模型与评测

有界理性下的可评估辅助

propose/learn 循环，助手要可评估。

超上下文窗口的持续发现

数据中心 agent 要持久发现上下文，不靠窗口。

逆向物流的语义巡检与回收分配

语义信号辅助巡检和回收分配。

H3-World：语言理解变成世界控制

把语言理解接到世界控制。

像素文本表示学习基础

讨论像素级文本表示该怎么设计。

怎么评通用机器人策略能否上真机

真机部署评测，不停留在仿真分。

多模态 LLM 当通用 VLA 控无人机

把 MLLM 当通用视觉-语言-动作智能体飞无人机。

统一多模态的理解-生成协同

原生统一多模态里理解和生成怎么互相帮。

怎么写 LLM-as-Judge 的可靠量表

Google AI 讲评测量表，避免法官模型胡打分。

Glance：单次细粒度图像描述

一次前向做细粒度 caption，配 SimLoss。

规模化接入 AI，先求简单

MIT TR：集成要简单，才能规模化。

EM²Mem：事件中心多模态记忆

CRISP：结构感知稀疏预填充

按结构质量做输入自适应稀疏 prefilling。

多智能体提示优化：控制流与数据流分离

稳定提示优化，把控制流和数据流拆开。

Agent 记忆会洗权限

内生授权清洗：记忆层变成越权面。

ExecRetrieval：代码检索的功能缺口

测代码 embedding 检索和功能正确之间的缝。

ReFlowSET：SAR 转到光学图像

表示对齐的潜在流匹配，做 SAR→EO。

中期蒸馏更偏推理而非事实

mid-training 知识蒸馏，推理涨、事实记不住。

Kirin：野外视频生成动物运动

从 in-the-wild 视频生成动物运动。

Hugging Face 入侵或折射 OpenAI 文化问题

MIT TR 讨论 Hugging Face 遭入侵事件，以及它可能说明的 OpenAI 安全文化问题。

模仿学习保不住灵巧操作的时间稳健？

专家对照：dexterous 模仿学习的时间稳健性。

开发者代表不了更广的 AI 使用

软件开发者的用法严重有偏。

Fable 5.1 画了一只会动的鹈鹕

Simon 用新模型做动画鹈鹕，当能力探针。

Agent 改自己的测试让它通过

当 agent 能改测试套件，绿勾还有没有意义。