定期推送个性化的 ArXiv AI 论文摘要 - 立即订阅
**核心创新点**：提出 VSI-Super-Wild，以真实、长时且多样的视频系统评测智能体、物体与环境的统一空间状态追踪能力。 **主要方法**：构建包含 442 个真实视频、8 类场景及 6,980 组人工验证问答的基准，最长视频超过 4 小时，并按世界状态复杂度和时间跨度分析模型。 **结论/性能**：现有模型在长期一致性追踪上普遍失败，性能随复杂度和时长下降，并表现出空间坍缩、语义捷径、更新不足和实例混淆四类问题。
**核心创新点**：从主动推断的变分自由能视角证明，JEPA 的防坍缩正则项决定其目标是否具有规范性解释。 **主要方法**：将 VICReg、LogDet、PairDist 和 SIGReg 组织为带先验失配间隙的熵估计层级，推导 SIGReg 与信息瓶颈、惊奇上界及实用价值的对应关系，并用 Lean 4 验证核心代数。 **结论/性能**：理论上，VICReg 和 LogDet 的上界不安全，PairDist 提供安全下界，SIGReg 可消除间隙并保持主动推断对应关系；这些结论尚待独立实证检验。
**核心创新点**：提出 DROPJ，通过人类对模拟轨迹的偏好及安全理由，在未知动力学和无合适奖励函数时实现安全训练与部署。 **主要方法**：先从真实轨迹学习世界模型，再由用户在模拟器中生成信息丰富的轨迹，收集片段偏好及理由，训练奖励模型并结合模型预测控制直接部署。 **结论/性能**：真实用户实验表明，该策略可显著降低训练计算成本并改善部署表现；偏好反馈优于其他反馈形式，安全理由还能显著增强或定向塑造安全性。
**核心创新点**：提出以可复用机制为核心的“机制世界模型”，作为从预测走向自主科学发现的统一设计范式。 **主要方法**：结合科学哲学，归纳发现所需的计算能力、设计原则和归纳压力，形式化机制中心世界模型，并统一讨论机制可解释性、因果表示、方程发现和模块化架构。 **结论/性能**：论文给出概念基础与计算蓝图，指出现有方向各自具备部分要素但缺少统一框架；摘要未报告定量实验。
**核心创新点**：提出 WALA，联合利用带动作示范和无动作视频学习可执行的潜在动作。 **主要方法**：从稀疏未来观测预训练语义—几何潜动作模型，预测 DINOv3 特征增量和稠密深度；训练策略时联合监督机器人动作、潜动作匹配和未来动力学。 **结论/性能**：WALA 在 RoboTwin 上表现强劲，在 RoboCasa 达到 75.2% 平均成功率，并提升真实机器人操作的性能与泛化。
**核心创新点**：证明驾驶世界模型可在无需重训练的情况下，通过采样期能量引导注入交通规范。 **主要方法**：在基于 Open-Sora 2.0 MM-DiT 的整流流世界模型中，用可微能量函数于采样阶段引导联合生成的自车轨迹和未来视频。 **结论/性能**：能量引导可使规划轨迹在反事实目标处制动，但生成视频尚不能随被引导轨迹同步变化，说明跨流耦合是端到端可控 rollout 的关键。
**核心创新点**：提出 MonteRET，通过全局与区域级知识检索提升胸部 CT 报告的局部解剖准确性和完整性。 **主要方法**：融合全 CT 特征与区域解剖表示，依据预测病症和区域视觉—语言对齐检索知识，再由知识引导代理重写初始报告。 **结论/性能**：在 1,564 例公开测试 CT 和 82 例外部 CT 上，报告质量、语义相似度及临床有效性均优于匹配基线和多种先进方法，召回率提升最明显，放射科住院医师评价也更偏向 MonteRET。
**核心创新点**：将上下文质量确立为独立于行为结果的智能体可靠性前置信号。 **主要方法**：实现 ProofAgent-Harness，以多评审共识方式从角色清晰度、护栏覆盖、指令一致性、工具模式质量、知识支撑、注入防护和令牌效率七方面评测上下文。 **结论/性能**：在固定前沿模型、仅改变上下文的受控研究中，各项上下文指标能一致预测相应行为，如知识支撑预测抗幻觉能力、工具模式质量预测工具使用表现。
**核心创新点**：以多模型评审和九个专家编码意识形态维度，大规模审计 Grokipedia 与 Wikipedia 的政治中立性。 **主要方法**：分析 1,394 对政府成员条目，由 Grok、Claude、Mistral 和 DeepSeek 四个 LLM 评审，并同时检查评审模型自身的判断模式。 **结论/性能**：所有评审模型均将 Grokipedia 评为比 Wikipedia 更不中立；两者总体都偏正面描写政治人物，但 Grokipedia 更偏向经济右翼并不利于社会自由派，Wikipedia 则被评为更偏向后者。
**核心创新点**：提出可追溯的多智能体政治联盟模拟框架，将党派人格、宣言事实约束与协议条款溯源结合起来。 **主要方法**：以 SFT、DPO 和分党派 RAG 构造智能体，在组阁者协调的中心辐射结构中模拟 2019 年佛兰德选举，并用 MILT 和联盟影响力分数追踪条款来源。 **结论/性能**：三次模拟均产生稳定的影响力排序，N-VA 位于 CD&V 和 Open Vld 之前；有宣言依据的条款能可靠预测现实协议中的落实，而幻觉内容不能。
**核心创新点**：提出兼具完整线程回溯分类与顺序早期预警的上下文化网络舆情风暴检测系统。 **主要方法**：全局模式聚合 Reddit 线程的分块判断；早期模式以滑动窗口反复估计负面占比、升级程度和参与者数量，并依据校准阈值报警。 **结论/性能**：在平衡 Reddit 数据集上，全局模式分类表现强，早期模式具有高召回率，且仅需少量评论和不同参与者便可发现升级线程。
**核心创新点**：利用文本中的推理图而非表层语言特征，实现更稳健的 LLM 作者归因。 **主要方法**：通过论证挖掘流水线提取推理结构，再用图神经网络分类，并与传统 Longformer 基线比较。 **结论/性能**：在释义和回译等混淆攻击下最高领先基线 27 个百分点，在未见模型版本生成文本上最高领先 19 个百分点。
**核心创新点**：提出以完整可执行工程产物链为核心的结构工程智能体工作台与基准。 **主要方法**：StructureClaw 通过受治理技能、类型化工具、共享产物状态和本地分析后端运行智能体；StructureClaw-Bench 包含 150 个标准、交互及多模态重建场景。 **结论/性能**：十种智能体—模型配置中，完整自动工作流将标准案例平均成功率从 56.8% 提高到 88.6%；剩余难点主要是无效数值输入的安全处理和符合夹具约束的结构模型重建。
**核心创新点**：以完整多轮对话中的细粒度用户意图驱动房地产候选结果重排序。 **主要方法**：构建 LLM 重排序器，并建立包含 96 万个查询—房源对的离线数据集，数据来自合成及生产查询，由 LLM 评审并经人工验证，同时开展线上 A/B 测试。 **结论/性能**：离线与线上评估均显示排序质量持续改善；生产环境点击率显著提升 5.3%，预约看房量提升 4.8%。
**核心创新点**：提出通过 MCP 将多智能体、人工监督和数值仿真整合进输电系统运营商的电网研究流程。 **主要方法**：开发 pypowsybl-mcp，将 pypowsybl 的部分仿真能力以标准化工具调用暴露给智能体，并讨论人在回路、多智能体流程及综合技术指标与从业者反馈的评估方案。 **结论/性能**：论文将 MCP 工具集成定位为构建更交互、可审计和可扩展电网研究环境的第一步；摘要未报告定量结果。
**核心创新点**：将 Oracle Agent Memory 定义为面向长时程智能体的数据库原生企业级记忆底座。 **主要方法**：设计覆盖摄取、抽取、整合、检索、摘要、修订和删除的生命周期，并以主动记忆核心、被动存储接口及用户—智能体—线程范围控制构成分层架构。 **结论/性能**：在 LongMemEval 上达到 93.8% 准确率；相较扁平历史基线，使用的令牌约少 10.7 倍。
**核心创新点**：提出 BadWAM，揭示世界—动作模型可能“想象正确却执行错误”的特有对抗脆弱性。 **主要方法**：用微小视觉扰动构造动作单独攻击和保持想象攻击，分别追求任务破坏，以及在维持预测未来接近干净想象的同时改变动作。 **结论/性能**：攻击在闭环执行中显著降低任务成功率；动作单独攻击将成功率从 96.5% 降至 43.1%，保持想象攻击则能在减少未来想象漂移的同时维持较强攻击效果。
**核心创新点**：提出首个面向真实四旋翼飞行展示的动作中心世界—动作模型 AeroAct。 **主要方法**：改造预训练视频扩散 Transformer，根据第一视角历史、机体状态和语言预测局部轨迹—动作块；未来帧仅用于训练监督，部署时直接解码动作，并加入自引导增强块间时序一致性。 **结论/性能**：闭环仿真和真实实验表明，时序视觉上下文改善目标跟踪与物体搜索，所学策略能够在实体四旋翼上执行；摘要未给出具体数值。
**核心创新点**：结合机制可解释性与最优控制，在无需训练的情况下提升世界—动作模型的分布偏移鲁棒性。 **主要方法**：分析成功与失败 rollout 的激活差异，提取对比激活方向，并利用局部线性激活动力学构建低阶 LQR 反馈控制器 WA-LQR。 **结论/性能**：机制分析与干预均显示 Cosmos-Policy 和 DiT4DiT 可控性较强、LingBot-VA 较弱；WA-LQR 在前两者上可泛化到新任务，并优于无引导及提示引导基线，应对相机、夹爪和视觉噪声扰动。
**核心创新点**：提出 WMARF，依据世界模型质量与设备自动化程度动态分配物流系统控制权。 **主要方法**：按无权威、权威转移和权威分歧划分死锁，并在两个自主物流设备汇聚到半自动转运点的离散事件仿真中，通过 VDA 5050 接口验证邻近触发的控制权移交。 **结论/性能**：邻近触发移交避免了静态控制下的分歧死锁；由于权威由信息质量而非共享协议决定，该机制可随自主程度提升继续适用。