统一协议评测显示 GPT-6-Astra 模拟基准接近饱和，但距实用具身智能仍有显著差距
SenseNova, Joint Research Team, Zhongang Cai, Ziang Cao, Tailai Chen, Han...
VLA
上下文学习
具身智能
基准设计
大模型评测
用可复用任务对象替代交互历史组织长程上下文,提效同时大幅降低 token 开销
Yuchen Lu, Julian McAuley, Lei Zhang
LLM Agent
上下文工程
上下文管理
检索式智能体
计算机使用
从零预训练 5B DiT 并搭配代理式提示增强，实现中英长文渲染与精确布局的开源文生图系统
MOSI. AI
布局控制
扩散Transformer
文本渲染
文生图
智能体提示增强
薄壳适配器让编码智能体写工具操控双臂机器人，三角测量定位登顶RoboDojo
Hongcheng Gao, Alex Zhou, Jay Zhu, Zelin Zheng, Shijia Ge, Xiping Li, Di Wu,...
RoboDojo
VLM智能体
三角测量
主动感知
机器人操作
在原生循环骨干上每步读出选项并联训所有深度，让决策模型按题加深循环步数，兼顾延迟与精度
Dingjie Song, Zhiling Yan, Yuxuan Zhang, Lichao Sun
System 1.5
决策模型
循环Transformer
推理效率
早退机制
基于真实支付业务的可执行基准，用确定性检查同时评估任务完成与全程执行合规。
Enhan Zhao, Yongqi Tong, Xuejun Yu, Hang Wang, Pan Wang, Yichao Wang, Di He,...
业务流程合规
基准评测
工具调用
支付系统
长程智能体
让VLM把3D场景当作可交互环境，用结果导向RL学会边推理边主动探索
Yijiang Li, Bingyang Wang, Nuno Vasconcelos
3D视觉语言模型
GRPO
主动探索
强化学习
空间推理
让前沿AI智能体为15个真实未解科学问题写后续论文，135篇投稿无一达到科学家标准。
Seungone Kim, Jiayi Geng, Young-Jun Lee, Bo Liu, Juyoung Suk, Nicholas...
AI智能体评测
LLM-as-a-Judge
基准构建
科学智能体
科研自动化
4B多模态模型直接从自身视觉表征解码掩码，让掩码监督反哺共享骨干的感知与推理
Pei Fu, Yike Liu, Yue Sun, Hanmo Wang, Xiuwen Xi, Ruoceng Zhang, Shaojie...
多模态大模型
指代分割
掩码监督
视觉定位
视觉推理
把大块双向预测缓存为可撤销的未来，兼顾大窗口质量与细粒度低延迟交互。
Yubo Huang, Yuxuan Zhang, Jiaming Liu, Sirui Zhao, Enhong Chen
交互式生成
扩散模型
推理加速
流式服务系统
视频生成
开源移动智能体全栈:110+应用环境、1.2万轨迹与2千可验证RL任务,融合GUI与工具调用。
Chenyang Yan, Yingying Zhang, Kanzhi Cheng, Qiushi Sun, Zhengyuan Pan, Zheng...
GUI Agent
开源数据集
强化学习
混合工具使用
环境模拟
用前缀分支树把稀疏终局奖励蒸馏为有界后验教师，免Critic稳定长程智能体RL训练
Heming Zou, Qi Wang, Yixiu Mao, Yun Qu, Yuyi Guo, Zeyuan Liu, Chenglin Li,...
RLVR
信用分配
大语言模型智能体
强化学习
策略蒸馏
用32个潜在桥接查询取代稠密MoT耦合，解耦专家深度，兼顾性能、泛化与推理效率
Jiaxin Fang, Ruitong Liu, Zeyu Lai, Xingyu Wang, Mingyuan Jia, Pingyue...
世界动作模型
机器人操作
架构设计
视觉-语言-动作
高效推理
PhysClosureBench：用科学闭环RC0-RC4评估智能体能否独立完成物理研究
Yijia Mao, Song Dai, Tao Chen, Xiangyu Lu, Linqian Zeng, Chenxi Hu, Sitong...
AI智能体评测
LLM评审
强场物理
物理基准
科学闭环
用实时演化市场做过程级诊断，揭示 LLM 智能体收益排名与真实能力严重脱节
Jun Zhao, Leiming Fu, Yanbo Wen, Yiding Wang, Xuantong Liu, Yang Shu, Yuyang...
