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）
预训练基础模型综述：从 BERT 到 ChatGPT 的发展历程
Pretrained Foundation Models（PFM）是 AI 基础设施范式的根本转变：一份跨模态（文本/图像/图）的全景式综述，梳理了从 BERT/GPT 到 ChatGPT 的技术演进脉络，并指出 scalability、security、reasoning、crossdomain 是通向 AGI 的四…
MahNMF：曼哈顿距离下的非负矩阵分解
把非负矩阵分解（NMF）目标函数从 KL 散度 / 欧氏距离换成 ℓ1 范数（曼哈顿距离），从而能稳健建模重尾拉普拉斯噪声与离群点，并配套两类快速优化算法（RRI 与 Nesterov 平滑法）和一族带约束的扩展（Box、流形正则、组稀疏、弹性网、对称）。 经典 NMF 把非负矩阵 X ≈ WᵀH 的目标函数建在两种噪…
LLMs Get Lost in Evolving User Intent：当用户意图在对话中演变，LLM 全面失效
当前 LLMs 在单轮 FullySpecified 任务上表现优异，但用户的真实意图在多轮对话中是动态演变的（逐步披露、修正、转向），而主流 Benchmarks 仍基于单轮静态设定；论文构建了一个将静态任务转化为动态多轮对话的框架，揭示了一个一致现象：强单轮性能无法迁移到意图演变场景，各模型家族均出现显著性能下降。…
SANA-Video 2.0：用"混合线性注意力"把视频生成打到单 GPU
SANAVideo 2.0 把视频扩散 Transformer 中"二次复杂度的 softmax 注意力"替换成"门控线性注意力 + 周期性 softmax 锚点 + 块级注意力残差"的混合架构，让 5B / 14B 模型在单块 H100 上以 13 秒生成 720p 5 秒视频，比 Wan 2.2A14B 快 120…
从视频中自监督学习结构化动态（SDM）
Structured Dynamics Model（SDM）提出将视频帧间变化显式分解为相机运动和物体运动两部分，通过未来特征预测 + 弱监督合成数据的混合训练策略，从冻结的预训练图像 ViT 特征中蒸馏出结构化运动表征，在含相机运动、物体运动及二者混合的 ProbeMotion 评测集上显著超越全局特征基线。 视频理…
Agentic Context Management：把 Agent 记忆与成本当作生命周期与架构问题来解
Production AI Agent 失败的主要原因不是推理能力不足，而是上下文管理失控——对话历史、巨大 Prompt、工具定义与工具输出不断膨胀，导致 token 成本呈二次增长，同时跨会话记忆衰退；该论文提出 Agentic Context Management（ACM）学科，将其分解为五个原语，并证明只有经过…
Experience Distillation：让 Agent 从自身交互历史中高效学习，无需额外环境交互
Realworld Agent Learning 受限于昂贵环境交互（如运行耗时的实验或获取人类反馈），InContext Learning 能从交互历史中高效率学习，但历史一出 Context 增益就消失；论文提出 Experience Distillation，将 Agent 的交互历史（无需额外环境交互）蒸馏进模…
Robostral Navigate：单目 RGB、8B 参数、把视觉导航推到 SOTA 的纯图像空间策略
一个 8B 参数的视觉语言模型（VLM）只用单目 RGB 视频流做输入，直接在当前画面上"指出下一个目标点"作为航点预测，不依赖深度相机、不依赖多相机、不依赖预建地图，在 R2RCE / RxRCE 两个连续环境视觉语言导航基准上同时刷新 SOTA。 视觉语言导航（VisionandLanguage Navigatio…
ReferTrack：先指认、再跟踪——把具身视觉跟踪做成"看图说话"加"看图指路"
提出一个 referringthentracking 的具身视觉跟踪（EVT）范式：用一台前向相机，先在带索引的候选框里选中语言所描述的目标，再以这次"图像级选中的目标"为条件解码航点；并用一个滑窗队列 + TVBI token 注入历史几何特征，让跟踪在时间维度上保持稳定——单视角 SOTA，且能在腿足与人形机器人上…
Recurrent Sinusoidal INRs for Efficient High-Fidelity Representation
用「共享正弦块反复迭代」取代「堆叠独立参数层」，在固定参数量下通过递归展开（recurrent unrolling）持续提升 INR 的高频重建质量，且可迁移到超分、NeRF 和 SDF 任务。 Implicit Neural Representation（INR）用坐标 MLP 把信号表示为连续函数，在图像、3D 重…
