文章与教程

YuE2尝试把符号化作曲与音频生成合并到同一套模型中：先规划旋律和和弦，再将其渲染为包含人声与伴奏的完整歌曲。报告显示，加入符号规划后，专家对作品整体质量和音乐性的偏好明显提升。

TraceDance尝试把智能体在真实部署中暴露的问题，自动转化为可针对性测试的行为基准。它不要求重放完整环境，而是在记录的决策点上评估模型下一步行动是否符合特定行为规范。

HexaFuture 提出 Physical Coding，把机器人所处的世界状态、执行策略和恢复流程表示为可检查、可修改的代码。实验显示，这种由工具、反馈和可复用轨迹组成的架构，有望缓解传统 VLA 模型对固定场景和动作序列的依赖。

EmbodiedMemory-Bench 将具身记忆从抽象能力变成可执行的长期交互评测，覆盖视觉细节、动态状态、交互结果和经验迁移四类挑战。研究同时提出结构化外部记忆系统 Embodied-Memorizer，以及能够管理和调用记忆的 EMem-8B 策略模型。

一项来自KAIST AI的研究发现，延长思考并不总能突破小型推理模型的能力边界。FlyBy尝试让模型先判断瓶颈，再决定是否向更强模型查询以及查询多少。

一项来自北京大学的研究发现，经过编码后训练的语言模型，即使只对无关提示回答一个普通单词，也可能让另一个模型获得编码能力。研究者将这种隐藏在无关决策中的影响称为“行为阴影”。

清华NLP团队提出 Diffusion Reward Model，将奖励建模重新表述为条件密度估计，让模型保留人类偏好中的多模态与不确定性。

北京大学团队提出 Duplex-MPE，用连续多人对话音频测试语音助手何时该回答、保持安静或停止说话。评测显示，多说并不等于更准确，选择性参与正成为全双工语音模型的新考题。

RoboFoundry提出“系统即策略”的具身智能演化框架，不只优化模型或单项工具，而是让上下文、记忆、技能与执行接口共同形成可持续改进的系统。实验显示，该方法在多个具身任务与长期记忆基准上取得显著提升。

现有代码智能体评测多聚焦单一代码库，但真实软件生态中的功能开发与缺陷修复往往需要多个仓库同步修改。WideSWE通过120项真实任务，检验智能体在跨仓库协作中的完整执行能力。

WorldPlay2 面向实时交互世界模型中的两大难题：控制形式复杂，以及长时滚动中的上下文膨胀与一致性下降。论文通过混合控制接口、共享记忆令牌和 Stable Forcing 蒸馏策略，试图在响应速度与长期稳定性之间取得平衡。

Qwen 团队提出 QwenGyre，用弹性 GPU 调度和轨迹去冗余机制支持超长程智能体的在线强化学习。论文称，该框架在 NL2RepoBench 上带来 6 个百分点的绝对提升，并显著缩短训练时间。

一项匹配评估比较了DPO、表示引导、内部探针与文本监控器在大模型安全控制和风险监测中的表现。结果显示，表示工程并非行为安全机制的替代品，但在低数据、低成本监测和后训练修复等场景具有独特价值。

腾讯混元团队比较了有视觉编码器与无视觉编码器的多模态大模型，发现后者虽在小规模训练中落后，但随着算力增长可能逐步追平。研究还揭示，语言模型能够通过结构适配接管部分视觉编码工作。

SkillDRE研究了一种面向智能体技能的双阶段红队演化框架，将执行前扫描与运行时防御反馈连接起来。实验显示，只检查单一防御环节可能低估经过适应性演化后的风险。

将机器学习决策迁移到隐私保护设备，并不只是改变推理位置，也会改变竞价系统获取预算信息的方式。最新研究显示，设备间的预算同步延迟可能导致严重超支，而不恰当的支付规则还会诱发策略性操纵。

一项名为 Disaggregated Quantization 的方法，针对 LLM 推理中的 Prefill 和 Decode 阶段分别设计计算格式、权重与存储策略。在 Qwen 3、Gemma 3 等模型上的实验显示，它有望同时改善低比特推理精度与首 token 延迟。

VLA-Precision 针对机器人精细操作中的策略漂移与训练效率问题，提出 ACoB 算法和 ACoB-Stream 架构。该方法通过分阶段价值校准与流式系统设计，提升真实世界在线强化学习的稳定性和吞吐效率。

IndicBankBench为印度零售银行场景构建了799个测试案例，把安全、工具调用、响应质量和建议能力拆开评估。研究显示，模型偶尔答对并不代表能够稳定、可靠地处理银行业务。

D-JEPA指出，世界模型预测得准，并不意味着潜在空间中的“更近”就代表动作更好。它利用候选未来的实际执行结果，校准模型在决策关键区域的几何关系。

TRACE 提出一套面向流式视频理解的条件化评测框架，把证据何时生效、模型如何维护历史以及何时触发回答纳入统一审计。研究显示，接近的问答准确率背后，可能隐藏着截然不同的完成度、响应有效性和计算负载。