解读
1758 篇 · 选题榜 / 深度解读 / 科普 / 综述 / 视频脚本（学术推广产出）
TRAP：把「任务完成 vs 隐私泄露」的不可调和 trade-off 钉死，并给出唯一出路
论文提出 TRAP（Taskcompletion and Resistance to Active Privacyextraction） 这一基准，并给出一个有点反直觉的硬结论：只要模型还用 softmax 输出 token，任何「软约束」防御（prompt / 系统提示 / 拒绝规则）都不可能同时做到「高任务成功 +…
Object-Centric Residual RL for Zero-Shot Sim-to-Real VLA Enhancement
仅在仿真中训练、以物体位姿（object pose）为条件学习修正策略，无需任何真实机器人数据或额外演示，即可将 VLA 零样本从 42% 成功率提升至 76%。 VisionLanguageAction（VLA）模型通过海量互联网数据预训练，已具备一定的跨任务泛化能力，但其底层策略依赖 Imitation Learn…
ScanNet:为 RGB-D 室内场景理解打造的"工业化数据集"
ScanNet 用一套易扩展的 RGBD 采集 + 自动重建 + 众包语义标注流水线，构建了 1513 个室内场景、2.5M 视角、含 3D 相机位姿、表面重建与逐体素语义标签的数据集，把"小作坊式 3D 场景数据"升级为可驱动 SOTA 的工业级基准，并在 3D 物体分类、语义体素标注、CAD 模型检索三个任务上一举…
Toolformer: Language Models Can Teach Themselves to Use Tools
Toolformer 证明 LLM 可以在完全自监督的方式下自主学会调用外部工具（如计算器、搜索引擎、翻译系统），零样本性能大幅提升，且不损失原有语言建模能力——这标志着 Tool Use 从"人类手工设计"走向"模型自主习得"的转折点。 LLM 的一个根本性悖论：规模化能带来强大的泛化推理能力，却在精确算术和实时 f…
VQA (Visual Question Answering)：把「图像 + 自然语言问答」变成可评测的视觉推理任务
Antol、Agrawal、Yang、Batra 等 21 位作者集合 CV、NLP、ML 三方力量，构建并系统化定义了 VQA 任务：给定图像 + 自然语言问题，输出自然语言答案；公开了一个约 26.4 万图 / 76 万问 / 1000 万答的视觉问答基准（VQA v1.0），并配套了视觉语义推理可量化评测的协议和…
SkillHone: A Harness for Continual Agent Skill Evolution Through Persistent Decision History
SkillHone 通过持久化 Agent 决策历史，将 skill 进化从"单次优化"升级为"跨会话积累"，无需预置搜索栈即可在 GAIA 基准上领先商业 Deep Research Agent 15.8 分，并实现平均 18.8 分的内部工具分析场景提升。 大模型 Agent 的 skill（任务特定程序、脚本、参…
在共享工作空间的人机协作中寻找协同效应
把「协作结构」而不是「成员能力」摆到变量表的第一位——同样的总能力，搭出三种协调模式，团队产出天差地别：没有协调结构的扩员甚至会拉低性能，而加入共享记忆 + 人在环审核的双层支架后，三人会提升最显著。 近两年 Agent 在 benchmark 上突飞猛进，但只要进入真实组织环境，多人 + 多 Agent 协同时经常出…
AI Agent 的运行时合规验证（C-Trace）
CTrace 是一个把 GDPR 的若干关键要求（同意、目的限制、数据最小化、被遗忘权）编码成针对 Agent 执行轨迹的正式策略谓词，并在运行时拦截每一次工具调用、模型输出的验证框架；用 DSPy 生成 + 红队语料拼接的攻击对话去测，4 个 GDPR 重构的 case study 中：在每类别 ≤10% 的抽取噪声…
The Illusion of Visual Tool-Use: A Causal Audit of Thinking with Images
多模态 LLM 的「图文思考」范式（如 cropandzoom）在准确率上取得了边际提升，但通过因果图审计发现：大多数情况下返回的视觉证据对最终答案没有因果效应——这本质上是一种「视觉工具使用的幻象」。 「thinkingwithimages」（以图推理）已成为多模态 Agent 的标配范式：模型主动执行 crop、z…
OpenART: Scaling Agent Red Teaming via Open-Ended Environment Evolution
