新闻、仓库与研究，按时间排列。
GitHub 上线新仓库 SanmayKB/GAN-based-model-for-generation-of-images-for-disease-classification，包含基于 GAN 的疾病分类图像生成代码，核心文件为 cgan_skin_disease.py 及 test 目录。该仓库目前尚无项目描述、topics、Releases 和 Packages，Stars、Watchers、Forks 均为 0，也无贡献者信息。
该 GitHub 仓库复现了 Liang、Zeng & Tang (2026) 发表于 Scientific Reports 的基于 Izhikevich 神经元与 STDP 可塑性的脉冲神经网络（SNN）巴赫众赞歌作曲研究，并使用 NSGA-II（pymoo）多目标遗传算法调整 6 个超参数，约束为自然音音符率 DPR ≥ 0.90。项目用 Wilcoxon 检验与 Holm 校正对比复现、原文与改进配置 C0/C1 各 30 个随机种子，运行需 Apple Silicon（M1+）、macOS 14+ 和 16 GB 内存，代码以 MIT 许可开源。
vibrunazo 在 GitHub 发布 RotomArena，一个让大语言模型自组宝可梦队伍并在 Pokémon Showdown 上逐回合对战的竞技基准，网站 rotomarena.org 公开评分、每局回放和各模型推理记录。主基准 Rotom Champ Bench 采用 c5 规则集（50 级、6 选 3、每回合 8192 token 预算、隐藏思考上限 4096 token），评分用 Bradley-Terry 拟合 Elo 并给出 bootstrap 95% 置信区间，参与者包括经 OpenRouter 接入的模型、本地 llama.cpp 模型、决策模型、去掉了语言模型的 PokéChamp 规则实现和随机 AI；代码采用 MIT-0，数据采用 CC0 1.0。
推荐理由：原文写明了评分方法、隐藏思考 token 上限和幻觉判定规则，读者可以据此判断这个基准的公平性设计。
LEGA（Length-calibrated Evidence-Gated Attention）提出一种注意力门控方法，让同一个门同时参考查询向量、注意力分布集中度和上下文长度，在注意力头找不到可靠信息时减少向残差流写入无关内容。相比仅看查询的输出门控和显式空注意力，LEGA 通过 b·log n 长度校准项解耦“读得集中”与“读得长”的混淆，每头仅新增 d_head+3 个参数。项目在 WikiText-103 上实现了 9 个变体（含去一法消融）的全因子对比，配备多种子统计检验、Holm 校正、基线调优与数据防泄漏审计。
该开源仓库在 MNIST 上训练 MLP 条件 GAN 和类条件 Residual U-Net DDPM，各跑三个种子共六次生成实验，每种模型生成 10,000 张图片并训练 20 epoch 的纯合成数据分类器。三种子平均真实测试准确率为 cGAN 86.59% ± 7.52 pp，DDPM 96.19% ± 0.36 pp。仓库提供完整训练/续训命令、验证脚本、生成样本网格与权重，支持 CPU 和 Apple Silicon MPS。
一项已被 EMNLP 2026 主会接收的研究提出 21 种基于嵌入向量的文本多样性度量方法的分类体系，按计算方式划分为四个家族，并发布 EmbDivBench 基准，从 variety、balance、disparity 三个维度在模拟与自然文本上评测。实验显示，最常用的 Mean Pairwise Distance 在三个维度上均被多种替代方法超越，Graph Entropy 综合表现最佳，研究还给出了度量选择的实用建议。
研究者提出 RAFT，一个针对 TGNN 训练的冗余感知输入过滤框架，通过追踪节点记忆变化，用根事件过滤器和支持事件过滤器在训练前剔除冗余预测目标和历史事件。在 3 个 TGNN 模型和 5 个数据集上，RAFT 平均减少 35.23% 的训练输入（最高 97.11%），训练时间最多降低 52.56%，模型精度几乎不变。
