1Speculative Forcing for Efficient Autoregressive Video Generation推测式强制:面向高效自回归视频生成Speculative Forcing: 効率的な自己回帰ビデオ生成に向けて77 UPVOTES · HYUNWOOK CHOI ET AL. · NAVER AI LAB · ARXIV 2610.22347NAVER AI Lab proposes Speculative Forcing, which stops denoising a video token once it already matches its full-step output. Intermediate clean estimates serve as drafts, and a verifier - training-free or learned from the generator's features - picks which tokens to freeze early, while their cached keys and values still provide context. On LongLive it matches four-step sampling at about 1.7 steps per token.NAVER AI Lab 提出 Speculative Forcing:当某个视频 token 已经与完整步数的输出相符时,就不再继续去噪。中间的干净估计被当作草稿,由一个验证器决定提前冻结哪些 token,该验证器既可免训练,也可从生成器特征中学得;被冻结的 token 其缓存的键值仍继续为后续 token 提供上下文。在 LongLive 上,该方法以每个 token 约 1.7 步达到四步采样的质量,速度提升 1.5 倍以上。NAVER AI Lab は、ある映像トークンが全ステップ実行時の出力と既に一致していればそこでノイズ除去を打ち切る Speculative Forcing を提案した。途中のクリーンな推定値を下書きとして扱い、学習不要な方式と生成器の中間特徴から学習する方式の 2 種の検証器がどのトークンを早期に確定させるかを判断し、確定後もキャッシュされた key と value は後続トークンの文脈として残る。LongLive では 1 トークンあたり約 1.7 ステップで 4 ステップ相当の品質を保ち、1.5 倍以上高速化した。
2Each Reward to Its Relevant Tokens: Reward-Specific Token-Level Credit Assignment for Multi-Reward RL让每个奖励落到相关 token 上:多奖励强化学习中按奖励划分的 token 级信用分配各報酬を関連トークンへ: 多報酬強化学習における報酬別トークンレベルの功績分配55 UPVOTES · SKYLAR ZHAI ET AL. · MOHAMED BIN ZAYED UNIVERSITY OF ARTIFICIAL INTELLIGENCE · ARXIV 2610.21439An MBZUAI-led team proposes MRTPO for models trained against several verifiable rewards at once, such as a tool call's correctness and format. Rather than spreading each reward's advantage over the whole response, the policy replays its answer with and without each verifier's information and uses the per-token Jensen-Shannon distance to find the tokens that reward actually judges. No extra models or labels needed.由 MBZUAI 牵头的团队提出 MRTPO,面向同时针对多个可验证奖励训练的模型,例如工具调用的正确性与格式。它不再把每个奖励的优势值均摊到整段回复,而是让策略在有、无该验证器信息两种条件下重放自己的回答,用逐 token 的 Jensen-Shannon 距离找出该奖励真正评判的位置。该方法不需要额外模型或 token 级标注。MBZUAI を中心とするチームは、ツール呼び出しの正答性と書式のように複数の検証可能な報酬で同時に学習するモデル向けに MRTPO を提案した。各報酬のアドバンテージを応答全体へ一律に配分する代わりに、当該検証器の情報を与えた場合と与えない場合で方針に自分の応答を再生成させ、トークンごとの Jensen-Shannon 距離からその報酬が実際に評価している位置を特定する。追加モデルやトークン単位の注釈は不要である。
3VLA-Δ: Learning Physical State Transition for Vision-Language-Action ModelsVLA-Δ:为视觉-语言-动作模型学习物理状态转移VLA-Δ: 視覚言語行動モデルのための物理状態遷移の学習54 UPVOTES · QI LU ET AL. · ZJU-OMNIAI · ARXIV 2610.21306A Zhejiang University team proposes VLA-Delta, which supervises vision-language-action models on the physical change between current and future states rather than only on demonstrated actions. The authors build a large pretraining set annotated with those transitions, covering task semantics and motion. It matches the state of the art on LIBERO and RoboTwin, beats pi-0.5 on a real robot, and adds no inference cost.浙江大学团队提出 VLA-Delta,不再只用示范动作来监督视觉-语言-动作模型,而是以当前状态与未来状态之间的物理变化作为显式学习目标。团队构建了带有此类状态转移标注的大规模预训练数据集,覆盖任务语义与视觉运动变化。该模型在 LIBERO 和 RoboTwin 上与当前最优方法相当,在真机实验中优于 pi-0.5,且不增加推理开销。浙江大学のチームは、視覚言語行動モデルを示範動作だけで教えるのではなく、現在状態と将来状態の間の物理的変化を明示的な学習目標とする VLA-Delta を提案した。タスク意味と視覚的な動きの変化を含む状態遷移注釈を付けた大規模な事前学習データセットを構築している。LIBERO と RoboTwin で最先端と同等、実機では pi-0.5 を上回り、推論時の追加コストは生じない。
4CommerceGen-Studio: An End-to-End Framework for Commercial-Grade Main-Image GenerationCommerceGen-Studio:面向商业级商品主图生成的端到端框架CommerceGen-Studio: 商用品質のメイン商品画像生成に向けたエンドツーエンド基盤52 UPVOTES · XIAOLI XU ET AL. · ALIBABA · ARXIV 2610.20603Alibaba describes CommerceGen-Studio, the pipeline it runs in production to generate e-commerce main product images at millions per day with seconds of latency. An agent loop distills SKU metadata into selling points, a layout stage aligns the rewriter with rendered-image quality, and SKU-DiT conditions on the white-background shot, the trademark crop and a structured layout. A live-traffic benchmark is released too.阿里巴巴介绍了 CommerceGen-Studio,这是其在生产环境中运行的电商商品主图生成流水线,每天产出数百万张图片,单图延迟为数秒。一个智能体闭环把异构的 SKU 元数据提炼为卖点文案,版面优化阶段让改写模型对齐渲染图质量,SKU-DiT 则同时以白底商品图、商标裁切图和结构化版面为条件生成。团队还发布了一个取自线上真实流量的评测基准。Alibaba は、EC 商品のメイン画像を 1 日数百万枚、1 枚あたり数秒の遅延で生成する本番運用中のパイプライン CommerceGen-Studio を公開した。エージェントのループが雑多な SKU メタデータを売り文句に凝縮し、レイアウト最適化の段階で書き換えモデルを描画画像の品質に合わせ、SKU-DiT が白背景の商品画像、商標の切り出し、構造化レイアウトを同時に条件として用いる。実トラフィックから集めたベンチマークも併せて公開された。
