迈向数据高效、实时的世界模型
该研究通过双阶段离散扩散方法取代下一词元预测,实现了 79 倍推理加速。 模型仅需约 28 小时的游戏数据即可训练,生成高质量且一致的游戏序列。 这一进展降低了实时交互与创意领域应用世界模型的门槛。
该研究通过双阶段离散扩散方法取代下一词元预测,实现了 79 倍推理加速。 模型仅需约 28 小时的游戏数据即可训练,生成高质量且一致的游戏序列。 这一进展降低了实时交互与创意领域应用世界模型的门槛。
研究者提出 RiDEx 方法,通过在去噪速度场的奖励相关子空间集中局部探索,解决高维潜空间中各向同性随机扰动效率低下的问题。 该方法利用条件残差或可微奖励梯度确定子空间,并以等量反向扰动测量终端奖励响应;所有生成图像均贡献于全局 DiffusionNFT 学习。
DARWIN 是一款海洋地理空间基础模型,在预测 2022 年 氯-a 浓度时,每月相对误差均低于无编码器基线及随机初始化模型。 模型采用缺失感知编码与傅里叶位置嵌入,基于 26 年 Copernicus 再分析及 GEBCO 水深数据预训练。 在仅使用 10% 监督数据时,其表现已超越使用 100% 数据训练的随机初始化模型。
提出 LAS 分析框架识别晶体复杂性及元素组成失衡两大生成难度关键因素,并基于此构建数据感知扩散模型 DSADiff。 模型在 Carbon-24 等三个基准数据集上表现优异,Match Rate 最大提升 9%,刷新 SOTA 性能。 该工作为设计低偏差生成模型提供新方向,深化了对扩散模型在复杂材料空间生成偏差机制的理解。
研究团队提出 SciWorkBench 基准,用于评估智能体在生物学、化学等真实科研任务中的能力。 测试涵盖四大领域,由专家验证统一分析框架,并在 Claude Code 和 Codex 框架下评估最新模型。 性能最佳的智能体仅获得 57.38 的平均分,表明当前智能体在将科学知识转化为具体步骤及多模态证据整合方面仍存在显著短板。
提出高斯过程强化学习增强模型预测控制(GP-RL-MPC),利用学习的评价函数作为终端惩罚项,通过高斯过程回归实现数据高效学习。 在连续搅拌釜反应器(CSTR)测试中,该方法是基础模型预测控制相比平均降低80.52%的均方误差总和(SSE),样本标准差为3.48%。
RehearsalBench 发布基准以测试 AI 预测企业变革后果能力,最佳模型 GPT-6 Astra 较无干预提升 6.8%。 十款模型在 14 个组织场景中完成 280 次尝试,平均预测正确但效应大小常高估五倍,且从未建议“不行动”。 外部验证中 12 款模型对 33 个真实变更的预测排名与现实排名相关系数达 0.92。
研究人员提出首个基于 AI 的观测系统模拟实验框架,用于评估 AI 气象模型对物理一致性的复现能力。 实验涵盖 FourCastNet V2、GraphCast、Aurora 和 Prithvi WxC 四个模型,在 60 天预报周期中植入 ERA5 温度场以推断大气状态。 不同架构模型对观测响应的表现各异,基础模型产生最强影响,而 GraphCast 在特定层级配置下出现可修正的数值不稳定现象。
研究提出基于确定性退火相变分析的局部稳定性标准,量化聚类对分布偏移的鲁棒性,并获取分裂与合并半径的精确半定规划重构。 其中分裂 SDP 仅含两个标量决策变量,这些凸重构可组合为整个聚类的鲁棒性证书,给出触发阈值的最小结构化偏移大小。
针对智能家居中传统模糊测试因假设理想人类决策而失效的问题,提出集成大语言模型(LLM)的增强版IoT Fuzz方法。 该方法通过LLM模拟人类决策过程,在测试环境中增加真实感与不可预测性,以更准确地捕捉智能家居中复杂多变的人类交互。 此方法旨在揭示实际人类决策的影响,从而发现导致隐私泄露、数据窃取或物理伤害的意外跨规则漏洞。
论文构建“三时钟词典”,将十五个非线性动力学概念映射至Transformer层迭代、训练步骤与Token生成,并推导简化模型如Softmax玻尔兹曼分布。 在开源模型GPT-2与Pythia上验证,重复循环逃逸遵循阿伦尼乌斯定律,逃逸温度随生成长度N按$1/\ln N$下降,且训练使各层更具扩展性。 提出十二个开放问题,旨在利用非线性动力学解决语言模型控制难题,当前控制器尚未超越最佳固定温度策略。
PACD 提出一种无需训练的全模态解码框架,通过溯源感知共识机制缓解跨模态幻觉。 该方法包含相关性引导仲裁与基于排名的共识恢复双路径,利用层内模态证据评估一致性。 在 CMM、AVHBench 等基准上相比标准解码最高提升 27.6%,通用音视频推理平均提升 7.7%。
