解读
1750 篇 · 选题榜 / 深度解读 / 科普 / 综述 / 视频脚本（学术推广产出）
选择何时取代抽取？基于类型化决策模型的 Agent 记忆预注册测试
Agent 长对话记忆到底该"抽取事实"还是"挑选原始轮次"？这篇预注册研究给出一个干净回答：在紧预算下，单次调用一个轻量级类型化决策模型（Jev）选出的原始轮次，与 LLM 抽取式记忆呈非劣效，且写入成本低 3,061 倍；而抽取式系统只在"慷慨预算"下才反超——这把"抽取 vs 选择"这场口水仗变成了一个随预算变化…
网络安全意识运动：为何它们没能改变行为？
意识运动之所以反复失败,不是因为"宣传不够",而是因为它们几乎只做了"告知风险"这一半——而行为改变真正需要的前半段是"人能理解并执行建议",后半段是"人有动机与意愿去做",这两个前置条件在大多数运动的设计里被彻底遗漏。 企业和监管机构每年在网络安全意识活动上投入巨大——海报、月度邮件、钓鱼模拟、入职培训。但实证数据显…
HLA：通过分块动态混合提升表达性的混合线性注意力
线性注意力通过把历史压缩成循环状态来实现长上下文的高效解码，但这种压缩让"选择性访问稀疏且遥远的信息"变得困难；HLA 把"分块混合系数"从固定改为查询相关(querydependent)，用每个 chunk 的紧凑自注意摘要动态决定"该 chunk 的历史记忆按多大比例混合进当前查询"，从而在保持线性复杂度与每 ch…
UndoBench：把"任务能力"和"恢复能力"从工具调用 Agent 评测中拆开
现在的 Agent 评测普遍只看"任务完成率",把"规划能力"和"故障恢复能力"混在一起计分——UndoBench 用反事实配对试验(同一随机种子下,完整工作流 vs 中途插入故障)把两者拆开,并在冻结的"丢确认(lostacknowledgment)"场景中测出:标称任务完成率 83.54%,而条件恢复成功率(CRS…
保留行为一致性的 KV Cache 压缩：一种 training-free 的 logits-KL 淘汰策略
把 KV cache 压缩的目标函数从"注意力分数高就保留"换成"移除后对 nexttoken 分布的 KL 散度增加得少才保留"，用 preeviction forward 阶段收集到的统计量近似估算"压缩后 logits"，无需为每个候选 token 跑独立 masked forward——实现了一种 traini…
双臂 VLA 的"按臂组合泛化"——ACG-Bench 与 AE-VLA 解读
把"组合泛化"显式拆成"原子技能 × 跨臂重新组合"两维度，构建 ACGBench 基准（含 23 组任务条件、8 类任务、6 组域内 + 17 组未见的"重排序/同步/组合/跨任务"），并据此叠出 AEVLA = SkillLoRA × Armwise Attention 的组合策略，在仿真与真机（SO101）上把未…
Nexus：把 AI Agent 跑成"长生命周期服务"的云-边执行底座
Nexus 提出一套把单次 agent 调用升级为持久任务（persistent task）的云边执行底座，用 OpenWrt 改造的分布式 runtime + runscoped 委托 + 持久化账本三件套，把 LLM Agent 从"短对话推理"变成"长生命周期、可跨 Computer 与 Mobile、被故障和撤…
非结构化知识编辑中通过聚焦视图提升原子事实回忆
FOVEATED 通过在编辑时对上下文中非目标句子的 RoPE 位置编码（Key 侧）施加随机扰动，人为拉平段落级编辑目标中「后文事实因上下文更丰富而被低估学习难度」的问题，显著提升非结构化知识编辑（UKE）中原子事实的无上下文回忆能力，在 5 个 KE 编辑器、2 个 LLM 主干、3 个基准上取得一致改进。 大语言…
4DCodeBench：动态场景逆向图形中的 Agent 基准测试
4DCodeBench 通过让 Agent 将动态视频重建为可执行图形程序，首次系统性地评估了模型在 4D 逆向图形（空间 + 时间）上的代码生成能力，揭示了当前顶级模型「静态重建强、动态建模弱」的关键短板。 让 AI Agent 理解并程序化地重建真实世界的动态场景——这件事本质上横跨了 Computer Visio…
CUAWright：面向数字 Agent 的极简统一接口
CUAWright 用约 3000 行代码构建了一个极简终端 harness，以 bash 为唯一动作接口，以文件系统为可演化工具空间，在 OSWorld 2.0、OnlineMind2Web、Odysseys 等多个数字 Agent 基准上显著超越 GUIharness 方案，同时将成本降低 37.5%。 当前主流 …
PerturBot：用扰动式训练打破 VLA 模型的捷径先验
