论文：AI 论文、技术方法与基准测试第 25 页
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
- AI 摘要arXiv cs.AI
新模型可同时生成视频与任意骨架的3D运动
一篇 arXiv 论文提出把 3D 运动与视频联合生成的模型：给定任意骨架（rig），模型同时产出视频、对应的 3D 运动以及把该运动对齐到场景的相机参数。与只处理人体骨架、或从生成的 2D 姿态图三角化出 3D 的做法不同，该工作把 3D 运动放在独立模型中，通过少量 cross-attention 层与预训练视频模型相连，使运动模型可先用纯运动数据学习骨架运动。模型还学习在视频帧中定位各关节，从而恢复相机并把运动放回 3D 场景。训练数据由生成式视频编辑器把动画 3D 资产放入匹配场景，再配合人与机器人视频，共约 20 万对。
- AI 摘要arXiv cs.AI
GBClaw：面向晶界研究的智能体 AI 框架发布
arXiv 刊出 GBClaw，一个用于研究一般晶界结构与变形的智能体 AI 框架。该框架把大语言模型接入由编排器、专用智能体、领域工具、仿真接口和分层记忆组成的模块化架构，通过动态重规划和迭代式工作流改进，把系统化仿真与有针对性的机理分析衔接起来。作者将其用于镍中 14 个一般非对称倾斜晶界，刻画界面缺陷结构并识别出多种变形模式；对比有无二次晶界错配位错的晶界滑移后发现剪切强度差异明显，后续计算把异常高的剪切抗力追溯到亚稳晶界结构。
- AI 摘要arXiv cs.AI
UniWALM：把视频、动作、语言放进同一骨干的机器人控制模型
UniWALM 将视频、动作与语言三种模态放进同一个混合 Transformer 骨干，每种模态既作为条件输入，也作为监督目标，各模态的扩散头同步去噪，一次解码同时输出子任务、文本记忆与动作，无需独立的规划阶段；生成的文本在下一步被重新读取，形成以语言为记忆的闭环。作者另提出 Flow Matching with Correction 训练目标，让模型学会从受扰动的动作轨迹中恢复，且不增加推理开销。在 MolmoSpaces 组合式抓放任务上，它优于同骨干基线 FastWAM；在 RMBench 依赖记忆的子集上达到 34.5%，未使用预训练语言或推理模型，仅用单张锚点帧就超过配备关键帧的 Mem-0（28.5%）。真实 Find-the-Item 任务中，生成文本记忆把成功率从 11.1% 提升到 61.1%，而现有 VLA 方法不超过 33.3%。
- AI 摘要arXiv cs.AI
Industrial ReMEmbR 将时空记忆扩展到机器人车队
这篇论文提出 IndustrialRemembr，把 NVIDIA ReMEmbR 的时空记忆能力扩展到仓库机器人车队。系统只在需要时才生成场景描述，从而降低服务端算力开销。每台机器人用 NVIDIA Jetson 运行 Cosmos-Embed1 生成检索嵌入、Cosmos3-Edge 生成视觉 token、Wan2.2 VAE 生成重建潜变量，原始摄像头画面不上传。编码模型还用于检测图像块中的人物并将其置零，以支持符合 GDPR 的 PII 抽象。Cosmos3-Edge 在视觉-语言边界被拆分，视觉编码器留在机器人端，语言解码器放在本地服务器；Nemotron 智能体按内容、位置和时间检索记忆，并用缓存的视觉 token 查询解码器。该设计免去写入时生成描述，缓存的 token 解码在全部 450 次测试解码中复现了未拆分模型的输出。
- AI 摘要arXiv cs.AI
MindView 多视角空间智能基准发布，含 1500 个样本、7 项任务
研究团队提出 MindView，用于评测生成式多视角空间智能：样本 1500 个，来自 3 个室内数据集的 513 个场景，任务分为几何主导与语义主导两类，共 7 项。对 11 个生成模型的评测显示整体提升空间较大；在扩展上下文设置下，这 11 个模型的总体得分均下降。团队用 MindView 训练集微调 BAGEL，总体得分提升 24.3 分，7 项任务全部上涨，并在 3 个未训练的空间理解基准上得分更高。另提出免训练的空间证据选择方法 MindCue，可扭转扩展上下文下的得分下降。
