新闻、仓库与研究，按时间排列。
Quant-Arena 是一个基于真实 A 股数据的端到端量化研究基准与公开排行榜。模型构建特征和股票打分代码，仅在 2022-2023 数据上获得反馈，并将策略冻结后在密封的 2024 年数据上评估，计分以实际超额收益为主，辅以信号质量与特征多样性，评估器还纳入交易约束、成本及基于模拟订单簿估算的市场冲击。在九个前沿模型中 GPT-6 Astra 得分最高，但没有模型在 2024 年跑赢等权市场；该基准开放任何模型或 agent 框架提交。
研究者提出动态智能体基准 Environment Duels，评估九个前沿 LLM 作为环境创建者与解题者的双重能力，发现解题与环境创作是两种不同的技能：最强解题者并非最强创作者，而较小的模型能写出最难的环境和最有用的提示词。在 Qwen3.8-27B 的强化学习研究中，模型在他人环境上的提示词提升能预测这些环境训练对 held-out 推理与智能体基准的改进。代码已开源。
PhysiCalWorld 提出一种上下文提示的物理校准方法，将测试场景中的探索性交互片段编码为紧凑的物理描述符 token，使动作条件世界模型校准到实例特定的动力学，无需微调或解析物理建模。该方法仅用潜在预测损失端到端训练、无需物理标签，描述符在推理时提取一次即可跨 rollout 复用且计算开销可忽略。在覆盖多样物理变化的四个环境中，它显著提升了 rollout 预测精度和视觉规划成功率。
研究提出 LoopRec，通过单一权重共享模块的递归和每个条目独立的轻量级门控，将序列推荐中固定计算深度改为按条目自适应分配。诊断发现同一序列内各条目所需计算量差异巨大，多数浅层处理即可收敛，少数需全深度。在公开 benchmark 上跨四种 backbone 架构的实验显示 LoopRec 持续优于同等计算量的固定深度方案，代码已开源。
GitHub 新开源仓库 Yang-Tan-id/Trajectory-TracIn-for-Diffusion-Model-Data-Attribution 提供 JAX 实现的扩散模型数据归因工具，支持 das、traj_tracin、dtrak、end_tracin、journey_trak 等算法。代码位于 diffusion_jax_refined/，支持 cifar10、cifar2、artbench 数据集及 prompted/unprompted 两种工作流，可通过 ATTRIBUTION_RANGES 分片评分，并内置 counterfactual 与 LDS 评估；其中完整 counterfactual/LDS 评估目前仅限 CIFAR。
一个新的 GitHub 仓库 cs-tts-steering 正在设计基于 CAA（对比激活添加）方法，利用 MaSaC 印地语-英语混杂语料训练转向向量，让 LLM 骨干的 TTS 模型生成自然的语码转换语音。TTS 模型尚未选定，计划用 OrpheusTTS 或 Kokoro-82M 合成中性样本，并首次尝试将 BiPO 应用于 TTS 激活转向。实验将在配备 2× L40 48GB 的 Columbia CS 语音实验室机器上进行，目前处于初步研究设计阶段。
arXiv 论文提出 CrashGym，一个可重放的限价订单簿模拟器，让 LLM 智能体在冲击触发崩溃前于实验室市场查询干预实验，再在去杠杆干预与流动性 backstop 之间做选择，并以 regret 衡量实验价值。在 24 个新采样世界的前瞻性研究中，实验室访问将 Luna 部署的平均 regret 从 8.878 降至 3.785，配对减少 5.092 效用单位，降幅 57.4%。整个评分通过直接模拟所有可行干预完成，无需人工或模型评审。
