LEGO-Anything：用于 3D 场景重建的编程 Agent
LEGO-Anything 提出了一种面向单张图像 3D 场景重建的方法，重点是将重建结果表示为可执行的显式场景程序，而非单纯的渲染结果或固定 3D 输出。该场景程序执行后可生成可检查、可编辑和可查询的场景。对于开发者而言，这种表示方式有望让 3D 重建结果更易于通过代码进行修改、分析和复用。原文仅提供了摘要开头，未包含具体方法细节、实验数据或性能结论。
独立 AI 资讯库
AI 前沿动态、原文归档与媒体镜像
从自动抓取数据库实时读取，适合快速浏览、检索和后续扩展成完整资讯站。
11910资讯
11778正文归档
75366媒体
压缩以记忆：通过 On-Policy 蒸馏学习用于长视频生成的紧凑记忆
该论文提出通过 On-Policy 蒸馏学习紧凑记忆，以改善长视频生成中的历史信息保留问题。传统视频生成器无法原生将历史上下文压缩为可复用的记忆 token，随着生成过程延长，不断增长的历史会导致长上下文退化。该研究旨在让模型更有效地保存早期帧信息，对长时序视频生成、视频 Agent 和记忆机制设计具有潜在意义。论文以 arXiv:2609.36364v1 的新投稿形式发布。
利用演化数据进行互相对抗式自训练的统一多模态模型
该论文研究统一多模态模型（UMM）的自训练方法，这类模型在共享骨干网络中结合图像生成与视觉理解能力。论文指出，生成与理解属于互为逆向的任务，近期研究通常让两个分支通过协作方式相互监督。本文标题表明，作者进一步探索了结合演化数据的互相对抗式自训练框架。由于所提供原文仅包含截断摘要和引文标题，尚未给出具体实验数据、模型配置或性能结论。
LeRF：学习用于视角采择推理的参考坐标系
这篇论文提出 LeRF（Learning Reference Coordinate Frames），旨在提升模型在空间智能任务中的视角采择推理能力。视角采择要求模型从指定观察者的角度理解空间关系，例如另一实体或假想观察者的视角。论文摘要指出，尽管模型的空间推理能力不断提升，但这一问题仍具有挑战性。该研究对需要理解相对位置、视觉关系和多主体视角的 AI Agent 及空间推理系统具有参考意义。
PreviewDiff：扩散潜变量上的多模态评审器引导搜索
PreviewDiff 是一种无需训练的测试时搜索方法，旨在改善扩散模型在对象数量、属性绑定、空间关系和时间动作等组合细节上的提示词遵循能力。该方法会在去噪过程的特定检查点解码部分预览图像或视频，利用多模态评审器进行评分和自然语言批评，并据此扩展语义提示词编辑与局部重新加噪的潜变量续写分支。论文称，在图像和视频生成基准上，PreviewDiff 持续优于计算预算相同的 Best-of-N 选择方法及强大的标量搜索基线。消融实验表明，更早介入和更大的搜索宽度带来最大增益，而更深的搜索及更多语义变体可提供互补改进。
从敏锐视觉到专家思维：在 MLLM 中内化专家知识以检测篡改文本
该论文提出关注篡改文本检测（TTD），旨在保障安全关键工作流中的文档真实性。研究指出，现有专家模型能够捕捉细微的篡改痕迹，但在不同文档领域之间往往泛化能力不足。论文试图将专家知识内化到多模态大语言模型（MLLM）中，以提升篡改文本检测的适应性与可靠性，这对文档安全、内容审核和取证类开发应用具有意义。
同一几何，不同结果：视觉语言模型中模态鸿沟的读出依赖效应
研究发现，CLIP 和 SigLIP 等对比式视觉语言模型中的图像—文本均值分离，几乎可由单一主导方向描述：该方向解释了均值分离平方范数的 94.4% 至 99.9%。这一近似秩一的模态鸿沟在不同下游任务中的作用并不相同：缩小鸿沟可改善零样本分类和部分跨模态排序，但直接移除相关结构可能损害标准图文检索。作者通过相似度分解说明，零样本分类中的鸿沟校正等价于加入类别偏置；而检索中移除鸿沟方向会丢失候选项特异的范数信息并造成排序失真。该研究为开发者在基于相似度的视觉语言系统中选择模态鸿沟干预策略提供了几何学依据。
