该框架针对3D高斯溅射训练中参数规模远超GPU内存的难题，提出了核外训练方案。它利用训练过程固有的稀疏性，将GPU内存作为工作集缓存，并通过SSD-CPU-GPU层级结构协同管理参数。关键技术包括虚拟化块几何以提升I/O局部性、异步分层流水线实现计算与I/O重叠、以及轨迹自适应差分流以高效传输增量数据。实验表明，TideGS仅需单张24GB显卡即可训练超过十亿高斯，并在大规模场景中达到了所评测单GPU基线中的最优质量，相比此前方法实现了数量级的规模突破。

本文介绍了PixVerve-95K，一个高质量、开源的超高清（UHR）文生图数据集，包含95K张图像（每张至少100M像素）及七维注释。基于此，研究团队探索了三种训练方案，成功将现有文生图基础模型扩展至原生100MP图像生成。同时，提出了PixVerve-Bench评估基准，全面评估UHR图像的视觉质量与语义对齐。实验与探索为该领域的未来突破提供了关键见解与实用策略。

该研究发现，使用相同预训练编码器、数据和损失函数微调的作者归属模型，仅因评分机制不同，性能差异可达四倍。研究利用机械可解释性工具揭示了这一差距的来源：词长、标点密度、功能词频率等风格特征在所有模型的每一层中均等可得，因此差距并非源于表征质量差异。因果介入实验表明，评分器决定了编码器在哪个层次整合作者身份信号——均值池化迫使信号在早期至中期层整合，而晚期交互则将其推迟到更晚的层。这一差异源于各评分器的梯度结构不同。

Rohan Paul@rohanpaul_ai

62

Anthropic最新研究指出，前沿AI的行为日益涉及“品格”塑造，而非仅限于代码。研究认为，工程师在后期训练中实质上塑造了AI的“习惯”，而核心挑战在于确保其在压力下仍能保持道德稳定。为此，Anthropic与超过15个宗教及跨文化团体展开对话，探讨人类品格培养机制。其提出的解决方案包括开发“自我提醒”工具，帮助AI在执行关键任务前审视自身承诺，内测显示此举已显著降低行为错位。该研究旨在拓宽关于AI发展的社会讨论边界。

Anthropic: Over the past few months, we've been holding dialogues with scholars, philosophers, clergy, and ethicists on the questio...

针对现有方法在处理重复长外部上下文时未能有效保存和重用定向知识的问题，本文提出PEEK系统。该系统将关于上下文内容、组织方式及历史有用实体的知识缓存为一个小型固定大小的上下文映射，并置于智能体提示中，以持续辅助处理外部上下文。PEEK通过蒸馏、制图和驱逐模块的可编程缓存策略维护映射。实验表明，在长上下文推理和信息聚合任务上，PEEK相比强基线提升6.3-34.0%，迭代次数减少93-145次，成本比ACE低1.7-5.8倍；在上下文学习任务中，解决率和标准准确率分别提升6.0-14.0%和7.8-12.1%，成本降低1.4倍。这些成果在多种模型和智能体架构（包括OpenAI Codex）上均有效，证明了上下文映射能帮助智能体更准确高效地处理重复外部上下文。

现有投机解码方法为提高接受率而构建庞大草稿树，导致显存带宽和计算开销激增，反而制约了加速效果。动态剪枝虽能降低延迟，但会损失有效候选，无法达到理想接受率。为此，研究提出了Graft补偿框架，通过“剪枝-再嫁接”的机制，利用剪枝释放的计算预算驱动检索操作，用检索到的高预测性令牌补偿剪枝造成的覆盖损失，从而在近零额外开销下恢复接受长度。该方法无需训练且无损性能，在短上下文、长上下文及大规模模型等多种场景下建立了新的性能前沿。实验表明，它在短上下文任务中最高可实现5.41倍加速，并在大规模Qwen3-235B模型上将平均加速比相比EAGLE-3提升了高达21.8%。研究还初步探索了该方法在DFlash分块草稿范式中的应用潜力。

AutoResearchClaw是一种旨在突破现有系统线性流程局限的多智能体自主研究系统。其核心在于五大机制：结构化多智能体辩论用于假设生成与分析；具备自修复能力的执行器可将失败转化为信息；可验证的结果报告防止数据伪造与引用幻觉；提供从全自动到逐步监督的七种人机协作模式；以及能将过往经验转化为未来保障的跨运行进化能力。实验表明，该系统性能显著优于基线模型，且精准、定向的人机协作模式始终优于完全自主或穷举式监督。它被定位为一种增强而非取代人类科研判断力的研究放大器。

