新闻、仓库与研究，按时间排列。
arXiv 论文提出 Steertuning 系统，让机器人从 5 条人类示教在 5 分钟内学会新任务。该系统先在 100 小时带密集标注的自我中心人类交互数据上预训练 400M 参数扩散策略，再对新任务仅做 2 分钟微调（2000 次更新），并在反向采样时用观测最接近部署环境的示教引导动作。在 12 个新环境的 12 项任务上达到 71% 成功率，数据、权重、代码和机器人视频将公开。
推荐理由：原文给出了从人类视频微调机器人策略的完整方法与量化结果，读者可以据此评估少样本示教方案的可行路径。
论文提出一种率转移方法，将关联随机微分方程（SDE）的有限时间 Lyapunov 估计转化为随机梯度算法的有限时间收敛界。在一般的矩条件与光滑性假设下，随机梯度法的收敛分析可归结为验证 SDE 的 Lyapunov 生成元不等式这一微积分论证。该方法既复现了经典随机梯度方法的已有收敛速率，也为新优化算法的收敛率证明提供了途径。
SolBehave 是一个评估 LLM 生成 Solidity 智能合约行为正确性的 benchmark，基于 250 个真实可复现的 Ethereum 合约，采用差分模糊测试、历史交易重放和 DCR 图引导的合成交易重放三种方法。对 7 个开源权重模型的评测显示，编译成功率介于 26.4% 至 92.7%，但差分模糊测试下仅 31.4% 的可编译函数与原函数等价，表明编译远非正确性的充分条件。
论文提出 PreciseCoder，在单元测试奖励基础上加入语义验证的局部编辑信号，让代码模型调试时更少改动且不幻觉出错误。在 4B、9B、27B 模型上，平均编辑行数从 7-15 降至 3，通过率持平；仅用单行 bug 训练即可泛化到仓库级修复。将 9B 模型的推理轨迹提供给 GPT-5.6 Sol 和 Qwen3.8-Max，可使编辑精度提升 4.6-12.4 分。
arXiv 论文提出 ARBITER，一个 35B MoE 智能体验证器，仅凭题面和源码判定候选程序正确性并生成反例作为可检验证据，基于 USACO 2026 构建了 USACO-JUDGE 评测集并用强化学习训练。训练将错误程序上的反例成功率从 40.61% 提升到 62.67%，USACO-JUDGE 二元判定准确率从 71.41% 提升到 87.41%，在代码选择与改进任务上均优于基线；IOI 2026 案例中 ARBITER 引导的改进使 GPT-OSS-120B 在官方提交限制下的期望分数超过金牌线。论文链接 https://arxiv.org/abs/2610.18760v1。
推荐理由：论文给出了反例生成与判定准确率在训练前后的具体数字，可据此评估这类可验证反馈验证器的实际提升幅度。
论文提出 Jeva，一种决策原生架构，针对 System one 模型直接低延迟决策的四个结构要求：null-aware、置换不变、候选集可扩展与可缓存。Jeva 用共享编码器独立表示请求与各选项，以不可变选项记忆精炼请求状态，统一 Choice、Noul 和 Score 输出。评测中实现近乎完美的 null 检测、任意排列下零决策翻转，可扩展至数千候选并通过跨请求复用大幅降低延迟。
论文提出 BLADE（Blame Localization via Audited Dependency Evidence），一种免训练的 LLM 多智能体系统失败归因框架，从追踪信息来源转向审计信息使用，利用 Jev 的结构化概率判断识别错误的引入、传播与修复。在 Who&When 与 Who&When Pro 五个子集共 1,228 次失败运行上，无需参考答案即取得八种策略中最好或持平的步骤准确率，较 All-at-once 高出 2.2-11.1 个百分点。
论文提出 CarryOn，一个面向对象的上下文运行时，把长程 Agent 的上下文围绕可复用任务对象组织，而非依赖交互历史。跨折（fold）维护 carrier 记录并按证据与环境检查修订受影响记录；在 OSWorld 2.0 与 BrowseComp-Plus 上分别提升 5.8% 和 7.0%，token 总量减少 51.9% 和 22.9%。
