新闻、仓库与研究，按时间排列。
Carlo Ciliberto 在 arXiv 发布论文，提出 Proof-Carrying Contracts（PC2）框架，要求智能体在执行操作前提交机器可验证的证明，说明该操作在其模型允许的所有情况下都保留约定约束。名为 Airlock 的执行系统负责检验证明并控制访问，论文证明了约束在执行全程每个时刻都成立，即使智能体是对抗性的，并提供可复用能力模块用于构建合约。
一项研究提出基于 SSM 的脉冲神经网络（SNN）闭环预测方法，解决 SNN 自回归预测时依赖不可得数值的问题，包括模型级和层级两种策略。在 ETT-small 基准上，两种方法与 S4 的 zero-masking 基线相当或更好，多数情况下可与 SpaceTime 等最先进方法媲美。结果显示连续激活与低比特量化激活之间的权衡，证明 Deep SSM 架构可作为有竞争力的预测框架。
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。
DecisionPivot 是一个诊断 LLM 系统中决策模型的 benchmark，包含 48 个任务、40,033 个条目和七种决策角色，核心 track 有 7,800 个条目组成的对照组。评测显示，两个在 reference track 上仅差 2.6 分的 27B 模型，对照组准确率分别为 70.1% 和 44.2%；Perplexity Decider 在 2,400 对二元对照中概率排序正确率达 92.3%，但仅 74.1% 两题都对。GLM-5.3 在 1,296 条目子集上以更高推理设置达到 93.5% 对照组准确率，最低设置下为 81.5%。
论文提出 REACT 框架，从人类双人示范中学习可部署的人形机器人交互策略，用 VLM 引导的接触建模与重定向提取语义接触，并将特权策略蒸馏为仅靠机载深度感知的部署策略。为应对严重部分可观测，引入生成式伙伴状态建模目标预测被遮挡伙伴运动；在仿真和真实 Unitree G1 上评测五项接触丰富交互，实机上仅靠机载感知完成全部五项。
推荐理由：论文聚焦近距离接触时人形机器人看不到人类伙伴的难题，用语义接触结构作为监督信号，并给出了仿真与 Unitree G1 实机的验证。
arXiv 论文提出数据中心的后训练量化方法，突破 4 比特边界，在 2 比特下用向量码本表示、任务对齐校准数据与仅码本的恢复微调三要素组合，将标量 PTQ 崩溃到随机水平的模型恢复可用。该配方在 3.8B 到 32B 的六个稠密与 MoE 模型上每权重约 2.3 有效比特，保留 89 到 97% 的全精度问答准确率，计算量比最强 QAT 基线少 1.4 到 30 倍。
arXiv 论文（arXiv:2610.28539）研究 AI Safety via Debate 能否引导人类与 LLM 监督者克服先验信念趋向真相。结果显示辩论能提升人类评委相对先验信念的准确率，而单专家咨询基线不能；较弱语言模型在多数设置中无对应收益，甚至降低准确率，且人类监督者中加权投票准确率最高，LLM 多评委协议则均无显著提升。这支持辩论作为可扩展人类监督的路径，但对高风险场景下全自动训练与控制管线提出质疑。
论文提出 Learned Wiring（LeWi）：每个神经元拥有可学习的低维嵌入，仅连接邻近神经元，嵌入与权重联合训练，以利用目标的组合稀疏结构。基于 CSFRBench 及 32 个独立采样计算图生成的目标，LeWi 在未获知目标图的方法中样本效率最高，学习曲线面积比稠密网络平均低 27%。在 17 个世界模型预测任务上，LeWi 在 16 个任务上超过稠密基线，119 次基线对比中获胜 99 次。
一项基于 18 个数据集的实证研究比较了五种经典方法、frozen Qwen2.5-7B 与 Llama-3.3-70B 选择器以及两个 GRPO 适配的 Qwen2.5-7B 模型在表格特征选择中的表现。结果显示，经典选择器在预测性能上普遍优于 7B LLM/RL 选择器。但语义敏感性实验表明，Zero-shot Qwen-7B 在回归任务上从有信息量的特征名获益（相比匿名化 +0.1964、打乱 +0.1606 平均 R^2），分类任务差异较小且依数据集而异。