OpenComputer是一个验证器基础框架，旨在为计算机使用智能体构建可验证的软件世界。它集成了四个核心组件：针对特定应用的状态验证器、利用执行反馈进行自我优化的验证层、用于生成真实桌面任务的任务生成器，以及可记录轨迹并计算部分奖励的评估工具。目前，该框架已覆盖33款桌面应用，生成了包含浏览器、办公、创意等六类软件的1000个可机检任务。实验表明，其硬编码验证器比大语言模型评估更贴近人类判断。同时，研究揭示当前前沿智能体在端到端任务完成上仍面临瓶颈，表明稳健的计算机自动化仍存在挑战。

现有室内场景合成方法常生成静态网格，难以按需创建新的可交互物体。SceneCode框架提出将自然语言提示词“编译”为可执行的程序化世界。其核心流程包括：通过规划-设计-批评循环生成对象资产请求，经五种代码生成策略转化为分部件的Blender Python程序，并通过修复-优化循环进行验证。生成的程序可编译为仿真就绪资产，并导出SDF格式。该框架通过场景状态注册表实现可追溯的本地化编辑。实验表明，SceneCode提升了场景生成与提示词的一致性，产生了网格结构更清晰、包含可加载关节元数据的资产。

本文提出MSAVBench，首个面向多镜头音视频生成的综合评估基准及自适应混合评估框架。该基准覆盖视频、音频、镜头和参考四个维度，支持最多15个镜头的多样化任务设置。评估框架通过镜头分割自适应校正、主观指标实例化评分等机制提升鲁棒性，并与人类判断达到91.5%的高相关性。对19个先进模型的系统评估表明，当前模型在导演级控制和精细音视频同步上仍存在瓶颈，而模块化或智能体生成流程为缩小开源与闭源模型差距提供了可行路径。

针对现有视频生成模型在抽象或复杂控制下表现不佳的问题，CogOmniControl框架将任务解耦为创意意图认知与内容生成。该研究通过动画数据训练专用CogVLM，提升对模糊用户意图的专业理解与推理能力。同时，利用CogOmniDiT模块统一多种条件控制，并通过强化学习将其输出与CogVLM推理对齐。系统还基于专业工作流数据构建了CogReasonBench和CogControlBench基准。实验证明，CogOmniControl性能超越现有开源模型。

针对强化学习（RLVR）中对所有生成token给予相同奖励导致的信用分配问题，本文提出对比证据策略优化（CEPO）。该方法通过对比正确与错误答案对每个token的偏好，精准区分关键推理步骤与普通填充token，从而获得更细粒度的奖励信号。CEPO利用训练批次中已有的拒绝样本构建错误答案教师模型，不产生额外采样成本。实验表明，在2B和4B参数规模下，CEPO在多个数学推理基准上分别取得43.43%和60.56%的平均准确率，优于GRPO等基线方法。

2026年5月，微信AI团队模式识别中心的论文《Less Redundancy: Boosting Practicality of Vision Language Model in Walking Assistants》在西班牙巴塞罗那举办的ICASSP 2026上荣获最佳工业论文奖。这是该奖项自2016年设立以来首次颁给中国企业团队。论文提出的WalkVLM-LR模型专为视障人士行走辅助设计，其核心创新在于减少输出与时间冗余，优化了视觉语言模型的提醒时机。目前模型延迟控制在百毫秒量级，实时性较为可用，但距离实际落地应用仍需进一步优化。

elvis@omarsar0

64

IntologyAI发布的NanoGPT-Bench评估显示，Codex、Claude Code和Autoresearch等编程代理在AI研发任务中，仅能恢复人类近9.3%的进展。这些代理的大部分算力消耗在超参数调优上，对核心的算法研究投入甚少。其中Claude Code和Autoresearch在推理中稍有涉及算法研究，但在实际代码实现层面依然不足。该评估基于NanoGPT Speedrun竞赛，采用标准化的五个月世界纪录窗口，完全自主端到端进行，以控制模型依赖和数据污染。结果表明，当前编程代理在自主执行真正AI研发的能力上仍有很大局限。

Intology: Can coding agents do research? We release NanoGPT-Bench, an internal eval we've used to test agents on an AI R&D problem...

