论文：AI 论文、技术方法与基准测试第 70 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
NeurIPS 2026收录ViTeX-Bench视频场景文本编辑基准
ViTeX-Bench针对视频场景文本编辑（如替换店招文字同时保持原动态）缺乏成对数据与专用指标的问题，提供包含387个720p真实视频的数据集及三轴评估协议。协议含13个指标，分别衡量文本正确性、视觉时序质量与编辑局部性，并支持帕累托权衡对比。基于训练微调开源的ViTeX-Edit-14B编辑器，CharAcc达0.688，在视频原生编辑器中均值最高且文本裁剪Warp最低。八种基线测试表明同时实现文本准确、时序稳定与场景保留仍具挑战。
- AI 摘要arXiv cs.AI
Turbo Harness框架实现按任务实例自适应优化智能体Harness
现有智能体Harness优化通常产出全局统一方案，平均表现好但未必适配每个实例。Turbo Harness框架能将全局方案针对单实例做适配。其复用全局优化阶段产生的中间产物，将其总结为结构化剧本，并训练Harness编辑器，利用该剧本为全局方案生成实例专属补丁。推理时，编辑器依据实例与剧本构建定制Harness供执行模型运行。在涵盖交互智能体、软件工程及长周期终端任务的七项基准测试中，该方法稳定优于现有Harness优化基线。
- AI 摘要arXiv cs.AI
WorldAuditBench发布：评估多模态智能体3D世界异常审查能力
研究团队提出WorldAuditBench基准，用于测试多模态智能体在交互式3D环境中寻找异常（如穿模墙体、悬浮物体）的能力。该基准包含基于虚幻引擎5等构建的13个环境、5类异常族共213个任务。测试了5个前沿模型在固定探索预算下的两种审查范式：VLA探索加VLM识别，以及端到端VLM直接指导行动。模型成功率仅6.6%至42.3%，远低于人类的83.4%，凸显当前智能体在行动与视觉推理耦合及证据收集上的严重不足。
- AI 摘要arXiv cs.AI
Cogentic多智能体框架实现开放问题自动证明发现
针对前沿大模型单次生成难以应对需长期探索与保留中间进度的开放数学难题，Cogentic框架引入迭代证明-验证循环。其核心机制由编排器将独立证明者分配至不同证明方向，经多组件对抗验证后，将确认的中间结果存入持久化账本供后续轮次构建。基于Gemini底座，该框架在在线学习、拍卖理论与机制设计领域的五个开放问题上产出全新结果，均经领域专家独立验证，完整证明见系列配套论文。
- AI 摘要arXiv cs.AI
MatLoom提出紧凑分层语言实现文本生成可编辑材质
MatLoom是一种面向文本生成材质的紧凑分层语言，通过预训练语言模型生成由alpha遮罩层组成的程序。程序中共享空间表达式显式定义了覆盖范围与PBR通道，使图案、颜色和浮雕的依赖关系清晰。独立解释器将程序评估为材质贴图，同时源码保留命名字段与层参数供后续编辑。无需微调，管线通过解析器引导修复与预览批评修正设计，并搜索噪声种子。在141个提示的基准测试中，其最佳配置在四项对齐指标上优于三个扩散基线，初始程序平均BLIPScore即超基线。30人参与的盲测中，其渲染获59.2%选择，最高基线仅19.3%。生成程序跨主干网中位长度21行。
- AI 摘要arXiv cs.AI
研究提出Looped MoE联合扩展定律，算力匹配下媲美两倍大体量模型
循环Transformer与混合专家（MoE）分别借递归与稀疏实现高效扩展，现有定律仅孤立建模。本研究提出Loop Scaling Laws，首次将递归、稀疏、模型尺寸及数据量联合建模。其核心为有界且依稀疏条件的递归映射，刻画循环带来的有效参数增益及稀疏对该增益的提升。该定律预测留一损失优于先前方案，并退化涵盖稠密与MoE特例。下游评测显示：稀疏带来约3倍活跃参数效率，递归在推理上带来约2倍总参数效率，联合扩展进一步推进性能前沿。在万亿词元规模，等算力下依定律配置的循环MoE在推理基准匹配约两倍大的非循环MoE，且借递归实现测试时扩展。
- AI 摘要arXiv cs.AI
DynaHarness动态物理框架提升机器人长时操作成功率