OpenART 通过环境演化与 EMHA 攻击策略，在 50 个领域、超过 10,000 个有状态场景中对 AI Agent 安全进行了系统性红队评估，揭示了 Agent 运行时实现方式对安全性的影响远超底层模型本身——_pooled ASR 达 85.0%_。 现有 Agent 安全基准聚焦于短时、静态任务，无法捕捉…
AtlasVLA: Persistent World-Ego State Modeling for Vision-Language-Action Models
AtlasVLA 通过双记忆架构（4D 持久化世界状态记忆 + 自我工作状态记忆）解决了 VLA 模型在单目摄像机下的「感知遗忘」与「任务进度遗忘」问题，在 LIBEROLong 和真实世界长时序任务中分别提升 9.4% 和 17.5% 的成功率。 VLA（VisionLanguageAction）模型是当前 Embo…
当 LLM 玩起剧本杀：长程一致性基准 NCP-Bench 撕开"语言流畅 = 逻辑一致"的幻觉
自检：机制 2 段 + 工程 2 段 + ⚠️ 数字核验 3 处（survival rate 42% / fact conflict 4068% / 100 叙事 / ICML 2026 accepted）。全文基于 arXiv abstract 公开内容，未下载 PDF。 NCPBench 把"叙事一致性"从感觉层面…
手部关键点可见性检测器：把"被遮挡"这件事从辅助信号升级成独立任务
自检：机制 2 段 + 工程 2 段 + ⚠️ 数字核验 2 处（GitHub 链接 / 数据集未在 abstract 量化）。全文基于 arXiv abstract 公开内容，未下载 PDF。 Hand Visibility Detector 把"手部每个关键点是否被遮挡"从 HPE（Hand Pose Estima…
Overview of FinMMEval 2026 Task 2: Multilingual Financial Short-Answer QA — v2 精修覆盖
自检：机制 4 段（任务形式化 / 评测方法学 / 12 支系统技术路径 / leaderboard 状态）+ 工程 3 段（多语言切块 / 跨语言检索 / 答案生成）+ ⚠️ 数字核验 6 处（256 题 / 32 公司 / 5 语言 / 12 系统 / ROUGE1 macro / 前 4 名 1pp 差距）+ 反…
EvoX Genesis：让"软件项目"长寿，让"Agent"短命
自检：机制 3 段 + 工程 3 段 + ⚠️ 数字核验 5 处（250k tracked lines / 120h / 1000+ episodes / $44 / 1.55–6.87× speedup / ICML 投稿状态）。全文基于 arXiv abstract v2 公开内容，未下载 PDF。 EvoX Ge…
GateMem：多主体共享内存 Agent 的内存治理基准
GateMem 把「多主体共享内存 LLM Agent」这件事从单用户回忆场景拉回到真实的医院、办公室、校园、家庭场景，提出一个同时考察「长程任务效用 + 跨授权边界访问控制 + 显式删除后的主动遗忘」三项联合能力的基准，并据此证明：当前没有任何一种记忆方案能在三者上同时过关。 过去两年大量 LLM Agent 记忆基…
HistoRAG：把史学方法论塞进 RAG 架构
HistoRAG 把史学方法论（信源批判、时段代表性、诠释与发现的区分）翻译成 RAG 架构层面的具体干预——分离检索与生成、强制时间窗均衡、用 LLMasjudge 做可质询的相关性评估——并用 Der Spiegel 19501979 共 ~102,189 篇语料做了实证：默认 RAG 在史学场景下三条都坏。 RA…
IsabeLLM：将自动定理证明应用于共识协议的形式化验证
IsabeLLM 把 LLM 当作 Isabelle / Sledgehammer 自动定理证明器（ATP）的「前级助手」——通过 RAG 提供相关 lemma、用错误追踪 + 反例生成补全失败上下文、并升级到最新版 Isabelle 与 Sledgehammer——最终在「比特币工作量证明共识的形式化验证」这一具体目…
面向上下文感知与关系感知图 RAG 的统一框架
HyGRAG 通过分层图索引 + LLM 生成摘要 + 社区级检索三大设计，在多跳推理任务上平均准确率提升 9.7%，同时保持合理的推理效率，已被 WWW 2026 接收。 传统 Graph RAG 存在两个根本性缺陷：entitycentric（实体中心） 方法以实体为节点组织图，保留了逻辑关系但丢失了原始上下文；c…
Stanford EDGAR Filings Dataset：将美国企业及金融披露重建为版面保真且 token 高效的预训练数据
本文发布 Stanford EDGAR Filings Dataset（SEFD），将 SEC filings 重建为版面保真的 MultiMarkdown，既可作为金融 LLM 的长上下文预训练数据，又衍生出两个评测基准——EDGARForecast（面向模型知识截止后的数值预测）和 EDGAROCR（复杂金融表格转…
