新闻、仓库与研究，按时间排列。
论文提出 LASEF（Language-Aware Skeleton Exploration Framework），研究多语言数学推理中 LLM 骨架提示应使用哪种语言。实验覆盖多个数学 benchmark、模型规模和语言，发现英文骨架平均带来小幅正向倾向，在小模型和低资源语言上最明显，但校正后语言层面收益大多不显著，英文并非普遍最优。研究总结出方向一致、依赖评测与 benchmark、非对称负向三类效应，指出骨架语言是依赖具体情境的设计变量，资源已开源。
研究者提出 SpikingVLA，一种 ANN-to-SNN 转换框架，实现高精度、低延迟的脉冲 VLA 推理。其核心是 Dendritic Integrate-and-Fire（DIF）神经元与跨 VLA 组件的异步执行机制，以减少同步开销和延迟。相比现有脉冲 VLA 方法，SR 和 SPL 分别提升 11.9% 和 12.6%，首动作延迟降低 11.2×。
一项被 EMNLP 2026 录用的研究在 Llama 3.1 70B 和 Qwen 2.5 72B 中定位出 Bridge Routing Heads（BRH），发现其跨五种语言几乎互斥，Jaccard 相似度仅 0.017 与 0.057。消融实验显示，移除通用 BRH 会使两跳推理的 NLL 升至随机基线的 39-89 倍；在推理失败时放大这些头可无需训练地挽回最高 51.7% 的跨语言失败案例。
研究者提出 PARC-Loc，一种基于部分分配与关系一致性（PARC）的粗到细文本到点云定位框架，用于解决城市重复物体导致的布局不一致混叠和跨子图证据不完整问题。该方法联合建模提示-物体兼容性与成对空间关系，并在细定位阶段扩展相邻子图的查询相关实例上下文。在 KITTI360Pose 上，其 5 米 Top-1 定位召回率从 0.50 提升至 0.67，较最强基线相对提升 34%，并在 CityLoc 上优于常规粗到细基线。
Itgan 团队参加 NADI 2026 三个阿拉伯语 ASR 子任务，统一采用 LoRA 在消费级 GPU 上微调 Whisper。子任务 1.1 提交系统达到 57.1% 国家平均 WER；子任务 1.2 达到 46.7% WER；子任务 1.3 以 14.49% WER 获得第二名，并在领先系统中取得最低 CER 5.38%，最后 0.60 个 WER 点来自多个独立训练运行的精确权重空间平均与 ROVER 投票。
Reflection 发布开放权重模型 Beam 1.0，采用 MoE 架构，总参数 501.3B、激活 23.4B，支持 1M 上下文，以 Apache 2.0 许可提供 BF16、FP8、NVFP4 三种精度。官方称其推理 token 用量约省 3 倍，SWEBench Verified 达 81.6%，AIME 2026 达 97.7%，不禁止蒸馏和微调。
推荐理由：官方模型卡给出完整基准表和三种量化版本数据，读者可以据此对比 Beam 与其他开放权重模型在编码和推理任务上的表现。
Hugging Face 用户发布社区合并检查点 qwen3.5-9b_abliterated_0x100refusal_vision_int8_convrot，将 lukey03/Qwen3.5-9B-abliterated 的语言权重与 huihui-ai 的 337 个视觉张量合并，共 1,264 个张量、约 9.83 GB，面向支持 INT8 ConvRot 量化的 ComfyUI。250 个语言矩阵相对 L2 量化误差平均 0.9713%。"0% Refusal" 仅为上游命名，并非实测拒绝率；该项目为 Apache-2.0 许可的实验性合并，非官方发布。
NVIDIA 在 Hugging Face 发布 Nemotron 3.5 Bolt 74B-A9B-24GB，一款为本地日常智能体任务设计的视觉语言模型，总参数 74B（9B 激活），采用 Mamba-2-Transformer 混合 LatentMoE 架构，通过原生 IQ2 2-bit 量化与量化感知蒸馏压进 24GB 显存，支持最高 256K 上下文，可在 vLLM 上部署，基于 OpenMDW-1.1 许可商用。
