新闻、仓库与研究，按时间排列。
该 arXiv 论文提出 MFlow，一种在 x₀-预测与速度预测之间自适应插值的扩散模型参数化，在 ImageNet、UCF-101 视频和大规模文生图上取得竞争力或更优的性能，并发现模型容量越大越偏向速度预测。针对像素扩散 Transformer 普遍存在的高频缺陷，作者进一步提出 ConvRefiner，在冻结扩散主干的前提下用对抗损失轻量后训练，恢复生成图像的高频统计且保持 FID。
arXiv 论文（arXiv:2610.23847）提出行为耦合概念，即在文档上同时描述两种行为后训练，再微调引出其中一种行为会导致另一种行为同步出现。实验显示耦合还能跨文档集组合传递，使突发不良行为难以溯源，作者认为防范后续微调的意外影响可能需要超越模型当前行为的评估。
推荐理由：论文给出微调意外行为的形成机制和耦合可以跨文档组合的证据，解释了为什么突发不良行为难以溯源。
arXiv 论文 arXiv:2610.23845 提出 SEER-Repro 基准，收录 20 篇基于美国 SEER 癌症数据库的已发表论文及其复现所需数据资源。作者构建的 AI 智能体成功复现 2,190 条原子论断中的 77.4%，并通过智能体分析管线识别分析选择、提出替代方案后重跑分析，在 9.5% 的完全复现发现中标记出可能有实质影响的分析选择，交由专家复核。
推荐理由：论文给出了基于 SEER 的复现基准和 77.4% 原子论断复现率等具体数据，可用于评估 LLM 智能体做科学复现的现阶段水平。
研究团队提出 DiscoveryRSI 框架，通过多智能体进化搜索构建假设树，用假设信用优化、harness replay 和 rediscovery 三种机制递归学习，并配套发布 DFM-Bench 评测假设质量与累计研究进展。四个生命科学领域中，两轮自改进后假设质量从基线 4.86 升至 5.39，可证伪性和数据可解性提升最大；专家评审中 DiscoveryRSI-27B 在假设重要性与论断合理性上高于 GPT-6 Luna，与模型截止日期后发表研究的对应率为 6.3%，高于 GPT-6 的 2.5% 和 Claude Opus 5 的 2.3%。
推荐理由：论文给出假设树自改进框架和假设质量的量化指标，可看到自动评测与专家评审两层验证结果。
arXiv 论文提出 ReDiST，一种面向证据丰富推理的学生条件化轨迹构建与知识蒸馏框架。该框架从学生自身尝试出发，结合证据修订正确草稿、借助验证答案修复失败草稿，并由冻结的学生匹配 reader 依据答案恢复率和验证答案概率筛选候选轨迹。在问答 benchmark 上，ReDiST 超越仅答案监督、原始轨迹及所评估的轨迹选择与改写基线，且源任务与跨基准迁移表现排名可能不一致。
论文 arXiv:2610.23826 提出自建实验室（SBL），给定高层次科学目标即可自主设计、配置并运行实验室设置，补建实验布局、数字孪生、机器人技能和实验流程。系统已在不同机器人和 setups 上演示，从单一工作站扩展到多机器人协作实验室，并通过真实世界量子点合成实验完成端到端验证。
推荐理由：论文提出自建实验室概念，把人类角色从配置自动化设备转为只给科学目标，实验灵活性问题有了新解法。
一项 arXiv 研究指出，有损投机解码的松弛验证虽然每轮平均多接受 1.34× 的 token，但会通过延长推理轨迹使补全长度膨胀 1.54×，抵消表面加速。对十二组 target-drafter 组合的评测显示，部分规则降低验证轮数时准确率显著下降，原因之一是持续推理耗尽输出预算。因此评估解码效率还须同时报告补全长度与验证轮数。
研究者提出 Paired-Residual Subspace Removal（PRSR），一种免训练的推理时干预方法，从多语言平行句构建成对残差、逐层估计低秩子空间并加以抑制，将 LLM 表示导向更语言无关的语义空间。该方法在 MTEB 和 MMTEB 上覆盖 18 种语言的 200 多项单语评测，以及英语与 200 多种语言间的跨语 bitext 挖掘中，均一致优于现有免训练基线。
