解读
1524 篇 · 选题榜 / 深度解读 / 科普 / 综述 / 视频脚本（学术推广产出）
FlavourBench · 可执行真值给前沿 LLM 排名
日期与轮次:20260825 R2 · FlavourBench · 可执行真值给前沿 LLM 排名 arxiv 链接: videokb 脚本原路径:/shared/videokb/scripts/tom/20260825_R2_flavourbenchexecutablegroundtruthllmrankingsh…
视频选题榜 2026-08-25
· IAR: Inject, Align, Recover · 免检索后训练三段式把文档压进参数 · round=R1 · Repo0 · DualDAG 设计驱动代码 Agent · Functionality Coverage +20.08pp · round=R1 · AIDGuard · stateful au…
RAPID：基于检索增强的推测解码长上下文推理
RAPID 用 RAG 思路重构 Speculative Decoding：通过一个基于检索后短上下文工作的「RAG Drafter」为长上下文目标 LLM 起草候选 token，并设计推理时知识迁移机制使 RAG 分布得以增强目标分布，在 LLaMA3.1 与 Qwen2.5 上同时拿到 2× 以上加速与质量提升（例…
LLM 推理在线调度的最优性视角：hindsight benchmark + 多项式在线算法
在 KV cache 内存约束下为 LLM 推理提出一个后视最优（hindsight optimal）基准——把"假设能看穿未来"的形式化为整数规划——然后证明确定性在线算法无法达到常数竞争比，并给出一个多项式时间在线调度算法，在合成和真实数据集上都明显优于 vLLM 等基线。 LLM 服务系统每秒钟都在做一类隐式决策…
InftyThink：把长链推理从「单条长河」拆成「短段+摘要」的迭代式推理范式
InftyThink 把 LLM 的复杂推理从"一次性把所有思考塞进一个超长上下文"改成"短推理段 + 中间摘要"的迭代循环，让推理深度不再受最大上下文长度限制，同时把每步计算复杂度从 O(n²) 量级降下来；它在不修改模型架构的前提下，让 Qwen2.5Math7B 在 MATH500 / AIME24 / GPQA…
分割支持集、重建残差：用于视频生成与世界模型的免训练稀疏注意力
SparsePR 把"按行集中度"拆成"分块几何 + 残差可预测性"两个可独立量化的子问题，在 22–26% 实际执行 pair 密度下实现 1.48×–2.61× 端到端加速，且不损害 4 个异构视频生成/世界模型的生成质量。 视频 Transformer 的 attention 是扩散式视频生成与世界模型的主要瓶颈…
FlavourBench：用可执行烹饪真值给前沿语言模型排名
FlavourBench 用一个版本化的"烹饪系统（culinary system）"生成 dense、可执行 ground truth：在 534 道统一任务上对 27 个前沿端点排名，每个模型严格 89 道有效响应/面板 × 14 家族，最强点估计 Grok 4.6 = 65.1（同步 95% CI 61.0–69…
同侪投票的 LLM-Agent 压力测试：发现 feed 诱导的词汇收敛，但分布式信源没有可靠的匹配暴露优势
PVSST 是一个"同侪投票社交平台"测试床；在 448 次试验、112 个完整 model×topic×seed block 的预注册实验里，被同侪点赞排序的 feed 把最终轮词汇相似度推高了 +0.0082（核心面板）到 +0.0109（size 扩展），但 4 个分布式信源相对于 1 个信源在诚实 agent …
Taming the Titans：高效 LLM 推理服务综述
这是一篇由苏州大学与华为云联合发布的 LLM 推理服务（LLM Serving）领域系统综述，把当前零散分布在系统、调度、存储、硬件等方向的优化手段，第一次按"实例级 → 集群级 → 新兴场景 → 杂项"四级层级串成一张可索引的地图，并指出 LLM Serving 正从"工程调优"向"理论优化"升级的研究范式转变。 L…
ReMemR1：让长上下文 LLM Agent 能"回头看"的记忆回调与多级奖励
ReMemR1 把"记忆检索"机制嵌入到"边读边记"记忆更新过程中，并在强化学习训练阶段同时使用最终答案奖励与 step 级密集信号，使长上下文问答 Agent 能在数百万 token 文档里做非线性多跳推理，并以极小计算开销取得对 SOTA 的大幅领先。 长上下文问答（LongContext QA）是当前 LLM 的…
