新闻、仓库与研究，按时间排列。
CERN 夏季学生项目 puppibuff 开源，用于设计、训练和采样 BDT-based flow matching 生成模型，对 PUPPI 粒子运动学进行超快模拟，并借助 conifer 将训练好的模型转成 HLS 代码写入 CMS L1 Trigger FPGA 固件。生成的片上生成器能以 360 MHz 生成 PUPPI jet kinematics，可用于压力测试 CMS Phase 2 Upgrade 的 L1 Scouting 系统。
appendix0 发布 PincerCraft，一个基于 Mindcraft 和 Mineflayer 的 Minecraft harness 项目，用于研究 Agent 在开放世界长时程任务中的可靠性，harness 负责世界状态观测、动作前置条件检查和独立于 Agent 自报的完成验证。在使用 Claude Sonnet 4.6 的 356 次实验中，完整 harness 配置验证成功率为 67.3%、虚假完成率 3.8%，而关闭 harness 组件后为 29.4% 和 45.1%；项目基于 Node.js 20 与 Java 版 Minecraft 服务器，MIT 许可开源。
推荐理由：作者用同一模型对比了完整 harness 与关闭组件的结果，给出了验证成功与虚假完成的具体比例，方法可迁移到长时程 Agent 可靠性研究。
LMGame 团队构建了程序化生成的维多利亚伦敦侦探游戏，测试小模型智能体群 Jev 与大模型 GPT6-Astra 协作能否破案。Holmes（GPT6-Astra）加 12 个 Jev 智能体的组合在诚实证据和有欺诈的场景下分别解出 96/100 和 93/100 案，而单模型独行侠仅 57/100 和 59/100，无领导者的 100 个 Jev 投票群只有 38/100 且会过早达成错误共识；有欺诈时仅靠计数线索的规则型 Holmes 破案 0/100，需要强推理者判断证词动机。项目代码与博客见 https://github.com/lmgame-org/Gaming-JevSwarm 。
GitHub 上的 co-train 是一个可证伪优先的研究仓库，检验共训小模型能否逆转未训练模型上 bash 优于 PTC 的 +16.5pp 排序，并验证结果能否经受 harness 交换。目前 Step 1（51 项测试）与 Step 2 已完成：fp16 GRPO 在 Kaggle T4 上稳定，无需租用 GPU；Step 3-6 尚未开始。仓库含 24 份约 6500 行 markdown 文档，默认测试套件 266 项通过（2026-10-10 测得），完全离线、无需 GPU 即可复跑。
GitHub 项目 model-launch-lag（v1 脚手架阶段）旨在测量开源权重模型从公开到可在各推理框架实际运行之间的时间差，覆盖 18 个模型 × 6 个框架（vLLM、SGLang、llama.cpp、Ollama、TensorRT-LLM、transformers）。它还统计发布后 30 天内的故障类型和用户硬件，最终产出一份附证据的 launch readiness checklist。目前定义已冻结、尚未收集数据，全流程计划以 $0 成本完成。
这是一个基于 LLM 的阿尔茨海默病教育模拟工具，出自一项硕士研究，用于比较“对抗”与“验证”两种沟通策略。系统包含轻、中、重度三个阶段的合成人物（João、Maria、Ana），共 6 个场景 × 2 种策略 = 12 次模拟，每次模拟 5 轮、15 次请求，最终实验共发出 180 次请求。模型使用 openai/gpt-4.1，经 OpenRouter 接入，参数为 Temperature 0.2、Max tokens 160。
GitHub 仓库 enhansome-gesture_generation 整理了音频/文本驱动的手势生成资源，输出为 3D 关键点手势，可用于虚拟角色、机器人和具身对话智能体动画。内容按 Survey、GENEA Challenge（2020-2025）、规则与数据驱动方法、数据集、评测指标、Toolkit 等分类，涵盖 Diffusion-based、DeepMotion、FineMotion、DiffuseStyleGesture+ 等多项 ICMI 论文与代码链接。
