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）
StarHarness：用分层搜索进化企业 Agent 的 Harness 框架
1. 本稿要解决的真问题：工具密集型企业任务（SRE / ITSM / 金融自动化）中，固定模型权重不变时，"模型环境失配"是 Agent 性能的隐性瓶颈——同模型换一套 prompt / 工具接口 / subagent 结构就能差出几十个百分点，但如何系统性地发现并修复这层失配，过去没有可复现的方法。 2. 为什么非…
The Embedder's Dilemma：LLM 当 embedder 比传统 vector 模型到底贵多少？
在 37 个任务 + 10 个 LLM + 26 个 embedding 模型（参数从 118M 到 14B）的受控对比下，最好的 LLM embedder（Gemini 3.1 Pro, 77.6）只比最好的传统 embedder（77.2）高 0.4 分——几乎平手，但 LLM 单次推理贵 1,431×（154 美…
Scaling Laws for Neural Language Models：开启 LLM 时代的「算力分配」教科书
在语言模型交叉熵损失上同时拟合出对模型规模 N、数据集大小 D、计算量 C 三条 powerlaw 曲线，并据此推导出「在大模型上欠训练比在小模型上充分训练更划算」的算力最优分配策略——这是后续 GPT3/PaLM/LLaMA 几乎所有大模型「过度参数化 + 提前 stop」经验法则的直接理论出处。 2020 年初，在…
DeepSentiBank：用深度 CNN 把视觉情感变成可分类的形容词-名词对
用 ImageNet 预训练的 CNN 在一百万 Flickr 图像 + 自动挖掘的"形容词名词对（ANP）"标签上 finetune，把视觉情感分类从 SentiBank 的二分类 SVM 推到深度卷积网络的 softlabel 分类器——是 2014 年最早把"视觉情感"从语言学多模态研究搬进工业可复现 bench…
将 Agentic 游戏开发作为可扩展世界模型的可验证轨迹数据引擎
视频世界模型一味靠"堆更多爬取视频 + 更多算力"扩展是低效的——本文把 Agentic 游戏开发改造成"可执行世界规范 + 可验证奖励 + 长程轨迹数据"的递归数据引擎，提出 RLHEV（Reinforcement Learning with HumanEngine Verification） 后训练范式，让游戏引擎…
Procedura：基于过程化控制的 Agentic 三维建模
原生 3D 生成器能恢复逼真 mesh，但密集网格在该硬的地方软、没有部件分解、暴露不出可编辑参数——Procedura 把 "3D 形即代码" 范式推到工程化高度：让 Agent 把物体写成过程化装配体（parametric program + 具名部件 + 类型化可机器校验的配合关系），按 mated frame …
PILOT in the Loop：长时序 Agent 的实时自我改进
现有 Agent 自我改进方法都是"跑完再反思"——PILOT 把 supervisorworker 拆开，让 supervisor 在 worker 执行过程中实时纠偏，同时把执行中暴露的程序/失败模式即时蒸馏为可复用 skills/memory；这个 harness 在 TerminalBench 2.0 上比对照…
EditaLive! 面向直播的统一人物视频编辑
EditaLive 将预训练图像动画模型 WanAnimate 改造为流式推理架构，在 CharEdit50K 数据集上实现「两步采样器 + 对齐自 rollout 蒸馏」，在保持面部表情一致性的前提下完成低延迟实时人物视频编辑。 传统 video editing 关注场景级内容优化，而直播场景（live stream…
FlowEvo：通过工作流与可执行 Skill 协同演化的自演化 Agent
FlowEvo 是一个免训练的推理时框架，让 LLM agent 的"工作流"与"可执行技能"在同一回合内协同进化——成功的工作流被编译成可调用技能存入持久化技能库，技能又被检索出来作为新工作流的构件，并通过对下游效用的持续追踪抑制负迁移技能；以 GPT4omini 为统一 backbone，在 ALFWorld / …
评估工件"授权"了什么？Inspect Evals 提交绑定声明相对推理普查
这篇 position 论文提出"声明回放（claimreplay）层"概念：LLM 评测工件（task + scorer + 指标）只规定了一次前向计算，并不自动授权"该指标所承载的比较性声明"；论文对 Inspect Evals 仓库固定提交下的全部 124 个机械合格单元做了普查，发现 110 个在确定性推理前即…
