新闻、仓库与研究，按时间排列。
研究团队提出 Poseidon，一个从科学代码仓库自动生成多样化、可验证训练环境的流水线，同等仓库预算下比先前方法多提取近 10 倍环境，涵盖 Reproduction、Subflow、Completion、Correction 四类任务。由此构建的 Pearl 包含来自 7,110 个公开仓库、横跨 10 个学科的 97,659 个可执行可验证环境，是迄今最大、覆盖面最广的科学智能体训练环境集合。Qwen3.5 模型（9B、27B、35B-A3B）在 Pearl 上训练后在六项科学智能体基准上均取得一致提升。
研究者提出 CoRPS-Dial，一个可控双智能体框架，通过画像驱动的患者智能体与流程引导的医生智能体交互，并结合事后质量控制，合成诊前医疗对话。在冠心病场景实验中，其合成对话在信息覆盖、临床合规和自然度上更贴近真实对话；下游微调实验也验证了生成数据的实用性。
研究者提出 ProfileSim，一个面向金融营销外呼的场景化用户模拟框架，联合建模用户画像（人口属性与大五人格）和业务画像，基于真实语音对话数据微调，并用 GRPO 配合对话与话语两级分层奖励优化。搭配集成 SOP 约束与 RAG 的客服 Agent，ProfileSim 在口语自然度和用户画像一致性上最优，生成的话语更短且业务合规度相当，可支持意图识别训练、Agent 评测与冷启动部署。
研究者提出 ANT-A Benchmark，覆盖 7 个跨领域、跨模态数据集，每个实例含任务专属标注指南和 5 个独立人类标签，并用 Fleiss kappa 评估模型标注与人类标注分布的一致性。配套的 ANT-OR 多智能体框架从正负反馈中蒸馏对比决策规则来优化提示词，agreement@>=2 准确率比较强基线高 4.5 分，与人类标注分布的 Fleiss kappa 差距在 2 分以内。代码和基准已开源。
研究者提出 LongVideo 数据集与 4DMemoryBench 基准，用于评测长时程时空推理。LongVideo 包含约 900 小时视频和 5,000 多道人工审核问题；4DMemory Harness 集成 4 项互补技能、22+ 专用工具模型和模型专属 RAG 系统。评测 13 个领先模型发现，独立基础模型难以胜任长时程任务，而 Harness 使所有模型提升超 50%，且同一模型在 4DMemoryBench 上比较早基准下降超 10%。
Part-DINO 是一个免训练部件发现框架，将低层图像分割得到的边界与 DINO 的语义特征结合，先按边界划分图像区域、池化区域内 DINO 特征再聚类发现部件。论文指出 DINO 特征因 ViT 刚性 patch 网格导致跨边界 patch 熵更高、分配置信度更低，边界模糊。在 CUB、CelebA、PartImageNet-OOD、PartImageNet-Seg 四个基准上，Part-DINO 超越免训练基线，并与弱监督、无监督方法保持竞争力。
研究者对文档分类标准 benchmark RVL-CDIP 进行系统审计，发现其 400,000 份文档中约 10.5% 标签错误，35.2% 的测试集在训练集中存在重复或近似重复。移除页面识别码后 SOTA 模型损失 11 个百分点，图像模型在分布外文档上损失 16 至 28 个百分点。团队重训 25 个模型并发布去标识化修正语料，重训的 13 个模型准确率提升 0.9 至 2.9 个百分点，最高的 LayoutLMv3 达 96.5%。
SurveyGraph 是一个围绕方法-实体知识图谱（MEKG）的学术综述自动生成框架，支持核心论文发现、混合大纲与证据门控叙事合成。图感知检索在八次运行中将召回率较扁平词法基线提升近一倍（p = 0.004），语义证据门 AUC = 0.75；160 句人工审计中 80.6% 获得引用支持。该工作已被 EMNLP 2026 Findings 接收。
研究者发布 CrisiLangs，将英文危机预警数据集 CrisiText 扩展至意大利语、保加利亚语、德语和希腊语，共涵盖 411 个场景中的 1,000 个事件、五种语言合计 5,000 条事件-预警消息对。微调多语言模型在 ROUGE-L、BLEU 和 BERTScore 上各语言均优于 zero-shot 基线；人类偏好实验显示低解码温度在五种语言中最受青睐。