针对预训练策略在长时操作中语义推理与物理执行协调难、失败归因模糊的问题，DynaHarness框架通过共享执行契约耦合慢速语义脑与快速物理脑。慢脑提议能力与符号参数，快脑负责落地、监控、拒绝未决动作并在必要时请求重规划。框架将失败证据转化为能力修订，配合回归检查闭环自进化。在LIBERO-Pro测试中，该框架在800个新初始状态下达75.2%成功率，冻结策略仅17.5%；同等能力库下全动态执行达74.0%，名义单步重规划为63.9%。
- AI 摘要arXiv cs.AI
研究称复杂MLE智能体框架无优势，强模型单会话即可达同等性能
针对自主机器学习工程（MLE）智能体，当前流行在强模型外叠加多智能体编排等复杂框架。该研究发现，在同等时间预算与相同前沿大模型骨干下，开源最优复杂框架相比仅具备读写与执行权限的最简编码智能体基线毫无性能优势，表明骨干模型才是表现的核心驱动力。大规模消融实验证实，在编码智能体设定中，多层外围机制变得冗余。为强模型手工打造复杂框架在当前MLE基准上回报极低。
- AI 摘要arXiv cs.AI
算法统计新论文：对称分区作为Kolmogorov模型
Romie Banerjee提交论文，将对称分区引入算法统计，用群作用的轨道分区解释数据。伽罗瓦连接为每个群赋予对称分区格、规范证书与代价及假设代数。导出的结构函数与对称精妙度衡量数据的对称正则性。全对称群下分区恢复所有Kolmogorov模型，廉价分区精确恢复Vereshchagin强模型。GL(n,2)下单元为线性齐次集，线性对称结构函数处于充分线与平凡界之间，存在简单结构对线性对称不可见的随机正规串。还给出置换群坐标及极大间隙定理。
- AI 摘要arXiv cs.AI
研究揭示大模型跨语言遗忘漏洞，提出COVER预算选择算法
大模型单语遗忘无法保证其他语言同步清除，换语种提问可复活已忘知识。全语种遗忘会严重损害模型通用能力。为此，研究团队构建涵盖174个语种与25种复述类型的跨语种遗忘基准，并提出COVER算法。该算法在有限语种预算下挑选源语种以最大化跨语种覆盖，仅需校准数据与冻结模型即可部署。实验表明，对比均匀选择，COVER将未受监督语种的平均残余访问降低7.8%至27.3%，在低资源语种真实新闻上同样有效。
- AI 摘要arXiv cs.AI
cua-speedrun：评估计算机使用智能体速度的新基准
针对计算机使用智能体（CUA）在速度与成本评估上面临的可复现性危机，研究者提出cua-speedrun基准。该工具采用统一虚拟机设置、执行管线与通用智能体接口，使单智能体实现能跨基准无缝运行。对四个CUA基准的测试表明：无单一模型族在性能、速度与成本上均最优；开源权重模型均未达前沿；增加推理努力有时反能加快任务完成，而更快的输入输出有时却会拖慢总耗时。此外，多数CUA基准的评测任务集可在不降低统计效力的前提下有效缩减，从而提升评测效率。
- AI 摘要arXiv cs.AI
MAGIC框架解决地图不确定下多智能体寻路问题
针对多智能体寻路（MAPF）中地图障碍未知且空间相关的问题，研究者提出MAGIC框架。该框架利用高斯马尔可夫随机场与高斯置信传播，让智能体在线共享观测并近似推断未观测区域的可通过性，为常规规划器构建绕行感知代价。在MAPF基准测试中，面对多达800个智能体的团队，MAGIC在96.3%的实例上降低了执行总代价，优于现有方法。
- AI 摘要arXiv cs.AI
ComputerSD提出计算机代理在线自蒸馏新方法
针对计算机使用代理（CUA）在线训练依赖稀疏结果奖励导致中间动作缺乏监督的问题，ComputerSD方法将GUI执行后的实时反馈转化为策略学习指导。其利用微调的GUI分析器生成特权指导与步骤级价值评分，以此调节同策略自蒸馏（OPSD）信号，并在全异步框架中联合优化token级OPSD与轨迹级GRPO。在OSWorld-Verified测试中，相比仅用结果奖励的GRPO，该方法在Qwen3-VL-8B-Thinking与EvoCUA-8B两种骨干模型上分别提升1.9与4.1个百分点，且在分布外场景展现出泛化能力。
- AI 摘要arXiv cs.AI
EviRover：首个通过交互强化学习解决视觉感知的智能体