研究者推出 MOSAIC 基准，包含 923 个问题，覆盖 11-24 个会话的文本、图像、视频、音频人格化历史。该基准通过冻结问题、读取器、提示词与预算，对表示、检索、传递环节进行干预诊断，发现表示损失依赖模态、即使有金标准证据读取仍是主要瓶颈，且拒答能力弱。MOSAIC 将全模态记忆评测从排行榜转变为对写入、检索、传递、读取各环节失败的诊断。
研究者提出层级掩码扩散语言模型（HMDLM），为每个 token 位置引入层级标注，通过两阶段生成让高优先级位置优先揭示，同时保持完全并行解码，无需额外标注。在 LM1B 上困惑度比 ADLM 降低超过 1.5 点，WikiHow 上最高降低 4.4 点（对 ADLM）、7 点（对 MDLM），LLM judge 偏好其生成结果超过基线 2 倍；Sudoku 多步推理任务上准确率最高提升 8.6% 绝对点。
CRAB 是一个 BIM-ready 长方体重建框架，已入选 SIGGRAPH Asia 2026，可将点云中的墙、门、窗、梁、柱编码为 IFC 兼容语义与参数的紧凑建筑长方体。其由 ProposalNet 预测粗略构件长方体、AssemblyNet（关系感知 Flow Matching 模型）精化几何并预测结构关系，支持自动结构校正与人工引导编辑，并扩展 Structured3D 构建长方体级标注数据。实验显示其在构件完整性、几何精度与泛化上超越平面图和平面方法，内墙厚度估计平均误差 2.80 cm，79.50% 匹配墙体误差在 3 cm 内。
研究者在 arXiv 发布类比推理基准 ARCANA，任务要求把真实世界对象或物理现象映射到抽象网格变换，与侧重人类先验的 ARC-AGI 不同。人类实验显示人类能可靠解题，而多个 LLM 表现存在明显差距；作者提出的 ConceptSIR 框架基于概念滑移、内省与反思，帮助标准 LLM 解出直接提示未能解出的部分任务。基准、代码与数据已公开。
研究者提出 Flat-RLVR，在 LLM 后训练中通过锐度感知最小化寻找平坦奖励区域，并结合 GRPO 变体进行可验证奖励强化学习（RLVR）。该方法在理论上将平坦奖励最优与缓解分布锐化（distribution sharpening）联系起来，经验上提升了样本多样性，同时保持单次尝试准确率，在采样效率与推理容量之间取得更好权衡。
一项 arXiv 研究提出针对神经网络结构化潜在空间（LS）的检索算法，借助 O(1) 复杂度的候选子集搜索加速 top K 检索。作者用 Latent Space Configuration（LSC）方法微调 ArcFace 预训练的 IResNet50 模型，相比基线穷举搜索，GPU 上最高提速 3 倍、CPU 上提速 40%；且 LS 降维可进一步加速搜索，甚至改善 rank-N 指标。
这篇 arXiv 论文提出一种在线证书方法，利用求解器已有的 regret 累加器和终局分布累加器来认证一般和扩展式博弈中加权平均策略的 NashGap，每个检查点成本与终局历史数线性相关，且在交替更新和三人及以上博弈中保持可靠。在 biased Leduc 基准上，16 个免训练 regret-matching 求解器的组合协议在阈值 10⁻⁵ 下解决 64 个实例中的 89%，预注册保留集和第三组各 64 个实例上分别解决 92% 和 89%；零最佳响应证书对样本内、新样本各 57 个全部认证成功。代码已开源。
研究者提出多模态海洋基础模型 YingLan，融合物理属性条件动态编码、Spatiotemporal Increment Coupling（STIC）与海洋状态演化感知预训练，统一处理卫星影像、网格化海洋场和浮标观测等异构数据。模型基于 MindSpore 实现，在华为 Ascend 910B NPU 上训练；在深圳近海七天海表盐度预报任务中，平均 RMSE 为 0.687508 PSU，较 LangYa、XiHe、GloNet2 分别降低相对误差 0.58%、5.31% 和 12.42%。