马格德堡奥托·冯·格里克大学的硕士论文项目，研究金融波动率预测。项目使用 Python、Jupyter Notebook 等工具，先实现 GARCH、EWMA 等传统模型，再探索用 LLM 从金融新闻中提取信息，并通过量化评估指标比较预测结果。仓库包含 notebooks、data、images 和 thesis 等目录，仅供学术研究，不构成投资建议。
K. Tamakloe 等人开源了 paper-to-running-simulation 仓库，包含提交至 Microelectronics (MDPI) 论文的代码、提示词与运行记录。流水线以论文 PDF 为输入，由四个角色分工的 LLM 智能体完成阅读、声明提取、sizing 代码生成和基准裁定，输出可在读者自身工艺中运行的电路、标准 testbench 及与论文结果的对比。开源 PDK 路径用 ngspice 和 SkyWater Sky130 即可完全复现，商用 180 nm PDK 结果仅含电路级指标，仓库未包含任何 PDK 内容。
Petr Senatorov 在 arXiv 论文 arXiv:2610.15107 中提出 Structural Chain-of-Thought 框架，让模型生成可执行的计算图而非自由文本推理，最终答案由确定性执行计算图得出。训练采用基于图的强化学习，奖励结构有效性、答案正确性及与参考图的节点重合度；在五个基准、四个模型族上准确率持续优于监督式图训练，生成长度相比标准 GRPO 和思维链监督训练最多缩短 5-6 倍，忠实性实验显示模型更倾向从生成的计算图推导答案而非事后合理化。
RegExtract 是一个面向 PFAS（全氟及多氟烷基物质）监管文件的结构化信息提取基准，含 488 个人工标注字段实例，覆盖 20 份美国州级文件和 46 项法规，每个实例含取值和溯源条目共 976 条，代码与数据已开源。实验表明文档识别类字段提取仍具挑战，而字段专属 few-shot 示例可提升效果，为危险物质识别与合规监控的 AI 工具奠定基础。
arXiv 论文 2610.15093 提出 loop engineering 概念，分析 600 条公开编码 Agent 轨迹后发现 98.6% 的输入 token 由前缀缓存提供，平价输入定价平均高估循环成本约 7 倍。轮次数量解释轨迹成本 84% 的方差，而平均观察大小只解释 4%；模型委派在一半评测设置中反而增加成本。作者发布 TurnCost 工具，用于在替换缓存、定价、压缩与路由策略下重算轨迹语料成本。
推荐理由：论文用 600 条轨迹数据指出轮次数量而非观察大小才是编码 Agent 成本主因，并开源了换算不同缓存与定价策略的 TurnCost 工具。
研究者提出 VLCQ，一种无需访问训练数据或微调模型的训练后量化方法，通过变长编码突破定点编码限制，在更低位宽下保持性能。per-channel 量化下相比 FP32 最高压缩 6x（比 PWLQ 高 1.7x），优先压缩时可达 12.25x 压缩且性能损失低于 4%；per-tensor 量化下与 DFQ 相当且更灵活。论文发表于 Future Generation Computer Systems。
研究者提出神经符号论证推理系统 NARS，直接从在线讨论中检测说服力：神经部分用检索增强的迭代 LLM 推理提取双极论证结构，符号部分用渐进论证语义传播论证影响。基于 Webis-CMV-20 构建的 CMV2BAS 数据集已开源；NARS 最佳配置下 F1=0.57、AUC=0.56，超过零样本 Qwen3.6:27B 和 GPT-oss:20B。
研究者提出 Marvo，一种无需标注数据的视觉智能体自我进化方法：由 challenger 从无标注图像生成问答对，solver 通过强化学习在解题中学习工具调用。challenger 引入边际奖励，即 solver 有无工具时的性能差，形成自适应课程，在智能体推理、视觉搜索、数学等基准上平均准确率最高提升 7.1%。
