解读
1755 篇 · 选题榜 / 深度解读 / 科普 / 综述 / 视频脚本（学术推广产出）
WideSWE：跨仓库协调改动才是 Coding Agent 真正的硬骨头
本文（ZJUACESISE，cs.SE）提出 WideSWE——第一个针对"跨仓库协调改动"的 coding agent 评测基准：从 103 个软件生态里挖出 120 个真实跨仓库任务（60 bug fixes + 60 features），七种 agent 配置下全任务成功率仅 10.83%~42.50%，最强组合…
当模型内部能"动手脚"时：Representation Engineering 在 LLM 安全里到底有多大用
本文（cs.AI / cs.CL / cs.LG）用 matchapair 评测 把行为对齐（DPO）和表征引导（representation steering）放在同一设置下做安全性、控制力、可部署性的对照，结论是清晰的分工：DPO 在大多数情况下仍是控制侧的"主力"，但表征引导在低数据场景有竞争力；监控侧，专用文本…
LightMIS：无逐级解码器的超轻量医学图像分割
LightMIS 砍掉了传统 UNet 风格的"逐级解码器"，用 ScaleAligned Projection + Adaptive Fusion Cascade 把五级编码器特征"对齐→一次聚合→渐进融合"，在全量版本上以 0.131 M 参数 / 0.575 GFLOPs 跑出 86.71% Dice / 78.…
SAGE：通过拓扑引导缓解长程推理偏置
SAGE 把长程推理的脆弱性归因于"探索偏置 + 累积偏置"两类结构性问题，用符号闭包分析（SCA）作理论镜头，提出代数稀疏化 + 双曲结构引导的组合方案，在 12 个基准、7 个模型族上稳定超过基线，在开放任务 Andrews–Curtis 上最多取得 8 倍提升。 ⚠️ 存疑标注：abstract TLDR 未明确…
Intent2Tc：用语言模型把意图翻译成 Linux tc 配置
Intent2Tc 是一个闭环、LLM 驱动的框架，把 RFC 9315 风格的业务级 QoS 意图先拆成声明式子意图，再编译为经过验证的可执行 Linux tc 配置；在 100 条 intenttotc 翻译对上，Claude Sonnet4.6 拿到 0.98 语义相似度、1.0 语义单元覆盖、0.045 归一化…
通过连续深度批处理实现循环语言模型的深度自适应推理
⚠️ 本文仅基于 arxiv 公开 abstract + v2 提交历史（20260925）撰写；未读取 PDF 全文，方法细节中的若干术语定义、调度伪代码与具体基准数字以原文中明确表述为准，未明确处会逐条标注「原文未明确」。 1. 这是谁的事：Anthropicstyle 推理基础设施团队 + HuggingFace…
D-JEPA：决策对齐的潜在世界模型
DJEPA 在 JEPA 类潜在世界模型之上，引入一个「有界、置换等变」的算子，让潜在空间的距离直接反映「哪个候选动作能真正执行成功」，而不是仅仅反映「哪个未来看起来更接近目标」，从而把预测几何与决策几何对齐。 JEPA（Joint Embedding Predictive Architecture）一系的潜在世界模型…
解耦量化（Disaggregated Quantization）：为 LLM Prefill 与 Decode 分别量身定制
Disaggregated Quantization（DQ）抛弃「一个模型一份量化方案」的旧范式，为 Prefill（提示处理）和 Decode（生成）两阶段分别选用最合适的算术精度、权重与存储布局，让两者各取所长，在 Qwen3 与 Gemma3 上同时拿到精度与时延收益。 LLM 推理可清晰拆成 Prefill 与…
TimeEvo：失败驱动的时序 Agent 自演化框架
TimeEvo 把「时序 Agent 应该装哪些工具」从「人工事前配置」改成「按题运行时动态合成」，通过失败聚类 → 能力缺口诊断 → 证据级工具合成 → 配对准入闸门四步循环，让 Agent 从空工具库起步就能在 10 个时序 QA 任务、3 个基座模型上稳定涨点。 时序分析 Agent 的传统做法是「领域专家提前准…
利用预训练扩散模型与多模态条件增强摄影测量数字表面模型
⚠️ 本文仅基于 arxiv 公开 abstract + Remote Sensing 18(19), 3303 (2026) 期刊版元数据 + v1 提交历史（20260925）撰写；未读取 PDF 全文，方法细节、训练曲线、消融实验的具体数字以原文中明确表述为准，未明确处逐条标注「原文未明确」。注意本文已发表在 R…