研究者提出 AnomalyAgent，一种用于视觉异常检测的后训练融合框架。该框架对齐异构检测器的分数与异常图，将融合建模为有限动作选择问题，用受约束的 VLM 检查高冲突样本并选择分数动作和图动作。在 MVTec AD 与 VisA 上，AnomalyAgent 相比等权融合持续提升，取得了对比融合方法中最优的 mean image AUROC 和 pixel AP。
研究者提出 OptScientist，一个从数据中自动发现符号化优化定律的框架，由符号优化问题推断模型和结合文献先验的 LLM 智能体系统组成。在含 99 个物理优化问题的新基准 OptFeynman 上，它对超过 80% 的问题恢复出真实定律，显著优于机器学习、符号方法和 LLM 基线。在人类风险决策与央行货币政策数据上，其发现的定律在留出预测性能上与主流基线相当，且参数更少、token 消耗显著更低。
一项研究提出用 LLM 驱动的进化程序搜索来改进生成式检索（GR）中的语义标识符设计，据称是该方法首次应用于 GR。框架使用本地部署的开源 31B 模型变异可执行组件，并以 1M 参数代理解码器替代反复训练 1B 目标生成器提供快速反馈，代理与目标 Recall@100 的 Spearman ρ 达 0.90。在 NQ320K 上，联合进化 SID 构建与碰撞处理将 Recall@1 从 55.8% 提升至 59.3%，Recall@100 从 85.8% 提升至 90.6%。
Wenjie Lou 等人发布 Sage-A1.5 技术报告，这是一个基于 A1 的 35B Mixture-of-Experts 智能体模型，通过自适应能力组合推进长程问题求解。报告提出三项改进：通过任务委派与子智能体隔离上下文并行协作的智能体编排，包含进度检查、证据验证与反思式策略修订的智能体验证，以及超越回答预设问题的开放科学探索能力；模型 checkpoints 已开放。
推荐理由：报告说明了子智能体并行协作、验证与开放科学探索三项改进的设计，适合关注长程智能体任务执行方法的读者。
研究者提出空间表征学习框架 Tessera，结合空间感知的基因选择与几何归纳偏置，通过建模细胞间相对关系实现平移不变且保留方向。在跨组织与技术的留出测试中，Tessera 表征质量优于现有空间基础模型，并可零样本泛化到比训练时最大 16× 的上下文。该工作已被 NeurIPS 2026 AI4DD workshop 接收。
论文提出混合框架 CoRAL，采用非对称 Planner-Executor（APE）架构：扩散语言模型 Planner 并行生成 K 条推理轨迹，大型自回归模型 Executor 择优并合成最终答案。训练中引入 Reward-Guided Denoising for CoT（RDC），将结果奖励融入扩散过程以引导目标导向推理。视觉语言基准实验显示 CoRAL 显著优于已有扩散方法，并对强 ARM 达到有竞争力的性能，兼顾效率与质量。
SceneRig 是一个智能体系统，可将单张图像转化为可编辑、仿真就绪的 3D 场景。它结合几何、视觉与物理工具进行重建，并让智能体在物理仿真器内执行"编辑-验证"循环以确保物理稳定性。相比基线方法，其场景能更准确预测真实机器人策略结果，并更可靠地支持录屏操作的回放而无需轨迹适配。
研究者构建 RTLRepairDataset（5,784 组（broken, fixed）训练对）和 RTLRepairBench（459 个保留测试用例，含 374 个语法变异和 85 个行为变异），并支持仿真与形式等价评测。审计发现两个测量混淆：仿真与形式化评分对是否提供规格说明的效应符号相反，六款模型上规格基线与条件化恢复的点估计相差 -8.5 到 +18.3 个百分点。团队据此提出评测控制协议并开源了基准与复现材料。