推荐理由：模型卡完整给出架构、训练流程和与同量级模型的基准对比，读者可以自己判断 2-bit 量化的取舍。
Liquid AI 在 Hugging Face 发布开源决策模型 d1-3B 与实验性 d1-omni-600M，模型不做 token 生成而在单次前向传播中给出答案。d1-3B 在 Decision Index 0.2.1 得分 48.57，为 10B 以下最佳，基于 LFM2.5-VL-3B 训练，支持文本与图像输入，在 Jetson AGX Thor 上单问题推理仅需 16 ms，RTX 4090 上 8 ms；在七个公开数据集上均分 82.9，高于 Decider 4B。d1-omni-600M 基于 LFM2.5-Encoder-350M 并加入视觉与音频编码器，均分 78.4 超过参数量四倍于它的 Decider 2B（77.1），目前为早期研究版本。
推荐理由：决策模型不做生成而是单次前向输出答案，原文给出的边缘设备毫秒级延迟数据展示了这一路线的实际可行性。
TII 在阿布扎比推出 1.6B 参数语音识别模型 Falcon-ASR，重点支持阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。模型在六个阿拉伯语测试集上平均 WER 为 20.92%，优于所对照榜单最佳已发布结果 23.17%；内部阿联酋评测中 WER 22.73%、CER 10.19%，为对比系统中最低。模型支持词级时间戳，现已可在 Hugging Face Demo 试用，API 与原生应用已列入计划。
作者发布了 huihui-ai/Huihui-MiniCPM-V-4.6-abliterated 的 8-bit MLX 量化版 YCF-AI/MiniCPM-V-4.6-Huihui-abliterated-8bit-MLX，体积仅 2.3 GB，M1 Ultra 上解码约 140–180 tok/s。相比旧 mlx-community 8bit 版，换用去审查权重是为全栈一致去审查；Heretic 去审查版因空间描述退化被弃用。关键改动是把图像 token 的 downsample_mode 从 16x 改为 4x，使 30 行大页 OCR 达到 120/120 零漏行、35 项视觉套件 35/35，且速度无可测损失。
推荐理由：原文给出换用 Huihui 去审查版而保持 OCR 精度和速度的实测对照，还解释了 4x 下采样为何修复大页 OCR。
Google 推出实验性游戏平台 Playground，用户通过文字提示词即可创建、游玩和分享自定义游戏，无需编程经验。平台基于浏览器，支持手机和笔记本游玩，并提供排行榜、多人模式、社区游戏画廊及安全审查。面向美国 18 岁以上用户上线，创建权限按 Google One 会员等级分层开放，后续还将集成 Unity Spark 提供专业级 3D 能力。
Google DeepMind 发布开源多模态嵌入模型 EmbeddingGemma 2，总参数 740M，将文本、图像、视频和音频统一映射到 768 维向量空间，采用 Apache 2.0 许可，设计面向手机和笔记本等消费级硬件。模型支持 100+ 语言，8K token 上下文，原生 MRL 截断到 128/256/512 维最多可省 6 倍向量存储，视觉与音频编码器可按需加载（纯文本 270M）。基准上 MTEB 多语言 61.36、代码任务较前代提升约 14%；模型卡还给出任务前缀、bfloat16 精度（禁用 float16）等部署最佳实践。
推荐理由：模型卡给出了各模态基准分数与 MRL 截断后的质量对照表，读者可据此评估在端侧 RAG 或检索场景中选哪个维度部署。
面壁智能在 Hugging Face 开放 MiniCPM-V 4.7 35B-A3B，是 MiniCPM-V 系列首个 MoE 多模态模型。官方称借助 Lookahead Expert Scheduling、分层细粒度量化与 DSpark 投机采样，成为首个可无损流畅端侧运行的开源 MoE 模型，在 iPhone 17 Pro Max 上达到 13+ tokens/s；Instruct 模式下整体得分高于 Qwen3.6 35B-A3B 且推理时间更短。
