解读
1098 篇 · 选题榜 / 深度解读 / 科普 / 综述 / 视频脚本（学术推广产出）
DINOv2：无监督学习鲁棒的视觉特征
DINOv2 证明了一个核心命题：只要在足够大、足够优质的精选数据上训练，自监督方法完全可以学习出通用的视觉表征，在图像级和像素级任务上均达到甚至超越专门训练的 SOTA 模型，且无需任何微调即可直接使用。 在 DINOv2 之前，NLP 领域的 Foundation Model 范式已经成熟——大规模无监督预训练产生…
BLIP-2：用冻结图像编码器与大型语言模型自举语言-图像预训练
BLIP2 提出轻量级 QFormer，通过两阶段预训练策略桥接 frozen image encoder 与 frozen LLM，在参数量减少 54 倍的前提下于多项 VLM 任务取得 SOTA，并首次展示了 zeroshot imagetotext generation 遵循自然语言指令的潜力。 VisionLa…
ReDesign：用 Agentic 分解从光栅图中"长出"可编辑设计稿
ReDesign 提出一个 LLM Agent 驱动的"自顶向下逐层扩张"框架：把一张位图反向拆成 Figma 可编辑的分层结构（typography / vector / color / grouping / layer order），并在每一次扩张后用"graceful verification"做局部接受/剪枝/…
Temporal-Distance JEPA：从离线轨迹中挖出「时间进度代价」，让 JEPA 规划器学会排序未来
TemporalDistanceJEPA（TDJEPA）保留 LeWM 的 encoderpredictor 主干，但额外从无奖励的离线演示轨迹中挖出一个「directed temporal cost」（同轨迹 step order 作正样本、跨轨迹作启发负样本、辅以 rolloutconsistency 正则），同时…
具备网络攻击能力的 AI Agent：漏洞、评估遏制与防御响应
这篇综述把"具备网络攻击能力的 AI agent"——即将 LLM、工具、记忆、执行环境缝合起来跑多步攻击性安全任务的系统——当成一个安全系统而非一个模型来研究：综合五类边界漏洞（多步攻击链、与沙箱边界冲突的目标、供应链与凭据暴露、持续 C2、自动化速度），并以 2026 年 7 月的 Hugging Face / O…
HANDBOOK.md：面向长上下文 Agent 的"政策遵循"基准
HANDBOOK.md 用 65 个企业级多步骤任务、5 个领域、20–124 页的"标准操作程序 (SOP)"，把"系统提示/SOP 文档是否真能在长工具使用视野中约束住 Agent 行为"这件事量化成可重复实验，并暴露出当前最强模型在严格评分下也只能通过 36.2% 试次的系统性缺陷。 部署 LLM Agent 时…
Bridging the Question-Answer Gap in Retrieval-Augmented Generation: Hypothetical Prompt Embeddings（HyPE）
HyPE 把"生成假设文档再做检索对齐"这件事从查询时搬到索引时，预先为每个文档块生成多条"假设提问"并以这些提问的嵌入替换原块嵌入，从而把检索变成"问题—问题"匹配，消除了 HyDE 的运行时开销并稳定提升检索质量。 RAG 系统长期存在 query–document 的"风格鸿沟"：用户问的是短问句或口语化表达，而…
Multivariate Time Series Forecasting via Time-Frequency Graph Learning and Covariate Fusion（CrossRAG / TFGformer 题名分歧已标注）
作者提出 CrossRAG——把 RAG 思路第一次系统性地搬到多变量时间序列长期预测上：通过 ShapeAware Memory（SAM）+ RevIN 归一化解决跨源量纲不一致、用 FutureConsistent Contrastive（FCC）学习把"历史相似但未来不一致"的难负样本区分开、再用 CrossAt…
文生图的「文本条件」标度律：结构化语言越多，扩散损失越低
本文首次系统地测量了文生图扩散模型中文本条件的标度性质：收敛后的扩散损失随提示词中结构化语言量的增加近似线性下降（白盒 GPG 度量）并服从幂律（黑盒 ED 度量）；据此同时提升 diffusability（给模型喂结构化提示）与 promptability（让模型自己生成结构化提示），最终在绝大多数组合 / 推理 /…
多参考图像编辑的一致性奖励：Evaluation-Verification Reward (EVR)