论文提出 Agent S4，一种自主计算机使用智能体，从任务经验中构建可演化的智能体界面：元智能体在无成功标签的合成任务轨迹上构建并修订界面与用法知识仓库，再通过基于种群的进化按未见验证任务的表现筛选。在 OSWorld V2 上，Agent S4 搭配 Qwen3.8-27B 与演化界面仓库取得 21.3% binary score，为固定界面同模型的 3.8 倍，高于 GPT-5.5（13.0%）和 Claude Opus 4.8（20.6%），成本约为后两者的 4.3% 和 1.5%；在 ScienceBoard 上同模型成功率从 41.4% 提升至 58.6%。代码已开源。
推荐理由：论文提出让智能体自主演化操作界面，用无标签轨迹和种群进化构建接口库，并给出 OSWorld V2 与成本对比数据。
研究表明，TS2Vec 经三项改动可从逐数据集训练的自监督方法变为通用基础模型：在合成语料上预训练、用双 stem 输入原始幅值与实例归一化形状两个视图、将两个专家编码器蒸馏为单编码器。所得 TS2Vec-FM 为 1.6M 参数的膨胀卷积网络，冻结后在 UCR-128 线性探测达 83.3%、UEA-27 达 75.3%，距 SOTA 的 MantisV2 仅 0.3 pp，且不依赖 attention、patch tokenizer 或中间层提取。
一项被 EMNLP 2026 录用的研究提出诊断性指标框架，基于 Schwartz 基本价值理论，从价值表达和价值组织两个维度比较人类参考辩论与 AI 生成辩论。结果显示 LLM 生成的辩论价值表达广泛，激活的价值维度常不少于人类辩论，但组织方式不同，语句层面价值更弥散。
论文提出 Semantic Observability，一个自主多智能体框架，将分布式微服务的异构日志统一为可查询的属性图数据库。系统通过 Directed Cyclic Graphs（DCGs）编排有状态多智能体，结合因果图算法与时序回溯定位异常影响范围，再由 LLM 推理引擎生成代码级根因分析（RCA）与修复建议。作者从概念上论证该框架可降低 MTTR、压缩 LLM token 消耗并抑制结构性幻觉，并在 LogHub 和 Train-Ticket 基准上指定了开源验证框架。
研究者提出 Adaptive Multi-Token Prediction（AMTP），将多 token 预测的视野选择建模为在线控制问题，通过验证反馈动态选择最优推测长度，无需重训练且不改动验证器。在基于 Llama-3.1-8B-Instruct 与 Medusa heads、Meta MTP 模型、Qwen3-4B-Inst-2507-MTP 的五组组合上，经 AIME 2025 和 GSM8K 评测，AMTP 解码最高加速 4.1x，在 10 个设置中的 8 个持平或超越固定窗口，吞吐最高提升 10%。
研究者推出 MindView 基准，包含来自 513 个场景的 1,500 个样本，涵盖几何主导与语义主导两大类共七项任务。对 11 个生成模型的评测显示仍有较大提升空间，微调 BAGEL 后整体分数提高 24.3 分，且在三个空间理解基准上也获得提升。提出无需训练的证据选择器 MindCue，可逆转扩展上下文下的分数下降并超过标准上下文基线。
IndustrialRemembr 将 NVIDIA ReMEmbR 扩展到仓库机器人机群，构建共享时空记忆系统，通过按需生成场景描述降低服务器端计算。每台机器人上的 NVIDIA Jetson 用 Cosmos-Embed1、Cosmos3-Edge 和 Wan2.2 VAE 编码视频，不上传原始画面，并在图像补丁中置零人物以支持符合 GDPR 的 PII 抽象。Cosmos3-Edge 在视觉-语言边界切分，缓存 token 解码在全部 450 次测试解码中复现了未切分模型的输出。
Rahul Sajnani 等人在 arXiv 发布 UniWALM，一个在单一 mixture-of-transformers 骨干中统一学习视频、动作与语言的模型，各模态扩散头同步去噪，生成的文本记忆在下一步被重新消费，无需外部规划器或记忆库；并引入 Flow Matching with Correction（FMC）训练目标，在不增加推理开销下教模型从受扰动作轨迹恢复。UniWALM 在 MolmoSpaces 组合抓放和 RLM... 在 RMBench 记忆子集达 34.5%，超过带关键帧的 Mem-0 设置（28.5%）；真实世界 Find-the-Item 任务中生成文本记忆把成功率从 11.1% 提到 61.1%，而现有 VLA 不高于 33.3%。
