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）
360CityArena：在 360° 重建的秋叶原街区上考 LMM 具身导航
ECCV 2026 投稿 360CityArena 把"具身智能体在真实城市街区中的导航与推理"做成了一个以 360° 视频重建的高真实感基准：秋叶原 85 条街、602 段全景视频、175 道人工任务，覆盖环境理解 / 路径推理 / 空间推理三类；结果给整个 LMMagent 圈泼了一盆冷水——最强 Gemini 2…
Decision Transformer：通过序列建模做强化学习
自检：机制 3 段 + 工程 2 段 + ⚠️ 数字核验 1 处（"matches or exceeds SOTA" 的具体分数未在 abstract 中给出）。 Decision Transformer 把离线强化学习（offline RL）改写成一个条件序列建模问题：用 GPT 风格的 causal Transfo…
Minerva：用语言模型解决定量推理问题
自检：机制 3 段 + 工程 2 段 + ⚠️ 数字核验 1 处（论文未给具体百分比 / 题量 / 推理时延，abstract 只说"nearly a third"）。 Minerva 是 Google 用 8B / 62B / 540B 参数规模的 PaLM 变体，在自然语言 + arXiv 风格的「技术语料」上继续…
系统化报告机器学习能耗与碳足迹
自检：机制 3 段 + 工程 2 段 + ⚠️ 数字核验 1 处（论文 abstract 未给能耗 / 碳排放的具体数字指标）。 Henderson 等（Stanford / MILA 等）提出了一个 ML 碳排放与能耗记账框架，配套一个实时追踪库（后来成为 codecarbon）和标准化在线附录格式，并以「强化学习」…
PEGASUS: Pre-training with Extracted Gap-sentences for Abstractive Summarization
自检：机制 3 段 + 工程 2 段 + ⚠️ 数字核验 2 处（被引数 / 12 数据集 SOTA 边界）。 PEGASUS 提出"GapSentence Generation（GSG）"自监督预训练目标——把文档里"最重要"的句子整体 mask 掉，让 Transformer 编码器解码器从剩余句子中把它们生成出来…
A Survey on Multi-Task Learning
自检：机制 3 段 + 工程 2 段 + ⚠️ 数字核验 2 处（被引数 / 期刊状态）。 这篇 IEEE TKDE 综述按"算法建模 + 应用 + 理论"三轴对 MultiTask Learning（MTL）做了系统分类，把 MTL 算法归入五大族（feature learning / lowrank / task …
Towards A Rigorous Science of Interpretable Machine Learning
自检：机制 3 段 + 工程 2 段 + ⚠️ 数字核验 2 处（被引数 / 历史版本）。 这是一篇给「可解释机器学习」立学科规范的位置论文（position paper）：先定义 interpretability、再回答"何时需要 / 何时不需要"，最后给出可复现的评估 taxonomy，是 2017 年之后几乎所有…
基于半自动化内容可信度检测的帕累托最优重排序
本文把"信息流可信度"建模成对原排序的双目标优化：用 Spearman's footrule distance 保住原排序形态，再叠加一条"期望可信度"的线性目标，从而在 Pareto 前沿上找到改动最小、却能显著提升内容可信度的重排序方案；并配套一条"检索增强打分 + 人工事实核查"的半自动化可信度标注流水线，让该方…
Scaling Instruction-Finetuned Language Models
FlanPaLM 通过在大规模任务集上做 Instruction Finetuning，将 LLM 的零样本/少样本泛化能力推至 SOTA 水平，540B 模型在 MMLU 上达到 75.2%（5shot），并开源了 FlanT5 全系列（80M~11B）供社区使用。 GPT3 以来，LLM 已经展现出强大的 InCo…
Momentum Contrast for Unsupervised Visual Representation Learning
MoCo 将无监督视觉表征学习建模为「动态字典查询」，通过动量更新的查询编码器和队列机制，在不需要任何人工标签的情况下学习到可迁移到下游检测/分割任务的强大视觉特征，在 7 项任务上超越了同期 ImageNet 有监督预训练的表现。 在 NLP 领域，无监督预训练（GPT、BERT）已经取得了巨大成功，但 Comput…