LLM-as-a-Judge
LLM智能体评测
多智能体协作
实时金融市场
工具使用
构建2.5万对论文-海报-HTML三元组，让海报生成成为可验证的视觉编码任务
Haonan Han, Yukang Lin, Minliang Lin, Haoxian Tan, Jun-Yan He, Rui Yang,...
强化学习
数据集与基准
检索增强生成
海报生成
视觉编码
提出MIST评测分离场景设置与延迟揭示，发现视频世界模型记忆低分主因是未执行动作而非遗忘
Weiyang Jin, Jiwen Yu, Sihan Xu, Yuwei Niu, Xihui Liu
测试时指令改写
视频世界模型
视频生成
记忆评估
评测基准
构建KTP协议证明：图像生成训练的知识可部分转移至文本问答，交错对齐能显著增强转移。
Wenkai Li, Wenyi Hong, Zhuoyi Yang, Jie Tang
交错图文对齐
图像生成
知识探测
统一多模态模型
跨模态知识转移
DLite 复用目标模型隐状态、免维护草稿历史 KV 缓存，智能体负载加速最高 2.7 倍
Jiaming Xu, Hanzhen Wang, Tianlang Zhao, Jiewen Xiao, Chengze Yuan, Jiayi...
LLM推理加速
投机解码
智能体系统
知识蒸馏
系统效率
单画布联合生成替代顺序展开，构建50万条多轮编辑轨迹，显著抑制视觉质量漂移
Houyuan Chen, Fanzhou Wang, Xiangyu Fan, Songlin Yang, Zhitao Yang, Lvmin...
多轮图像编辑
指令引导编辑
数据集构建
视觉质量漂移
评测基准
把职业组织建成持续运转的生成式模拟，让任务、上下文与评审从真实工作中自然涌现
Hongchen Wei, Daohong Ying, Zhi Hong, Aidan Wu, Bei Liu, Ruichun Ma, Yifan...
SFT/OPD蒸馏
基准评测
智能体
环境合成
组织模拟
用参考库接口统一文本/图像/视频参考，单模型完成多参考视频编辑
Xiaoyan Cong, Tianyu Wang, Hyeonho Jeong, Zhifei Zhang, Yuqian Zhou, Yijun...
位置编码
多模态参考
扩散Transformer
数据合成
视频编辑
LLM 只改写评论为前提，廉价决策模型对照论文验证，精度追平 GPT-5.5 成本减半
Dingjie Song, Zhiling Yan, Ziqian Zhang, Yuxuan Zhang, Lichao Sun
LLM评估
事实核查
同行评审
基准数据集
成本感知推理
让模型用自身剩余层按可控的上下文量读取隐藏状态，无需训练即可在词表原生语义中忠实解读每层
Jian Gu, Hongyu Zhang, Chunyang Chen, Aldeida Aleti
logit lens
可解释性
归因分析
残差流
激活引导
把假设研发过程变成递归自我改进循环，假设质量从4.86升至5.39
Jianyuan Zhong, Chenwei Wu, Zhaochen Yu, Xixian Jiang, Xuewei Li, Hao Xiao,...
信用分配
假设生成
基准评测
多智能体进化搜索
科研智能体
SABER基准揭示视觉-语言模型普遍存在属性绑定失败，纯合成文本微调即可跨模态修复并达到SOTA。
Netanel Y. Tamir, Michael Green, Issar Tzachor, Or Shimshi, Dvir Samuel, Or...
MLLM嵌入模型
参数高效微调
基准评测
多模态检索
属性绑定
单一学生网络统一生成与速度估计，实现无数据、免模拟的少步扩散蒸馏
Yuxiang Fu, Qi Yan, Zike Wu, Yongxing Zhang, Purang Abolmaesumi, Lele Wang,...
分布匹配
少步生成
扩散模型蒸馏
无数据学习
流匹配
受控消融解耦循环模型三大设计轴：三明治包络收益最大，结论成功迁移至MoE并逼近前馈基线。
Benhao Huang, Chufan Shi, Junlin Chen, Shicheng Wen, Zhengzhong Liu, Eric...
