题是什么? 多模态图像生成(尤其 subjectdriven customization)的现有评估方法,无论 embeddingbased 还是 MLLMbased,都是逐个 modal condition 孤立评估,与"多模态同时对齐"的目标根本矛盾,导致与人类判断一致性差。UFO …
When2Think:让 LRM 在简单题上"想少一点"的难度感知长度控制
1. 这篇论文真正要回答的核心问题是什么? Large Reasoning Models(LRMs,典型如 o1 / DeepSeekR1 / QwQ)在数学/代码等任务上系统性 overthink(简单题写一大堆推理)和 underthink(难题草草收场),平均算力被低效分配。怎么让模型学会"这道题不用想那么久"?…
MInTRL：Off-policy 干预可增强 On-policy 强化学习
MInTRL（Minimal Intervention Reinforcement Learning）通过在 onpolicy rollout 轨迹中稀疏插入局部修正（由 judgeintervention policy 执行），在不破坏 onpolicy 分布特性的前提下扩展探索边界，在数学和代码任务上同时超越标准 …
Dynin-Robotics：全模态统一扩散视觉-语言-动作模型
1. 机制层：为什么用"共享轨迹模型"作为动作、下一观测、终端目标、轨迹指令重建的统一接口？⚠️ 论文核心假设是"这些任务的隐空间同构"，但没给出形式化证明。 2. 工程层：为什么用掩码扩散（masked diffusion）而不是自回归或连续扩散作为统一 backbone？⚠️ 因为 DyninOmni 是 omni…
ImpossibleRubrics：把"生成式评分标准"放进最严苛对抗场景压力测试
1. 这是什么：arXiv benchmark 论文（cs.LG / cs.CL），提出 ImpossibleRubrics —— 一个 169 个"不可能任务" + 48 个对照可答任务的基准，专门用来压力测试「语言模型生成的评分标准（rubrics）」能否区分诚实回答与对抗性回答。 2. 谁写的：Bowen Qin…
GPT-Policy：让通用 VLM Agent 在不更新参数的前提下学会机器人操作
1. 本稿立基础是什么？ 立基础是「contexttoaction」接口：把通用 VLM 当成决策器，把接触/运动控制交给约束执行器。论文核心贡献是这一接口 + 五类上下文来源的实证。 2. 谁最该读？ 做具身 Agent 框架、做 VLA 评测基准、做 incontext robot learning 的研究者；以及…
手指当腿：用仿人手同时学会自支撑行走与操作
让一只 5 指仿人机械手用同一组手指同时承担"行走（locomotion）"和"操作（manipulation）"——靠 RL 在硬件标定过的仿真器中训练不等长手指的策略，最终在真机上实现无外部动力、无外部视觉依赖的爬行、转向、跌倒恢复与推物到目标点，是一台真正意义上的"compact mobile manipulat…
CERA-MoA：让路由器与 Agent 在迭代强化学习中一起长出来
MoA 范式在 2024–2026 间被反复验证：用一组异构 LLM Agent 协作，对单 Agent 难以胜任的复杂任务能拿到稳定增益。但工业落地时普遍遇到两个耦合痛点： 1. 路由策略与 Agent 能力不同步。Router 训练时假设的 Agent 能力分布很快被 posttraining 改写——某 Agen…
Edge0：用训练过的「预路由器」把 35B MoE 从 SSD 跑成日常工具
过去两年的 LLM 推理优化主战场是 KV 缓存、注意力分块、speculative decoding。但对 MoE 模型来说，存在一个被低估的第二面墙——权重墙： 35B MoE 在 4bit 下 ~19.5 GB； 稀疏性减少了每个 token 的计算量，但没有减少必须保留在内存里的字节数； 这意味着哪怕激活 2 …
PANORAMA：用「短语调度的掩码提议池」让 VLM 同时会讲、会圈、会分
VLM 在 2024–2026 的进展集中在「讲得更好」与「看得更细」两条线，但两者长期割裂： Grounded segmentation：给一段指代词，输出 mask，质量优秀但只覆盖前景物体，背景区域（sky / road / wall）完全被忽略。 这种割裂让下游 embodied agent 拿到的视觉信号不一…
长上下文 MoE 训练中每个内存峰值的平整化
把长上下文 / 大批量 MoE 训练里四个互相不重合、各自独立增长的显存峰值（专家分派、词表投影、梯度检查点边界、优化器状态）逐一平整化，使 120B–667B MoE 模型在 1M token 上下文上跑得动、且不丢任何梯度精度。 长上下文 LLM 训练现在主要被「显存峰值」卡死，而不是平均占用。原因是同一时间窗口里…