ARGUS：气候政策因果评估中识别假设的循证审计
Q1 这篇论文最想回答的真问题是什么？ 双重差分（DID）研究被广泛用于评估气候政策，但 DID 结论的可靠性取决于一组识别假设（平行趋势、无预期效应、组成稳定等），这些假设的「证据是否充分」能否被结构化、可复现地审出来？ Q2 与同方向已有工作相比，差异化贡献在哪？ 已有 LLMforscience 工作多集中在自动…
MOPD-Router：重新思考多教师在策略蒸馏中的教师路由
Q1 这篇论文最想回答的真问题是什么？ 多教师在策略蒸馏（MOPD）现有的「prompt 级别硬路由到领域匹配的教师」既依赖领域标签、又浪费其他教师的互补信号，能不能在 token 级别上无标签地路由到最合适的教师？ Q2 与同方向已有工作相比，差异化贡献在哪？ 已有 MOPD（如 MixtureofExperts 蒸…
IndicBankBench：面向印度零售银行的语言模型助手安全性与可靠性评测
Q1 这篇论文最想回答的真问题是什么？ 只看 LLM 银行助手「最终一句话回答」是否足够评判其可用性 —— 当助手必须在多轮工具调用中取数，写值、执行动作时，「最终答得对」与「全程可靠」之间存在多大鸿沟。 Q2 与同方向已有工作相比，差异化贡献在哪？ 已有的金融/Agent 评测要么偏纯对话（如 FinanceBenc…
BoundInk：面向边界感知的在线手写生成
BoundInk 把字符间边界（intercharacter boundary）显式作为生成单元，与字形局部过渡和文本上下文联合建模，在三个基准上归一化 DTW 降低 17.6~47.8%、盲测人类评估中 78.0~82.6% 的有效维度判断里胜出，解决了在线手写生成长期"字形好看但连笔断裂、间距不一致、风格漂移"的问…
段落边界并非空白：压缩深度作为层级结构的特征
这篇 position/方法学论文用层级旋转位置编码（hRoPE） + tokendistance精确估计器做的因果干预实验证明：在所有测试语料上，跨段落注意力确实相对按 token 距离匹配的基线被"压缩"，但仅"压缩"不足以诊断真正的层级结构；真正可复现的层级结构签名是"压缩深度"——真实段落通道的压缩更深且随语料…
VLA-Precision：面向视觉-语言-动作模型高效真实世界在线强化学习的非对称协同自举
VLAPrecision 提出 非对称协同自举（Asymmetric CoBootstrapping, ACoB）算法 + ACoBStream 闭环架构，让大尺寸 VLA 模型在真实机器人上做在线 RL 后训练：吞吐与算力效率最高提升 10.9×，在 9 个高精度化学实验任务上平均成功率 98.3%，每个任务 45.…
AgentWorld：长视野多智能体 LLM 协作基准
AgentWorld（UPenn，被 COLM 2026 接收）提出了一个跨 50+ 交互回合、要求 3–20 个角色不对等智能体在 MMORPG 沙盒里通过自然语言协调的多智能体基准，并配套一个新颖的「因果协作有效性 CCE」指标，把"有没有协作"从笼统的成功率里拆了出来；最强模型也只能做到 52.0% 任务成功率，…
PISA：log-linear 复杂度的金字塔稀疏注意力
PISA（Pyramid TopK Selection Attention）提出一种先粗后细的 block 选择策略：把 keys 通过 pooling 压成 O(log N) 层金字塔，再在每层用 LogSumExp 评分把候选集逐步收窄，最终把 block sparse attention 的 selection …
PsPLUG：在风格指令与隐式个性化之间打一个轻量补丁
PsPLUG 提出"个性化崩塌 (personalization collapse)"这一失败模式，并用一段用户级残差补丁把"显式风格指令"与"隐式个性化"重新解耦，使推理时可以连续调节两者权重。 个性化 LLM 通常要在两条信号之间做折中： 隐式信号：用户历史对话里沉淀的偏好（用词、口头禅、结构、话题倾向）。 显式信…
CARD：聚类级 + 解码级偏好注入的两段式个性化
CARD 用"先按风格聚类训 groupLoRA，再用隐式偏好对比学用户向量，最后在解码时注入偏好向量与低秩 logit 修正"的三段式架构，把个性化做成可大规模部署的服务端能力。 个性化文本生成长期被一个张力卡住： 已有路径各有短板： 1. 用户级 LoRA：参数随用户数线性膨胀，冷启动差； 2. 检索式 promp…