一项研究发布巴什基尔语开源资源套件与适配方法系统基准，含 71,567 篇文档、46.9M tokens 的网页语料及三个文本分类标注数据集。实验覆盖 82M-8B 的八种架构，比较全量微调、QLoRA、in-context learning 和持续预训练（CPT）：QLoRA 在二分类上优于编码器微调，YandexGPT-5-Lite-8B 加 CPT 达 macro-F1 0.748，高于 XLM-R 的 0.653 和 mBERT 的 0.650。CPT 效果因模型而异，西里尔 tokeniser 更优，且 LLM 评审无法复现母语者的语言正确性评分，母语评测仍不可少。
研究者提出 SyRA-CS，一种基于 Reptile 元学习的合成到真实自适应框架，用于语码切换（CS）语音识别。该框架对每种语言对和预训练模型在合成 CS-FLEURS 子集上做元训练，再用 1 小时标注真实目标语音自适应，覆盖 Arabic、French、German、Hindi-English 四组及 Encoder-CTC、FastConformer-RNN-T、AED、Speech-LLM 四种架构。SyRA-CS 在全部 16 组模型-语言对比较的 WER 上优于持续微调，XLS-R 相对 macro WER 降低 17.7%，其余三个模型降低 5.3-5.8%。
一项实证研究评估了四个专用决策模型在越南语零-shot 分类中的表现，覆盖六个任务组共 13 个分类设置，并测试英语、越南语和双语标签描述及 teencode、拼写错误、去声调等语言扰动的影响。结果显示，英语标签描述下 JEV 表现最强，在 11 个分类设置中排名第一，双语描述并无一致提升；去声调导致的性能下降最大，使平均 macro-F1 降低 9.51–15.47 分。
一项 arXiv 实证研究将近期 LLM 与微调 encoder-decoder 模型在知识图谱转文本生成任务的标准基准上对比，并结合经人工标注验证的图 grounding 无参考 LLM 评估。结果显示 LLM 在 reference-based 指标上大幅缩小、部分场景下追平与微调模型的差距，且在图 grounding 指标上表现更好：提示模型产生的矛盾和三元组遗漏更少，而微调模型的此类错误随图规模增长更快。两种评估方式相关性有限，反映其衡量生成质量的不同侧面。
论文提出用 LLM 智能体作为语料调试器审计多语言数据管线，通过只读、有预算的 API 探索语料并将发现编译成可执行测试，再由母语者验证。在 FineWeb2 的 26.5M 文档斯洛伐克语子集上，三次运行各花费 $2.21-$2.84，共发现四个现象的七项问题，最大的是 1,408,437 篇（5.32%）通过管线过滤的机器生成内容农场；盲测支持 7 项中的 6 项（缺陷率 .53-1.00 对随机对照的 .08）。编译后的测试套件 0.7 秒即可扫全语料无需 GPU，而单次 LLM 分类需 $12k-$90k；最佳静态采样基线以不到一半成本验证了比任何智能体运行更多的选择器。
推荐理由：论文把 LLM 当语料调试器用一次而非逐条分类，并对比静态采样基线的成本与效果，方法对比值得数据质量工作者参考。
研究者提出 SABLE，一种针对高维生成模型潜空间、评测预算有限的贝叶斯优化方法。它用贝叶斯仿射代理模型处理预测与采集，通过有限区间调度控制 off-span 范数避免欠探索，并用重压缩方案把信息压缩为 O(M) 伪观测。在合成基准与潜空间优化任务上，SABLE 实现高样本效率，决策时间保持在几十毫秒，大预算下比现有方法快数个数量级。
研究者发布尼泊尔语-英语夹杂 ASR 基准，含 13,044 条自发播客语句（共 15.45 小时）。两阶段合成到真实适配框架中，仅用 0.95 小时 TTS 合成语音做 SFT，将 MER 从 23.40% 降至 21.52%，语言切换点错误率（SPER）从 35.89% 降至 28.77%；后续 GRPO 仅带来小幅统计显著调整。SFT 同时将尼泊尔语 MER 提升 2.71 pp，而英语词错率保持 3.38%。
