解读
1087 篇 · 选题榜 / 深度解读 / 科普 / 综述 / 视频脚本（学术推广产出）
AgentCompass：把 Agent 评测拆成 Benchmark / Harness / Environment 三层的统一基础设施
本文提出 AgentCompass——一个开源、轻量、可扩展的 LLMAgent 评测基础设施。它把整个评估流程拆成 Benchmark / Harness / Environment 三个独立组件，配上容错异步 runtime 与轨迹分析工具，原生支持 20+ 个 benchmark、五大能力维度，让团队不必再为"换…
RxBrain：具备语言-视觉联合推理与想象的具身认知基础模型
提出 HyEmbodiedRxBrain，用一套多模态 MixtureofTransformers 架构把"语言视觉联合推理与想象"塞进同一段规划序列，并以视频自动化流水线构造"文本规划+视觉状态对齐"的训练监督，使模型在无需大规模动作数据预训练的前提下具备真机操作能力。 具身智能长期存在两种割裂的范式： 1. VLM…
把秘密写在上下文里，模型替你悄悄泄露——Inadvertent Context Leakage
论文揭示了一种系统性的"非对抗性"上下文泄露：把 2 位/4 位秘密（密码片段、SSN 段、卡号段等）放进模型上下文，模型即便在直接询问时拒绝输出，也会把秘密信息以"统计相关性"的形式泄露到日常无害输出里；8 个商用模型在受控实验中，2 位秘密几乎可被完美重建，4 位秘密 82% 精确匹配，且更强的指令遵循能力反而放大…
Repo0：从自然语言一路生成整库的"设计驱动"代码 Agent
Repo0 把"从需求建一个完整软件仓库"这件事从单轮 LLM 直生成，升级为先维护一张显式架构状态（DualDAG），再用模块化指标驱动的结构演化收敛到一个稳定架构，最后才进入 TDD 代码生成；在 RepoCraft 6 个真实仓库上比最强基线 RPG 的 Functionality Coverage 提升最多 2…
FlashPrefill V2：把 block-sparse 预填充推到生产的注意力后端
FlashPrefill V2 用"均值修正 + PackGQA/warp specialization/pingpong 流水线 + paged KV/continuous batching"三件套，把 blocksparse 预填充从算法原型推到生产可用的 attention 后端，在 H20 GPU、128K 上…
让 LLM 用低资源语言思考：SFT 搭骨架、RL 修缺陷、准确率却看不到的变化
把三个前沿 MoE 模型（Alibaba / OpenAI / NVIDIA 各家，激活参数 3.64.0B）微调到用希腊语这种低资源语言推理，准确率 benchmark 几乎不动——因为 benchmark 本身在该尺度上噪声太大（仅换随机种子就能移动 7.7 分，比所有数据/配方效应都大）；真正的变化藏在"准确率看…
4DAnyone：单目视频生成"可重建级"多视角，再提升到 4DGS
4DAnyone 把"单目视频 → 4D 人体重建"拆成两步——先用相机可控视频扩散模型生成"可重建级"的多视角一致视频，再把这些视频提升到 4D Gaussian Splatting（4DGS）；针对 DiT 单次前向注意力容量有限导致的"分组建模"瓶颈，分别用 Reference Context Packing（把…
NARU:面向日语超长视频的叙事演进与文化微妙理解基准
NARU 是一个针对日语长视频的「叙事演进 + 文化微妙」双轨评测基准:1481 道题、155 段视频、共 146.8 小时,横跨 4 个叙事维度与 5 个文化维度,揭示现有 MLLM 在长程叙事整合与文化语境推理上同时存在显著短板。 长视频理解评测长期被两类任务统治:孤立事件检索(谁在第几分钟推开门)和显式动作问答。…
NAPE:用「下一段嵌入预测」做极简自监督音频学习
NAPE(NextAudioPatchEmbedding prediction)把 LLM 时代「下一 token / 下一 embedding 预测」的因果范式搬到 logmel 频谱上:只用一个因果 Transformer + causal mask + stopgradient,无重建解码器、无声学 tokeni…
超越记忆：面向长寿 AI Agent 的事务性连续性内核
Continuity Kernel（CK）将 AI Agent 的长期状态管理从"存储保留"升级为"带权限验证的正式激活协议"，以分支头谱系代替版本号、以原子事务代替直接覆写，为跨越多年运行的 Agent 提供 Persistent Cognitive Identity（PCI）基础设施。 当一个 AI Agent 持…
