JEPA式世界模型只用分布正则约束隐空间时，编码器会把每一回合固定的背景当成主要信息，反而压掉机械臂与物体交互带来的状态变化，这种失效被称为静态坍缩。新方法在同一回合内把预测的隐状态变化与候选观测的变化做对比，并用光流相似度给出软目标，让运动相近的候选获得相近的监督。在OGBench-Cube随机背景设置上，规划成功率相对LeWM从52%升到78%，在LIBERO-Object上从14%升到54%，其余四个视觉控制基准保持相当水平。
投机解码的草稿模型该看哪几层隐藏状态，现在可以按信息量和冗余度来选，而不是沿用固定的位置规则；在Qwen3-4B-Instruct上，选出的三层组合平均接受token比EAGLE3默认规则高约0.085。
随机两位权重故障注入智能体执行后，模型级损坏会变成系统级结果：智能体可从畸形工具调用中恢复并完成任务，但故障执行的平均输出词元增加38.0%，个别故障还会改变安全与对齐行为。
该工作提出 RFChipAgent——一个由超级智能体协调的多智能体 AI 流程，整合按文档独立 FAISS 索引的多模态 RAG、物理感知拓扑智能体、原理图与测试台自动生成、TPE 加 CMA-ES 的仿真在环尺寸优化，以及带信任评分的仿真数据库；在 GF22FDSOI 60 GHz 宽带 LNA 上完成端到端验证，Trial #174 同时满足全部规格，整个设计活动约 2 小时完成，估计成本 156.20 美元。
作者提出 LLoCoT：用共享 Transformer 对紧凑潜在工作区做少量迭代精炼，替代从左到右的潜在生成，再由概率头并行采样潜在 token 以条件化自回归解码器；在 HumanEval 与 MBPP 上其平均准确率与显式 CoT 基线 Reasoning SFT 相当，并优于基座模型、仅答案 SFT 与 NF-CoT，同时相对 Reasoning SFT 将首答时间降低约 36 倍、推理阶段延迟降低约 42 倍、端到端吞吐提升 9.2%。
MLCommons Jailbreak Benchmark v1.0 提出一套端到端方法，用 264 条覆盖十一个危害类别的种子提示和来自 MLCommons 越狱分类法的代表性攻击，对八个开放权重大语言模型进行配对基线与对抗评估，按 AILuminate 评估标准 v1.4 判定回复，并以韧性差距衡量鲁棒性；结果显示不安全回复率从基线 11.08% 升至越狱条件下的 18.65%，平均韧性差距 7.57%，可访问系统的平均差距更大，攻击有效性随攻击类别与危害类型差异明显。
该工作提出 DyRA，一种输入自适应方法，通过在推理时动态近似并校正结构化权重近似（如低秩分解）引入的输出残差误差，直接优化输出的低秩因子，从而在相同计算预算下更忠实地逼近完整矩阵乘法；在视觉、语音和语言模型上，DyRA 相比仅做结构化权重近似的方法持续改善精度-效率权衡，并在 DINOv3 上实现 1.5 倍端到端 GPU 加速，同时将精度退化降低 3 倍以上。
已读完全部报道