研究者推出 RetiJev 系列眼科临床决策模型（0.8B-9B），直接对候选答案打分而非自回归生成，并发布基于 PubMed Central 文献和 MeSH 词表构建的 RetiJev-Data 语料库与 24,662 题评测基准。RetiJev 在指南分级上比 27B LLM 和商用 Jev 1.13 决策模型高 10.4-23.0 分，RetiJev-9B 在临床决策上最高超出基线 5.4-6.5 分。单 GPU 回答一个病例仅需 158 ms，比 LLM 生成快 3.5 倍、比推理快 470 倍。
arXiv 论文测试了八开放权重模型在 558 份真实文档上的 JSON 提取行为，发现 schema 中未被强制执行的最小条目数会让超过真实数量的列表占比从 34.5% 升至 55.4%。约一半填充条目来自文档原文，难以被校验发现；告知“少于也可”、散文式计数、提供 N/A 选项等修复方法效果有限，而用校验错误重问反而加剧填充。代码、答案列表与运行记录已开源。
推荐理由：论文用预注册实验量化了 schema 最小条目数如何导致模型凑数虚报，并实测了几种常见修复方法的有效程度。
一项 arXiv 研究在 120 对相邻中英文 Wikipedia 修订版本上测量 RAG 分块策略的更新成本，覆盖固定大小、递归和内容定义三种分块器。在 116 篇公共成功集合上，固定分块需重算 57-68% 的嵌入输入工作量，递归分块为 38-56%，内容定义分块为 43-54%；在 2048-token 检索预算下各方法的平均证据召回差异小于两个百分点。研究指出更新成本应与检索质量一同报告。
一篇 arXiv 论文构建了法国最高法院五个民事庭 2016-2025 年 86,464 份判决中的 121,536 对「上诉理由-法院答复」数据集。研究用确定性流程将每对配对并按法国既有分类体系归类，形成揭示哪些理由胜诉、引用哪些法律条文及其十年演变的描述性语法。数据集、代码和交互查询工具均已发布，论文被 JURIX 2026 接收。
一项被 EMNLP 2026 Findings 接收的研究通过两阶段框架考察元数据构成如何影响 LLM 生成文物描述。结果显示元数据数量本身不决定生成行为，字段类型决定模型是接地、省略还是推断信息，而图像既能支持视觉接地也会增加无依据解读。研究主张 data-to-text 评估应考察字段与论断级支持，而非仅看输入覆盖率或参考相似度。
Hugging Face 发布卫星嵌入模型 OlmoEarth v1.3，可读取一整年的 Sentinel-1 雷达与 Sentinel-2、Landsat 多光谱数据，为全球每个 10 米像素生成 128 维嵌入向量，并同步公开全球预计算嵌入及浏览器工具 Embeddings Explorer。在 27 项评测中，其 128 维嵌入在 20 项上领先 AlphaEarth Foundations（AEF）和 Tessera v2，64 维版本在 18 项上领先；模型权重、预训练数据与代码全部开源，复现一次最终训练约需 $2,720 的 H100 租用算力。
arXiv 论文提出 MPIXEL 像素语言模型系列，沿更多语言、更多文字、更大模型容量三条轴扩展多语言预训练，在覆盖 83 种语言的五项任务上评估。结果显示扩展呈局部效应：各轴仅提升新增语言与文字，更大容量可缓解多语言诅咒；对未见文字的迁移随多语言预训练改善但不随扩展继续提升。这些模型在多种文字系统的低资源语言上超过 subword 与字符级基线。
研究者构建了包含 60 余万条样本的罗马尼亚语-英/德/法/意混合语言讽刺检测数据集 CS-SeLeRoNa 及人工校验的 CS-SeLeRoNa-Gold 基准，采用随机替换、短语翻译、依存句法分析和 LLM 四种方法生成语料。评测显示，老一代开源模型 macro-F1 降至 37%-55%，Gemma 4 31B 零样本达 68.1%，接近 GPT-5 mini 的 69.5%；微调后 Gemma 4 31B 在 CS-SeLeRoNa 上达 77.5%、gold 基准上达 72.6%，超过前沿模型零样本基线。