提示：本文遵循 W37–W40 lessons 蒸馏的 flyP v2 模板（§0 元层五问 + R 命名反方 + A 命名触发 + 评级四子项 + 撞名 ≥3 主线 + 边界声明 12/12），并满足 W40 的「§八 ≥5 坑 + 每坑三段式 + 诚实标注 ≥1 处 + P0 事实三轮核实」四项硬约束。 | 维 |…
Code2Games：用 Coding Agent 从自然语言意图生成可玩游戏世界
提示：本文遵循 W37–W40 lessons 蒸馏的 flyP v2 模板（§0 元层五问 + R 命名反方 + A 命名触发 + 评级四子项 + 撞名 ≥3 主线 + 边界声明 12/12），并满足 W40 的「§八 ≥5 坑 + 每坑三段式 + 诚实标注 ≥1 处 + P0 事实三轮核实」四项硬约束。 | 维 |…
MemAdapter：用反事实适配抵抗"记忆诱发的谄媚"
提示：本文遵循 W37–W40 lessons 蒸馏的 flyP v2 模板（§0 元层五问 + R 命名反方 + A 命名触发 + 评级四子项 + 撞名 ≥3 主线 + 边界声明 12/12），并满足 W40 的「§八 ≥5 坑 + 每坑三段式 + 诚实标注 ≥1 处 + P0 事实三轮核实」四项硬约束。 | 维 |…
QuantCode Model：把通用代码 LLM 变成「可执行」的交易策略生成器
论文系统比较了「继续预训练 + 监督微调（SFT）」两条互补路径，用于把通用代码 LLM 变成能在 Backtrader 框架上生成语义忠实、可回测通过的可执行交易策略代码的模型，并用 400 题 QuantCodeBench 量化两条路径单独/合并使用时的能力跃迁与能力流失现象。 把自然语言策略描述翻译成能在专业交易…
The Missing Primitive：诊断并修复 LLM 的结构化数学理解
论文提出「数学原语（Mathematical Primitive）」概念，用以探测 LLM 的结构性数学理解，并构建沿"发现 / 生成 / 消化 / 执行"四维评测的新基准；同时识别出"发现"是当前 LLM 数学推理的主导瓶颈，并提出"原语导向的自蒸馏框架"做针对性修复。 LLM 在前沿数学问题（AIME / Olym…
SourceLearn：从「知识访问」到「源学习」，让 Agent 真正"认识"信息源
论文提出「Source Learning」新范式，把 LLM agent 与持久权威信息源的关系从「每次重新访问」升级为「可累积的源专属能力（sourcespecific competence）」，并以 SourceLearn 双机制框架（SelfDirected + TaskGuided）在 5 个 benchmar…
PointWAM：面向灵巧机器人操作的 3D World Action Modeling
PointWAM 把"世界"显式拆成场景点云 + 手部点云，并在统一的时空坐标系里联合预测它们的轨迹，再用轨迹到动作的 retargeting 把人手运动迁移到机器人手——在十个 DexJoCo 任务上把 SOTA 平均成功率拉高 11.7 个百分点。 灵巧操作（dexterous manipulation）一直被两个…
EyeRobot 2.0：用主动注视替代腕部摄像头
EyeRobot 2.0 仅用一对会主动"转头"的体侧立体相机（无腕部摄像头），就能在双臂细粒度操作上达到甚至超过"腕部 + 体侧"双相机方案的精度——核心机制是分层强化学习训练出的注视伺服 + 目标选择器，把视觉 token 集中到注视点，并把夹爪动作表示为注视相对 SE(3) 帧，从而把腕部摄像头"看局部"的物理优…
Software-in-the-Loop Reconstruction：把现有科学软件变成终端 Agent 的训练场
论文提出 SWR（SoftwareintheLoop Reconstruction）——一种自监督框架：从现有科学软件工作流（结构化输入 → 可执行程序 → 输出）中反推出参考解与验证目标，无需人工为每个任务手写参考答案，就能批量生成面向 Terminal Agent 的训练环境与 verified trajector…
JEPA-TTT：让潜在世界模型在测试时持续自适应的方法
JEPATTT 把"测试时训练（TestTime Training, TTT）"塞进了动作条件 JEPA 世界模型的潜在动力学预测器里——只更新这一小块、冻结视觉编码器和奖励头，并用 dense replay 缓冲跨回合累积自监督信号，从而在动态漂移下仍能让规划不靠目标图像、不靠在线奖励。 世界模型（World Mod…
Tail-Influence Sampling：让 CVaR 策略评估的预算花在下尾最关键的环节
