新闻、仓库与研究，按时间排列。
arXiv 论文提出 CIIR，一种通过类索引地址空间连接异构数据集的模块化编码器-解码器框架，无需配对或实例匹配样本。模型用 128 维地址表示，从手写数字、服装图像、口语数字频谱图和手势中学习，label-free 接收器达到 94.7% 宏平均 Address Realization Accuracy；冻结地址空间后仅训练轻量适配器，MNIST>SVHN 和 SVHN>MNIST 端到端 Address Transfer Accuracy 分别为 90.2% 和 82.3%。
一项 arXiv 研究提出 UBE 编码，对三字节 UTF-8 码点改用低字节在前的 UTF-16 存储，提升字节级语言模型边界预测能力。在 FLORES-200 上 13 种婆罗米系文字 17 种语言的单符号前瞻测试中，码点边界的平衡字素边界误差从 UTF-8 的 8.76% 降至 0.06%；韩语和中文相对 UTF-8 平均误差分别降低 72.91% 和 35.29%，且训练仅需 25% 和 37.5% 即可超过 UTF-8 最终误差。
Intern-Decision 发布 0.8B、2B、4B 三款多模态决策模型，从文本和可选图像输出结构化选择与候选概率。4B 版本在七个评测套件上平均准确率 90.02%（对比 Jev v1.13.0 的 88.74%），单张 RTX 4090 上 289-token 请求平均延迟 44.16 ms。温度缩放将 Brier 从 0.628 降至 0.550，基于置信度的路由把 Jevbench-Hard 准确率从 73.87% 提升至 87.39%。
研究者提出 EVA-Cap 框架，将字幕分解为原子视听事件，把非结构化文本监督转为事件中心对齐，并在自建数据集 EVA-Data 上用 SFT 和 GRPO 训练。GRPO 阶段针对全局事件完整性、事件内归因和事件间同步三个目标优化。该模型在 ChronusAV 上平均提升 9.0%，WorldSense 上提升 3.3%，论文已被 NeurIPS 2026 接收并承诺开源代码。
研究者推出心理健康支持评估框架 MindEval2，包含与博士级心理学家合作开发的 MHQR 评分标准和患者模拟组件 MindSim，后者带有跨轮次记忆以建模纵向心理健康过程。该框架评估了 18 个闭源和开源权重模型，发现前沿模型在表层质量和边界问题上已大幅改进，但指导校准仍是所有模型的主要失败模式，占质量差距的大部分。
arXiv 论文 OmniVerifier-C1 提出一种分解式分级视觉验证器，可将复杂提示或环境规则自动分解为细粒度组件并给出逐点评分，替代传统 True/False 二元判断。训练采用 Decoupled RL 策略，联合优化子问题级二元判断与全局对齐评分，实验显示其在文生图场景显著优于二元验证器，并在 Maze、Sudoku 等结构化世界建模任务上验证有效。论文还从理论上证明有真值图像时成对验证比逐点验证更准确。
SCOPED（Skill-Decoupled On-Policy Expert Distillation）是一种面向视觉语言模型的训练方法，先分别训练能力专属专家并通过奖励引导反思提取显式技能，再进行在线蒸馏，让统一模型在推理时无需显式技能也能内化程序性知识。在八个多模态 benchmark 上，SCOPED 持续优于骨干模型和混合能力 RL。分析还发现联合优化存在能力间干扰，技能增强有助于专家轨迹更一致、更关注任务相关视觉证据。
研究者将四个 Gemini 4 Argon 智能体放入沙盒化的 Minecraft 生存世界，目标是击败末影龙，每个智能体通过开源库 Mineflayer 控制一名玩家，靠游戏内聊天和共享记忆协调，没有人类分配角色或编写游戏逻辑。团队从随机生成的 Easy 难度世界出发，编写了 2,783 个程序，死亡 605 次，用 27 小时 14 分钟击败了末影龙。作者称这是据其所知首次由 AI 智能体仅用标准 Mineflayer 库、无预探种子等人类专用工具完成的端到端自主通关，论文还描述了分工、知识共享、互相恢复物品等策略与结果局限。
