Do Robotic World Models Really Follow Actions? Diagnosing and Aligning Action-Conditioned Generation for Policy Learning

机器人世界模型真的会遵循动作吗？面向策略学习的动作条件生成诊断与对齐

Sixiang Chen, Jiaming Liu, Jixian Wu, Yichen Guo, Tinghao Wang, Siyuan Qian, Hao Chen, Jiajun Cao, Jian Tang, Shanghang Zhang

机构 * Peking University（北京大学） ； Beijing Innovation Center of Humanoid Robotics（北京人形机器人创新中心） ； New York University（纽约大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Nanyang Technological University（南洋理工大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本文针对动作条件世界模型的动作遵循问题，提出WorldEcho诊断工具与WorldSync改进方法，经实验验证WorldSync可提升动作遵循性能，作为可靠模拟器助力策略改进并提高任务成功率。

Latent Action as Intention Enables Efficient Future Imagination for World Action Models

作为意图的隐式动作：为世界动作模型实现高效的未来想象

Xiang Li, Yupeng Zheng, Songen Gu, Huailiang Ma, Feng Yu, Xian Nie, Shanshuai Yuan, Yujie Zang, Weize Li, Shuai Tian, Moyang Liu, Ya-Qin Zhang, Wenchao Ding

机构 * CollegeAI, THU（清华大学CollegeAI） ； AIR, THU（清华大学AIR） ； CASIA（中国科学院自动化研究所） ； TARS Robotics（TARS机器人公司） ； FDU（复旦大学） ； Southeast University（东南大学） ； SJTU（上海交通大学） ； NUS（新加坡国立大学） ； BUAA（北京航空航天大学） 纠错

AI总结 本文提出名为 LAWA 的 WAM 架构，以紧凑隐式动作作为未来意图实现高效未来想象，在 RoboCasa 等数据集上优于 Fast-WAM，延迟更低且性能更优，兼顾性能、泛化性与延迟。

From Seeing to Acting: Smart Glasses as First-Person Intelligence Platforms

从感知到行动：智能眼镜作为第一人称智能平台

Jiangning Zhang, Haojun Chen, Yong Liu

机构 * Zhejiang University（浙江大学） 纠错

AI总结 该综述首次以统一框架系统研究智能眼镜，提出L0-L5框架等，连接任务与多类要素，制定评估协议，为智能眼镜的可信第一人称智能发展提供路线图。

Comments Project at this https URL (https://github.com/zhangzjn/awesome-smart-glasses)

Recursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses

面向长 horizon 智能体利用的递归经验-工作记忆演化

Zhaochen Yu, Yingcheng Wu, Zhenfei Yin, Kaiyuan Chen, Zhe Zhao, Mengdi Wang, Shuicheng Yan, Ling Yang

机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； University of Oxford（牛津大学） 纠错

AI总结 针对长 horizon 智能体的递归自我改进难题，提出 Recuris 架构，通过递归记忆演化提升任务成功率，在多个基准和模型上实现显著性能提升，为 RSI 提供可扩展基础。

Comments Code: this https URL (https://github.com/Gen-Verse/Recuris)

SPO++: Stream-Aligned Policy Optimization for Asynchronous Agentic RL

SPO++：面向异步智能体强化学习的流对齐策略优化

Kai Ruan, Jinghao Lin, Qianshan Wei, Ziqi Zhou, Zihe Huang

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Duke University（杜克大学） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） 纠错

AI总结 SPO++通过标准化终端结果优势、按策略事件组织提示证据优化SPO，在ALFWorld和Math-TIR上提升异步智能体强化学习的在线学习效率，动作token测度归一化是其核心有效组件。

Comments 9 pages, 2 figures, 3 tables

Improving Cross-Problem Vehicle Routing with Locally Augmented Preferences and Representation Disentanglement