研究者发布首个印度法院判决书英-米佐平行语料库，含 13,168 个句对，来自 Gauhati High Court 和印度最高法院，由专业母语译者翻译并双人审校。在 1,000 句对的平衡法律测试集上，微调后的 NLLB 200 1.3B 模型取得 27.47 BLEU，比基础模型提升 7.16 BLEU，但英文词使用频率仍约为人工译者的三倍。语料分析还发现法律术语几乎保留英文，日常词汇多用米佐本土表达，且声调符号使用不一致。
Zhennan Wan 等提出 LongZero，让 LLM 自行合成带证据的多跳推理与多轮检索任务，再用 GRPO 训练，无需任何外部数据即可提升长上下文推理。模型先以紧凑结构化形式生成问题、答案与证据，再将其扩展为长多文档上下文；在两个 LLM、五个长上下文推理基准上优于基于外部语料合成数据的 RL 基线，代码与数据已开源。
这篇 arXiv 综述梳理了从规则流程、NLP 模型、Transformer 编码器到 LLM 与智能体系统的材料数据提取方法演进，可处理文本、表格和图形等多模态信息。这些进展支撑了可查询材料数据库与知识图谱的构建，以及跨材料科学问答、AI co-scientist 和与自主实验室结合的闭环优化发现。作者评估了数据集质量、提取精度与计算成本，并指出样本级四要素提取、基准数据集稀缺和非标准术语等开放挑战。
研究者推出 CulturalRiddles，一个完全由人工共创的多文化谜语基准，覆盖 62 种文化、45 个国家和 51 种语言，要求模型具备溯因与组合推理及文化语境知识。团队对 28 个 LLM 配置进行了自动与大规模人工评测，即使前沿模型在某些文化群体中准确率最高也仅 22%。全部数据与代码已公开，并开放持续扩展文化与语言覆盖的贡献流程。
一项 arXiv 预印本研究提出将图表作为数据智能体推理循环中的内部认知动作。团队构建了包含 200 个受控任务的 \probe{} 测试集，发现智能体能从自生成图表获得与数值输出同等的得分，但并不会稳定地主动使用图表。其提出的 \method{} 方法从轨迹 rollout 中蒸馏两类经验并经验证门筛选，在三个 held-out 基准、四个 LLM 骨干上提升分析准确率与视觉证据质量，且不改动模型参数。
研究者提出 ASTEROID，一种学生—教师监督学习框架，通过在学生在线策略采集的历史上下文上蒸馏特权专家动作，让部分可观测下的学生学会测试时探索。在 11 个环境（离散探索基准、机械臂操作、导航、Procgen 等）中，ASTEROID 在固定探索预算下回报约提高 2x，交互次数比 RL 基线少约 100x，并在视觉受限的真实机器人操作上比标准蒸馏成功率提升 +40%。
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。
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 OSynth，一个模拟组织的大规模合成数据集，包含 570 小时会议音频、相关文档及潜在真实状态。人类评审基于 150-300 词片段，区分 OSynth 会议与真实会议转录的准确率仅 56%。测试显示，引入日历、以往会议等额外上下文可使多个 LLM 在实体敏感维度显著提升。
arXiv 论文（arXiv:2610.29352）通过五个模型规模、百余种 token 预算配置，建立了长上下文性能与模型规模、短上下文及 LCCP token 预算之间的经验加性幂律，可外推到未训练的模型规模。论文提出 Constant-Last4 观测协议，稳定预测了 1.22B 参数模型在约 100B LCCP token 上的性能轨迹；128K 上下文扩展和监督微调后增益仍保持，在评测范围内未见饱和，支持继续扩展 LCCP 而非提前停止。
推荐理由：论文给出长上下文持续预训练收益随 token 预算扩展的经验缩放律，并用 1.22B 模型轨迹验证了可预测性与增益持续性。
