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）
Reasoning-Language Alignment in Monolingual RAG：强制德语推理告诉了我们什么
在德语单语 RAG 场景下，强制 LLM 用德语而非英语进行推理，能带来明显提升——前提是推理语言与查询及检索文档语言一致。但英语推理仍是上界，强制德语无法超越它。这说明 native multilingual reasoning 能力才是关键，forced alignment 只是桥梁。 大模型推理能力（Chaino…
World Embedding Benchmark：视频表征的物理信息编码评测
World Embedding Benchmark 构建了 8,000 个跨流体力学/固体力学/动力学/光电物理的仿真案例，首次系统揭示预训练视频表征在「跨模态物理对齐」与「定量物理信息可恢复性」之间存在 tradeoff：强化 alignment 会损害 property regression，反之亦然。 World…
HyperBrowseComp：面向 Web-Browsing Agent 的多语多模态压力测试
HyperBrowseComp 是一个由人工撰写、覆盖 13 种语言、刻意"上调难度"的多模态网页浏览基准（423 题），用来检验 Browsing Agent 是否真的能跨语种、跨模态（视频、扫描件、图片、地图）地"挖掘+拼图"式检索，而不是吃老本回答。 过去一年，GAIA、HLE、WebArena、Mind2Web…
ProAR：让自回归视频模型学会"前瞻性推理"
ProAR（Prospective Reasoning with Autoregressive Video Models）是一个把"自回归视频生成"从"短视的被动逐块预测"改造为"目标导向的前瞻性推理"框架，仅用25% 的训练步数就能超过同架构完全训练的标准 AR 基线，并在多个视觉推理 benchmark 上稳定提升…
LexReward：把法律回答分成 Style / Element / Chain 三档，再做 rubric 奖励
原文未明确开源仓库与训练数据规模（arXiv 页面仅给出 PDF/HTML），下文涉及"训练集/代码可获取"处统一标注"原文未明确"。⚠️ 提示：本解读基于 arXiv v1 摘要 + 论文卡，PDF 全文未下载。 1. 真问题是什么？——法律 LLM 的奖励信号要么只看对错（丢失专业维度），要么整体性"打一个分"（不…
MotorMind：通用 VLM 套上"中层动作 + 异步监控"就能零样本操控机器人
原文未明确开源仓库（arXiv 页面仅给出 PDF/HTML，未挂 GitHub），下文涉及"代码/数据可获取"处统一标注"原文未明确"。⚠️ 提示：本解读基于 arXiv v1 摘要 + 论文卡，PDF 全文未下载，所有数字与措辞以原文 abstract 为准。 1. 它真解决的问题是什么？——VLA（visionl…
SimuVerity：当"能跑起来的 Simulink 模型"不等于"工程上合格"——一套 101 题六维分级评测
仓库与数据已公开： 提交注释显式给出）。⚠️ 提示：本解读基于 arXiv v1 摘要 + 论文卡 + 注释，PDF 全文未下载，所有具体数字以原文 abstract 为准。 1. 真问题是什么？——现有 Simulink 评测只看"能不能编译 / 能不能跑 / 像不像参考模型"，不验证模型是否满足工程规格，导致"看起…
Persona Dosing：分级特性控制的校准激活引导
PersonaDose 把"激活引导系数"升级为"行为量表"——通过特性描述 + 请求强度共同控制的 FLAS 控制器，再以实测特性表达回标流时间，让 LLM 按"几分人设"精确出活，而不是粗暴地"开/关"特性。 激活引导（activation steering）通常给一个乘性系数 α，模型就"多一点这个特性"。但产品…
Transformer 过早停止思考，一个微型 LoRA 即可修复
预训练 Transformer 用极少层数就能完成"在长上下文里精确指代/跟随"任务的事实，意味着只要在一个早期层插一个 rank8 LoRA，就能把 Qwen38B 的 24 行精确指代从 15.5% 抬到 99%，且主模型权重全程冻结。 LLM 在长上下文里做"按编号/按行指代"的链式推理时，表现远不如短上下文。直…
DyadMem：Agent 如何与用户协作的长期记忆基准
DyadMem 提出"用户条件关系型 Agent 记忆"（URAM）概念，把长期 Agent 记忆拆成"用户事实 + 关系专属记忆"两条线，并在 3,065 episodes / 50,961 sessions / 61,210 QA 上证明——只测 GoldMemory QA 会严重高估当前 LLM 的长期记忆能力，…