传统视觉感知常假设单次浏览即可解答查询，但在需细粒度细节或最新知识时易失效。研究提出“证据不足下的感知”概念，将其转化为可交互获取信息的智能体过程。为此构建两条数据生成管线产出EviRover-SFT-5K与EviRover-RL-12K，并建立含5类688实例的人工验证基准EviLens。基于此训练的EviRover是首个经监督微调与智能体强化学习显式训练的感知智能体。其4B版本在EviLens上较骨干模型平均提升30分，媲美先进专有模型，且增益泛化至WebEyes及BrowseComp-VL（提升15分）等常规与通用多模态基准。代码、模型与数据均已开源。
- AI 摘要arXiv cs.AI
研究提出PhantomEnvironments：用纯规则虚构世界训练LLM搜索…
现有RL训练LLM智能体受限于人工数据成本或LLM生成环境的幻觉与污染。研究提出PhantomEnvironments，利用纯规则生成的虚构世界构建多轮RL环境，生成无需LLM且边际成本为零。智能体需在模板化文章库中搜索回答多跳问题。尽管无真实事实，该环境训练出的智能体在真实多跳搜索基准上常优于真实数据训练结果，且能泛化至未见虚构宇宙。Qwen模型随问题难度线性扩展搜索预算，消融实验表明跳数比约束或比较更驱动迁移。
- AI 摘要arXiv cs.AI
新研究提出动作经验字典，提升世界动作模型跨任务技能复用
现有世界动作模型（WAMs）难以跨操作任务复用动作经验，且冗余背景干扰关键视觉信息提取，阻碍跨任务语义关系建模。为此，研究者开发出动作经验字典（AED），将历史物理动作轨迹编码为共享嵌入以支持技能复用。具体通过预训练分词器从AED检索嵌入，经交叉注意力视觉条件化后拼接到噪声动作令牌前，为预测提供交互上下文与意图。同时引入运动感知转换损失，监督随机时间间隔的视觉特征变化预测，以建模动作相关运动并减少无关背景依赖。仿真基准与真实跨具身设置实验均验证了AED的有效性。
- AI 摘要arXiv cs.AI
SCB基准测试评估语音模型多轮推理能力
新提出的SpeechConversationBench（SCB）专注评估端到端语音系统的多轮数学推理。该框架基于103道分片GSM8K问题，对比单轮完整输入、分片信息拼接输入与逐轮增量语音输入三种条件下的最终准确率。四款商用语音系统在增量输入时准确率较拼接输入下降5.0至25.3个百分点。具备显式上下文管理的LEGO管道在三种条件下均达77.5%准确率，而GPT-4o Realtime在增量输入下为76.6%。
- AI 摘要arXiv cs.AI
MemLife系统解决长视频记忆检索难题，无需训练提升4.6-12.0%
针对第一人称长视频查询重算成本过高及记忆检索失效问题，MemLife系统将视频压缩为实体锚定文本片段，并用时间索引智能读取器检索。无需训练或查询时访问视频，它在四个长线基准上较最强免训练基线提升4.6-12.0%。其配套强化学习框架MemOpt优化记忆写入器，使MemLife在不同分布上再提升2.7-5.0%，且泛化至不同骨干网络与记忆系统。
- AI 摘要arXiv cs.AI
ScholarEvolve框架利用前沿文献驱动智能体架构终身进化
针对语言智能体持续改进需求，ScholarEvolve框架提出在固定底层大模型的前提下，通过自动引入前沿研究文献来指导智能体架构（即管理工具、记忆与任务执行的软件）的进化。该框架将进化方向划分为功能模块，运用主题建模为各模块识别改进策略，实施并组合评估以提升任务表现，且能随时间纳入新论文实现主动终身进化。实验显示，在AppWorld Challenge上，Qwen3.5-27B任务完成率从49.6%升至63.6%；在Tau2-Bench Telecom上，GPT-5.4-mini的pass@1从72.7%升至81.9%。
- AI 摘要arXiv cs.AI
PrefPI框架引导机器人策略突破初始分布限制
PrefPI框架通过偏好条件化生成建模与无分类器引导（CFG），迭代调整预训练机器人策略，使其执行初始策略下罕见或从未观测到的行为。在扩散策略及PI0.5流匹配VLA的仿真与真机测试中，该框架用极少反馈实现显著行为偏移：真机上仅用150条偏好标注轨迹，即将物体运送高度从10.7cm提升至19.8cm。