推荐理由：论文给出在 OSWorld 2.0 和 BrowseComp-Plus 上的涨分与 token 节省数据，可用于评估按任务对象组织上下文这条路线的收益。
arXiv 论文将 LLM 聚合器的集成增益分解为候选增量对比（DSV）与候选上下文对比（CCV），在 Direct、Single-slot、Duplicate 和 Multi-candidate 四种对照条件下测量。在 MultiHopRAG（k=2）上重复差距 Rep=-8.33 pp，FRAMES 更强面板扩展（n=200, k=3）上配对 Delta Rep=+9.67 pp 且组内符号翻转。结果表明集成评测应先声明参照对照再归因候选增益。
Xinyi Wang 等在 arXiv 发布 SEAR（Self-Evolving Agentic Robotics）框架与基准，语言模型智能体通过编写控制代码并在真实与仿真任务中保留有效经验实现自我进化。框架含 code-as-policy、agent-as-policy、auto-research 三种模式，基准覆盖 7 个前沿模型、330 个仿真任务与 5 个真机任务、累计超四年智能体运行时间。主要发现包括任务更难时延长会话更划算、控制代码与共享例程可跨任务和模拟器迁移而任务特定方案不能、真机上智能体设计的练习与新颖人类设计场景存在性能差距，且纯文本模型可媲美可比多模态模型；基准与代码库已开放。
推荐理由：该基准专门设计对照组区分真实学习与重复尝试和运气，并给出跨模拟器与真机迁移的实测发现，方法可复用。
研究者提出自适应多样性控制框架 ADiCo，在合作多智能体强化学习（MARL）训练中在线调节行为多样性：快时间尺度由 DiCo 将多样性控制在目标值，慢时间尺度由 Extremum Seeking Controller 仅依据平均回合回报调整该目标，无需显式模型或解析梯度。在两个合作任务的六种配置上，ADiCo 达到或超过网格搜索最优目标 DiCo 与 Unconstrained DiCo 的平均性能，为手动选择多样性目标提供了系统性替代方案。
一篇 arXiv 论文提出 Harness self-evolution 框架：在模型权重固定的情况下，让智能体持续修订提示词、记忆、工作流与可执行组件等软件脚手架，被接受的修订跨运行保留。论文将更新目标与提议、准入机制分离，通过演化优化刻画搜索过程，并用持续 PAC 学习给出期望泛化界、保留界与高概率准入规则。全文共 18 页，附 66 页相关工作讨论及持续更新的代码。
研究提出在低资源机器翻译中用回译（BT）利用单语数据：微调后的 LLM 翻译单语句子生成平行对，再反向训练并与平行集更新交错进行。仅用 1K 平行对，Odia 和 Swahili 上 BT 比继续预训练高 7.7 至 16.4 XCOMET-XXL 分；五个低资源语言上比仅平行数据微调提升 16 至 173%，Odia 和梵语的人工盲评与自动指标一致。
一项 arXiv 论文提出 Scenario-Actor 温度选择框架，从 Transformer 隐状态中提取场景结构，用场景嵌入这一几何表示推断交际情境并据此确定解码温度。在 Llama-3.1-8B-Instruct 上，该框架在交互式社交场景中取得较强的目标完成表现，在开放式指令遵循上有显著提升，多轮对话表现与多个基线相当。
研究者推出 RoboSimStudio（RSS），一个交互式工具包，可将求解器、接触模型和物理参数显式化并支持编辑，供人类与编码智能体基于观测到的物理行为迭代优化仿真。RSS 基于开源 Newton 物理仿真系统实现，并通过视觉评估、力反馈和 agentic Real2Sim2Real 三种方式验证了人机协同的 real2sim 流程。
该论文研究有限视界 MDP 中带 KL 正则化的离线 Q-learning。论文提出 KLQ，利用 KL 正则化在无需显式悲观主义的情况下达到 O(1/ε) 样本复杂度，但对 KL 正则化参数和视界存在指数依赖；进一步提出的 KLPQ 引入悲观主义，在保持同样速率的同时消除了指数依赖。作者称这是表格型有限视界 KL 正则化 MDP 中离线 Q-learning 的首个快速速率保证。