针对学术研究中大语言模型（LLM）存在幻觉的问题，研究者将抽取式问答系统VerbatimRAG应用于ACL Anthology论文集，实现用户查询到文档原文片段的直接映射。团队构建了一个新基准数据集，由NLP研究人员基于ScIRGen方法生成的合成用户查询进行人工标注，用于训练和评估多种抽取式模型。其中，一个参数规模为150M的ModernBERT分类器，在基于ScIRGen方法生成的查询和论文片段上进行训练后，在词级F1分数上达到53.6，超越了被评估的最强LLM抽取器（48.7）。

现有大型视觉语言模型基准测试主要关注粗粒度任务，且依赖易于语言描述的实体。为此，研究者提出了Flat-Pack Bench，这是一个专注于家具组装任务的新基准，旨在评估模型的细粒度时空理解能力。该基准采用选择题与视觉提示的形式，考察模型在组装动作排序、状态定位、部件匹配理解与追踪等方面的表现。实验表明，最先进的模型在此类细粒度推理任务上表现欠佳，暴露出其在利用视频时序信息、进行目标追踪以及理解物理空间交互方面的不足。

提示词设计仍需大量人力且对格式高度敏感。现有自动化方法受限于候选搜索或固定流程，难以系统性地捕捉错误模式。文章提出反思式提示词微调（RPT）框架，通过LLM函数调用模拟人类工程师工作流：LLM优化器调用诊断函数评估目标模型，总结重复性失败模式并返回结构化报告；优化器依据该报告及历史记忆修订提示词进行下一轮迭代。框架支持置信度感知优化。实验显示，在三个推理任务上RPT最高提升12.9分，与当前最佳方法持平，并改善了置信度校准。分析表明其对多跳与数学推理任务尤为有效，能生成针对性修订。

ZeroUnlearn 提出一种将机器遗忘重新定义为通过模型编辑进行精确知识重映射的方法。该框架以少样本方式运行，通过乘法参数更新与闭合解强制表示正交性，将敏感输入覆盖并映射到中立目标状态，从而高效定向地移除其原始表示。此方法还扩展为基于梯度的多样本遗忘变体。实验表明，ZeroUnlearn 在保持模型通用效用的同时，性能优于现有基线。

RankJudge是一个评估大语言模型作为评判者在基于参考文档的多轮对话中表现的基准测试生成器。它通过生成配对对话来工作，其中一个对话的单一轮次被注入缺陷，从而明确评判结果并精准定位错误类别。该基准在机器学习、生物医学和金融三个领域实施，对21个前沿大语言模型评判者进行了评估，并使用Bradley-Terry模型对其排名。RankJudge还能为对话对生成难度评分，用于动态筛选评估数据以降低标签噪音。

交通安分析依赖整合事故记录、道路属性等地理空间数据，但许多机构和社区利益相关者因技术门槛难以使用。该论文提出了一个基于数据模式的自然语言接口，利用大语言模型（LLM）解释用户查询意图，同时通过结构化语义帧、规则验证层等设计，将查询转化为确定性的空间操作图并在PostGIS数据库上执行，确保了结果的可重复性与可审查性。该框架在马萨诸塞州全州数据库上进行评估，所有查询均成功执行，且验证层修正了29%的查询错误。

多智能体强化学习（MARL）中，通信对于协调至关重要，但常受带宽限制。现有架构常将通信与策略共享潜在表示，导致缩减通信尺寸会直接限制策略容量，造成性能下降。为此，我们提出两项贡献：一是引入归一化带宽预算β，将稀疏度、轮次和消息维度统一为一个可比约束；二是提供最小架构SLIM，它将通信路径与策略的潜在表示解耦，从而隔离带宽与策略容量的影响，并支持步内通信。在多个需要通信的部分可观测基准测试中，该方法取得了最先进的性能，在带宽受限时表现出可扩展性与鲁棒性，性能下降边际。

Equilibrium Reasoners (EqR) 提出一种无需外部验证器的测试时计算扩展框架。其核心假设是，可泛化的推理能力源于学习任务条件下的吸引子，即稳定不动点对应有效解的潜在动力系统。EqR通过深度（更多迭代）与广度（聚合多条随机轨迹）两个维度扩展内部动力。实验表明，测试时扩展的收益与向解对齐吸引子的收敛强度紧密相关。该框架使模型能根据任务难度自适应分配计算：简单案例在1至5次迭代内收敛，复杂案例则受益于大规模扩展。通过展开相当于40,000层，可扩展潜在推理在Sudoku-Extreme任务上将准确率从2.6%提升至超过99%。