一项 arXiv 研究提出 Consistent Sparse Dictionary Learning（ConSDL），用逐样本稀疏编码替代 SAE 的标准线性编码器，解决训练种子不同导致字典不一致的问题。在 16 个合成设置中 ConSDL 实现近乎完美的字典与系数恢复；在 4 个视觉与语言设置中，相比 6 个 SAE 基线平均，字典一致性提升 17.6%、系数一致性提升 35.9%，达到跨种子一致性的 SOTA。
Wei Wang 在 arXiv 发布 FUTRANSFORMER，一个面向 NVIDIA Hopper GPU 的 Llama 风格 Transformer 推理 CUDA 实现，prefill 用 FP8、decode 用 INT4 权重和 INT4 KV-cache，并采用块对角 Hadamard 变换降低缓存量化误差。
推荐理由：论文给出 Llama 推理在 H100 上 FP8 prefill 与 INT4 decode 的具体实现和量化精度代价，数字可核对、方法可参考。
研究团队推出 DrugHarness，一个面向计算药物发现的可进化智能体框架，集成超 80 种科学操作，并可通过条件化技能进化持续改进。在 MolBench 上，无进化状态下其亲和力比较准确率超过 MolClaw-CC 报告结果 10.8 个百分点；技能进化使 Qwen 的亲和力比较准确率从 62.2% 升至 81.1%。在 HPK1 前瞻性研究中，合成化合物的细胞 IC50 达 14.19 nM，较最佳输入参考提升 2.64 倍效力。
arXiv 论文提出 DLite，一种面向智能体工作负载的免历史投机解码框架，直接复用目标模型的上下文隐藏状态做局部预测，无需维护历史 KV cache。针对智能体长上下文中 draft 模型接受长度最高衰减 80% 的问题，DLite 用轻量级 sequential head 恢复块内因果依赖，并配合两阶段训练策略，实验中达到 2-6 的接受长度，最高比 SOTA 方法 DSpark 快 70%。
研究者推出 VocalGrad 基准，以时间变化方向的二元分类任务评估大型音频语言模型（LALM）感知低层声学变化的能力，避开高层推理与语义理解的干扰。结果显示，人类标注者准确率高，而最先进的 LALM 接近随机水平。线性探测分析发现两种失败模式：部分类别的相关信息保留在内部表征但未被语言模型头利用，另一些则随模型层数加深线性可解码性逐渐下降。
研究者用经人工标注验证的 LLM 抽取流程，把意大利议会非结构化文本转为带日期的有序事件（法案提出、委员会审议、全会审议、批准等），构建了覆盖 1985 至 2026 年、第 IX 至 XIX 届议会全部 5346 部法律、共 101413 个事件的数据集。该数据集可用于计算法律与立法研究及过程导向的数据科学方法。
研究者针对汉字与拼音两种形式的中文姓名开发性别推断模型，包括输出 0-1 性别分数的回归模型与三分类模型，训练数据来自中文物理出版物的姓名样本，由 11 位母语者标注。回归模型 RMSE 为 0.09、R² 为 0.85，分类模型 macro-AUC 达 0.97；拼音场景通过音译与频率加权聚合汉字预测，并附歧义分数。在对比 Namsor、GPT 和 Claude 三种工具时，模型与人工标注一致性最高，能对 APS 期刊作者样本中每个姓名给出性别，而现有拼音方法有 20%-100% 无法分类。代码与数据已公开。
研究者提出心理世界模型（MWM）及其实现 Multi-Branch Mental Evolution Architecture（MMEA），显式构建主观世界、建模认知与心理状态交互，并模拟受历史经验塑造的持续心理演化。MMEA 在 DynToM 和 RecToM 上分别取得 96.48% 和 94.00% 准确率，超过主流 LLM 和专门 ToM 方法，并在心理状态与行为预测、长序列预测、隐式心理状态推理上分别提升 28.7、39.3、16.6 个百分点。
