本文提出了GUI-CC基準測試，用於評估GUI世界模型在多步智慧體互動中的上下文一致性，而不僅僅是單步螢幕預測。該基準包含離線軌跡和線上智慧體迴圈兩個任務集，發現當前模型在生成看起來合理的螢幕時，往往無法保持任務相關上下文或支援可執行的多步回放。

本文揭示了僅基於最終結果評估LLM智慧體的嚴重盲區：無法識別“以錯誤方式做對事”的情況。在可控環境中，作者透過故障注入測量發現，結果導向評判員能捕獲84%的明顯故障，但僅識別45%的隱性故障，同時誤報33%的正確軌跡。步驟細則評判員雖成本為其三倍，但能捕獲77%的隱性故障且零誤報。此外，所有評判員都未能識破最終回覆中虛構的承諾，而自一致性整合方法增加成本卻無所改進。作者呼籲評判評估需按結果是否倖存分層統計召回率，並開源了環境、注入器、原始判定和分析流程。

一篇新論文提出了一種從真實匿名社交媒體帖子中提取使用者畫像的框架，該方法比依賴刻板印象的合成畫像更準確地捕捉個體偏好。該框架在監督微調和測試時多視角推理兩個正規化中評估，在複雜推薦和開放式查詢基準上均優於合成畫像基線，為下一代個性化語言系統提供了基礎。

論文提出了一種基於證據權重（WoE）的假設檢驗框架，用於評估特徵重要性方法（FIMs）。該框架能夠量化觀測證據對特徵重要性假設的支援程度，從而評估FIMs與先驗知識的一致性及其可變性，並透過LIME和SHAP實驗展示了其應用價值。

一項研究比較了五類基礎模型家族中的九個變體（零樣本模式）與德國、波蘭和西班牙電力價格預測的兩款最新基準模型。結果顯示，只有TabPFN模型在所有三個市場和所有統計指標上持續顯著優於基準。然而，統計優勢並未直接轉化為經濟優勢：在無限投標和風險較高的分位數策略下TabPFN表現最佳，而在風險容忍度較低時，分佈深度神經網路基準模型更有利可圖。因此，基礎模型無法普遍取代市場專屬模型，其價值取決於模型架構和決策問題。

本文提出了一種基於歸一化最大似然（NML）模型高效計算包含聚類結構的向量的隨機複雜度（最短編碼長度）的遞迴公式。該方法將時間複雜度從多項式降低到線性，有助於基於最小描述長度（MDL）原則的資料聚類中確定最佳聚類數和聚類結構。

提出RW-LoRA，一種基於隨機遊走的去中心化LoRA微調方法。與傳統中央聚合或基於八卦的同步不同，它讓單個模型在網路上順序更新，避免全域性同步和聚合誤差，顯著降低通訊與計算開銷。理論證明收斂性，實驗表明在多個NLP任務和網路拓撲上效能與八卦方法相當，但資源消耗大幅減少。

本文研究微調如何損害大語言模型的上下文學習能力，並質疑僅依賴注意力變化作為保留診斷指標的有效性。作者引入注意力層面的上下文敏感性（ICS）和行為層面的ICL-GAP指標，在Llama-2-7B上發現，最大化ICS的正則化器使ICS接近幾何上限，但行為表現（ICL-GAP）幾乎不變，同時MMLU準確率下降，表明注意力代理指標與行為結果脫節。機制分析顯示，注意力變得陡峭且近乎分離，但指向格式和演示內容而非標籤。隨機標籤實驗和構造性實驗進一步驗證了該脫節。結論是，注意力層面的ICL指標只有透過行為差距驗證後才能作為訓練目標。

ReNFT提出了一種新方法，透過內部機率質量重新校準來修復獎勵後訓練中的模式坍縮。該方法利用無條件探測、成對反事實提議和自適應翻轉守衛，在不依賴外部干預的情況下，保留了98.9%-99.0%的獎勵，同時將多樣性指標提升了約55%-59%，為生成模型的後訓練最佳化提供了一種互補的替代方案。

材料性質預測在小資料場景中仍然困難，許多目標性質僅有有限的標註樣本。高精度模型往往依賴晶體結構，這限制了它們在結構資訊缺乏的早期篩選中的應用。為此，研究者提出DISTAL框架，結合自監督成分預訓練和結構感知知識蒸餾。該框架使用145個成分描述符從大規模虛擬成分空間學習可遷移表示，然後將預訓練的ALIGNN教師模型中的結構知識蒸餾到成分條件的學生模型中。推理時無需結構輸入。在39個基準任務中，融合所有訊號的模型在37個任務上優於參考基準。

本文深入探討了關係概念分析（RCA）在使用AOC-偏序集作為概念結構時出現的收斂性喪失問題。研究表明，在一般條件下收斂性不再得到保證，但透過特定條件或資料轉換可以恢復收斂性。作者提出了一種保持AOC-偏序結構的收斂變體，即透過保留已建立的關係屬性來確保迭代過程收斂，儘管可能引入指向最終結構不存在的概念的屬性。