SciAtlas 是一个大规模、多学科、异构的学术资源知识图谱，旨在为自动化科学研究提供“认知地图”。它整合了26个学科的超过4300万篇论文，包含1.57亿实体和30亿三元组，构建了可打破学科壁垒的结构化拓扑认知底座。为克服现有检索工具缺乏拓扑推理能力的问题，其开发了具备三路协同召回和图重排序功能的神经符号检索算法，实现从语义匹配到确定性关联发现的过渡。应用方向包括文献综述、研究趋势综合、想法定位与学术轨迹探索，旨在以结构化方式赋能科研全流程并显著降低推理成本。相关接口已在GitHub开源。

当前离散自回归文本到图像模型的后训练通常只优化策略网络而固定VQ解码器，导致潜在协变量偏移，使奖励提升但图像质量下降。为此，本文提出首个端到端后训练框架RankE，通过交替优化策略与解码器实现协同进化。在LlamaGen-XL（775M）上，标准RL仅提升CLIP但恶化FID，而RankE同时改善两者（MS-COCO 30K上FID 15.21, CLIP 33.76）。在Janus-Pro（1B）上验证了其稳定转化奖励为图像质量的能力。

扩散模型的主流架构Diffusion Transformers (DiTs)沿用了原始Transformer的残差连接。本文通过系统性分析发现，这种传统残差加法在模型深度和去噪时间步的联合维度上存在信息幅度膨胀、梯度衰减和冗余等问题。为此，研究者提出了即插即用的扩散自适应路由（DAR）作为替代方案，它通过可学习的机制对子层输出历史进行时间步自适应的聚合。在ImageNet 256×256实验中，DAR将SiT-XL/2的FID分数从9.67提升至7.56，并减少了达到基线收敛质量所需的训练迭代。该方法还可与REPA等兼容以加速训练，并应用于文生图模型的微调。

Lens是一个3.8B参数的文本到图像模型，其性能可与6B以上参数的模型竞争甚至超越，且仅需约19.3%的训练计算量。高效训练源于两大策略：一是通过GPT-4.1生成的Lens-800M数据集（含约109词的密集描述）最大化每批次数据信息密度；二是采用语义VAE和强语言编码器等架构设计以加速收敛。预训练后，模型通过应用RL训练、推理器模块和知识蒸馏实现了4步推理，并支持1:2到2:1的任意宽高比及最高1440^2分辨率。该模型在单张NVIDIA H100 GPU上生成1024^2图像需3.15秒，其蒸馏版可在0.84秒内完成4步生成。

本研究针对现有文本-图像生成模型奖励模型训练成本高、评估标准不透明的问题，提出了首个自动评规学习框架AutoRubric-T2I。该框架能够自动合成并筛选明确的评分规则，以指导视觉语言模型评判者。其核心方法在于从偏好对中合成为候选规则，并通过带L1正则化的精炼器筛选出最具区分性的规则。实验表明，该框架仅需不到0.01%的标注数据即可生成高质量且可解释的奖励信号，在多个基准测试中性能优于强基线，并能有效提升下游生成任务的质量。

本研究提出了CoTrace目标级归因框架，用于分解协作目标并追踪AI的贡献。对638份真实对话的分析发现，大语言模型在目标塑造中的直接贡献为11%-26%，但在引入具体实践需求方面作用显著，并存在多种间接影响。控制实验表明交互设计会影响AI的目标行为。用户研究显示，向用户展示目标级分析后，其对AI贡献的感知评分在5分制中变化了近2分，揭示了用户对自身AI协作成果存在系统性的校准偏差。

GenEvolve是一个旨在让图像生成代理自我进化的框架。该框架将每次生成过程建模为工具协调轨迹，代理通过收集证据、选择资源并组合生成技能来完成任务。与主要依赖图像级奖励的方法不同，GenEvolve通过对比同一请求的多个轨迹，将优劣差异提炼为结构化视觉经验，并仅提供给特权教师分支。借鉴策略自蒸馏思想，这些经验为学生代理提供了密集的token级监督，从而帮助其内化更优的搜索与构建能力。研究还构建了配套的数据集与评测基准，实验表明该方法达到了最先进的性能。