MoE
循环语言模型
权重共享
架构消融
测试时计算
用逐层预测分布的JSD能量刻画LLM内部信念修正，实现难度度量、人机文本检测与生成器归因
Jiahao Ying, Wei Tang, Boxian Ai, Yaoning Wang, Haotian Chen, Wenhe Sun,...
AI文本检测
LLM内部机制
可解释性
模型评估
构建学生兼容教师把教师中间计算翻译成学生可用形式，再在策略上内化，超越输出监督。
Yingdong Shi, Zhihong Li, Changming Li, Jingyi Yu, Quan Li, Kan Ren
大语言模型
推理增强
机制可解释性
激活补丁
知识蒸馏
用种子注入与时序偏置重定位，拯救4D高斯重建中消失的快速小物体
Minhyeok Roh, Minseo Lee, Jun Young Jeong, Byeonghyeon Lee, Lucas Yunkyu...
4D Gaussian Splatting
动态场景重建
自由视点视频
高斯分配
将资深研究员纠正AI科研智能体的真实决策转化为248案例基准，多数前沿模型不及随机水平
Youran Sun, Xingyu Ren, Chugang Yi, Kejia Zhang, Di Wu, Yingkang Cao, Allen...
LLM智能体
偏好数据与DPO
基准评测
测试时计算
科学判断
让智能体共发现优化目标与廉价评估标尺，以保真测试防漂移，突破真评估瓶颈
Shubham Agarwal, Akshat Gupta, Mike Heddes, Dilara Soylu, Rui Meng, Patrick...
LLM智能体
代理评估器
代码优化
系统优化
自主发现
用设计轨迹与场景批评双数据集加Critic引导的GRPO，让模型学会既会设计又会鉴赏3D场景
Xuanyu Liu, Hongyan Feng, Miao Pan, Sunlai Chen, Lizhou Liang, Bing Sun,...
3D场景生成
GRPO
VLM
偏好学习
奖励模型
端到端训练单一策略协调 GUI 与代码动作，OSWorld-Verified 成功率达 66.44%
Bowen Yang, Kaiming Jin, Zichen Ding, Zhenyu Wu, Zehao Li, Zhoumianze Liu,...
GSPO改进
GUI与代码混合动作空间
在线强化学习
桌面任务合成
计算机使用智能体
把音视频解耦为事件并双向验证，三级指标既是可解释评估器又是RL奖励，大幅提升音视频一致性
Yuruo Wu, Kaihang Pan, Kai Shen, Jiacheng Li, Shuyuan Tu, Jisheng Dang, Li...
多模态大模型
奖励模型
强化学习
评估基准
音视频生成
用 16 MB 冻结二值码表替换可学习词嵌入，三值模型整机 46 MB，CPU 提速 5 倍以上
Sai Kiran Bathula
BitNet
嵌入量化
模型压缩
端侧推理
高效语言模型
以训练期专属的兄弟图为特权信息，对多智能体拓扑生成器做在策略自蒸馏
Phuong Tuan Dat, Qi Li, Xinchao Wang
LLM智能体
多智能体系统
特权信息学习
知识蒸馏
自动拓扑设计
用预测损失引导的算子扰动构造困难隐变体，免新轨迹提升运行时故障预测
Boxuan Zhang, jianing Zhu, Xiaotian Han, Ruixiang Tang
LLM Agent
多智能体系统
对抗扰动
运行时故障预测
隐式数据增强
拓扑预测器为主干全深度一次性规划跨层连接，语言建模损失较vanilla降低17%–25%
Xiaocong Yang, Yuren Hao, ChengXiang Zhai
Transformer架构
动态跨层连接
可解释性
结构化剪枝
缩放律
SAE 特征加 IDF 稀有度加权，免训练匹配异构符号系统，最高领先稠密基线 45 分
Xiaocong Yang, Xuanyu Meng, Yuji Zhang, Jiawei Han, ChengXiang Zhai
免训练检索
可解释性
实体对齐
本体匹配
神经符号
按当前语境为 VLA 双模块生成低秩更新，让策略参数随交互动态形变
Ziyan Liu, Jiting Liu, Weihong Zhong, Wenda Yu, Yeqiu Chen, Jason Li,...
