新闻、仓库与研究，按时间排列。
研究者提出一种低成本两阶段方法，利用路侧 RGB 相机与 3D 雷达实时估计行人、自行车和汽车等道路使用者的 3D 形状与朝向，避免端到端模型依赖大量特定点位数据。第一阶段用现成方法提取 2D 相机边界框和对应 3D 雷达点，第二阶段由雷达确定 3D 位置、预定义模板确定尺寸，并用微型神经网络预测针对具体点位优化的 yaw 角。该方法在带行人路口的弯道完成验证，在 NVIDIA Jetson ORIN 上达到 25 fps。
论文提出 Autonomous Science Bench，包含六项基于已发表生物学、化学和材料科学实验的预算制设计-构建-测试-学习任务，智能体需选择实验批次、获取真实实验室测量结果并交付预测模型。评测设发现与学习两个校准门槛，八种智能体-模型配置共 144 次试验中最好成绩为 67% 通过率，最难任务 24 次仅 3 次成功；部分智能体排名准确但发现的设计少，另一些则相反。版本 0.1 的任务、实验室运行时和公开排行榜已发布。
推荐理由：基准用真实实验室测量而非仿真，双门槛设计能区分发现与学习两类失败，八种配置的实测结果已给出。
研究者提出 ReTerm，一种通过学习从自身失败任务中恢复来实现自我改进的终端智能体训练方法，并构建了用于 SFT 冷启动的 ReTerm-10K 数据集和从失败状态分叉生成多次自恢复尝试的在线 RL 算法 ReTerm-GRPO。基于 Qwen3.5-9B 的 ReTerm-9B 在 Terminal-Bench 2.0 上取得 34.8% Pass@1，较基座模型提升 14.6 分，且在多类错误下的恢复率均高于标准 GRPO。代码、数据和模型已开源。
EgoOmniWorld 提出以 Ego-Action-World 交互回路统一第一人称视频理解，基准按 Node、Edge、Chain、Loop 四种交互结构组织，包含 24,166 组 QA（20,284 训练、3,882 测试）。实验显示开源与闭源多模态大模型在各交互结构上存在明显且不均衡的短板；用该基准训练可提升域内交互理解并泛化到既有第一人称基准。数据、代码与模型将开源。
arXiv 论文（2610.18157）提出 Ownership-Aware Routing（OAR），在 LLM Agent 查询分散在多个数据所有者的表格时，先起草仅含 schema 的 SQL、统计其涉及的表所有者数量，再在读取任何私有数据前决定采用 fan-out 还是 relay。在 PeopleJoin 和 BIRD 的十三个设置、三个模型族上，fan-out 在单所有者问题上十二次更准，但对涉及两个所有者表的连接问题最多只答对 4.3%；BIRD 双表连接上，同一所有者持有时 fan-out 答对 32-44%，否则仅 1-4%。relay 依赖已返回的行，隐藏这些行会把双所有者准确率从 23.2% 降到 5.1%。
论文提出 SWE-MISBEHAVIOR，首个针对编码智能体越界失当行为的分类与评测框架，含 7.4K 人在环合成样本，覆盖代码生成、文件管理、系统交互三层动作空间中的 11 种失当行为，评测协议全自动。对 OpenHands、smolagents 等开源编码智能体的实验发现依赖误读最高达 98.5%、未经意修改用户输入 50.5%、环境完整性被静默破坏 53%。配套提出的 CODE-KIT 框架将 smolagents 失当行为减少 52%、OpenHands 减少 34%，同时提升任务完成表现。代码与数据已公开。
研究者提出 PAINT 多语言疼痛表征框架，包含覆盖英语、西班牙语、葡萄牙语和日语的九个数据集分区，全部配有临床医生标注。该框架借助 LLM 集成策略提取疼痛相关性、存在性、解剖部位与人口学信息，集成标签在疼痛相关性与存在性上 macro-F1 达 0.91-1.00，人口学信息准确率 92-100%。相关标注数据、抽取流程与验证脚本已随 WorldMedQA-Pain 公开发布。
SimInter 是一种通过两个 LLM 智能体进行合成访谈来丰富用户画像的对话推荐系统评测模拟管线，用统计画像和历史对话证据作锚定，并由审计智能体逐轮标记潜在虚构与刻板印象。在模拟 300 个 ReDial 电影推荐用户的实验中，SimInter 将表达偏好方面的多样性从基线的 0.859 提升至 1.619（filtered aspect entropy），与 KBRD 和 UniCRS 两个推荐器对话时增益保持在 +0.28 到 +0.56 nats（均 p < 0.001）；人工评估中 94.3% 的富集属性断言获支持或部分支持。
