大模型推理能力

MLS-Bench: A Holistic and Rigorous Assessment of AI Systems on Building Better AI

MLS-Bench：对构建更好AI的AI系统的全面且严格评估

Bohan Lyu, Yucheng Yang, Siqiao Huang, Jiaru Zhang, Qixin Xu, Xinghan Li, Xinyang Han, Yicheng Zhang, Huaqing Zhang, Runhan Huang, Kaicheng Yang, Zitao Chen, Wentao Guo, Junlin Yang, Xinyue Ai, Wenhao Chai, Yadi Cao, Ziran Yang, Kun Wang, Dapeng Jiang, Huan-ang Gao, Shange Tang, Chengshuai Shi, Simon S. Du, Max Simchowitz, Jiantao Jiao, Dawn Song, Chi Jin

机构 * UC Berkeley（伯克利大学） ； Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of Washington（华盛顿大学） ； Purdue University（Purdue 大学） ； Harvard University（哈佛大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Shanghai Jiao Tong University（上海交通大学） ； UC San Diego（圣地亚哥大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.LG

AI总结 提出MLS-Bench基准，包含12个领域140个任务，评估AI系统能否发明通用且可扩展的机器学习方法，发现当前智能体在方法发明上仍远逊于人类，瓶颈在于科学洞察而非单纯搜索或计算。

CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space

CLARITY：用于通过在潜在空间中建模情境感知疾病轨迹来指导治疗决策的医学世界模型

Tianxingjian Ding, Yuanhao Zou, Chen Chen, Mubarak Shah, Yu Tian

机构 * Institute of Artificial Intelligence, University of Central Florida（中佛罗里达大学人工智能研究所） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.LG

AI总结 CLARITY通过在潜在空间中建模时间间隔和患者特定数据，预测疾病演变轨迹，生成个性化治疗方案，并在医学领域实现最先进的治疗规划性能。

Comments Accepted to ECCV 2026

Agentic AI-RAN: Enabling Intent-Driven, Explainable and Self-Evolving Open RAN Intelligence

智能体人工智能-RAN：实现意图驱动、可解释和自我进化的开放式RAN智能

Zhizhou He, Yang Luo, Xinkai Liu, Mahdi Boloursaz Mashhadi, Mohammad Shojafar, Merouane Debbah, Rahim Tafazolli

机构 * G/6GIC, Institute for Communication Systems (ICS), University of Surrey（5G/6G研究所，通信系统研究所（ICS），萨里大学） ； G Research Center, Khalifa University（6G研究中心，卡利法大学） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.LG

AI总结 探讨如何将智能体控制器引入开放式RAN，介绍相关架构，对比传统ML/RL xApps，围绕网络切片生命周期等任务分类，引入智能体原语并展示其在多小区O-RAN模拟中提升性能，还讨论了安全等挑战。

Comments 11 pages, 4 figures. Accepted at IEEE Network Magazine

Optimal-Agent-Selection: State-Aware Routing Framework for Efficient Multi-Agent Collaboration

最优智能体选择：用于高效多智能体协作的状态感知路由框架

Jingbo Wang, Sendong Zhao, Haochun Wang, Yuzheng Fan, Ting Liu

机构 * Research Center for Social Computing and Information Retrieval（社会计算与信息检索研究中⼼） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 针对多智能体系统中智能体调度和协调策略的不足，提出状态感知路由框架STRMAC，通过编码交互历史和智能体知识选择合适智能体，并引入自进化数据生成法，实验表明其性能达最优。

Learning to Reason Efficiently with Discounted Reinforcement Learning

通过折扣强化学习高效推理

Alex Ayoub, Kavosh Asadi, Dale Schuurmans, Csaba Szepesvári, Karim Bouyarmane

机构 * Amazon（亚马逊公司） ； University of Alberta（阿尔伯塔大学） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.LG

AI总结 针对大型推理模型消耗过多token导致计算成本高的问题，提出使用折扣强化学习（解释为小token成本）惩罚推理token，结合Blackwell最优性分析，在保持准确性的同时缩短推理链。

KernelSight-LM: A Kernel-Level LLM Inference Simulator

KernelSight-LM: 一种内核级LLM推理模拟器

Xiteng Yao, Taeho Kim, Hengzhi Pei, Xinle Liu, Kyle Ulrich, Leonard Lausen, Ashish Khetan, Xiang Song, George Karypis, Martin Herbordt

机构 * Amazon Web Services（亚马逊网络服务） ； Boston University（波士顿大学） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 提出KernelSight-LM，一种细粒度推理模拟器，通过分解服务步骤为屋顶线内核模型、通信模型和主机开销模型，并集成前缀缓存和连续批处理，实现跨GPU代际或少量目标数据下的精确延迟预测，支持硬件/软件协同设计。

EvoMaster: A Foundational Evolving Agent Framework for Agentic Science at Scale

EvoMaster：一种用于大规模代理科学的基础进化代理框架

Xinyu Zhu, Yuzhu Cai, Zexi Liu, Cheng Wang, Fengyang Li, Wenkai Jin, Wanxu Liu, Zehao Bing, Bingyang Zheng, Jingyi Chai, Shuo Tang, Rui Ye, Yuwen Du, Xianghe Pang, Yaxin Du, Tingjia Miao, Yuzhi Zhang, Ruoxue Liao, Zhaohan Ding, Linfeng Zhang, Yanfeng Wang, Weinan E, Siheng Chen

