新闻、仓库与研究，按时间排列。
BoundaryEvo 提出一种两阶段数据-模型协同演化框架，用于从大模型蒸馏长链推理能力：先通过 Capability Priming 直接蒸馏少量教师长推理轨迹，再在 Capability-Boundary Co-Evolution 中持续选取学生未掌握但专家可解的题目并随学生能力演化更新训练数据。仅用 1,000 条训练样本，BoundaryEvo 在 11 个推理 benchmark 上超越静态和动态数据选择基线，将 Qwen3.5-4B 在 IMO-AnswerBench 上的准确率从 62.9 提升至 75.3，在 AMO-Bench 上从 26.8 提升至 46.0。代码与数据将开源。
研究者提出自适应课程学习方法 AdaC-GRPO，并发布细粒度基准 FG-Sudoku，用于训练模型完成需要多步演绎推理的视觉数独任务。前沿 MLLM 在 9*9 这类长程依赖谜题上几乎全部失败，导致标准 RLVR 因奖励稀疏而停滞。AdaC-GRPO 通过在线 rollout 准确率追踪模型"最近发展区"动态构建训练批次，使 Qwen2.5-VL-7B 接近 Gemini-2.5-Flash 的表现，并弥补与 Gemini-2.5-Pro 62.2% 的准确率差距，方法在 InternVL-3.5 和 Qwen3-VL 上也得到验证。
TQS（Trajectory Quality Score）是一种针对编码智能体轨迹的结构化评分框架，直接作用于轨迹结构，无需 LLM judge，且可线性时间运行，从信息聚焦、意图-动作对齐和策略动态三方面刻画轨迹质量。基于公开语料库中 155,144 条成功轨迹按 TQS 排序并筛选子集微调，模型在 SWE-Bench-Verified 上持续优于随机或低分轨迹训练的模型。
arXiv 论文提出 VIGOR，针对 LLM 生成的工业场景程序「可执行但不满足工程约束」的鸿沟，结合监督微调、基于执行的验证与分阶段几何修复。该工作构建了含 1,749 个可构建场景、每场景 94 项最终状态几何检查的数据集。VIGOR 达到 96.86% Complete Feasibility，Overall 得分 91.20，超最强基线 10.42 分。
研究者提出面向路网轨迹生成的新范式 Anticipatory Generative Modeling 及其模型 Foresight。现有扩散模型等方法模拟位置序列，难以处理路口转向选择，甚至生成偏离路网的轨迹；Foresight 通过“预判—选择—更新—再预判”的概率循环，结合对通往目的地未来路径的前瞻来完成转向选择。实验显示 Foresight 胜过 SOTA 基线。
研究者发布 BenCoDiC 语料库，包含从 100 个 YouTube 视频及其讨论中收集的 50,250 条孟加拉语政治新闻语境文本，公开可用。语料保留“标题—评论—回复”关系，采用九维星型模式组织，并经两层人工标注加专家核验，Fleiss' κ 与 Krippendorff's α 均为 0.86。Transformer 实验显示，加入对话上下文相比孤立文本分类带来小幅但一致的提升。
一项大规模芬兰语语音 SSL 研究从 210 万小时无约束广播音频出发，提出用 ASR 置信度作为预训练数据质量的代理指标。相比基于 LID 的过滤，该方法在训练集更小的情况下仍带来 3-7% 的相对 WER 提升。研究还在相同参数预算下对比了 Transformer、Macaron-Net、Conformer 和 E-Branchformer 四种架构，模型在 Base 规模和域外场景优于此前芬兰语 SSL 基线。
研究者推出反事实文本编辑基准 CoBe，测试模型在对话式提示下零样本修改文本场景、同时保留未受因果影响事实的能力。基准含 2000 道题，覆盖医疗、科学与工程、商业及日常场景；前沿模型平均得分 58.05%，且常退化为关联式生成而非保留因果结构。性能与模型规模及输出 token 长度均不一致相关，表明问题可能源于训练目标而非模型容量不足。
研究者推出 HANS，首个面向真实教育场景的手写答题卡数据集，涵盖数学表达式、自然语言文本、手绘表格及涂改、划除等噪声模式，并附细粒度标注。基于 HANS 提出 NA-GOT 端到端框架，通过特征级噪声抑制模块与解码阶段噪声感知注意力实现两段式噪声抑制。实验显示 NA-GOT 在解题过程识别的准确率和稳定性上均显著提升，数据集将在论文发表后公开。
研究者推出 ReTurn 基准，包含 7,000 个跨视觉与音频证据的基础任务，用于评估多模态模型对对话历史的选择性使用。在 13 个全模态、视觉语言和音频语言模型上，开放式准确率从直接输入的 93.7% 降至对话中的 72.3%；有监督适配仅带来部分提升。
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。