推荐理由：论文给出了完整运行数据与协作策略描述，读者可以据此了解多智能体长时程自主任务的实际做法和局限。
研究者提出事件中心评测框架并实现为可训练音视频奖励模型 AVC-Reward，将判断聚合为粗到细的三级一致性指标，覆盖全局叙事、事件级时间同步和细粒度属性对齐。配套的 AVC-Benchmark 由多类音视频生成模型的正负样本构建。AVC-Reward 在与人类判断的对齐上达到自动方法中的 SOTA，作为在线强化学习信号可提升联合生成模型的音视频一致性。
研究者提出用互补表示设计时序语言模型，基于 Qwen3-VL-8B 结合折线图与归一化延迟嵌入两种视觉视角，经专用视觉编码器融合进同一语言模型。双视角模型在 TSRBench 上将整体准确率从单折线图的 44.5% 提升至 53.2%，远超最强专用 TSLM 基线的 36.7%，并在 TSExam 达 89.9%、多变量 ChatTS 对齐数值准确率达 86.8%。
研究者提出 ACEdit 训练方案，解决多轮图像编辑中分布偏移累积导致的质量退化问题。该方案将 Self-Forcing 原则引入图像编辑，让编辑器在训练时处理自身此前的输出，并通过知识蒸馏结合非对称条件控制——学生模型在自己的输出上顺序编辑，教师模型则锚定原始干净图像接收复合编辑指令。实验显示该方法在长序列多轮编辑中显著减少退化，同时保持编辑质量和指令遵循能力。
研究者发布开源确定性时序描述流水线 TimeCap，无需语言模型参与即可直接基于信号生成可复现的标注，并以 OpenMHC（MyHeart Counts 可穿戴数据集）为输入生成 MHCap——覆盖 19 个 Apple HealthKit 通道、7,005,763 条描述、908,944 人日数据的最大开源多模态可穿戴时序描述集。在该语料上训练的 OpenTSLM 中，加入描述的 OpenTSLM-Cap 在 8 项任务、32 项按用户二分类评测中的 29 项优于仅标签基线。
arXiv 论文提出 ZoomCap，将细粒度图像描述建模为可恢复的视觉信息迁移，通过草稿路由知识检索、OCR 敏感读取与自适应视觉缩放补全证据，并配套 FactCycle 逐条评分描述中原子事实的真实性与可实现性。对比 Qwen3.5-397B-A17B 生成的描述，ZoomCap 以小 10 倍以上的 teacher 取得 81.9% 的人类偏好得分，每图迁移 52.4 条事实（ScaleCap 为 31.5）。持续预训练中，ZoomCap-450K 在 11 个 benchmark 平均提升 1.31-2.38 分，ZoomCap-450K 数据集已公开。
DocPilot 是一个智能体文档框架，通过页面级导航与细粒度证据定位编排证据检索，并整合局部视觉检查、代码化数值推理和跨模态推理，使小语言模型也能学会复杂的文档求解。其课程式智能体训练从单一能力学习渐进到自适应编排。在 MMLongBench-Doc、DocBench、FinRAGBench-V 和 MADQA 上，DocPilot 搭配前沿 VLM 取得显著提升，DocPilot-4B 对比大得多的模型也具备竞争力，代码已开源。
一项 arXiv 研究发现，Block Influence（BI）深度剪枝的排序依赖校准分布：在 Qwen2.5-1.5B-Instruct、Llama-3.2-1B 和 Gemma-2-2B 上，印地语、马拉地语和泰米尔语的后期 block BI 比英语高 20.7-55.5%，仅用英语校准会系统性漏选这些层。用等量的英语、印地语和马拉地语数据平均校准可缓解困惑度损害，但效果并非在所有架构和剪枝预算下通用，需逐一验证。
论文提出 FaShift，一种因子级分布偏移处理框架，通过诊断潜在表征因子的分布变化、干预效应和跨环境稳定性，选择性抑制、保留或衰减各因子的贡献，而非强制统一不变性。在 MOSI、MOSEI 和 CH-SIMS 三个数据集上，FaShift 取得最优 ID 准确率与 F1，OOD 上在 MOSI 提升 1.5/3.6 点、在 MOSEI 提升 1.7/2.7 点，并在 CH-SIMS 上取得最优 OOD 成绩。
