arXiv AI68
一篇 arXiv 报告提出统一的闭环操作框架，让模型仅凭视觉观测、机器人本体感知和结构化工具调用直接控制机械臂，无需针对任务微调，也无需预训练操作技能。研究评测了 GPT-6 Astra、GPT-6.1 Sol、GPT-6 Luna、Claude Opus 5、Claude Opus 5.5 和 Gemini-4 Argon 六个前沿模型，覆盖三档推理强度，共形成 18 种配置、1800 个评测回合。结果显示 GPT-6 Astra 成功率最高，为 44%，Gemini-4 Argon 以 43% 紧随其后。
为什么值得看此前通用大模型的操作能力多停留在演示或分散任务上，缺少标准化机器人基准上的系统对比。该报告在同一闭环框架下横向评测多个前沿模型并公开成功率量级，把“通用模型能否直接操作机器人”从能力展示推进到可复现的量化比较，同时显示推理强度提升存在收益，但并非线性，并且会带来额外推理成本。
arXiv AI66
研究比较了返回结构化判断的决策语言模型 Jev 与前沿及开放权重 LLM 评判器在四类临床场景中的表现。在 118 份儿科回答上，Jev 与医生序数质量评分的一致性（Gwet's AC2 0.50）达到或超过 12 个 LLM 评判器中的 7 个，包括 Claude Opus 5.5 和 GPT-6。在 HealthBench 二元标准上，Jev 达到或超过 6 个评判器中的 4 个。前沿评判器成本是 Jev 的 73 至 294 倍，耗时是 7 至 57 倍。
为什么值得看此前临床 AI 输出评估多依赖大模型作为自动评判器，规模化使用时成本和延迟较高。该研究显示，专用决策语言模型在多项一致性指标上接近或超过部分前沿通用模型，同时成本与耗时显著更低，为大规模临床评估提供了新的可选路径。
arXiv AI65
该 arXiv 论文比较了 LLM 推理中等比特条件下增加 2:4 半结构化稀疏与降低量化精度的取舍。作者在三种 GPU 世代上测量 transformer 层全部六个 GEMM 算子，计入稀疏元数据，并涵盖在线剪枝与量化。结论是只要还有更低精度可选，加 2:4 稀疏在精度和速度上都更差；量化触底后，2:4 仍可加速线性层 1.3–1.7 倍。H100 上经重训练的 2:4 模型以 FP8 由 vLLM 服务，prefill 吞吐比稠密 FP8 高 27%，GSM8K 持平。
为什么值得看以往 2:4 稀疏常被视为与量化叠加的免费加速手段；该研究在等比特、计入元数据、跨三代 GPU 的条件下给出相反权衡：有更低精度时优先量化，稀疏须靠重训练才可能追回质量，且 Blackwell 的稀疏 FP4 损失更大、未能在给定预算内恢复。
arXiv AI64
论文研究基于 LLM 的多智能体系统中的自动失败归因（AFA）：通过线性探针检查模型内部激活，发现模型虽然能编码足够信息来正确判断哪个智能体步骤导致错误结果，却在直接输出时没有给出该步骤，作者称之为“知道但不说”的差距；据此提出名为 grafting 的人工干预方法，利用模型已编码的知识提升 AFA 表现，且推理时无需真实标签。
为什么值得看此前研究多把 AFA 表现差归因于提示策略不足，并围绕提示工程与推理时干预做改进；该研究转向机制层面，指出模型内部已具备归因信息，问题出在输出环节，从而把改进方向从“增强能力”转为“提取已有知识”。
arXiv AI64
研究在32x24与160x120低分辨率热成像视频上测试Gemini 3.8 Flash和3.7 Flash，按部署时的单次请求方式判断是否发生跌倒，无需任务专用训练。在公开数据集中，部署版在留出受试者上识别出69%的跌倒，且未误报499个非跌倒窗口；在有人居住的房间76小时记录中未误报，但只识别出9次真实跌倒中的4次。
为什么值得看此前跌倒检测通常依赖专门训练的模型，而该研究显示生产级多模态大模型可在零样本、低分辨率、无面部信息条件下承担判断环节，且误报水平较低；同时结果暴露出提示词措辞和分辨率会显著改变灵敏度，说明这类模型已接近可用但尚未稳定。