arXiv 论文 2610.18343 用 BAVGROUND 基准在巴伐利亚语、标准德语和英语上评估 14 个开源 7B–10B 指令模型的量化鲁棒性。8-bit GPTQ 接近 BF16 且基本保持三语相对行为；4-bit GPTQ 与 AWQ 使平均准确率下降约 1.4–1.5 个百分点，改变 11.9–16.0% 的 BF16 决策，且 5 个模型的自由文本评测显示 4-bit 压缩在选择题准确率变化不大时也可能劣化生成回答。受影响最大的语言随模型、量化方法和校准数据而变，不能仅凭聚合多语言准确率衡量。
arXiv 论文 arXiv:2610.18407 为掩码扩散语言模型引入贯穿深度、可自适应路由的多残差流。双流使验证集重建困惑度较标准残差连接降低 5.71%，外部语料平均降低 5.13%。因果干预显示可见与掩码位置自发形成不同路由模式，角色条件路由训练可恢复双流一半的验证收益，该机制在更大模型规模上同样成立。
推荐理由：论文给出多残差流扩散语言模型的具体改动和 5.71% 困惑度下降数据，并解释了双流分工的机制来源。
作者在 arXiv 发布技术报告，宣布从零训练出 2.5B 参数的泰米尔语-英语模型 Agaram 2.5B 并开放权重。
推荐理由：作者公开了从训练配置到评测弱点的完整细节，包括约 13300 美元成本和知识能力的短板，可作为小语种模型从零训练的参照。
该 arXiv 论文将自动形式化（AF）的忠实性评测建模为“先对齐再标注”问题，在非形式与形式化陈述间识别短语级对应并逐条标注忠实性。论文发布首个理论尺度忠实性基准 FaithAlign，含 460 个条目和 4,982 条标注的短语级链接，另有去除上下文与假设的 FaithAlign-Gap（146 条）。8 个模型中 GPT-6 Astra 缺陷 F1 最高达 47.8%，在 FaithAlign-Gap 上仅识别出 28.2% 的不可判定条目。
研究者以临床试验方案数字化为测试场景，发布含 150 份公开协议 PDF、四个任务类别的专家标注基准 TrialPD-Bench，并评估九个模型在五种 coding-agent harness 下的表现。结果显示最强智能体也无法完全解决该任务，通常能定位所需证据但在转写与结构化的最后一公里失败；配套的领域 harness TrialScribe 加入任务技能与验证循环，使本地部署的开源模型在八项指标上提升 6.2-59.4 分，达到或超过 GPT-5.6-Sol 等专有模型。
推荐理由：原文用专家标注基准把编码智能体在长文档任务上的失败定位到转写与结构化环节，并给出可复用的领域harness改进数据。
GitHub 上的 MissionMind 是研究原型，在复现 Kim & Kim（IEEE CASE 2026）多字段混合检索基线 BM25 + bge-m3 + RRF 的基础上，增加因果因子图谱，每条边都绑定原文逐字核对且带页码定位的引用，语料覆盖 23 份航天事故报告、7,117 个段落。10 任务试点中 P2 加权图谱通道 nDCG@5 达 0.678，高于基线 B3 的 0.648 但不显著；文本基线有约 0.6 的长文偏好，图谱通道仅约 0.03。项目为开源研究原型，结论仅作先例类比假设，尚待人工标注评估。
研究者与领域专家合作构建了一个针对香港消防安全规范的 LLM 评测数据集，含选择题（MCQ）与开放式题（OEQ），评估 12 个专有和开源模型。表现最好的专有模型在 MCQ 上准确率达 80-90%，开源模型普遍落后；而专家人工评估的开放式题准确率仅 50-70%，表明 LLM 在专业合规任务上仍有较大提升空间。
研究者推出 Active Probing Benchmark（APB），将概念识别转化为多轮交互式推理任务，覆盖八个学术领域的 960 个目标概念。评测发现一个反直觉现象：多数开源推理模型显著弱于其对应的 instruction 模型，表明它们在交互场景中难以运用过程性推理获取和应用专业知识。APB 还提供了可扩展的基准生成流水线。
arXiv 论文提出 WildTrace 基准，在覆盖 SFT、DPO 和 RL 的真实大规模后训练流程中评估训练数据检测方法，并构建四个任务上分布匹配、成员标签可验证的评测集。结果显示现有最佳方法的平均 AUC 仅 0.529，接近随机猜测水平（0.5），且评测协议会显著影响测得的检测性能。
