Sigma：首个大规模连续扩散语言模型，3B/8B 参数
研究者提出 Sigma，首个大规模（3B/8B）连续扩散语言模型，基于可操控的低维 ODE/SDE 潜轨迹，按块通过似然优化训练，并利用自回归模型预训练权重热启动。
#数据/训练
arXiv cs.CLAI 评分3636 arXiv cs.CVAI 评分1818 FiberGeoText：用视觉语言模型实现群体级浅表白质组织
FiberGeoText（FGT）是一种视觉语言模型，可将超高分辨率扩散 MRI 重建的浅表白质（SWM）短程纤维束组织为群体级聚类，它联合表征每条纤维束的三维轨迹、皮层解剖上下文与形状，并用预训练 LLM 编码多种脑区划分方案生成的文本化皮层端点信息。
arXiv cs.LGAI 评分1818 MuLoRA：面向持续学习的谱平衡低秩适配方法
针对 LoRA 在持续学习中出现的"谱可塑性崩溃"问题，研究者提出 MuLoRA，通过历史白化与动量更新的近似极正交化，联合控制低秩空间的容量分配与利用。在五个类增量基准、八种增量设置共 16 项指标中，MuLoRA 在其中 15 项取得最高平均准确率。
arXiv cs.CVAI 评分2424 基于仿真的智能体 VLM 框架用于野火监测与报告
研究者提出一种基于仿真的 VLM 框架，可将 2D 野火模拟自动转换为带标注的视频片段，并作为免训练多智能体 VLM 系统的可复用多模态记忆。在留出生成片段上，视频记忆的四标签精确准确率达 51.5%，直接查询 VLM 为 22.6%，纯文本记忆仅 16-17%；完整系统在六个模拟器报告字段上准确率为 77.3%。该框架还通过组件消融、跨生成器测试和三次真实无人机评估验证了检索与报告能力。
arXiv cs.AIAI 评分2929 一个 token 需要多少算力？用 Mixture-of-Agents 测量充分逐 token 计算量
研究用 Mixture-of-Agents（MoA）方法测量单个 token 实际所需的计算量：由 Qwen、OLMo、R1-distilled 三个模型族共十五个不同规模模型逐 token 复现参考序列，以最小成功模型的推理成本作为该 token 的充分算力。
arXiv cs.CVAI 评分2222 EviDent-CBCT：非穷尽报告监督下的牙科 CBCT 证据瓶颈式报告生成
EviDent-CBCT 提出一种证据瓶颈式框架，用于在报告监督不完整的情况下从牙科 CBCT 生成报告：解剖感知网络将每次扫描映射为离散的牙级、全局及 tooth-IAC 证据记录，再由牙科逻辑一致性投影与确定性渲染器配合图像盲本地语言模型生成报告。
arXiv cs.LGAI 评分1515 HyMLRaman：结合生成式特征增强的混合机器学习拉曼光谱药物识别框架
HyMLRaman 混合框架结合深度光谱特征提取、生成模型与经典机器学习分类器，可识别阿莫西林、氯霉素、环丙沙星、四环素、布洛芬、对乙酰氨基酚六种药物化合物。
arXiv cs.LGAI 评分2929 ReRoute：无需受控实验，用部分机制知识实现科学仿真器反事实预测
研究者提出 ReRoute 框架，将事实数据与部分机制知识结合，无需受控干预数据即可对预训练骨干模型进行反事实预测。在气候仿真任务中，面对严重 CO₂ 分布偏移，ReRoute 将聚合气候误差降低 18.2-31.8%，同时保持标准条件下的性能，成本仅为用额外受控模拟数据重训练的很小一部分。该构造的因果识别结果已在 Lean 中完成机器验证。
arXiv stat.MLAI 评分2424 SDECast：基于 Neural SDE 的连续时间概率天气预报
SDECast 是一个基于 Neural SDE 的连续时间概率天气预报框架，通过扩展 SDE Matching 直接在物理空间学习随机动力学，训练时无需反复进行 SDE 模拟。
arXiv cs.AIAI 评分3131 研究：LLM 评审在职业 AI 测量中排序一致但接受率严重失准
研究团队发布 O*NET-BENCH 审计套件，基于 45,796 份工人评分调查，在 4,501 条测试评分上评估了 6 个模型家族的 33 种评审配置。25 种配置的 pair accuracy 达到 0.60 以上，但评审给出的可接受回答比例在 3.0%-97.9% 之间，而职业匹配工人的接受率为 61.1%。
arXiv cs.CVAI 评分1515 DeepStratNet：面向稀疏标签地震层位追踪的上下文感知坐标回归框架