论文提出把有界 Agent 工作流中的决策当作优化问题，先离散化状态、求解马尔可夫决策过程再复用解，称为 Bellman language model（BLM）。在 τ²-bench telecom 上，无模型控制器解决 79% 任务；Qwen3.8-27B 作为 BLM 从 29% 升至 96%，模型调用减少 93%；Claude Opus 5.5 作为 BLM 时每任务调用与成本约降 98%，并多解决 2 个任务；在 InventoryBench 上无模型求解策略胜过所有已发表方法。但内容生成为主的场景（如解决 SymPy 问题）收益很小。
推荐理由：论文把有界工作流中的重复决策先求解再复用，给出多个基准上降低调用成本与提升成功率的具体数据，方法可迁移。
研究者提出 Dual Task Vector Merging 方法，向冻结的 wav2vec 2.0 各 Transformer 层注入由情感和 ASR 微调模型导出的任务向量，用于阿尔茨海默病语音检测，仅需训练逐层合并系数与线性分类头，更新参数不到全量微调的 0.1%。在 ADReSS 和 ADReSSo 的说话人独立实验中优于 frozen probe、LoRA 和全量微调，与 LoRA 结合效果最佳；PROCESS 三分类任务及 20%、40%、80% 低资源设置下也验证了增益。
SpriteStage 是一个渐进式场景编程框架，通过迭代演绎与引擎重编排生成长动画：每个场景基于已接受的世界检查点生成，在共享空间舞台上执行，并利用运行时与视觉反馈修订动作或故事节拍。引擎重编排将草稿映射到生产资产并保留事件、几何与时序。三个完整动画时长约 9.9 至 14.3 分钟，验证了该框架生成长叙事的能力。
开源仓库 Fpengz/video-generation 提供 video world models 研究工具，覆盖语言到场景控制的机制可解释性与长时程视频生成，含 43 篇参考文献的研究综述与路线图。其 video_probe 模块在 Wan2.1-T2V-1.3B 上复现物体-动作绑定失败，使用 112 条绑定提示加 48 条控制提示、3 个 seeds 共 480 段视频，验证器支持 SAM 3 Video 和 Grounding DINO + SAM 2 两种后端。单张 H200 上每段约 80 秒，首个 swap pair 实验已复现失败：红车开错方向后变蓝，且在 layer 15 做早期步 patch 可复现源片段行为。
研究者提出可编程搜索框架 Retrieval Program Learning（RPL），让策略通过强化学习把搜索原语组合成带局部状态与控制流的程序。针对稀疏反馈下的探索难题，其 program mutation 方法将次优程序的局部变体转为训练轨迹蒸馏回策略。在开放域问答与语料级推理任务上，RPL 训练的 4B 模型超越所有 8B 基线，多跳任务提升显著，同时降低上下文消耗与检索轮次。
研究者推出 MisleadQA，一个带弃权选项的多选题诊断数据集，每题将 gold 上下文与真实但超出范围的上下文（S）和虚假但在范围内的上下文（F）配对。对六个开源权重 LLM 的评测显示：单独提供 S 会使 29.3% 答对的题转为错误答案，F 则达 75.4%；加入 gold 上下文几乎消除 S 的影响，但 F 仍误导 21.0%，尤其在 F 先出现时。忠实的上下文指令主要通过弃权减少此类错误，但即便有 gold 上下文也会降低准确率。
GitHub 仓库 streey00schala-bot/optimizing-llms-contextual-reasoning 宣布将发布论文《Optimizing Large Language Models for Contextual Reasoning in Multi-Task Environments》的实现与实验代码，该论文正在 COAI 2025 评审中。论文提出优化策略以增强 LLM 在多任务中的上下文推理能力。仓库内容尚未发布，后续将提供实现代码、benchmark 结果、预训练模型 checkpoints 及文档教程。
GitHub 仓库 didi290410-ci/enhancing-llms 实现了论文《Enhancing Large Language Models with Advanced Fine-Tuning Techniques》中的微调方法，用于提升 LLM 在领域特定任务上的表现。该方法在 GLUE 上取得 92.5%（较基线 +8.3%）、SuperGLUE 上取得 89.3%（较基线 +12.5%）的 SOTA 结果，支持领域自适应与高效训练，采用 MIT License 开源。
