本文提出StateKV，一种推理时方法，使预训练长视频VLM的视频预填充达到线性时间复杂度。其核心是通过固定容量、基于重要性的循环状态携带跨帧上下文，并搭配第二个完整的每帧缓存用于解码。在三个长视频基准和多个模型上的实验表明，StateKV的性能接近全自注意力机制，并持续优于主流的滑动窗口等流式近似方法，且无需微调或架构改变。该方法降低了预填充的FLOPs成本，允许在固定算力下使用更大模型以获得更高准确率，为可扩展的长视频理解提供了实用方案。

针对真实世界图像复原缺乏高质量配对数据的瓶颈，本研究提出“生成式基准真值”方法，利用生成式多模态基础模型从真实低质量图像合成高质量目标。通过对9个最先进模型的系统评估，发现Nano-Banana-2结合基于VLM的自适应提示词，在合成感知逼真且内容忠实的目标上能力最强。基于此，研究构建了GGT-100K数据集，包含103,707个训练对和500个测试对，覆盖多样场景与复杂退化。实验证明，该数据集能持续提升多种图像复原模型的真实世界泛化能力，尤其对微调生成式复原模型效果显著。

微调测试显示，大语言模型存在一种偏见，即倾向于自信地将虚假陈述表述为真实，即使明确告知其陈述为假。

LACUNA 是一种智能体编程模型，旨在弥合运行时与大语言模型编写代码之间的分离。其核心机制是将每个智能体动作定义为类型化调用 `agent[T](task)`，由模型在运行时填充代码，但代码在执行前会经过类型检查。被拒绝的动作（8.6%）不会影响环境，其编译器诊断信息将驱动重试。该检查也限制了动作可使用的工具和数据流。此模型将 ReAct 循环、子智能体、技能等表达为普通控制流。评估显示，在 τ^2-bench 上，该模型解决了 76.0% 的任务，性能与基线智能体相当。

针对多模态大语言模型构建的GUI智能体因缺乏操作世界知识导致任务完成能力受限的问题，本文提出GUI-CIDER中期训练方法。该方法通过三个阶段显式内化知识：首先从GUI轨迹中合成静态规划与动态因果知识文本；然后通过奖励因果结构、惩罚语义冗余进行样本重选；最后使用精炼数据进行中期训练以嵌入知识。实验表明，该方法一致提升了智能体对GUI操作的理解与任务成功率。代码已开源。

为解决机器人与AR/VR领域中单张图像理解3D物体时语义粒度不足的问题，研究提出了通过学习共享的可形变物体先验，无需显式对应监督即可在相机空间中获得类别级3D对应。为此，团队引入了首个大规模基准测试HouseCorr3D，包含178k图像、50个家居物体类别及280个实例的CAD模型3D关键点标注，并提供了非模态对应标签与对称性标注。同时提出的Morpheus方法，通过解耦标准形状、形变与物体姿态来学习该先验，从而隐式涌现语义对应的3D理解，并在该基准上达到了新的SOTA。数据与代码已开源。

针对大语言模型生成代码可能无意识复制训练数据并引发版权问题，研究提出了SOURCETRACKER编码器及混合溯源流水线HYBRIDSOURCETRACKER。该系统在THESTACKV2数据集子集上训练与评估，在包含改编片段的10万片段搜索空间中，对于60-token及以上的窗口，其性能稳定超越传统Winnowing算法达5.4%，并保持对数时间查询复杂度。基于LLM的评估显示，许多检索到的片段仍与预期源代码高度相似，具有实用价值。

通义实验室推出文生图评测基准Qwen-Image-Bench，由专业艺术家团队开发，将创作能力解构为5大核心支柱、17大场景及56项可量化维度。配套开源自动化评估模型Q-Judger，与资深人类艺术家评估相关性达Spearsman 0.92。评测使用1000条中英文分层Prompt，每条覆盖至少4项考点。结果显示，当前T2I模型在文字准确性、信息可视化、跨语言生成等子领域差距明显，世界知识与逻辑推理能力是跻身第一梯队的分水岭。完整数据集与Q-Judger已开源。