通过局部增强偏好与表示解耦改进跨问题车辆路径规划

Arthur Corrêa, Paulo Nascimento, Samuel Moniz

机构 * University of Coimbra（科英布拉大学） 纠错

AI总结 该研究针对多任务VRP求解器的训练与架构缺陷，提出POLAR算法与PLE编码器，在16个分布内变体上平均差距降21.3%，27个未见变体优于现有方法，提升了跨问题泛化性能。

Bellman Calibration for Marginalized Importance Weighting in Offline Reinforcement Learning

离线强化学习中边缘化重要性加权的贝尔曼校准

Lars van der Laan, Nathan Kallus

机构 * Stanford University（斯坦福大学） ； Netflix（网飞） ； Cornell University（康奈尔大学） 纠错

AI总结 本文针对离线强化学习中边缘化重要性加权的残留占用平衡违反问题，提出等渗贝尔曼校准方法，可减少此类违反并保证下游策略价值估计等任务的性能。

Comments 43 pages, 1 figure, 4 tables

LeFlow: Generative Latent Flow Planning for World Models

LeFlow：面向世界模型的生成式潜在流规划

Hsiang-Wei Huang, Jianxu Shangguan, Junbin Lu, Jenq-Neng Hwang

机构 * University of Washington（华盛顿大学） 纠错

AI总结 本研究提出LeFlow，它从世界模型学习可复用潜在轨迹先验，将规划转为条件潜在轨迹生成，在四个目标条件像素控制基准中提升规划成功率并大幅减少规划时间。

BrowserForge: Scaling Web Episode via Parallel Browser Sandboxes

BrowserForge：通过并行浏览器沙盒扩展网页交互序列数据规模

Fei Tang, Huawen Shen, Zhiqiong Lu, Zhengxi Lu, Pengyuan Lyu, Chengquan Zhang, Weiming Lu, Jun Xiao, Yueting Zhuang, Yongliang Shen

机构 * Zhejiang University（浙江大学） ； Tencent（腾讯） 纠错

AI总结 提出BrowserForge框架，通过并行浏览器沙盒从开放网络生成20余万条不同网站的网页交互轨迹，微调多模态模型后在两个基准任务上性能显著提升。

FedV-KGQA: Multi-Hop Question Answering over Vertically Partitioned Knowledge Graphs

FedV-KGQA：面向垂直分区知识图谱的多跳问答

Md Saikat Islam Khan Bappy, Oshani Seneviratne

机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） 纠错

AI总结 本文针对垂直分区知识图谱的多跳问答问题，提出FedV-KGQA框架，通过本地图谱丰富、知识图谱嵌入及主题实体锚定机制实现高效推理，性能接近集中式系统且鲁棒性良好。

Comments Accepted at ISWC 2026 (Research Track). To appear in the Proceedings of the 25th International Semantic Web Conference

Reading Is Not Using: Retrieval, Judgment, and the Design of AI Financial Research Workflows

阅读并非使用：检索、判断与AI金融研究工作流的设计

Miao Liu, Zhizhe Liu

机构 * Carroll School of Management, Boston College（波士顿学院卡罗尔管理学院） ； Columbia Business School, Columbia University（哥伦比亚大学哥伦比亚商学院） 纠错

AI总结 该研究针对长上下文金融分析中存在的检索-整合缺口，通过实验发现工作流架构会影响LLMs将检索到的风险披露信息整合至投资判断的效果，指出AI分析师表现由模型能力与工作流架构共同决定。

A Dual-Dimensional LLM Framework for Automated Item Incidental Content Similarity Analysis in Large-Scale Assessments

面向大规模评估中项目附带内容自动相似度分析的双维度大语言模型框架

Jing Huang, Jihong Zhang, Hua-Hua Chang

机构 * University of Arkansas（阿肯色大学） ； Purdue University（普渡大学） 纠错

AI总结 本研究提出双维度LLM驱动的AISA框架，其衍生指标在心理测量学验证中表现更优，应用于CAT时可提升估计稳定性、减少偏差，优于传统度量，支持多种评估场景。

Comments 26 pages, 6 figures

Constrained Entity Selection under Partial Knowledge for LLM-Based Knowledge Graph QA