LongVideoAgent：长视频多智能体推理
LongVideoAgent 提出一个"主 Agent + grounding Agent + vision Agent"三层多智能体框架，让一个 master LLM 显式规划、分工调度，专门解决小时级长视频问答中"压缩丢细节、工具太单一、规划不稳定"的老毛病，并在新数据集 LongTVQA / LongTVQA+ …
Continuum：面向多轮 Agent 工作负载的 KV Cache TTL 调度系统
Continuum 提出一种基于 KV Cache TTL（timetolive）的多轮 Agent 请求调度策略，按 reload 成本与排队延迟选择性地把 KV cache pin 在 GPU 上，使多轮 Agent 工作流在 SWEBench、BFCL、OpenHand 等真实负载下的平均 Job Complet…
STEP3-VL-10B 技术报告：10B 参数的多模态小巨人
StepFun（阶跃星辰）发布的多模态基础模型 STEP3VL10B，用 10B 的紧凑参数体量，借助"全参数解冻预训练 1.2T tokens + 1k+ 轮强化学习 + PaCoRe 并行协调推理"三板斧，在 MMBench、MMMU、AIME2025、MathVision、ScreenSpotV2 等基准上达到或…
Compound AI Systems：从"单体大模型"到"集成智能体"的系统级综述
引用：Jiayi Chen 等，"From Standalone LLMs to Integrated Intelligence: A Survey of Compound AI Systems"，arXiv:2506.04565v2，20250605 v1 提交，20260508 v2 更新。分类：cs.MA（多智能…
UniSpace：把"理解-生成-编辑"压进同一套 ViT 视觉空间的统一表征
UniSpace 提出一种 Patch Reparameterization（Patch 重参数化）技巧，把一个已经预训练好的纯语义 ViT 同时改造成"既懂语义又看得清像素"的统一视觉表征，进而在此之上扩出一个 8B 的 MixtureofTransformerExperts 模型，让理解、生成、编辑三件事共用同一套…
Hydra-0：用"像素级动作流"做通用世界模型与机器人控制的统一接口
Hydra0 把所有机器人动作都表示成 像素级运动（action flow）——也就是"动作在画面里造成哪些像素怎么动"——作为通用世界模型与控制的共享视觉接口，实现了跨 embodiment、跨任务、跨环境的统一条件信号，并在此基础上发现了一种反向模式：能从人类示教视频里的物体运动直接推出可执行的机器人动作。 通用机…
Human-Centric Intelligence 综述：把"以人为中心"的 AI 重新装回 Foundation Model 的语境
这是一篇把"以人为中心的智能（HumanCentric Intelligence）"这条碎片化、跨任务跨模态跨社区的研究脉络 重新装回 Foundation Model 框架 的综述：用一套六层人类语境分类法 + 数据 / 架构 / 训练推理优化的方法论分层，把视觉外观、空间几何、运动学、交互、世界模拟、具身 agen…
Scaling Embeddings Outperforms Scaling Experts：LongCat-Flash-Lite 与正交于 MoE 的稀疏维度
说明：工作队列中本条目最初以「LLM Research Papers: 2026 List」为标题索引（来自 Sebastian Raschka 的 newsletter 列表），但其对应的 arXiv ID 2601.21204 实际指向美团 LongCat 团队的 LongCatFlashLite 论文。本文按 a…
Mamba-3：基于状态空间原理改进序列建模
Mamba3 通过"更富表达力的 SSM 离散化递推 + 复数值状态更新 + 多输入多输出（MIMO）"三项正交改进，在不增加 decode 延迟的前提下，把次二次（subquadratic）线性序列模型在检索、状态追踪与下游语言建模任务上推到了新的 Pareto 前沿，1.5B 规模相比 Gated DeltaNet…
Agent UQ：LLM 智能体不确定性量化的基础、挑战与机遇
这篇论文主张 LLM 不确定性量化（UQ）研究必须从"单轮 QA"切到"交互式 Agent"场景，给出第一个能涵盖现有 UQ 设置的通用 Agent UQ 形式化，并系统列出 Agent 场景下四类独有挑战，在 τ²bench 上做了实证。 过去两年 LLM UQ 主流路线（verbalized confidence、…