arXiv 论文提出 SpatialBrain，一个在视觉语言主干保持固定的前提下积累空间推理经验的框架。其 3DFusionMemory 将当前场景观测融合为可查询的空间关系，Spatial Skill Library 提供可复用工具流程，Spatial Cognition 关联任务条件与经验；完成的轨迹被抽象为过程记录并在任务块之间整合。在五个空间推理 benchmark 上，SpatialBrain 在四个上优于同主干的直接回答，在第五个上持平。
Johns Hopkins 团队提出 OpenMAP-HIE，一种病理引导的 score-based 扩散模型，无需体素级标注即可在 ADC 图像上无监督定位新生儿缺氧缺血性脑病（HIE）病灶。方法用扩散模型学习健康新生儿 ADC 分布，并以 ControlNet 条件分支保留患者解剖结构，在 BONBID-HIE 数据集上取得 Dice 0.283±0.244，加入群体 ADC Z-map 精化后 Dice 提升至 0.602±0.269。
arXiv 论文提出 AgentMonopoly 环境，让 LLM 智能体在大富翁式游戏中沟通、买卖地产并做出影响后续回合的决策。研究对比四个模型家族各两种规模的模型，发现各模型在交易、免租金、现金与资产管理频率上存在差异，更大模型并不必然赢得更多对局。为人设指令虽能改变智能体的用词和部分行动，但不总能在所有决策中匹配角色，因此人设遵循应通过行动与结果而非语言来评估。
一项 arXiv 研究系统评估了 LLM 在上下文中进行贝叶斯更新的能力，涵盖内部一致性与恢复外部后验两方面。结果发现 LLM 更新信念时普遍违反贝叶斯规则，但配备推理能力与代码执行后表现大幅提升，甚至能近似解析上难以求解的后验。研究表明现有 LLM 加合适工具已可用于科学发现中的复杂信念更新。
研究者提出从乳腺 DCE-MRI 分割掩码及增强序列中导出临床描述符的方法，基于 BI-RADS 指南构建含 8 个定量影像组学测量的决策树，再用大语言模型生成自然语言依据。该框架应用于 MAMA-MIA 数据集 1,506 例，生成 3,012 条 BI-RADS 依据，faithfulness 达 99.98%，counterfactual accuracy 为 99.3%；专家与自动掩码的描述符一致性随掩码质量从 Good 降至 Missed 由 0.832 降至 0.549。生成的依据仅供放射科医生审阅签署，而非自主临床报告。
研究者提出概率潜在推理模型 PLRM，一种可并行的变分框架，将推理移入紧凑连续潜在空间以表达多条有效推理路径。PLRM 采用 JEPA 式目标，后验从观测轨迹并行推断潜在分布，并引入离散策略变量与混合先验以保留多轨迹的高斯混合结构。实验显示其在单轨迹数据集上与确定性潜在推理模型性能相当，在多轨迹数据集上持续超越随机基线。
研究者提出 LLMSeg，一种免训练管线，将支持视觉的多模态大语言模型直接变成文本提示图像分割器，无需分割头、mask 解码器或专门训练。方法将分割分解为 detect、segment、refine 三个 LLM 驱动阶段，用闭合周期 B 样条勾勒边界并迭代修正。基于现成的 Gemini-3.7-Flash，LLMSeg 在 ReasonSeg val 上达到 71.5 cIoU，与专门的 SAM 3 相当甚至更优，代码已开源。
新求解器 Sanko 在位置超劫（PSK）规则下实现可靠证明迁移，恢复了置换表、死活识别与安全剪枝三大能力。它用六个线程 16 分钟证明 5x5 围棋（此前方法需 5.25 小时），并首次给出二十三个局面的 PSK 价值，其中十一个此前在任何规则下均未解决。超劫改变博弈价值：4x7 在基本劫规则下是全盘获胜，在 PSK 下仅值 12 点。