本文提出 EVR（EvaluationVerification Reward）——一种把多模态大模型拆成「评估器 + 验证器」两阶段、产出细粒度可靠奖励信号的方案，用于对多参考图像编辑模型做强化学习微调；在 QwenImageEdit 上即插即用，一致性与和谐度追平或超过 NanoBanana。 近一年的图像编辑模型（…
ExtractBench：第一份同时打分「准确性 + 完整性 + 引用 + 成本」的企业抽取基准
本文提出 ExtractBench——第一份在企业级 schema 引导文档抽取任务上同时度量「值准确率 + 记录完整度 + 引用接地 + 实测成本」的基准，含 4,869 页 / 370 份文档 / 8 个业务域 / 67 种文档类型；评测显示商业 VLM 在短文档上强但常截断长列表，coding agent 准但贵…
通过自蒸馏增强基于评分标准的强化学习：CriPO
CriPO（CriterionDistilled Policy Optimization）针对基于评分标准的强化学习中两类长期被忽视的失败模式——未探索评分项（Unexplored Criteria, UC） 和 被抑制评分项（Suppressed Criteria, SC）——通过 onpolicy 自蒸馏同时求解，…
Meshy T2：用 Flow Matching 实现快速原生网格生成
Meshy T2 提出一个用 flow matching 直接生成多边形 mesh 的统一框架：通过 vertexset mesh VAE 把整张 mesh 编码为每顶点一个连续 latent token，再用粗到细两级 flow（体素流勾勒体素占据骨架 + mesh 流补顶点与连接），实现 endtoend 6 秒生…
QQWorld：用分位数匹配重塑潜在世界模型正则化
QQWorld 把 LeWM 的 EppsPulley（EP）潜在分布正则换成分位数分位数（QQ）匹配目标，让"远离高斯"的孤立尾部样本也能获得有效梯度；并通过跨批 QQ 利用前一批 detach 样本扩大秩池，同时刻画其偏差方差权衡，在四个控制环境上一致提升规划成功率、改善高斯对齐并削薄潜在尾部。 潜在世界模型（la…
CodeNib：面向编码 Agent 的多视图仓库上下文服务数据系统
CodeNib 将 Coding Agent 的仓库上下文问题重新定义为数据系统问题：针对每个仓库提交（commit）一次性构建词法、稠密向量和结构三类视图并维护各自的增量更新路径，以单一运行时同时提供排序搜索、符号导航和有界上下文服务，相比重复重建索引提速 8.7×~25.4×，同时将 Agent 的轨迹 token…
跨文本、表格与知识图谱的知识不一致检测
Kontrast 把"同一事实散落在 Wikipedia 文本、表格和 Wikidata 知识图谱中、相互打架"这一长期积弊，第一次正式定义为"模态级不一致检测"任务，并给出一套基于 TexttoSPARQL + LLM 推理的自动化框架；同时贡献了一套可公开复现的表问答基准，证明跨模态冲突既真实可测，也能反过来用作"…
超越自我认知：在 LLM 推理与检索间传播不确定性
BeyondUncertainty 用黑盒 LLM 自报的言语化置信度（verbalized confidence）做"是否需要检索"的门控路由：在 27,000 个策略实例（6 个 QA 基准 × 3 个模型族 × 3 种检索策略）上，把平均 token 级 F1 从"总是检索"的 0.467 抬到 0.483，同时…
Agent Retrieval Bench：把"代码 Agent 仓库检索"从直觉变成可测基准
Agent Retrieval Bench 把"代码 Agent 在动手前能不能先把仓库里需要的文件找出来"这件事单独抽出来做 filelevel 评测：427 条样本 / 25 个仓库 / 5 类子任务 / 308 个 basecommit 快照 / 7.9M 个 chunk，结论是没有一类检索方法能压倒其他方法，且…
RLHF Reward Model 推理能跑多快？ONNX Runtime + C++ vs PyTorch 的系统研究
作者用基于 ONNX Runtime 的原生 C++ reward model 推理引擎跟 PyTorch eager、torch.compile、FastAPI 三类基线做对照，发现在 CPU 上 C++/ONNX 大幅领先，在 GPU 上 C++/ONNX 击败 PyTorch 与 FastAPI 但输给 torc…
UAV 高光谱 PFM-1 地雷检测中的人在回路签名引导
PFM1 地雷的 UAV 高光谱检测不是「识别一个光谱匹配」，而是一场关于核查成本的博弈：算法必须把「多少个候选点需要人去现场复查」压到两位数以内；本文证明 ACE（自适应相干估计器）+ 全量人工签名引导 只需两轮共 9 次候选复查即可确认全部 7 个目标区，而 SAM 即使配合人机协同也要上千次候选复查。 高光谱成像…