ProvenanceGuard：面向 MCP-Based LLM Agent 的来源感知事实性验证
ProvenanceGuard 提出"crosssource conflation"这一新的失败模式——答案在证据池中能被支撑，但被错误归属到了另一个来源；它通过把答案拆成原子声明、按 stable tool/source ID 路由到对应证据、用 NLI + tokenalignment 做支撑判定、再比对"声明的来…
UniMoMo：基于专家合并的大规模推荐模型 MoE 加速
UniMoMo 把"训练好的稀疏 MoE 推荐模型如何压缩到更小的标准 MoE"这件事重新建模为一个带专家预算约束的图粗化问题，围绕"按功能相似度而非参数距离"做专家合并，并配合"高流量专家保护"避免合并塌方；最终在 Amazon Beauty / KuaiRec / TenRec 三个推荐基准、2/4/6 个 MoE…
Decoding-Level Taboo：面向 LLM 鲁棒性的解码级诊断压力测试
DecodingLevel Taboo 提出一种零提示（zeroprompt）的运行时干预式压力测试：在解码阶段直接在 logit 空间把首要候选 token 屏蔽掉，强制模型"绕开"被禁词，从而衡量模型在偏离训练时高度优化路径之后的鲁棒性；论文发现这种鲁棒性与"参数规模 + 后训练指令对齐"呈强相关——模型越大、指令…
InSight-doc：面向长文档理解的 Agent 视觉感知
InSightdoc 把"长文档里的视觉分辨率"建模为自适应的推理时资源：从一个低分辨率整页视图起步，借助一个工具（zoomin tool）选择性放大高分辨率区域抓证据，不依赖任何外部检索器；为训练该 agent 作者团队构建了一个 17.9K 高质量 SFT 语料（带区域级放大轨迹）+ 19.2K 困难 RL 样本的…
Self-Knowledge RAG：让 LLM 自抽专利实体 / 自构本体再做检索匹配
⚠️ paper_card 来源提示：paper_cards/907260811030.md 的 TLDR 字段仅截到 "external knowledge" 一句即被截断；下文所有事实与方法细节均来自 的 abstract 与 IEEE CSCWD 2026 接收信息（ PDF、未跑代码、未复现实验。涉及具体数据集…
幂律图注意力：缩放点积注意力的精确泛化，推理时出现经验性坍缩
把 Transformer 中固定的缩放点积注意力（SDPA）替换为输入生成、可学习的"幂律图注意力（PLGA）"，并给出 PLDRLLM 全架构；当 G=I 时 PLGA 严格等于 SDPA，且在推理时被证明会因"输入不变性"坍缩回广义 SDPA。 自检：机制段 4 / 工程段 2 / ⚠️ 数字核验 1（Lean …
Nature-Inspired 元启发式算法综述：群智 / 生物 / 物理 / 化学四条启发源
这篇 2013 年的短综述把"自然启发的元启发式算法"按灵感来源（swarm intelligence / bioinspired / physicsbased / chemistrybased）切成四大类，用一张相对完整的清单把当时散落在各处的算法收编进同一框架——它本身不发明新算法，而是一张地图，后续二十多年优化领…
Attention-Sensitive Alerting：用效用推理权衡"延迟通知"与"中断打扰"
Horvitz 这篇 1999 年 UAI 论文（2013 年上 arXiv）把"通知该不该打断用户"从 UX 工程问题重构为一个期望效用最大化决策问题——在 defer 成本（错过重要信息） 与 interruption 成本（打断心流） 之间做贝叶斯推理；它落地的产物就是微软 Outlook 里的 Prioriti…
GigaChat Audio：时间感知的大音频语言模型
作者提出了一个能处理最长 120 分钟音频、并在回答中显式带时间戳的音频 LLM。关键做法是把"周期性时间标记"与"连续音频 token"交错排布，并用一条级联 pipeline 做大规模合成监督。模型在短、长时间定位 benchmark 上都拿到强准确率，并支持时间锚定的片段描述与摘要。 音频条件 LLM（Audio…
Graph-Native Reinforcement Learning Enables Traceable Scientific Hypothesis Generation through Conceptual Recombination
GraphPRefLexOR 通过在 LLM 推理中引入图结构（知识图谱）和分阶段显式推理（<brainstorm → <graph → <patterns → <synthesis），用 GRPO 微调实现科学假设的可追溯生成，在材料科学和力学问题上比基线模型提升 4065%，语义多样性扩大 23 倍。 大模型在开放…