DataVista：首个数据视频理解基准，诊断多模态 LLM
DataVista 是首个数据视频理解基准，包含 961 条真实数据视频和 6,775 道评测题，按数据感知、时间推理、叙事理解三级能力框架组织。对 19 个主流 MLLM 的评测显示，表现最好的 Gemini-3.1-Pro 总准确率为 70.0%，仍远低于人类专家，模型在 Causal Reasoning 和 Narrative Structure 上最弱。增加帧数和字幕主要改善数据感知与时间推理，对叙事理解提升有限。
#论文/研究
新闻、仓库与研究，按时间排列。
arXiv · cs.CLAI 评分4141 arXiv · cs.CL精选AI 评分5353 Agentic-TTT 论文提出用测试时策略模型决定何时进行测试时训练
arXiv 论文 2610.12002 提出 Agentic-TTT，将测试时训练（TTT）过程封装为可调用工具，训练一个测试时策略来决定何时使用 TTT、调用哪种算法以及是否复用已有技能。在该基准上，Agentic-TTT 相比骨干模型几乎将效用翻倍，学会在效用与计算开销间权衡，并能泛化到训练时未见过的领域。
推荐理由：论文把测试时训练过程变成可调用工具并学习决策策略，在基准上给出了效用提升与泛化的量化结果。
arXiv · cs.CLAI 评分3838 基于 Attribution Theory 的探测方法：系统考察 LLM 推理中的社会归因
一项 arXiv 论文首次系统研究了 LLM 的社会归因，聚焦责任与责备判断。研究者以归因理论为指导构建包含 Vignette 与 Reality 两个子集的基准，共 7,639 道判断题，评测了 32 个代表性 LLM 和 5 个非 LLM 基线。结果显示 LLM 与人类判断存在可测量但不完全的一致性，且该一致性与模型规模正相关；部分归因维度可从隐状态特定位置解码，其影响与人类归因理论一致。
arXiv · cs.CLAI 评分4444 InterviewPlayground：评估 AI 访谈员的仿真环境
研究者提出 InterviewPlayground，一个用基于社会理论的模拟受访者来评估 AI 访谈员的仿真环境，并生成 InterviewReportCard 评估报告。为验证有效性，团队开展了 15 项真实定性研究（5 个 AI 访谈员、3 个访谈主题、450 名人类参与者）并与仿真结果对比，两者在 12 项指标上平均 Pearson 相关系数达 0.86，模拟交互还能复现人类研究中的关键行为分析发现。
arXiv · cs.CLAI 评分3030 自然语言到一阶逻辑：基于 LLM 的自动形式化综述
arXiv 论文（已被 EMNLP-2026 接收）为一阶逻辑（FOL）自动形式化给出统一定义，区分本体抽取与逻辑翻译，指出二者混淆模糊了跨研究评估。文章综述了现有数据集、评测指标及基于 LLM 的微调、提示词与基于验证的精炼方法，并提出 benchmarking、语义评估、本体感知方法等开放挑战。
arXiv · cs.CLAI 评分4141 RACE：基于跨轮估计的自适应智能体推理方法（arXiv 论文）
arXiv 论文提出 RACE（Reasoning Adaptation through Cross-Turn Estimation），一种让 LLM 智能体学会何时推理、何时直接行动的训练方法。其核心 LoGiC（Likelihood-Guided Progressive Reasoning Cover Detection）流程通过移除推理后后续参考动作似然的下降，轻量判断既有推理是否仍然够用，并将信号用于 SFT 与 agentic 强化学习。在四个代表性 agent benchmark 上，RACE 大幅降低推理成本，同时保持或提升任务表现。
arXiv · cs.CLAI 评分1111 ILM：一款 AI 驱动的互动式教育故事工具
研究者推出 ILM，一个面向先知故事的互动教育平台，结合阿拉伯语 NLP、知识图谱与检索式问题生成。系统通过 KG Constructor Engine 提取实体和叙事关系，支持可视化故事地图探索，并用多语言检索管线生成选择题与开放题，由 LLM-as-a-Judge 评判答案。平台还加入古兰经内容作为独立补充层，已有 demo 可用。