5Mosaic: Multi-Session Agentic Reinforcement LearningMosaic:多会话智能体强化学习Mosaic: マルチセッション型エージェント強化学習52 UPVOTES · YILONG XU ET AL. · LARK LAB@HKUST (GZ) · ARXIV 2610.22174A team at HKUST (Guangzhou) formalizes multi-session agentic RL, where context compaction and subagent forking split one trajectory across several sessions and break the single-session assumption that training usually makes. Their method, Mosaic, folds session-usage signals into trajectory-level advantage estimation and shapes each session's advantage by its estimated marginal contribution.香港科技大学(广州)团队提出并形式化了多会话智能体强化学习:上下文压缩和子智能体分叉会把一条轨迹拆到多个会话中,从而打破训练通常假定的单会话前提。他们的方法 Mosaic 在轨迹层面把会话使用情况纳入优势估计,在会话层面则按各会话估算出的边际贡献来调整其优势值。香港科技大学(広州)のチームは、マルチセッション型のエージェント強化学習を定式化した。コンテキストの圧縮やサブエージェントの分岐によって 1 本の軌跡が複数セッションにまたがり、学習側が通常置いている単一セッションの前提が崩れるためである。提案手法 Mosaic は、軌跡レベルではセッション使用量の信号をアドバンテージ推定に組み込み、セッションレベルでは推定した限界貢献度に応じて各セッションのアドバンテージを調整する。
2026-10-16 · FRIDAY · 13:14 PDT
1OpenGCUA: Toward a Fully Open Stack for Generalist Computer UseOpenGCUA:面向通用计算机操作的全开放技术栈OpenGCUA: 汎用コンピュータ操作に向けた完全オープンなスタック264 UPVOTES · HANZHANG ZHOU ET AL. · TONGYI-MAI · ARXIV 2610.22200Tongyi-MAI is opening the whole stack for what it calls a generalist computer-use agent, one that picks for itself how to observe and act across visual and programmatic interfaces. The authors argue that frontier systems such as the computer-use model behind GPT-6 Astra stay closed, which blocks systematic study of how they are designed.Tongyi-MAI 正把所谓「通用计算机操作智能体」的整条技术栈开放出来——这类系统自行决定如何在视觉界面与程序化接口之间观察和行动。作者指出,GPT-6 Astra 背后的计算机操作模型等前沿系统仍然封闭,使外界无法系统研究其设计方式。Tongyi-MAI は、視覚インターフェースとプログラム的インターフェースの双方で観察と操作の仕方を自ら選ぶ「汎用コンピュータ操作エージェント」のスタック全体を公開する。著者らは、GPT-6 Astra のコンピュータ操作モデルのような最前線のシステムが閉じたままで、その設計を体系的に研究できないと指摘する。
2FDE-Gym: The Last Mile of AI DeliveryFDE-Gym:AI 交付的最后一公里FDE-Gym: AI 導入の最後の 1 マイル227 UPVOTES · DONGXU YANG ET AL. · DEEPLETHE · ARXIV 2610.22350FDE-Gym benchmarks agents on the job of a forward-deployed engineer: 95 end-to-end delivery tasks drawn from 20 customer scenarios across 18 sectors, each adapted by industry experts from real projects. Agents work against scripted stakeholders and modifiable customer systems, so they must draw out vague requirements instead of working a ticket.FDE-Gym 用前方部署工程师的实际工作来考核智能体:95 项端到端交付任务,取自 18 个行业、20 个客户场景,每项都由业内专家依照真实项目改写而成。智能体面对的是按脚本行事的利益相关方和可被修改的客户系统,因此必须把含糊的需求问清楚,而不是照单处理工单。FDE-Gym は、顧客先に常駐する導入エンジニアの仕事でエージェントを評価する。18 業種・20 の顧客シナリオから採った 95 件のエンドツーエンド課題で、いずれも業界の専門家が実案件をもとに作り直した。相手は台本に沿って動く関係者と、変更可能な顧客システムであり、エージェントは曖昧な要件を聞き出す必要がある。
3RoTA-Bench: Evaluating 3D Spatial Reasoning through Interactive Projection AlignmentRoTA-Bench:以交互式投影对齐评测三维空间推理RoTA-Bench: 対話的な投影合わせで 3D 空間推論を評価する197 UPVOTES · QINGCHUAN MA ET AL. · MAC-AUTOML · ARXIV 2610.17665RoTA-Bench asks whether vision-language models can turn 2D observations into 3D understanding precise enough to act on. A model sees a rotated object and must choose successive rotations to recover a target silhouette within a limited action budget, with the test objects built automatically from 2D icons.RoTA-Bench 要检验视觉语言模型能否把二维观察转化为足以支撑精确动作的三维理解。模型看到一个被旋转过的物体,必须在有限的动作预算内连续选择旋转方式,使其投影复原为目标轮廓;测试物体由二维图标自动生成。RoTA-Bench は、視覚言語モデルが 2D の観察を、行動に足る精度の 3D 理解へ変換できるかを問う。モデルは回転した物体を見て、限られた手数のうちに回転を選び続け、目標のシルエットを復元しなければならない。対象物は 2D アイコンから自動生成される。
4MJev-Spatial: System One Spatial Intelligence via Native Attention MatchingMJev-Spatial:以原生注意力匹配实现系统一空间智能MJev-Spatial: ネイティブな注意マッチングによるシステム 1 の空間知能139 UPVOTES · LUOZHENG QIN ET AL. · MIND LAB · ARXIV 2610.22276Spatial judgments have compact answers - one of a few options, a scalar, or a 2D point - yet vision-language models pay for autoregressive decoding and answer parsing to produce them. MJev-Spatial instead handles spatial relations, distance and placement in a single classification model, so the answers come at interaction rates.空间判断的答案本就很紧凑——若干选项之一、一个标量,或一个二维点位——但视觉语言模型为了给出它们,仍要付出自回归解码和答案解析的代价。MJev-Spatial 改用单一分类模型统一处理空间关系、距离和放置,让答案能以交互所需的速度产出。空間に関する判断の答えは、いくつかの選択肢のひとつ、スカラー、2D の座標といった具合に小さい。それでも視覚言語モデルは自己回帰デコードと出力の解析を経て答えを出している。MJev-Spatial は空間関係・距離・配置を単一の分類モデルで扱い、対話に必要な速さで答えを返す。
