文章与教程

同一项科学工作换一种写法，AI审稿人可能给出不同判断。新研究提出“修辞鲁棒性”指标，并用SciCore将全文评审与结构化科学核心结合起来。

HUST Vision Lab 提出 Multimodal Flow，尝试用统一的连续流模型同时处理语言和图像。该方法以连续超块替代离散视觉令牌，并在匹配数据与参数规模下展现出竞争力。

AutoDataBench 提出一个受控测试平台，将训练框架、超参数和算力等因素固定下来，专门评估智能体诊断、组织和构造训练数据的能力。研究还考察模型能否预测数据干预的效果，以及基准测试轨迹能否反过来成为训练数据。

自演化搜索智能体可能在提议者与求解器之间形成错误共识，让内部奖励持续上升，却不代表真实准确率提高。新研究提出CrossFit，通过交叉来源训练切断这种反馈回路。

一项名为MIST的测试发现，视觉语言模型面对本应忽略的图片时，判断会明显波动。真正影响结果的并非图片内容，而是“有图片出现”这一配置本身。

OSWorld-Science 将分子绘图、病理图像分析、统计计算和物理模拟等科研工作流纳入计算机使用代理评测。它不只检查界面操作是否完成，还通过生成的科学产物判断结果是否有效。

Meta 研究团队提出 Loop Scaling Laws，将循环计算、MoE 稀疏性、模型规模和数据纳入同一套扩展规律。结果显示，循环与稀疏化并非二选一，而是可以协同提升模型效率。

一项针对多种流式VLA模型的研究发现，强化学习产生的参数更新呈现明显低秩特征，并高度集中于动作专家中的Timestep Modules。研究进一步指出，这些模块中的shift向量不仅与任务成功密切相关，还能反映任务之间的迁移关系。

MILO 将 Agent Harness 的设计转化为一种可持续的多智能体进化过程，并同时优化“被搜索的 Harness”和“负责搜索的策略”。在三个长程任务基准上，该方法取得了优于既有 Harness 与搜索方法的结果。

CUA-SWE 将代码修改、命令执行、图形界面操作与视觉反馈放进同一套软件工程测试环境，检验代理能否根据运行结果完成并验证修复。它试图弥合编码代理与计算机使用代理之间的评测断层。

一项研究重新审视了自监督视觉预训练的数据输入方式：当模型只能按时间顺序观看连续视频时，传统方法会明显退化。研究者据此提出 StreamMAE，通过流感知正则化和运动偏置裁剪改善训练效果。

NVIDIA 团队提出 Physis-Lang，将描述实体、因果、交互和时间演化的物理语言，作为视频世界模型从数据整理到生成环节的统一表示。该方法通过断言级评估和语言引导检索，改善生成视频的物理合理性。

A2Z GameSpec-Bench以100份长篇游戏设计文档为基础，评估编码智能体生成的游戏是否真正符合设计意图，而不只是能够编译运行。基准将代码检查、场景回放与自适应试玩结合起来，重点检验相互依赖的需求能否被同时满足。

PatchHolmes 将漏洞修复提交检索拆分为候选召回与智能体筛选两阶段，让模型同时比较候选，而不是逐个孤立打分。在 GitHubAD 上，它显著提升了 Recall@1，并减少了模型调用次数。

AREX-2 将“反思改进”和“长期执行”视为自我提升智能体的两项基础能力，并通过机器学习与算法编程任务合成长周期训练轨迹。实验显示，该方法不仅提升了相关任务表现，也能迁移到深度研究场景。

自动化科研的瓶颈不只是执行实验，更在于如何组织不断涌现的研究想法。AIM 将想法管理、方向选择、实现审计和资源分配整合进一个自主框架。

奖励模型可能把更长、更自信或更迎合的回答误判为更优，进而让语言模型追逐表面分数。BiasReducer通过只修改线性奖励头，并按数据集选择相关偏差，降低这类失真。

一项研究发现，即使不修改底层大模型，仅训练多智能体之间的潜在通信链路，也可能削弱拒答行为并提升有害服从。研究同时表明，针对链路的强化学习攻击能够进一步放大风险，而安全导向的奖励可用于修复受损链路。

WUSH-KV 将 WUSH 的数据感知变换引入 KV Cache 量化，并分别为 Key 与 Value 构造变换矩阵。在 2-bit 场景下，该方法在多种模型和下游任务中达到与 OSCAR 相当或更好的效果。

一项新研究发现，非侵入式脑到文本系统的部分效果可能来自词语时长这一隐性线索，而非脑信号本身。研究者通过独立处理窗口、结合重复观测与语言模型，获得了更可靠的解码结果。

当目标会在机器人看不见时移动，过去可靠的空间记忆就可能变成误导。EvolvingNav尝试用带时间信息的三维记忆和概率信念，让机器人边预测、边观察、边重新规划。