论文《Optimizing Large Language Models for Contextual Reasoning in Multi-Task Environments》提出优化策略以增强 LLM 在多任务间的上下文推理，实验结果显示在动态环境中适应性更优，目前正投稿 COAI 2025 会议在审。配套 GitHub 仓库标注"To be released"，将包含完整实现、实验代码与配置、benchmark 结果分析、预训练模型 checkpoint 及文档教程。
GitHub 仓库 deggdeve-ci/llm-adaptive-learning 发布了 ICML 2025 论文 "Adaptive Learning Strategies for Large Language Models in Dynamic Environments" 的实现，使 LLM 能在动态环境中实时调整参数与行为，且无需全量重训练。该方法在四类动态场景上较基线提升 16.8%–19.1%，如新领域 68.1%→86.2%、时序变化 69.8%→88.9%。项目采用 Apache 2.0 许可证开源。
John Smith 等人的论文《Optimizing Large Language Models for Contextual Reasoning in Multi-Task Environments》提出优化策略以增强 LLM 在多任务间的上下文推理，实验显示在动态环境中适应性更优。该论文正在 COAI 2025 审稿中，配套仓库尚未发布，将包含实现代码、benchmark 结果、预训练模型 checkpoint 与文档。
研究者提出 PatternBench 基准，用于评测 LLM 在激进编译器优化之后仍能保留的“超越编译器”代码优化，覆盖七类转换，并将运行时测速与基于 AST 的优化忠实度分析结合。对前沿、开源权重及微调模型的实验显示，仅看运行时加速无法完整反映优化能力，忠实度与实际加速强相关，微调可同时提升两者。结果表明评测 LLM 代码优化应同时衡量性能结果与目标转换是否真正执行。
论文提出 utility-verified abstraction（UVA），训练本地代码智能体按角色和类型描述私有实体，向云端强模型求助时不泄露仓库名标识符、文件路径和源码。改写后的问题比未训练时少泄露 3.7 倍私有实体、1.4 倍逐字代码；在仓库级 issue 修复上解决 37.6% 的问题，高于同一模型单独工作的 25.3%。
一项覆盖十一种印度文字、13.1 万句语料的研究发现，TinyLlama-1.1B 的分词器对卡纳达语每词输出 22.60 个 subword token，词表对 Odia 代码点覆盖率为 0%，五种文字的 fertility 触及 UTF-8 byte-fallback 上限，且因 SentencePiece 静默回退，UNK 率为 0.0%。参数量仅其五分之一的 MuRIL 能以 1.23-2.26 tokens/word 读取所有文字且零 UNK。研究指出真正约束是词表而非参数量：同样 2048 token 上下文窗口，英语用户可用 1,528 词，卡纳达语用户仅 91 词。
论文提出让手机 NPU 承担 LoRA 微调中全部三次冻结权重乘法的系统，训练图、适配器和优化器留在 CPU，并复用常驻权重切片和反量化器实现输入梯度计算。系统按梯度敏感度选择精度并为 FP16 输出加逐行范围保护，支持可恢复执行和热节流以作为后台任务运行，在两款 Qualcomm Snapdragon 平台上用 Qwen 和 Llama 四个模型、夜间个性化工作负载和 LaMP-2 基准做了评估。
推荐理由：论文给出在手机 NPU 上跑通 LoRA 一阶训练的系统做法，涉及输入梯度实现、精度选择和端侧个性化工作负载，思路可迁移。
arXiv 论文提出面向流式 ASR 的在线错误定位框架 \sysname，用 pair-HMM 对齐噪声与干净解码获得软监督，训练反事实增益打分器定位可疑 span，再由说话人复述、LLM 仅修订所选片段。在 70% 精度下比最强基线多识别 52% 的错误 token，定向复述带来最高 24% 的相对 WER 降低。