AerialDojo-200K：面向开放世界空中物体目标搜索的大规模基准套件
该论文发布了 AerialDojo-200K，一个用于开放世界空中物体目标搜索任务的大规模基准套件。该任务要求空中 Agent 在大规模、非结构化的三维环境中自主探索，并抵达由语义描述或指代信息指定的目标物体。论文强调，这一任务是空中智能体研究的基础性挑战，对具身 AI、无人机自主导航和视觉语言导航开发具有参考价值。该工作以 arXiv:2609.36066v1 的新论文形式发布。
CoDimRecon：利用智能体重建可仿真的含可变形曲线、曲面与体积的 3D 场景
CoDimRecon 提出了一种面向真实世界观测数据的智能体式 3D 场景重建方法，目标是生成可直接用于物理仿真的场景。该方法聚焦于可变形对象，并覆盖曲线、曲面和体积等不同几何表示。论文指出，现有方法大多假设物体是刚性的，因而难以满足机器人、游戏和沉浸式应用对可变形物体仿真的需求。该工作旨在弥补真实场景中可变形几何重建与仿真准备之间的关键缺口。
系统化多智能体视觉与语言导航：形式化、基准与方法
该论文首次将多智能体视觉与语言导航（VLN）系统化地形式化为一个受约束的协同问题，其中任务包含具有依赖关系和资源约束的子任务。作者构建了 MAVLN 基准，涵盖 145 个场景中的 11,724 个任务回合，最多支持四个智能体协作，并提供三种指令设定及面向约束的评测指标。论文还提出 TRISS 系统，通过基于 LLM 的子任务调度器、共享拓扑记忆和冲突感知执行机制，实现多智能体协同导航。实验表明，TRISS 可作为综合性基线，同时也揭示了调度、规划和执行环节仍有显著改进空间。
HEIR：通过功能角色学习人类—实体交互
HEIR 旨在理解人类与实体之间的交互，并恢复每个“人物—动作”事件中的参与者、角色及共享身份。该结构可明确谁对哪些实体执行何种操作，从而为具身 Agent 提供更清晰的交互表示。论文摘要指出，这类表示有助于支持行为预测，但所提供原文未包含完整的方法、实验与结果信息。
借助 FLIP 让跨洲联邦学习可重复开展：一项多应用研究
研究团队提出开源的 FLIP（Federated Learning Interoperability Platform，联邦学习互操作平台），旨在将医疗领域联邦学习的训练与评估流程标准化、可重复化。FLIP 将队列查询、院内 PACS 的按需 DICOM 调取、站点级项目审批及可复用的联邦学习任务类型封装为可组合服务。研究人员在英国和泰国两个客户端节点的合成胸部 X 光队列上，完成了联邦微调与联邦评估两项验证。论文的核心主张并非比较联邦训练与集中式训练的算法优劣，而是证明该平台可提升国际协作中的可重复性、可审计性及站点自主治理能力。
先学习、后使用、再验证：面向 LLM Agent 的序贯测试时学习
该论文提出“序贯测试时学习”（Prequential Test-Time Learning），旨在让大语言模型 Agent 在部署过程中持续适应新环境。作者指出，Agent 的适应不仅需要保留过去经验，还需要将新的观测及时转化为可用指导。现有许多测试时学习方法主要从已经完成的任务回合中获取知识，因而可能难以及时利用当前过程中的新信息。论文以 arXiv:2609.35911v1 形式发布，对开发者构建可持续学习与在线适应的 Agent 系统具有参考意义。
校准优先的跨队列多模态时序学习：可迁移的哮喘风险预测
该研究提出一种以概率校准为优先目标的跨队列多模态时序学习方法，用于哮喘病情恶化风险预测。研究关注的核心挑战是：不同患者群体、传感器生态系统及可用数据模态发生变化时，预测模型仍需保持可靠性。原文指出，现有模型通常侧重于队列内区分能力优化，但在跨队列应用中可能产生校准不佳的风险概率。该方向对需要在不同医疗机构、设备和数据条件下部署哮喘风险预测系统的开发者具有重要意义。