DeepStratNet 将地震层位追踪从稠密语义分割改为有界坐标回归，模型直接预测每个横向位置处目标层位的时间/深度坐标。该框架由兼容任意预训练视觉骨干的轻量回归头与 LSTM 模块组成，用于建模切片间上下文并生成连续层位面，训练采用 L1 与 L2 损失并结合地质先验正则约束相邻道连续性。
arXiv cs.CLAI 评分3737 研究揭示大模型"审计缺口"：事实回答正确不等于下游决策正确
一项针对8个模型的研究发现，在剂量1000的虚假文档训练下，模型直接注入选择率高达95.8%–100%，但决策任务中的注入选择仅比真实对照训练高出1.7–14.4个百分点，形成"审计缺口"。在2019–20澳大利亚山火虚假帖文案例中，模型即使未复现被夸大的数字，仍会断言有人因纵火被捕。研究表明，正确的事实回答不能保证正确的决策，纠正事实也无法消除误导性叙事。
arXiv stat.MLAI 评分1717 准确率何时构成证据？泛化、验证与信息融合的统一理论
研究提出 gamma-CUBV 统一框架，用累积量包络 gamma(lambda) 控制泛化差距的矩生成函数，将 Hoeffding、Bernstein、依赖感知、PAC-Bayesian 与异构源融合等风险界纳入同一体系。
arXiv cs.AIAI 评分1616 基于自然可见图拓扑指标的多方法重要性与性能效率分析：网络攻击检测
研究评估了 21 个自然可见图（NVG）拓扑指标，用 SHAP、分组 Permutation Importance、Boruta 和 RFE 四种方法经 Consensus Ranking 整合，在 CICIDS2018 数据集与 CNN 分类器上测试。
arXiv stat.MLAI 评分2727 流匹配模型的统计泛化理论：面向内在低维数据的收敛保证
针对流匹配模型统计泛化保证不足的问题，研究者推导出学习生成分布的有限样本误差界，以 Wasserstein-p 距离度量（p≥1）。在 n 个 i.i.d. 样本下，当维度 d 超过目标测度的 Wasserstein-p 维度时，学习分布以至少 1-ξ 的概率满足误差上界 n^{-1/d}+n^{-1/(2p)}(log(1/ξ))^{1/(2p)}。
arXiv cs.CVAI 评分2727 TerrainForge：面向反事实自动驾驶的物理基础道路几何编辑框架
TerrainForge 能从重建的多车驾驶片段中生成以道路几何为核心的反事实场景，其统一道路模型将场景形变与四轮车辆动力学相连，使坡顶、坡谷、减速带和摩擦变化传导至车辆运动、相机视角与车间距。
arXiv cs.AIAI 评分2727 TasteBench：从分子到可持续食品的多模态感官预测基准
多模态基准 TasteBench 发布，用于可持续蛋白的感官预测，包含基于 215 种植物基食品、21K+ 人类评估构建的食品级排序任务（935 个同类别排序对）和覆盖 15K 风味分子的分子级味觉分类任务。
arXiv cs.LGAI 评分3636 ArrivalBench：智能体生成的数据管道一次正确、在时间维度下出错
ArrivalBench 不再只对智能体生成的数据管道做单次快照评测，而是在迟到、重复、乱序和重试等可重放的投递调度下重新执行管道，并要求最终状态等于完整日志的批量重算结果。
arXiv stat.MLAI 评分2222 深度序列模型如何用于时间序列的共形预测
研究系统考察了深度序列模型在时间序列共形预测中的三种用法：条件分位数回归、条件分位数函数估计与局部化共形预测。作者给出理论分析，证明这三种方法在适当假设下均具备渐近条件覆盖率保证，并在真实数据集上验证了其有效性。
arXiv cs.CLAI 评分2222 SBERT2S1：从生物医学句子编码器到校准的 System One 决策模型
研究提出 SBERT2S1，将 Sentence-Transformers 编码器转换为双编码器、cross-head（C）与 prior-fused residual（PFR）决策模型，并发布生物医学类型化决策套件 BIODECIDE 及源自 NLM 索引的 243k 条训练决策 MEDLINE-S1。
arXiv cs.LGAI 评分2626 用共形机器学习做算法验证：企业“漂绿”如何被市场定价
研究融合美国 SEC 财务数据与 EPA 设施级温室气体登记数据，用梯度提升架构和 Mondrian Conformal Prediction 构建企业实际排放的算法基线，并据此提出 Conformal-Weighted Continuous Divergence（CWCD）指标，量化企业自报排放与算法基线之间的差距。
arXiv cs.LGAI 评分1818 从行为到来源：将表格基础模型归因到合成预训练数据