基于部分知识的约束实体选择：面向大语言模型的知识图谱问答

Emanuel Kitzelmann

机构 * Brandenburg University of Applied Sciences（勃兰登堡应用技术大学） 纠错

AI总结 针对现有大语言模型知识图谱问答方法的缺陷，提出CES-PK方法，通过轻量符号约束验证LLM生成的候选答案，在Hetionet上验证，实现精确率提升且保持召回率。

Comments 8 pages, 2 tables. Submitted manuscript. Revised version published in KI 2026: Advances in Artificial Intelligence, LNCS 16830

BioKERN: Biological Kernel Regularization for Histology-to-Transcriptomics Neighborhood Retrieval

BioKERN：用于组织学-转录组学邻域检索的生物核正则化方法

Seungik Cho, Betul Orcan-Ekmekci

机构 * Rice University（莱斯大学） 纠错

AI总结 该研究针对空间解析生物学的组织学-转录组学邻域检索问题，提出BioKERN框架，通过结合转录组相似性与空间邻近性构建生物核实现正则化，在相关数据集上较BLEEP提升了检索性能。

A Geometric Theory of Robust Fairness Audits

鲁棒公平性审计的几何理论

Binita Maity

机构 * Indian Institute of Technology, Gandhinagar（印度理工学院甘地纳格尔分校） 纠错

AI总结 针对基于邻域的公平性审计的鲁棒性问题，提出几何框架分析其在有界扰动下的鲁棒性，引入审计波动性指标，实验验证框架可解释该类审计的观测稳定性。

Effective Learning Rate Governs Loss Dynamics in Language Model Pretraining

有效学习率支配语言模型预训练中的损失动态

Zihan Liu, Ruiheng Zheng, Shaobo Zhang, Changxin Tian, Kunlong Chen, Zhiqiang Zhang, Lei Wu

机构 * Peking University（北京大学） ； Ant Group（蚂蚁集团） 纠错

AI总结 该研究发现语言模型预训练中存在ELR崩溃现象，确定ELR是连接LR调度、范数控制与损失动态的共同坐标，提出的基于ELR的FSL可实现跨范数控制方法的迁移并解释延迟加速效应。

MDTE: Minority-Aware Diffusion over Temporal Edge Events for Imbalanced Node Classification

MDTE：面向时序边事件的少数类感知扩散模型用于不平衡节点分类

Zhou Zelong, Zhang Tianming, Yang Zhengyi, Tang Yifu, Hou Chenyu, Cao Bin, Fan Jing

机构 * Zhejiang University of Technology（浙江工业大学） ； The University of Sydney（悉尼大学） ； Vecton AI 纠错

AI总结 针对时序图不平衡节点分类中少数类表示被同化、判别证据不足的问题，提出MDTE框架，通过分布感知选择性传播与多视图判别融合，在五个真实数据集上显著提升少数类相关指标。

Strictly Causal Streaming Video Anomaly Detection with a Theoretically-Grounded State-Space Core

基于理论支撑状态空间核心的严格因果流视频异常检测

Yogesh Kumar

机构 * Indian Institute of Technology Jodhpur（焦特布尔印度理工学院） 纠错

AI总结 提出带衰减门的对角线性状态空间循环的严格因果流异常检测器，在Apple M3 Pro硬件上实测高效，在两个数据集上达一定帧级AUC，门控效果依赖数据集大小，后续将缩小准确性差距并扩展评估。

Structurally-bounded Agentic Graph Exploration for Evidence-Grounded Scholarly DeepSearch

用于证据导向学术深度搜索的结构受限智能体图探索方法

Rima Hazra, Sayan Layek, Somnath Banerjee, Soumen Chakrabarti, Animesh Mukherjee

机构 * National University of Singapore（新加坡国立大学） ； TCG CREST ； Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校） ； Singapore Institute of Technology（新加坡理工学院） ； Indian Institute of Technology Bombay（印度理工学院孟买分校） 纠错