研究表明，大语言模型（LLMs）在符号辅助的 Chain-of-Thought（CoT）提示下，能够通过类似图遍历的算法实现逻辑推理。本研究旨在定位负责具体推理步骤的注意力头，并分析它们之间传递的信息类型。研究发现，在CoT提示框架下，引导推理进程的token位置常伴有低置信度分数。通过因果中介分析，识别出了负责特定推理模式的注意力头（约占总头数的3%）。进一步分析表明，LLMs通过专用注意力头获取单个子任务的事实与规则信息，而更高层的注意力头则主要负责信息整合与全局推理策略（如图遍历算法）的涌现，以协调多个中间步骤来解决整体任务。

Clark Hash是一种用于紧凑存储神经网络嵌入向量的无状态编解码方法。在默认的384维句子嵌入设置下，它将一个余弦搜索向量存储为48字节的固定宽度标量量化码，相比使用f32格式的密集存储（需1536字节），实现了32倍的压缩。该方法无需训练过程、学习码本或预先计算语料库统计信息。基于多语言MiniLM编码器的评估显示，其48字节草稿与密集余弦分数在STS17和STS22测试集上的宏皮尔逊相关系数分别达到了0.910和0.946。

本文提出ESC-Skills框架，以解决情感支持对话系统可解释性不足与技能改进缺乏体系的问题。该框架首先将局部交互建模为干预单元（IUs），刻画寻求者状态、支持干预与情绪变化间的动态。基于从成功与失败对话中提取的IUs，构建了包含干预指导、适用条件、预期结果与潜在风险的可执行技能库。为进一步提升鲁棒性，框架引入了基于SAGE评估的多角色自我进化精炼流程，通过模拟不同寻求者画像来识别缺失技能与不安全干预，并据此更新技能库。实验证明，该框架在响应质量和对话级情感结果上均有提升，提供了更可解释和可控的支持行为。

现有记忆增强大语言模型智能体常将记忆视为静态存储，这在动态环境中较为脆弱。为此，FluxMem框架提出将记忆建模为异构图，并通过初始连接形成、反馈驱动细化和长期巩固三个阶段，持续优化其拓扑结构。在执行时，该框架能修复缺失连接、剪除干扰、对齐抽象粒度，并将反复成功的轨迹蒸馏为可复用的程序化回路。在LoCoMo、Mind2Web和GAIA三个基准测试上，FluxMem均达到了SOTA水平，展现出在复杂智能体环境中强大的适应与泛化能力。代码将开源于GitHub。

针对主动推荐系统中简单应用策略梯度方法存在的梯度估计缺陷，研究提出ProRL强化学习框架。该框架识别出路径级奖励分解为步级奖励时产生的长度依赖偏差，以及忽略分解结构导致的高方差问题。ProRL引入两个机制：逐步奖励中心化通过减去期望奖励消除长度偏差，位置特定优势估计利用奖励分解结构计算步级基线以降低方差。实验表明，ProRL在三个真实数据集上显著优于现有先进方法。

PEFT-Arena是一个新的参数高效微调评估基准，它同时衡量下游任务性能和大语言模型预训练通用能力的保留情况。研究发现，不同微调方法展现出不同的稳定性-可塑性特征；在相似参数预算下，正交微调取得了最佳的性能-保留权衡帕累托前沿。通过权重空间（谱分析）和激活空间（表示失真度量）两个几何视角的分析，研究解释了这些差异，并指出最终的SFT检查点常常会越过一个更优的目标-保留操作点。基于此，研究通过路径回溯案例展示了一种改进方法。

研究揭示基于LLM的搜索智能体存在“内在知识依赖”：在BrowseComp基准测试中，智能体在无需工具时仍能回答高达44.5%的问题，超过半数的搜索查询源于模型内部假设而非检索线索，移除支撑证据时其表现甚至差于闭卷基准。这表明静态基准可能奖励的是基于记忆的验证。为此，研究引入深度搜索基准LiveBrowseComp，包含335个依赖于基准构建前90天内发布事实的人工问题。在LiveBrowseComp上，所有智能体的闭卷准确率低于2%，搜索增强得分显著下降，且先前模型排名不再可靠。