追踪状态足迹：让 Agent 真正"会事务处理"
把多 Agent 协作视作一个数据管理问题，提出"状态足迹"（state footprint）作为 Agent 的第一类公民元数据，主张下一代 Agent 编排器必须像数据库事务系统一样，为并行 Agent 提供类似 ACID 的执行保证，但又能用 LLM 的语义能力去做冲突解决而非粗暴 abort。 当 Agent …
Twitter 早期 ChatGPT 用户情感研究：10,732 条推文的混合方法分析
对 10,732 条 ChatGPT 早期采用者推文做"主题建模 + 质性情感分析"的混合方法研究，结论是早期采用者整体高度正面，集中于"软件开发被颠覆 / 娱乐与创造力激发"，而对教育领域的潜在滥用表达明显担忧。 2022 年 11 月 ChatGPT 上线后，公众认知与情绪在数日之内剧烈分化：媒体把它同时描述成"教…
Harness-of-Harness：让 LLM Coding Agent 持续多日自主开发软件
HarnessofHarness（HoH）是一种"在 Coding Agent Harness 之上再包一层 Harness"的元架构，它把单次任务执行拆成"规划—编码—测试"的迭代闭环，并强制小步可验证、修复与能力增长平衡、版本化项目历史等约束，使 LLM Coding Agent 能在 70+ 轮迭代的多日窗口内持…
协同进化 Harness 与模型：On-Policy 专家修正让弱模型追平模仿失效点
论文研究"Harness 进化 + 弱模型轻量微调"如何协同，发现先用弱模型进化 Harness，再用强专家在已进化 Harness 上跑全轨迹让弱模型模仿，会破坏 modelharness fit（性能在 7 个企业 Agent 任务上回归 430 分）；改用 onpolicy 专家修正流水线（只重写弱模型自身 ro…
Towards a Science of AI Agent Reliability：成功率之外，Agent 可靠性的四个维度与十二个指标
现有 Agent 评测只问"成功率"，却忽视了"一致性、鲁棒性、可预测性、安全性"这四个决定 Agent 能否真正部署的关键维度——Princeton 团队用 12 个指标对 15 个主流 Agent 模型实测发现：近两年能力大幅提升，可靠性仅小幅改善。 AI Agent 在标准评测基准上准确率越来越高，但一到真实部署…
Memory for Autonomous LLM Agents：把 Agent 记忆形式化为「写—管—读」循环的三维分类体系
记忆是 LLM Agent 从"有状态的文本生成器"进化为"真正自适应智能体"的核心能力——这篇综述将 Agent 记忆形式化为「写—管—读」循环，用三维分类体系（时间范围 × 表示基底 × 控制策略）系统梳理了 2022—2026 年该领域的机制、评测与开放问题。 单个 LLM context window 远不够用…
Vanilla LoRA May Suffice：调好学习率，9 种 LoRA 变体都在 1-2% 以内
PiSSA、DoRA、AdaLoRA 等 LoRA 变体相对于 Vanilla LoRA 的"惊人提升"（有的报告 +10% 到 +37%），很可能只是因为对比时用了固定或过窄的超参数范围——当学习率被认真调优后，所有 9 种 LoRA 方法的峰值性能差距仅剩 1~2%，Vanilla LoRA 完全有竞争力。 LoR…
GAGAR：面向代码 Agent 强化学习的分组智能评分与优势再分配
GAGAR 在代码 Agent RL 训练中引入一个 SFT 训练的「智能评分员」，对通过测试的轨迹按实现质量重排序后做优势再分配，让 GRPO 不再把所有"过了测试"的轨迹一视同仁。 当前代码 Agent 的强化学习几乎都遵循一个套路：用可执行测试当奖励源（binary reward），再用 GRPO 做组内相对策略…
Omni-Decision：把对话历史换成"证据台账"的全模态规划框架
OmniDecision 用"证据台账（evidence ledger）"取代不断膨胀的对话历史，让全模态智能体在多步任务中只读取结构化的证据状态，从而在 OmniGAIA 上以约 43% 的 Gemini3.1Pro 单题成本达到 81.4% 的 SOTA 准确率，并在 WorldSense 长视频理解上追平最强端到…
生成矩匹配网络（GMMN）：用 MMD 取代对抗训练的早期尝试
GMMN 用 Maximum Mean Discrepancy（MMD） 这一核统计量直接作为训练损失，把"生成器单次前向采样"的 GAN 范式搬到了一个凸的、单目标的优化框架里，并在 MNIST 与 Toronto Face 上得到超过同期 GAN baseline 的样本质量。 2014 年底 GAN（Goodfe…
