CamChoreo:针对视觉语言模型时序组合相机运动理解的基准
研究团队提出 CamChoreo 基准,包含 4,229 个单镜头片段及 20 个方向感知标签,用于评测视觉语言模型的时序组合相机运动理解能力。 基于约 4.3 万片段语料微调 4B/8B 模型取得 62.1/64.1 micro F1,CamDistill 技术进一步提升 3.7-5.4 分。
研究团队提出 CamChoreo 基准,包含 4,229 个单镜头片段及 20 个方向感知标签,用于评测视觉语言模型的时序组合相机运动理解能力。 基于约 4.3 万片段语料微调 4B/8B 模型取得 62.1/64.1 micro F1,CamDistill 技术进一步提升 3.7-5.4 分。
NVIDIA 发布 Instant NuRec,前馈神经网络将短时多视角驾驶日志单次前向转化为可仿真的 3DGS 世界。 10-20 秒多摄像头场景重建耗时约 1.5 秒,在 Waymo 数据集上 PSNR 较最强基线提升 2.01 dB。 模型深度集成于 NuRec,并支持 AlpaSim 闭环仿真,降低自动驾驶开发成本并提升安全性。
研究者提出对抗诱饵(adversarial decoys)方法,通过重定向注意力得分来规避基于注意力的 ViT 测试时防御。 该方法将误导注意力的诱饵与诱导错误预测的对抗区域解耦,并在 ImageNet 上验证了其在保留攻击有效性的同时,能有效绕过依赖注意力排名的防御机制。
基于美国桌面点击流数据,ChatGPT 会话中附带网络引流的占比为 5.4%,远低于 Google 查询的 31.1%。 广告支持站点获得的 ChatGPT 引流份额较小,而参考与技术站点份额较大。ChatGPT 采用导致常规搜索引擎流量下降,且该效应随无账号用户覆盖扩大而加剧。
针对通用 Text-to-SQL 在处理 Copernicus 气象数据时因符号-数值鸿沟失效的问题,STRATOS 框架通过空间语义消歧实现端到端转换。 该框架利用局部本体映射模糊概念,外部知识库解析空间实体,复杂度感知重写器将执行时间从小时级缩短至秒级。 研究构建了包含 7,520 个专家设计复杂查询对的 STRATOS Evaluation Workload,旨在测试此前未被探索的时空维度。
该研究提出多层指纹框架,通过结合 TLS/HTTP 网络特征与浏览器交互行为,以 100% 准确率精准区分 AI 网页智能体、人类及传统爬虫。 框架分析了 AutoGen、Browser Use、Claude、Gemini、ChatGPT 及 Skyvern 六大智能体系统,揭示了其在 HTTP 请求组装及连接建立上的潜在结构差异。 该跨层追踪方法为内容保护与网络安全策略执行提供了稳健方案。
该研究提出AI沙盒的威胁模型、分类学及测量框架,定义沙盒装置并区分五种重叠原型,指定15个相对于声明的测量维度。 最薄弱环节授权规则将部署声明限制在其最薄弱的必要证据维度,该规则连接至涵盖外部危害及评估装置腐蚀的威胁模型,并应用于驾驶等四个算例。 框架将所需工件映射至标准与法规工具,识别出有界实验支持的声明、控制包含的故障及部署前需进一步验证的假设。
NEXUS 提出了一种用于富接触 3D 物体动力学的神经能量场框架。 它通过结构图构建接触图,结合守恒与非守恒项推导力,利用多子步半隐式积分器提升长时程精度。 其轨迹为富接触视频生成提供有效指导,在保持视觉质量的同时提高了物理合理性。
summary_zh: NVIDIA 发布实时生成式世界模型 OmniDreams,通过中后期训练 Cosmos 扩散模型,在 21k 小时驾驶场景数据上实现动作条件视频的自回归生成。
多智能体系统 Discovery 通过校准顺服机制在闭环人类-AI 协作中设计水溶液有机氧化还原液流电池负电解液。实验显示,Discovery 识别出预测模型无法预见的电化学可逆性问题,通过追溯磷酸盐-钾离子配对机制并设计磺酸盐类似物,将氧化还原电位相对文献基线提升 90 mV 并显著改善可逆性。
一项N=431的随机对照试验显示,引言编程课程中四种GenAI教学干预措施均产生持续六周的学习导向提示技能提升。 干预效果随设计参与度扩大,从8到51个百分点不等,学生自发使用率与自信心随技能同步增长。 最终考试成绩在各实验组间无显著差异,表明效果边界可能位于提示技能向学业成就转化的环节。
该研究考察了7名初中数学教师使用ChatGPT创建个性化数学任务的过程,结果显示“教师介入”往往导致个性化粒度较粗,而学生更偏好包含具体流行文化引用的细粒度个性化。 教师在提示词调整中修改流行文化引用,并针对生成问题的深度、伦理或现实性进行修正,展现了认识能动性。