- AI 摘要arXiv cs.AI
论文提出 AMTP：按上下文动态选择多 token 预测的推测长度
这篇论文关注多 token 预测（MTP）中推测长度（horizon）的选取问题：草稿越长，被接受时节省的计算越多，但一旦被拒绝，被丢弃的后缀就会浪费算力。由于 MTP 的所有头在同一次前向中触发，推测长度必须在起草前固定，无法像自回归起草那样逐 token 停止。作者把长度选择建模为在线控制问题，提出 AMTP：一个无需重训、不改动验证器的轻量控制器，借助接受存活率预测草稿能走多远，并选择每秒期望 token 数最高的长度。在基于 Llama-3.1-8B-Instruct、Medusa 头、Meta MTP 模型与 Qwen3-4B-Inst-2507-MTP 的五个草稿-目标组合上，于 AIME 2025 与 GSM8K 评测，解码最高提速 4.1 倍，10 个设置中 8 个不劣于固定窗口，吞吐最高提升 10%。
- AI 摘要arXiv cs.AI
arXiv 论文提出语义可观测性多智能体框架，用于自主系统诊断
一篇 arXiv 论文提出 Semantic Observability 框架，把分布式微服务产生的多格式日志统一汇入可动态查询的属性图数据库，将物理拓扑、软件依赖与事件时序建模为带属性的节点和有向关系。在此之上，系统用有向循环图编排有状态多智能体，借助因果图算法与时间回溯定位异常影响范围，再由大模型推理引擎输出代码级根因分析与修复建议。论文给出系统架构、关系本体与控制回路，并称该框架可降低 MTTR、压缩 token 消耗、抑制结构性幻觉；定量评测与生产基准将在后续论文中给出。
- AI 摘要arXiv cs.AI
研究者发布方言阿拉伯语数学推理基准 DAR-MGSM
一篇 arXiv 论文提出 DAR-MGSM，这是首个针对方言阿拉伯语数学推理手工构建的评测基准。它包含需要多步推理的数学应用题，覆盖五种主要阿拉伯语方言以及现代标准阿拉伯语，并提供仅翻译版与翻译加文化本地化版两个平行版本，后者按地区调整了实体与指代。作者在 DAR-MGSM 上评测了 11 个以阿拉伯语为中心及多语言的大语言模型，发现模型在本地化版本上的表现普遍下降，且不同模型的下降幅度不同；机制可解释性分析显示，同一道题的两个版本常引发不同的内部推理路径，即使总体准确率相近。
- AI 摘要arXiv cs.AI
研究提出衡量AI辩论价值表达与组织的新指标框架
一篇被 EMNLP 2026 主会接收的论文提出诊断性指标框架，用于比较人类参考辩论与 AI 生成辩论在价值表达和价值组织上的差异。框架基于 Schwartz 基本价值观理论，把辩论表示为覆盖论证单元、话语、立场和整场辩论的多层价值分布，并据此给出价值覆盖度、对齐度、扩散度和跨轮次动态等指标。在多个生成系统上的结果显示，AI 生成的辩论在价值表达上并不匮乏，激活的价值维度常常不少于匹配的人类参考，但组织方式不同：其话语在局部上价值更分散；在不看来源的评审中，价值清晰度与价值聚焦被区分开来。作者据此主张，辩论评估不应只看价值是否出现，还应看价值如何组织。
- AI 摘要arXiv cs.AI
TS2Vec 改为一次性预训练的基础模型，线性探测逼近 SOTA
研究把 2022 年的自监督时间序列方法 TS2Vec 改造成只需预训练一次的通用编码器。做法有三点：在合成语料上预训练；用两个小型 stem 分别接收原始振幅视图和实例归一化后的形状视图；再把每个视图的专家编码器蒸馏进同一个编码器。产物 TS2Vec-FM 是 1.6M 参数的膨胀卷积网络，冻结后线性探测在 UCR-128 上达 83.3%、UEA-27 上达 75.3%，与当前最优 MantisV2 相差 0.3 个百分点，并高于在每个目标数据集上单独训练的 TS2Vec。该设计不含注意力、patch tokenizer 和中间层特征提取。
- AI 摘要arXiv cs.AI
Agent S4 让智能体自主进化界面，OSWorld V2 得分 21.3%