推荐理由：原文给出 LES 预取、分层量化和推测采样三条技术路径，解释了 MoE 在设备端跑顺的原理与部署选择。
一项新研究显示，现成的视觉语言模型（VLM）从 logits 中按类别逐一读取答案时，其表现可匹敌甚至超过细粒度情绪识别基准 EmoNet-Face-HQ 的微调模型 Empathic-Insight-Face（EIF Small/Large）。在验证设置下，十一个开源权重 VLM 全部超过专家一致性锚点（κ_w=0.468），达到 κ_w=0.507-0.586，其中三个显著优于 EIF Small 的 κ_w=0.551。收益来自分级概率而非是非问答：将同一概率二值化会损失 142% 的平均收益。
一篇 arXiv 立场论文指出，多语言 LLM 评测依赖的“翻译同构假设”对语用标记、敬语、历时分层词汇等概念在原理上不成立，并定义了 α-unalignability 形式化刻画。论文用 usage-cloud 框架给出三层证据：FLORES-200 翻译失败与语系和资源等级相关而与文字无关，以及九模型 Yami 案例中的 Representation-Intervention Gap。作者提出 Cycle-Consistency、Pragmatic-Load Disagreement、Manifold-Curvature Mismatch 与 RIG 构成的多维诊断框架。
Wiki-Talkie 是一个源自五种语言 Wikipedia Talk 页面真实对话的多语言数据集，涵盖德语、英语、西班牙语、法语、意大利语，并配有来自真实用户社群、含社会人口属性与行为特征的 persona。基于下一轮生成任务评估显示，以用户评论历史示例行为的效果持续优于显式 persona 信息，且各模型系统性少生成负面或极端情绪、过多生成引用与建议，呈现讨好与正向偏差。这些模式跨语言稳健成立，跨语言差异很小。
一项 arXiv 研究发现，未经修改的冻结视频-语言模型（VideoLLM）内部已线性可读地编码了“证据就绪”信号，该信号以问题为条件且与回答正确与否无关。在 7 个模型上，严格 not-ready 采样下 AUROC 达 0.733-0.905，仅改变问题即可在 66.1% 的字节相同窗口对上反转读出结果。据此提出的 Readiness Gating 回答时机策略在相同视频时长下将准确率最高提升 +9.75 pp，计算开销可忽略。
Anthony Pym 的实验将一份地震应急指令由英文翻译成中文和西班牙文，结果显示使用针对话语类型的提示词可显著提升生成式 AI 译文的可理解性和可操作性，但译者可能仍不信任这些译文。人工修订仍不可少，既要查错，也是出于伦理考虑需要有人为应急信息的错误或延误负责。
研究提出 InterCorrect，一种用于公平 ASR 的人口统计感知模型合并方法：基于 SLAM-ASR 模型仅微调 connector，并将针对特定人群适配的 connector 合并为全局模型，再施加交叉群体特定校正向量。在 Fair-Speech 上，TIES 结合基于 WER 的校正取得最佳整体 WER，从 7.38% 降至 5.13%，但平均 WER 降低并不总意味着子群体差异缩小。
研究者提出 FedDermaSeg，探索联邦学习在隐私保护皮肤病变分割中的可行性。该方法基于 ISIC 2018 皮肤病变分割挑战赛的训练与验证集模拟分布式学习环境，并在 ISIC 2018 测试集和 PH2 数据集上评估性能与泛化能力。结果显示，联邦模型性能与集中式训练相当，且持续优于本地训练模型。
论文提出 Coordinated Multi-Agent Diffusion Steering（CMDS）框架，将冻结的预训练扩散模型作为可复用生成基元，把协调多个模型的反向过程表述为随机最优控制问题，在组装级奖励与偏离预训练动态之间权衡。实验显示 CMDS 可恢复已知目标分布、用同一训练好的控制满足不同空间约束、从退化混合中恢复单一来源，并在多智能体迷宫导航、关节机器人规划和文本条件人体动作生成中让冻结模型成为协调的多智能体生成器。
