论文

针对现有混合策略方法在平衡轨迹质量与分布接近性上的不足，提出近未来策略优化（NPO），利用同一训练过程中后期检查点作为辅助轨迹来源，兼顾高Q值与低V值，最大化有效学习信号。在Qwen3-VL-8B-Instruct模型上的实验表明，NPO将平均性能从57.88提升至62.84，其自适应变体AutoNPO进一步达到63.15，显著加速收敛并提高性能上限。

本文提出了时间序列推理的四级认知复杂度分类法，并构建了包含8.3万样本的分层数据集HiTSR。基于此，作者提出LLaTiSA模型，通过多阶段课程微调策略增强视觉语言模型的时间感知能力，在多种时间序列推理任务上取得了优越性能并展现出良好的分布外泛化能力。

本文提出语义进展函数，将视频序列的语义变化映射为一维曲线，发现生成模型中语义进展常呈非线性跳跃。通过重参数化进行语义线性化，使语义变化匀速展开，显著提升过渡平滑性与连贯性。该框架为语义步调分析和生成引导提供了统一工具。

WorldMark是首个为交互式图像到视频世界模型提供标准化测试条件的基准。它通过统一动作映射层实现了六大主流模型的公平对比，并包含500个分层测试用例和模块化评估工具包。该基准将有助于推动该领域的研究进展。

本文提出UniT框架，通过统一潜在动作标记器将人类数据转化为机器人可学习的物理语言，在策略学习和世界建模上均取得突破。实验表明，该框架实现了零样本任务迁移和跨形态动作对齐，为人形机器人从海量人类数据中学习提供了可扩展路径。

OpenMobile提出了一个开源框架，用于合成高质量的移动任务指令和智能体轨迹。通过可扩展的任务合成流水线和策略切换的轨迹生成方法，训练出的智能体在AndroidWorld等基准上取得了先进结果，远超现有开源方法。该工作开源了数据和代码，旨在弥合数据差距，推动移动智能体研究。

本文提出DiffNR框架，利用扩散模型（SliceFixer）修复稀疏视图CT重建中的伪影，通过生成伪参考体积提供3D感知监督。实验表明该方法平均PSNR提升3.99 dB，泛化性强且保持高效优化。

本文提出DeVI框架，利用文本条件合成视频实现灵巧机器人的物理合理手物交互控制。通过混合跟踪奖励整合3D人体与2D物体跟踪，克服生成视频的不精确性，零样本泛化至多样物体与交互类型。实验表明DeVI优于现有3D演示模仿方法，尤其在灵巧手部交互建模上表现突出，为视频驱动的交互运动规划提供了新思路。

针对现有身份编码器在面部风格化场景下鲁棒性不足的问题，本文提出了StyleID框架，包含人类感知基准数据集StyleBench-H和监督数据集StyleBench-S。通过微调语义编码器使其相似性排序与人类感知对齐，显著提升了模型与人类判断的相关性及对域外风格化人脸的鲁棒性。

LLaDA2.0-Uni是一个统一的离散扩散大语言模型，支持在原生集成框架内进行多模态理解和生成。该模型通过语义离散分词器和MoE骨干架构，实现了文本与视觉输入的块级掩码扩散，在理解任务上媲美专用模型的同时，在图像生成与编辑方面表现强劲，为下一代统一基础模型提供了可扩展范式。

提出SIREN轻量级守卫模型，通过线性探针识别安全神经元并自适应组合，利用大语言模型内部特征检测有害内容。在多个基准上超越现有开源模型，可训练参数减少250倍，并支持实时流检测和高效推理。

本文系统综述了大语言模型（LLM）智能体的方法论、应用与挑战，提出了一种以方法论为中心的架构分类法，揭示了代理设计原则与环境涌现行为之间的深层联系。该综述统一了分散的研究线程，为理解LLM智能体提供了结构化框架，并指出了未来研究方向。