一项研究提出基于六类风险语言量规、由三评审 LLM 集成分级严重度的医疗问答风险评估框架。对 Mistral-7B、Phi-3.5-mini、Llama-3.1-8B 及 BioMistral-7B、OpenBioLLM-Llama3-8B、Med42-Llama3-8B 六个 7-9B 模型在 K-QA 基准 200 个真实患者问题上的评测显示，风险语言与事实幻觉率统计独立（Spearman ρ = -0.065），医疗微调不降低总风险而是重塑风险：BioMistral 与 OpenBioLLM 抑制高警示药物提及却放大过度自信断言，Med42 仅抑制剂量表达。量规、评审提示词与评估代码已开源。
一项 arXiv 研究考察文本序列化对指令微调大语言模型表格查找的影响：同一 256 单元格合成表格分别以行优先和列优先渲染，最优格式随表格形状变化。64x4 竖长表中行优先领先 42.3-54.0 个百分点，4x64 宽表中列优先领先 35.0-59.0 个百分点。研究提出“关系局部性”概念：序列化让一种关系保持局部可用，另一种则依赖位置对齐。
扩散语言模型（dLLMs）的采样器在决定何时提交 token 时会引入模型之外的偏见。研究在 LLaDA 和 Dream 上发现，常见的 peeking 提交规则会放大职业性别刻板印象、坍缩观点分布，且并行解码越快偏移越明显。论文提出 Fork-First Sampling，在生成任何内容前先决定分歧点，可跟随目标分布、提升流畅性，代价仅为一次前向传播。
一项 arXiv 研究提出 Reciprocal Q-Augmentation（RQA），用隐变量对手模型增强 Q-function，让智能体仅凭自身 Q-function 学习合作与背叛策略，无需获取他人奖励或内部状态。在 Iterated Prisoner's Dilemma、Iterated Traveler's Dilemma、Iterated Stag Hunt 和 CleanUp-Lite 中，RQA 的合作速度和社会福利超过共享奖励的全合作方法，单个 RQA 智能体还能诱导标准 RL 智能体达成合作。
一项实证研究对来自 15 个开源 Java 仓库的 150 个生产文件进行 1,500 次 LLM 重构生成，比较单提示词与 LangGraph 多智能体两种依赖感知生成方式。结果中 1,365 个候选（93.8%）被判定为高契约/依赖风险，仅 8 个满足低风险标准；705 组配对分析未发现两种生成方式在主要风险指标上有统计显著差异。研究建议将 LLM 重构视为需分阶段仓库级验证的候选方案。
研究者发布 text-to-CAD 基准 IndustrialCAD-1400，包含 1,400 条请求，覆盖 40 个领域的 400 类设备，以及 250 个含 4 个设计案例的族。每条族请求中位数指定 17 个命名部件或配置角色和 6 个明确数值目标，模型生成的几何程序在统一 Blender 环境中执行，并通过前视、等轴测和俯视图评估部件、布置与接口完成度。该基准将 text-to-CAD 从可识别的零件几何扩展到联合组件、接口、空间与数值规格的工业装配体综合。
研究者分析了随机组合树（random composition trees）这一递归切分文本的随机模型的信息论性质，证明其熵随根节点规模线性增长，并给出熵率与分支因子的解析表达式，同时证明大树具有典型性。该模型与语言作为平稳遍历随机过程建模时共享线性熵增长与典型性两个关键性质。
一篇法律视角的论文论证 AI 权利与强制关闭开关（off-switch）完全兼容。研究认为，即使未来 AI 系统被赋予自然人人格和生存权，只要接受定期或持续的安全审查，法律仍允许实施可逆的暂停式关闭开关（保存权重与状态）；而永久删除的 kill-switch 则可能面临权利原则的阻碍。作者强调不主张制造具备自然人人格资格的系统，只是为此类系统出现时的法律应对提供替代方案。
研究者提出 Evidence Field，一种可训练的空间程序架构，联合输出类别分数、所选覆盖程序与带符号证据，使医学影像分类器的空间决策计算可被独立复现。论文给出精确单重覆盖、注册文法内最优性及符号分数守恒等理论保证，并定义了 2D 与 3D 网格上的算术与存储扩展。在另行报告的病理组织学应用中，跨 held-out 中心的按患者分离训练评估为该架构提供了实证支持。
