全部科技财经动态

自回归视频生成模型中的未来块预测方法

研究提出未来块预测（FCP）辅助目标，通过预测时间分离的视频块来提升视觉演化建模能力。FCP 在无需额外预训练视觉编码器的情况下，以更低训练计算成本实现更优物理合理性。该方法可能促进更结构化的表示空间构建，对自回归世界模型开发有潜在价值。

Memory-Centric Continual Learning for AI Agents

论文提出Memory-Centric Continual Learning (MCCL)框架，通过三轴分类法组织记忆内容，建立双循环生命周期更新记忆状态，并设计评估协议衡量记忆在干扰下的保留能力、适应变化的能力和任务迁移能力，旨在将智能体记忆从被动检索转变为持续学习。

机器人前馈控制动作的负载泛化方法研究

该研究提出一种新方法，使机器人前馈控制动作能根据负载参数泛化，无需机器人动态模型知识，适用于刚性关节和弹性关节机器人。实验在 Franka Emika Panda 机器人及其弹性腕版本上验证了算法在轨迹跟踪任务中的有效性。

T2Quant：扩散语言模型的任务与时间感知量化框架

T2Quant 通过任务和时间敏感的混合精度量化，在固定比特预算下提升扩散语言模型平均精度达6.7个百分点。该框架无需真实标签或任务特定评估指标即可预测量化敏感模式，在三个DLM和六个基准测试中优于现有方法。

Microsoft 研究者与协作方结合新数学思想与人类引导的 AI 解决 KLS 猜想

Microsoft 研究者与协作方证明 KLS 猜想，为高维几何和概率论建立普适几何原理，表明对数凹分布的最窄瓶颈可被平面切割以固定因子捕获。研究通过人类引导的智能体协作完成，AI 探索数学可能性，研究人员评估并优化搜索路径。该成果已获多位独立研究者验证，并完成机器形式化验证。

Self-Credit: 通过组内重缩放为长时程智能体RL分配信用

研究人员提出Self-Credit方法，通过组内重缩放机制为长时程智能体强化学习分配信用。该方法在BrowseComp-Plus上比基线模型提升37.0和36.2分，在GAIA和xBench-DeepSearch上也分别超越最强基线4.9和4.7分。

王友清教授团队论文被ACM MM 2026录用

王友清教授团队提出GLCMoE框架，通过局部混合专家、全局混合专家和双重对比学习模块解决深度多视图聚类中的跨视图异质性和语义对齐问题。该研究设计门控路由均衡正则项缓解专家坍塌，实现判别性跨视图表征融合。论文被ACM MM 2026录用，标志着团队在计算机多媒体领域取得突破性进展。

HRoPE: Homography Relative Positional Encoding

HRoPE 通过将图像块表示为倾斜 3D 平面，将平面诱导的单应性注入注意力机制，为多视图 transformer 提供几何先验以校正透视失真。在 RealEstate10K、CO3Dv2 和 DL3DV 数据集上，HRoPE 在新视图合成任务中优于现有几何位置编码。该方法无需真实几何数据，平面参数可通过视图合成目标端到端预测或基础模型推导。

Joints, Camera, Action! 协同生成任意骨骼结构的3D运动与视频

研究人员提出了一种新模型，能够直接协同生成任意骨骼结构的3D运动和视频，同时定位关节位置并恢复相机姿态。该模型通过分离运动模型与视频模型，使用交叉注意力层连接，支持从文本生成多样化骨骼动画，并能将视频转换为骨骼运动，实现关键帧控制。研究团队使用生成式视频编辑器创建了近20万训练对，评估显示该方法比视频优先管道更忠实于原始动作。

多模态重排序是系统一决策

研究提出通用视觉语言模型可通过系统一决策实现多模态重排序，零样本Qwen3.8-27B在MMEB-V2图像检索中超越监督模型Qwen3-VL-Reranker-2B，匹配Reranker-8B性能且延迟更低。