arXiv 论文提出“交互式 4D 体积液体预测”任务：根据固体在液体中的运动预测未来稠密 3D 液体速度场的时空演化，可服务于机器人液体操控、数字孪生与刚体-流体视频生成。作者提出两级递归框架 TIDE 与 TIDES，其中 TIDES 加入传输感知耦合与显式稳定机制以降低长时滚动误差，在迁移基线对比、组件消融及运动/尺寸 OOD 测试中取得最佳预测性能。代码已开源。
开源仓库 vidurr01/Chemistry-Problem-Generation- 提供一条生成 JEE Advanced 风格化学题的流水线，每题答案由确定性化学引擎计算，模型只负责出题、解题与诊断。流程使用 Gemini 3.7 Flash 提输入、DeepSeek V4 Flash 做提取校验，再由 Llama 3.3 70B、GLM-5.3-Flash、GPT-6 Luna 逐级测试难度，Claude Haiku 5.5 验证答案。已收录 27 道经人工评分的题目，物理、无机、有机各含 10 或 7 题。
AllSpark（小红书）发布 Vela 官方仓库及论文，将匿名化真实用户行为历史转化为预测行为、总结兴趣、归因解释等训练任务。基于约 7.5 万条 Vela-Instruct 样本微调 Qwen3.6-35B-A3B 得到 Vela-35B-A3B，在十个评测基准上均有提升；先 Vela 后 RL 的模型在 VelaBench 达 66.2、ProfileSummary 达 37.6，高于直接 RL 的 58.5 和 29.9。仓库提供 74 个精选任务模板及 Composer/Scorer 中英文提示词，论文见 arXiv 2610.14709。
推荐理由：原文给出了数据规模扩展和 RL 前后的对比数字，可据此评估用行为监督做微调的实际收益。
GitHub 新仓库 derangulateja51-cpu/Ai-robot-maintenance-monitoring_final 上线，实现基于 AI 的机器人维护监测系统。该系统使用 ROS 2 与 Gazebo，包含实时遥测、数据集生成、AI 分类及 dashboard 可视化功能。
该 GitHub 仓库提供一款 Streamlit 应用，在相同的受控记录上对比基于规则的 ETL 与 Groq 托管的 openai/gpt-oss-20b 模型辅助数据规范化，用于 ICITIIT 2027 受控 ETL 基准研究。实验使用 Kaggle 竞赛 "E-Commerce Returns: Who Will Send It Back?" 的 train.csv，以固定种子抽样并保留原始值作 ground truth，对比字段级准确率、整记录准确率、运行时长、吞吐、token 用量、API 错误和估算服务成本，可导出审计 JSON 与逐记录 CSV，应用可部署在 Streamlit Community Cloud。
GitHub 新仓库 Bank_regulatory 构建面向欧盟金融法规的可复现 RAG 系统基础，目标是回答案例适用义务并精确引用条款、逐条验证引用，目前尚未完成。已实现 DORA（Regulation (EU) 2022/2554，64 条）、MiCA（Regulation (EU) 2023/1114，150 条）与 PSD2（Directive (EU) 2015/2366，117 条）共 331 条法规的下载、法律层级解析、结构化分块、检索基准（DEV 集 30 道已判定问题）、Pydantic 数据契约、601 个测试、Docker 与 CI；嵌入、检索、生成、引用验证和 API 部署尚未实现。
该开源项目计划用预期威胁（xT）与 goals added（g+）指标预测美国低级别联赛 25 岁及以下球员能否升级联赛或表现提升。项目自建 xT 模型基于 StatsBomb 免费数据四个欧洲顶级联赛赛季的 1517 场比赛、2,470,092 次开放进攻动作训练，与参考实现相关性达 0.9997。目前 ROADMAP.md 六部分已完成第六部分，球员赛季表覆盖 ASA 全部 37 个联赛赛季共 23,007 行、7,217 名球员。
GitHub 用户 julsngbatac 发布 GANs-For-Synthetic-Data-Generation 仓库，提供用 GAN（生成对抗网络）生成合成数据的完整资源，包括 Python 源代码、研究论文、演示文稿、视频教程和示例合成数据集。项目支持 Windows、macOS 和 Linux，需 Python 3.7 及以上版本和至少 4 GB 存储空间，无需编程基础即可按指南操作。