一项 arXiv 研究发现，LLM 在医学证据核验中能正确识别同一临床试验的多篇发表，却在汇总证据时过度采信同试验报告。基于 14 个经来源审计的临床试验族和五种模型条件测试，GPT-5.5 在每个溯源任务族中 10/10 次识别调用正确，但 5/5 次汇总调用均过度采信；Qwen3-4B 与 Ministral-3-8B 的选定条件呈现同样反差。加入研究分组指令后，GPT-5.5 的过度采信从 4/5 降至 0/5。
一项 NeurIPS 2026 接收的研究提出 Neural Expansion，通过输入空间中方向选择性射线覆盖的扩张来刻画深度神经网络的泛化。框架用 Generalization Intervals（GIs）量化训练样本周围预测保持稳定的方向特定区域，实验发现训练会逐步扩张射线覆盖，尤其沿低 Jacobian 奇异值方向。该几何机制可解释正确分类、对抗样本乃至误标注和分布外样本，为现有全局理论提供补充。
一项研究用基于人眼动数据训练的 RoBERTa-RT 模型，对比 496 篇人类文章及其 LLM 改写版本的预测阅读时间。结果显示，LLM 改写文本更短、总预测阅读时间略低，但单词层面的预测阅读时间更高，伴随用词更长更少见、词汇多样性更高、上下文可预测性更强。这表明 LLM 写作可能重新分配阅读负担：减少文本量，同时增加单字词的处理成本。
GLOBE 是一个智能体框架，通过不断演化的分字段行为手册存储优化知识，让语言代理在生成式搜索的电商产品优化中持续自我改进。每轮由 Editor 应用行为并根据排名反馈、Reflector 转化为行为更新，Moderator 去重、Curator 提交更改并停用有害行为。实验显示结构化行为优于整体式提示词优化，且在未见过的品类上依然有效。
VISTA（Value-Informed Steering and Targeted Acquisition）从用户的完整或部分问卷答案推断潜在画像，通过 hypernetwork 映射为对冻结 LLM 的用户特定引导干预。在 Food2D、World Values Survey（WVS）和 PrimeX 上，VISTA 匹配或超越 in-context 画像，且不增加 prompt token。在 WVS 上仅询问 6% 的问卷即可保留 94% 的全量历史增益，而标准自适应测试最多保留 42%。
一篇 arXiv 论文系统评测 Qwen3-TTS 两种克隆接口（ICL 与 X-Vector），对比 Chatterbox、XTTS-v2 和 F5-TTS，覆盖朗读、会议、情感和空管无线电语音，使用十八项客观指标、LLM 评审与听感测试。结果显示两种接口各有优势，ICL 音色更准但对短参考转写错误敏感；语音域差异解释的方差是系统选择的四倍；Qwen3-TTS 可懂度和音高占优但韵律落后，现有反欺诈对策无法识别其克隆音频，空管无线电语音对所有系统都失败。代码和音频已开源。
一项 arXiv 研究提出评估框架，检验 LLM 智能体生成的偏好能否作为医疗运营多目标优化的权重。实验显示，显式偏好会随诊所运营条件和角色不同而变化，但智能体间商议可能抹平差异，简单平均则可保留；隐式偏好则高度依赖选项呈现顺序。基于偏好不确定性的鲁棒加权求和优化模型在多数情况下会选出与平均权重不同的排程或配置，表明 LLM 偏好在用作优化权重前需经此类审计。
研究者提出基于 Factor 的 CoT 监控策略，通过在提示词中自定义监控需求，让单个监控器覆盖多任务，并支持细粒度与粗粒度两种 Factor 类型。据此开发的 CoT 监控器 OwlSight 基于 15,971 条推理轨迹的实验显示，其细、粗粒度表现分别超出通用 LLM 1.32-30.57 和 11.71-27.81 分，在 OpenAI 的 CoT 可监控性基准上达到 SOTA，且能泛化到未见模型的 CoT 并抵抗 Factor 改写、CoT 压缩与混淆。