研究者提出 GBClaw，一个用于研究一般晶界结构与变形的智能体 AI 框架，将 LLM 与编排器、专用 agent、领域工具、仿真接口和分层记忆整合为模块化架构。该框架应用于镍中 14 个一般非对称倾转晶界，表征了界面缺陷结构并识别出多种变形模式，发现有/无次级晶界失配位错时边界滑移的剪切强度差异显著。
一篇 arXiv 论文提出可对任意骨架（rig）联合生成视频与 3D 运动的模型，并通过 cross-attention 层将独立的运动模型连接到预训练视频模型，同时学习关节定位以恢复相机、把运动注册到 3D 场景。训练借助生成式视频编辑器将动画资产放入合适场景，结合人类和机器人视频共构建近 200K 训练对。评测显示其从文本驱动多样骨架比视频优先管线更忠实，运动可响应场景，并支持视频转骨架运动、骨架运动转视频及关键帧控制。
论文追踪七个开源 RL 后训练框架的提交历史，并关联 2025 年 1 月至 2026 年 6 月的 6939 篇 arXiv 论文。在 1598 篇提出通用 RL 训练方法的论文中，只有 37 篇被至少一个框架纳入；每季度队列在 180 天内纳入数量稳定在 5 到 7 篇，而队列规模从 72 篇增至 386 篇。被纳入的论文更常训练 30B 及以上参数的策略（41% 对 10%），更常修改现有损失中的系数、clip、mask 或权重（29% 对 9%）；两个差距在剔除框架维护公司自身论文后依然成立，而代码开源比例在两组中相同。超过九成未被纳入的方法在框架 issues 中没有任何提及或引用。数据以追踪器形式发布，链接训练失败与框架实现并列出各框架贡献规则。
推荐理由：论文用提交历史量化了 RL 论文进入开源训练框架的真实比例，数据可帮助读者评估方法复现和框架选型的落差。
一篇 NeurIPS 2026 论文证明，基于投毒安装的神经网络后门无法具备密码学认证那样的不对称性：难以学习的 verifier 无法通过投毒安装，而投毒能安装的 verifier 也可被掌握足够触发样本的白盒防御者重建。推理期注入密钥同样可被该防御者观测。在指令微调大语言模型上的实验验证了这一二分法，未发现任何配置能同时实现攻击有效且防御者无法恢复的后门。
一项 arXiv 研究提出 On-Policy Transition Distillation（OPTD），在传统在线蒸馏只匹配最终层分布的基础上，进一步对齐教师与学生模型在学生生成 rollout 上的层间对数概率增量。诊断实验显示，正确回答在中间层迁移上具有更低的平均 KL 散度。在三个 backbone、八个覆盖数学、代码和指令遵循的 benchmark 上，OPTD 在双域和三域蒸馏中均取得最佳或并列最佳成绩，三域设定下可恢复约 90% 的师生能力差距，而 OPD 约为 75%。
一项 arXiv 研究提出 FAR-6 评测集，收集 8 个模型在 6 种语言、最多 105 个道德情境下共 110 万条回复，比较不同提问与读取方式是否测到相同判断。结果显示句子层面判断特征高度一致（r = 0.94），而否定疑问句后按预设映射读取 yes/no token 时一致性仅 r = 0.67；去除各语言共识后，48 个模型-语言组合中有 39 个在命题标签下模型特征最接近自身跨语言版本。结论是模型可能保持判断却改变其“是”，对 token 打分需先确定它肯定的是哪个命题。
一篇 arXiv 论文提出"分级披露"（graduated disclosure），让 LLM 根据用户授权级别调整回复的信息详细度，而非简单的全答或拒答。方法将其建模为披露感知生成问题，用基于奖励的优化惩罚未经授权的事实泄露（包括改写和近似表述）。在企业和临床 benchmark 上，该方法较提示词、门控和监督基线显著减少信息泄露，同时保持正确性与实用性。
