本期概览

传统评估只关注模型在最优条件下的表现，忽略了真实部署中复杂提示和约束导致的能力下降。Taboo 提供了一种在运行时直接干预模型生成的方法，能更真实地暴露模型在非理想路径下的弱点，推动评估方法和性能优化思路的变革。

现有验证方法（如答案匹配、LLM 评判、标量奖励）主要关注最终结果或主观评判，无法定位推理链条中的具体失败步骤。SymDiag 将验证重构为结构化的失败诊断，提供可验证的证据（反例、不一致、缺失前提），并解决了符号翻译噪声与真实推理缺陷的区分问题，从而显著提升了对不忠实推理的检测能力和多轮修复的反馈质量。

此前原生多模态预训练的缩放属性未被系统表征，该研究首次揭示了语言与多模态目标的不同缩放行为，并量化了数据组成对计算效率的影响，为多模态模型训练的资源分配提供了可预测的指导。

以往多语种ASR在长尾语言上性能严重不均，受数据稀缺限制。GigaAM Multilingual通过数据平衡和采样方法首次在三种中亚低资源语言上超越了主流强基模型，且开源模型和训练配方，为其他类似语言提供了可复现的有效路径。

此前缺乏对智能体在复杂文档操作中的系统评估。DocOps首次提供可重复验证的基准，暴露出现有模型在长程一致性维护上的深层缺陷，将推动非破坏性智能体设计方向。

该研究提出注意力机制的一种新泛化形式，并给出推理时输入不变性的崩溃定理，可能对模型可解释性和推理可控性产生影响。

现有LLM强化学习探索多基于动作空间（如温度缩放），无法重排token，仅影响分布方差，限制探索并可能导致训练发散。论文提出参数空间探索，通过从后验采样不同策略生成rollout，为探索提供新的控制维度，并在多个任务上验证有效性，为LLM强化学习提供新思路。

此前自主数据科学代理依赖昂贵的试错工作流；DSWorld通过预测操作效果提前淘汰无效路径，将RL训练和搜索推理分别加速14倍和3-6倍，大幅降低计算成本和时间开销，提升自动化决策效率。

该竞赛和基准数据集针对科学图表理解这一多模态 AI 的难点，公开了前沿模型的性能局限，尤其是视觉问答和数据提取任务，为多模态 AI 在科研领域的应用提供了可量化的评估平台，推动了领域发展。

此前LLM智能体控制路径中，工具调用间的确定性小转换通常由主机处理。该研究证明了将路由决策保留在GPU上可显著减少往返延迟（最高快2.39倍），并提供了量化GPU机会的边界框架，为优化智能体服务架构提供了可验证的参考。

此前视觉语言基准不衡量主动观察，而 ActiveVision 指出当前最先进 MLLM 在此维度基本失效（最高 10.6%），揭示了模型在感知-推理闭环上的根本缺陷，将推动研究方向转向闭环架构。

现有LLM代理的记忆系统普遍依赖额外LLM调用来处理和检索记忆，产生重复的token与时间成本，且可能丢失原始细节。Zero-Mem首次提出无需生成即可实现结构化记忆访问，显著降低延迟与成本，可能影响代理系统的架构设计。

此前缺乏在长流程中如何最优分配有限人类监督的理论指导。该工作首次给出数学化的监督间隔原则，使AI产品可在固定人力成本下提升输出质量与效率。

此前机器人模型多为任务特定，泛化能力弱、数据需求大。Xiaomi-Robotics-1 通过大规模预训练实现跨任务即开即用和高效微调，展现数据与模型规模扩展性，降低了机器人部署和适配的门槛。

此前音视频大语言模型主要处理短视频片段，AV-Flamingo首次针对长视频设计，且完全开源。它在时序感知、跨模态推理和可解释性上取得实质突破，在多项基准中超越同体量模型，甚至与更大模型竞争，有望降低长视频理解的门槛。