论文提出把界面设计本身当作智能体的一项能力。Agent S4 由元智能体分析任务智能体在合成训练任务上的轨迹，这些轨迹不带成功标签；它据此构建并修订界面与使用知识库，再通过种群式进化，按验证任务表现挑选值得继续发展的知识库。在 OSWorld V2 上，搭配 Qwen3.8-27B 与进化出的界面库，取得 21.3% 的二元得分，是同一模型使用固定界面时的 3.8 倍，高于 GPT-5.5 的 13.0% 和 Claude Opus 4.8 的 20.6%，成本约为后两者的 4.3% 和 1.5%。在 ScienceBoard 上，同一模型成功率从 41.4% 升至 58.6%。代码已开源。
- AI 摘要arXiv cs.AI
研究指RTL修复基准存在两类测量混淆
一篇论文构建了RTLRepairDataset（5,784对损坏与修复样本）、RTLRepairBench（459个留出案例，含374个语法变异与85个行为变异）及支持仿真与形式等价验证的评测框架，并借此识别出两类测量混淆。其一，在某一受评队列中，提供规格说明的效应在仿真与形式评分下符号相反，重置感知重打分把分歧主要归因于重置与首周期比较语义。其二，在274个模型失败案例上，六个模型的“仅规格”与“规格条件”恢复率点估计相差-8.5至+18.3个百分点。作者据此提出评测控制项，并公开基准、训练集与复现材料。
- AI 摘要arXiv cs.AI
R2S 方法修复教师评分器，智能体蒸馏平均提升 12.8 个百分点
论文指出，智能体在线策略蒸馏（OPD）的失败不能只用误差累积来解释：学生偏离教师的状态下，教师接管仍能完成任务，但学生按教师逐 token 打分训练后仍会耗尽轮次。作者把原因归于下一 token 打分的短视，即教师看不到回合终点，会放行安全但拖延的动作，并把教师实际行为与打分之间的差异称为 rollout-scorer gap。为此提出 R2S：先从学生挖掘高分歧状态，让教师接管，保留通过无奖励校验（共识或 LLM 评判）的状态，再微调教师，使其在分歧轮之后对每个助手 token 给出接管信息下的分数；修复后的教师被冻结，作为标准 OPD 的唯一评分器，全程不需要任务奖励。在三个环境、两个教师、四个学生的十二个组合中，R2S 均优于三种现有方法，平均高出 12.8 个成功点。
- AI 摘要arXiv cs.AI
SceneRig 用单张图像重建可直接用于仿真的三维场景
SceneRig 是一个 agentic 系统，能把单张图像转成可编辑、可直接用于仿真的三维场景。它把几何、视觉与物理工具结合起来重建场景，再由 agent 在物理仿真器内反复执行编辑与验证循环，使场景达到物理稳定。相比依赖事后物理沉降的做法，SceneRig 在实例分割、以物体为中心的外观和三维摆放上都有改善，同时保持场景物理稳定。在下游机器人任务中，它预测真实机器人策略结果比基线方法更准，也能更可靠地支持已录制操作的回放而无需调整轨迹。该工作已被 CoRL 2026 Agentic Robotics Workshop 接收。
- AI 摘要arXiv cs.AI
arXiv 论文提出 CoRAL 混合框架，用扩散规划器搭配自回归执行器
一篇提交至 arXiv cs.AI 的论文提出 Collaborative Reasoning Asymmetric Learning（CoRAL）框架，针对自回归模型的「顺序性瓶颈」与扩散语言模型并行但语义连贯性不足的问题，采用非对称 Planner-Executor 架构：由扩散语言模型担任 Planner，并行生成 K 条多样化推理轨迹；由规模较大的自回归模型担任 Executor，从中选出最优方案并合成最终答案。训练 Planner 时使用 Reward-Guided Denoising for CoT（RDC），把基于结果的奖励融入扩散过程，引导其进行目标导向推理。在视觉语言基准上，该方法优于此前的扩散类方法，与强自回归模型相比也具备竞争力，在效率与质量上均有表现。
- AI 摘要arXiv cs.AI
Tessera 框架用方向敏感表示学习处理空间转录组数据