arXiv · cs.CLAI 评分4343 所有裁决并非平等：重新审视 LLM-as-a-Judge 的可靠性
一项覆盖六个前沿模型、四个 benchmark、五种提示词格式、两种呈现顺序、三种采样温度和十次重复的可靠性审计显示，LLM-as-a-Judge 在温度 0 下同一重复中裁决仍会改变，顺序对调可在困难任务上翻转多数裁决。最具确定性的 judge 通过重复错误答案达到完全一致，与真实标注仅 51% 吻合。研究提出可信裁决率指标 T，并发现从 pairwise 胜率转向整体 rubric 评分比任何单一提示词干预更能提升可信度。
arXiv · cs.CLAI 评分4848 自动化言语欺骗检测的准确率持续存在天花板
一项系统综述分析了 25 年间 289 份报告中的 6,136 个分类模型，对 97 个数据集内 3,653 个模型的 meta 分析显示，言语欺骗检测的合并准确率为 74.4%（95% CI: 71.2%-77.4%）。准确率更多取决于方法学质量而非模型复杂度，嵌入向量与 LLM 的引入未带来性能提升；仅 12.46% 的报告使用了可验证 ground truth 的数据，23.96% 的模型在独立数据上评估。该结果与人工方法 meta 分析一致，表明存在 70-75% 的天花板。
arXiv · cs.CL精选AI 评分5454 Attic-KV 论文提出只排练将被读取的内容以改进 KV 缓存压缩
arXiv 论文 2610.12133 提出 Attic-KV，一种无需训练的 KV 缓存排练方法，核心原则是只排练将被读取的内容并按内容自适应控制排练量。论文显示在 3% 保留率下全量重读在 RULER 上仅得 96.5 分中的 31.5 分，在 LongBench 自然文本任务上低于完全不排练的方法；Attic-KV 在 RULER 和 LongBench 的八个测试设置中均为最佳免训练方法，接入 KVgrad 和 RestoreKV+ 分别最高提升 17.1 和 28.1 分，3% 保留率下领先全量重读 41.9 分。
推荐理由：论文指出 KV 缓存预算紧张时全量重读反而失忆，并以问答自测式排练提升多个主模型的压缩表现。
arXiv · cs.CLAI 评分5151 arXiv 论文揭示多语言模型中 tokenizer 选择对不同语言的影响差异
Clara Meister 在 arXiv:2610.12144 发表论文，训练 123 个模型、跨 54 种 tokenizer，在架构与训练预算固定下比较 tokenizer 选择的影响。结果显示训练数据较少的语言受 tokenizer 影响更大，语言被排除出 tokenizer 训练会全面推高其 BPB，但给低资源语言更多 tokenizer 数据并不必然有益，且衡量 tokenizer 内在性质的指标可预测下游 BPB 排名。
arXiv · cs.CLAI 评分4040 KL 正则在组策略优化中为何会失效——arXiv 论文解析并提出 ZCPO
一篇 arXiv 论文分析组策略优化中移除参考策略 KL 正则有时反而提升效果的原因，梳理了 KL 与奖励交互中的七种潜在失败模式，包括奖励裁剪后的残余 KL 更新、KL 随响应长度增长、KL 集中于少数 token 等。论文提出 Zero-Sum Calibrated Policy Optimization（ZCPO），用条件 KL 度量的相对漂移校准组内奖励系数，数学推理实验和消融验证了设计有效性。
arXiv · cs.CLAI 评分4343 SteerablePlex：全双工语音模型可以被可控引导吗？
论文提出 SimIF-Bench 基准，评测对话模型能否在规定场景内按顺序完成多个目标，发现现有开源全双工语音模型难以遵循此类约束。作者基于 GDPO 训练方法让全双工模型在持续对话中遵循文本指令并保持轮次切换能力，构建出 SteerablePlex。连接异步后端语言模型监控对话后，其作为用户模拟器在多阶段约束上的可靠性超过现有开源模型和 GPT-Realtime。
arXiv · cs.CLAI 评分1414 SciTBERT：一系列时间一致性科学科技语言模型
arXiv 论文提出 SciTBERT，一系列基于 BERT 的时间一致性语言模型，用科学论文、专利和高质量教育网页文本训练，训练数据截止年份覆盖 2013 到 2025 每一年，并通过论文和专利引用后训练出 SciTBERT-CI 系列。实验显示这些模型普遍优于前代领域专用编码器，即使在早期年份语料受限时也是如此。论文还推出 PatRepEval 基准，一组面向科学与技术接口的专利文本嵌入任务。