基于 Skill-Harness 演化的自演化具身智能体
SHAPER 提出免训练（trainfree）的具身智能体自适应框架：冻结 VLA 模型的权重参数，通过目标环境 rollouts 演化可复用的文本 skill 与 contextcode harness，让同一个冻结模型既能做规划器（planner）又能做优化器（optimizer）。 将基础模型部署到具身智能体时，…
利用检索增强 LLM 构建用于复杂系统诊断的动态主逻辑知识图谱
KGDML 框架将 RAG 与 LLM 结合，实现从技术文档自动构建动态主逻辑（Dynamic Master Logic）知识图谱，使 LLM 能对核电站级复杂系统进行可追溯的诊断推理——包括故障传播方向推断、安全性评估和依赖追溯。 Complex engineered systems（核电站、飞机引擎、工业控制系统）…
量化 ASR 模型对公开基准的"过拟合"：从行为探针到因果干预
自检：机制 1 段 + 工程 2 段（行为探针 + 因果干预）+ ⚠️ 数字核验 3 处 + 反方 1 段 + 跨主线合流节点 1（v33 评测治理）。 公开 ASR（Automatic Speech Recognition，自动语音识别）基准（LibriSpeech / CommonVoice / GigaSpeec…
Chain-of-Experience:让 LLM 在推理时持续从经验中改进
ChainofExperience（CoE）把"LLM 在测试时通过多轮交互累积经验、形成超越 zeroshot 的持续改进回路"作为一类正式问题建模，并用 8 个主流 LLM（含 GPT5 / Gemini2.5 Pro / Claude4.5 Sonnet）在数学、编程、知识三类任务上验证：仅靠自反馈就能稳定超越无…
SWE-bench Science:科学软件工程是否仍是 Coding Agents 的硬骨头
SWEbench Science 用 119 个真实科学软件工程任务（来自 98 个 GitHub 仓库、跨 20 个科学领域）建立仓库级评测基准，结果显示最强编码 Agent（Claude Code + Opus5 max）pass@1 也低于 50%；同时通过配对消融证明：科学知识并不总是正面增益——对齐良好的领域…
Self-Improvements in Modern Agentic Systems: A Survey
这篇 97 页综述将现代具备自我改进能力的 Agent 建模为"基础模型 + 运行支撑层"（prompt / memory / tools / 控制逻辑）的耦合配置，把 selfimprovement 形式化为一个自我驱动的更新算子，可作用于模型权重或 scaffold 组件，为理解、设计和评测 Agent 自我改进系…
KeyFrame-Compass：迈向关键帧条件视频生成的综合评估
KeyFrameCompass 是首个面向"关键帧条件视频生成（keyframeconditioned video generation）"的综合评测基准与自动化打分框架，将关键帧执行拆成 6 个互补指标，并用证据驱动的 MLLM 判定整体视频质量，揭示了当前 9 个主流系统在"忠实执行关键帧"与"自然视频合成"之间存…
DeepLoop：循环 Transformer 的深度扩展
DeepLoop 给"循环 Transformer（Looped Transformer）"提供了一套与参数访问次数对齐的残差缩放规则（residual scaling rule），通过一个一阶扰动上界与"访问对齐系数 κ_R"推导得到：当循环次数 N 增加时，PostLN DeepNorm 的指数必须从 1/4 上升…
Function-Aware Fill-in-the-Middle：面向 Coding Agent 基础模型的中期训练
本文提出 FunctionAware FillintheMiddle（FIM） 作为 Coding Agent 基础模型的中期训练（midtraining） 自监督目标：通过程序依赖图分析与"复杂度可推断性"双重标准筛选可遮蔽函数，让 Qwen2.5CoderInstruct（7B/14B）与 Qwen38B 在 SW…
SCAR：面向高效上下文扩展的语义连续性感知检索
SCAR（Semantic ContinuityAware Retrieval）是一种自适应相邻分块扩展策略：它把"是否把邻居分块并入上下文"这一问题，转化为一个相对查询相关性的决策——只有当邻居与查询的相关性接近当前最相关分块时才扩展，从而在边界碎片化场景下用更少的分块恢复更高的召回率，并且同一条规则无需重训就能在不…