arXiv 论文提出 Physical Recursive Self-Improvement（Physical RSI）概念，指物理经验驱动机器人能力及其改进过程的持久更新。作者给出 L0-L5 分级框架，区分能力层与元层更新、任务内与跨任务收益，并指出在噪声观测、连续动态、试错成本高与不可逆后果下，现有文献尚未真正实现该定义下的 Physical RSI。研究优先级包括可靠反馈、因果归因、安全保持与基准评测。
LIBERO-RIG 是一个仅扰动机器人硬件与配置、任务保持不变的基准，覆盖相机安装与光学、相机-机械臂标定、控制频率、本体感知噪声等 11 个扰动轴、各 5 个严重程度，共 210 种条件。对 9 个视觉-语言-动作模型的评测显示，汇总成功率从 0.932 降至中等严重度的 0.767 和最高严重度的 0.509。视觉扰动训练无法缓解相机图像不变的故障，基准连同各 episode 的扰动参数清单已发布。
研究者提出多轮反馈引导（MFG）分子优化框架，用强化学习训练大语言模型基于前一轮反馈逐步优化分子，引入反馈向量与反馈对齐的奖励函数。在 GeLLM³O 上应用于十项多目标分子优化任务后，GeLLM³O-MFG 的平均相似度约束成功率（81.50%）超过基模型 GeLLM³O（70.81%）。
一篇 arXiv 论文提出“双时钟”框架，解释 RLVR 训练中平方根学习率规则下更大 rollout batch 每样本进展下降的原因：大 batch 更新次数更少但更长，曲率损耗更大，并推导出学习率相关的临界 batch。在 Qwen2.5-Math-1.5B 上跨 16 倍 batch 范围的 GRPO 实验支持两个预测，ratio clipping 可延迟失效但进展差距仍存在，作者据此提出先小 batch 后大 batch 的多步训练调度。
论文提出混合推理 Agent 框架 HybridAgents，用 HybridLink 在统一生成过程中于潜在推理与文本交互间动态切换，并以连续工作记忆跨多轮保存混合上下文。配套 HybridSFT 与 HybridRL 后训练算法，在 3 个模型规模、11 个基准上较前沿 LLM Agent 与 Agent 框架平均提升 10.4%，同时 token 减少 35.5%-54.7%、推理提速 1.8x-2.6x、成本节省 2.7x-3.7x，代码与数据已开源。
推荐理由：论文同时给出统一架构、后训练算法和在 11 个基准上的量化对比，读者可以直接查看 10.4% 提升与成本节省数据的来源。
论文提出 AesCode，通过将设计目标表示为可归因属性的 design graph，结合确定性校验器与 VLM judge 的 Visual Graph Rubric 构建解耦跨模态奖励并用强化学习优化，以代码生成幻灯片、海报、仪表盘等视觉产物。AesCode-8B 和 AesCode-32B 相对同规模 Qwen3-VL 基线将视觉质量分别提升 31.1 和 22.4 个百分点，达到接近 GPT-5.5 与 Claude Opus 4.8 等闭源前沿模型的水平。
论文提出 DoubtLess，一种免训练的对比解码方法，用小推理模型分别以简洁和冗长两种提示读取大模型的思维链，将两者 logit 之差按强度缩放后加到大模型每步的 logits 上，引导其生成更短的 CoT。在竞赛数学、研究生级科学和竞赛编程等七个基准上，DoubtLess 将 Qwen3-32B 的 CoT 缩短 31% 而准确率不变，优于五个推理时基线；在自调试编码智能体中每轮思考 token 减少 20%，任务性能不变，还能泛化到另外两个模型家族，并与基于训练的压缩方法叠加使用。行为分析显示其减少重复检查，token 节省大多来自正确答案首次出现在 CoT 之后。代码已开源。
推荐理由：方法无需训练即可压缩推理模型的思维链，并给出七个基准上的量化结果，可与其他推理时压缩手段比较迁移。
论文提出 Tev-Gym 数据集与 PPRS 奖励整形方法，用 1170 个带渐进可验证奖励的任务环境训练出 Tev-27B。该方法把任务进度转成逐步密集奖励，Tev-27B 在 ALE-CM 上 Pass@5 匹敌 GPT-6 Astra 与 Claude Opus 5，并在 Terminal-Bench 3.0/4.0 上超过 GLM 5.2 和 Gemini 3.7 Flash。