研究者提出 CropSentry，一套低成本地面多机器人系统，由两台自主机器人逐行采集叶片颜色与环境数据，经空间映射后在主机器人上生成实时网页仪表盘监测作物健康。在 63 次观测实验中，整体分类准确率达 84.12%，其中健康植株 82.60%、缺营养植株 88%、病害植株 80%，10 次 slave 观测的无线通信成功率 100%。该系统面向中小农户，兼顾低成本与可扩展性。
一项 NeurIPS 2026 海报论文提出"特征信息动力学"，用 I-MMSE 恒等式把特征互信息变化率与最优无条件及特征条件去噪损失之差联系起来，定位特征在扩散过程中何时被生成，并通过链式分解分离共享与增量信息。该框架定量证实了像素扩散中的谱自回归现象，并在类→掩码→Canny 条件链下比较 pixel、SDVAE、VAVAE、RAE 的特征信息密度，揭示了不同表示的根本差异，暗示有序生成或有助训练。代码已开源。
Selective-RL 方法通过隔离 RL 训练阶段产生的参数更新，保留其主导矩阵方向并迁移至 VLM 的语言模块，实现免训练的能力迁移。在 3 个模型家族和 5 个视觉推理基准上，该方法在 15 组对比中的 12 组优于全量更新插值，其中 Qwen 接收模型在 MathVision 上提升 8.55 个百分点。对照实验表明，仅更新幅度或任意低秩都无法复现这些收益。
EgoLAP 是一个 VLA 预训练框架，通过共享的语言动作链式推理，联合学习人类与机器人轨迹，将第一人称人类数据的运动意图迁移到机器人控制。真实与仿真实验中，EgoLAP 达到 80.1% 平均真实世界任务进度，是替代动作表示的 2.3 倍；其运动级推理也优于结合子任务、物体框和视觉轨迹推理的组合推理格式。
WorldSonus 是一个面向世界模型的交互式视频转音频框架，实现实时空间立体声合成。其采用流式因果自回归扩散架构，以 0.41 的低实时因子（RTF）合成音频块，并支持生成过程中动态操控声音事件，空间对齐监督来自立体声与 ambisonic 数据。实验显示其在开放域视频转音频基准上匹配或超越 SOTA 双向模型的声学质量与空间对齐。
研究者提出 DepthWorld，一个基于 Stable Video Diffusion、联合预测多视角 RGB 和深度的机器人操作 3D 世界模型，已被 CoRL 2026 接收。他们还通过立体深度标定管线将 DROID 数据集转化为 DROID-3D，90% 的外置相机片段重投影误差小于 0.7 px。深度监督使 RGB 预测在同等训练预算下比纯 RGB 基线提升 +1.48 dB PSNR。
研究者提出 4D-HOF，一个前馈式 4D 手-物体交互重建框架，通过条件 flow matching 将视觉基础模型的粗估计传输到交互流形，以前馈方式校正平移、旋转和对齐误差。该方法在生成过程中直接施加物理交互约束和 2D 观测证据进行 test-time guidance，无需重建后的单独优化。在多数据集上训练后，4D-HOF 在域外基准上取得 SOTA 表现，重建更稳定、更准确。
一项 arXiv 预印本研究将区域多步海表温度（SST）预报表述为条件数值生成任务：用文本形式提供历史 SST 与异常序列、环境记录和海洋知识，并通过静态与动态图神经网络生成连续图前缀注入 LLM。在南海 SST 预报上，完整配置在十个预报步内取得对比方法中最佳的 MAE 和 R²，另附基于规则的溯源式上下文解释模块。
一篇 IEEE 802.11bx（WLAN Intelligent Networking，WIN）标准化进展综述，梳理 Wi-Fi 9 如何以 AI 为核心驱动力。文章从三个维度分析 AI 的角色：AI 作为协议（用于 PHY/MAC）、AI 作为平台（Wi-Fi 基础设施提供 AI 计算）、AI 作为流量（需新的流量处理策略），并以扩展 EDCA 支持 AI 流量区分为案例。
研究者提出 Control-based Motion Customization（CMC）训练框架，用随机最优控制（SOC）解决视频生成运动定制中的内容泄漏问题，使生成结果保持参考视频的目标运动而不受其外观影响。该框架无需显式奖励，引入仅作用于早期生成阶段的 timestep-adaptive motion cost，将训练加速 2.5 倍。实验表明 CMC 能有效抑制内容泄漏，在保持基座模型多样性的同时实现有竞争力的运动保真度。