推广选题榜 · 2026-08-25
本周从 795 篇近 30 天新卡片中综合评审分（机制 + 工程双轨）、话题热度与新近度，选出 Top 8。 1. FreeToken：带宽自适应执行的边缘原生 MoE 高效服务 arxiv: 2608.16157 边缘原生 MoE serving 系统，将个人设备视为统一弹性推理平台而非「小型 GPU」，把开放权重转…
视频选题榜 · 2026-08-18
v2 重写覆盖（承接 20260825 反思棒 §3 "最弱单篇"识别 · 覆盖原 v1 = 664 字节 / 4 行 / 3 entries · R1+R2+R3 物理结构 OK 但内容塌方） 触发：20260825 21:40 CST 反思棒明确把 818 selection 列为近 7 天剩余未覆盖 v1 sel…
AID-Guard 短脚本镜像
日期 20260825 · 轮次 R2 arxiv 链接: videokb 脚本原路径: /shared/videokb/scripts/tom/20260825_R2_aidguardstatefulauthorizationagentclosureshortvideoscript.md 标题:Agent 授权闭环 …
当所有人都在堆大模型时，这篇论文说"小一点、多喂点"才是真相
2022 年初，AI 圈有一种近乎狂热的信仰：模型越大越聪明。于是各家开始堆参数——GPT3 175B、Gopher 280B、Jurassic1 178B、MegatronTuring NLG 530B——动辄几百 B 参数，训练数据相对抠门，几千亿 token 就算"丰富"。 然后 DeepMind 的一篇论文，啪…
当 AI 终于"读得进"一百万字——Google Gemini 1.5 到底改变了什么
你有没有过这种经历：把一本几十万字的书塞给一个 AI，让它"读完告诉我第三十七章讲了什么"，结果它要么胡编，要么答非所问？ 这背后的真实原因是——到 2024 年初，所有主流商用大模型能"一次性看进去"的文字量，最多也就 200K 个 token（差不多是一本中等长度小说的体量）。百万字年报、整本技术手册、一小时的会议…
LLM 驱动的 AI Agent 系统及其行业应用综述
这是一篇定位为「行业工程师入门地图」的 LLM Agent 综述：它把从 preLLM 时代规则 agent，到当前 LLM 驱动的软件型 / 物理型 / 混合型 agent 的演化一次性梳理，并按行业（客服、软件开发、制造、个性化教育、金融交易、医疗）给出落地形态、挑战与缓解路径，最终指向一个结论——LLM agen…
DualPath：打破 Agentic LLM 推理的存储带宽瓶颈
原文标题：Breaking the Storage Bandwidth Bottleneck in Agentic LLM Inference，arXiv:2602.21548v2（20260226），cs.DC。 作者：Yongtong Wu、Shaoyuan Chen、Yinmin Zhong 等共 13 人。 D…
Natural-Language Agent Harnesses：把 Agent Harness 变成可执行的自然语言对象
这是一篇重新定义 agent harness 表示形式的论文：它提出 NaturalLanguage Agent Harnesses（NLAH）——用可编辑的自然语言文档描述运行级 harness 策略——以及 Intelligent Harness Runtime（IHR），一个把这些文档解释为 agent 调用、交…
视频选题榜 · 2026-08-23
v2 重写覆盖（承接 20260823 反思棒 §3 "最弱单篇"识别 · 覆盖原 v1 = 396 字节 / 4 行 / 2 entries / R2 缺位） 触发：20260823 21:40 CST 反思棒明确把 823 selection 列为 7 天最弱单篇 v1 双重塌方识别： 1. 形式塌方（模式 AD …
AI 修图已经"会"了，可你怎么知道谁真的修得好？——CPI-Bench 给出的新标尺
⚠️ 事实守约声明 · A/B/C 类划分版（20260823 反思棒重写） 本稿解读对象是 arXiv 2608.14546（CPIBench）。上一版（823 14:41 CST minitemplate 产出版）完全缺失 A 类 ✅ verbatim 标注 + C 类 ⚠️ agent 推断标注 + 适用 vs …