多元独立多项式的下界与 Gemini Deep Think 数学研究 Agent 实战
一句话结论：把经典"Sah–Sawhney–Stoner–Zhao 独立集下界"从单变量 λ 推广到每个顶点独立逸度 λᵢ 的多元情形；并且把两色半proper着色配分函数的下界也一并钉死，最关键的工程贡献是：所有关键不等式的证明步骤，是由一个自建于 Gemini Deep Think 之上的"数学研究 Agent"生…
OpenComputer：面向 Computer-Use Agents 的可验证软件世界
OpenComputer 提出以验证器（verifier）为组织原则，从零自动合成可验证的真实桌面软件世界，配套任务生成与评估框架，在 33 个桌面应用、1000 个任务上证明：当前前沿 Agent 仍难以可靠完成端到端桌面操作，且硬编码验证器比 LLMasjudge 更贴近人类裁定。 Computeruse agen…
无尽之试：迈向超智能的数学构造基准
一句话结论：把数学「构造题」做成可自动校验、可参数化扩展、可对比已发表前沿的连续得分基准，让模型在被超越之前先被精确测量。 现有数学 benchmark 普遍只能给二元对错（做对/做错），在两类场景失效： 1. 前沿饱和陷阱：当一道题被最强模型刷到 100%，benchmark 失去区分度，再进步也看不到。 2. 构造…
Architect-Ant：可编辑的建筑平面图自动家具布置
一句话结论：ArchitectAnt 用一个可编辑的坐标系 DSL 表示家具布局，先在 AntPlan 数据集（92 类物体 / 10 类住宅房间 / 505 张真实平面图） 上做监督微学习专业布置模式，再用 GRPO + Layout Rule Score (LRS) 做结果级强化优化，在不依赖高成本迭代式 Agen…
Relic：从多 Agent 协作到持久化的组织能力
Relic 把多 Agent 团队中反复出现的协作失败转化为「组织拥有、可执行、可修订」的协议，让教训不再随成员离开而失效。 多 Agent 系统（尤其是编码 Agent 团队）长期被一个现象折磨：人换了，规范没了。论文给出的典型场景是：一个编码 Agent 修改了仓库里的接口，另一个 Agent 没看到，仍在旧版本上…
改进的分布式扩散模型（Improved Distributional Diffusion Models, iDDM）
iDDM 用延迟粒子扩展（deferring particle expansion to late transformer layers）+ 时变 scoring rule schedule两招，让分布式扩散模型（DDM）首次在 DiTXL/2 上以单阶段、无教师、无自蒸馏、无 JVPs 的方式完成 ImageNet2…
ATLAS：把"潜在结构对齐"显式搬到世界模型规划 latent 上
ATLAS（Aligned Transport of Latent Structure）通过同时约束"关系几何（成对结构）保持"与"全局 marginal 标定"，让世界模型（World Model）在 latent 空间中真正保留与动作选择相关的"novelty 结构"，在 PushT、TwoRoom、OGBench…
HIDE & SEEK：部分可观测机器人操作中的"技能级记忆"基准与框架
HIDE 提出一个用于评估"部分可观测机器人操作"中记忆能力的 15 任务基准，并发现现有策略在该基准上存在显著不足；配套的 SEEK 框架通过三种互补的记忆机制组合，在仿真与真实实验中均提升了任务成功率，验证了"内部表征隐藏任务状态、按任务信息需求匹配信源"对操作策略的必要性。 机器人操作策略在演示中常常看起来"很溜…
PhysVista：通过感知-推理-评估闭环评测 VLM 的物理智能
PhysVista 是一个评测 VLM 物理智能的闭环基准——同时考察物理状态感知 / 物理动力学推理 / 物理可信度评估三阶段，并区分事件级 vs 尺度级两类推理粒度，使用真实视频 + AI 生成视频两个域——发现主流 VLM 在物理推理与可信度评估上仍存在显著短板，视觉识别 ≠ 真实物理理解（⚠️ 原文未明确具体模…
JevSpawn：通过组合动作空间实现自适应 Agent 推理
JevSpawn 提出一种组合策略，把自然语言任务规范动态映射到有限动作域上的概率分布，使 Jevstyle 有限域推理摆脱"必须预先枚举动作集合"的束缚，在 8 个基准任务上较 7 个 Agent baseline 取得更好的任务性能与导航速度（⚠️ 原文未明确具体百分比数字）。 LLM Agent 的一个核心成本结…