AI总结 Crase是一种有界可检查的学术搜索方法，通过1.5跳引用邻域扩展等操作，在50万篇arXiv论文的基准上，召回率@50最高达同类深度研究智能体的3倍且成本仅为其三分之一。

StarHarness: Evolving Harnesses with Stratified Search for Enterprise Environments

StarHarness：针对企业环境的分层搜索进化 harness（工具适配层）

Esakkivel Esakkiraja, Denis Akhiyarov, Vikas Yadav, Sai Rajeswar, Patrice Bechard, Sridhar Nemala, Sagar Davasam

机构 * ServiceNow（ServiceNow公司） ； Mila（米拉研究所） ； Université de Montréal（蒙特利尔大学） 纠错

AI总结 StarHarness是一种固定模型权重的harness进化框架，经分层搜索优化后，在ITBench等3个企业任务基准上性能提升20-35个百分点，且可跨GPT、Qwen模型迁移，缓解模型-环境不匹配问题。

LION: A Clifford Neural Paradigm for Multimodal-Attributed Graph Learning

LION：面向多模态属性图学习的克利福德神经范式

Xunkai Li, Zekai Chen, Zhengyu Wu, Henan Sun, Daohan Su, Guang Zeng, Hongchao Qin, Rong-Hua Li, Guoren Wang

机构 * Beijing Institute of Technology（北京理工大学） ； Ant Group（蚂蚁集团） 纠错

AI总结 针对多模态属性图学习中模态对齐忽略上下文、模态融合缺乏适应性的问题，提出基于克利福德代数和解耦图神经范式的LION方法，在9个文本-图像多模态属性图数据集上的多类下游任务中显著优于现有最优基线。

Comments 19 pages

CAFE: Self-Improving Search Agents Need Co-Evolving Feedback

CAFE：自改进搜索智能体需要协同演化的反馈

Boyang Liu, Senjie Jin, Peixin Wang, Zhangyue Yin, Yibo Wang, Yuhao Zhou, Xinbing Liang, Shizheng Zhu, Yuhui Wang, Jingqi Tong, Zhiheng Xi, Jiazheng Zhang, Clive Bai, Clarenceai, Blaze Chen, Tao Gui, Qi Zhang, Xuanjing Huang

机构 * Fudan University（复旦大学） ； Tencent（腾讯） 纠错

AI总结 该研究提出 CAFE 框架，通过共享参数模型耦合搜索智能体与评判者的协同演化反馈，在七个及六个域外搜索基准上均优于现有 RL 智能体，减少答案幻觉且性能持续提升。

EMFE: A lightweight, explainable machine learning framework for malaria cell classification

EMFE：用于疟疾病细胞分类的轻量级可解释机器学习框架

Md Abdullah Al Kafi, Walayat Hussain, Mousumi Karmakar, Sumit Kumar Banshal, Ahmed Al Marouf

机构 * Daffodil International University（水仙国际大学） ； Peter Faber Business School（彼得·费伯商学院） ； Australian Catholic University（澳大利亚天主教大学） ； Alliance University（联盟大学） ； University of Alberta（阿尔伯塔大学） 纠错

AI总结 该研究提出轻量级可解释机器学习框架 EMFE，结合经典机器学习方法，在疟疾细胞分类任务中取得高准确率，可替代深度学习模型并明确量化其局限性。

Right Diagnoses, Decorative Reasoning:A Perturbation Audit of Medical Chain-of-Thought

正确诊断，装饰性推理：医学思维链的扰动审计

Mengzhu Xu, Jifan Gao, Xia Jiang, Yaoxin Wu, Xi Long

机构 * Eindhoven University of Technology（埃因霍温理工大学） ； Dana-Farber Cancer Institute（达纳-法伯癌症研究所） 纠错

AI总结 本研究通过医学扰动审计方法，对14个大语言模型在四个医学问答基准上进行测试，发现医学思维链多为装饰性内容，为医学CoT的忠实性审计提供了可复用标准。

MoE-based Feature Adapter for Prompt-free Binary Coronary Artery Segmentation in X-ray Angiography

