University of Electronic Science and Technology of China

在两家生殖医学中心1286例非梗阻性无精子症患者的回顾性队列中，术中由AI-SpermScope实时标出可能含精子的生精小管并快速确认精子，取精成功率由常规显微取精的47.6%升至68.1%，差异在倾向评分匹配后仍保持。取精成功者的后续ICSI周期中，AI组每移植周期活产率为38.5%，常规组为26.8%；该结果来自非随机分组，因果效应仍需前瞻性随机试验确认。

在两家生殖医学中心1286例非梗阻性无精子症患者的回顾性队列中，术中由AI-SpermScope实时标出可能含精子的生精小管并快速确认精子，取精成功率由常规显微取精的47.6%升至68.1%，差异在倾向评分匹配后仍保持。取精成功者的后续ICSI周期中，AI组每移植周期活产率为38.5%，常规组为26.8%；该结果来自非随机分组，因果效应仍需前瞻性随机试验确认。

胸片报告生成开始把“生成单元”直接定义为报告标注中语句对应的解剖区域集，而不是预设主题或单个区域。RadCarve让规划器从图像同时预测哪些单元存在、各由哪些区域组成，再按该区域集的联合视觉证据独立生成每段文字。在Chest ImaGenome上，给定区域集时其CXRFEScore比强基线高9.4%，端到端绑定F1@0.5为0.451，而RGRG为0.185、ChEX为0.089；推理参数为0.761B。

胸片报告生成开始把“生成单元”直接定义为报告标注中语句对应的解剖区域集，而不是预设主题或单个区域。RadCarve让规划器从图像同时预测哪些单元存在、各由哪些区域组成，再按该区域集的联合视觉证据独立生成每段文字。在Chest ImaGenome上，给定区域集时其CXRFEScore比强基线高9.4%，端到端绑定F1@0.5为0.451，而RGRG为0.185、ChEX为0.089；推理参数为0.761B。

不安全反序列化让攻击者能借应用依赖里的方法链执行任意代码，而网关、应用、系统三层各自只看得到攻击的一部分。Janus 在隔离副本上让黑盒攻击智能体不断寻找绕过变体，防御智能体把每个已验证变体归纳成安全相关效果，再用反事实重放区分互补覆盖与冗余规则，联合选择并限定各层控制。在六个 Java 与 PHP 应用的 16 个部署上，留出攻击成功率降到 6.2%，而网关、应用、系统与跨层基线为 18.8%–55.0%，同时通过 98.4% 的正常功能测试。

不安全反序列化让攻击者能借应用依赖里的方法链执行任意代码，而网关、应用、系统三层各自只看得到攻击的一部分。Janus 在隔离副本上让黑盒攻击智能体不断寻找绕过变体，防御智能体把每个已验证变体归纳成安全相关效果，再用反事实重放区分互补覆盖与冗余规则，联合选择并限定各层控制。在六个 Java 与 PHP 应用的 16 个部署上，留出攻击成功率降到 6.2%，而网关、应用、系统与跨层基线为 18.8%–55.0%，同时通过 98.4% 的正常功能测试。

世界动作模型可以只凭任务指令重新生成已学任务的完整轨迹，经截断与物理一致性筛选后回放，在四个LIBERO套件和五项真实任务上把顺序微调的遗忘降低九成以上，且不保留任何旧任务数据。

世界动作模型可以只凭任务指令重新生成已学任务的完整轨迹，经截断与物理一致性筛选后回放，在四个LIBERO套件和五项真实任务上把顺序微调的遗忘降低九成以上，且不保留任何旧任务数据。

Evo-World把光流监督的未来运动预测加进轻量视觉-语言-动作策略，在Meta-World MT50上取得91.1%的分层平均成功率，比无预测基线相对提升13.0%，并在AgileX真机单臂与双臂任务上以0.87B参数超过所评估的基线。

Evo-World把光流监督的未来运动预测加进轻量视觉-语言-动作策略，在Meta-World MT50上取得91.1%的分层平均成功率，比无预测基线相对提升13.0%，并在AgileX真机单臂与双臂任务上以0.87B参数超过所评估的基线。

把语言模型强化学习阶段的参数更新单独取出，只保留每个矩阵中最强的一个方向并按原幅度缩放，再注入视觉语言模型的语言模块，这种免训练迁移在三个模型家族、五个视觉推理基准的15组比较中有12组优于整段更新插值，Qwen接收方在MathVision上提升8.55个百分点。对照实验显示，仅匹配更新幅度或使用任意低秩方向都无法复现这一增益，说明后训练中获得的能力与可跨模型迁移的部分并不等同。

把语言模型强化学习阶段的参数更新单独取出，只保留每个矩阵中最强的一个方向并按原幅度缩放，再注入视觉语言模型的语言模块，这种免训练迁移在三个模型家族、五个视觉推理基准的15组比较中有12组优于整段更新插值，Qwen接收方在MathVision上提升8.55个百分点。对照实验显示，仅匹配更新幅度或使用任意低秩方向都无法复现这一增益，说明后训练中获得的能力与可跨模型迁移的部分并不等同。

该工作提出 ProsaBuddy，一个基于 LLM 的智能体系统，采用带 Prosa 代码库检索的 ReAct 循环、Rocq 工具访问与可选人工提示，并通过子目标委派架构把引理拆分为子目标分派给子智能体证明，在取自实时调度文献的小型基准上显著优于现有基于 LLM 的 Rocq 自动证明智能体系统与通用编码智能体 OpenCode。

该工作提出 ProsaBuddy，一个基于 LLM 的智能体系统，采用带 Prosa 代码库检索的 ReAct 循环、Rocq 工具访问与可选人工提示，并通过子目标委派架构把引理拆分为子目标分派给子智能体证明，在取自实时调度文献的小型基准上显著优于现有基于 LLM 的 Rocq 自动证明智能体系统与通用编码智能体 OpenCode。