面向高效视觉推理的特定问题知识图谱
该论文以 arXiv:2609.35942v1 形式发布，研究面向视觉推理的特定问题知识图谱。摘要指出，近期视觉问答研究表明，视觉语言模型可通过将视觉输入转换为文本表示而展现较强的推理能力。该转换过程的效果取决于模型保留和表达视觉细节的质量，论文聚焦于提升这一环节的效率。对开发者而言，这一方向可能有助于在视觉问答和视觉 Agent 等应用中，以更具针对性的知识组织方式降低推理成本并改善回答质量。
近乎人类，但关键时刻例外：VoxParity 与语音应改变的决策
论文《Almost Human, Except When It Matters》提出 VoxParity，关注语音 Agent 在大多数通话中仅依靠文字内容即可处理、却可能在少数关键场景失效的问题。摘要指出，应急呼叫标准、反欺诈指引、无线电通话术语以及脆弱性保护规则均承认：来电者的声音方式或情绪状态会影响决策。该研究对语音 Agent 开发者的意义在于，系统评估不能只衡量转写文本或语义理解的准确性，还应关注声音特征何时应当改变系统行为。
CruxBench：信息发现基准测试
CruxBench 是一项面向信息发现能力的基准测试研究。论文指出，现有大语言模型（LLM）基准通常通过固定参考标签来评估答案准确性。作者强调，在许多复杂的现实任务中，更关键的一步是首先识别哪些问题值得提出，并对任务进行分解；这一能力对开发者构建更具自主性的 Agent 和研究型系统具有重要意义。
超越上下文窗口：面向混合检索与长上下文语言模型的自适应熵路由框架
该论文提出一种基于自适应熵的路由框架，用于在检索增强生成（RAG）与长上下文（LC）语言模型处理之间进行选择。随着现代大语言模型支持超过 100 万 token 的上下文窗口，RAG 是否仍然必要成为重要问题。论文指出，纯长上下文处理成本较高，并试图通过混合路由机制在效果与成本之间取得平衡。该研究对需要处理长文档、知识库问答及成本敏感型 AI 应用的开发者具有参考价值。
τ-Multilingual：跨语言基准测试语音 Agent
论文提出 τ-Multilingual，将 τ-Voice 语音 Agent 基准扩展至西班牙语、巴西葡萄牙语、印地语、韩语和普通话。作者指出，仅面向英语的基准只能反映语音 Agent 行为中狭窄的一部分，并通过母语者审查与评估支持多语言测试。该基准有助于开发者和行业更系统地衡量语音 Agent 在不同语言环境中的能力与表现差异。
PrimeSeeker：面向能力的深度搜索 Agent 监督方法
论文《PrimeSeeker：面向能力的深度搜索 Agent 监督方法》以 arXiv:2609.35816v1 的新论文形式发布。摘要指出，大语言模型搜索 Agent 通常使用合成问题训练，并通过扩大证据图、增加推理跳数和延长轨迹来提高任务难度。论文认为，这些全局属性只是对搜索 Agent 能力的间接代理指标，暗示需要更具针对性的能力导向监督方式。
通过受控环境干预构建高难度浏览器使用任务
论文关注如何为浏览器使用 Agent 构建更具挑战性的评测任务。随着浏览器 Agent 能力提升，基准测试通常通过收集新的任务、网站和应用来跟进，但这会使任务难度的更新成本升高，也难以精确控制。原文指出，当任务的多个因素同时发生变化时，难以判断具体哪些因素造成了难度提升。所提供的原文片段未包含完整的方法、实验数据或结论细节。
Lookahead-R：通过执行中心规划实现预算感知的工具检索
论文 Lookahead-R 关注大规模、异构 API 生态中 LLM Agent 的工具检索瓶颈。现有方法存在速度与功能匹配能力之间的权衡：语义检索速度快，但容易出现语义与实际功能之间的偏差；基于执行的方法则通常成本更高。Lookahead-R 提出以执行为中心的规划和预算感知机制，旨在在有限资源预算下改进工具选择。该研究对需要调用大量 API 的 Agent 开发具有参考价值。