提出REAL-Q，一種新型後訓練量化方法，透過動態塊狀梯度下降和滑動視窗機制直接最佳化端到端對齊的代理損失，解決了現有方法因資訊錯位導致的量化誤差，在LLaMA-3.1和Qwen3模型上將端到端KL散度最多降低約49%。

這項研究提出了一種名為TPGC的圖提示學習方法，它結合任務先驗和結構先驗來初始化提示，從而提升預訓練模型在少樣本場景下的下游任務效能。在六個基準上，TPGC優於現有方法，且可調引數更少、執行時間更短。

研究探討了因果推斷中干擾函式估計器的預測誤差與因果估計質量之間的關係。透過蒙特卡洛模擬，比較了OLS、GAM、XGBoost和DML-XGBoost等方法，發現預測誤差無法始終反映因果偏差，且聯合誤差度量僅與因果偏差弱相關。

EULER是一個多智慧體系統，以“橋樑”為單位進行搜尋，即在數學子領域之間轉移問題。該系統在固定猜想周圍並行執行直接、相鄰領域和遠距離領域三條路線，並透過六項有序壓力測試拒絕無效的橋樑。在120個近期猜想中，EULER產生了10個證明、3個反例和45個部分結果。消融實驗顯示，橋樑特定的壓力測試將錯誤結論從9個減少到3個，且橋樑材料與目標原生操作結合產生了+4.2的積極互動效應。領域距離不能可靠預測成功，而可執行操作增益和有效回報才是關鍵。

UI-Venus-2 是一個通用型基礎 GUI 代理，透過統一的閉環推理-行動框架在移動、網頁和桌面環境中執行。該工作擴充套件了三個關鍵維度：環境（超過170個多語言移動應用和原生桌面作業系統）、任務（基於深度研究流水線的功能導向指令生成）和驗證（結合視覺關鍵點和多模型投票的軌跡級與取樣級評估器，以提供可靠的強化學習訊號）。此外，還整合了安全感知機制，確保對重要操作進行受控執行。該開源模型為現實應用邁向更通用、可驗證、自反式的代理奠定了基礎。

電腦科學論文中大量使用圖表，如架構圖、系統流程圖和流水線示意圖，這些圖表往往蘊含比周圍文本更豐富的資訊。然而，目前尚無公開資料集將這些圖形與標題、上下文、問題、答案和逐步推理過程配對，而這正是訓練視覺-語言模型理解圖表所必需的。為此提出了SCAFFOLD，這是一個大規模結構化資料集，包含研究圖形、圖表問答和思維鏈推理軌跡。它利用佈局檢測和PDF解析提取arXiv論文中的影像，並透過AI輔助生成問題，構建了三個規模的資料集：SCAFFOLD-157K（包含3058篇論文、29887個圖形、157387個問答對）、SCAFFOLD-37K（36797對）和SCAFFOLD-12K（12000對），並在SCAFFOLD-12K上對Qwen2.5-VL-3B-Instruct進行了基準實驗。

OpenAgentFlow提出了一種控制平面/操作平面架構，在操作提交邊界強制執行安全策略。它將GUI操作、API呼叫、工具呼叫和LLM生成的呼叫統一為AgentEvent流，透過共享的策略執行點路由，實現系統級治理。在Android上的實驗顯示，在行動事件基準測試中達到94.0%的準確率和95.3%的攻擊攔截率。

一項新研究透過讓語言模型逐步計算MD5雜湊來探究其在長時程任務中的狀態跟蹤能力。該任務涉及64輪共196次依賴工具呼叫，模型需在上下文中攜帶四個32位字。gpt-oss-120b在多數執行中成功保持完整狀態並返回正確摘要，研究還驗證了在無精確算術預言機的最強設定下，保留模型推理與投票機制可以提升效能。

針對老年人的金融詐騙常透過多輪對話逐步展開，從冒充聯絡到建立信任、製造緊迫感，最終誘導轉賬或洩露敏感資訊。由於風險訊號在每一輪對話中逐步出現，有效的檢測需要能在資源受限環境中持續更新風險估計的模型。一項新研究提出了基於累積輪次的風險評估框架，並構建了覆蓋投資、慈善和技術支援詐騙場景的多輪對話資料集。四個小型語言模型（Phi-4、LLaMA-3.2、DeepSeek-R1、Qwen3）在統一訓練框架下微調，其中Phi-4和LLaMA-3.2在引數規模下展現出更強的輪次感知風險估計效能，表明緊湊模型適用於隱私保護和裝置端欺詐防護。

