论文速递

IDM 保留完整的内部 DMD 校正，并在生成器 EMA 特征上加入特征矩损失，从而提升 Z-Image-Turbo 和 Qwen-Image 的 2-NFE LongText 分数。

A-RSI 利用训练日志中的奖励变化和准确率信号来决定何时替换由程序化生成的多模态任务池，并在不使用外部训练样本或人工答案标签的情况下，在十一个基准测试套件上报告了提升。

本文将基准测试重新表述为题目难度上的经验测度，把测度不匹配和覆盖缺口形式化为两种失效模式，并给出诊断指标与理论，诊断了 25 个基准，并提出 BenchFill 来填补大的难度缺口。

LOWN 使用廉价的 TEXT-ONLY 前向来认证最新的图像条件预测，仅当认证前缀过短时才运行图像条件 FULL 前向，在 35.3% 的解码 FLOPs 下保留 LLaDA-V 99.6% 的分数。

Youtu-Parsing-Omni 是一个 5B 全模态解析器，使用一个共享的文本初始化编码器和一个统一 schema，将文档、图像、音频和视频转换为在空间和时间上定位的结构化记录，具有最先进的文档解析效果和领先的开放权重全模态解析结果。

论文证明，对于 JEPA，在共享正样本对的条件下，分别训练的模态会学到同一表征（相差一个旋转），并通过实验表明好视图比坏视图或下一词元预测对齐得更好且更高效。

L3G-World 将在线更新的潜在 3D 高斯记忆与记忆条件化的视频 DiT 相结合，以实时生成空间一致的世界。

SpecSlot 将固定 token 预算拆分为空间锚点和频谱槽，并仅让每个锚点中径向频率最低的槽通过全局块，从而将输出细节与全局注意力解耦。

WorkFactory 通过规划信息支持并借助探针执行修复环境来构建可执行的专业任务，然后使用教师轨迹训练 WorkPilot 模型。

Co-Design Bench 在 273 个带有隐藏验收标准的真实用户应用修订上评估编码智能体，发现强模型在每个任务上能满足许多标准，但仅完全完成少数任务。

VibeGame 将 AI 原生 2D 游戏引擎与八智能体对抗团队及免训练经验蒸馏相结合，将自然语言提示转化为可玩的游戏项目。

HairDeck 通过将每张发片编码为一个 token，并使用集合扩散Transformer对所有 token 一起去噪，从单张图像或点云生成风格化发片和弹簧骨骼链。

WeVisCut 连接一个有状态脚本到视频智能体 harness、一个从成片恢复可执行监督的四阶段流水线，以及一个单一 9B 策略；该策略经 SFT、运行时验证的 RFT、Guided-OPD 和 RCF-DAPO 训练，并在 100 任务基准上用五项指标评估。

IntReal 引入了一个真实世界交错数据集，以及一个由粗到细的专家模型评估套件，用于多模态交错生成。

CoSTA 通过用 BPE 压缩的语音单元扩展生成词表、适配模型，并在未改动的解码器前将生成单元确定性展开，从而解耦 SDM 的生成与合成 token 空间，实现约 1.7× 的语音 token 生成加速。

WebAnything 使用 Explorer–Builder 和独立验证器从真实 URL 自动重建基于来源的可执行 Web 环境，产出 244 个工件和 12,984 个已接受任务，并在 SFT 后提升智能体基准表现。

Glance 为单个常驻的 9B 生成器骨干配备轻量级决策适配器和指针头，以便从一次共享预填充中对候选段落重排，然后用同一骨干生成答案。

Soft-MTP 通过从现有 cross-entropy 计算中精确恢复 KL self-distillation 梯度，从标准 multi-token prediction 梯度中去除带噪声的 residual，在不增加成本的情况下提升 NTP、speculative decoding 和 zero-shot accuracy。

AskStream 引入了 ASK 动作以及一个多轮基准，包含 Ask-F1 和 StreamHarness，用于评估流式视频模型在视频不确定性和用户不确定性下应在何时提问以及提问什么。

Falcon 是单遍因果音视频目标说话人提取器，并与 RealSSA 基准配套；相比因果 AV-TFGridNet，它以显著更低的参数量、计算量和延迟获得强提取质量。

OmniShowcase 通过将基于 3D 资产的数据合成管线与从参考图像重建的表面法线转台条件相结合，从多视角参考图像生成全景式主体一致的视频。

S2 是一种无需训练的离线指标，用于衡量感知特征与末端执行器轨迹之间的最近邻重叠，并与跨模型系列的机器人任务成功率相关。

TAO 联合评估工具返回就绪性、时间衰减的 KV-cache 信用和 token 占用，然后使用动态规划在 GPU 节点上选择并放置等待中的 agent 会话。

RealCLI 是一个配对式 CLI 基准，用于在匹配任务上评估自主执行与脚本化人机协作，揭示前沿智能体在联合任务协作方面的低表现。

PersonaCUABench 固定 74 个任务，仅在 44 个用户角色间改变请求用户；在九个 backbone 上，角色请求将平均任务完成率从 0.689 降至 0.441，且用户满意度与完成率出现分化。

TauIndianBankBench 是一个包含 1,000 个任务的印度零售银行基准，用于评估使用工具的对话智能体是否完成规定流程步骤和最终记录。

AR-BED 在外部指定的有限贝叶斯实验设计模型下，用信息增益奖励训练一个推理 LLM，从而改进自适应提问，并迁移到临床对话任务。

LongZero 让 LLM 在零外部数据下改进长上下文推理：先编写结构化的问题-证据-答案规范，将其扩展为长多文档上下文，加入自写检索对话，并使用 GRPO 训练。

CausGround 将交互轨迹蒸馏为基于因子化世界状态的可复用、以动作为中心的因果知识，然后将任务相关的前置条件和效果落地，以指导冻结的 MLLM 规划器而无需参数更新。

V4.1 Flash-1017 在评估完整性、失控和有害操纵方面相较 DeepSeek V4 模型表现出显著安全提升，但在持续压力、部分监督和指定欺骗性目标下仍保留弱点。

HuGe 通过三阶段流程，在超过 2,000 小时的第一人称人类与机器人数据上训练人形通用 VLA，使用 SONIC 运动 token 动作和数据适配，在 HumanoidArena 上取得 SOTA 结果，并提升真实世界 G1 抓取-放置成功率。

OmniSpectra 是一种波长原生的掩码自编码器基础模型，它在连续物理对数波长坐标而非像素索引上编码光谱，使一个 12.2M 参数模型能在八项巡天上预训练，并在无需重采样的情况下匹配或超越更大的仪器专用基线。

论文使用原子单 token 词替换规则和分箱 logit 模型来测量指令容量与退化规律，报告一个 GPT-4o mini 护照，包含以规则数表示的容量及不确定度。

注入元订单在五只股票上的五个神经 LOB 生成器中触发出可识别但过陡的冲击规律，且没有可信的执行后松弛；而回放与核基线则按设计表现。

PreView 是一种经过训练的辅助预处理器，为冻结的 GUI grounding 模型提供以中心为导向的裁剪放大视图以及候选特定的视觉和文本线索，从而在不重新训练该模型的情况下提高准确率。

一种两阶段范式：在语义 token 上进行自回归预训练以获取视觉知识，再用冻结骨干的像素扩散阶段渲染图像，得到一个 3B 文本到图像模型，训练约 6,600 H100 GPU 小时，在 GenEval 上得分 0.86，在 DPG-Bench 上得分 87.78。