Specter: 通过量化驱动的多步推测卸载实现快速 MoE 推理

Specter 系统结合量化与推测解码，在单 GPU 上实现 MoE 模型专家卸载，平均输出令牌时间（TPOT）提速 1.50 倍（最高 1.88 倍）。该方案通过轻量量化草稿模型预测专家使用模式，优化通信与执行效率，使内存受限的 MoE 推理在消费级硬件上更可行。代码已开源。

RiseHarness：通过自进化提升长时程终端代理的可靠性

RiseHarness 框架通过迭代优化代理 harness 提升长时程任务可靠性，结合成功与失败运行轨迹分析模型行为，并整合跨框架机制改进执行稳定性。该框架在多模型测试中验证了任务成功率与可靠性提升，且可迁移至未见基准测试。

EvaOmni: 面向视听推理的证据基准测试

EvaOmni 包含 392 个视频和 1,027 个人工标注的问答对，覆盖 15 项能力，要求模型同时返回答案和证据区间。Gemini3.7-Flash 在 7 个开源和 17 个闭源 Omni LLM 中表现最佳，整体准确率 79.4%，但证据定位能力仍有提升空间。

DecisionPivot: LLM 系统决策模型的诊断基准

DecisionPivot 包含 48 项任务和 40,033 个样本，覆盖七种决策角色，通过对比组准确率、概率排序和校准等指标评估 40 个决策模型和 14 个通用模型。

PAR：Qwen2.5-0.5B 模型在状态跟踪任务中实现 16 倍长度泛化

Qwen2.5-0.5B 模型通过 Progress-Aligned Recurrence (PAR) 方法，在 swap-S5 任务上将训练长度从 32 moves 扩展到 512 moves，达到 95.5% 平均全状态准确率，比 RLT 方法高 39.8 个百分点。

S-Agent 2.0：通用编码代理实现空间推理

研究人员提出S-Agent 2.0，一种通过命令行感知工具增强通用编码代理空间推理能力的方法。该方法在MMSI-Bench和ReVSI评测中显著提升了Qwen3.8-27B和Gemini-3.8-Flash的性能，分别达到66.5和82.3分，以及74.1和90.5分，超过了专用系统SpatialClaw的性能。

智能体从多源轨迹数据中发现可解释的跟车定律

研究提出基于智能体的物理感知框架，从多源轨迹数据中发现自适应平衡响应模型（AERM），在自然驾驶数据上降低间距RMSE达9.11%-21.73%，提供可解释的微观交通仿真基础。

Matrix-Game 4.0：利用视频模型实现实时可玩游戏世界

Matrix-Game 4.0通过分离游戏执行与视觉生成，实现了480p分辨率、60FPS的实时游戏体验，在NVIDIA RTX5090上按键到显示延迟为112ms。该系统使用轻量级游戏引擎维护世界状态，多模态编码代理将玩家想法转化为游戏代码，基于自回归视频模型的渲染器将引擎渲染的低多边形代理转换为详细视觉效果。

同一件事，精选收录的是《昆仑万维发布Matrix-Game 4.0视频大模型游戏》

MMEnterprise-Bench: 评测企业级智能体在多模态演化记录中的表现

研究者推出 MMEnterprise-Bench 基准，包含 1,613 个基于多模态演化记录的问题，涵盖证据推理、冲突解决和不可回答性三类。评测 10 个多模态大语言模型发现，即使最强模型在处理跨源或时间冲突证据时表现不佳，且增加检索预算未显著提升答案准确性。代码和数据已开源。

施加电压可改变四层石墨烯材料磁性状态

美国康奈尔大学研究发现，向四层石墨烯材料施加电压可改变其层间排列，实现非磁性与磁性状态切换，且撤去电压后磁性状态仍能保持。该研究为调控二维材料量子特性提供新思路，相关论文发表于《自然·纳米技术》。

