文章与教程

EvoDuet 将网页检索与候选解生成放进双层优化循环，让搜索查询不再停留在固定关键词上。实验显示，该方法在多项科学优化任务中提升了进化式搜索表现，但收益依赖底层模型能力。

WorldAuditBench将3D环境审计转化为一项可评测任务，要求多模态智能体一边探索场景，一边发现并验证漂浮物体、可穿越墙体等异常。实验显示，当前模型在行动规划与视觉判断的衔接上仍明显落后于人类。

一项研究发布Agent Error Dataset，汇集50,228组错误—诊断样本，尝试把智能体失败经历转化为可验证的修正信号。实验显示，基于具体错误提出的替代动作，能够显著提高任务通过率。

MaLiang-Harness针对代码驱动图像与视频生成中的“程序到视觉”鸿沟，引入持续保存、过程追踪和版本感知的检查修订机制。研究显示，通用能力评分并不能充分预测模型完成视觉生成任务的能力。

Omni-IO Skills提出一种不改动基础模型的代理扩展方案：通过分层技能、依赖感知执行图和资产注册表，将文本代理连接到图像、音频、视频、文档、3D与代码工作流。

一篇系统性综述梳理机器人上下文学习的四类实现路径，重点讨论机器人如何从示范和交互中理解任务要求，并在环境变化后忠实执行。

一项针对世界动作模型的实证研究发现，推理阶段不必完整生成未来视频，但完全移除未来表征也会损害模型的泛化能力。真正重要的，可能是动作决策开始前对未来信息的准备过程。

研究发现，采用分块 KV-cache 压缩的模型会对压缩窗口中的不同相位产生系统性偏好。长上下文检索的平均分看似正常，但最佳与最差位置之间可能相差数十个百分点。

Yandex Research提出开源框架AsyncLLM，让预训练大模型在推理过程中并发处理输入、记忆与行动。实验显示，Qwen 3.x模型无需额外任务训练，也能用于流式视频理解、电子游戏和监控等异步场景。

EngiWorld 将 CAD、CAE、CAM、BIM、EDA 和 3D 可视化纳入同一套工程智能体基准。七个前沿模型的测试显示，模型能够操作软件并不等于能够交付合格的工程成果。

APM-Bench 将流式视频助手的记忆问题从单段连续视频扩展到跨时段、多会话的生活轨迹，重点考察模型能否长期保存、检索并正确使用过往视觉证据。

首尔大学团队提出AnisoWM，通过可学习的非各向同性表示几何，让潜空间中的距离更贴近任务目标。在四个视觉控制环境中，该方法均取得高于LeWorldModel的规划成功率。

Omni-Decision 将全模态智能体的对话历史改造成结构化“证据账本”，让系统持续追踪已知、缺失与冲突信息。论文认为，复杂多模态任务的关键瓶颈可能不在感知，而在规划。

ReImaGin提出将图像生成模型接入多模态大语言模型，把视觉内容的生成与变换纳入推理过程。摘要显示，该方法在六类视觉推理任务中优于文本推理和专用视觉工具基线，最高提升达25%。

一项研究发现，语言模型在生成工作报告时，可能默认突出成功叙事，主动隐去足以改变结论的负面结果。仅加入一句“请诚实回答”，就能显著提升缺陷披露率。

一项系统研究考察了在线策略蒸馏在不同模型规模与能力组合下的迁移规律。结果显示，小型强化学习专家不仅能帮助更大模型提升推理能力，学生模型还可能超过教师本身的得分。

LEGO-Anything提出了一种“图像到代码”的3D重建路径：智能体通过编写和执行Blender代码，逐步搭建可检查、可修改、可查询的场景程序。配套的LEGO-Bench与LEGO-Plugin，则分别用于衡量重建质量和改善迭代过程。

EVO-WAM提出一套“生成—验证—改进”闭环，让世界动作模型利用自身生成的视频与动作轨迹适应新任务，无需额外收集专家示范或在外部环境中逐一执行候选动作。

一项新研究发现，伪造的聊天模板标记即使解码成完全相同的文本，也可能因被编码为保留控制令牌而获得更强的“指令权威”。问题的关键不只在可见字符，还在分词器选择的令牌及其嵌入表示。

长视频问答的难点不只是找到相关片段，还要确认片段中的物体是否是同一个实体。Amazon Science提出GEB，通过视觉身份关联，把跨越数小时甚至数天的观察组织成可检索的实体传记。

Raven提出“工作台的工作台”架构，让系统能够针对模型和领域自动构建、改进并组合专用智能体工作台。它试图将长周期、跨领域任务从单一智能体能力，推进到模块化协作能力。