5Learning Where to Split: Dynamic Band Splitting for Audio Source Separation学习在哪里切分:面向音源分离的动态频带划分どこで分けるかを学ぶ: 音源分離のための動的な帯域分割130 UPVOTES · BINGZHE ZHANG ET AL. · TSINGHUA MACHINE LEARNING GROUP · ARXIV 2610.14993Band-split separators hold down cost by cutting the spectrum into predefined frequency bands and encoding each as a token, but the same boundaries are used for every mixture. Dynamic Band Splitting learns boundary positions and band widths end to end, so tokens are spent where the spectral detail actually is.频带划分式分离模型把频谱切成预设的频带、每带编成一个 token,以此压低计算成本,但所有混音都沿用同一组边界。动态频带划分(DBS)端到端地学习边界位置与频带宽度,让 token 花在真正含有频谱细节的地方。帯域分割型の分離モデルは、スペクトルをあらかじめ決めた帯域に切り、各帯域を 1 トークンとして符号化することで計算量を抑えるが、どの混合音にも同じ境界を使う。動的帯域分割は境界の位置と帯域幅を端から端まで学習し、スペクトルの細部が実際にある場所にトークンを割く。
2026-10-15 · THURSDAY · 13:15 PDT
1Beyond Domain-Routed Supervision: Cross-Teacher Guarding for Multi-Teacher On-Policy Distillation超越按领域路由的监督:面向多教师在线策略蒸馏的跨教师守护ドメイン振り分けによる教師信号を超えて: 多教師オンポリシー蒸留のためのクロス教師ガーディング233 UPVOTES · SHI-YU TIAN ET AL. · JINGDONG · ARXIV 2610.13521Routing data to specialist teachers is not enough for multi-teacher on-policy distillation, this paper argues, because updates from every domain still land on the student's shared parameters. When teachers differ sharply in style and expertise, supervision that works in isolation can leave persistent gradient conflicts and degrade capabilities during joint training. The authors propose cross-teacher guarding.这篇当日票数最高的新论文指出,把数据路由给各领域的专家教师,对多教师在线策略蒸馏来说并不够,因为来自所有领域的更新最终都作用在学生模型共享的参数上。当教师之间在风格与专长上差异明显时,单独使用有效的监督信号在联合训练中仍会留下持续的梯度冲突,并损害模型能力。作者提出以跨教师守护来缓解这一问题。当日最も多く支持された新着論文は、データを専門教師へ振り分けるだけでは多教師オンポリシー蒸留には不十分だと論じる。どの領域の更新も、最終的には生徒モデルの共有パラメータに作用するためである。教師間で文体や専門性が大きく異なる場合、単独では有効な教師信号でも、同時学習では勾配の衝突が残り能力を損なうという。著者らはその対策としてクロス教師ガーディングを提案する。
2Doc2Harness: Benchmarking LLMs on Long-Horizon Harness Engineering of Coding AgentsDoc2Harness:评测大模型为编码智能体做长程 harness 工程的能力Doc2Harness: コーディングエージェントの長期ハーネス設計における LLM の評価92 UPVOTES · YUYAO GE ET AL. · INSTITUTE OF COMPUTING TECHNOLOGY · ARXIV 2610.20344Doc2Harness is a two-stage benchmark for building the harness around a coding agent rather than working inside a fixed one. In the first stage a build model runs in a fixed builder harness and gets only an interface contract skeleton plus a development document. The authors note that existing benchmarks measure downstream task success under a harness nobody is asked to design.Doc2Harness 是一个两阶段基准,考察的是为编码智能体搭建 harness,而不是在既定 harness 内完成任务。第一阶段中,构建模型运行在固定的构建 harness 里,只拿到一份仅含接口的契约骨架和一份开发文档。作者指出,现有基准衡量的是在无人需要设计的 harness 之下的下游任务成功率。Doc2Harness は、固定されたハーネスの内側で働くのではなく、コーディングエージェントを取り巻くハーネス自体を構築させる二段構成のベンチマークである。第 1 段階では、構築モデルが固定のビルダーハーネス内で動き、インターフェースのみの契約スケルトンと開発文書だけを受け取る。既存のベンチマークは、誰も設計を問われないハーネスの下での下流タスク成功率を測っているだけだと著者らは指摘する。
3WorkRover: Scaling Long-Horizon Cowork Agent Training Via Recursive Environment EvolutionWorkRover:以递归环境演化扩展长程协同工作智能体的训练WorkRover: 再帰的な環境進化による長期協働エージェント学習のスケーリング75 UPVOTES · HANG HE ET AL. · NEX AGI · ARXIV 2610.18067WorkRover trains long-horizon cowork agents by having construction agents refine their own reinforcement learning environments recursively. Its harness-driven synthesis keeps a task, its work context and its verifier aligned as defects are corrected, which the authors say existing construction pipelines support poorly.WorkRover 通过让构建智能体递归地改进自己生成的强化学习环境,来训练长程协同工作智能体。其以 harness 驱动的合成方式在修复缺陷的同时,保持任务、工作上下文与验证器三者一致;作者称现有的环境构建流程对这种迭代改进支持不足。WorkRover は、構築エージェントが自ら生成した強化学習環境を再帰的に改良していくことで、長期の協働エージェントを学習させる。ハーネス主導の合成により、不具合を修正しながらタスク、作業文脈、検証器の整合を保つ。既存の環境構築パイプラインはこうした反復的な改良への対応が弱いと著者らは述べる。
4ExeWorldBench: Benchmarking Code-Based Executable 3D World ModelingExeWorldBench:基于代码的可执行 3D 世界建模基准ExeWorldBench: コードによる実行可能な 3D 世界モデリングのベンチマーク67 UPVOTES · XINGE PENG ET AL. · UNIVERSITY OF SCIENCE AND TECHNOLOGY OF CHINA · ARXIV 2610.15166ExeWorldBench tests whether coding agents can build worlds that run, not just worlds that look right. It scores two capabilities together: reasoning about a scene's structural, mechanical and causal principles, and turning that understanding into code whose behaviour emerges from physical interaction. Existing benchmarks, the authors write, cover only fragments such as physical reasoning or visual fidelity.ExeWorldBench 考察编码智能体能否构建真正可运行的世界,而不只是看起来正确的世界。它同时评估两项能力:推理场景的结构、机械与因果原理,以及把这种理解转化为行为由物理交互产生的代码系统。作者写道,现有基准只覆盖物理推理或视觉保真度等零散片段。ExeWorldBench は、見た目が正しい世界ではなく、実際に動く世界をコーディングエージェントが構築できるかを試す。場面の構造的・力学的・因果的な原理を推論する能力と、その理解を物理的な相互作用から挙動が生まれるコードへ落とし込む能力を、あわせて評価する。既存のベンチマークは物理推論や視覚的忠実度といった断片しか扱っていないと著者らは記す。
