新闻、仓库与研究，按时间排列。
GetReport 是一个企业级自动化数据智能与 EDA 平台，可将多格式原始数据转化为 PDF 报告、特征工程管道、交互式可视分析和对话式智能。平台采用 Polars 与 DuckDB 的 Zero-Copy 混合引擎（基于 Apache Arrow），提供 4 级行分类（PROTECT/REVIEW/FIX/EXCLUDE）、自监督异常检测、统计画像、Great Expectations 数据契约导出及双层 RAG 对话式沙箱分析，并包含针对 SSRF、CSV 公式注入等攻击面的安全加固。
研究者提出 MoPrO-SD，一种针对立场检测的提示词优化框架，将提示词分解为语义模块并用 LLM 反馈依次优化，包含 I、I+R、I+R+E 三种策略。团队还发布人工标注的疫苗立场检测 benchmark VaccineStance。在四个数据集和五个开源权重 LLM 上，MoPrO-SD 多数场景优于人工 Base 提示词，SemEval-2016 上五个 backbone 中四个的类条件反馈取得更高 Macro-F1，代码与数据集已在 GitHub 开放。
一项系统性机制分析研究了 LLM 量规设计中的准则组织、准则操作化与分数聚合，发现结构性组织有助于构建更全面的准则，仅靠语义细化不足以保证准则级判断有效，而复杂的分数聚合带来的额外收益有限。基于这些发现，研究者提出 Adaptive Rubric Tree Search with Hybrid refinement（ARTS-Hybrid），结合自适应树构建与语义优先、响应校准的细化方法。跨基准实验显示 ARTS-Hybrid 同时提升了端到端评估性能与量规本身的质量，其生成的量规还能为模型优化提供有效信号。
一项小型探测研究测试了 mBERT 与 XLM-RoBERTa 在 Kazakh 语境与西欧语境下的表现，共 22 组英文提示词对，覆盖姓名、刻板印象、情感和财富四类。结果显示：在 Kazakh 语境中，mBERT 和 XLM-RoBERTa base 的姓名类 MRR 得分均为 0.000，前 10 预测里没有任何 Kazakh 名字，而是填入俄语和西方名字；西方语境下得分分别为 0.051 和 0.192。作者强调这是小样本 pilot 研究，未做显著性检验，情感与财富类别则未见一致差距。
一项 arXiv 研究探讨爬虫应如何在 host 之间及内部分配预算以获取更高质量 LLM 预训练数据。分析显示约一半的文档质量分类器得分差异出现在 host 之间；先采样少量页面再对高分 host 深入抓取，比均匀深度或基于 centrality 的分配每次抓取多获得数倍高质量页面。估计每次 Common Crawl 抓取中仍有数千万高质量页面未被爬取，且集中在少数 host 上。
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。
Pooyash1998 发布开源工具 dataset-explorer，用于快速浏览 Hugging Face 数据集，专为聊天和工具调用数据优化。对话以聊天气泡、工具调用以参数卡片形式展示，支持按 schema 校验调用、实时计数筛选、正则搜索和键盘快捷键，兼容 OpenAI、ShareGPT、xLAM、BFCL、Hermes 等格式，登录后可读取已授权的 gated 数据集，MIT 许可开源。
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。
GitHub 上开源了评估 LLM 生成的 Java 单元测试行为盲区的研究代码，核心是 ObligBench 基准，包含 1595 个 Java 方法级任务：895 个高复杂度 treatment 函数和 700 个简单 control 函数。评测报告编译与执行结果并分类失败类型，对成功执行的测试衡量 Boundary-Value Adequacy、Control-Flow Adequacy 和 Oracle Strength 三项指标；公开源码包含 1585 个任务项目，其余 10 个因再分发条款未解决而暂缓分发。
LLMmind 是一个用 Claude Code 辅助编写的 Snakemake 流水线，通过最近邻图重叠衡量预训练语言和视觉模型的内部表征与 fMRI 人脑活动（200 个脑区的 per-stimulus ISC）的对齐程度。流水线支持 cosine、Pearson、Spearman 相似度，提供置换检验与超几何显著性检验，并计算模型-模型对齐和 Spearman 秩相关作为补充指标，输出热图、折线图等汇总图表。完整运行一次约需 31 小时。
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。
开源项目 Job Radar 用 GitHub Actions + GitHub Pages 构建无服务器职位聚合管道，从 JobSpy、RemoteOK、TopCV、Wellfound 等 12 个以上平台抓取 Tech、Data 和 AI 岗位，运行成本 $0。原始职位经 Google Gemini 2.0 Flash 做技能提取、岗位分类和标题清洗，基于 Source 与 URL 生成哈希去重后写入 jobs.json；流水线每天通过 GitHub Actions 自动运行 3 次。前端为 Vanilla JavaScript 的赛博朋克风格仪表盘，支持多维度即时过滤，5 分钟即可完成本地部署。
作者发布 lmex 项目，将免费档 LLM API 拟为交易所 ticker，以 TTFT p99 毫秒数为价格，每 :07 由 GitHub Actions cron 运行 llm-latency-bench 基准并将结果提交到仓库，dashboard 用绿涨红跌反转色的蜡烛图展示延迟，错误率超 50% 即停牌。收录 Groq、Google Gemini、Cerebras、OpenRouter 等 7 个模型端点，每 tick 仅 6 到 10 次请求以留在免费额度内，743+ 条历史记录发布为 Kaggle 公开数据集，并附 latency-router 实时选择最快端点。项目 MIT 协议，无服务器，dashboard 由 GitHub Pages 读原始文件。
推荐理由：作者公开了整套测量流程、样本量局限和 p99 取舍理由，方法透明，读者可以直接复用或自己 fork 搭建。
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。
南洋理工大学团队开源 NTU MultiTagging LLM 分类引擎，采用异步多模型 fan-out 架构（NVIDIA Nemotron 550B、Gemma 4 26B、Nemotron 30B 轮询），对生物打印与增材制造文献做零样本多标签分类，路由到 4 类知识库，可配置最高 50 并发并支持断点续跑。项目为 BioPrint-LKM 论文知识蒸馏管线第一阶段，内置 8,563 条 Q&A 对的双变体导出，需 OpenRouter API Key 运行。
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。
GitHub 上的 enhansome-Awesome-Multimodal-LLM 仓库收录了多模态机器学习尤其是多模态大语言模型（LLM）相关论文的精选列表。内容按教程、数据集、综述和核心领域分类，涵盖多模态理解、视觉中心理解、具身中心理解、领域专用模型与多模态评测，收录 Shikra、PandaGPT、mPLUG-Owl、InstructBLIP、BLIP-2、Visual ChatGPT、KOSMOS-2、Segment Anything、Video-LLaMA、RT-2 等论文及其代码、数据与项目页链接，并标注各仓库的 star 数与更新日期。
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。