研究者推出 TUPLE-Bench 基准，用于评估类型化决策模型的隐私泄露问题。在九个模型上，即便明确要求隐藏原因，91.88%-99.93% 的响应仍会泄露；完整输出对保留样本的恢复率达 62.85%-75.35%，仅用所选类别则为 51.04%-57.64%（50% 为随机水平）。论文还提出 workflow-constrained privacy quantization（WCPQ），在保持下游工作流成本的同时降低秘密恢复率。
该研究考察 AI 在当代音乐作曲实践中的角色，聚焦两个案例：Alexander Schubert 为弦乐合奏与 AI 系统创作的《Convergence》(2020/21)，以及 Francesco Vitucci 为四把大提琴与一位电声演奏者创作的《In Human Memories》(2024)。文章认为 AI 已从单纯工具转变为创作过程中的参与者，并提出了将技术重新确立为创作工具的伦理路径。
arXiv 论文提出 PresenceBench，测量大语言模型能否根据用户的功能状态（ready、flow、stability）适当调整响应。探索性评估覆盖 Claude Sonnet 5、DeepSeek V4 Pro、Gemini 3.6 Flash、GPT-5.6 Terra 四个模型的 30 个场景，提供合成状态后四模型人类偏好点估计均高于 0.5，但特异性未能确立。策略交付降低了成本和输出 token，安全底线失败仅 13/360 例。
GEMS（Guided Editing of Molecular Structures）通过学习的 2-switch 键编辑，从分子式与串联质谱出发迭代修正候选分子结构，保持分子式和原子价态不变。在 NPLIB1 上 Hit@1/Hit@10 达 29.64%/50.81%，MassSpecGym 上达 30.22%/41.33%，超过可比设置的已发表基线；NPLIB1 端到端约 3.3 分钟，对比 FRIGID 的 26.2 小时。实验还指出指纹预测误差是目标恢复的瓶颈，更深搜索无需重训练即可找回更多目标。
论文提出 Hindsight Inverse JEPA Planning（HIJP），用目标条件逆模型直接从当前与目标观测预测动作，替代潜世界模型中昂贵的测试时在线搜索。训练时通过未来观测重标注为目标并对齐动作转移一致性来塑造视觉表征，推理时交替使用逆动力学模型与潜预测模型生成多步动作。在四项视觉控制任务上，HIJP 总体成功率达 86.8%，规划速度较基于搜索的方法提升 1.9-16.5x。
研究提出稀疏协作解码，由草稿模型生成大部分 token，仅短暂调用目标模型进行纠正，核心是何时调用目标模型。实验显示局部不确定性指标预测失败近乎随机（AUC 0.50-0.53），而基于草稿置信路径的轨迹形状特征配合轻量逻辑回归可达 AUC 0.86。在线使用时，该方法在五个 GSM8K 草稿-目标对上比最佳开环调度提升 +5.3 至 +20.0 个准确率点，在 StrategyQA 上提升 5.0-8.3 个点。
研究者提出 SIT-Eval，一个可调节的对话智能体评测框架：每轮由 LLM-interlocutor 扮演随机抽取的情境，由情境感知的 LLM-judge 依据适用规则评判回复。对 8 个 LLM、1292 轮对话的评测发现，总体分数相近的模型在各条规则遵循度上差异很大，所有模型在澄清歧义和苏格拉底式提问上表现最差。
一项研究提出 NAME-Bench，从五个 VLM 为 COCO 图像生成的字幕中标注 25,497 个对象提及，将“非断言性提及”与真实幻觉区分开。现有幻觉检测器将 14%–80% 的非断言提及误判为幻觉；把这类提及作为负样本加入训练可在 LLaVA-1.5 上基本纠正，但在四个更新的 VLM 上需五到十倍数据且会漏检更多真实幻觉。研究认为幻觉评测应区分字幕“断言”与“仅仅提及”的对象。