EvolvingWorld:让角色与世界共同演化的开放式文学世界框架
EvolvingWorld 把"交互式文学世界模拟"重新定义为长视野的角色世界共同演化过程:不再做静态人格扮演,也不再做孤立的场景生成。它用一个 openschema 框架 容纳任意世界观,内部由「Character Agent(多角色扮演 + 人设持续演化)」与「LLM 驱动的 World Model(全局/地点/实…
TimeLens2: Generalist Video Temporal Grounding with Multimodal LLMs
TimeLens2 通过将时序证据建模为区间集合（interval set）并用 temporal Wasserstein 奖励提供密集反馈，让一个多模态 LLM 在任意长度、领域、查询形式和视角的视频中精准定位多段支持性证据片段，在多项基准上超越参数量高达 397B 的开源模型。 Video MLLM 已经能描述视频…
Token-Level Off-Policy Learning for Faithful Generation Under Distribution Shift
TOPL（TokenLevel OffPolicy Labeling）将 posttraining 重构为逐 token 正确性预测任务，通过训练模型区分"好 token"和"坏 token"来引导模型生成优质回答，在 11 个 summarization 数据集上实现强跨分布泛化，并证明 token 级学习信号是成功…
PixelEyes：解耦感知与推理以实现精准视觉证据定位
PixelEyes 针对多轮视觉推理中 MLLM 反复定位失败、推理轨迹冗长的问题，首次提出将 reasoner（推理器） 与 perception tool（感知工具） 显式解耦：reasoner 决定"要找什么"，specialized perception tool 回答"在哪里"，通过 maskguided v…
基于非对称互变分学习的多模态连续推理
AMVL 提出 Asymmetric Mutual Variational Learning，通过双向 KL 散度校准目标——前向 KL 让 prior 去匹配 posterior（获得推理方向），反向 KL 约束 posterior 不 collapse（防止答案泄漏），在 BLINK 复杂推理基准上平均得分提升 +…
高维场景下基于网格的近似最近邻搜索的标度律
对 multiprobe grid（基于网格的 ANN）算法在数据集规模 $N$ 与维度 $d$ 上做了系统性标度分析，发现了一个以前未被报告的 $d$scaling 交叉点：在 GloVe 词嵌入族上，网格方法在维度上保持近似常数标度，而图、树、划分等主流 ANN 方法的吞吐量都随维度退化——这意味着网格方法在重建频…
DistilVDR：基于双学生蒸馏的紧凑端到端视觉文档检索器
视觉文档检索（VDR）一直被 multibillion 参数模型主导，索引百万级语料既慢又贵——本文用单一 8B 视觉语言教师 + 双侧蒸馏，炼出一个 524M 的端到端单向量检索器，无需相关性标签、无需负采样、无需对比损失，在 ViDoRe v1+v2+v3 上拿到 61.74 平均 NDCG@5（达到 8B 教师 …
iFAN：让普通 Mask Transformer 学会"推理感知"的训练框架
Mask Transformer（如 Mask2Former、MaskFormer 类）在推理时靠最后一层 query 之间的像素级"竞争"生成 segmentation，但训练时完全没把这一推理过程纳入优化目标——iFAN 通过 Adjusted ProbabilityMask Ranking (APMR) + Cr…
ComBodied Agents:把"人的状态与能动性"立为 Agentic AI 的一等建模对象
提出 ComBodied Agents(人本具身智能体) 这一新范式,把 Agentic AI 的建模、干预与评估对象从"软件/物理状态变换"转向"个体人类状态轨迹",以"个人世界模型(Personal World Models)+ 可执行干预策略 + 闭环反馈"作为统一闭环骨架,并主张以 agencypreserva…
AdvFD:用对抗学习特征空间,跳出视觉生成的 Fréchet Hacking
提出 Adversarial Fréchet Distance(AdvFD)——在 Fréchet distance(FD) 类训练目标之外,额外引入一个对抗式可学习表征,使其在真实/生成分布差异最大化的方向上动态调整特征空间;同时用 realfeature whitening 抑制对抗表征的尺度/协方差放大,稳定 m…