多模态大语言模型能否生成和检测多模态社交媒体假新闻？
论文关注生成式 AI 的快速发展可能被滥用于在社交媒体上大规模传播虚假信息这一风险。作者将研究重点放在多模态大语言模型（MLLM）生成和检测多模态社交媒体假新闻的能力上。尽管文本虚假信息研究已较为丰富，但多模态场景中的这一基础问题仍有待回答。该议题对开发更可靠的内容审核、事实核查和 AI 安全评估工具具有重要意义。
当成功记忆误导具身 Agent：面向任务条件执行的记忆自适应
该论文探讨具身 Agent 如何复用既往经验，同时避免被过去成功的轨迹误导。作者指出，曾在某一环境或条件下成功的执行轨迹，未必适用于当前任务的实际执行上下文。现有记忆系统主要关注记忆的构建与检索，而该研究聚焦于让记忆能够根据任务条件进行自适应调整。该方向有望降低具身 Agent 的重复探索成本，并提升其在动态、多变场景中的任务执行可靠性。
环境引导：利用数据流控制提升 Agent 的效用与安全性
该论文提出“环境引导”（Environment Steering）方法，旨在通过数据流控制提升 LLM Agent 的实用性与安全性。研究指出，即使已被要求安全行事，LLM Agent 仍可能发起不安全的工具调用。现有防御通常在执行前约束 Agent、修改工具输入输出，或依赖 LLM 评判器，但这些方法可能过度依赖模型行为，或直接阻断不安全操作。该工作对开发者设计更可靠的 Agent 工具调用控制机制具有参考意义。
从词法基线到 Agentic 检索增强生成：基于 SFIA 框架的结构化技能与责任级别提取
该论文探讨利用 SFIA（信息时代技能框架）进行结构化技能及其责任级别的自动提取。作者指出，自动化技能提取是劳动力规划的重要基础，但多数现有系统仅将技能表示为扁平标签，无法反映技能实践所对应的责任级别。论文标题表明，其方法比较了词法基线与 Agentic 检索增强生成（RAG）路径，对开发者构建更具语境和层级意识的人才技能分析系统具有参考价值。
筛与贤者：面向可靠 RALM 弃答的高效干扰信息过滤
该论文提出“筛与贤者”（Sieve and Sage）方法，旨在提升检索增强语言模型（RALM）在证据不足时选择弃答的可靠性。论文以苏格拉底承认自身知识边界作类比，指出当检索到的证据无法支持可靠回答时，RALM 也应学会拒绝作答。作者认为，现有方法大多依赖单体大语言模型处理相关判断，而该研究聚焦于更高效地过滤检索结果中的干扰信息。该方向对需要降低幻觉风险、提升回答可信度的 RAG 应用和开发者具有参考意义。
FD-VAD：用于流式全双工语音的语义端点检测
该论文以 arXiv:2609.35791v1 形式发布，为一篇新提交的研究工作。研究聚焦全双工语音交互中的自然轮次衔接：系统需要根据不完整语音判断停顿是犹豫，还是一次对话意图已经完成。论文指出，传统声学语音活动检测（VAD）缺少这类语义信息；这意味着面向语音 Agent 和实时语音 API 的端点检测需要结合更高层次的语义理解。
ChronoSRL：用于自监督强化学习的时间几何
论文提出 ChronoSRL，旨在为自监督强化学习建模时间维度上的几何关系。其核心观察是：空间上接近的目标，在时间上可能相距很远；障碍物、地形以及智能体自身能力都会影响到达目标所需时间。该问题表明，传统对比学习和生存型强化学习中的评论家（critic）未必能够充分刻画这类时间距离。相关方法可能有助于开发者在复杂环境中学习更符合实际可达性的目标表示与策略。
MERID：通过递归自我改进 Agent 开展多模态探索，用于重度抑郁症分析
MERID 聚焦重度抑郁症（MDD）分析，旨在处理访谈录音、传感器测量等多模态数据。原文指出，MDD 会严重影响患者的日常活动和生活质量，而异构模态数据的联合分析使检测任务更具挑战性。该研究以递归自我改进 Agent 为核心思路，可能为开发面向心理健康场景的多模态 AI 分析系统提供参考；但所提供摘要片段未包含实验数据或性能结论。