VLA
上下文参数生成
低秩适配
多任务学习
机器人操控
用320个带DAG依赖的累积请求，评测编码智能体持续扩展Web应用的集成与保持能力
David Nukrai, Bar Alon, Nativ Levy, Ido Andrew Atad, Ido Cohen, Itamar...
LLM评测
Web应用生成
基准测试
编码智能体
长程交互
把失败补丁与验证器反馈作为上下文训练恢复轨迹，让 SWE 智能体学会从错误中恢复
Jia Liufu, Bin Hu, Linglin Jing, Terry Kong, Yuki Huang, Ashwath Aithal,...
GRPO
强化学习
软件工程智能体
错误恢复
长程任务
用持久信念图与隐式世界模型跨回滚积累证据、指导失败恢复，并蒸馏到9B小模型降低教师成本
Xiyang Wu, Zhichao Liu, Shengxin zhang, Zongxia Li, Ming Li, Tianyi Zhou,...
世界模型
信念更新
失败恢复
知识蒸馏
终端智能体
提出 MULTIFINGROUND 基准，揭示大模型能认对会计概念却常漏抽数值证据。
Lingfei Qian, Yan Wang, Xueqing Peng, Polydoros Giannouris, Nadhem Zmandar,...
XBRL/IFRS
信息抽取
基准测试
多语言金融NLP
大模型评估
把地形与六维力旋量修正折叠进参考轨迹，单一本体感知学生策略实现人形全身力控跟踪
Sudarshan Harithas, Chen Yu, Juan Borbon, Shubhankar Mondal, Winston Zha,...
人形机器人
全身控制
力控
强化学习
模仿学习
用强化学习训练构建者智能体，提前把语料整理成文件系统，供后续查询反复复用。
Anikait Singh, Teresa Zhang, Yoonho Lee, Roshen Sanjay Nair, Aviral Kumar,...
GRPO
强化学习
智能体记忆
检索增强生成
测试时计算分配
1400样本游戏-真实对齐基准：游戏与真实推理性能强相关(r=0.935)，但游戏示例迁移因能力而异
Qingan Liu, Juntong Feng, Yue Zhu, Yujie Cheng, Xinzhe Han, Shuai Hao,...
上下文学习
基准评测
程序化数据生成
视觉推理
视觉语言模型
GlobeBench以1632项执行派生任务评测文本世界模型，最佳模型通过率不足50%
Nicholas Saban, Charvi Bannur, Mariya Vasileva, Darshan Deshpande
LLM智能体
基准评测
强化学习环境
文本世界模型
混合评分器
同等token预算下，让模型自选完整原文件比token压缩或检索更能修复真实issue
Xiaocong Yang, Rishit Chatterjee, Himanshu Udupi, Vikram Ramavarapu, ChengXiang Zhai
SWE-bench
上下文工程
代码检索
实证对比研究
提示压缩
用几十对提示词的前向传播对比打分并缩放权重,把抗有害指令写入模型参数
Ali Ebrahimpour-Boroojeny, Xiaocong Yang, Samuel Schapiro, Zahra Borhani,...
LLM安全
免训练干预
可解释性
权重编辑
激活转向
自进化训练应实证确认每次更新而非盲目继承，并把参数继承与经验继承解耦
Haoyi Yang, Kshitij Mishra, Nils Lukas, Salem Lahlou
更新验收
知识蒸馏
经验存档
自博弈训练
自进化语言模型
首个用HLA循环状态为推测起草提供动态上下文，平均加速3.16×
Bohan Sun, Zunhai Su, Xialie Zhuang, Jianjin Li, Ngai Wong, Chuan-Wei Kuo
KV缓存与循环状态
LLM推理加速
推测解码
线性注意力
诊断出 VLM 导航策略败在目标接地，以双模型显式接地文本在六项基准全部登顶
Xinhao Liu, Yunsheng Tian, Yuheng Qiu, Pieter Abbeel, Xi Chen, Guanya Shi, Chen Feng
具身导航
基准修正
开放词汇
物体目标导航
行为克隆
用约10万个平面基元做持久3D记忆，让视频世界模型长时程生成不崩
Yuze He, Bin Tan, Zelin Gao, Yujun Shen, Yong-Jin Liu, Nan Xue, Yinghao Xu
3D几何记忆
平面基元
视频世界模型
视频扩散模型
长视频生成