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。
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。
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。
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。
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 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。
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。
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。
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。
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。
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。
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。
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。
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 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 论文提出 Design Creativity Bench，从原创性、创意范围和适当性三方面评测 LLM 生成 UI 设计的创造力。结果显示同 prompt 下不同模型设计对的原创性为 0.592，远低于人机对的 0.764；创意范围 0.581 也远低于人类设计的 0.902；但适当性均超 90%，最佳模型达 99.2%，略高于人类的 98.0%。论文指出 LLM 默认输出虽然普遍恰当，但重复性显著高于人类基线。
Yi Wen 等人在 arXiv:2610.11573 提出 TriMEM 记忆多分类数据集和 MemoType 框架，用路由模型自适应识别记忆与查询类型并采用相应检索策略。论文还证明单一检索策略在多类语料上存在预期检索精度的根本上界，三个数据集实验中 Recall@1 最高提升 16.18%，论文被 NeurIPS 2026 接收。
推荐理由：论文指出统一检索策略在多类记忆上有精度上界，并给出分类数据集与路由式检索方法，可迁移到 Agent 长期记忆设计。
论文提出 RucTangle，首个在解耦提交的同时保证每次提交后代码可运行的 agentic 方法，并推出首个量化提交历史对 coding agent 修 bug 帮助的评测框架 TangleEval。在 131 个 agent 生成的补丁上，RucTangle 的提交历史全部可运行，而四种基线方法产生 20.6%-37.4% 不可运行历史。用其提交历史增强 agent 上下文，可将两个 coding agent 修复回归的 pass@1 绝对提升 5.2%。
论文提出 CAMEO，一个临床感知、证据锚定的多图像超声报告生成框架，分三阶段学习视觉语言原语、跨视图证据锚定与临床感知偏好对齐。团队基于 USReport 构建 17,670 条配对图像训练数据和 21,869 条偏好对，并使用 25,631 条 PubMedVision-US 样本做领域适配。在 USReport-Distilled 基准上，CAMEO 将 BLEU-1 从 0.25 提升至 0.40、ROUGE-1 从 0.28 提升至 0.45、METEOR 从 0.27 提升至 0.43，ClinicalScore 从 55.02 升至 74.20，已被 BMVC 2026 接收。
研究者对十八种神经网络架构在十个时序任务上进行了系统基准测试，涵盖超过 250 种实验配置，发现 BiGRU、TCN、Conv1D 和 GRUReLU 四种架构表现最稳定，且参数量低于 2,000，适合实时部署。三种最优模型被应用于从 OpenPose 骨骼关键点序列估计动态手臂手势的执行速度，数据集包含 8 类交通手势共 256,710 帧。最佳配置在峰值计数解释上平均绝对误差为 0.198，约 5% 相对误差。