Grading the Narrators：把伊斯兰圣训学的溯源方法搬进多 Agent 知识系统
本文把「伊斯兰圣训学（hadith science）千年沉淀的 isnad（传述链）+ rijal（传述者评级）」方法论形式化迁移到多 agent 知识系统，给出声明级（claimlevel）溯源的关系型 schema、最弱链评估、独立链互证、内容批评与链路评级解耦等机制，并在 20,000 条真实物理教材声明上做了实…
培养 Agentic 工程师：AI 时代的课程、协作与持续学习
这是一篇概念综合（integrative conceptual synthesis）型文章，主张随着生成式与 agentic AI 重构软件工程，培养重心必须从「人类亲手写工件」转向「指导、验证、治理自主系统」，，并以 ACCEL 框架（Agentic Competencies through Curricula, C…
记忆来源漂白：面向 LLM Agent 持久记忆的「非放大」防火墙
本文命名并形式化了「memory provenance laundering（记忆来源漂白）」这一新型 LLM Agent 安全威胁，并实现了一个轻量级中间件 PPMF（ProvenancePreserving Memory Firewall），通过保留平台维护的来源标签 + 按行动风险匹配记忆权威性，把经过有损记忆整…
EasyBCI Agent：迈向脑机接口的通用神经数据预处理
本文提出 EasyBCI，一种两阶段 LLM agent：先用 Plan Agent 把每条神经记录画像为纯文本"数据指纹（Data Fingerprint）"（绝不暴露原始数据给模型），再交给 Execution Agent 自动生成、运行并自校正预处理代码；通过质量门控的经验库积累可复用的策略，并由领域专家在两个决…
DecoEvo：让 Solver 与 Rubric-Generator 在文本空间解耦共进化
DecoEvo 提出「ScoreDecoupled CoEvolution」：在文本空间（不修改模型权重）里同时进化一个 solver skill 和一个 rubricgenerator skill，二者用互相解耦的目标函数驱动更新——solver 按「按条目的细粒度反馈」优化，rubricgenerator 按「覆盖…
CLBench-V：面向多模态上下文学习的评测基准
CLBenchV 把「多模态上下文学习」拆成 grounding / 应用新信息 / 学习新知识 三维坐标轴，在 3,443 个实例上证明当前最强的多模态大模型也只拿到 0.2847 分，多模态 incontext 能力远未饱和。 过去一年，「context learning」成为 RAG 之外另一条补足模型能力的路线…
CoRT：用反事实回放做 Token 级 Rubric 引导的策略优化
CoRT 提出一种「不训打分模型」就能给 rubricbased GRPO 加 token 级信用分配的技巧——通过在带 rubric 与去 rubric 两个 prompt 上对同一条样本做对数似然对比，把对比值映射成 token 级权重，去重分配 GRPO 的 advantage，在指令微调模型上平均比纯 resp…
Neural Approaches to Conversational AI：把问答、任务型、闲聊三类对话系统收口到一套深度学习框架的 95 页综述
Gao、Galley、Li 三人把 20132018 年间碎片化的「神经网络对话 AI」梳理成三块（QA agents、Taskoriented dialogue agents、Chatbots），给出一个统一的「自然语言 → 自然语言」端到端视角，并显式把当下每一类系统的 SOTA 训练范式、数据集与失败模式摆到同一…
RepoReasoner：长上下文语言模型仓库级代码推理能力评估
RepoReasoner（FSE'26）是首个专门评估 LLM 在跨多文件、复杂依赖结构场景下仓库级代码推理能力的 benchmark，通过动态 tracing 生成调用链真值、LLM 重写 I/O 减少记忆化效应，在 7 个 SOTA 模型上揭示了一个核心结论：即使提供 oracle 上下文，最强模型在跨文件执行推理…
并行解码蒸馏：面向快速图像与视频生成
PDD（Parallel Decoding Distillation）通过在单次网络评估中预测多个去噪步骤，将扩散/流匹配模型的生成步数从数十步压缩至 48 步，同时在视频多样性上显著优于所有竞争方法，且全程无需对抗损失或交替训练。 视频扩散模型和流匹配模型的生成成本极高：一次高质量视频需要数十甚至上百次网络评估（高 …