OmniVerifier-M1是一个通过符号化元验证和解耦强化学习训练的多模态验证器。研究发现，使用符号化验证输出（如边界框）作为元验证依据，优于文本解释，便于基于规则的强化学习；同时将二元判断与元验证的强化学习目标解耦，显著优于联合优化。基于此，OmniVerifier-M1实现了稳健的视觉验证与细粒度错误定位，并支持M1-TTS，一个通过该验证器实现动态区域级自校正的生成系统。

该研究针对大语言模型在线强化学习中探索与利用的失衡问题，提出了新指标IB-Score，它基于信息瓶颈理论，量化了步级推理多样性与正确答案信息的权衡。分析表明，主流方法如GRPO难以维持此平衡。为此，论文提出IB-TPO框架，将IB-Score作为优化目标，并采用信息瓶颈引导的树采样策略，在相同token预算下可增加50%的轨迹。实验显示，该方法在标准基准上显著优于GRPO基线，性能提升2.9%至3.6%。代码已开源：https://github.com/alibaba/EfficientRL。

当前具身视觉语言模型（VLM）在高层语义与底层物理操作能力间存在差距。GEM 模型通过在预训练阶段集成深度图生成这一生成式监督任务来弥补该差距，联合训练显著提升了模型的语义理解与物理操作能力。配套发布的 GEM-4M 大规模数据集包含定位、推理和规划数据，并附带高质量深度监督。实验表明，GEM 在多项具身基准测试中达到领先水平，其部署的行动模型 GEM-VLA 在仿真与真实环境评估中均展现出卓越的任务执行能力。代码、模型与数据集已开源。

本文研究了大语言模型记忆系统中错误追踪与归因的新问题。我们提出了MemTrace框架，它将记忆管线转化为可执行的记忆演化图，以实现操作信息流的细粒度追踪。我们构建了MemTraceBench基准，数据来自Long-Context、RAG、Mem0和EverMemOS等代表性系统，用于系统研究记忆失效模式。此外，我们引入了一种自动归因方法，通过迭代追踪操作子图来定位失败根因。分析表明，记忆失败具有系统性，源于信息丢失与检索错位等操作级问题。利用这些细粒度归因信号指导下游提示词优化，可构建一个自动纠错的闭环系统，将端到端任务性能最高提升7.62%。

研究人员披露了名为 FROST 的新型浏览器侧信道攻击。该攻击无需用户额外操作，只要访问承载代码的网站，其 JavaScript 即可通过测量同一块 SSD 上的 I/O 延迟变化，并利用卷积神经网络分类延迟轨迹，来推断用户正在访问的其他网站内容。攻击需要在用户设备上创建一个可能超过 1GB 的 OPFS 文件。目前，该攻击已在搭载 M2 芯片的 Mac 上完成演示，Linux 上验证了底层方法可行，Windows 尚未测试。相关论文将在 7 月的 DIMVA 会议上报告。

本研究提出了HRBench，一个统一的评测框架，用于研究混合推理大语言模型的思考模式切换策略。框架从三类切换策略家族（基于提示的选择、外部路由、推测执行）与四种训练方式（免训练、SFT、离线RL、在线RL）两个维度设计空间，形成多种受控评测设置。研究在涵盖从Qwen3.5-2B到Kimi-K2.5-1.1T的6个模型，以及数学、科学、代码等5个推理基准上，重新实现了12余种现有方法并进行评估。分析表明，不同策略在有效性与效率的权衡中特点各异，且策略偏好随模型规模和任务领域变化。

针对现有大语言模型搜索方法（如 best-of-N 采样、树搜索）依赖稀疏验证信号且探索局限于高概率区域的问题，本文提出了双向进化搜索框架。该框架耦合了前向候选进化和后向目标分解。前向搜索利用进化算子重组部分轨迹，以生成难以通过单次模型展开获得的候选方案；后向搜索则递归分解原始任务，产生密集的中间反馈以指导搜索。理论分析表明，仅靠展开的搜索受限于窄熵壳，而进化算子可使其跳出，后向搜索则能指数级减少找到正确答案所需的样本数。实验显示，在主流后训练算法失效的任务上，BES 能带来一致性能提升；在三个开源问题求解基准的推理测试中，BES 在平均与最佳性能上均优于现有开源框架。