MERP 框架通过将多模态序列映射到固定大小的潜在库进行推理，提升模态缺失时的情感识别鲁棒性。在 20% 测试期随机模态缺失下，它在 CMU-MOSEI 和 M3ED 上分别取得 0.563 和 0.780 micro-F1；在 CMU-MOSEI 仅音频的严重场景中保留 0.473 micro-F1，远超 LDDU 的 0.022。该方法无需训练时的缺失模态样本，代码已开源。
一项 arXiv 研究发现，世界模型用于规划时的回报误差主要集中在“事件转移”步：在通过可靠性检验的 44 个 Atari-100k 模型-收集对中，修复事件转移可消除中位数 70% 的回报误差，39 个样本中事件补丁优于随机补丁（sign test p=1.4 x 10^{-7}，中位增益 +44 个百分点），而按 MSE、SSIM 或 LPIPS 选取的修复效果不如随机。事件步的像素渲染质量与其他步相当（中位像素误差比 0.85），说明视觉保真度不能代表回报正确性。剩余误差呈结构化分布，且事件补丁可改进规划排序。
研究者提出 RegoBench——首个包含 1,159 个真实缺陷的 Rego 策略自动化基准，以及反馈引导的多智能体框架 RegoMender。该框架在 RegoBench 上取得 82.9% 的语法修复成功率和 77.9% 的语义修复成功率，超越最强基线 13.4%，并在 132 个真实 CVE 漏洞上达到 86.4% 修复率。
研究者提出记忆整合框架 PreCoMem，将用户记忆表示为置信加权信念，用有效惊异度结合语义偏离与矛盾证据驱动三档确定性更新。该方法在 LoCoMo、LongMemEval-S 和 PersonaMem-v2 上取得一致最优准确率，新基准 DiMoBench 显示其能适应非平稳信念漂移而不对噪声过度反应，论文已被 NeurIPS 2026 接收，代码已开源。
推荐理由：论文把记忆更新拆成置信加权信念加双阈值门控，区分噪声与真实漂移的思路可迁移到自己的长期对话系统。
一项 arXiv 研究提出基于正向-反向偏微分方程的生成建模框架 SBNL（Schrödinger Bridge NonLinear），将平均场博弈与非线性 Schrödinger 系统的联系重新诠释为生成建模问题。该框架通过基于分支扩散的模拟算法求解，具备高并行性、可扩展到高维，并在 MNIST 和 FFHQ 人脸图像合成任务上完成验证，同时统一了 score-based 生成建模与扩散模型。
RubricOpt 是一个让策略模型在偏好优化中自修订语义评分标准（rubric）的框架：模型诊断自身无评分标准时的输出，修订未覆盖重复失败的条款，并通过确定性门控校验证据引用与语义锚点。修订后的 rubric 在训练中引导 DPO，评估时移除。在能力与开放式生成基准上，rubric 条件化优于普通 DPO，但收益与回退因模型和数据集而异，修订的增量效果喜忧参半。
研究者对《Order of the Sinking Star》中一个 11×11 棋盘的晶体交换谜题给出最短解证明：玩家指令可将自身与同行或同列最近的 crystal 交换，十六个 crystal 全部就位时双门开启。论文给出显式 93 条指令解法，并用代价受限的广度优先搜索排除一切更短解，计算保留 605,349,215 个占用集合和 1,863,925,136 个状态，构成一项计算机辅助证明，并附源代码与执行日志。
一篇 arXiv 论文提出 Diverse Parallel Thinking（DPT），一种面向大语言模型并行思考的强化学习方法，通过惩罚并行思考路径的前缀相似度来奖励模型发展不同的推理策略，缓解 RL 并行思考中推理路径模式坍缩导致的同质化问题。在多个推理 benchmark 上的实验显示，DPT 超越以往并行思考方法，达到 SOTA，代码已开源。