5LatentLoop: Scaling Looped MoE Models with Asymmetric Compute AllocationLatentLoop:以非对称算力分配扩展循环式 MoE 模型LatentLoop: 非対称な計算割り当てによるループ型 MoE モデルのスケーリング64 UPVOTES · ZEFENG HE ET AL. · ARXIV 2610.19975LatentLoop probes looped mixture-of-experts models, where one shared block is applied twice, and finds the two visits are not equal. Learned residual coefficients come out smaller on the first visit, and fixed-coefficient runs show that shrinking the first visit preserves or improves performance while the same cut to the second hurts it. The paper builds an asymmetric compute budget on that result.LatentLoop 研究了把同一个共享模块使用两次的循环式 MoE 模型,发现两次访问并不对等。学习得到的残差系数在第一次访问上更小;固定系数的实验显示,缩小第一次访问的尺度能保持甚至提升性能,而对第二次做同样的削减则会损害性能。论文据此构建了非对称的算力分配方案。LatentLoop は、共有ブロックを 2 回適用するループ型 MoE モデルを調べ、2 回の訪問が等価ではないことを示した。学習された残差係数は 1 回目の訪問で小さくなり、係数を固定した実験では、1 回目の尺度を縮めても性能は保たれるか向上する一方、2 回目に同じ削減を加えると性能が落ちた。論文はこの非対称性をもとに計算量の配分を設計する。
2026-10-14 · WEDNESDAY · 13:11 PDT
1Agent-Reflex: Teaching Language Agents to Act ReflectivelyAgent-Reflex:训练语言智能体学会反思式行动Agent-Reflex: 言語エージェントに内省的な行動を教える192 UPVOTES · GUANTING DONG ET AL. · NLPIR LAB @ RUC · ARXIV 2610.17953The authors train a language agent to catch its own mistakes instead of pressing on. Agent-Reflex perturbs tool feedback to mine matched success-failure pairs, distills them into reusable reflection skills, then reinforces the behavior on-policy. Built on Qwen3-8B, it reports 58.6 across five long-horizon tool-use benchmarks and 29.1 on AgentNoiseBench.作者训练语言智能体去发现自己的错误,而不是一路硬推下去。Agent-Reflex 对工具反馈施加扰动,从中挖掘成功与失败的配对样本,提炼成可复用的反思技能,再以同策略强化学习巩固这一行为。基于 Qwen3-8B,论文报告在五个长程工具使用基准上取得 58.6,在 AgentNoiseBench 上取得 29.1。著者らは、言語エージェントが押し進めるのではなく自らの誤りに気づくように学習させる。Agent-Reflex はツールからのフィードバックに摂動を加えて成功と失敗の対応する事例を収集し、再利用可能な内省スキルへ蒸留したうえで、オンポリシーの強化学習でその振る舞いを強化する。Qwen3-8B を基盤に、長期視野のツール利用ベンチマーク 5 件で 58.6、AgentNoiseBench で 29.1 を報告している。
2VideoJev: System One Model for Video Understanding and InteractionVideoJev:面向视频理解与交互的 System One 模型VideoJev: 動画理解と対話のための System One モデル189 UPVOTES · YUHAN ZHU ET AL. · MULTIMEDIA COMPUTING GROUP-NANJING UNIVERSITY · ARXIV 2610.18615VideoJev swaps autoregressive answer decoding in multimodal LLMs for a head that scores time intervals and answer options against the video. One interface then covers both temporal grounding and multiple-choice video QA, with visual computation cached across queries. The paper reports mean mIoU gains of 6.7 and 10.8 points over its backbones at 2.8-3.1x faster inference.VideoJev 把多模态大模型中的自回归答案解码替换为一个打分头,对时间区间和候选答案相对视频证据评分。同一个接口由此同时覆盖时间定位和视频多选问答,并在多次查询之间复用缓存的视觉计算。论文报告相对各自骨干模型的平均 mIoU 提升 6.7 和 10.8 个点,推理速度提升 2.8 至 3.1 倍。VideoJev は、マルチモーダル大規模言語モデルにおける自己回帰的な解答生成を、時間区間と選択肢を動画の証拠に対して採点するヘッドに置き換える。これにより一つのインターフェースが時間的グラウンディングと多肢選択式の動画 QA の双方を担い、視覚側の計算は複数の問い合わせ間でキャッシュされる。論文は各バックボーン比で平均 mIoU が 6.7 ポイントと 10.8 ポイント向上し、推論は 2.8〜3.1 倍速いと報告する。
3GreenWAM: A World Foundation Model for RoboticsGreenWAM:面向机器人的世界基础模型GreenWAM: ロボティクスのための世界基盤モデル80 UPVOTES · GENNADY SIDOROV ET AL. · SBER ROBOTICS CENTER · ARXIV 2610.18774One model is trained both to predict how an action changes a scene and to choose the action, across 20 robot families mapped into a shared joint-coordinate action space. GreenWAM reports leading trajectory, depth and 3D accuracy on WorldArena 1.0 and places among the top entries on the RoboTwin 2.0 leaderboard, and the team adapts it to a real humanoid.一个模型同时学习预测动作将如何改变场景,以及选择该动作,覆盖 20 类机器人形态,并统一映射到共享的关节坐标动作空间。GreenWAM 报告在 WorldArena 1.0 上的轨迹、深度与三维精度处于领先,在 RoboTwin 2.0 排行榜上位列前排,团队还将其迁移到一台真实的人形机器人上。一つのモデルを、行動によって場面がどう変わるかの予測と、その行動の選択の双方に向けて学習させ、共通の関節座標による行動空間に写した 20 系統のロボットを対象とする。GreenWAM は WorldArena 1.0 で軌道・深度・3D 精度が最上位水準にあり、RoboTwin 2.0 のリーダーボードでも上位に入ると報告され、著者らは実機の人型ロボットへの適応も行っている。