arXiv · cs.CLAI 评分4646 DiffuPlex：基于滚动掩码扩散加速全双工语音对话模型
DiffuPlex 是一个滚动掩码扩散框架，可在单次 backbone 调用中预测多帧未来用户与助手语音，从而减少全双工语音对话模型的逐帧自回归计算。其 DiffuPlex-LISTEN 与 DiffuPlex-SPEAK 分别实现 1.46× 和 1.59× 部署路径实际加速，Core LM 加速达 1.61× 和 1.80×，且所有 backbone 调用均在 80ms 交互间隔内完成。人类评测显示 LISTEN 保持语音自然度与对话质量，SPEAK 对话质量保留但语音自然度有所下降。
arXiv · cs.CL精选AI 评分6363 arXiv 论文提出语言模型作为 AI 研究世界模型（RWM）预测实验结果
Zijun Wang 等人在 arXiv 发表论文，研究语言模型作为 Research World Models（RWM）预测候选实验干预的结果。评测基于九个研究环境、2600 多条实验记录，涵盖预训练、后训练和推理，超过 171,000 H100 GPU小时；真实实验经验使 RWM 对同环境未见干预的预测提升 Spearman +0.27，OLMo3、Marin、Nanochait 预训练经验可将 Qwen3 环境的选择遗憾降低 78%，多轮 Autoresearch 固定预算下环境内与跨环境知识分别提升最佳收益 15.8% 和 11.6%；13 个模型的消融显示加入研究知识比换模型或增加推理力度更能改善干预排序。论文链接 https://arxiv.org/abs/2610.12235v1
推荐理由：论文用九个环境、超过17万H100 GPU小时的实验记录检验语言模型预测研究实验结果的能力，并给出跨环境复用收益的量化结果。
arXiv · cs.CLAI 评分4949 TokenRouter：面向 token 级 LLM 路由的高效推理服务系统
arXiv 论文提出 TokenRouter，一个面向 token 级 LLM 路由的高效推理服务系统，已被 NeurIPS 2026 接收。系统采用“请求为中心编程、模型为中心执行”原则，为每个 LLM 启动子服务器并异步调度请求，配合基于吞吐量数学模型优化超参的 delayed-batching 调度器。在多种路由算法、工作负载和模型对上，TokenRouter 的解码吞吐量比现有系统高 2.01-64.15x，代码已开源。
arXiv · cs.CLAI 评分3737 NativeScope：基于原生拓扑与正确锚点的关系定位检索
论文提出 NativeScope，一种先定范围再排序的检索方法，将查询表示为 q -> (A, r, B)，利用锚点和关系（belonging、before、after 算子）选取原生单元后再对范围内文本块排序。在基于 QASPER 和 LongMemEval 构建的 200 条受控记录上、1,024-token 预算下，NativeScope 文档与记忆的原生单元召回率分别达 89.28% 和 72.50%，比全实例 Dense RAG 提升 42.75 和 22.00 个百分点；变体 NS-FullQ 达 87.78% 和 68.50%。但使用自动 Top-1 锚点时记忆召回率降至 35.50%，表明硬定范围依赖锚点定位接口的可靠性。
arXiv · cs.CLAI 评分3939 EgoVoice：基于第一人称多模态流的主动式语音助手框架
研究者提出 EgoVoice，一个用于训练和评估主动式第一人称语音助手的框架，让模型从连续视频与音频流中自主决定何时开口、说什么。该工作基于 HoloAssist 视频构建音频流数据，微调全模态 LLM 并用 DPO 优化主动干预行为。实验显示现有开源与闭源模型很少产生时机恰当的主动干预，而 EgoVoice 在干预时机、内容相关性上均优于零样本基线。
arXiv · cs.CLAI 评分4545 HarnessSQL：在真实数据库环境中对 SQL Agent 进行 Harness 原生训练