研究者推出 BAIT（Bias Annotation In Text）新闻认知偏差触发器评测基准，包含九类触发器的标注规范和 50 篇由训练有素的标注者在文章与片段层面标注的英文新闻文章，并定义触发器检测与片段定位两项任务。对六个前沿 LLM 的 zero-shot 及 3 或 10 个 in-context 示例测试显示：模型在判断文章含哪些触发器上接近人类一致性，但定位相关片段不足人类一致性的一半，且倾向依据表面线索过度预测触发器，表明模型响应的是表面特征而非操纵机制。相关 schema、codebook、标注与评测流程已开源。
研究者提出 MentalLoom 评测，包含 604 个模糊社交事件、匹配的抑郁与社交焦虑披露及四轮对话，评估 8 个 LLM 的心智化表现。结果显示，披露会引发更多负面解读但对叙述者本身更积极的诠释；重复追问下模型给出更多情感支持、更强的正面背书与更高确定性，而事件证据未新增。这表明用户情境可在模糊性未解时重塑模型的解读偏好与承诺。
研究者发布 Africa-Papers，这是迄今最大的多领域泛非学术预训练语料库，包含 844,807 篇全文论文、共 10.15 billion tokens，分 879 个 Parquet 分片，涵盖 DOAJ 非洲期刊、CGIAR CGSpace 农业库、arXiv 非洲作者预印本及 OpenAlex 开放获取论文四大学科来源。语料以保留章节结构、公式和表格的干净 Markdown 格式发布，配有精确 BPE token 计数和 8 域分类体系，已在 Hugging Face Hub 的 AfriSpeech 组织下开源，用于支持非洲基础模型的持续预训练与领域评测。
研究者提出 TEPCA 框架，从证据和参数两个层面改进 LLM 在时序知识图谱（TKG）上的推理：证据层采用时间约束的 DRGP 路径剪枝和基于互信息（MI）的剪枝，参数层引入时间戳条件化的 DG-LoRA 低秩适配机制。在两个 TKG benchmark 上达到 SOTA，DG-LoRA 在八个常识问答数据集上进一步验证了输入自适应能力、跨 LLM 骨干的可扩展性与可解释性。
一项 arXiv 研究提出，大型音频-语言模型（LALM）中存在音频与文本表征对齐的共享子空间，并识别出同时表征音频与文本的跨模态神经元。研究在 3 个 LALM 和 4 类声学属性上发现不同程度的音频-文本神经元对齐。因果干预实验显示，这些神经元不仅对预测不可或缺，还可通过激活与去激活进行操控。
一项研究系统消融 LSTM 与 Transformer 语言模型的神经元，并以有限微调模拟补偿性可塑性，发现二者衰退模式截然不同。LSTM 随损伤逐渐衰退，Transformer 在 MLP 消融下出现阈值式崩塌，在注意力头消融下呈平滑下降。MLP 消融模型表现出类似 Wernicke 失语的语义错语，注意力头消融则类似原发性进行性失语的语义变异型（svPPA）。
该论文横跨 102 个模型和 42 个品牌类别，发现模型命名品牌时多选市场领导者 Nike，推荐时则转向小众专业的 Brooks，26 个类别中两者不同。三个开源训练管线显示预训练已把推荐品牌挂在建议上，DPO 让推荐偏好移动 11 到 24 个点，且偏好数据中几乎不含品牌；作者怀疑偏好来自偏好训练中判定答案优劣的 judge 模型。
推荐理由：覆盖 102 个模型和 42 个品牌类别，用三条训练管线定位品牌偏好在预训练与 DPO 阶段的成因。
arXiv 论文提出通过40个日常问题（如“说出一种声音”“说出一位诗人”）的单字答案为语言模型建模指纹，在94个模型的面板上识别出确切模型的准确率为92.5%，随机仅为1.1%；系统提示词会使准确率下降6至16个百分点。作者用该方法检测 OpenRouter 上13个开放模型的96个端点，其中92个与其声称的模型一致，一个端点以 Llama 4 Maverick 之名实际提供 Gemma 4（自报身份且计费按 Gemma 4 的 token 数）；计费记录还显示第一方模型被附加了额外上下文，如 Grok 4.7 对一行问题计费1,247个输入 token，而 GPT-4o 同样问题仅12个 token。方法成本每端点仅几美分，代码与数据已公开。
推荐理由：这篇论文展示了用40个单词答案就能指纹识别API背后的模型，还借计费记录发现OpenRouter上有端点冒名和隐藏注入上下文，方法成本极低可复现。