研究者提出 TITAN 框架，通过因果干预、稀疏特征分解与定向偏好优化，定位并优化 decoder-only 多语言 LLM 中的翻译回路，仅更新不到 5% 的模型参数。该方法在印地语到乌尔都语和信德语（天城文）翻译上分别取得 33.75% 和 45.86% 的 BLEU 提升，人工评估也确认了充分性与流畅度的显著改善。分析显示多语言翻译通过共享语义子空间上的稀疏结构化回路实现，而非以英语为中心的枢轴表示。
arXiv 论文提出 Knowledge Transfer Probing（KTP）协议，检验图像生成训练能否为预训练模型带来新知识。在 7 个知识类别和 3 个统一多模态模型上，视觉监督可向语言迁移知识，但迁移不均衡；作者进一步提出 Textual Alignment 与 Interleaved Image–Text Alignment，无需 QA 监督即可提升知识访问能力，且图像中正确再现的知识往往更易通过文本访问。
研究者在 Qwen-Audio-3.1-ASR-Flash-Next 基础上加入专用 Jev 决策头，推出 Qwen-Audio-Jev，通过 CHOICE、NOUL、SCORE 三种决策原语统一音频选择、二值判断与评分。模型在 MMAU-mini 上达到 78.70% 准确率、MMSU 上 84.06%，VoxCeleb1-O 等错误率 6.50%，NISQA 归一化平均绝对误差 0.1062。相比原模型推理速度提升约 20 倍，适用于大规模音频筛选、说话人验证和自动质量评估等高吞吐场景。
Hugging Face 发布 Granite Switch 4.1（Granite-Switch-4.1-8B 与 -30B），将 Decision aLoRA、Guardian aLoRA 和 OpenASR 排行榜上最快的 ASR 模型 Granite-Speech-5.0-Turbo-CTC 组合进单一模型，VRAM 占用与基座模型相当。得益于 cache-efficient Activated LoRA 与 vLLM 低秩适配推理加速，模型可在对话、决策与语音请求间高速切换；用户也可用 Granite Libraries 适配器自行组合模型，团队还计划在 Mellea 中发布 Adapter SDK。
Meta 在 Hugging Face 发布开源权重模型 Muse Spark Open，采用 MoE 架构，总参数约 816B、每 token 激活约 42B，支持文本、图像、音频和视频输入，上下文窗口最高 1M token。模型针对 agentic coding 训练，可读代码库、写代码、调试并调用工具；官方给出 transformers、llama.cpp、vLLM、SGLang、MLX 部署配方，BF16 权重约 1.5 TB，NVFP4 版可跑在单节点 B200 上，并用 TRL 在 64 张 H100 上完成 LoRA 微调演示。
推荐理由：官方博客给出完整架构参数与多套部署配方，从 llama.cpp 量化到 TRL 微调实测数据都有，可按需选路径复现。
Project Apertus 发布 Apertus 1.5，在 8B 和 70B 两代模型基础上以继续预训练方式加入图像与音频理解、可选思考模式，上下文窗口扩至 262,144 tokens（4 倍），权重于 2026 年 7 月 24 日以 Apache 2.0 许可上传 Hugging Face。8B 与 70B 分别新增 4T 和 2T tokens 训练数据，多模态通过 Emu3.5 图像 tokenizer 和 WavTokenizer 以 early-fusion 方式并入词表，架构不变；后训练含 SFT、RLVR、DPO 与 SDPO，并公开中间检查点、数据混合与技术报告（arXiv:2610.15542）。
推荐理由：官方发布说明完整公开了四阶段预训练、五阶段后训练流程与中间检查点，读者可复现各阶段对模型行为的影响。
研究者推出 Read-Parse-Describe 统一文档解析数据集，要求模型对页面图像输出含边界框、语义标签、阅读顺序、识别文本及视觉元素替代描述的布局元素列表。数据集基于 2,402 份文档，含 18,163 页、125,218 个布局元素和 11,338 个视觉实例，并提出可插拔的空间感知增强器。实验显示现有端到端 VLM 与流水线解析器仍难以同时恢复阅读顺序与视觉语义，增强模型取得较强联合表现，数据集与代码将公开。