研究者提出 GAMW，一种在 TTS 生成过程中嵌入水印的框架，在波形合成前向生成表征注入内容自适应的 16-bit 多比特水印残差，解码端结合 focal modulation 与动态逐比特加权。在两个 TTS 骨干上的实验显示，相比最强基线，GAMW 在单一扰动和复合扰动下解码准确率分别提升 9.2 和 23.5 个百分点，同时保持语音质量，代码已开源。
该 arXiv 论文在基于共同底座与附加规则的类数独小离散世界中，训练单个深度循环模型研究规则泛化能力，按四种新颖度测试：新谜题、已知规则新组合、从未共现的规则配对、训练中未见的规则实例。规则以符号描述或两个已解示例提供。新组合上描述方式达 99%、示例 95%；对从未共现的规则实例，描述方式低于无信息基线，示例仍高于基线。该框架为评测深度循环推理模型提供了比 ARC-AGI 更系统的替代方案。
该研究提出 Inference on Demand（IoD）抽象，通过类 CAMARA 的 API 在 5G 用户面路径上暴露 split inference 并带内传输感知切分的 tensor context。在基于可编程 UPF 的测试床上用可切分视觉 AI 负载评估表明，自适应切分选择可作为网络侧服务运行，避免静态配置的刚性成本结构。该论文已被 IEEE Future Networks World Forum 2026 录用。
一项研究在统一实验条件下对比 PSPNet、DeepLabV3、UNet 和 UNet++ 四种分割模型在 1269 张牙科X光片上的表现。结果显示 UNet++ 最优，IoU 达 0.6719、DICE 达 0.7869，在图像尺寸 300x300、batch size 16 配置下分割效果最好。研究还分析了不同架构下图像分辨率与 batch size 对性能的影响。
该研究提出oracle引导微调方法，让LLM通过三个数据池学习"选择或改写"策略来后编辑ASR转录：corrections池教选择、regularizers池抑制不必要改写、hard negatives池压制幻觉。在私有数据集上约3B参数起效果明显优于随机子集微调，但CommonVoice上的结果不够确定，作者认为公开朗读语音文本可能与LLM预训练数据重叠、掩盖真实收益。
GitHub 新仓库 volkan782/up-project-work 上线，主题为游戏关卡的程序化生成与自动评估，是一个项目课程作业仓库。仓库目前包含 00-project 目录，尚无 star、watch 和 fork，也没有 Releases 和 Contributors。
GitHub 新开源仓库 audio-diffusion-synth 对比多种 diffusion 管线用于合成音频生成，作为在合成数据上进行知识蒸馏的 testbed。仓库包含 notebooks、results 等目录，代码已可在 GitHub 获取。
Trace Evolution Bench（TEB）是一个将重新评分与上下文或权重更新分离的评测协议，主榜为代码任务，由封闭工作区的隐藏单元测试评分。在 40 个 held-out 任务上，DeepSeek v4 Pro 在 no_evolve 下仅重评分就变动 7.5、5.0 和 12.5 个百分点；九个受 GEPA、ACE、ExpeL 启发的文本更新单元有七个超出种子自身波动带，GLM 与 MiniMax 未复现该模式。
提出一种针对 POMDP 的蒙特卡洛规划方法 BETS，用生成分布嵌入（GDE）表示搜索树各节点的信念，并通过 POMDP 动力学更新，将信念模型与策略、价值网络一同训练，以隐状态为训练目标。在 RockSample、LightDark、PocMan 共六种配置上与 BetaZero 及三个无学习组件的规划器对比，BETS 在全部六项中持平或领先，且信念维度越高优势越大。
研究者提出 PAT 框架，用于提升社交媒体抑郁症自动检测效果。该框架分两阶段：先用经典人格理论驱动的 LLM 数据增强缓解数据稀缺，并以细粒度对比学习优化 post 级编码器；再将训练好的 post 级打分器用于高质量帖子筛选，编码器参数迁移至用户级任务。实验显示 PAT 显著优于现有方法，并能通过追踪 post 级心理状态轨迹提供多粒度可解释性。