Agent Mosaic：识别智能体LLM系统中的信息泄露风险

研究人员通过实验发现，现代LLM智能体能够从可访问文档中检索信息并披露敏感结论，造成马赛克效应风险。在模拟测试中，即使添加分类标签和聚合规则，GPT-5.6-Sol等模型仍以32.37%的泄露率披露禁止信息，且拒绝回答反而可能暴露禁止结论。研究使用了30个合成案例和两个开源测试平台，共测试了10,800个模拟答案和1,440个实时答案。

Foundation4D: 面向自动驾驶的统一感知与重建模型

NVIDIA发布Foundation4D，一种统一的前馈模型，可从多摄像头驾驶视频中实现几何估计、3D检测、语义占用和高斯重建。该模型共享骨干网络，使用分解时空注意力高效跨摄像头和时间组合观测，并通过位图优化优化相机轨迹。

SplatLab: 3D高斯溅射研究的自主科学发现系统

SplatLab是一个针对3D高斯溅射(3DGS)的自主研究系统，能够复现已发表论文、提出扩展方案、训练模型并撰写论文。该系统在Mip-NeRF 360和LLFF数据集上，其生成的论文在PSNR指标上比复现目标高出+0.18至+3.78 dB，包括在天文摄影星云渲染上取得的+3.78 dB提升。

3D-Grounded Representation for Scene Generation at Scale

研究提出在3D隐空间中直接生成场景，通过扩散模型实现3D-grounded场景生成，实验证明其在效率和空间一致性上优于2D方法，代码已开源。

Token-Set 选择干扰 POPE：VLM 幻觉评估中 Yes/No 提取的系统审计

研究发现 LLaVA-1.5-7B 在 POPE 基准上的 F1 分数受 token 读取方式影响，使用 8 个 token 查询时 adversarial 分数达 0.8713，比原方法高 6.13 点。该干扰效应跨四个 VLM 和三个分词器家族普遍存在， tokenizer 派生的读取方式能保持 0.80-0.92 的 F1 分数。

RoboValue: 用于统一评估机器人价值模型的细粒度模拟与真实基准

研究团队推出RoboValue基准，包含15个模拟和20个真实世界操作任务，用于评估机器人价值模型在任务状态理解、时间进度监控、失败与恢复推理以及价值一致性四个维度的能力。研究发现现有模型在细粒度指令基础、历史依赖进度跟踪和恢复评估方面存在错误，同一语义子任务在不同执行顺序中可能获得显著不同的价值增益。

同一件事，精选收录的是《RoboValue: 用于机器人价值模型统一评估的细粒度仿真与真实世界基准》

MemT-1.0：迈向记忆原生进化

MemT-1.0是一种新型记忆基础模型架构，将记忆内化为模型计算的一部分。该模型采用Gated DeltaNet-2和Mixture-of-Storage技术，在128K上下文长度下实现1.86倍端到端推理加速和66倍持久存储减少，同时保持与检索增强方法相竞争的性能。研究团队发布了MemT-1.0-Nano和MemT-1.0-Flash模型，并通过34B tokens训练数据进行了全面评估。

SpecMRL: 在参数谱内重新设计 Matryoshka 表示学习

SpecMRL 通过参数谱基重新组织特征空间，在 MTEB 评测中全面超越 Matryoshka 表示学习，更激进压缩下性能提升更大。仅用半数嵌入维度即可超越全维度性能，证明其能更有效压缩表示。

AdaExploreBench: 基准测试LLM智能体在动态环境中的主动探索与测试时适应能力

研究团队提出AdaExploreBench基准，测试LLM智能体在动态环境中主动探索和适应的能力。实验显示，即使是最先进的GPT-6 Sol模型也仅达到61.9%的校准准确率，而提供足够证据或移除规则漂移可提高近10%的性能。

诺奖得主安德烈 · 海姆：单层石墨烯性能卓越，相关研究 15 年内一定能走入百姓生活

诺奖得主安德烈 · 海姆表示，单层石墨烯具有超高导热性等卓越特性，15 年内相关研究将走入百姓生活。他举例石墨烯改性沥青可提升路面耐用性两倍，延长铺路周期至 10-15 年。