研究者提出多模态知识蒸馏（MKD）框架，用 Low-Rank Multimodal Fusion（LMF）融合预训练 WSI 图像编码器与临床文本编码器，由教师模型学习图像-文本融合表征，学生模型蒸馏后仅凭图像即可推理。在 PatchGastric 基准上，该方法平均准确率比 SOTA 至少高 3.35%，且不依赖 transformer 融合、多任务学习或大语言模型，源代码已开源。
arXiv 论文提出 Alignment- and Calibration-driven Multimodal Learning 框架 ACML，针对静态跨模态对齐导致过度对齐、置信度融合忽视特征幅度差异两大问题。框架包含动态跨模态三元组对齐模块和差异感知注意力校准策略。在多个多模态基准数据集上的实验显示，ACML 性能与鲁棒性持续超越近期 SOTA 方法。
研究者提出 SALT 方法，利用动作 chunk 的剩余轨迹作为自监督，对视觉-语言-动作（VLA）模型在执行中遭遇的未知视觉干扰进行测试时自适应，无需干扰标注、专家动作或目标域演示。在 LIBERO-10 上，SALT 将 SmolVLA 的五类持续视觉干扰平均成功率从 43.9% 提升至 53.2%，GR00T N1.7 从 58.7% 提升至 66.0%。真机实验中，任务进度从 0.49 提高到 0.61。
arXiv 论文 2610.07984 提出 PixelTriage，一个放在检索之后的即插即用小模型，根据对话、简短笔记和缩略图预测每条检索记忆的像素能给答题模型带来多少增益，无需读取全分辨率图像。它用冻结 27B 模型对比有无像素的合成记忆数据进行训练。在 7B 答题模型上，PixelTriage 处于 M^3Exam、DMV 和 MemEye 的精度-成本前沿，仅用 11 到 23% 的视觉 token 而精度无明显下降，在 DMV 上比打开全部图像快 2.9 倍，同预算下优于按检索顺序和统一降采样，并可迁移到其他记忆系统和 397B 答题模型。
Jike Zhong 等发布 DSV-Mem 基准，用于评测多模态大模型 Agent 在专业工作流中的稠密有状态视觉记忆，含 1,000 道题和五类问题，覆盖 27 种模型与记忆管理配置。最强基线得分低于 45%，分析显示状态演进尤其是主导更新次数是主要难点，而对话长度、OCR 和算术并非瓶颈，状态感知设计比增加推理量更有效。基准与代码将公开，论文链接 https://arxiv.org/abs/2610.08102v1。
推荐理由：论文分析了 27 种配置下的失败模式，指出状态更新追踪而非对话长度才是主要瓶颈，对记忆系统设计有参考价值。
论文提出 ChartBmkAgent，可从稀疏的错误分类学规范出发，由中央 harness 治理多个专用智能体自动构建完整的 Chart QA 诊断样本，保留英文原名。在 300 个分类学样本上，多模态大模型准确率介于 32.7% 到 84.3%；定向跟进样本得分 50.0%，对照样本为 82.2%（p=8.96×10⁻⁶）。多个评估模型判定 86.4% 的样本确实测试了指定的错误类别。
一项 arXiv 研究发现，MoE 视觉语言模型的 router logits 能高度预测多模态输入是否安全，据此提出一种轻量级路由信号安全检测器，在 prompt prefill 阶段读取信号并在生成前识别不安全请求，无需修改模型参数或专家路由。该检测器在 Qwen3-VL 和 Kimi-VL 上显著降低 HoliSafe 基准的安全错误，并泛化到 MISHard 和 MM-SafetyBench 等分布外基准。
研究者提出统一多模态模型的“视觉拒绝”问题，并发布含 1050 对可行-不可行请求、覆盖 7 类任务的 Draw-or-Decline 基准。评测 8 个 UMM 发现编辑与拒绝能力相互独立：最强编辑器编辑准确率 68.4%，但普通指令下仅拒绝 0.4% 的不可行请求。所提 VisTA 训练方法训练的 VisTA-BAGEL 无需提示即可拒绝 93.0% 的不可行请求、误拒仅 0.8%，并以 74.3% 的可行编辑完成率超过全部 8 个被测模型。