专利审查要求智能体在稀疏的现有技术中反复检索、核对证据并写出新颖性判断，而既有基准多停留在静态候选集上。PatEx-Gym把这一流程做成可运行的环境：PatEx-Bench提供1K个审查任务、超过100万件专利与5.2万篇科学论文的检索语料，以及支持迭代检索与审查意见生成的运行时。PASS利用文档访问记录作为隐式相关性信号合成搜索轨迹，据此微调的4B模型PatEx-Agent在实验中与规模大得多的通用智能体相比取得有竞争力的表现。
薄壁网格锥壳铣削时，筋条分布让局部刚度随刀位突变，切削力把工件沿法向压出弹性退让，实际壁厚因此小于理论切深。新做法把有限元仿真当作源域、真实铣削实验当作目标域，用迁移学习先预测法向切削力，再把预测载荷送入等效刚度解析模型算出变形。在四个测试集上，该方法的预测准确率为93.05%至95.27%，高于CNN、PINN和TL三个对照模型。
该工作提出空间隐推理（SLR），把指向手势的几何线索与目标区域外观组织成有序的连续隐状态：一个由指尖位置和指向方向监督的空间射线状态，后接四个与目标区域特征对齐的视觉状态，视觉目标用奇偶池化按行列奇偶把 ROI 词元分成四组取均值；在 EgoPoint-Ground 上相对同骨干监督微调，mIoU 在 Qwen3.5-4B、Qwen2.5-VL-7B、Qwen3-VL-8B 上分别提升 2.8、17.5、21.1 个百分点，两个困难子集均有提升，YouRefIt 上 IoU 0.5 精度达 77.6%。
该工作提出 MITE，将生物医学命名实体识别重构为结构到结构的生成任务，把同一训练实例转写为 Python、C++、Java 等多种编程语言格式以提供结构多样的监督信号，无需外部生物医学知识或额外标注，并在推理时用实体级投票聚合不同代码格式的预测；在六个常用 BioNER 数据集上，MITE 稳定优于代表性 BERT 类与 LLM 类基线，并表现出较强的跨数据集泛化能力，消融与参数分析进一步验证了各组件的作用与稳健性。
该工作用“优势能量”刻画多奖励强化学习中各奖励对策略更新的贡献，证明在理想化GDPO归一化下某奖励的优势能量正比于其活跃组密度（批次中该奖励产生非零相对优势的 rollout 组比例），据此提出按密度反平方根加权的DARA，在工具调用与数学推理任务上比GDPO更快达到目标行为——工具调用格式合规最多少用26%训练步数，数学推理长度合规接近饱和最多少用65%步数，最终性能保持竞争力。
该工作提出 APM-Bench，把第一视角流式交互重构为多会话生活轨迹（549 段会话、104 条轨迹、2,719 个候选问题，平均每条轨迹 69 分钟视频），在跨会话理解、实时感知与自适应响应三类能力上评测通用视频模型与八种专用记忆系统，并设置证据可用性感知测试，结果显示存在明显的效用—延迟—存储权衡：原始视频记忆跨会话表现最强但需 GiB 级存储与高延迟，文本摘要把存储降到 KiB 级却损失跨会话性能，事件结构化记忆在专用系统中效用最好，而自适应响应即使给出丰富历史仍然困难。
该工作提出 Movement Trend Guidance：从点云与机器人状态的短历史中学习一个紧凑的隐变量来表示交互演化趋势，训练时仅用稀疏的未来夹爪状态监督该隐变量，推理时只保留隐变量作为面向未来的条件，在几乎不增加参数（较 DP3 增加 3.52%）的前提下，于 RoboTwin2.0、LIBERO-40、DexArt 与五项真实机器人任务上一致提升 3D 扩散策略的成功率。
已读完全部报道