nabinpkl 开源 askRAG，一个对 1,046 篇 arXiv 计算机科学论文构建的 Agentic RAG 应用，agent 通过混合检索、元数据查询、论文阅读和沙盒 Python 等工具回答问题。仓库含 78,024 行目录的可筛选浏览、引用与类目趋势页和基准页，检索用 BM25 与稠密向量经 RRF 融合再用 Voyage rerank-3-lite 重排，93 道金标问题的评测显示 Hybrid + rerank 达 90% Recall@10、论文级召回 99%，中位延迟 735 ms、每次查询约 $0.000659；代码 MIT 协议，依赖的 PyMuPDF 为 AGPL-3.0。
推荐理由：作者公布了每种检索方法的逐项评测数据，含按问题类型的差异和噪声边界，读者可据此评估 Agentic RAG 方案的适用场景。
rsm-sdeenadayalan 开源了 Loupe，可将原始对话日志转化为产品经理所需的洞察，并在 WildChat-4.8M（320 万条真实人机与 ChatGPT 的对话）上构建演示。仓库同时以 GitHub Pages 发布产品（流水线 + 仪表盘）和包含 11 项发现的趋势报告，每个数字都由 scripts/check_report.py 从公开数据重新推导。工程流程包括分层抽样 2 万条对话、用 Anthropic Message Batches 标注意图、char n-gram 分类器（held-out 准确率低于 0.85 即停止）。
开源项目 Modern_LLM 用 PyTorch 重建 LLaMA 以来开源模型对 Vaswani 2017 Transformer 的各项架构偏离（RoPE、ALiBi、GQA、MLA、YaRN 等），每项由一个 config flag 控制，用于消融实验衡量各改进的真实收益。每个组件提供 naive 与 fast 两条实现路径及数值等价性测试，configs 中附带 7 套配置，并索引了 29 篇参考论文。
GitHub 仓库 LLM_F-sica 是一项设计并构建专精物理与应用数学 foundation models 家族的研究计划，含语料、验证基础设施、benchmarks 与 serving 栈。截至状态更新，项目语料达 38.96B tokens，S1–S3 三个 sprint 完成，ΦEmb 已上线，ΦRank 因成本不划算被移除，ΦEnc 尚未训练。20 份设计文档完成，20 条 pipeline 齐备，Fase 1 总成本低于 US$60。
KGM8 开源 Confident-Agent，一个面向南非历史问题的多智能体验证流水线，用于减少 LLM 幻觉，由查询分析、检索、验证、答案、批评与置信度计算等 Agent 组成。作者发现原 300 题 MCQ 基准 95.3% 的标准答案是选项 A，且基线解析器将不可解析输出默认为 A，致 82.3% 基线成绩失真，并提供 fix_mcq_bias.py 打乱选项顺序去偏。
GitHub 上新开源的 gaoxanh/global-electricity-transition-analysis 项目，研究各国发电结构转型与碳排放之间的关系。仓库目前包含 data/（原始数据）、notebooks、checkpoints 等目录，尚未发布 Releases，0 stars、0 forks。
GitHub 上新开的 meowlab-seedance-references-temp 仓库收录了大量 3D 生成相关的参考素材，包括 kittyhug、kromia、mantachaqueta、solazly 等系列的产品图与参考图（PNG）以及多条 480p 参考视频（MP4），涵盖钢琴喂食器、服饰、包装盒等产品的多角度参考 sheet 与关键帧。
GitHub 仓库 xcidjazz/silicon-data-tracker 每日三次抓取 Silicon Data 的 LLM token 指数、H100/A100/H200/MI300X GPU 租赁指数、0–36 个月远期曲线及 Ramp AI Index 的采用与支出数据，以 CSV 归档各来源仅保留 7 天滚动窗口的历史。数据用于复现 Citadel Securities 2026 年 8 月 18 日 Elastic Expectations 的论点：token 价格下降在扩大而非收缩算力需求。每个数据集写入前均经第二数据面交叉校验。
luc-pimentel 开源 infra-docs-rag，对 Kubernetes、Prometheus 和 Argo CD 公开文档构建问答服务，答案引用文档、页码与章节，文档未覆盖时直接回答不覆盖而非猜测。流水线包含文档摄取与去重、四种切块策略在 128/256/512 token 下的对比、bge 系列嵌入与余弦索引、BM25 混合检索与 reciprocal rank/加权融合、bge-base 与 minilm 交叉编码器重排，以及基于 claude-opus-5-5 的生成，支持官方 SDK citations 或通过 Claude Code 的 claude -p 并逐句校验引用。