Luce：可重光照高斯表示的图像到 3D 资产生成
Luce 提出一种把"几何 + PBR（基于物理的渲染）材质"统一在体素化多模态高斯云里的 3D 表示法，每种 PBR 模态（反照率 albedo、金属度粗糙度 metallicroughness、法线 normals）使用专用高斯基元；通过 VAE 压缩到材质感知潜空间，再用 rectifiedflow Transf…
TacForcing：融合执行时间触觉反馈的流式动作生成
TacForcing 是面向富含接触（contactrich）的接触式操作任务的流式动作生成框架。它用"流式动作专家（streaming action expert）"替代标准动作专家，无需独立高频反应控制器即可在执行期间融合触觉观测；同时引入 ExecutionAware Tactile Attention (EAT…
TTPO：测试时策略优化 —— 把数学推理后训练从"标签依赖"解放出来
TTPO（TestTime Policy Optimization）提出一种不对称训练目标：让同一 prompt 下与多数投票伪标签一致的 rollout 走 OnPolicy SelfDistillation（OPSD）蒸馏、不一致的 rollout 走 Grouped RL 惩罚，并在 token 级别再筛一遍 —…
CaSKG：用反事实-因果校准让 Agent Skill Graph 在规模化时仍可检索
CaSKG（CounterfactualCausal Skill Graphs）把"skill graph 的边可信度"当作一等公民：先用高召回的语义/词法/IO/结构证据建候选图，再用方向条件化的文本反事实 probe（remove / substitute / reorder）做边校准 + 贝叶斯平滑，最后发布一个…
Thinking on Shots: Consistent Multi-Shot Video Editing with Agentic Reasoning
提出 MMLVE（MultiInstruction MultiShot LongVideo Editing）任务及 MMLVEAgent 框架：用 LLM + VLM 协同实现 shotlevel 视频解耦，定义三个核心目标（CSEC/MID/ZDSS）并通过 agentic editing pipeline 解决长视…
PlanSightRAG：面向土木标准图自动化合规审查的视觉优先多模态 RAG
PlanSightRAG 针对土木基础设施合规审查场景，提出直接对 2D 图纸图像进行索引和推理的视觉优先 Multimodal RAG 框架，集成 ColNomic3B 多向量检索、PlannerRetrieverAuditorSynthesizer 智能体流程和 MaxSim 热力图证据链，在五个州交通部（DOT）…
Aphanta：诊断任务对齐的图像编辑中间结果用于多模态推理
Aphanta 是一个自动化任务发现与闭环诊断框架，通过三路对比实验（直接推理 / 编辑器生成中间结果 / 理想参考中间结果）揭示 MLLM→图像编辑器→MLLM 流水线中视觉中间结果的真实有效边界，而非假设"任何视觉表征都能帮助推理"。 现代 MLLM 可以利用裁剪、缩放、标记、素描等手段生成显式视觉中间状态作为"视…
GameWAM：视频游戏的世界动作模型
GameWAM 提出了 WorldAction Model（WAM）的概念——联合建模未来视觉观测与可执行键盘鼠标轨迹，并通过 blockcausal conditioning、flow matching、blockcycle control 等机制首次实现原生封闭循环游戏玩法与 GUI 控制，是游戏 AI 领域首个同…
Skill Issue：LLM 中的 Skill 是否具备语言无关性？
同一 LLM 在不同语言接口下玩同一个博弈游戏时，会表现出显著且系统性的"技能"差异——这种差异与"知识不一致"正交，可被多语言 selfplay 隔离出来；当仅切换中间推理语言时，部分场景下的能力下降能被大幅恢复，提示语言对决策的不同阶段存在差异化影响。 多语言 LLM 评测长期聚焦"知识差异"（同一问题用不同语言问…
一种面向 CT 扫描空间关系验证的、可靠且模块化的 Agent 系统
针对 CT 影像中"左肺上叶前方的结节位于哪一侧"这类二元空间关系问答，作者把端到端 VLM 拆成 语言解析 → 解剖定位 → 几何验证 三段流水线，借 YOLO 检测器 + 确定性几何规则替代模型内部的黑箱判断，在 MIRP 空间 QA 基准上把 accuracy 从 Qwen2VL 直接 prompting 的约 …