HarnessSQL 是一个 harness 原生的后训练框架，让 Text-to-SQL 模型在监督微调和强化学习全程保留与真实数据库的有状态多轮交互结构。在 Spider 2.0-SQLite 上，Qwen3-8B 执行准确率从 15.5% 提升至 45.2%，Qwen3-14B 从 22.2% 提升至 54.8%，并能迁移到 BIRD-Interact、LiveSQLBench 等分布外交互式基准。
arXiv · cs.CLAI 评分4343 Verdict Without the Rule：诊断 LLM 合规系统对监管规则的敏感度
一项 arXiv 研究测试五个模型在 20 个监管与平台政策领域中的合规判断，发现删除、替换或否定规则后，模型结论往往基本不变。作为审查器的 guard 模型规则敏感度最低、准确率仅 51%，而通用模型为 90-92%；更好的提示词或干预内部表征都无法弥补这一差距。这表明准确性本身并不能证明合规结论真正基于所给规则。
arXiv · cs.CLAI 评分4545 SparseDecoding：面向准确高效 LLM 推理的解码感知剪枝框架
SparseDecoding 是一种面向 LLM 解码阶段的剪枝框架，通过用密集模型自回归生成时（排除 prefill）收集的激活构建校准矩阵，解决自然序列与生成序列之间的分布偏移问题，并配合带 bitmask 索引的优化 N:M 稀疏矩阵-向量核。在 Llama-3.1-8B、Llama-3.3-70B、Qwen3-14B/32B 上，该方法在长文本生成基准上持续优于固定文本校准，在 A100 GPU 上实现最高 1.48x 的端到端解码加速。
arXiv · cs.CLAI 评分3737 VFold：对称感知的跨层 value cache 压缩方法
arXiv 论文提出 VFold，一种对称感知的 value cache 合并策略，可在 LLM 解码时压缩 KV cache 内存，同时避免性能下降且无需修改模型架构。该方法可与高比率量化或 key cache 剪枝等现有压缩技术叠加，达到单一方法无法实现的压缩比，为内存受限下扩展上下文窗口提供了简单有效的方向。
arXiv · cs.CLAI 评分4949 AI 智能体能否通过启发式学习登上竞技之巅？长期运行的博弈智能体竞赛评测
研究提出对抗性启发式学习范式 AHL，并发布包含 12 个对抗性游戏和 1,920 个人类程序存档的 AAArena 基准，让 AI 智能体在固定比赛预算内解读规则、选择对手、分析回放并改写博弈策略。评测中，Opus5.5 配合 Claude Code 获得 6 枚金牌，但没有任何被评测配置能超越其余 6 个人类阶梯；规则更复杂的游戏中表现普遍较弱。实验显示对手选择与密集反馈有助于策略改进，智能体能从自身与他人的比赛回放中学习。
arXiv · cs.CLAI 评分3636 突破先验壁垒：长尾分布下的监督微调
一项研究提出“先验壁垒”概念，用以量化预训练大语言模型（LLM）对竞争概念与目标概念的支持差异，并发现其呈长尾分布。基于此，研究提出自适应 SFT 指令选择方法 PASS，在有限预算下优先覆盖监督不足的概念。实验显示 PASS 在四组 backbone-budget 设置上持续优于七种 SOTA 指令选择方法。
arXiv · cs.CLAI 评分4141 LLM 智能体“准确但不谦逊”：知识冲突下的认知谦逊评估
一项 arXiv 研究提出用认知谦逊（EH）评估智能体，涵盖 Identify、Solve、Escalate（ISE）三个轨迹级行为维度，并在受控冲突与多步执行中自然冲突两种知识冲突设置下测试四个智能体。结果显示更高的任务准确率未必带来更大的认知谦逊：部分高准确率配置能在执行中识别冲突，却不在错误的最终答案中沟通未解决的不确定性；智能体常在早期步骤检测到冲突，但难以在后续步骤维持或解决。模型层面的干预可提升 EH，但往往以牺牲任务准确率为代价。
arXiv · cs.CLAI 评分5050 引用而未参考：对法律链式推理忠实性的反事实审计
一项 arXiv 研究对大语言模型法律判决解释的忠实性进行反事实审计：在保持案件事实不变的情况下替换模型所引用的法律依据，从隐藏状态解码判决变化。实验覆盖 7 个开源权重模型（8B-70B）和 4 个基准，模型在 66.7%-100% 的生成中能正确命名法律依据，但判决随依据改变而翻转的比例仅为 0.0%-21.7%（CaseHOLD）、30.0%-76.7%（ECHR 和 SCOTUS）、43.3%-50.0%（ContractNLI），模型规模和 LoRA 复现的法律专用模型均未能弥合差距。红队测试显示模型对隐藏在案件事实中的对抗指令服从率达 73.3%-96.4%，远高于判决翻转敏感度，表明引用法律依据不能作为判决依赖性的可靠指标。