自回归视频扩散模型在实时视频生成与世界建模中潜力巨大，但其高昂的推理成本亟待量化技术来缓解。研究发现，现有量化方法直接应用效果欠佳，主要面临两大挑战：一是自回归生成中的误差累积导致帧间量化敏感性严重失衡；二是权重中存在显著且模式多样的异常值通道。为此，本文提出Q-ARVD量化框架，通过引入质量感知的帧加权机制来平衡帧间差异，并设计异常值感知的自适应双尺度量化方法以隔离和保护正常通道。大量实验验证了该框架在提升量化模型性能上的显著优势。

可验证奖励强化学习是提升大语言模型推理能力的关键技术，但奖励信号如何转化为token级概率变化的机制尚不明确。本文提出判别器视角，揭示策略梯度更新方向本质上是区分不同奖励响应的线性判别器。现有方法的正负侧质心易被格式化token等高频模式主导，稀释了关键判别信息。为此，我们提出DelTA方法，通过估计token系数来重塑更新方向，放大特定侧梯度并削弱共享模式权重。实验表明，DelTA在多项数学基准上显著提升了模型性能，并在代码生成与跨域任务中展现出良好的泛化能力。

针对现有3D生成方法在物理属性与对象类别上的局限，本文提出PhysX-Omni，一个统一的模拟就绪物理3D生成框架，可支持刚体、可变形体和关节化体等多种资产类型。框架核心是设计了一种专为视觉语言模型优化的高效几何表示方法，能够无压缩地直接编码高分辨率3D结构，从而显著提升生成质量。同时，研究构建了首个大规模通用模拟就绪3D数据集PhysXVerse，并提出了一个涵盖几何、尺度、材质、可供性、运动学与功能描述六大属性的综合评估基准PhysX-Bench。大量实验表明，PhysX-Omni在3D生成与理解任务上均取得了优异性能，并验证了其在模拟场景生成和机器人策略学习等下游任务中的应用潜力。

针对视频扩散模型生成长序列时质量下降和运动重复的问题，研究提出了一种无需训练的推理方法FlowLong。该方法通过重叠滑动窗口生成长视频，利用Tweedie匹配融合相邻窗口预测样本以保持时间连续性。在高噪声阶段采用随机早期采样同步轨迹，后转为确定性ODE采样保持视觉质量。实验表明该方法能在多种模型上生成数倍长度的视频，在时间一致性和视觉质量上超越现有基线，并可扩展至音视频生成与3DGS任务。

研究发现，优化器是影响模型表示能力的一个关键维度，挑战了其作为固定训练细节的传统观点。通过对前馈网络表示的特征谱进行分析，研究发现相同Transformer架构在不同优化器下呈现显著不同的频谱缩放规律。在固定设置下，AdamW在学习难度较大的稀有词元表示上仅表现出弱谱秩缩放，而Muon实现了接近线性的缩放，其缩放指数提高了2.3倍。重要的是，这种差异无法仅由验证损失解释，即使损失匹配，表示结构也可能截然不同。研究表明，优化器带来的影响往往超过架构干预，倡导将优化器与架构进行协同设计。

本研究推出了SCICONVBENCH，这是一个用于评估大语言模型在计算科学任务构型阶段进行多轮澄清能力的基准测试。它覆盖流体力学、固体力学、材料科学与偏微分方程四个领域，重点考察模型获取缺失信息（消歧）与识别纠正内部矛盾请求（一致性解决）的能力。研究采用结构化任务本体与量规评估框架，系统测量了模型的澄清行为、对话依托与最终规格保真度。结果表明，前沿模型在一致性解决上表现较好，但在流体力学消歧任务中最佳模型仅解决了52.7%的问题，且模型常进行未基于对话的隐式假设与规格修复。

WavFlow挑战了音频生成依赖潜空间压缩的范式，提出了一种直接在原始波形空间生成高保真音频的框架。为解决高维信号建模难题，方法将音频重塑为二维令牌网格并引入幅度提升，结合流匹配的直接预测实现稳定优化。通过自动化管线构建500万高质量三元组数据集，模型从零学习细粒度声学特征。实验显示，WavFlow在视频到音频（VGGSound）和文本到音频（AudioCaps）基准上达到与主流潜空间方法相当甚至更优的性能，证明了中间压缩并非必要，为多模态音频生成提供了更简洁可扩展的路径。