本文研究了一個有限時域內的多專案有產能批次問題，其中需求數量確定，但需求到達時期是隨機的。每個需求在已知時間視窗內發生一次，並且必須不遲於其截止日期得到滿足。所提出的模型在需求層面制定生產和分配決策，能夠表示產能競爭、特定需求的積壓以及依賴分配的庫存動態。該隨機問題被建模為離散時間馬爾可夫決策過程（DTMDP），包括狀態空間、可行動作、轉移核和單週期成本函式。為隔離隨機時間的影響，將每個隨機例項與確定性對應例項（將每個到達分佈替換為其最可能的到達時期）進行比較，結果表明隨機時間顯著增加了狀態數量、轉移數量、求解時間和記憶體壓力。隨後提出了一種遺傳演算法（GA）來解決隨機時間問題，該演算法搜尋可行的狀態反饋策略，並在DTMDP轉移模型下精確評估每個策略。在330個基準例項上的計算實驗顯示，當精確隨機解可用時，GA保持接近該解，平均最優性差距約為3.44%。在包含90個測試用例的困難基準例項中，GA保持低於5%的最優性差距閾值，並在95%置信水平下實現了平均最佳化加速比6.89±1.41。對於在現有硬體上無法精確求解的例項，使用經驗貝爾曼時間迴歸來估計缺失的精確求解時間，並外推預期的GA加速。

本文提出I-CARE方法論，旨在系統研究生成式機器遺忘中的干擾現象，即模型在遺忘特定概念時，對語義上相關但應保留的概念的意外效能下降。I-CARE提供了任務、指標和報告模板的正式定義，而非提出新的基準或遺忘演算法，以實現跨不同遺忘設定的標準化和可複製研究。研究者在現有先進演算法和常用資料集上演示了該方法的實用性，並開源了軟體和基於Web的圖形介面，便於探索研究結果。

一項關於狀態序列化結構對文本世界模型學習影響的研究。HyperWorld 對比了原始觀測與三種符號序列化方式，發現實體中心的超邊單元在中小規模模型和分佈外環境下表現最佳，能提升動作可行性與效果的預測能力，並在下游貪心規劃中獲得更高成功率。

澳大利亞政府終於提出了《隱私法》修改建議，距離首次討論已過去五年。文章指出，隨著“變態眼鏡”在Kmart售罄、面部識別技術普及、廣告精準投放充斥演算法，隱私保護已迫在眉睫。調查顯示，93%的澳大利亞人重視個人資訊保護，87%的人比五年前更擔憂隱私。然而，在AI時代，個人難以承擔責任，勾選同意模式已失效。澳大利亞人將保護個人資訊視為AI監管的首要任務。

Databricks 釋出了《AgentOps 大手冊》，為在生產環境中構建、評估、治理和改進 AI 智慧體提供了一本實用的操作指南。該手冊涵蓋了智慧體架構、部署模式、專案生命週期、DevOps 原則應用以及落地步驟，並重點介紹了常見陷阱和最佳實踐。

Botika為全球時尚品牌打造自動化視覺生產平臺，其自研模型訓練、百TB級資料管道和約15個生產推理服務全部執行在Modal上。CEO Eran Dagan表示，Modal顯著降低了雲基礎設施負擔，讓研究迭代和彈性擴充套件變得更快。

蘋果機器學習研究團隊提出 REFACTOR-VLA，透過“清醒/睡眠”架構讓視覺-語言-動作模型無監督學習可複用的帶型別運動程式。睡眠階段用行為等價核在潛在世界模型中聚類動作片段，清醒階段生成 Hindley–Milner 風格的帶型別 lambda 項，並經最小描述長度與回報保持門檻篩選形成技能庫。完整 LIBERO 實驗顯示，將世界模型從 1.88 億擴到 4.3 億引數反而使 4 個套件效能全部下降；在階段 A 加入 InfoNCE 輔助損失後，階段 C 的技能聚類質量顯著提高，NMI 最高達 0.915。

Modal 宣佈在倫敦開設新辦公室，作為其在歐洲擴張的重要一步。公司已在斯德哥爾摩擁有近20人的工程團隊，現正擴充套件至倫敦，以加強銷售和市場團隊，並計劃逐步擴充套件至工程等其他職能。歐洲的AI初創企業如Black Forest Labs和Legora已在使用Modal，DoorDash等全球平臺也在用。

Simon Willison 測試了 Anthropic 新發布的 Claude Fable 5.1 模型，透過“生成騎腳踏車的鵜鶘 SVG”這一非正式基準，評估了其不同推理等級（低、中、高、超高、最高）的表現。結果顯示，推理等級越高，生成的影像細節和創意越豐富，最高等級花費 3.30 美元，耗時近 14 分鐘，生成了最佳的鵜鶘影像。最後，他使用高推理等級成功將影像動畫化。文章還提到了該模型在科學基準 Terminal-Bench-Science 0.1 上的 52.6% 高分。

據報道，谷歌正與好萊塢各大製片廠洽談授權協議，以利用其受版權保護的資料訓練AI模型，並願意為此支付鉅額費用。這些交易對谷歌而言是獲取競爭優勢的良機，但對製片廠來說卻伴隨著風險：可能引發公眾反感、工人失業等問題。娛樂行業在擁抱AI時需謹慎權衡。