论文提出 DialogMem，一个两阶段基准，智能体从时间对齐的 RGB-D 观测与对话流中构建记忆，再用于实例级物体导航和问答。基准覆盖 27 个真实 3D 场景的 142 个 episode，含 14,193 个 QA 对和 11,890 条导航指令；在统一框架下评测九种记忆表示。实验显示，评估时把对话附加到视觉记忆可显著提升 QA 但几乎不改善导航，说明相关对话存在于记忆中却未绑定到具体物体。诊断实验进一步识别出三个瓶颈：记忆形成时的物体级绑定与组织、正确条目的检索，以及空间位置定位。
推荐理由：论文在统一框架下对比九种记忆表示，指出对话融入视觉记忆对导航帮助甚微，并定位了物体级绑定、检索与定位三个瓶颈。
论文提出 ECHO（Efficient Causal Self-Recursion），用主干模型自身最后一层预测所有未来 horizon，并以 Dynamic Depth Sampling（DDS）按深度衰减概率采样训练深度，省去辅助 MTP 模块的额外开销。预训练中增加的深度转化为下游准确率，集中在推理与代码任务上，训练开销仅为训练每个深度的一半；推理时模型自任 drafter，可在超出训练深度的范围起草，并在开放式高熵生成中保持 draft-target 对齐。该优势在翻倍 token 预算、重复预训练和 SFT 后仍然保持。
BanglaBBQ 是一个覆盖孟加拉语和英语的问答偏见基准，捕捉孟加拉国语境下的刻板印象，保留了 140 个改编模板并新增 5 个本地类别、372 个经人工校验的新模板。评测 Qwen3-4B、Qwen3-8B、GPT-4.1-mini 和 Gemini 2.5 Flash 四个模型显示：语境模糊时所有模型都倾向刻板印象，且英语结果无法预测孟加拉语中的表现。
研究者提出 CorrFlow，一种自校正流匹配框架，通过轻量级 refiner 复用模型中间表征，对基础模型的速度预测进行残差校正。该方法每步仅需一次轻量 refiner 评估，无需额外基础模型评估。在类条件图像生成、文生视频和图生视频任务上均优于对应基础模型，提升视觉质量与物理一致性。
研究者提出 ReTRACE，一个将 LLM 置于化学工具环境中的逆合成规划智能体，可整合分子工具、单步预测引擎、可购买原料库与多准则路线评估器，并在搜索中根据评估反馈持续改进路线。使用 Claude Opus 4.8 时，ReTRACE 提出的 top 10 路线中至少一条通过审计的比例在三个 benchmark 上分别达 87.4%、95.0% 和 86.7%。两个前瞻性湿实验合成表明其路线经专家修改后可转化为可执行流程。
一项 arXiv 研究指出，VLM 视觉 token 剪枝的现有评估存在缺陷：聚合准确率可能掩盖剪枝方法是否真正识别关键视觉 token，而保留 token 数量也不能可靠反映端到端效率。作者提出 PAA-Bench 评估框架，并用 Random-Pass@k 和 Preservation-Constrained Speedup（PCS）分别衡量随机剪枝下的鲁棒性与共享保留目标下的最大端到端加速。在 8 种方法、3 个 VLM 骨干、9 个 benchmark 上的实验表明，更强的 token 压缩未必带来更高加速，效率排名随保留目标而变化。
SinapisAI 团队提出实现集体模型智能的系统方案，包含 Model Eval、Mio（Models in One）和 Mos（Model Serving OS）三个组件，分别解决能力刻画、模型选择协作与高效执行。在九个公开 benchmark 上，Mio 1.0 Lite 取得最高平均分和最低平均成本，单请求成本比最佳替代方案低 73.7-97.5%；预热共享缓存将模型文件检索加速最高 23.3 倍。
研究者推出 ServiceBench，据称是首个专注投诉处理的基准，包含 2,500 个场景、覆盖 184 类投诉和五个服务行业，并提出 APCS 模拟方法与基于公正性的评测框架。实验显示，即便强大的 LLM 智能体也难以主动收集信息、策略性引导对话，常过早补偿。用 SFT 和 DPO 做针对性后训练可显著改善，使小模型在多项结果上追平或超越大模型。