研究者提出自动化合成框架 DynaWeave，可将静态任务转化为可验证的动态场景，用 DAG 表示事件依赖并触发外生事件以训练 LLM 智能体。该框架在 36 个环境中收集了 2,095 条经验证的交互轨迹，用于对 Qwen3.5 模型做监督微调。实验显示其在 Gaia2、CostBench 和 ToolMaze 三个基准上均有一致提升，CostBench 任务完成率提高 67.34 个百分点，并在 ToolMaze 上超过 Gemini-3.1-Pro-Preview，代码已开源。
NVIDIA 发布预训练关系型基础模型 Kumo Relational，直接在企业数据库上做预测，无需任务训练、特征工程或表拼接，单次前向传播即可预测流失、需求、欺诈等结果，权重已开放下载。模型通过 in-context learning 读取最多 10,000 个历史样本，在 15 个数据库的 41 个任务上超过监督式关系深度学习和梯度提升树流水线，在 SAP SALT 企业基准上 MRR 领先 AutoGluon 集成 8%，微调后领先 16%；预训练使用基于 PluRel 方法的合成关系数据。模型可在 RelArena-α 榜单上以约 17 秒/千样本的速度达到 Elo 1,842，比最高分条目快约 430 倍。
推荐理由：原文给出了跨 41 个任务的基准对比和架构细节，可以了解结构化数据基础模型这条路线的实际水平与用法。
Hugging Face 与 NVIDIA 宣布推出 SimReady Central Library，汇集超过 2,000 个带物理属性的 SimReady OpenUSD 仿真资产，免费、无门槛开放。资产覆盖机械臂、夹爪、仓储和冷却设备等，由 FANUC、Universal Robots、Vertiv、LG Electronics 等 OEM 提供，可用于机器人训练环境和 AI 工厂数字孪生，并支持 USD Search 自然语言检索与 GPT-6 Astra 辅助搭建 Isaac Sim 场景。
推荐理由：由发布方直接介绍资产库的构成和OEM贡献方式，读者可以了解免下载门槛的仿真资产从哪里找、怎么用。
Hugging Face 联合 Zhongguancun Academy 与 Telethon 遗传学研究所发布开源 14.8B 模型 Carbon-X，基于 Qwen3-14B，用混合 tokenizer 在单一 decoder 中联合建模 DNA 序列与自然语言。五项 DNA 基准平均 66.7%（关闭思考），比起点 Qwen3-14B 高 27 分，接近 GPT-6.1 Sol 的 67.5% 而推理成本约为其 1/1800，分析 ClinVar 全部 240 万意义不明变异约花 $300。权重以 bfloat16 适配单张 80 GB GPU，可用 vLLM 部署，支持作为 agent 工具调用，未做临床验证、不可用于医疗决策。
推荐理由：原文给出五项 DNA 基准得分、成本对比和完整训练配方，读者可以据此评估这个 DNA 语言模型的实际水平与用法。
研究者提出 MOTION，一个用于社区一致性人类移动生成的多智能体框架，将移动生成形式化为动态用户-位置图生成。该框架由用户 agent、位置 agent 和全局管理 agent 组成，先用 Leiden 算法检测历史移动中的社区并提取社区条件交互先验，再由用户 agent 规划移动、位置 agent 从社区视角推断到达、管理器协调两视角并定向反思修正。在两个真实数据集上，MOTION 在个体轨迹、人口与流量分布、社区与图结构等指标上比基线至少高出 4.05%，代码已开源。
这篇论文研究用多模态深度学习从 ECG 记录和患者元数据预测 NT-proBNP，并评估其生理合理性。基于 MIMIC-IV 的回归、二分类和三分类实验显示，12 导联配置持续优于 lead II 单导联：回归 MAE 为 534.98 pg/mL（单导联）对 514.27 pg/mL（12 导联），二分类 AUROC 分别为 0.849 和 0.876。结果表明精确回归仍有挑战，但更宽浓度范围的分类效果较好；实验仍需独立数据集验证。