arXiv · cs.CLAI 评分5151 arXiv 论文 SGUID 提出筛选紧凑技能库用于模型蒸馏与共同进化
论文提出 SGUID 方法，用于在技能蒸馏前筛选紧凑技能子集，发现在策略蒸馏中少于 25% 的检索技能能提供有效蒸馏信号。在 Olmo 与 Qwen 四个模型上，仅蒸馏 6 个精选技能即可匹敌或超过最大 11 倍规模的全库蒸馏；第二轮循环为 Qwen3-8B 新选 3 个技能，将其成绩从 64.3% 提升到 66.3%，而未过滤更新使 Qwen3-4B 的 HMMT25 下降 0.3 个百分点，SGUID 则在两轮后分别提升 0.5 和 1.1 个百分点。论文链接：https://arxiv.org/abs/2610.12367v1
arXiv · cs.CLAI 评分4646 OnTrack：通过流式结构感知最优传输实时监控与干预 LLM Agent 轨迹
OnTrack 是一种流式监控机制，通过对比 LLM Agent 的步骤与已记录的成功轨迹，可在每步约一毫秒内告警或阻断 Agent。在 SWE-bench 轨迹上，仅凭前 8 步其区分失败与成功轨迹的表现优于内容相似度方法（+0.057 AUROC）；配合中止策略可节省约 18% 会浪费在失败运行上的算力，且 5/6 次中止判断正确。
arXiv · cs.CLAI 评分3434 Latent Core Tokenizer (LCT)：有意义的分词器压缩
论文提出 Latent Core Tokenizer（LCT），一种语言无关的分词方法，用 Minimum Description Length、熵边界信号和形态约束在构建共享词表前识别可复用语言单元。在覆盖 104 种语言、200K token 词表的设置下，LCT 的 fertility 低于 BPE、Unigram 和 parity-aware BPE，MorphScore 更高，并在四个多语言下游基准上分别取得 1.48、1.83、2.00 分的聚合提升。结果表明仅靠压缩无法预测表示质量。
arXiv · cs.CLAI 评分3333 LLM-BlockFE：LLM 引导的分块特征工程，通过可执行程序搜索将长文本转为预测特征
研究者提出 LLM-BlockFE，一个 LLM 引导的离线特征构建框架，通过增量拼接不可变代码块并搜索可执行特征程序，将长文本转为结构化特征，避免在线推理时调用 LLM。该方法引入基于深度校准信用分配的块级回滚机制和交错多轨迹搜索。在两个公开和两个私有数据集上，AUC 较最强基线绝对提升 0.0069 至 0.0358；五个已上线的金融风控应用监测显示 KS 较现有人工策略绝对提升 0.02 至 1.56 个百分点。
arXiv · cs.CLAI 评分5050 SpaceCast-Bench 基准发布：评估视觉语言模型的预测性空间推理
Hongxing Li 等在 arXiv 发布 SpaceCast-Bench，首个直接评估视觉语言模型预测性空间推理的基准，包含来自182个真实场景的3862道题、16种任务类型，分静态感知、局部预测和全局预测三层。21个模型中最强者仅达58.0%，远低于人类的87.2%，空间特化模型接近随机水平；微调使 Qwen3-VL-4B 从34.0%提升到65.7%，并在六个域外基准上有宏观平均提升。
arXiv · cs.CLAI 评分4343 ViSkill：用演化的视觉原生技能强化 VLM 智能体
研究者提出视觉原生技能学习框架 ViSkill，将成功交互编码为视觉技能卡片供 VLM 智能体调用，技能检索同时引导推理与奖励塑形，成功轨迹再蒸馏回技能库，形成技能积累与策略提升互相强化的闭环。在 Sokoban、FrozenLake 和 PrimitiveSkill 上，ViSkill 整体成功率达 0.89，加入冷启动机制后升至 0.91，优于所有受测专有与开源基线，且比标准 PPO 收敛更快。代码已开源。
arXiv · cs.CLAI 评分3939 用价值表示预测 LLM 对齐泛化
