FrontierPhysics把物理智能体的评测从固定问答和给定解法的论文复现，换成由42位物理学家依据自己研究设计的56个端到端课题，覆盖理论、计算与实验物理九个方向。智能体只拿到类似导师给的高层指令，要自己查文献、定计划、做计算或实验，并同时交出可确定性核验的数值结果和一份论文稿。22个模型、26种配置中没有任何配置在168次运行里通过超过46次，人工审阅轨迹显示主要短板是推理不够严谨和缺少专家直觉，而不是物理知识不足。
给开放式回答打分的评分细则，改成先按语义筛出可行分解、再用六条不同质量回答的实测表现挑最终结构，在六个偏好基准中的五个上取得最高成对准确率。
该工作提出 LexReward，一个由法律专家参与构建、把法律回答质量拆解为 Style（词汇与句法）、Element（主体、事实、法条、裁判）与 Chain（推理顺序、完整性、正确性、非冗余）三个维度的分类体系，并据此设计规则或 LLM 评判的评分细则，用其构建偏好数据训练中文法律奖励模型 LexRM；实验显示评分细则能区分不同质量回答，DPO 在三个维度上均提升生成表现，LexRM 在测试时扩展中优于随机选择，用于 GRPO 时各维度均有增益并优于基于结果规则的奖励。
该工作构建了面向科学图像生成可解释验证的基准 SciGen-Verify（1,350 个样本，覆盖指令遵循 406、多学科推理 287、世界知识 657，采用二元判断、解释、编辑指令三层级联协议），并提出基于 Qwen3-VL-8B-Instruct 的 SciGen-Verifier，经冷启动监督微调（48,311 条实例）与课程式两阶段强化学习（先 rubric 引导的过程奖励、后结果奖励）训练，在基准上取得 86.28% 总体判断准确率、81.79% 解释准确率与 57.42% 编辑指令准确率，并可作为在线批评者用于迭代图像修正。
ShieldVLA 提出一种面向视觉-语言-动作（VLA）模型的安全对齐微调框架：它从视觉观测中无模型地学习 Hamilton-Jacobi 可达性安全价值函数作为安全评论家，用该评论家把策略优化门控为“可行区域内最大化奖励、接近不安全状态时转向恢复”，并以基于评分量规的 VLM 安全分数替代人工逐步代价标签，在五个导航与操作基准（Dubins-VL、TurtleBot-Nav、Safety-CHORES Nav/Fetch、Franka-Reach）上跨多个 VLA 主干，平均降低累计安全代价 57%、相对 SafeVLA 提升任务成功率 0.13。
该工作先用 900 个由 Claude-Opus-4.6、Qwen3-32B、Qwen3-8B 生成并经人工打分的 SVG 样本证明，让视觉语言评判模型按多轴评分表打分，与人类判断的相关性（Spearman 0.7929、Goodman-Kruskal Gamma 0.7574）远高于 CLIP 与美学分数等标量指标，随后提出 RULER：仅凭文本指令为每条指令生成六项实例化评分表，由评判 VLM 对渲染结果逐项打分并加权成奖励，用 GRPO 优化策略，在 MMSVG-Illustration 与 MMSVG-Icon 上把评分表分数从 Qwen3-8B 基线的 0.432 和 0.395 提升到 0.693 和 0.683，超过专用 SVG 模型并追平
已读完全部报道