论文提出技能演化中的认知分化方法 CDSE，把统一技能拆为 Meta、Experience、Tool、Script 四个功能组件，从成败轨迹中提取语义梯度并按功能角色做组件级更新与协调调用。对 500 个高分技能包的分析显示 96.8% 包含至少两种功能角色的知识；在六个基准、三个 Agent 模型、两种执行框架共 36 个设置中全部取得最高分，比 Base Agent 平均高 7.6 个百分点，比各设置最强对照方法平均高 2.6 个百分点。论文 22 页，编号 arXiv:2610.23599。
推荐理由：论文用功能分化思路改造 Agent 技能演化，并在 36 个实验设置中给出对比数据，方法对技能库维护有参考价值。
Dabin Sheng 提出 TIDER，一个时间感知的智能体检索框架，用强化学习训练的 1.7B 时间区间定位器推断证据所在时间窗口，与语义通道结果合并后按窗口邻近度重排。在 LifeBench 上取得 61.52%（+8.82%）、LoCoMo 上取得 78.96%（+3.66%）的 SOTA 准确率，论文已被 NeurIPS 2026 接收。
推荐理由：论文把时间约束放进检索阶段本身，用 RL 训练轻量定位器解决语义相似记忆挤掉目标记忆的问题，并给出基准数据。
一项 arXiv 预印本研究提出多模态 RAG 框架，通过 Gated Multimodal Unit 学习融合医学图像与临床问题的联合查询表示，用于证据检索，同时保持底层 Med-LVLM 冻结。在基准数据集上，多模态查询表示持续优于参考 Med-LVLM，并与 SOTA 方法具有竞争力。
一项研究通过让全开源模型家族 OLMo 3 的各后训练 checkpoint 生成职业叙事，追踪性别偏见的演变。结果显示：性别明确给出时，后训练主要提升男性画像叙事的语义多样性，女性画像在 SFT 后提升较小、经 DPO 和 RLVR 后不再显著；模型自行推断性别时则呈现女性偏向，且每个后训练阶段都单调增加女性标签概率，但 SFT 语料仅 7.7% 的女性 token 过剩，不足以解释该效应。
论文提出 MARS，一种记忆感知路由框架，通过 Query and Topic Manager（QTM）估计会话状态，统一指导记忆构建策略和在线模型选择。在 RealMem 上，MARS 以 14.5% 的生成 API 成本保留了全上下文 GPT-4o QA 性能的 98.2%，并在对比系统中取得最强的记忆召回和检索分数；在 MultiChallenge 上整体略逊于最强静态系统，但在机制导向子集上以更低成本接近其表现。
推荐理由：论文给出记忆构建与模型路由的统一框架，并报告了在质量与成本间的具体权衡数据，可作为长程助手系统设计的参考。
研究者提出 Darwin-Claw，一个环境自适应的自进化框架，通过分层经验整合系统将情境经验蒸馏为可动态更新的原型向量，驱动智能体技能与持久记忆的持续演化。该框架可自动部署、兼容主流 agent 系统，无需人工整理。在 WildClawBench 上实验显示其带来显著性能提升，为自主智能体的用户中心持续适应提供可控稳定路径。
SkillBrowser 是一个由 Meta-Skill 管理的框架，让 LLM 智能体识别当前能力需求、生成针对性查询并按需选择性加载技能。在 SRA-Bench 六个子集和五个 LLM 上，其总体准确率超过静态检索和 LLM 选择基线，涵盖多步工具使用，并缓解已可解题目的准确率下降。收益仍依赖模型与任务，主要局限是有用技能调用不足和额外延迟。
一篇 arXiv 论文提出推理引导的偏好强化学习（PbRL）框架，从轨迹级反馈中学习人类奖励模型。该框架在偏好标签之外引入解释偏好原因的 reason tags，为学习与人类对齐的奖励提供额外监督，并提升策略可解释性。学习到的人类奖励与环境奖励结合用于策略优化，使智能体在提升任务表现的同时产生更可解释、更符合人类偏好的行为。