4AesCode: Aesthetic Code Generation with Decoupled Cross-Modal RewardsAesCode:以解耦的跨模态奖励生成具美感的代码AesCode: 分離したクロスモーダル報酬による美的なコード生成77 UPVOTES · XIN GAO ET AL. · MICROSOFT · ARXIV 2610.18860Code models that emit slides, posters and dashboards cannot see how layout and color land on the canvas. AesCode uses an image generated from the same prompt as aesthetic guidance and scores output through a design graph, pairing deterministic verifiers with a VLM judge under reinforcement learning. Its 8B and 32B models gain 31.1 and 22.4 points of visual quality over Qwen3-VL.生成幻灯片、海报和仪表板代码的模型看不到版式与配色在画布上最终呈现的效果。AesCode 用同一提示生成的图像作为美学参照,并通过「设计图」为输出打分:可解析的属性交给确定性校验器,其余交给视觉语言模型评审,二者在强化学习中分别优化。其 8B 与 32B 模型在视觉质量上分别比 Qwen3-VL 高出 31.1 和 22.4 个点。スライドやポスター、ダッシュボードをコードとして出力するモデルは、レイアウトと配色がキャンバス上でどう仕上がるかを見ることができない。AesCode は同じプロンプトから生成した画像を美的な手がかりとして用い、出力を「デザイングラフ」で採点する。コードから解析できる属性は決定的な検証器が、それ以外は視覚言語モデルの判定器が担い、両者を強化学習で最適化する。8B と 32B のモデルは Qwen3-VL 比で視覚品質をそれぞれ 31.1 ポイント、22.4 ポイント高めた。
5Harness^2: Recursive Agent Harnessing for an Open WorldHarness^2:面向开放世界的递归式智能体框架改进Harness^2: オープンワールドのための再帰的エージェントハーネス74 UPVOTES · RUIYAO XU ET AL. · GOOGLE · ARXIV 2610.14224Harness^2 rewrites an agent's execution harness at test time without ground-truth verifiers. Task-level recursion edits the harness for the task at hand by proposing, probing and composing changes, while a second level banks that experience for future tasks. A single step lifts GLM-5 and Gemini 3.5 Flash by up to 11.5 points on WorkBuddy-Bench.Harness^2 在测试时改写智能体的执行框架,且不依赖标准答案式的校验器。任务级递归通过提出、探测、组合三步为当前任务修改框架;更高一层的递归则把这些修改中的经验沉淀下来,供后续任务使用。单步改进即让 GLM-5 与 Gemini 3.5 Flash 在 WorkBuddy-Bench 上最多提升 11.5 个点。Harness^2 は、正解に基づく検証器を使わずに、テスト時にエージェントの実行ハーネスを書き換える。タスク単位の再帰が、変更の提案・検証・合成という手順で当面のタスク向けにハーネスを修正し、もう一段上の再帰がそこで得た経験を蓄えて以後のタスクに生かす。1 ステップで GLM-5 と Gemini 3.5 Flash を WorkBuddy-Bench 上で最大 11.5 ポイント押し上げた。
2026-10-13 · TUESDAY · 13:16 PDT
1Thinking Inertia: LLMs Keep Thinking When Told Not To思维惯性:被要求不要思考时,大模型仍在思考思考の慣性: 考えるなと言われても LLM は考え続ける214 UPVOTES · DIANQIAO LEI ET AL. · STANFORD UNIVERSITY · ARXIV 2610.11765Stanford researchers argue that telling a model not to think does not stop it reasoning. They split each response into a pre-answer trace and a final answer, then test six prompting interventions on six models: explicit inference persists under strict controls and grows as the answer space opens. Accuracy holds on Boolean and multiple-choice tasks, while open-ended ones trade compliance against accuracy.斯坦福大学的研究者指出,要求模型不要思考并不能让它停止推理。他们把每个回答拆成答案前的过程文本与最终答案,用三项指标评分,并在六个模型上测试六种提示干预:即便施加严格约束,显式推理依然存在,且答案空间越开放越普遍。在判断题和选择题上准确率保持稳定,而开放式问题则要在遵守指令与答对之间权衡。スタンフォード大の研究者は、考えるなと指示しても模型の推論は止まらないと論じる。各回答を解答前の過程と最終解答に分けて3つの指標で採点し、6つのモデルに6種類のプロンプト介入を試したところ、厳しく制約しても明示的な推論は残り、解答空間が開くほど増えた。真偽問題と多肢選択では正答率が保たれる一方、自由記述では指示の遵守と正答率が引き合いになった。
2AgentSWE: Can Coding Agents Build the Agent You Actually Want?AgentSWE:编程智能体能造出你真正想要的智能体吗?AgentSWE: コーディングエージェントは本当に欲しいエージェントを作れるか201 UPVOTES · JIAHAO WANG ET AL. · ARXIV 2610.13361AgentSWE benchmarks coding agents on building other agents, across 25 tasks in three stages: creating an agent from a natural-language requirement, editing production agent codebases and optimizing toward a measurable target. Each task is a commission: the builder iterates on a few illustrative cases, while grading runs the frozen submission on held-out ones. No agent tested delivers what the requirement asks.AgentSWE 用 25 项任务考察编程智能体为他人构建智能体的能力,覆盖三个阶段:依据自然语言需求从零创建一个智能体、修改生产环境中的智能体代码库,以及面向可量化目标做优化。每项任务都被设计成一次委托:构建方只能依据少量示例反复迭代,而评分会在留出用例上运行已冻结的提交结果。受测的智能体没有一个接近交付需求所要求的东西。AgentSWE は、コーディングエージェントが別のエージェントを作る能力を25のタスクで測るベンチマークで、自然言語の要件から新規に作る段階、実運用のエージェントのコードを編集する段階、計測可能な目標に向けて最適化する段階の三つを扱う。各タスクは発注として設計され、作り手は少数の例示ケースで反復する一方、採点は凍結した提出物を未公開ケースで走らせる。試したエージェントはいずれも、要件が求めるものを届けるには遠く及ばなかった。
3VIS-Ground: Video Interactive Storytelling with Contextual GroundingVIS-Ground:带上下文锚定的交互式视频叙事VIS-Ground: 文脈に接地した対話型ビデオストーリーテリング75 UPVOTES · BINGXUAN LI ET AL. · GOOGLE · ARXIV 2610.09326Google's VIS-Ground addresses interactive video storytelling, where a viewer's mid-generation request depends jointly on the source material and the video already rendered. It abstracts that heterogeneous context into an executable constraint model, then enforces them through planning, verification, revision and rendering. Across three backbones it beats the strongest per-backbone baselines by 10.3 points.谷歌提出的 VIS-Ground 面向交互式视频叙事:观众在生成过程中提出的要求,同时取决于素材来源和已经渲染出的视频内容。该方法把这些异构上下文抽象成一个可执行的约束模型,再通过规划、校验、修订与渲染逐步落实这些约束。在三种视频生成骨干模型上,它的综合得分比各骨干的最强基线平均高出 10.3 分。グーグルの VIS-Ground は、生成の途中で視聴者が出す要求が素材と既に描かれた映像の両方に依存する、対話型のビデオストーリーテリングを扱う。異種の文脈を実行可能な制約モデルへ抽象化し、計画、検証、修正、描画を通じてその制約を守らせる。3種類の動画生成基盤で、各基盤の最強のベースラインを総合スコアで平均 10.3 ポイント上回った。
4GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash SpeedGroundAnything:在极速下兼顾并行解码与精确视觉定位GroundAnything: 並列デコードと精密な視覚グラウンディングを高速に両立させる71 UPVOTES · QIZE YU ET AL. · XPENG AI · ARXIV 2609.39600XPENG AI's GroundAnything is a 4B-parameter visual grounding model that drops left-to-right decoding for blockwise diffusion, letting spatial hypotheses emerge in parallel and be refined jointly. Its autoregressive variant averages 72.42 percent across 30 grounding benchmarks against 71.35 for GPT-6 Astra, and an optional self-speculative mode runs 4.51 times faster for a 0.74-point drop in COCO F1mIoU.小鹏 AI 推出的 GroundAnything 是一个 40 亿参数的视觉定位模型,它放弃从左到右的解码,改用分块扩散,让多个空间假设并行产生并联合细化。其自回归版本在 30 项定位基准上平均得分 72.42%,高于 GPT-6 Astra 的 71.35%;可选的自推测解码模式速度提升 4.51 倍,代价是 COCO F1mIoU 下降 0.74 个百分点。XPENG AI の GroundAnything は、左から右への逐次デコードをやめてブロック単位の拡散を用い、空間的な仮説を並列に立てて同時に精緻化する40億パラメータの視覚グラウンディングモデル。自己回帰版は30のグラウンディングベンチマークで平均 72.42% となり、GPT-6 Astra の 71.35% を上回った。任意の自己投機デコードでは 4.51 倍速くなり、COCO F1mIoU は 0.74 ポイント下がる。
5Multi-Stream Attention Residuals多流注意力残差マルチストリーム注意残差34 UPVOTES · XIAOHAN QIN ET AL. · SHANGHAI JIAO TONG UNIVERSITY · ARXIV 2610.13630MSAR extends Attention Residuals to multi-head attention along a network's depth axis, drawing stream diversity from multi-scale causal convolutions and mixing the retrieved streams back into a single-stream layer input. At 18B and 28B MoE scales it beats standard residuals, Hyper-Connections and AttnRes on all 12 downstream benchmarks, with an iso-loss compute speedup of 1.58x against 1.35x for AttnRes.MSAR 把注意力残差扩展为沿网络深度方向的多头注意力,借助多尺度因果卷积获得不同数据流的差异,再将取回的多路表示混合成单流的层输入。在 18B 和 28B 的 MoE 规模上,它在全部 12 项下游基准上都优于标准残差连接、Hyper-Connections 和 AttnRes,等损失下的算力加速比为 1.58 倍,而 AttnRes 为 1.35 倍。MSAR は、注意残差をネットワークの深さ方向の多頭注意へ拡張し、多尺度の因果畳み込みからストリームの多様性を得て、取り出した複数のストリームを単一ストリームの層入力へ混ぜ戻す。18B と 28B の MoE 規模で、標準の残差接続、Hyper-Connections、AttnRes を12の下流ベンチマークすべてで上回り、等損失での計算速度向上は 1.58 倍(AttnRes は 1.35 倍)だった。
2026-10-12 · MONDAY · 13:14 PDT
1S-Space: Exploring Spatial Workspace in Multimodal Language ModelsS-Space:探索多模态语言模型中的空间工作区S-Space: マルチモーダル言語モデルにおける空間ワークスペースの探索200 UPVOTES · ZHIYUAN SHI ET AL. · MIRROS · ARXIV 2610.13527The paper uncovers S-Space, a linear subspace in multimodal language models whose object-token activations encode continuous horizontal, vertical and distance coordinates. It is intrinsic rather than prompt-induced and readable even under non-spatial questions; causal interventions on it alter spatial judgments while sparing other answers. The bottleneck is transforming space across viewpoints, not representing it.论文揭示了 S-Space:多模态语言模型中的一个线性表示子空间,物体 token 的激活在其中沿水平、垂直与距离三个轴编码连续坐标。它是模型固有的,并非由特定数据或提示词诱导,即使在非空间问题下也可读出;对它做因果干预会改变空间判断,而基本不影响其他回答。把感知与计算拆开后可见,瓶颈在于跨视角的空间变换。本論文は S-Space を明らかにした。マルチモーダル言語モデル内部の線形な表現部分空間で、物体トークンの活性が水平・垂直・距離の各軸に沿った連続座標を符号化している。特定のデータやプロンプトによって誘導されたものではなくモデルに内在し、空間に関係しない質問でも読み出せる。因果的介入を加えると空間判断は変わるが他の回答はほぼ保たれる。知覚と計算を分解すると、視点変化をまたぐ空間変換がボトルネックだと分かる。
2EmbodiedCLBench: Evaluating Continual Learning for Self-Evolving Embodied AgentsEmbodiedCLBench:面向自我演进具身智能体的持续学习评测基准EmbodiedCLBench: 自己進化する身体性エージェントの継続学習を評価するベンチマーク62 UPVOTES · JIE HUANG ET AL. · PKU-VALUE-LAB · ARXIV 2610.13021PKU-VaLuE-Lab introduces EmbodiedCLBench, which it calls the first embodied-simulation benchmark for the continual learning of self-evolving agents. Agents learn basic tasks, then must recombine those skills on unseen advanced ones. Across several harnesses and learning methods, experience from basic tasks helps consistently, but the gain does not scale with more samples.北京大学 VaLuE 实验室提出 EmbodiedCLBench,称其为首个在具身仿真环境中评估自我演进智能体持续学习能力的基准。智能体先学会基础任务,再把掌握的技能重新组合,去解决未见过的复杂任务。在多种智能体框架与学习方法上的实验显示,基础任务带来的经验能稳定提升表现,但收益并不随样本增加而相应扩大。北京大学 VaLuE Lab は EmbodiedCLBench を発表した。自己進化するエージェントの継続学習能力を身体性シミュレーション環境で評価する初のベンチマークだとしている。エージェントはまず基本タスクを学び、習得した技能を組み替えて未知の高難度タスクに挑む。複数のハーネスと学習手法で試したところ、基本タスクの経験は一貫して効くが、その利得はサンプル数の増加に見合って伸びない。