arXiv 论文提出 ActiveEvidence 框架，将多模态智能体的主动证据获取建模为决策可认证问题，用反事实证据交互图（CEIG）表示证据价值与条件伤害，并通过 ε-决策证书判断未解析项是否可能改变所选动作。在 640 个案例（384/128/128 划分）上，控制器达到任务分 0.842、grounding F1 0.816、证据召回 0.873、1.74 次接受调用、286.5K visual tokens 和 742ms p95 延迟；证书重放显示 0.992 动作一致率与 0.988 证书率，每决策仅评估 19.6 而非 191.4 个昂贵交互项。
一项研究开发轻量级 CNN，将马铃薯叶片分为健康、早疫病和晚疫病三类。模型基于 PlantVillage 数据集 2,215 张图像训练，测试准确率 98.66%，在埃塞俄比亚 Banja 采集的 247 张田间图像上达到 90.28% 准确率。该模型仅含 446,787 个可训练参数、约 1.70 MB，每训练 epoch 平均 5.58 秒，快于 VGG16 的 9.96 秒和 MobileNetV2 的 7.68 秒。
一项 arXiv 研究提出考虑语言重复性的联合扩展规律，刻画活跃参数量、每语言训练 token 数、专家数与语言覆盖之间的关系，基于 64 个预训练配置的 26,300 条逐语言 loss 观测拟合，预测误差较最强基线降低 28%。在相同活跃参数与每语言 token 数下，32 个专家将语言从 12 扩展到 200 时的 loss 损失较稠密模型减少 83%。
论文提出 AFFIRM（Affine Fields for Interface Repair across Modalities），在知识检查点冻结的前提下，通过先学习并冻结基础修正、再叠加查询级修正的可拆卸算子，单次前向修复语音访问。在 PopQA 平衡合成语音上与 SALSA、低秩 ReFT 相比未显出明确优势；在 SLUE-SQA-5 录音问题上，PopQA 拟合的 AFFIRM 算子免重训迁移，ROUGE-L 较 No Repair 基线提升 0.0941。
Anuvani-LID 是一个 115M 参数的 conformer 语言识别模型，基于 54,643 小时印度语音训练，覆盖 22 种印度语言及印度口音英语。在 102 条件基准的 37 个条件下，其平均 macro-F1 达 0.914，比 Gemini 3.5 Flash 高 5.2 分，1 秒音频上领先 24 分，23 种语言得分 0.897，ECE 校准误差 0.008。
研究者推出 CSWBench，通过 Focused Narrative 与 Extended Narrative 两种设置评估 LLM 在创意写作中的语境敏感语码转换能力，并提出含事件级与全文级评估的 CSWEval 框架。对 12 个 LLM 的测试显示，模型具备语码转换能力但表现不均，多语言文学整合上的模型差异最明显。
SCOUT 是一个级联双轨检索框架，先用轻量级检索器筛选候选池，再用多向量重排器精排，并通过跨模态查询精炼融合语义信号。在 4 个基准上对比 6 个基线，查询延迟最高降低 80.7x（平均 28.8x），NDCG 超出 SOTA 最多 7.8%。
研究者提出 semCER，在保留 CER 对齐与分母的基础上，由 LLM judge 为每个字形编辑赋予严重度权重，无需分词。该指标在英语、越南语、中文上逐编辑追踪读者评分，并在 CER 与 semCER 分歧的样本上更常获得读者支持；团队发布了 6100 万条 judged edits、汇总读者评分及蒸馏后的 scorer。
Qiushi Sun 等人在 arXiv 发布论文，提出 PrismaForge 数据管线并训练开源多模态代码模型 PrismaCoder-9B 与 PrismaCoder-35B。该管线用合成的 rubric 把程序正确性、构建质量与渲染后视觉效果分解为可核查标准，同一 rubric 既筛选监督语料又驱动强化学习；据此构建的 PrismaCoder-2M 是目前最大、最多样的开源多模态代码智能数据集，两个模型在开源中大幅领先并接近闭源系统，代码与数据已开放。