⚠️ 诚实标注（局限性）：本解读仅基于 arxiv abstract + 论文卡 TLDR；v1 提交作者 Pauline Bourigault 已从 arXiv submission history 拿到，但未独立验证机构归属；未触 PDF 全文精读；未找 GitHub 仓库；abstract 中"MMLUPro 2…
WM-VLM：用内部世界模型做交错视觉-文本推理，让 VLM"会想象"
⚠️ 诚实标注（局限性）：本解读仅基于 arxiv abstract + 论文卡 TLDR；v1 提交作者 Yuheng Zha 已从 arXiv submission history 拿到，但未独立验证机构归属；未触 PDF 全文精读；未找 GitHub 仓库（abstract 与 arxiv 页均未列）；正文中"心…
The Extender：日志结构 Transformer，长上下文持久 KV 记忆压缩 104×
⚠️ 诚实标注（局限性）：本解读仅基于 arxiv abstract + 论文卡 TLDR；作者归属仅核对到 v1 提交作者 Jakob Eriksson（来自 arXiv submission history），未独立验证机构归属；未找到公开 GitHub 仓库；文中数据 verbatim 自 abstract，未触…
Collective Bias Mitigation：通过模型路由与协作的集体偏见缓解
提出 Collective Bias Mitigation (CBM) 框架，把偏见缓解从「单一 LLM 自纠」升级为「多模型细粒度行为学习 + 路由/协作」，在多类社会偏见基准上显著优于独立模型基线，并在推理成本与缓解效果间给出可调谐的拓扑选择。 LLM 在公共健康、金融、治理等高 stakes 场景被部署时，需要同…
Efficient Reasoning Training Does Not Always Harm CoT Faithfulness and Monitorability
对三类施加长度压力的高效推理训练方法做系统对比后发现：「缩短 CoT」会显著降低 CoT faithfulness（一致性变差），但对 monitorability（CoT 是否揭示输入干预对输出的影响）相对稳健——短 CoT 仍会「承认」被干预的事实。 CoT 让人类能检查 LLM 是怎么得到答案的，所以既是「可解释…
Multilingual GSM-Symbolic：跨语言能力迁移由什么决定？
构建 30,000 题 / 15 语言、可模板化无限扩展的 Multilingual GSMSymbolic 多语言数学评测集，联合估计后给出四大能力迁移决定因素的 β 系数：模型规模 β=1.77、语言资源水平 β=0.77、推理能力 β=0.67、类型学距离 β=0.25；分析框架可解释 92% 的跨语言方差与 2…
Rollout-Marginal Distillation：把长程自回归视频生成的"评分信号"切成块独立打分
把 DMD（Distribution Matching Distillation，分布匹配蒸馏）的"整段 rollout 联合打分"拆成"逐 chunk 独立打分 + 视频级一致性后处理"两步，让自回归（AR）视频扩散在超出训练时长时仍能保持视觉质量。 自回归（AR）视频扩散的优势在于一边生成一边流式输出、延迟低、能做…
LVMT：长期视频分割的"轻量 GRU 传播 + 截断查询传播"双招
用"轻量 GRU 做目标信息的自适应门控传播 + 截断查询传播（TQP）做长视频可训练化"，把在线视频分割的 SOTA 速度从"快"推到"10× 于此前 SOTA"且精度不降。 在线视频分割（Video Object Segmentation, VOS）要在视频一帧一帧进来时把指定目标一直跟出来、给它上 mask。在短…
ProWAM：用渐进视觉子目标给世界动作模型装上"看得见的进度条"
让世界动作模型（World Action Model, WAM）同时预测动作和按序排列的稀疏视觉子目标，用子目标做"进度锚点"引导动作生成；用一次视频 backbone 前向 + 轻量动作去噪做 replanning，把长程任务的规划效率提上去。 WAM 是机器人控制的一种新兴范式：从初始观测 + 自然语言指令，联合预…
CLIMB：置信度引导的互补证据多模态 RAG
CLIMB 通过 MMR 风格的多样性证据池构建 + R/E/C 三维评分器 + 置信度控制解码，在不修改底层检索器或 MLLM 的前提下，让多模态 RAG 系统在 EncyclopedicVQA 和 InfoSeek 两个基准上稳定超越 TopK 检索基线。 多模态大模型（MLLM）在视觉推理上进步显著，但知识密集型…