arXiv 论文（arXiv:2610.15033）基于两组各90天、共158,099条回答与468,037次引用的收集，研究生成式搜索引擎（ChatGPT、Gemini、Perplexity）引用网页的驱动因素。研究发现 ChatGPT 引用的每个页面都来自其自身检索，而其每次回答都会重写子查询、检索结果很少与 Google 或 Bing 一致，检索环节可解释32%的引用差异，远高于页面属性的2.8%；标题和段落语义匹配提问的页面被引用更多，FAQ 块、结构化数据、摘要框和页面速度只在跨网站比较时表现有效；模型自身知识也参与其中，会写入已知品牌、偏好已知网站，甚至在没有页面佐证时直接点名品牌，受控实验显示品牌名会重排事实完全相同的商品排名。结论在小 B2B 厂商市场复现，数据与代码已发布。
推荐理由：论文用两组各90天、逾46万条引用数据拆解生成式搜索引擎引用页面的机制，指出检索命中比页面属性更能解释引用差异。
arXiv 论文提出 InCLAD，将工业异常检测重构为持续学习基准，把每个工业组件视为一个任务，在半监督设定下依次学习新组件并保持对全部组件的性能。基准设置了随机、由易到难、由难到易等多种任务序列场景，并涵盖跨多数据集场景，从图像级异常检测和像素级异常定位两个维度评估模型的知识保持、适应与泛化能力。
研究者基于 Qwen3.5 骨干的 9B 参数决策模型 Clef-Flash，用 QLoRA 微调在 Symptom2Disease 基准的 24 类疾病分类上达到 95.42% 准确率、macro F1 0.9551，超过 ClinicalBERT 的 90.90%。单次前向推理每条记录耗时不足 80 毫秒，报告称较生成式 LLM 基线提速 31 倍。其提出的 Leave-One-Symptom-Out 反事实扰动框架可揭示症状级证据。
研究者提出 UltraBERT，一种在分类与检索任务上均达 SOTA 的双向编码器，GLUE 达 91.0、BEIR 达 47.7。模型为批内低、高掩码率分别设置独立 LM head，并将蒸馏目标限制在低掩码率。研究还发现编码器在数万亿 token 后性能饱和，低掩码率利于分类、高掩码率利于检索。
GitHub 上的 jev-bakeoff 项目提供一个独立离线的 LLM 分类器评测框架，可在真实希腊按揭文档语料上投影各候选模型的每千次调用成本（$/1,000-calls），并附带确定性的 PII 脱敏流水线，默认工作流无需 API key。项目基于 Python 3.12 与 uv，集成 spaCy / Presidio / PyMuPDF，Jev（TypeSafe System-1）分类器适配器已就位但尚未接入评测，支持 Docker 运行同一测试套件。
GitHub 仓库 williamguey/worse-evidence-reproducibility 公开论文结果的离线复现代码与数据，含固定案例库、提示词、精确答案键、留存响应与分析脚本。复现仅需 Python 标准库，无需 API 调用或网络访问；原始与匹配分析基于 Python 3.9.6，construct validation 保留全部 22,656 个计划单元格。Qwen 等部分未收集结果保留在原计划单元格中，稿件、评审与凭证均不包含在内。
该 arXiv 论文研究多环境 POMDP（ME-POMDP）的复杂度格局。论文证明多环境 blind MDP 与确定性 POMDP 为 NP-complete，不满足混合闭包条件的一系列子类仍为 PSPACE-complete，并在时间依赖策略或有限状态控制器下证明若干 ME-POMDP 问题为 ∃R-complete。结果表明两类复杂度关系取决于具体子类。
arXiv 论文针对偏好模型在优化中可能被利用的错误，提出用模型集成间的分歧作为预测误差的代理，并将该搜索形式化为 Leader 与 Follower 之间的零和 Stackelberg 博弈。论文证明了有限上下文 Stackelberg 博弈的均衡存在性，在正则化下给出唯一性与闭式刻画，并提出具有线性 last-iterate 收敛性的 SMIDA 算法及神经策略梯度版本。合成 oracle 实验显示分歧是预测误差的有效代理，训练出的策略在保留数据上优于参考策略。