研究提出用 O'PRIOR 合成任务生成器构建可验证的归因测试台，每个预训练任务都带有结构机制、缺失、混杂、捷径和分布偏移的显式来源标注。在留出真实任务上，移除归因排名前 5% 的合成任务使平均 ROC-AUC 下降 0.013，随机移除仅下降 0.002±0.004，移除末位任务则提升 0.003。
arXiv cs.CLAI 评分2222 基于查询感知路由的编码器跨语言检索性能提升
研究者将仅作用于查询的低秩适配器 SampoTron 与 Nemotron-3-Embed-1B 模型结合，并按查询与索引语言做确定性路由：跨语言查询走适配器，同语言查询走原编码器。在采样的金融基准上，六个英/芬/瑞方向的 nDCG@10 均值从 0.241 提升至 0.291，相对增益 20.9%，且路由保留了原有同语言性能。
arXiv stat.MLAI 评分2222 FT-PINN：通过联合优化非线性变形流形实现物理信息神经网络的特征追踪
研究者提出特征追踪型物理信息神经网络 FT-PINN，将解网络定义在固定参考域上并与参数化非线性流形上的微分同胚变形映射复合，通过联合训练使配点自动聚集在激波等特征附近。在含合并激波的 Burgers 方程、Euler 激波管和二维正则激波反射四个测试问题上，FT-PINN 在有限配点预算下准确定位激波，而相同架构与预算的普通 PINN 则定位错误或无法形成激波。
arXiv cs.AIAI 评分3131 用 Claude Opus 生成终端任务训练智能体为何停滞：数据生成与验证挑战解析
用 Claude Opus 等前沿模型作为元智能体生成终端任务与验证器用于 RL 训练时，可运行 Docker 镜像和可执行测试套件并不保证端到端流程可靠，研究诊断出基准无效、harness 脆弱、奖励错位三类失败。
arXiv cs.CLAI 评分2222 PlanPool 如何解决 Agentic Text-to-SQL 中的欠规范问题
针对 Agentic Text-to-SQL 系统过早终止澄清、静默做出未验证假设的问题，研究者提出 PlanPool，将澄清计划外化为可变问题池，每个计划问题必须显式提问或丢弃后才能提交，交互中新发现的歧义可随时加入。在 BIRD-Interact 和 Spider 衍生的三个基准上，PlanPool 持续提升歧义覆盖率并减少静默失败，同时保持有竞争力的执行准确率。
arXiv cs.LGAI 评分2222 Latent-MOPD：面向 LLM 的潜在多教师同策略蒸馏
Latent-MOPD 是首个面向 LLM 的表征级多教师同策略蒸馏（OPD）方法，同时利用专家的预测结果和计算这些预测所用的隐藏状态，无需额外教师训练。在同家族设置下，它在数学、代码和逻辑共 9 个基准上均优于仅 token、仅表征和均匀平均基线，参数量与各教师相同时多数基准超过单基准最佳教师；跨家族教师下也在全部基准上超过单通道基线。
arXiv stat.MLAI 评分1212 TRACE：基于官方运营文本的可复现电价预测基准
TRACE 是一个可复现的电价预测基准，包含美国某主要市场五个区域的 7,300 个区域-日实例，将电价与预测截止时点可获取的官方运营文本配对，并在每个截止点重建文本以避免信息泄漏。在时序基础模型上，TRACE 使上尾 pinball loss 中位数降低 7.4%；跨日文本错配消融实验则使增益反转，低于无文本基线。
arXiv stat.MLAI 评分1212 非正则条件下的交叉拟合：基于局部性的正态性与推断
针对交叉拟合中忽略交叉折依赖的置信区间在非正则场景下覆盖不足的问题，研究者利用新的局部性条件证明一大类交叉拟合估计量仍满足中心极限定理，但渐近方差需按交叉折相关性调整。随后提出估计该相关性并构造达到渐近名义覆盖率的置信区间，在随机森林与神经网络的模拟研究中取得近似名义覆盖率。
arXiv cs.AIAI 评分2727 热带强化学习：TROPIC 用热带半环替换概率求和提升 LLM 组合推理
针对大语言模型强化学习通常最大化期望回报、概率求和无法指出哪条解法真正有效的问题，研究者提出 Tropical Reinforcement Learning，用取最大值的热带半环替代概率相加，使状态价值对应最可能被验证解法的对数概率并附带可复用路径。
arXiv cs.AIAI 评分3636 标签压倒定义：Jev 式类型化决策模型中的选项标签偏差
对四个开放权重类型化决策模型的研究发现，模型返回的概率主要取决于选项标签而非其定义，即存在"选项标签偏差"。删除全部定义后准确率几乎不变（laya-td：0.8559 对 0.8487），而将选项改名为 A、B 后准确率提升 +0.1511。