MiLMMT-46-v1.0:在 46 语言上用 GRPO + 参考无关奖励做开放式 LLM 多语翻译后训练
针对开放 LLM 的多语翻译,提出 "参考无关参考无关奖励 + 语言识别门控 + SFT/RL 权重线性插值" 的三段式后训练配方:在 SFT 模型 MiLMMT46v0.1 上用 GRPO 训练,以两个 quality estimation(QE)模型的均值作为奖励,以语言识别(LID)置信度做门控,再用 SFT/R…
静止状态下的关节物体三维重建：从单帧闭态恢复几何、运动学与运动先验
针对"无法采集多状态运动视频"的静止闭态场景，本文提出把"显式 mesh"作为跨模型验证与融合的中间表示，并用 video diffusion model 合成关节运动假设、再用几何一致性做验证，把"几何 + 语义 + 运动先验"三轨补偿的欠定问题做到与"已观测运动"基线方法相当的部件分解与物理合理铰接重建精度。 数字…
TSDS-Toolbox：时序数据集相似度的统一基准框架
本文给出 TimeSeries Dataset Similarity Toolbox (TSDSToolbox)——一个把"时序数据集相似度"方法在数据集级（datasetlevel）与序列级（serieslevel）做统一复现的框架，重点解决三件事：可复现比较、可插拔扩展（自定义数据集 / 相似度方法 / 下游任务）…
MMOOC：多模态大模型的上下文外评估基准
一个真正可靠的 MLLM 必须同时具备两件事：对真正越界（OOC、主体级偏移）的问题拒绝回答，与对偏移但在上下文内（Shifted IC、非主体级偏移）的问题正常回答。现有基准几乎只测前者，MMOOC 是第一个把这两个能力放进同一张评分表的综合基准（41K 题量、八类偏移、六类视觉场景）。 多模态大模型（MLLMs）在…
Omega-S：把"灾难性遗忘"压成一个 3 行正则项
OmegaS 是一个只用当前权重矩阵就能算出来的"功能韧性"正则项，3 行代码塞进训练循环里，单步成本 +4% 以下；在 Llama38B + LoRA 上把"代码→散文"微调后的 HumanEval 保留率从 62.9% 拉到 84.1%，并在 10 个种子上稳定赢过权重衰减和 EWC。 大模型微调的最大副作用从来不…
多不值一个 Token：面向高效 Deep Research Agent 的边际价值估计
Deep research agent 的 token 预算浪费，主因不是检索器弱、不是 prompt 差，而是上下文管理缺少阶段感知的边际价值估计——本文是首篇系统比较 preretrieval / postretrieval / presynthesis 三个阶段剪枝策略的工作，关键发现是剪枝效果更取决于"在哪里剪…
KGCaRe：用 LLM 自动构建知识图谱 + 上下文检索的可解释复杂条件问答
KGCaRe 是一个面向复杂条件问答（complex conditional QA）的混合方法，把神经检索（向量 RAG）和符号推理（在 LLM 自动构建的知识图谱上做迭代图遍历）结合起来，并用"路径形式的三元组 + 检索段落"作为可解释证据，让 LLM 不仅给出答案，还能给出推理路径。 "复杂条件问答"指需要多步条件…
WeClawArena：人本 Agent 网络中跨用户 Agent 协作与安全的可审计沙箱与基准
WeClawArena 是首个面向"人本 Agent 网络（humancentered agent network）"的可审计沙箱与基准——每位用户的 AI Agent 既是个人助理也是协作节点；它用 124 个基础任务 × 5 个变体（1 个良性 + 4 个攻击向量）= 620 个场景变体，对跨用户协作中的隐私泄漏、…
视觉-语言接地作为双向概念对应
把视觉语言 grounding 从"已知短语→找图像区域"的单向定位，重新形式化为图像文本对上的双向概念对应：在不知道哪段文本有视觉指代的前提下，同时预测 text mask、image mask 与对应存在分，从而把 phrase grounding / referring expression / openvoca…
Ego-OSCAR：自我中心开源立体捕获系统
顶部自检：机制 3 段 + 工程 3 段 + ⚠️ 数字核验 3 处；弧线 = 开源硬件 + 大规模众包数据 + 完整软件栈；关键词：egocentric、stereoinertial、open hardware、BOM < $200。 EgoOSCAR 是一个开源硬件 + 低成本头戴式立体惯性采集系统，BOM 单价 …