一项 arXiv 研究提出「对齐泛化预测」任务，即预测模型针对某一价值微调后，在大量未见价值上的行为变化。研究覆盖现代对齐目标中的 66 个价值，发现基于模型激活的表示方法显著优于基于文本描述的基线，与泛化矩阵的相关性达 0.45，后者仅 0.05。研究还提供了模型无关的共享价值空间证据，并据此构建首个基于经验泛化动力学的 LLM 价值分类法。
arXiv · cs.CL精选AI 评分5252 WOVEN：将视觉世界建模融入多模态大语言模型的训练源与基准
arXiv 论文 2610.12417 提出 WOVEN，一个面向视觉转移推理的训练源与基准，包含 36076 条覆盖 20 种场景、5 种动作和 8 种推理类型的样本。评测 GPT-5.4 和 Qwen3-VL-235B-A22B 等 38 个前沿多模态模型发现其远低于人类水平；用 WOVEN 训练后，每个约 2000 条的子集在 26 个外部基准中的 22 个带来最高 27.3 个百分点的提升，并可替代任务自身 30-50% 的训练数据。
推荐理由：论文用约2千条子集就在26个外部基准中改善22个，给出了按推理操作而非场景选取监督的可迁移训练配方。
arXiv · cs.CLAI 评分4545 FastBench：流式 VLM 能否感知高动态真实世界视频流？
研究者推出 FastBench，用于评估流式视频大语言模型（VLM）在真实世界高动态场景下的感知能力，包含 306 个 QA 对，覆盖八个领域、六种能力及前向、即时、回溯三类时间范围，并用 SAM3 和 CoTracker3 轨迹做答案验证。实验显示最强模型 Gemini-3.5-Flash 仅得 50.7%；Qwen3-VL-8B 采样从 2 FPS 提至 24 FPS 后由 32.9% 升至 44.6%，但随历史压缩增益饱和。免训练基线 ProactiveFrame 分别比稀疏均匀采样高 5.4 和 1.5 个百分点，仍远低于 oracle 引导聚焦。
arXiv · cs.AIAI 评分2828 BEVPIPE：用可移植 GPU 计算部署 BEV 感知的算子失配问题
BEV 感知模型依赖稀疏 3D 卷积与几何 scatter 操作，现有推理运行时无法表示，且稀疏卷积库均为 CUDA-only 并与 PyTorch 耦合。论文提出 BEVPIPE 框架，将模型切分为运行时管理的稠密子图和 voxelizer、sparse encoder、BEV projector 三个外部算子扩展，通过共享 GPU 内存连接。BEVPIPE 实现相比传统部署 19.5x 的端到端加速，保留 98.5% 的参考 mAP，并可跨不同 GPU 后端移植。
arXiv · cs.AIAI 评分1212 深度图聚类框架 CoCo 获 ICLR 2026 Oral：兼顾紧凑性与一致性
研究者提出深度图聚类框架 CoCo，针对 GNN 局部消息传递难以捕捉全局关系、图数据冗余噪声导致表征不紧凑的问题，利用图卷积滤波器从局部和全局视图学习鲁棒表征，并编码为低秩紧凑嵌入，再通过一致性学习策略促进两视角知识迁移。实验显示 CoCo 在多个数据集上超越 SOTA 方法，论文被 ICLR 2026 接收为 Oral。
arXiv · cs.AIAI 评分2222 MSGAT：用于图文检索的多头脉冲图注意力与相似度空间融合方法
研究者提出 MSGAT（多头脉冲图注意力网络）与 Sim-Fuse 相似度空间融合策略，用于基于脉冲神经网络（SNN）的图文检索（ITR），解决稀疏脉冲表示难以做跨模态对齐的问题。在 Flickr30K 和 MSCOCO 上，该方法在同等设置下优于 ANN 方法及现有 SNN 检索基线。仅用两个时间步即可达到与 ANN 对手相当或更优的性能，同时将模块级理论能耗降低 55%，代码随补充材料提供。
arXiv · cs.AIAI 评分1717 AtomWorld-Mirror：面向材料动力学的宏观步长世界模型
研究者提出 AtomWorld-Mirror，一个面向原子系统关键演化骨架的时间感知宏观步长世界模型，将短微事件片段蒸馏为关键状态间物理可达的跃迁。该方法在 Cu-rich RPV 钢辐照老化、Cu-Zr 金属玻璃、Li$_3$N 基反钙钛矿固态电解质等五个原子系统上，推理速度较逐事件模拟提升 10^3 至 10^4 倍，同时保持结构有效性与时间语义。