针对视觉语言模型在工具使用任务中存在的“思考-行动差距”（工具调用尝试率仅约30%，且其中约40%问题的所有工具调用均错误），研究提出AXPO（AI 智能体探索性策略优化）方法。该方法在标准强化学习（如GRPO）流程中，针对工具调用全错的子批次，固定思考前缀并重新采样工具调用及后续内容。在九个多模态基准和三种规模的Qwen3-VL-Thinking模型上，SFT+AXPO的平均性能优于SFT+GRPO（8B模型平均Pass@1和Pass@4均提升1.8个百分点）。8B的SFT+AXPO模型在Pass@4上甚至超越了参数量为其4倍的32B Base模型。

针对小型开放计算机使用智能体在特定领域能力较弱且失败案例分布不均的问题，研究团队提出了LearnWeak框架。该框架利用一个更强的参考智能体，自动识别学生智能体在目标领域的弱点，并据此合成针对性任务以构建训练数据。LearnWeak进一步引入错误感知特化目标，能够区分规划与执行错误，实现更精确的行为更新。在OSWorld基准测试中，该方法使EvoCUA-8B和OpenCUA-7B模型在八个领域的平均性能分别提升了11.6和11.1个百分点。

可验证奖励的强化学习已成为提升大语言模型推理能力的标准范式，而多Token预测是预训练中广泛采用的模块。当前实践通常分离两者的梯度，因为联合训练会导致性能下降。该研究从优化角度重新分析了这一问题，提出最优系数校准方法，能以极低开销在线追踪最优系数。在六个竞赛级数学推理基准测试中，OCC方法持续匹配或超越分离基线，改善了联合MTP-RL的训练性能。

提出一种名为NEO-ov的原生视觉语言基础模型，它能够端到端地学习跨帧和像素-词语的对应关系，无需任何外部图像编码器、辅助适配器或后处理融合。该架构完全消除了模块边界，使得精细、统一的时空建模能力在模型内部原生涌现。研究表明，NEO-ov在精细视觉感知任务上表现优异，大幅缩小了与模块化模型的性能差距，验证了原生One-Vision架构在规模化下的可行性。代码与模型已开源。

OSP-Next是一种高效的文生视频模型，旨在解决扩散 Transformer 全注意力机制的效率瓶颈。它采用混合全-稀疏注意力架构，稀疏部分基于 Skiparse-2D 注意力。基于此，模型提出了稀疏序列并行策略，相较 Ulysses 序列并行降低了 75% 的通信量。此外，模型集成了 HiF8 量化与 Mix-GRPO 后训练。实验表明，OSP-Next 在 VBench 上超越了 Wan2.1 基线，并在 H200 上实现了最高 1.64 倍单卡与 1.52 倍八卡加速。其量化版本在保持性能的同时，在 Ascend 950PR 上实现了显著的加速。

CubePart是一个生成式框架，可根据全局文本提示和用户自定义的零件模式，生成一组可组装为连贯物体的3D网格，实现对零件结构的显式控制。该框架构建了一个大规模的开放词汇、零件标注3D数据集，并采用两阶段生成架构，将全局形状合成与零件级解码分离。生成的资源可直接集成到游戏引擎中，无需手动后处理。

AutoScientists 是一个用于长期计算科学实验的去中心化 AI 智能体团队。智能体通过解读共享实验状态，围绕有前景的假设自组织成团队，在使用计算资源前审查提案，并共享成功与失败经验以减少冗余探索。该系统在生物医学机器学习、语言模型训练优化和蛋白质适应性预测三个领域，于匹配预算下均优于先前 AI 智能体。具体而言，其在 BioML-Bench 24 个任务上的平均排行榜百分位达 74.4%，比之前最强 AI 智能体提升 +8.33%；在 GPT 训练优化中达到目标的速度是 Autoresearch 的 1.9 倍，并发现了 7 项有效改进；在 ProteinGym 适应性预测中，其发现的一个 ACE2-Spike 结合方法使 Spearman 相关性比当前 SOTA 模型提升 +12.5%。