从舰队经验中学习：一种机器人的集体学习范式

研究提出集体经验学习(CEL)范式，通过失败引导的经验检索微调(FERT)和容错异步训练系统(FATS)，使部署中的机器人共享执行经验改进共同策略。在五个真实操作任务中，策略成功率高达93.3-99.2%，96台机器人在手机包装任务中成功率从79.2%提升至98.3%。

混合架构中的竞争学习研究

研究发现混合架构中线性时间递归与softmax注意力存在竞争学习现象，递归层更快学习检索功能导致注意力层失效。通过在训练中途停止递归层更新，可提升注意力层检索能力，该方法在1B参数模型上显著降低语言建模损失并提升常识推理与检索任务表现。

Manga2Animate: 一个基于智能体的漫画动画生成框架

Manga2Animate 通过多智能体框架将漫画转化为忠实于原作的动画，生成动画脚本和分镜并双重审核，实验和用户研究显示其比现有方法更忠实且一致。

Holi-World: 从人类自我经验构建整体世界智能

Holi-World 引入集成生态系统，连接经验捕获、世界表示和自动数据构建，通过 HOLIWORLD-Founday 构建约 100 个场景的世界记录。HOLIWORLD-VL-4B 在 ScanNet、Aria Digital Twin 等数据集上展现静态感知和动态跟踪性能，训练后时空推理能力在 HOLIWORLD-Bench 和 EgoDynamic4D 上显著提升。

BrainLoRA：参数高效微调实现百亿参数多模态模型脑编码适配

BrainLoRA 通过 LoRA 和轻量读出层微调多模态主干模型，在 Algonauts 2025 Challenge 上刷新 Qwen3-Omni 脑编码性能纪录。该方法利用因果结构单次预测多时间点，将 104B 参数模型适配成本降至最低，并支持 200+ 模型集成训练。

InfiniDream: 通过程序化生成实现开放式的逼真 3D 世界

InfiniDream 是一个 VLM 驱动的开放式程序化 3D 世界生成框架，通过符号约束资产生成和端到端文本到世界管道，支持创建新型逼真资产和大规模 3D 场景。在 100 个对象和 20 个场景生成任务中，该框架在四个感知指标上表现更优，并通过多样性分析和人类偏好评估验证有效性。

OpenVLHarness: 基于多模态记忆的真实世界视觉智能体工具使用

研究者提出OpenVLHarness框架，结合能力层和持久多模态记忆，在22个基准测试上提升9.7-12.6分，相比无工具基线显著提高性能，同时降低模型token成本最多37%。

CoopUQ: 通过不确定性感知协同预测实现多机器人鲁棒社交导航

研究提出 CoopUQ 框架，通过跨机器人时空特征融合预测未来占用网格地图，并利用预测结果及不确定性引导多机器人强化学习决策，在遮挡和分布外场景下提升安全性和鲁棒性。实验显示该框架在 Unity3D 模拟环境和真实机器人测试中均优于基准方法。代码和视频已公开。

TokenWorth：资源约束下学习记忆价值的轻量级在线记忆框架

TokenWorth 在 LifelongAgentBench 环境中实现最高任务成功率，同时使用最少的输出 tokens。该框架通过稀疏执行反馈学习查询相关的记忆价值，应用于记忆检索和有限内存管理。代码已开源，适用于本地和 API 部署。

EgoXperience: 从人类经验学习基于世界中心的第一人称表示

研究人员提出EgoXperience，一个全栈范式，通过数据收集、自动标注、统一建模和基准测试解决第一人称视频中人类活动重建的一致性问题。该研究包含EgoX-Engine自动标注引擎、EgoX-Data-6M数据集和EgoX模型，在单目第一人称视频输入下实现了相机、场景、手部和物体的联合度量重建，实验显示在场景估计和世界空间手-物体姿态恢复方面达到SOTA性能。