VMonarch 提出用于视频扩散 Transformer 的新型注意力机制,将注意力 FLOPs 降低 17.5 倍,长视频注意力计算加速超 5 倍。 该方法基于 Monarch 矩阵表示稀疏时空注意力,并融合 FlashAttention 在线熵算法,在 90% 稀疏度下超越最先进稀疏注意力方法。
对 215 个开源仓库 2794 个已合并 PR 的生存分析表明,AI 代理编写的代码并非“即弃品”。按等权重计算,Copilot 和 Codex 编写的代码修改滞后于人工代码(HR = 0.83),而 Devin 的代码无显著差异。 修改意图与人工代码相似(Cramer's V = 0.080),文件大小预测被修改概率优于代码特征(AUC-ROC 0.78 vs. 0.70)。
研究提出 AerialVP,一种无需训练的代理框架,通过动态增强任务提示而非微调参数来改进 VLM 的无人机图像目标识别与定位。 该框架利用 LLM 协调提示分析、视觉信息提取和融合模块,引入图像语义、空间位置和物体关系线索,并构建了统一基准 AerialSense 用于系统评估。 实验表明 AerialVP 在多个无人机视觉任务上取得一致提升,性能媲美基于 LoRA 的指令微调方法。
一项实验发现,个性化的均衡算法建议支持稳定收敛,而偏向合谋的建议导致持续低产量和超额利润。 参与者共129人,在古诺产量竞争中使用不同偏好的算法建议,显示算法建议可在无明确沟通下塑造协调,呼应了关于算法合谋的现实关切。
针对 Dafny 形式化验证中人工编写辅助断言耗时且难的问题,DAISY 提出故障引导断言推理方法。 工具利用验证器诊断或 LLM 定位断言位置,生成候选断言并运行验证器校验。在扩展的 DafnyBench 上,DAISY 对单条缺失断言程序的验证成功率为 86%。 该方法证明了 LLM 能修复大量验证失败,且成功修复的断言常不同于原断言,降低了证明工程成本。
FACE 提出跨视图融合模块与少样本适配器,实现跨被试 EEG 情绪识别,通过动态融合全局脑连接与局部模式提供互补情感信息。 在三个公开基准上验证,通过元学习增强适配器结构以快速适配未见被试并减少灾难性过拟合。 该方法有效应对被试间差异及少样本下的过拟合挑战。
基于 GPT-2 Small 的受控测试表明,表征简约性与电路规模呈阈值依赖解离:低忠实度下标准模型电路更小或持平,高忠实度(90%、95%)下对抗训练模型电路显著更小。 实验在七点对抗强度扫描及第二语料库上验证了该结论,且对抗模型具备更高的稀疏自编码器可分解性并调用更少的 SAE 特征。
研究在 8 个黑盒及 5 个开放权重 LLM 中发现,指定非目标属性方向可消除跨属性偏移,但声明“无偏好”仍存在中立差距。 在 477 个保留合成世界中,未指定非目标属性时 37.7%-76.3% 的世界及 51%-81% 的独立项目随目标属性发生偏移,阻断查询时注意力可削减 72.1%-87.8% 的漂移。
summary_zh: GraphSkillAA 通过连接规则使用、错误定位与更新验证来改进外部技能表达。 该方法利用教师-学生机制最小化修改,并通过 Local Gate 和 Big Gate 验证及回滚被拒编辑,模型参数保持冻结。
论文提出结合结构化电子健康记录时间戳与叙事事件 UID 的流水线,通过联合修订恢复临床时间线。在 40 份出院摘要上评估 6 个开源模型,该方法在相同主干下比 LLM-Timeline 和 TKW2 恢复更多事件。
AgentRoom 提出一种实时协作编辑协议,通过 CRDT 合并共享文件系统支持并发多智能体编码,并在 Python DevBench 和 Rust+axum 任务上展示效果。协议将文件级 claim、状态和广播暴露为 MCP 工具,5 个前沿 coding-CLI 模型完成 4 项后端编码任务。协调而非并行或 CRDT-merge 是关键设计选择;该文已被 NeurIPS 2026 接收。
论文提出UMER框架,通过成对感知判别推理统一多模态嵌入与排序功能。 基于Qwen2-VL-2B/7B模型,在MMEB-V2基准上得分65.5/70.6,超越最强基线1.4/2.0分。 支持从高效嵌入检索到成对感知的灵活预算调整推理。
研究通过各向同性视角分析五个开源权重模型在多选问答(MCQA)中的决策几何结构。识别出由各向同性转变和任务相关簇出现所构成的决策关键转换层,该同步几何行为与下游准确率呈强相关($r\approx0.84$),且在提示词变化下保持稳健。
研究揭示长时程语言智能体在维持世界状态表征时存在类似相变的关键边界,微小参数变化或单步增加即可导致行为从成功到崩塌的剧变。 大规模网格搜索发现相图包含低应力、急剧下降和高应力区域;智能体因失去真实世界追踪而非单纯选错动作,且更强模型虽延后到达边界但无法消除该过渡,使世界模型崩塌成为可衡量瓶颈。
