命令行智能体常把“没做”报成成功：Receipt 读取内核等待状态，把假成功从34次降到9次
大语言模型智能体通过命令行操作 Web 服务时，默认每次工具调用都会在限定时间内返回且动作已完成；但许多命令会先提问，执行框架关闭输入时程序可能以状态0返回却没做请求的动作，保持输入打开时程序又会一直等到超时。Receipt 保持输入打开，从系统调用读出每个进程在等什么，并把这一状态交回未改动的智能体；在5个模型上，它把假成功从关闭输入时的34次降到9次，比普通终端少用24.4%的 token。
平面图闭邻域教学只需2个例子：旧上界是5，而区分1与2仍是NP难
平面图中闭邻域组成的教学问题，其无串通教学维度被证明不超过2，只允许正例时不超过4，两个上界都紧；此前已知上界分别是5和7。该证明同时确认了这一族上教学维度不超过VC维的猜想，但判定维度是否至多为1在平面图闭邻域上仍是NP完全的，区分取值1与2也仍是NP难的。
芬兰语语音模型不再只挑干净广播：从210万小时原始录音里按识别置信度筛出47.1万小时
芬兰语语音自监督预训练不再只靠语音活动检测和语种识别挑数据。此前这类流程只保证片段里有语音，不判断语音质量；这套流程在语音活动检测和去重之后，用语音识别置信度作为预训练数据质量的代理，从210万小时原始广播中保留47.1万小时。在四个评测集上，置信度筛选比语种识别筛选的词错误率相对低3%到7%，尽管留下的训练数据更少。
遥感超分不再只喂稠密低分图：把目标压成结构槽，UCMerced上PSNR比DiT4SR高2.03 dB
遥感图像超分此前把低分辨率观测作为稠密空间条件注入扩散Transformer，前景小目标容易被大面积背景淹没。MOSAIC把退化观测组织成目标级与布局级的紧凑结构槽，跨分辨率融合，并从共享原型记忆中检索反复出现的结构先验，再以轻量残差调制注入冻结的DiT4SR骨干。在UCMerced、AID和RSSCN7上，PSNR在两种倍率下均取得最优，其中UCMerced上比DiT4SR高2.03 dB，AID高4.54 dB，RSSCN7高1.49 dB，并在RSSCN7与AID上取得最低LPIPS。
NeMo-DCR 只传约 1% 变化权重，把 1T 模型跨集群重配从 87.5 分钟压到 150 秒
NeMo-DCR 提出一种比特精确的增量重配方法：在规范坐标下只传输每步变化的权重，用固定仿射映射直接投影变化、用残差转换覆盖其余变化，并以 XOR 掩码与覆写混合编码、经原生加载器原地应用，配合可恢复的联合提交；在 30B–1T 模型、3% 与 5% 变化率的压力测试中，重配比仅传输全量检查点的参考方案快 12–40 倍，1T 中继树重配耗时 150 秒而非 87.5 分钟。
Nereus 让 RL 后训练在运行中自适应并行：真实数据轨迹上平均步延迟降 27.7%，8B PPO 吞吐最高达 OpenRLHF 的 7.27 倍
Nereus 是一个面向大语言模型强化学习后训练的成本感知运行时，它把每个模型-阶段副本抽象为 Elastic Model Unit，用全局转移图编排 Split、Merge、Extend、Destroy 四种原语，在运行中按“收益能否偿还转移成本”的准则在线调整 DP/TP/PP 执行计划；在真实数据构建的轨迹上，在线 TP/PP 自适应相对初始固定 TP/PP 布局把平均步延迟降低 27.7%，1,000 步扩展到 1,024 GPU 的运行中六次转移仅占总运行时间的 0.079%，8B PPO 端到端吞吐相对 OpenRLHF 提升 2.14–7.27 倍、相对 Verl 提升 1.10–1.47 倍。
ColNanoVDR 用无文档查询蒸馏把多向量视觉文档检索的查询编码器压到 149M，保留约 95% NDCG@5 且 CPU 单线程快 26 倍
该工作提出 ColNanoVDR，用基于熵最优传输并带可学习 token 权重的 OTW 目标，把多向量视觉文档检索的教师查询编码器蒸馏为仅文本的 149M 学生模型，训练时不编码也不读取任何页面，在 ViDoRe v1–v3 上保留教师约 95% 的 NDCG@5，单 CPU 线程查询编码最高快 26 倍，并在相同训练下以 12.6 分之一的缓存教师数据量达到与分数蒸馏相当的效果。
YuE2 用可读乐谱先作曲再渲染，专家在整体质量上以 49.3% 对 34.6% 偏好符号规划
YuE2 用一个约 3.58B 参数的 AR–NAR Mixture-of-Transformers 先写出包含旋律、和弦、调性、拍号、速度与曲式的 ABC 乐谱，再展开为语义音乐 token 并渲染成整首歌的音频，配套的 MERT2 与 SheetSage2 从录音中构造语义与符号监督；同一检查点下专家以 49.3% 对 34.6% 偏好带符号规划的生成，在 WildSongBench 上 YuE2 的 SongBench Global Avg 为 6.7316、best-of-8 为 6.9632，MERT2 在 15 项 MARBLE 指标中的 14 项超过此前最好结果，SheetSage2-AR 在 15 个基准–指标对中的 12 个领先。
SMARTERS 用 Attention U-Net 从模拟 TERS 高光谱图直接预测平面分子结构，测试集平均 Dice 达 0.842
该工作提出 SMARTERS——一个基于 Attention U-Net 的编码器-解码器模型，在 1840 个平面小分子的模拟 TERS 高光谱图像上训练，把振动光谱图直接映射为二维原子位置图（测试集平均 Dice 相似系数 0.842）以及按元素（H、C、N、O）区分的化学分辨结构图（测试集平均 0.810），从而证明从 TERS 图像自动识别分子结构在模拟数据上可行，无需传统的人工比对与逐例量子化学计算。
SRMA-Mamba 在 CirrMRI600+ 上把肝硬化肝脏 MRI 分割的 mDSC 提到 92.95%（T1W）与 86.25%（T2W），并同时降低计算量
该工作提出基于 Mamba 的 SRMA-Mamba 网络，用 Spatial Anatomy-Based Mamba（SABMamba）在矢状、冠状、轴状三个解剖平面上做选择性扫描以构建全局空间上下文，并用 Spatial Reverse Mamba Attention（SRMA）结合粗分割图与分层编码特征逐步细化边界，在 CirrMRI600+ 的 T1W 与 T2W 数据上取得优于 SegResNet、UX-Net、MedNeXt、SwinUNETR、SwinUNETRv2 与 SegMamba 的分割指标，同时参数量与 GFLOPs 低于 SegMamba。