Islamic LLMs：从知识获取到可信、抗幻觉 AI
这是一篇针对 Islamic LLM 与可信 Islamic AI 的综述论文，核心论点是：阿拉伯语流利度 ≠ Islamic AI 能力——构建可靠的伊斯兰领域 LLM 需要权威语料、检索与验证模块、引用感知生成、madhhabaware 推理、专家评估和面向忠实度/源有效性的基准，并据此提出抗幻觉 Islamic …
SwiftCache：面向多轮对话的高效 LLM Serving（异构 KV Cache 共享）
SwiftCache 是一个协同推理系统：在同一台服务器内，让 KV cache 需求不同的异构 LLM 通过 NVLink 共享彼此闲置的 GPU 显存与带宽，高需求模型把前缀 KV cache 卸载到低需求模型"捐赠"的显存中，避免慢速 PCIe 传输；同时只把"当前活跃层"的 KV cache 留在本地显存，进一…
MuseCPEval：音乐编辑系统的"上下文保留"多面评估框架
首次系统提出"音乐上下文保留（MuseCP）"概念与 MuseCPEval 评估框架，把"编辑过程中哪些音乐面应保持不变"拆为四大类并配以细粒度指标，再通过客观验证 + 人为研究 + 案例研究三路证明其有效性，从而把音乐编辑系统的评估从"改得好不好"推进到"该留的有没有留住"。 音乐编辑系统近年能力飙升：音色迁移、乐器…
MissDiag：KGQA 与 KG-RAG 中不完整知识鲁棒性的诊断式评估
MissDiag 是一个面向 KGQA / KGRAG 的"诊断式"鲁棒性评估框架：它把"删证据后系统表现下降多少"这一聚合指标拆解为"缺失证据的类型 × 被评估系统的响应 × 答案匹配协议的敏感度"三个轴上的归因分析，用结构化缺损算子（typed missingness interventions）对同一 bench…
VA-Judger：从人类偏好反馈学习联合音视频生成的奖励模型
VAJudger 是首个面向联合音视频生成（Joint VideoAudio Generation）的"思维链 + 维度分解"奖励模型：通过 VAPref10K（9K 提示 / 10.3K 细粒度对比）和 VAJudgerBench 两套数据，配合三阶段训练（清晰偏好对 → 近质量对的拒采解释蒸馏 → 维度分解 RL）…
Bounded Agents：多 Agent 系统的委派安全架构
把 Agent 的每一次工具调用放进一条"代理主链（Agentic Principal Chain, APC）"中做六项授权检查，并用组合闭包阻止跨调用的危险组合，让提示注入风险从"模型问题"被重写为"授权架构问题"。 LLM Agent 在一次会话中通常被授予一组静态权限，每个请求被独立放行。然而真实攻击并非单次请求…
When More Cores Hurts: HPC环境中向量数据库扩展悖论
在 HPC 超算集群上对 Qdrant、Milvus、Weaviate 三种 SOTA 向量数据库的规模化评估揭示了一个反直觉的"扩展悖论"：增加核心反而可能降低查询吞吐，从 16 worker 扩展到 256 worker 仅获得 5.46 倍的性能提升，远低于理想的 16 倍线性扩展。 向量数据库（Vector D…
Stratum: Agent 生成流水线的 Rust 高性能运行时
Stratum 是一个统一系统基础设施，将 Agent 生成流水线的执行与规划和推理解耦，通过编译批量流水线为优化执行图并由新型 Rustbased runtime 高效执行，在大规模 MLE Agent 场景下实现最高 16.6 倍加速。 LLM 驱动的机器学习工程（MLE）Agent 已经能够自动生成、验证和优化完…
FROAV: RAG 观察与 Agent 验证的统一框架
FROAV（Framework for RAG Observation and Agent Verification）是一个开源研究平台，通过将可视化工作流编排、多阶段 RAG 流水线、"LLMasaJudge"评估体系与可扩展 Python 集成结合，降低 LLM Agent 研究的门槛——让研究者专注于假设验证和算…
Tangram：为多轮 LLM Serving 解锁非均匀 KV Cache 压缩
Tangram 是一套面向多轮对话场景的 LLM serving 框架，将原本在运行时动态处理的「非均匀 KV Cache 预算」全部提前到调度期静态解析，在不损失精度的前提下端到端吞吐量较全 KV 基线最高提升 2.6×，首次让非均匀 KV Cache 压缩在生产 vLLM 栈中真正可用。 多轮 LLM servin…