研究者提出 VenusRX-Bench 统一基准，涵盖正向反应预测、单步逆合成和 EC 编号预测，揭示化学模型与酶模型间存在明显的化学-酶促领域鸿沟。为弥合差距，团队开发 T5-style 序列到序列模型 VenusRX，采用两阶段训练，先在数百万条模板扩展反应上预训练，再在真实生化反应上训练，并支持可选 EC 条件化与 Molecule Library-Constrained Decoding。VenusRX 在多数评测设置上达到最佳或具竞争力的表现，且 EC 信息可提升反应预测，呈现反应结构与催化功能间的双向关系。
研究团队提出 CogMem，一种基于 PEC²F（Person-Event-Concept-Claim-Fact）图模式的认知记忆架构，用 Claim 节点保留主观陈述的来源与对象，并将对话轮次增量转为带溯源的图记录。检索由基于规则的控制器结合 LLM 意图解析，组合锚定、遍历、交集、证据落地四个确定性图算子来重建查询相关上下文，在 LoCoMo 与 LongMemEval 上表现突出，尤其是多跳、时序与知识更新任务。论文被 EMNLP 2026 主会接收，代码已开源。
推荐理由：论文用 PEC²F 图结构区分主观信念与事实记录，在 LoCoMo 和 LongMemEval 上给出多跳与时序任务的实测表现。
研究者提出 UniData，一种通用指令生成流水线，可将简单的用户需求转化为多轮、多模态指令。该流水线先将需求扩展为多样事件，再借助 any-to-any 大模型生成多模态指令，并利用轮次间相关性修正无关与冗余的推理流程以提升数据质量。为训练该流水线，团队构建了涵盖九种模态、共 20,000 条数据的 UniDataset；实验显示 UniData 达到数据质量 SOTA，并能增强其他多模态模型的理解与生成能力。
研究者针对僧伽罗语到英语 NMT 模型的幻觉问题，提出无参考幻觉检测框架：用五种语言腐蚀策略生成 45,000 条样本的合成数据集，并微调 mDeBERTa-v3 做词元级序列标注，token 级 F1 达 0.841 ± 0.001。三信号集成结合神经风险分数、序列 log 概率与 LaBSE 语义嵌入，source-ablation 显示打乱或移除源句会使句级 AUROC 从 0.970 降至随机水平。对五个模型族共 8 个 NMT 系统的评测显示，检测器触发次数在不同架构间相差一个数量级。
SAIL Model Team 发布开源科研智能体模型 SAIL，总参数 35B、激活 3B，面向文献调研、科学编程和多步科研工作流。其训练采用科学感知改进循环：由前沿模型构建的智能体分析任务失败并生成针对性训练任务，再经监督微调、专家训练、多教师 on-policy 蒸馏和智能体强化学习完成训练。SAIL 在科研任务上以远少于主流开源模型的参数量取得有竞争力的表现。
Chronos 是一个测试时框架，将已合并的 pull requests 蒸馏为结构化经验卡片，并通过代码、开发者意图与组织关系的类型化图谱连接，供 LLM 代码智能体检索历史经验。在 SWE-Bench Verified 上，该完整流程将 SWE-Agent 六个 LLM 后端的平均解决率从 69.2% 提升至 72.9%，配合 MiniMax M2.5 达到 79.8%；同后端下在 SWE-Bench Pro 与 FEA-Bench Lite 上分别从 48.3% 升至 51.7%、41.0% 升至 43.5%。100 个任务的人工评测中，基于图谱的检索使平均有用卡片数从 1.24 增至 2.87。
一项 arXiv 研究提出把现有英语质量分类器改造为多语言版本的方法，用于超过 100 种语言的 LLM 预训练数据筛选。方法是在 Transformer encoder-only 模型嵌入上训练小型 MLP，以机器翻译文本的英语分类器评分作为标签。1B、3B 和 8B 规模实验显示其效果与现有多语言模型过滤基线相当，且不损害区域与文化知识 benchmark，分类器还能泛化到训练数据未覆盖的语言。
研究者提出 MH-INDIC 框架，通过 10 个孕产健康推理维度评测 LLM 在印度北部城市及半城市语境下的文化对齐，并基于对 102 名孕妇及产后女性的 26 项调查评估 10 个 LLM。结果显示多个模型可逼近人群级分布，但在不同人口与家庭画像上的行为差异显著低于真人群体。基于真人画像的条件化提示能提升画像对齐与对话质量评分。
UXBench Pro 是一个面向多轮对话个性化用户体验评测的基准，包含基于真实用户交互的 1,000 个测试实例，覆盖 12 个任务场景和 82 个领域，每个实例配有刻画七类可解释行为侧面的 FACTORS 用户画像。该基准采用双视角范式：个性化 User Reward Model（URM）提供第三人称评判，Sim4Eval 用户模拟器支持多轮交互并从四个认知状态维度做第一人称评估，并引入 URMBench 和 USimBench 两个元基准检验评估器的可靠性。