推荐理由：论文给出可验证的渐进奖励构造方法，用逐级奖励把长程任务变得可训练，还开源了 1170 个任务环境。
研究者发布 AXIS-Bench 并系统研究演示质量在 VLA 预训练中的用法，基于 5000 条自然次优人类演示和 24 个目标任务，在三个 VLA 内匹配演示与训练预算。结果显示感知方法的片段级条件化在普通行为克隆之外提升平均成功率，条件化偏好 episode 标签而过滤偏好 chunk 标签（因模型而异），恒定标签微调可进一步提升条件化预训练后的平均成功率；真实世界实验中仿真预训练把成功率从 9.6% 提到 31.7%。该基准基于众包仿真演示构建，记录物体与接触状态以便在共享轨迹上重算质量标签，轨迹可回放并支持工作区对齐渲染与自定义真实目标任务。论文：https://arxiv.org/abs/2610.18869v1
推荐理由：论文用 5000 条次优人类演示和 24 个目标任务，系统比较演示质量在 VLA 预训练中的用法，并放出可复算质量标签的 AXIS-Bench。
ChunkAct 将动作分块引入智能体机器人，一次 LLM 调用即可启动一段链式原语自主执行，仅在失败时交还控制，并把记忆离线编译成块，使 LLM 计算随决策数而非原语数扩展。在 LIBERO-Pro 上，ChunkAct 比当前最先进的智能体机器人方法任务成功率高 5.0 个百分点，同时 LLM 调用减少 2.9x、输入 token 减少 4.4x、输出 token 减少 2.3x。
一项 arXiv 研究分析 SGD、Adam、Muon 等优化器的隐式偏差对训练数据重建泄漏的影响：SGD 与 Muon 训练的模型在实验中可被重建出训练样本，其中 Muon 能以更低训练成本实现更强重建，Adam 在 ℓ∞ 隐式偏差下仅编码最大坐标的离散模式，对所评测攻击表现出更强抵抗力。实验基于 MNIST 和 CIFAR-10，结论依赖训练机制与架构。
Jing Liu 在 arXiv 论文（2610.18298）提出一个模型无关的五阶段闭环 Agent 协议，用候选×证据矩阵证伪机制约束大语言模型的假设驱动决策，结论是输出纪律而非模型能力构成瓶颈。在中医辨证基准 TCMEval-SDT 的 200 例上，两年模型缩放仅使 zero-shot 分数变动 -0.03 到 +0.08；该协议对输出纪律差的模型有提升（DeepSeek-V4-Flash +0.267/+0.271，全部来自终止性修复），将 Kimi K3 的运行间标准差从 0.218 降到 0.007，但对已有纪律的 Qwen3-4B/32B 有 -0.087 到 -0.120 的代价。
研究者发布 AnnalsChallenge 数据集：50 条用 Lean 4 和 Mathlib 手写形式化的定理陈述，每条均为 2020 年以来发表于《Annals of Mathematics》论文的主要结果。所有形式化均经人工审核并由 AI 审计，不含形式化证明，可供评估数学自动形式化进展使用。该工作已被 NeurIPS 2026 的 AI-MATH workshop 接收。
AffectWorld 基准通过 Emotion-Action-World State 链条评估世界模型，涵盖世界状态一致性、情绪-行动一致性和因果一致性三项任务，共含 1,498 个日常视频样本及 233 个反事实样本，并定义八项指标加一项反事实指标。对 Cosmos3 等五个 SoTA 世界模型的评测显示，其世界状态变化分数仅 0.100-0.280，反事实情绪敏感度 0.027-0.070，表明模型在情绪驱动后果生成上仍有较大差距。
一项 arXiv 研究提出并测试用反应图谱（Provenance Action Graphs）辅助材料合成，将反应步骤与产物编码为可学习的知识库，支持正向预测与逆向学习两种模式，目标是加速材料发现并供多个 data agent 共享与贡献。研究聚焦固态合成场景，因这类反应受动力学支配，需对反应历史进行更精细的监控与控制。