Tejas Vaidhya 在 arXiv 论文中提出 Tab-Loop，将 TabICLv2 的 12 个非共享 ICL 块替换为 4 个共享块循环应用 k 次，其余编码器、解码器、合成先验和训练配方不变。在相同预训练算力 18.2 EFLOP 与相同推理算力下，参数量从 27.6M 降到 10.4M，held-out log loss 0.4583 对 0.4588，200 个 TALENT 数据集平均准确率 84.10% 对 83.92%，38 个 TabArena 数据集 Elo 1409 对 1396。由于权重共享，深度可在推理时选择，在训练范围内增加循环次数可提升精度且超出范围仍成立，用更深的循环继续训练可在 4–5 倍推理算力下达到基线 stage-2 成绩。
推荐理由：论文在相同预训练与推理算力下对比权重共享与独立参数，给出参数量、精度和 Elo 的具体数字，可迁移到 ICL 模型的参数效率设计。
arXiv 论文提出 Certified Adaptive Selection（CAS），在剩余不确定性无法改变结果时即返回精确 top-k 集合，并通过 Expected Shortfall 的上下界给出认证。其预测引导策略 CAS-PG 在两个公开算法选择矩阵上分别用 630/3150 和 981/2200 次查询认证精确前三，仅为事后最少评估次数的 1.14 和 1.18 倍；无历史数据的纯记录变体为 1.28 和 1.37 倍，优于测试的非预测型认证策略。
一项强化学习研究提出在给定与奖励无关的 m 步混合策略时，通过向该混合策略正则化来控制学习策略的收缩与探索性质，并对可实例化多种正则化的 Q-Learning 算法给出有限时间分析。单步设置下其速率匹配 Q-iteration 与同步 Q-Learning 的最优已知速率，m 步混合下得到新速率；Q-Planning 变体中规划视野 H 在边界值偏差与样本复杂度间权衡。数值实验验证了强混合策略可改善收敛与探索，且理论能预测 α-散度族中各正则化器的收敛与偏差排序。
一项预注册实验将 148 个三人团队随机分配到五种使用同一语言模型的时序方案中完成产品设计任务。结果表明，把同样的 15 分钟模型使用时间从搜索阶段移到筛选阶段，专家评定的创造力下降 0.62 个标准差；全程可用的团队中 11% 的筛选阶段查询用于生成新选项，晚接入团队则达 29%，提交方案多 73% 但质量未提升。
arXiv 论文发现在 SALSA-CLRS 的广度优先搜索任务中，推理器即使完整复现训练 hints，在深图上仍会提前宣布节点可达，作者称之为 premature flood。论文追踪了两条成因：GRU processor 中带度数输入的隐藏状态携带洪泛，GIN 与 PGN 部分种子则从固定步数开始洪泛；在 1,600 节点的 Delaunay 图上，一个 GIN 种子从第 18 步开始洪泛。Clamping 度数输入或增加 200 个稠密训练图可消除 GRU processor 全部失败，作者建议审查每个输入与聚合的取值范围并在深图上测试。
研究者提出基于 WangchanBERTa 初始化的掩码语言模型，在双层画布（音节层硬约束韵、调、音节数，词层保证词完整）上逐格解码、temperature 0.4 单次采样，从短话题生成泰语 klon pad 诗节。在 78 个留出话题上，70.5% 生成诗节同时通过形式、词汇洁净与主题对齐，人工为 76.9%；洁净度与人工持平（85.9% vs 87.2%），差距在对齐项；预注册目标差 1.4 分。已知唯一公开的 KlonSuphap-LM 无一通过（形式 19.2%、洁净 3.8%）。
arXiv 论文提出 HodgePhaseNet，将语义转移表示为有限定向单纯复形上的反对称实值 1-上链，利用关联矩阵 B1、B2 实现唯一正交分解 Ω = B1^TΦ + B2Ψ + H。文章给出显式投影子、稀疏实现、可积性与规范结果及数值算例，并重新设计注意力接口以保持解码器因果信息边界。这是数学与架构提案，未提供外部自然语言性能结果。