提出 JevRSI 框架,通过 System-1 与 System-2 协作提升决策效率。 采用递归自我改进的模块化 harness,在三个数据集上性能匹配或超越 LLM 智能体。 保留低延迟执行特性,并摊销 System-2 成本。
GPT-6 Astra与Claude Fable 5.1在无梯度下降下直接读写神经网络权重,为拖拉机引导控制器编程。 253参数网络控制车辆沿线弧路径行驶,模型仅通过少量模拟评估即成功修复原网络或从零构建有效控制器,且无需人工干预即可控制真实拖拉机,误差与纯追踪策略相当。
Autoware Foundation 机器人出租车工作组开源了端到端驾驶模型 AutoE2E v1.0。该模型采用时序鸟瞰图架构,结合多摄像头感知、高精度地图信息及路线条件预测车辆未来运动。
研究表明,固定等待期间的保持参考点改变可反转视觉恢复方法的排序。 研究引入 AuditEmbodied 框架,在 1 秒等待且注册腕参考下,位置保持使受保护完成数从 19/40 增至 34/40,而注册保持仅为 6/40。 该发现将保持参考确立为比较视觉恢复性能的明确评估条件。
研究人员提出 KVUse 框架,通过将用户画像存储为可复用的 KV 缓存而非文本,解决了 LLM 推荐系统中重复预填充导致的性能瓶颈。 该方法利用自蒸馏训练的 LoRA 写入器生成 KV,并配合自定义调度器隐藏传输延迟。在 Llama-3.1-8B-Instruct 及 InstructRec 数据集测试中,系统吞吐量提升 4.0x-4.5x。
研究团队提出 HealthCLBench,包含 328 个受控案例集群、1,103 个案例及 4,931 项评分标准,用于评估模型在固定参数下整合健康上下文的能力。该基准由 70 人医疗团队标注,自动化判断与人工复核在评分项级别的一致率达 90.5%。测试显示 GPT-6-Astra 在完整上下文指标上领先,暴露了模型在检查历史信息及表达不确定性方面的缺陷。
稀疏注意力模型在固定预算下常因选择器低估关键token而损失长上下文检索精度。研究通过校准探针定位到特定"盲点"注意力头,发现全量注意力或4-bit评分器可恢复性能。 在InfLLM-V2和MiniCPM4.1-8B上,该修复方法将多键检索准确率从54.1%提升至97.5%,且保留了84%至89%的TTFT优势。
论文提出面向 AI 投研 Agent 的领域评估框架,区分结果质量与执行质量。 框架采用任务特定标准、确定性验证器及 LLM 裁判,并引入有效性机制检查输入完整性。 数值结果显示该框架能识别不同维度上的 Agent 性能差异及评估可靠性问题。
论文提出时序代数框架,通过指数衰减或滑动窗口加权混淆矩阵,在 O(m^2) 复杂度下解决数据流中延迟标签导致的评估偏差。 引入观察掩码机制,利用校准概率估算未决标签,并通过 Jacobian 分解区分先验漂移与概念漂移,有效降低假报警率。
多阶段上下文优化在纽约网约车数据上比基于 MSE 的训练多出 7.7%-9.1% 的业务收益。 该方法通过决策性能训练预测模型,并采用并行块评估算法缩短 1.86 倍训练时间。 该策略超越了五种范式的基线方法甚至真实需求。
研究者提出 EviDARL,通过双智能体交替强化学习优化多表问答。 该框架包含证据构建与推理回答两个智能体,在 MMQA 和 TQA-Bench 基准测试中显著优于现有模型。
WM-Quant 提出首个专为 JEPA 世界模型设计的训练后量化框架,在 W4A4 低位宽下使规划成功率接近全精度性能。 该方法包含早期编码器精度保持、控制路径保留及滚动感知缩放组件,通过联合校准整个滚动序列的激活范围,解决了自回归 MPC 推理中量化误差逐步累积导致动作排序近随机的核心痛点。
Trie-Head 采用模型原生输出接口存储标识符 Trie,结合共享上下文注意力,在 Qualification Retrieval Platform 上使闭环吞吐量较 CLP 基线提升最多 5.57 倍。 机制通过复用 Prompt 的 KV 块减少重复计算,在束宽为 200 时较 BF16 FlashRec 提升 2.63 倍,且无需重新训练即可保留原始模型的有效 token 分数。
研究提出 IfcGym 环境和 IfcEdit 方法,通过验证器生成训练信号优化 IFC 建筑模型编辑。 若以严格成功率(strict success)为奖励,Qwen3.5-9B 模型在 IfcEditBench 上达到 86.78% 准确率,超越多数提示模型。 在 BIM-Edit 和 BIBIMBAP 公开基准上,该模型得分分别为 55.19 和 54.50,验证了该训练范式的有效性。
