GPT-6 Astra与Claude Fable 5.1通过权重空间编程直接编辑拖拉机引导控制器
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。
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。
DACE提出多样性驱动的对抗共进化框架,通过策略层归一化边际覆盖增益奖励和统一贝叶斯对抗回放池,解决攻击策略坍缩与防御遗忘问题。 框架引入风险类别与攻击风格二维策略空间,并利用Beta-Bernoulli威胁后验结合时间衰减及Thompson采样更新回放池,以锚定动态威胁景观。 在标准安全、自动攻击者及通用能力基准测试中,DACE提升了分布外攻击的鲁棒性,保持通用能力并扩大了攻击者策略覆盖范围。
引入 RSC 方法,通过添加反向 KL 散度罚项稳定异步强化学习,结合截断重要性采样(TIS)可在同等采样响应下获得更高训练奖励。 在数学推理和涵盖在线购物、工具使用等六大智能体基准测试中,RSC 配合 TIS 显著提升了样本效率。 在 AppWorld 任务上性能提升 14.3%,在 BabyAI 上达到最强基线分数的 9.9 倍。
研究人员提出“保真度后悔值”以衡量仿真器误设,覆盖 21,362 个设计和 5 种门库,72 个单元的归一化平均后悔值为 0.369,仅 6 个为零。 该指标揭示验证器与物理性能目标间的差距,固定重评分规则可将平均超额后悔值降至 0.016,相比廉价仿真器选择的 0.305 显著提升。 该框架为科学领域中检测并缓解数字孪生与真实物理目标偏差提供了可迁移方案。
基于多模态 LLM 的模块化系统实现扫描评估表单自动化提取,认知评估准确率 88% 至 97.5%,Vanderbilt 评估达 97.5%。 双模型校验引入人工监督机制,仅审核争议页面,将手动工作量减少 63.8%。 系统处理速度提升 10-20 倍,成本降低 12 倍以上,显著优化临床数据管理流程。
研究为 LLM 对齐方法提供理论基础,证明 DPO 边际在梯度流极限下呈 $O(\log t)$ 无界增长,而 IPO 收敛至 $1/(2\tau)$。 实验验证 DPO 在标签噪声下发生定性相变,且 SimPO 加入平滑 $\varepsilon$ 后存在有限吸引子。该理论在 5 个模型族、4 个基准上通过验证,并推导 TPO-S 在 IFEval 取得最高均值。
研究在Harvey LAB文档审查任务中引入基准,发现多智能体委托虽将冲突事实检索率从50.2%提升至68.7%,但冲突检测率从16.2%降至13.2%。 当两名工作智能体读取同一对冲突声明时,检测率高于单智能体;若声明分散在不同工作智能体,则检测率显著降低。 工作智能体向主智能体的交接环节被确认为提升多智能体LLM冲突检测的核心优化目标。
基于20,000次SWE-bench Verified等测试,研究揭示前缀缓存下上下文管理对LLM编码智能体成本的影响。 添加检索代码使读取和搜索命令减少18%–34%,但在缓存输入价格为非缓存十分之一时成本反而增加33%–42%;移除旧观察结果在无缓存折扣时节省19%–36%,有折扣时成本反增38%–116%。 表明上下文管理评估需同时考虑token价格与智能体后续行为。
提出基于流匹配的 FACE 框架,用于解决毫米波 MIMO 系统的信道估计问题。 利用角度域稀疏性作为生成先验,在更少导频观测下实现高精度估计。 相比扩散模型,FACE 需要更少的采样步数,降低推理时间和计算成本。
研究发现,基于归因的剪枝在推理语言模型中测量不可靠,评分最终答案 token 会导致模型困惑度上升或准确率下降 27.6 至 32.2 分。 因果重要性无法定位到单个神经元,需以约 100 个神经元的组为粒度进行归因,且“推理特异性”重要性与通用重要性不可分离。 建议剪枝时应以推理 token 为评分对象,并优先使用准确率而非困惑度评估模型性能。
研究在113类实体基准上发现,8个13B以上开源LLM经微调后超越BERT,Relaxed F1达0.882-0.914。 BERT基线Relaxed F1为0.836-0.841,零样本LLM最高仅0.337,JSON Schema约束未能提升准确率。 输出token限制显著影响结果,增加限制使Relaxed F1提升0.052-0.085。
TIBECG 作为时间信息瓶颈架构,在心电图导联中保留至少 95% 的诊断 macro-F1,且年龄/性别隐私增益中位数超常规方法 22.08 个百分点。 该方法在 6,386 份记录、12 导联及 21 种潜在长度下进行回顾性评估,参数规模约 230 万。 研究结果支持针对导联进行波形处理评估,而非验证消费者部署。
极简 RAG 记忆 BRIDGE 在 LongMemEval-S 和 BEAM 上达到 SOTA 水平,EverMemBench 上优于基线 5.7-6.3 分。 BRIDGE 每次查询仅需约 5-7K reader-prompt tokens,且仅需单次 LLM 调用。 研究指出应评估记忆对智能体行动的支持能力,而非仅看检索效果。
AdaFlowLite 通过机会性推理和分层模态亲和度矩阵,实现了异步移动端多模态数据的实时非阻塞推理,支持多种模态和下游任务而无需重新训练。 该方法采用多模态轻量级 Swin Transformer(MMLST),将推理延迟最高降低 80.4%,准确率最高提升 62.1%,能耗接近降低 50%,并可用于增强 LLM 处理异步数据的预处理性能。