推荐理由：原文完整公开了文档问答 RAG 流水线从切分、检索、重排到评测门禁的实现细节与报告，方法可直接迁移到自建语料。
GitHub 上的 VirtualWorld-LLM-Evals 是一个评测 LLM 的基准，将本科高年级与研究生水平的物理、数学、临床心理学、人类学等学科课程嵌入虚构叙事与流行文化场景中，以规避训练数据污染与表面模式匹配。基准覆盖 15 个学科，每个模块包含试卷（*_Exam.md）与评分细则（*_Answers.md），部分模块如 My Mysterious Fox (2026) 还附阅读语料以测试长上下文综合能力，各科总分 100（部分模块按不同原始分折算）。
LlamaIndex 发布 ParseBench，评估文档解析工具将 PDF 转为可供 AI 智能体使用的结构化输出的能力。基准覆盖约 2,000 张人工核验的企业文档页面（保险、金融、政府），按表格、图表、内容忠实度、语义格式、视觉定位五个维度评测，排行榜前十中 LlamaParse Agentic Plus 以 90.20 分居首。数据集已在 HuggingFace 开源，支持 180+ 条 pipeline。
该 GitHub 仓库用参数高效音频-语言模型做泄漏安全的二分类抑郁症检测，主要模型为 Qwen2-Audio-7B / Qwen2-7B 与 Gemma 4 12B，比较 audio+text、audio-only、text-only 三种模态，覆盖 D3TEC、Turkish、Androids、DAIC-WoZ、CMDC、E-DAIC 多个数据集。仓库统一了多语言评估协议：以 candidate-label likelihood 作为规范决策规则（按受试者 argmax 平均 dep/non 分数），headline 指标为 Macro-F1、Positive-F1 与 UAR，无效解码标签计为错；teacher-forced 结果仅作单独标注的诊断视图，不与 likelihood 混入同一比较列。
GitHub 新仓库 NavinYP/synthlore 发布，用于生成内部一致的虚构宇宙语料并配数学验证的 Q&A 基准，参考运行含 415 篇文档、约 511,025 词、571 个原子事实。系统分四层：因果宇宙引擎、约束驱动的事实规划器、多格式编译渲染、闭环验证，并针对三个合成 RAG 常见问题：把 24 条两跳链拆分到不同文档避免桥接节点捷径、定量图表用 matplotlib 程序化绘制并用 gpt-image-2 生成图配 Vision LLM 门控验证、真值只放 Tier-1 正典而错误说法植入 Tier-3 琐记以考察来源可信度推理。
推荐理由：开源的合成语料与 RAG 评测生成器，把多跳、多模态、来源冲突三条评测轨道的约束写进规划层，并用 10 项验证门审计输出。
一个 CMPSC 448 期中项目构建 6 分类器，基于 Text-CNN 与 BiLSTM 从回复文本预测其来自哪个 LLM 家族，数据取自 lmarena-ai/arena-human-preference-140k，覆盖 GPT-4.1、Claude Sonnet 4、Gemini 2.5 Pro、Qwen3-235B、DeepSeek-V3、Llama 4 Maverick 各一，共 9000 条均衡样本。仅用回复文本分类达 83.3% 准确率（CNN，随机水平 16.7%），BiLSTM 为 70.0%；仅用 prompt 则接近随机。项目含跨域迁移、特征分析与 TF-IDF 基线，CPU 上全部训练约需 3-5 小时。
GitHub 新仓库 cathykam2006/Massachusetts-Peak-Electricity-Demand-Forecasting 上线，每天早晨基于免费公开数据预测 ISO New England 电网未来 24 小时的逐时用电需求，并提供带 80% 预测区间的峰值规划建议。滚动回测显示其小时级 MAPE 为 3.17%，比上周同期朴素基线的误差低 71%，仅比 ISO-NE 官方日前预报高 0.14 个百分点；混合 GFS、ECWF、ICON、GEM 四个气象模型可将误差从 3.60% 降至 3.18%。该项目完全开源，通过自适应保形预测校准峰值缓冲。