深度表格生成模型在多大训练规模下不再优于平凡基线？一项基于临床与标准数据集规模阶梯的预注册基准测试
一项预注册基准在 8 个公开数据集（200 至 20,000 训练行）和 4 个原生小型临床数据集上，对 CTGAN、TVAE、TabDDPM 等七种生成器进行了 2,220 次运行。在 24 个（数据集，深度模型）组合中有 23 个，深度模型在任何训练规模下都未超过最佳平凡基线。预注册预测的“小规模下深度模型排名不稳定”被证伪，相邻规模间平均 Kendall tau 为 0.806。
#评测/基准
arXiv stat.MLAI 评分2929 arXiv cs.CLAI 评分2727 TPBench：面向对话压缩的转折点基准
研究者提出 TPBench，用于评估对话压缩中的"转折点驱逐"失败：压缩器可能保留事实却丢掉改变事实的那一轮对话。TPBench 在相同名义保留预算下评测三个信息目标，P1 为用户初始目标，P2 为用户修改后槽位的当前值，P3 为两者兼有，答案取自 MultiWOZ 与 SGD 的人工对话状态标注。
arXiv cs.CLAI 评分1717 多模态声明验证对 LLM 改写有多鲁棒？
研究测试了 11 个开源权重模型（覆盖 5 个 VLM 家族、2B 至 38B 参数）在多模态声明验证任务中对 LLM 改写的鲁棒性。结果显示多数模型准确率无显著下降，但概率出现一致性偏移：对冲类改写几乎在所有模型上引发显著偏移，增强类效果较弱，语法纠错等常规润色几乎无影响。
arXiv cs.AIAI 评分3737 开源 Laya 与托管 Jev 的 System-1 决策模型配对评测：LLM 智能体框架下的快速模型与缓慢证据
研究对开源 Laya 与托管 Jev 两个 System-1 决策模型在 11 个智能体决策点上做了配对评测，覆盖 7,283 个基础用例和 6,640 个鲁棒性变体。
Microsoft ResearchAI 评分4141 MindTopo 揭示多模态大模型的空间推理能力短板
Microsoft Research 推出 MindTopo 基准，用于评测多模态大模型在连通性、封闭、顺序、分离与打结五类拓扑关系上的推理与规划能力。测试显示，模型在静态图像识别上表现明显优于交互式规划任务，失败多发生在规划阶段而非感知阶段，且整体远低于人类水平。图像与视频生成仅在单帧内保留拓扑关系时有用，跨多步操作仍不可靠。