基于混合专家（MoE）的特征适配器，用于X射线血管造影中无需提示的冠状动脉二值分割

Lin Xi, Yingliang Ma

机构 * University College London（伦敦大学学院） ； University of East Anglia（东英吉利大学） ； King’s College London（伦敦国王学院） 纠错

AI总结 本文针对X射线血管造影中冠脉分割的挑战，提出基于MoE的无需提示的特征适配器，实验显示其在MOSXAV和XACV数据集上优于基线且泛化能力更强。

Linear Probing Provides Robust and Efficient Detection of Machine-Generated Text

线性探测提供了对机器生成文本的鲁棒且高效的检测

Gerrit Quaremba, Hanqi Yan, Elizabeth Black, Denny Vrandecic, Elena Simperl

机构 * King’s College London（伦敦国王学院） ； Wikimedia Foundation（维基媒体基金会） 纠错

AI总结 本研究提出线性探测器作为鲁棒且样本高效的机器生成文本检测器，在4个基准上优于16种基线，分布外检测AUC提升11，仅需少于100个样本即可接近峰值性能。

StepGuard: Learning Step-Level Guardrails with Scalable Supervision and Safety-Utility Balancing

StepGuard：利用可扩展监督与安全-效用平衡学习步骤级护栏

Zhijie Zheng, Yu Li, Chen Qian, Yuqian Fu, Yanwei Fu, Lu Sheng, Jing Shao, Dongrui Liu

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Beihang University（北京航空航天大学） ； Fudan University（复旦大学） ； Renmin University of China（中国人民大学） ； KAUST（阿卜杜拉国王科技大学） 纠错

AI总结 该研究针对LLM智能体交互的安全风险，提出步骤级护栏模型StepGuard，通过自动数据引擎StepGen与动态平衡学习方法Balance-GRPO训练，在降低攻击成功率的同时仅小幅影响效用。

Comments Accepted by EMNLP 2026. Project page: this https URL (https://zheng977.github.io/StepGuard/)

MoTE: Mixture of Task Experts for Multi-Task Video Understanding

MoTE：面向多任务视频理解的任务专家混合模型

Muhammad Asad Ali, Umar Khan, Nadia Robertini, Didier Stricker

机构 * University of Kaiserslautern-Landau (RPTU)（凯泽斯劳滕-兰道大学（RPTU）） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） 纠错

AI总结 针对多任务视频理解中现有解码器的任务行为纠缠、能力扩展难等问题，提出MoTE架构，实例化为VideoLLM-MoTE，在COIN基准上表现优于基线，实现了可解释且计算高效的多任务视频-语言学习。

Comments Accepted at BMVC 2026. 32 pages, 4 figures, 15 tables, including supplementary material

Beyond Uniform Local Isometry and Topology: FactoMap for Disentangled Representations

超越均匀局部等距与拓扑：用于解耦表示的FactoMap

Sohini Gupta, Bahareh Tolooshams

机构 * University of Alberta（阿尔伯塔大学） ； Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所（Amii）） 纠错

AI总结 该研究针对现有解耦表示方法未考虑因子空间非均匀几何的问题，提出FactoMap方法，通过引入因子空间结构学习可解释原型，实验证明其能保持因子连续性并实现因子解耦。

ExpConCAD: Experience-Guided Text-to-CAD Generation from Shape Descriptions with Implicit Spatial Constraints

ExpConCAD：基于形状描述与隐式空间约束的经验引导式文本到CAD生成

Jingyao Liu, Jinkang Tang, Chen Huang, Wenqiang Lei, See-Kiong Ng

机构 * College of Computer Science, Sichuan University（四川大学计算机学院） ； Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究院） 纠错

AI总结 ExpConCAD是一个经验增强框架，针对文本到CAD生成中描述遗漏空间约束的问题，通过恢复构建结构、检索相关经验补全约束，生成可执行CadQuery程序，实验验证了其有效性。