针对环境在部署间发生稀疏变化的折扣强化学习问题,提出一种自适应复用历史观测的算法。 算法按状态-动作对动态选择重用多少历史数据,通过一致性检验确定最佳观测窗口。 理论证明当状态空间规模与变化率乘积满足条件时,仅需最近 O(1/ε) 次部署数据,即可实现长期平均差距为 Õ(√(ε/H)) 的性能。
研究团队提出 Learned Pseudo-Count MCTS(LPC-MCTS),通过改进 UCT 的探索统计量,解决传统 MCTS 中计数碎片化导致的探索效率低下问题。
针对静态代理Harness在多模型间易失效的问题,提出统一框架。框架包含四个可编辑运行时组件及诊断、补丁、验证、部署的四阶段循环。 优化器通过长轨迹追踪错误,发现pre-stop验证器、循环破坏器和持久记忆等机制。
PromptPack 通过免训练方式为扩散编辑器引入“编辑角色划分”和“区域提示词分配”双重引导,实现对图像编辑的空间与语义精确控制。 该方法无需重训练即可注入独立区域提示词,在 FlowEdit FLUX、SD3 及 FLUX Kontext 中验证,用户研究中以 87% 偏好率优于 FlowEdit FLUX。 确立了其作为意图对齐扩散编辑的实用免训练接口地位。
研究人员推出 GPU 原生 PyTorch 库 tmol,实现 RosettaGenFF 力场,支持高效批处理可微评分。 该工具在批处理模式下吞吐量提升高达 362 倍,并可用于生成式蛋白质设计作为奖励函数。 在蛋白质设计中应用 tmol 可显著增加界面处的氢键和水桥数量。
提出流式OPD,将生成、监督和更新解耦。 在GSM8K上,Qwen3-4B向Qwen3-0.6B蒸馏中,匹配预算使早期差距从4.55降至2.42分。 同步续训最佳准确率为73.39%,扩展记录为76.12%。
26B 参数 MoE 扩散模型在带宽受限加速器上解码时,量化后 logits 采样流水线取代专家 GEMM 成为最大耗时来源。 该流水线处理 S 倍冗余 logit 条目,通过双层无损优化和 W4A16 专家内核,在 GSM8K、HumanEval、MATH 基准测试精度不变的情况下,实现 2.4-2.7 倍端到端加速。 该性能瓶颈特定于 MoE 扩散模型,代码和量化权重已开源。
SpecSearch 是一款硬件感知的推测解码搜索引擎,在 RTX 5090、H100、L40 和 MI300X 上平均实现 2.01 倍 AR 解码吞吐量,较 vLLM 推测解码快 1.36 倍。
研究发现,曲率增强图卷积网络(CGCN)在四个蛋白-蛋白相互作用(PPI)数据集上的性能提升主要集中于低度节点,而非其声称缓解的过挤压瓶颈边。 该增益源于增强簇内分离以改善簇内预测,但代价是三个数据集中低曲率(瓶颈)边的性能系统性下降。 论文据此提供了基于簇内或簇间预测重要程度来优先选择CGCN或标准GCN的实用指导。
ConfGuard提出基于物理基础的参考监控器,用于防护预测性维护LLM智能体。在10,196个C-MAPSS测试窗口中,该监控器将隐蔽攻击者对健康资产的影响从0.529降至0.046,并完全消除对故障资产抑制攻击。在Qwen3-14B规划器下,它将紧急级注入攻击降至0.00,通用传感器攻击降至0.12,显著优于现有防御方案。
Inventa 通过自主研究单元与验证共享知识,在五项基准测试中全面领先,EurekaBench 得分 73.6%(CORAL 为 56.2%)。 框架中 mutator 生成想法谱系,orchestrator 在停滞时替换模型或重启;IdeaBench 中每篇论文发现 26.0 个新颖想法(ResearchAgent 为 18.6),且模型调用次数减少 82%。
VisHead-Spec 提出头路由视觉注意力机制,解决多模态推测解码在高并发下加速比下降问题。 该方法在 Qwen3-VL-8B 模型中,让推测解码器 40 个 KV 头中的 8 个读取图像特征,其余仅关注文本。 在 batch size 64 时,其吞吐量比自回归解码提升 16.0%,显著优于 DSpark 的 9.5%。
summary_zh: 研究提出首个全球季节性降水预测基准 SeasonRainBench,涵盖未来 1-5 个月预报,提供 310,944 个模拟月数据及 7 个运营中心资料。
基于墨西哥城逾 180 万条犯罪记录,提出自监督城市表示学习框架及 NPD 指标,用于检测异常报告模式。 该方法在 1058 个 H3 区域中实现 0.4052 的平均 Silhouette 分数,显著优于 Hex2Vec 的 0.2863。 NPD 排名在邻域尺寸变化中保持高稳定性(Spearman 0.9720-0.9951),可作为识别需进一步调查区域的内部审计机制。