3ProgramGym: Scaling Training Environments for Long-Horizon Program Reproduction AgentsProgramGym:为长程程序复现智能体扩展训练环境ProgramGym: 長期的なプログラム再現エージェントのための学習環境のスケーリング47 UPVOTES · CHENGYI YANG ET AL. · PROGRAMGYM · ARXIV 2610.13395ProgramGym builds verifiable training environments for coding agents that write programs from scratch, repairing sandbox builds and black-box test quality in a feedback loop to yield 1,648 environments across C, C++, Go and Rust. Fine-tuning on trajectories from them lifts Qwen3.8-27B from 34.87 to 42.84 percent on ProgramBench, and its role-isolated agent workflow reaches 55.71 and 56.25 percent.ProgramGym 为从零编写程序的编码智能体构建可验证的训练环境:它用反馈循环修复运行沙箱的构建问题与黑盒测试质量,得到覆盖 C、C++、Go 和 Rust 的 1648 个环境。用这些环境产生的轨迹做微调,可把 Qwen3.8-27B 在 ProgramBench 上的成绩从 34.87% 提升到 42.84%;其按角色隔离的智能体工作流进一步达到 55.71% 与 56.25%。ProgramGym は、ゼロからプログラムを書くコーディングエージェント向けに検証可能な学習環境を構築する。フィードバックループで実行サンドボックスのビルドとブラックボックステストの品質を修復し、C・C++・Go・Rust にまたがる 1648 の環境を得た。そこから得た軌跡でファインチューニングすると Qwen3.8-27B の ProgramBench 成績は 34.87% から 42.84% に上がり、役割分離型のエージェントワークフローはさらに 55.71%、56.25% に達した。
4Continually Post-training Small Models via Synthetic Self-distillation通过合成自蒸馏持续后训练小模型合成自己蒸留による小規模モデルの継続的ポストトレーニング40 UPVOTES · WOOSUNG KOH ET AL. · LG AI RESEARCH · ARXIV 2610.13113LG AI Research traces the failure of self-distillation fine-tuning on small models to distribution shift, which correlates linearly with weak acquisition and with forgetting. Its SynthSelf outsources the in-distribution rewrite to a slightly larger same-family aligner, adding off-policy supervision and rejection sampling. It beat six methods over four acquisition sets, 14 retention benchmarks and three scales.LG AI Research 将自蒸馏微调在小模型上失效的根因归于分布偏移,并发现习得不佳与遗忘都与该偏移呈线性相关。其提出的 SynthSelf 把同分布改写外包给同系列中略大一些的对齐模型,再配合离策略监督与拒绝采样。在 4 个习得数据集、14 项保持能力基准与 3 种模型规模上,它均胜过 6 种对比方法。LG AI Research は、自己蒸留ファインチューニングが小規模モデルで失敗する原因を分布シフトに求め、習得の弱さと忘却のいずれもこのシフトと線形に相関することを示した。提案手法 SynthSelf は、同分布への書き換えを同系列でわずかに大きいアライナーに外注し、オフポリシーの教師信号と棄却サンプリングを組み合わせる。習得用 4 データセット、保持用 14 ベンチマーク、3 つのモデル規模で 6 手法を上回った。
5Work2Skill: Capturing Human GUI Experience for Reusable Agent Skill InductionWork2Skill:采集人类 GUI 操作经验以归纳可复用的智能体技能Work2Skill: 人間の GUI 操作経験から再利用可能なエージェントスキルを誘導する39 UPVOTES · YUQI HUANG ET AL. · NEX AGI · ARXIV 2610.12984Work2Skill turns recorded human desktop work into reusable agent skills. WorkRecorder aligns screen capture, input events and accessibility-tree data into WorkDemo-350, a synchronized set of 350 screened demonstrations, and an agentic step induces skills carrying workflow rules, step dependencies and completion checks. Four execution models gained 4.67 to 10.54 points on MyPCBench Bounded Action.Work2Skill 把录下的人类桌面操作转化为可复用的智能体技能。其中 WorkRecorder 将屏幕录制、键鼠事件与可访问性树信息对齐,构建出 WorkDemo-350——一个经完整性与成功率筛选的 350 条同步多模态演示数据集;随后的智能体归纳环节产出带有工作流规则、步骤依赖与完成校验的技能。四个执行模型在 MyPCBench Bounded Action 上平均提升 4.67 至 10.54 分。Work2Skill は、記録した人間のデスクトップ操作を再利用可能なエージェントスキルへ変換する。WorkRecorder が画面録画、キーボード・マウス操作、アクセシビリティツリー情報を同期させ、完全性と成功を審査した 350 件のデモからなる WorkDemo-350 を構築する。続くエージェント的な誘導工程が、ワークフロー規則・手順の依存関係・完了判定を備えたスキルを生成する。4 つの実行モデルは MyPCBench Bounded Action で平均 4.67〜10.54 ポイント向上した。
2026-10-10 · SATURDAY · 13:13 PDT
1OuroWorld: Bringing Any 3D World Alive as Diverse, Endlessly Looping 3D CinemagraphsOuroWorld: 让任意 3D 世界动起来,生成多样且无尽循环的 3D 动态影像OuroWorld: あらゆる 3D 世界を多様で無限にループする 3D シネマグラフとして動かす35 UPVOTES · YOU-ZHE XIE ET AL. · ALAYA LAB · ARXIV 2610.12461OuroWorld is a mask-free framework that turns a static 3D Gaussian Splatting scene into a seamlessly looping 3D cinemagraph. A vision-language model infers the dynamics and steers a video model, whose reference video becomes multi-view supervision, while a Fourier-series deformation field guarantees the loop. Across 39 scenes it won 70.8 to 99.0 percent of user-study comparisons.OuroWorld 无需遮罩,就能把静态的 3D 高斯泼溅场景变成可无缝循环的 3D 动态影像。视觉语言模型先推断合理的运动方式并引导视频模型,生成的参考视频再被抬升为多视角监督信号;傅里叶级数形变场从构造上保证循环,而锚定在参考视角的漂移场则吸收跨视角的不一致。在 39 个场景上,它在用户研究对比中的胜率为 70.8% 至 99.0%。OuroWorld は、静的な 3D ガウシアンスプラッティングのシーンを、マスクなしで滑らかにループする 3D シネマグラフへと変える。視覚言語モデルが妥当な動きを推定して動画モデルを誘導し、得られた参照動画を多視点の教師信号へと持ち上げる。フーリエ級数の変形場が構造的にループを保証し、参照視点に固定したドリフト場が視点間の不整合を吸収する。39 シーンでの利用者調査では、比較の 70.8%から 99.0%で優位だった。