GUI-Primitives：诊断视觉语言 GUI grounding 中的空间推理失败
作者用 994 条对比指令对（仅关系词变化，截图与锚点固定）把 VLM 的 GUI grounding 错误拆成两个独立失败源——候选定位失败（predicted point 落在两个候选框之外）与 关系理解失败（落在候选框内但选错）——在 19 个 VLM 上跑出严格点框准确率 ≤32%，并证明多数失败发生在定位阶段…
Prefix Sliding：面向高效 test-time scaling 的前缀滑动方法
针对长链推理中"全量 attention 把整条 reasoning trace 留在 KV cache 内存里导致推理成本随生成长度线性爆炸"的痛点，作者提出 Prefix Sliding——只保留系统 prompt + 工具的前缀 KV 块，以及最近几千 token 的滑动窗口 KV 块，中间推理 token 的 …
多模态知识图谱上的多粒度上下文增强 RAG
针对多模态 RAG 中"图像与文本独立处理、再后融合"造成的图文语义缺口，本文提出 CEMMKG（ContextEnhanced Multimodal Knowledge Graph）框架，在图像的局部上下文与全局上下文两层做注入，并允许局部上下文按语义由细到粗多粒度组织，从而在不改动下游任何 GraphRAG 主干的…
RetrievalRouter：文档检索的模态与架构联合选择
在高风险文档检索场景（金融、医疗、法律）中，最有效的多模态 + lateinteraction pipeline 慢得不可用，最快的稀疏 / 纯文本 pipeline 又漏检复杂文档证据——RetrievalRouter 用一个仅看 query 文本的轻量路由器为每个查询动态选 pipeline，并用一个可调参数同时跑…
LibriBrain100：面向大规模神经语音解码的百小时广深 MEG 数据集
LibriBrain100 把单被试脑磁图（MEG）数据规模从学界此前的"个位数小时"推到 ~80 小时、把广度覆盖推到 32 个被试 + 100+ 小时总量，并配套发布标准 train/val/test 划分、可复现 Python 库、公开 leaderboard 与 ML 竞赛，从而把非侵入式脑机接口（BCI）语音…
SWE Refactor Bench：编码 Agent 能否完成长时序全仓库技术栈迁移？
现有 SWE 类基准普遍被"复制原实现让测试通过"的 Blindness 捷径攻破，SWE Refactor Bench 把"迁移是否真的发生"做成独立审计环节，并据此证明当前最强编码 Agent 在 20 个真实仓库级迁移任务上三阶段全过率仅 5.4%、最佳模型也只有 47.0/100，长时序整库技术栈迁移远未解决。…
当智能体"换司机"：LLM Agent 跨模型轨迹交接的代价与设计
把一段由便宜模型跑出来的 Coding Agent 轨迹"接着"让强模型写下去，并不能像想象中那样直接获得强模型收益——完整轨迹交接只能回收不到一半的强弱质量差距；方向反过来的"降级"反而划算，且最优交接接口随方向反转。 Coding Agent 现在普遍跑几十轮 tool call、改文件、写 commit，单次任务…
Video-IFBench：当视频 MLLM 不听指挥，标准才算数
现有的视频多模态评测基本都在测"模型能不能看懂"，却几乎没人测"模型听不听话"——VideoIFBench 把"指令遵循"作为一等指标摆到台面，用 4 类模板 × 32 种任务 × 39 种约束搭出 1.5K 样本，对 20+ 主流视频 MLLM 评测后发现：约束越多、语义越复杂、嵌套条件越深，模型越跟不住。 视频多模…
不写显式 CoT 也能训练推理模型？Next-Chunk RL 的真正对手是 Mixed SFT
号称"用无 CoT 数据训练推理"的 nextchunk reasoning RL 方案，并不是真的赢在 RL 本身——论文用一个被忽视的简单基线 Mixed SFT（一阶段联合训练无 CoT + 长 CoT 数据）证明：Mixed SFT 训练算力低 60+ 倍，postRLVR 性能上限反而更高。 RL 后训练（p…
FIRM-Video: Check Before You Score for Reliable Text-to-Video Reward Modeling
FIRMVideo 通过"先核查后评分"原则，将 T2V 奖励模型从不可靠的整体评分，变为可验证的维度级清单核查，在精度与效率之间找到了更稳固的平衡点。 TexttoVideo（T2V）模型的评估长期依赖两种极端路线：一是基于固定评分规则的整体裁判（如 VBench），二是端到端开放推理（如 LLMasJudge）。前…