Show, Don't Tell: Evaluating Spatial Cognition in Generative Pixels Rather Than LLM Text
提出 ProVisE 框架，让图像生成模型可以在像素空间中直接「画」出空间判断答案，并被解析为结构化预测与 textoutput VLM 在统一 benchmark 下公平比较；发现在像素可外部化的空间任务上生成模型有竞争力，但在组合推理上弱于 VLM。 Spatial intelligence（空间智能）是 AI A…
VLA-Corrector：面向自适应动作时域的轻量级检测-修正推理框架
VLACorrector 在不修改 VLA 主干模型的前提下，通过轻量级潜空间视觉监控器（LVM）实时检测视觉动态偏离，触发截断事件并调用在线梯度引导（OGG）进行修正规划，使动作分块策略实现事件驱动的自适应动作时域，同时兼顾执行鲁棒性与策略调用频率。 VisionLanguageAction（VLA）基础模型在具身智…
面向大学利益相关者的多模态聊天助手：基于 RAG 的工程实践
本文构建了一个基于 RAG 的多模态大学聊天助手，整合 LLM 与语义检索，用 VLM 处理图文查询，配合量化推理和 FastAPI/Next.js 全栈工程化部署，将幻觉率从 31.7% 降至 6.6%，已上线 chat.kuet.ac.bd。 在发展中国家，大学利益相关者（学生、教职员工、申请者、管理人员）获取学校…
TRACE：面向会话数据的时序证据图状态感知查询处理框架
TRACE 将长会话历史建模为带时间、因果、更新、矛盾关系的层次化时序证据图，在查询时将词汇召回与证据重建解耦，使得过时信息对历史查询仍然可访问，但对当前状态答案被正确折扣，从而在长会话 QA 场景中显著提升时序推理和多跳推理能力。 当前 AI Agent、个人助手、企业 copilot 等长时运行系统产生大量演化型会…
Scaling Laws for Hypernetwork-Based Knowledge Injection in Large Language Models
训练一个 Hypernetwork 生成固定 LoRA 适配器，可靠地将海量知识注入 LLM，且其扩展行为符合可预测的幂律（Power Law），在分布外泛化上优于标准的 LoRA 微调和全量微调。 将结构化知识（事实、关系）大规模注入 LLM 一直是难题。现有方法各有缺陷： 全量微调（Full FineTuning）…
Trace: A Taxonomy-Guided Environment for Multidomain Visual Reasoning
Trace 是一个多域视觉推理任务构建框架，通过将场景语法（Scene Grammar）与可执行任务程序（Task Program）分离，自动化生成 1,000 个可验证、可复现的视觉推理任务，为 RLVR 训练 VLM 提供高质量数据。 RLVR（Reinforcement Learning with Verifia…
Self Gradient Forcing: Native Long Video Extrapolation
Self Gradient Forcing（SGF）通过双遍（TwoPass）训练策略修复了 Self Forcing 中的"历史上下文梯度鸿沟"（Historical ContextGradient Gap），让 AR 视频扩散模型仅用 5 秒训练窗口就能外推到数分钟长视频，同时保持主体身份、背景一致性和时序稳定性。…
Graph-Based Agentic AI with LangGraph: Workflow Pathways for Long-Running Stateful Business Processes
LangGraph 不是什么场景都适用——它是解决复杂、长时、带状态、有审计需求的业务流程的专用工具，简单 ReAct 循环或纯 SDK 调用解决不了的问题才值得用它。 当前 Agent 框架（ReAct、LangChain Runnable 封装）只能处理短程、线性、单轮工具调用。但真实企业场景往往是：多步骤、有分支…
ABot-World-0: Infinite Interactive World Rollout on a Single Desktop GPU
一张桌面级 RTX 5090 GPU（~19 GiB VRAM）就能跑起一个 ActionConditioned Video World Model，实现 720P / 16 FPS 的实时闭环交互——数据来自 AAA 游戏、仿真引擎和互联网视频的混合管道，训练通过 WorldExplorer 反馈驱动采集，质量经 1…
长上下文推理中的「重复抄写」病灶：用证据感知 RL 让模型真正「读懂」而不是「抄下来」