一篇投稿 arXiv 的论文提出 Tessera，用于空间转录组的表示学习框架。该工作指出，现有方法在两方面存在不足：常规基因筛选可能漏掉具有空间结构的信号；编码细胞间关系时，要么只考虑邻近性而丢弃方向，要么依赖与任意组织坐标系绑定的绝对坐标。Tessera 把空间信息引入基因选择，并加入几何归纳偏置，用相对细胞关系建模，从而在保持平移不变的同时保留方向。在留出组织和不同技术平台上，其表示质量优于现有空间基础模型，并能零样本泛化到比训练时大 16 倍的空间范围。论文被 NeurIPS 2026 AI4DD 研讨会接收。
- AI 摘要arXiv cs.AI
用LLM进化搜索优化生成式检索的语义索引
一篇 arXiv 论文提出用 LLM 驱动的进化式程序搜索来改进生成式检索（GR）中原本靠手工设计的离散组件。研究用本地部署的开源 31B 模型改写可执行的 GR 组件，不调用闭源 API；同时用 1M 参数的代理解码器替代反复训练 1B 目标生成器，以提供快速反馈。在 NQ320K 的 21 个 SID 程序上，代理与目标的 Recall@100 排序相关性为 Spearman ρ=0.90。在固定训练配方下，该方法在 NQ320K、MSMARCO300K 和多语言电商数据集上均优于种子 GR；其中 NQ320K 上联合进化 SID 构建与冲突处理，使 Recall@1 从 55.8% 升至 59.3%，Recall@100 从 85.8% 升至 90.6%。组件研究显示，代理可靠性取决于被进化的对象：语义索引的改进可稳定迁移，而生成器训练目标或完整流程则不行。
- AI 摘要arXiv cs.AI
OptScientist 框架可从数据中自动发现符号化优化定律
一篇 arXiv 论文提出 OptScientist，用于从数据中直接发现紧凑的符号化优化定律，而非只拟合输入输出关系。该框架由两部分组成：一个模型先把数据表示为优化问题，再提取其符号形式；一个 LLM 智能体系统把该模型嵌入发现流程，引入文献中的理论先验、生成候选定律、抽象其机制，并建议补充采集的数据。在包含 99 个物理来源优化问题的 OptFeynman 基准上，它对超过 80% 的问题还原出真实定律，并对噪声上下文保持稳健，表现优于机器学习、符号回归和基于 LLM 的基线。在人类风险选择与央行货币政策两个场景中，它发现的定律在留出预测上接近领先基线，参数更少，消耗的 token 也明显少于 LLM 基线。
- AI 摘要arXiv cs.AI
AnomalyAgent：用受限VLM做多检测器融合的视觉异常检测框架
研究提出 AnomalyAgent，一个训练后融合框架，用于视觉异常检测。它先对齐不同预训练检测器给出的图像级分数与异常图，再归纳分数层面和区域层面的分歧，把融合过程当作有限动作选择问题处理。动作分两类：分数动作通过共识、稳健聚合、检测器加权或分数-图一致性决定图像级置信度如何合并；图动作通过共识、加权、几何聚合或分歧修正合并稠密异常响应。一个受限视觉语言模型负责检查冲突较大的样本，并选出有效的分数动作与图动作组合。在 MVTec AD 与 VisA 上，其平均图像 AUROC 与像素 AP 优于对比的融合方法，并在另外七个公开异常基准及 Real-IAD 上验证了跨域迁移。
- AI 摘要arXiv cs.AI
Lafa：8B 参数连续流语言模型，吞吐量达自回归模型 2.54 倍
研究提出 Lafa，一种按块组织的连续流语言模型，规模做到 8B 参数。它在每个块内使用双向异步流，前缀部分使用因果注意力，因此可以基于预训练自回归模型改造训练，并用前缀缓存和块级并行解码加速推理。团队在 0.5B、7B、8B 三个规模上训练，每个规模使用的 token 少于 30B，比此前的扩散模型更省数据。在指令跟随、推理和编码任务上，流模型的质量与自回归模型持平或更好，还能蒸馏成 flow map 做一步或少步生成。借助多 token 预测效应，流训练保留甚至提升了预训练自回归能力；配合自推测解码，在质量相当的情况下吞吐量达到自回归模型的 2.54 倍，优于多 token 预测和离散扩散方法。代码已公开。