2Beyond Spatio-Temporal Priors: A Generalizable Approach for Dense Correspondence Matching超越时空先验: 一种可泛化的密集对应匹配方法時空間事前分布を超えて: 密な対応付けのための汎化可能な手法34 UPVOTES · LUPING LIU ET AL. · THE UNIVERSITY OF HONG KONG · ARXIV 2610.12421FreeMatching drops the smooth-motion and rigid-geometry assumptions of classical dense correspondence, which break down in image editing and reference-guided generation. It pairs generative and semantic foundation representations with supervision from classical datasets, tracked video and synthetic scenes, refined by a teacher without dense labels. It also scores identity preservation in line with human judgment.经典的密集对应匹配依赖运动平滑与几何刚性这两个假设,而在图像编辑和参考引导生成中,变换往往保留视觉身份却打破物理连续性,这些假设随之失效。FreeMatching 放弃上述先验,把生成式表征与语义基础表征结合起来,用经典数据集、带跟踪标注的视频和合成场景提供异质监督,并以教师引导的迭代精修避免对密集标注的依赖。同一个模型还可用于评估身份保持度,评分与人类判断相符。古典的な密な対応付けは、滑らかな運動と剛体幾何という前提に縛られてきたが、画像編集や参照画像に基づく生成では、見た目の同一性を保ちながら物理的な連続性を壊す変換が起きるため、その前提は崩れる。FreeMatching はこれを捨て、生成的表現と意味的な基盤表現を組み合わせ、古典的データセット・追跡済み動画・合成シーンからの異種の教師信号と、密なラベルを要さない教師誘導の反復精緻化を用いる。同じモデルは同一性保持の定量指標にもなり、その評点は人間の判断とよく一致する。
3DreamTrue: Action-Faithful Robot World Model with Counterfactual Post-TrainingDreamTrue: 基于反事实后训练的动作忠实机器人世界模型DreamTrue: 反事実的な事後学習による行動忠実なロボット世界モデル34 UPVOTES · JUNYAN LI ET AL. · ARXIV 2610.12468DreamTrue is a cross-embodiment robot world model for action-faithful video prediction. It renders action trajectories into image-space conditions with offline calibration, and adds counterfactual post-training that edits recorded trajectories to cover unseen contacts, guided by a reward model trained on human-annotated defects. On AgiBot the human-assessed interaction defect rate fell from 48.12 to 6.25 percent.DreamTrue 是一个多视角、跨本体的机器人世界模型,用于动作忠实的视频预测。它把动作轨迹渲染成图像空间的条件,并通过离线几何校准与目标视频对齐;再以反事实后训练改写已记录的轨迹,覆盖原始数据中不存在的动作与接触情形,同时由一个在人工标注缺陷数据上训练的奖励模型引导强化学习。在 AgiBot 上,人工评定的交互缺陷率从 48.12% 降到 6.25%。DreamTrue は、行動に忠実な動画予測のための多視点・異種ロボット対応の世界モデルである。行動軌跡を画像空間の条件としてレンダリングし、オフラインの幾何キャリブレーションで対象動画と整合させる。さらに反事実的な事後学習で記録済みの軌跡を書き換え、元データに無い行動や接触の状況まで広げ、人手で欠陥を注釈した動画で学習した報酬モデルが強化学習を導く。AgiBot では、人間が評価した相互作用の欠陥率が 48.12%から 6.25%へ下がった。
4MC-Sparse: Deconstructing and Closing the Dense-Sparse Attention Gap in Diffusion TransformersMC-Sparse: 解构并弥合扩散 Transformer 中稠密与稀疏注意力的差距MC-Sparse: 拡散 Transformer における密・疎アテンションの差を分解して埋める33 UPVOTES · JIARUI CHEN ET AL. · TENCENT HUNYUAN · ARXIV 2610.06801MC-Sparse traces the quality loss of sparse attention in diffusion transformers to token grouping, inaccurate interaction selection, and discarded attention mass. The training-free method picks individual key-value tokens while grouping similar queries into tile-aligned blocks, caching indices and residuals for reuse across denoising steps. It reports 1.80x denoising speedup on Minimax-H3-Base and 2.32x on 3D assets.MC-Sparse 把扩散 Transformer 中稀疏注意力的质量损失归因于三点:词元分组带来的约束、交互选择不准确,以及丢弃词元时一并丢掉的注意力贡献。该方法无需训练,逐个挑选键值词元,同时把相似的查询归入对齐分块以适配 GPU 执行,并缓存查询分组、键值索引和稠密与稀疏输出之间的残差,在后续去噪步骤中复用。论文报告在 Minimax-H3-Base 上去噪提速 1.80 倍,3D 资产生成提速 2.32 倍。MC-Sparse は、拡散 Transformer における疎アテンションの品質低下を三つの要因に切り分ける。トークンのグループ化による制約、相互作用の選択の不正確さ、そしてトークンを捨てる際に失われるアテンション寄与である。学習不要の手法で、キー・バリューのトークンを個別に選びつつ、似たクエリをタイル整列したグループにまとめ、クエリ群・選ばれた索引・密と疎の出力の残差をキャッシュして後続のノイズ除去ステップで再利用する。Minimax-H3-Base で 1.80 倍、3D アセット生成で 2.32 倍の高速化を報告している。
5U-Space: Uncovering When and Why Uncertainty Arises in Language ModelsU-Space: 揭示语言模型中不确定性何时出现、为何出现U-Space: 言語モデルで不確実性がいつ、なぜ生じるのかを解明する33 UPVOTES · TOBIAS BRAUN ET AL. · MULTIMODAL AI LAB - TECHNICAL UNIVERSITY OF DARMSTADT · ARXIV 2610.09087U-Space is a low-dimensional subspace that makes a language model's evolving uncertainty measurable, built from semantic anchors for doubt and certainty mapped into the residual stream. A U-Lens projection yields a token-level uncertainty map, readable directly or reduced to one score, with no correctness labels, repeated sampling or training. Its confidence score beat established baselines on reasoning benchmarks.U-Space 是一个低维子空间,让语言模型推理过程中不断变化的不确定性变得可测量:作者先找出表示怀疑与确信的语义锚点,再把它们的解嵌入方向映射回残差流,并组合成一组正交基。U-Lens 把每个词元的状态投影到这组基上,得到可直接查看、也可汇总为单一分数的词元级不确定性图谱,整个过程不需要正确性标签、重复采样或额外训练。在长度受控的评测下,其置信度分数优于既有基线。U-Space は、言語モデルの推論中に移り変わる不確実性を測定可能にする低次元の部分空間である。疑いと確信に対応する意味的なアンカーを特定し、その逆埋め込み方向を残差ストリームへ写し戻して直交基底を構成する。U-Lens が各トークンの状態をこの基底へ射影し、そのまま読めるトークン単位の不確実性マップ、あるいは単一のスコアを得る。正解ラベル・複数回の生成・追加学習はいずれも不要で、長さを統制した評価でも既存のベースラインを上回る信頼度スコアを示した。