推荐理由：论文把渲染正确性拆成可核查的评分标准，同一套 rubric 既筛数据又当强化学习奖励，方法可迁移到其他多模态任务。
arXiv 论文指出多模态大语言模型（MLLM）机器遗忘评测存在三大陷阱：缺少 heldout 评估区分概念级遗忘与实例级过拟合、依赖合成微调知识而非预训练真实知识、以及用相同训练设置不公平地比较不同遗忘方法。作者提出基于真实知识的 GEMMU 基准，重新评估代表性遗忘方法后发现显著泛化差距，并挑战了此前基准的结论。
Xin Li 在 arXiv 发布 SYNC（Symbol-Indexed Neural Communication），一种免微调、免学习翻译器的词索引接口，让异构语言模型通过共享词表索引交换事实。发送方仅凭描述从共享词表选词并发送索引，接收方用自己的词方向向量将事实写入隐藏状态；在 3 个发送方与来自 5 个模型族的 9 个接收方上，新场景四问成功率 72.0-98.3%，最高比中层写入高 96 个百分点，两个最大接收方与纯文本持平；任务无关探针提前预测可用写入深度 45/45 命中，新布局下逐条事实消息保持 89.6-100% 成功率。项目页、代码与数据已公开。
推荐理由：论文给出跨架构模型间免训练通信的具体接口设计和多组收发模型组合的实测数据，方法可复现且代码数据已开放。
研究者提出候选集视觉定位（CSVG）任务，估计与对话上下文一致的目标对象集合，并发布跨对话轮次评估候选集变化的 CandVG benchmark。对视觉语言模型的评测显示，视觉定位能力更强并不必然带来更好的 CSVG 表现，模型难以预测完整候选集，主要败在候选生成不足和早期轮次过早收敛到小集合；通过专为 CSVG 设计的指令可部分缓解大规模模型的这一局限。
研究提出 ARP-CD，一种免训练的对比解码框架，利用答案预测位置上视觉 token 的注意力质量，对语言模型输入的视觉隐藏状态做有界梯度更新，在表示空间直接构造对比负样本。在 4 个 Video LLM 和 4 个 benchmark 上的实验显示，ARP-CD 在多数模型-基准组合中优于代表性免训练基线，减少幻觉的同时提升整体视频理解能力。
研究者提出 PRISMATIC，一种基于黑板架构的多智能体系统，由代表不同工作流角色的专用智能体协作生成并优化治疗方案，并引入 DSWA 长期权重调整与 DFPC 短期分歧校准两种自适应协调机制。在 MIMIC-IV 患者记录上的实验显示，相比强 LLM 基线，该系统显著减少药物冲突、提高处方覆盖率和治疗一致性。
研究者推出多模态基准 LabOPBench，包含 756 道经独立评审的专家题，覆盖有机合成与材料科学，按题目专属评分规则评估。8 个多模态模型整体归一化得分为 28.8-45.8%；在 100 题对照子集上，最强模型平均超过本科生但低于博士生。专家分析发现 Evidence Misreading 与 Evidence-Decision Conflict 是主要错误模式。
论文提出 DeltaStreamer，一个受人类观察、记忆与调查方式启发的智能体式流式视频理解框架。该框架结合变化感知记忆、查询驱动的规划与定向回放取证，在查询到来前持续记录视觉变化，到来后检索记忆并回放历史帧以补回遗漏证据。在 OVO-Bench 和 StreamingBench 上分别取得 66.07% 和 59.53% 的总分，超过代表性方法。
Mistral 发布零样本预测时间序列基础模型 Timestral，含 5M、28M、123M、209M 四个参数版本，本次为 209M 检查点。模型支持单变量与多变量预测、协变量及 21 个分位数的概率预测，上下文最长 32,768 步、单次前向可预测 1,024 步。Timestral-209M 在 GIFT-Eval、TIME 和 fev-bench 三大基准上取得 SOTA 零样本精度，源码已在 GitHub 开放，采用 Modified MIT 许可证。