研究者提出 FairAMO，一种冻结候选预测结果的控制评估协议，用于区分时间序列预测中智能体模型编排（AMO）的真实贡献。在 GIFT-Eval 上的实验显示，AMO 确实提升精度，但增益受候选 TSFM 限制：最佳编排者相对最佳单一 TSFM 的 MASE 仅降低不到 6%，增益主要来自候选模型互补性而非数量，增加成员收益递减，冗余成员甚至可抹去增益，历史证据的价值也很快饱和。该工作已被 NeurIPS 2026 FMTS Workshop 接收。
一项基于 MIMIC-IV 的实证研究探讨 JEPA（联合嵌入预测架构）能否用于纵向电子健康记录（EHR）的序列表示学习。结果显示，三种 JEPA 形式均能稳定训练、不出现表示坍塌，但始终不及标准 MLM 预训练；增大目标规模会提高预测误差，但缩小目标规模也无法恢复下游性能，表明稳定的潜空间预测本身不足以支撑有竞争力的 EHR 表示学习。
一项研究在 MIMIC-IV 数据集上以相同的 tokenization、上下文长度和模型容量对比块掩码扩散（BD）与自回归模型在纵向 EHR 建模中的表现。B=8 配置实现约 1.43× 更快的推理速度，其表示的线性探针在临床预测任务上与 AR 性能接近。结果表明块扩散是计算上更具吸引力的可行方案，但生成质量仍低于 AR。
一项 arXiv 研究提出针对 DPO 计算图的随机剪枝统一框架，可独立对评分的响应位置、执行的响应前缀和反向传播的偏好分支进行采样，从而省略训练各阶段的计算。分析刻画了位置与序列剪枝引起的目标变化，并用逆概率加权得到条件无偏的单分支梯度估计器。实验显示分支剪枝相比拼接式 DPO 基线获得 1.426x 步时加速，训练时间较原版 DPO 降低约 30%，均值准确率略降。
一项 NeurIPS 2026 录用的研究提出“反身性矩阵”$\Gamma$，用于刻画多智能体操演性预测中重复再训练的稳定性。当矩阵谱半径小于 1 时，再训练几何收敛到唯一稳定均衡；越过阈值后，局部信息学习者的期望累计超额损失随时间线性增长。该阈值以上下界刻画了相变行为，并将先前单智能体的标量阈值作为特例恢复。
一项 arXiv 研究发现，大型音频-语言模型（LALMs）难以定位音乐中被描述的时刻，但这并非时间信息缺失，而是 prompting 提取方式的瓶颈。研究基于 Slakh2100 stem 激活构建配对查询探针，对同一段音频同时施加状态查询和变化查询，并改变模型可见的前置音频量。结果显示，状态查询无需上下文即高于基线，变化查询在多数短段模型中随前置上下文改善，而 30s padded 编码器无类似恢复；prompting 失败低估了模型可验证的内容，但未低估其可定位的内容。
研究者提出一套边缘可部署的蜂箱巢框检测流程：用目标检测器识别具生物学意义的巢房类别，将检测结果蒸馏为结构化事实模式，再转为受约束的事实文本并触发知识库，生成可解释、可执行的蜂群检查报告。系统基于开源 FAIRHiveFrames-1K 数据集构建，并额外发布将图像事实与文本解释互相对应的 FAIRHiveText-1K 数据集，便于后续基于 LLM 的研究。
研究者提出对比归因拓扑搜索方法 CATS，在固定专家智能体超图中通过 LLM 归因器为各智能体分配贡献度，剪除弱边和弱智能体，搜索紧凑团队。使用小开源模型，CATS 在 BigCodeBench 上平均准确率比仅用分数的启发式搜索高 5.3 个百分点，部署 token 减少 54%；在 HotpotQA 提示词投毒测试中三次运行均排除全部被投毒的智能体。
研究者提出 FrameBench-HPS 基准，用覆盖医疗、金融、教育/职业、法律/消费者权益四大领域的 240 个高风险场景构建 2,880 条提示词，测试七个 LLM 在相同概率以收益或损失框架表述时的建议一致性。结果显示 32.4% 的完整组别中推荐类别因框架而改变，且该效应在对话式改写下依然存在。概率规范化处理能大幅降低框架敏感性。