FoMo：用扩散轨迹的"分叉时刻"当人眼感知的距离标尺
FoMo 把扩散模型从噪声到图像的反推轨迹上的"分叉时刻"作为参考型图像质量评估 (IQA) 的感知距离标签，从而在没有人类标注的情况下生成大量点对点距离数据，并在多个 IQA 基准上超过人类标注集训练出来的指标。 参考型图像质量评估 (Referencebased IQA) 衡量的是"两张图在人眼里感知差异多大"，是…
Jev in the Wild:一个快速决策模型如何在 7 天内长成生态
这是一份对 GitHub 上 2,170 个公开 Jev 项目(截至 20260922)的大规模数据驱动生态分析,量化了 Jev 作为"轻量决策组件"的真实用法:7 天内新增 1,865 个仓库 + 集成 305 个已有项目、斩获 43,750 stars,Attribute judgment(77%)、Scoring…
TrackEverything:把视频拍成一张去重的 3D 场景图
TrackEverything 是一个把视频表示成「持久 3D 场景轨迹」的稠密点跟踪器,首次做到在 40GB GPU 显存内跟踪 1000+ 帧视频中所有可见点,在短片上把开源全帧稠密 3D 跟踪器的 APD 指标拉高超过 20 个百分点,同时长序列上仍可与稀疏 SOTA 抗衡。 视频里的稠密点跟踪(dense po…
ZooWork-ShopRanker:把电商搜索 reranker 从"主题相关"调到"用户偏好"
这是一族面向电商搜索的开放 reranker(0.6B / 4B / 8B),通过"跨家族 LLM judge 当 preference oracle"生成 pair 数据 + 8B 蒸馏 4B / 0.6B,在新发布的 ShopRankBench(~10,000 私有偏好对)上显著击败最强开源 reranker ba…
用残差适配器学习多视觉域：参数高效的十任务共享表示
用一个共享骨干 + 每任务 <10% 的 adapter 残差分支，能在保持单任务精度的同时把 10 个视觉域塞进同一组权重，并提出 Visual Decathlon S 评分作为统一基准；这套思路是后续 LoRA/Adapter/PromptTuning 思路在视觉侧的先驱。 ImageNet 预训练 + 任务 fi…
AV-GRPO：用于联合音视频生成的模态锚定解耦扩散强化学习
1. 真正解决的问题：把 RL 后训练（posttraining）适配到联合音视频生成这条多模态共享 backbone 的任务时，传统 GRPO / DPO 路径会被「异构奖励 + 跨塔动力学差异 + 同步性难评估」三件事搅在一起，导致信用分配混乱、训练代价爆炸、评测不公平。 2. 用什么范式解：把「耦合的多模态偏好学…
Transformer 可同时容纳两个思考：LLM 中线性叠加的证据
数据范围：基于 arxiv abs 页 + paper_cards/1523260929845.md + lessons2026W38 flyP v2 模板。原文未给出具体数值处统一标注「原文未明确」。 1. 作者用一句话能向同实验室同事讲清这篇做了什么吗？ —— 把两段独立文本 token embedding 线性相…
SpecFirst：把行为规约获取作为基于 Agent 从零程序合成的一等阶段
数据范围：基于 arxiv abs 页 + paper_cards/670260727167.md + lessons2026W38 flyP v2 模板。原文未给出具体数字处统一标注「原文未明确」。⚠️ 卡片字段「被引=0 / S2=0 / OpenAlex=0」截至 20260826 OpenAlex 更新，与作者…
词性作为 SAE 潜空间中的涌现类别：可恢复但不原子的语言结构
1. 真问题是什么：Sparse Autoencoder（SAE）把语言模型激活拆成过完备稀疏潜变量之后，到底哪些维度上能看到「语言学结构」？一个朴素的猜想是每个 latent 直接对应一个语法原子（如「专有名词」「定冠词」），但这一猜想从未在受控条件下被证伪。 2. 作者用词性做什么受控用例：他们故意选 PoS（pa…
RGBD20K：面向 RGB-D 语义分割的大规模基准
1. 真正解决的问题：现有 RGBD 语义分割基准（NYUv2 40 类、SUN RGBD 37 类、ScanNet 等）存在两个长期痛点——类别覆盖窄与标注噪声大，模型在受限的 37~40 类上学到的能力很难迁移到室内真实场景。 2. 用什么范式解：发布一个大规模、高质量、细粒度的数据集 RGBD20K（160 类、…