文章与教程

VoxMem 对大型音频语言模型的多会话记忆能力进行系统评测。结果显示，模型对“说了什么”的记忆明显强于对说话人、语气以及背景声音的记忆。

RLVR训练常因有限采样预算遇到“全错组”，无法产生有效的策略梯度信号。KAIST AI提出GRAFT，在控制离策略偏差的同时，让模型利用其他模型已经发现的成功或失败轨迹。

伯克利团队提出OmniTaskonomy，系统研究图像到图像生成任务能否提升图像到文本理解能力。研究显示，生成监督确实可以迁移到理解任务，但收益取决于任务之间的对应关系与梯度协同性。

LongCat-DeepResearch 将增强版 LongCat 模型与多智能体工作流结合，用规划、并行调查和分段修订生成有证据支撑的研究报告。其在多个研究型基准上取得较强成绩，但实验也显示，更多规划并不必然带来更好结果。

HybridCUA 提出一种融合图形界面与命令行的计算机使用代理训练方法，试图兼顾 GUI 的通用性和 CLI 的执行效率。其 9B 模型在 OSWorld 上达到 53.6% 的准确率，较基线提升 14.8 个百分点。

蚂蚁集团团队提出 Marathoner，试图解决智能体在复杂任务中难以持续推进、容易在后期失效的问题。该方法通过任务合成、拒绝采样微调和强化学习，训练模型完成持续数小时、调用上千次工具的长程任务。

香港科技大学团队提出 WorldLine，一种面向机器人操作的动作驱动视觉模拟器。它将通用的机器人—物体动力学学习与不同机械臂的动作控制对齐分开处理，试图降低真实机器人试错成本。

Meta 团队提出 Context Language Models，将上下文视为模型可直接读写的文件，而不是由外部框架替模型决定保留什么。摘要显示，这种设计在多项长程任务中兼顾了更高表现与更低计算开销。

一项新研究从偏差—方差角度解释共享投影与双投影的选择：数据较少时，共享结构更稳健；数据充足或查询与文档空间差异明显时，双投影更有潜力。研究还提出了用于自动选型的 CARS 方法。

Google Research提出TabFM，一款面向表格数据的400M参数基础模型。它将监督式表格预测转化为上下文学习，在无需针对任务微调的情况下直接生成预测。

CompoWorld提出一种组合式环境扩展方法，将可复用服务连接成依赖图，生成需要跨应用传递信息的智能体任务。研究者据此训练Qwen3.6-35B-A3B，并在多项基准测试中取得提升。

Meta 研究团队提出 FlashForward，通过复用视频扩散过程已经产生的在途 KV 缓存，减少专门用于更新缓存的额外前向计算。它进一步引入稀疏的干净锚点，在提升并行效率的同时缓解长视频中的外观与运动漂移。

大语言模型在RLVR训练中，负责采样的推理引擎与负责计算梯度的训练引擎，可能对同一 token 给出不同概率。论文提出校准重要性采样，通过结合 token 置信度的截断规则，降低这种错配对策略更新的影响。

VQS 将图像解析、问题生成与答案计算拆开，用结构化记录和固定程序替代不稳定的多数投票。该方法在人工评估中将答案正确率提升至 94%，并持续改善 Qwen3-VL 的多项基准表现。

循环语言模型通过反复执行同一权重共享模块提升有效深度，却也带来逐 token、逐循环的延迟瓶颈。Wavefront Decoding利用中间循环状态进行自推测，并把不同位置、不同深度的计算组织成对角波前，在无需额外训练的情况下提升解码吞吐。

SentZero提出一种以句子为中心的视觉语言预训练框架，针对胸部X光报告中的语义复杂、正样本多样性不足和对比学习误判负样本等问题进行改进。其目标是在无需任务专门微调的情况下，提升多任务零样本分析能力。

MALA 保留完整的因果 QK 打分，再依据注意力分布中的归一化贡献，动态减少低贡献区域的后续计算。实验显示，它在保持模型效果接近 FullAttn 的同时，显著降低长上下文训练与推理延迟。

Skill2Env提出了一套从技能出发合成任务与执行环境的方法，试图解决智能体后训练中高质量交互任务难以规模化构建的问题。其核心是用能力需求和难度模式约束任务设计，并通过执行反馈持续加固任务难度。

EditWorld 面向可交互世界中的持续生成与修改，允许用户在生成过程中动态输入编辑指令和参考图像。论文通过门控因果注意力、稀疏上下文和专门评测集，提升了世界模型对长期编辑任务的支持能力。

一项覆盖九大视觉领域的评测显示，通用大模型正在接管越来越多传统计算机视觉任务。但在精确几何、真实重建、时序一致性和专业细粒度识别上，专用模型仍有明显优势。

VideoPhysEdit 将视频编辑从外观修改推进到物理反事实生成：先重建能复现原始运动的刚体场景，再模拟干预后的轨迹并指导视频生成。