arXiv stat.MLAI 评分1212 扰动目标上梯度下降的差分隐私研究
研究对正则化经验风险加入随机线性项 z~N(0,σ²I_d) 后，释放确定性梯度下降第 N 次迭代所得有限计算的差分隐私性质。在强凸、光滑且 Hessian 满足 Lipschitz 条件下，证明 z↦w_N 在隐私论证所用有界域上是 C¹ 微分同胚，并给出 Jacobian 最小奇异值的定量下界。
arXiv cs.CV精选AI 评分6262 DeskForge：用桌面环境密集监督训练计算机使用智能体
研究团队提出 DeskForge，一个通过组合和探索真实应用生成大规模监督数据的可控桌面环境，并据此构建了包含 120 万条标注桌面观测、1.597 亿个元素实例的 DeskForge-1M 语料。
推荐理由：论文给出可控桌面环境与 120 万条标注数据，并展示四个视觉语言模型在 GUI 定位基准上的提升幅度。
arXiv cs.CVAI 评分2222 GRAFT：通过持续教师蒸馏扩展凝聚式视觉基础模型
GRAFT 是一个持续多教师蒸馏框架，让统一骨干网络从开放序列的基础模型中逐步获取能力，新增教师时只需一次蒸馏而非全量重蒸馏。它引入 Teacher Specific Readout Tokens 为每个教师提供独立读出，并用 Geometry Agnostic Relational Loss 对齐视觉语言教师。
arXiv cs.CLAI 评分2929 LLM 临床概念中心研究：潜空间中存在可定位、可因果驱动临床行为的表征
研究将行为评估扩展到潜空间，在全部 11 个开放权重 LLM 中发现了专门的临床概念中心，这些中心可解释、仅对对齐的临床叙事激活，并在受限与开放式场景中因果驱动模型行为。在对抗性角色提示下模型仍保持内部一致并持续使用相关概念中心，而对齐提示可提升下游临床表现；沿这些中心进行引导也能带来下游改进。盲法临床医生验证显示，这些概念中心的激活与使用可预测临床医生的偏好。
arXiv cs.CLAI 评分2727 以文本为中心的后训练实现全模态推理：Qwen2.5-Omni-7B 推理得分提升 25.83%
针对全模态大模型音视频联合推理成本高的问题，研究提出以文本为中心的后训练范式：先用纯文本训练做主推理优化，再用缩减数据的原生音视频 RL 精修感知。最佳纯文本配置下，SFT 加 RL 使 Qwen2.5-Omni-7B 九项推理得分的几何均值较基座提升 25.83%，GPU 时长比完整原生音视频路线少 56.6%。
arXiv stat.MLAI 评分2222 SFT 与 RFT 在分类任务上的对比研究：学习风格，遗忘语义
一项 arXiv 研究用可解析的线性-softmax 策略，对分类任务中 SFT 与 RFT 的更新做了语义与风格分解：在相同策略和提示词下，两者语义更新平行，但风格动态不同。RFT 用精确策略梯度可保持类内风格对称，而 SFT 在非均匀教师下会产生偏离轴的风格漂移。该漂移在显式条件下导致分离：从同一完美拟合检查点做群体更新时，SFT 的遗忘在有限训练区间内有严格正下界，RFT 则保持零语义误差。
arXiv cs.CLAI 评分2929 AptMQL-Bench：从 Text-to-SQL 到 Text-to-MQL 的访问模式 Schema 设计与数据无损迁移基准
研究者提出由编码智能体驱动、带人工验证的转换流程，将 BIRD 的 Text-to-SQL 基准转为面向文档数据库的 AptMQL-Bench，包含 21 个数据库、3,186 条自然语言请求及对应 MQL 查询，迁移自 SQLite 且无数据丢失。
arXiv stat.MLAI 评分2222 从交叉熵到精确策略梯度：Ian Osband 提出 horizon loss 提升分类精度
Ian Osband 提出 horizon loss，将交叉熵视为"耐心的准确率"，并按剩余训练量截断，从而在训练后期向精确策略梯度过渡。在 MNIST 及 ImageNet 上使用 ResNet-50、ResNet-101 和 ViT-S/16 测试，该方法在固定学习率下提升 top-1 准确率，且标签噪声越大增益越明显。
arXiv cs.CVAI 评分1717 面向域偏移下行人检测的置信度控制 XAI 审计
研究对固定 YOLOv8s 行人检测器的后置解释在 PIE 与 JAAD 数据集上进行审计，发现基于删除的忠实度与解释时的检测强度强相关，D-RISE 的 Spearman 相关系数达 0.70 至 0.82，使朴素置信度分层比较不可靠。