前沿长上下文 LLM 在做带 CoT 的复杂推理时普遍出现「重复抄写（repetitive copying）」病灶——把输入里的原话大段抄进思维链，而不是真正围绕关键证据推理。作者把这个病灶归因于「grounding 不足」，并提出 GEAR（Grounding EvidenceAware Reward）：在标准 ac…
仓库指导的探测-微调：让 AGENTS.md 自己学会指导编码 Agent
作者把"AGENTS.md 这类仓库指导文件究竟该不该让 LLM 生成"这个长期争论的问题，拆成"指导是怎样被生成的"这一可控变量，提出 probeandrefine tuning（探测微调）——用合成的 bug 修复探针、单次 LLM 调用、无 Agent 循环地对指导文件做迭代诊断与修补；在 SWEbench Ve…
流式工具使用何时有效？tool-intent stabilization 与一个模型无关的延迟隐藏界
流式 RAG（RetrievalAugmented Generation）的"投机检索"是否真能把工具延迟藏在用户输入背后，取决于一个查询本身的属性——speculative query 的检索结果在输入流中多早就能稳定到"含答案"那份文档。本文把这个时刻命名为 toolintent stabilization，在 C…
PACMS：用次模选择替换 recency 截断，把 LLM Agent 的上下文工程从"丢东西"升级成"选东西"
长会话 LLM Agent 的上下文窗口被对话轮次、持久 memory、工具输出同时填满，主流的 recency 截断（即按时间顺序只保留最近的 N 条）"topicblind"，会丢老但相关的关键事实、留新但无关的冗余。PACMS 把上下文装配从"丢东西"重新定义为"在统一候选池上做 budgetaware 次模选择…
基于 Token 的双视图融合与适配：冻结 ViT 上的乳腺癌分类新框架
把"CC/MLO 双视图的乳腺 X 光融合"重新定义为一组可学习的 fusion token 在冻结 Vision Transformer（ViT）内部进行的层级化跨视图通信，绕开了传统"特征级拼接/单层 crossattention"的两大痛点。 乳腺癌筛查中每侧乳房通常拍两张互补视图：craniocaudal（CC…
OmniTacTune：让"只会看"的视觉策略补上触觉感知
OmniTacTune 是一种策略无关（policyagnostic）的真实世界 RL 流程：它不重训已有的视觉策略，而是训练一个轻量的"触觉残差策略"，在接触密集任务里把视觉策略的成功率从 5–40% 拉到 85–100%，且只需 40–80 分钟的在线交互。 过去两年，从人类视频、遥操作、机器人演示中学习到的"视觉…
为触觉而醒：MLLM 中的掩码隔离触觉对齐学习（Splash）
Splash 提出一种"掩码隔离"的参数子空间划分方法，把 MLLM 的预训练参数拆成"关键子空间"（冻结保护）和"休眠子空间"（用于学习触觉对齐），从而在不破坏原有视觉语言能力的前提下，让紧凑型 MLLM 内化触觉模态，在 SSVTP/TVL/TacQuad 等视触觉基准上达到 SOTA。 触觉是人类感知材料属性（摩…
CineMobile：把电影级图像到视频生成塞进手机的三重优化
CineMobile 是一套针对 Diffusion Transformer（DiT）图像到视频模型的蒸馏+剪枝+量化三重优化方案，最终在端侧（MediaTek Dimensity 8400）以 1.8 GB 显存生成 49 帧 480p 视频，相对 Wan 2.1 教师模型实现 40× 加速，同时保住电影级相机运动效…
用「跨查询一致性」筛掉噪声幻觉：CQC-RAG 评注
本文提出 CQCRAG：把原问题改写成多个同义不同形的查询、分别检索后看答案的「置信度稳定性」，不依赖外部监督、不要求扩大检索覆盖面，就能把检索噪声诱发的幻觉过滤掉，在 TriviaQA 和 MuSiQue 上相对最强多查询基线分别 +4.76 pp 和 +9.12 pp EM。 RAG 系统在落地时普遍栽在两件事上：…
多文件变更定位的探索结构：把仓库探索改成「领域并行」能赢多少？
这篇来自 IBM Research 的工作用 SWEBench Pro 作底座，直接挑战「线性挨个目录探索」这一被广泛沿用的 LLM Agent 默认行为——把探索拆成「按子领域并行」的多 agent 后，Haiku 这类小模型在文件定位 F1 上能反超单 agent 大模型，但强制多 agent 协商不会带来额外收益…
VaseMuseum：古希腊陶器的数字智能博物馆
VaseMuseum 是一个面向古希腊陶器的轻量化、模块化多模态智能体框架 VaseAgent，它把 2D/3D 视觉证据、权威知识检索与「源级 + 响应级」两层可靠性控制串起来，在不更新 VLM backbone 的前提下显著提升引用有效性与回答中立性。 把视觉语言模型（VLM）直接接入文化遗产数字博物馆是当下热点，…