PAL-Bench 发布,包含 50 个合成用户和 36,659 条照片记录,用于测试基于证据的画像重建。该基准通过隐私保护审计验证了数据结构的真实性,但在解决身份解析与证据引用方面仍有挑战。
发布 TRL-Bench 基准,通过标准化表示级评测直接对比不同训练范式下的表格编码器。 覆盖 50 张 OpenML 表和 47,772 张 DLTE 数据表,在 20 个模型与 16 项任务中评测。 发现编码器优势具有特异性,最优组合依赖非加性组合契合度。
LEAP是一个代理框架,利用通用基础模型的推理和迭代自我优化能力,通过持续与Lean编译器交互实现形式化定理证明的最先进水平。在2025年Putnam竞赛中,LEAP解决了全部12道题目;在作者新提出的Lean-IMO-Bench基准上,LEAP将通用LLM的一次性形式化解题率从不足10%提升至70%,显著超过了专业IMO系统48%的成绩。
POIROT 协议提出由 LLM 多智能体系统内的智能体自行投票归因故障,替代集中式评估器。 该协议通过消融实验验证,无交互阶段的独立自我评估在 9 种模型-基准配置中优于单 LLM 评估器(最高+50 个百分点)。 POIROT 和新基准 BLAME 已开源发布。
去中心化 AI 智能体团队 AutoScientists 能针对假设自组织协作并分享失败经验,在长期计算科学实验中显著优于单一轨迹方案。 在 BioML-Bench 上,其平均排名百分位达到 74.4%,较最强智能体提升 8.33%;在 GPT 训练优化任务中,比 Autoresearch 快 1.9 倍。
FrontierOR 是首个基于文献的大规模优化算法效率评测基准,包含 180 个任务。 评测显示最强 LLM 在 Full-set 任务上的成功率仅为 39%;在 Hard 子集上,引入自演化框架可将成功率从 51% 提升至 78%。 该基准提供持续维护的测试环境,代码与数据已公开,并被 NeurIPS 2026 接收。
Formal Conjectures 是一个包含7559个Lean 4形式化数学命题的开放演进基准,旨在评估自动化推理系统在研究级数学问题上的能力。该数据集包含1642个无已知解法的开放研究猜想、2923个已解决问题及2994个支撑性陈述。作者描述了一种协作开源方法,利用AI生成的证明作为审计机制来迭代提升基准的保真度,并提供了标准化评估设置以衡量当前自动化推理在研究级数学领域的前沿水平。
随机软提示(RSP)无需训练即可在数学推理基准上达到与优化软提示相当的准确率。 RSP 向量从拟合预训练嵌入表的各向同性高斯分布中采样,通过提升早期 token 多样性结合温度采样拓宽 Pass@N。
在机器学习驱动的定向资源分配中,即使拥有真实条件脆弱性概率,不可约的偶然不确定性仍导致部分资源错配。 研究指出最优策略应在算法分配边际进行筛查,直接锁定高风险群体;筛查效率增益随人口不确定性增加而扩大,预算划分规则仅取决于筛查与分配的相对成本比。 该框架被应用于基于收入的社会保护项目及哥伦比亚人道主义排雷,揭示了筛查成本与分配效率间的实际权衡。
GrandCode 是一套多智能体强化学习系统,在 2026 年 3 月的 Codeforces Round 1087、1088 和 1089 三场正式比赛中均排名第一,击败所有人类选手。该系统通过联合训练多个智能体模块(如假设生成、求解器、测试生成和总结)进行在线推理时强化学习,并引入了专为多阶段智能体轨迹设计的 Agentic GRPO 算法来处理延迟奖励和离策略漂移。
推荐理由:原文提出了针对多智能体延迟奖励的 Agentic GRPO 方法,并展示了系统在三场 Codeforces 比赛中全部夺冠的实测结果。
MonitorBench 是首个全面评估大语言模型(LLM)思维链(CoT)可监控性的开源基准,包含 1,540 个测试实例和 19 个任务。 实验表明 CoT 可监控性是受模型、监控 LLM 及任务特征影响的属性;在压力测试提示下,大多数 LLM 可有意降低其可监控性。 该基准为 AI 控制、推理忠实性及监控脚手架的研究提供了基础,代码已公开。
研究通过旋转、镜像等变形测试评估 6 款 LLM 在象棋中的评估一致性。所有模型在 180 度旋转测试中稳定性失败,一致率最高仅 10.6%,常误判合法局面为非法。
研究通过自动学习可解释谓词预测部分路径的可完成性,将搜索速度提升约六倍并保持完整性。在固定时间预算下,该方法能解决更大规模的谜题,并在时间和节点扩展数上优于加权 A* 和带神经网络的 Levin 树搜索。
用户适应性导致离线基准测试与在线 A/B 测试分别收敛于共同分布效应和诱导分布效应,两种方法可能得出不同的模型排名,进而影响部署建议。 在交互式 LLM 系统中,用户会观察模型响应并调整后续提示策略及任务类型,这种适应性还会增加估计方差,并与奖励作弊、新奇效应等评估难题存在共同机制。