ShoeFit 提出 MVShoes 多视角鞋类试穿数据集（7305 组标注图像三元组）与双流 DiT 架构，通过 Multi-View Conditioning 结合 3D Rotary Position Embedding 缓解视角错位，并利用 LayeredRefAttention 借助背景特征调制鞋类 latent 以减少背景导致的色彩失真。实验表明该方法在真实商品鞋的高保真试穿合成上显著提升渲染保真度与鲁棒性，已被 NeurIPS 2025 接收。
AssetForge 是一套资产增强的任务构建流水线，将可复用构建资产库与任务专用 Rubrics 配对，自动生成连接自然语言请求、应用状态与可验证终态的可执行任务。在 AutomationBench v1.0.6 public-600 上，Qwen3.6-35B-A3B 用 6,000 个 AssetForge 样本微调后在官方 strict pass@1 达到 41.17%，是基线 9.33% 的 4.4 倍（+31.83 分）；同样骨干搭配 GLM-5.3 监督下比传统 Rubrics 高 10.84 分（30.33% vs 41.17%）。相关模型在 AppWorld 的 Test-Normal 和 Test-Challenge 上完成率也优于基线。
研究者提出 Orchestra，一个将任务规划与执行管理从动作生成中分离的机器人智能体框架，可把多模态指令分解为有序子任务并跟踪进度。Orchestra 在九项 RMBench 任务上平均成功率达 68.22%，超出 Mem-0 26.22 个百分点；在 RMBench-Compose 上 ASL 达 7.35 个子任务，为 HarnessVLA 的 2.46 倍。代码与项目页已开源。
arXiv 论文将 LLM 选择定义为叠加在基础博弈之上的“策略选择”元博弈，在 5 个博弈和 10 个 LLM 上评估发现模型策略能力随博弈设置和对手显著变化。实验显示基于查询嵌入或 LLM 自我反思的选择方法不稳定，轻量级多臂老虎机算法跨博弈更可靠但仍不及最佳固定模型，非平稳与对抗变体也未超越平稳基线。
ABot-ER 是一个统一具身推理基础模型，在单一模型内同时覆盖感知、规划、执行三项能力，达到专家级深度。其 Agentic Data-Model Self-Evolution Engine 持续调整数据策略，Task-Conditioned Adaptive Training Strategy 用任务 token 在共享骨干上激活轻量低秩残差。在覆盖 12 个 benchmark 的评测中，ABot-ER 在感知、规划、执行上取得 SOTA 总体表现。
Urbex 是一个智能体视觉-语言框架，将城市级 3D 定位从候选排序改为主动空间搜索，让 VLM 智能体查询地标、缩放局部区域、渲染斜视图并提交边界框。该方法在 CityRefer 上用强化学习优化工具使用策略，取得最佳 Hit@1 和 IoU，无需候选框和真值框，且显著快于最强城市级排序基线；在 STPLS3D-Refer 上的零样本结果也显示跨场景鲁棒性提升。
研究者提出通用校准框架 GCH，将地球科学过程模型的校准委托给受知识基础设施约束的 LLM 智能体，由其定义参数域、观测映射与目标并生成模型代码，数值搜索与评估则无需智能体判断。在雪模型测试中，5 个知识引导设定全部一次执行成功，NSE 达 0.81-0.94，而仅给模型名的 5 个设定无一成功，默认参数仅 0.57；GR4J 独立设定得分差异在 0.001 NSE 内，验证了可复现的端到端校准委托。
一项 arXiv 研究比较五种离线图嵌入变换方法，在合成职业社交网络 benchmark 上测试无需查询时图访问的检索策略。最强配置在涉及关联事实或候选比较的问题上，证据恢复率较普通向量检索最高提升 25.9%，且以少 40% 的返回节点达到基线恢复水平。结果显示检索性能更多取决于图修改嵌入的使用方式而非生成方式。
研究者提出一种低成本两阶段方法，利用路侧 RGB 相机与 3D 雷达实时估计行人、自行车和汽车等道路使用者的 3D 形状与朝向，避免端到端模型依赖大量特定点位数据。第一阶段用现成方法提取 2D 相机边界框和对应 3D 雷达点，第二阶段由雷达确定 3D 位置、预定义模板确定尺寸，并用微型神经网络预测针对具体点位优化的 yaw 角。该方法在带行人路口的弯道完成验证，在 NVIDIA Jetson ORIN 上达到 25 fps。