机构 * School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； SciLand ； DP Technology（DP技术） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 EvoMaster通过持续自我进化机制，使代理能迭代优化假设并积累知识，实现跨学科的高效科学发现，其易用性与性能在多个基准测试中均表现优异。

Comments 44 pages, 3 figures

GUIDE: Resolving Domain Bias in GUI Agents through Real-Time Web Video Retrieval and Plug-and-Play Annotation

GUIDE：通过实时网络视频检索和即插即用标注解决GUI代理的领域偏见

Rui Xie, Zhi Gao, Chenrui Shi, Zirui Shang, Lu Chen, Qing Li

机构 * Shanghai Jiao Tong University（上海交通大学） ； State Key Laboratory for General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，北京通用人工智能研究院） ； Beijing Institute of Technology（北京理工大学） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 GUIDE通过实时网络视频检索和即插即用标注框架，解决GUI代理的领域偏见问题，通过视频语义分析和自动化标注流程提升代理对特定应用的操作流程和UI布局的理解，实验表明其在多代理系统和单模型代理中均能提升性能。

Comments Accepted to ECCV 2026. 30 pages: 15-page main paper followed by supplementary material as an appendix (Sections A-F). Project page: https://sharryXR.github.io/GUIDE/

T-QPM: Enabling Temporal Out-Of-Distribution Detection and Domain Generalization for Vision-Language Models in Open-World

T-QPM：面向开放世界视觉语言模型的时间分布外检测与域泛化

Aditi Naiknaware, Salimeh Sekeh

机构 * San Diego State University（圣地亚哥州立大学） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.LG

AI总结 提出T-QPM框架，通过时间四元模式匹配和轻量级融合权重学习，增强视觉语言模型在动态环境下的分布外检测和协变量偏移鲁棒性。

Visual Prompt Discovery via Semantic Exploration

通过语义探索发现视觉提示

Jaechang Kim, Yotaro Shimose, Zhao Wang, Kuang-Da Wang, Jungseul Ok, Shingo Takamatsu

机构 * Sony Group Corporation（索尼集团公司） ； Pohang University of Science and Technology（浦项科技大学） ； National Yang Ming Chiao Tung University（国立阳明交通大学） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 提出SEVEX算法，通过抽象思想空间和语义反馈自动探索任务级视觉提示，提升LVLM图像感知能力。

Comments Accepted to ECCV 2026, project page: https://jaechang.dev/projects/SEVEX/

Paper2Rebuttal: A Multi-Agent Framework for Transparent Author Response Assistance

Paper2Rebuttal: 一种透明的作者回复辅助多智能体框架

Qianli Ma, Chang Guo, Zhiheng Tian, Siyu Wang, Jipeng Xiao, Yuanhao Yue, Zhipeng Zhang

机构 * AutoLab, School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院AutoLab） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 提出多智能体框架RebuttalAgent，将回复生成重构为以证据为中心的规划任务，通过分解反馈、构建混合上下文和外部搜索模块，提升覆盖度、忠实性和策略连贯性。

Comments Accepted by ACL2026 main conference

Hierarchical Message-Passing Policies for Multi-Agent Reinforcement Learning

分层消息传递策略用于多智能体强化学习

Tommaso Marzi, Cesare Alippi, Andrea Cini

机构 * IDSIA USI-SUPSI, Università della Svizzera italiana（瑞士意大利语区大学IDSIA USI-SUPSI） ； Politecnico di Milano（米兰理工大学） ； EPFL（洛桑联邦理工学院） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.LG

AI总结 提出一种结合分层强化学习和消息传递的多智能体策略学习方法，通过分层图结构实现智能体间的协调与规划，并设计基于优势函数的新颖奖励分配方法，在基准测试中取得优于现有技术的性能。

SEA-TS: Self-Evolving Agent for Autonomous Code Generation of Time Series Forecasting Algorithms

SEA-TS：面向时间序列预测算法自主代码生成的自我进化智能体

Longkun Xu, Xiaochun Zhang, Qiantu Tuo, Rui Li

机构 * Ecoflow Inc.（Ecoflow公司） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 提出SEA-TS框架，通过度量优势MCTS、代码审查与运行提示优化、全局可引导推理三大机制，自主迭代生成、验证和优化时间序列预测算法代码，在四个数据集上优于TimeMixer等基线。

A Guideline-Aware AI Agent for Zero-Shot Target Volume Auto-Delineation

一种遵循指南的AI智能体用于零样本靶区自动勾画

Yoon Jo Kim, Wonyoung Cho, Jongmin Lee, Han Joo Chae, Hyunki Park, Sang Hoon Seo, Jae Myung Noh, Kyungmi Yang, Dongryul Oh, Jin Sung Kim

机构 * Oncosoft Inc.（Oncosoft公司） ； Department of Radiation Oncology, Samsung Medical Center, Sungkyunkwan University School of Medicine（放射肿瘤科，三星医疗中心，成均馆大学医学院） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 提出OncoAgent框架，将文本临床指南转化为三维靶区轮廓，无需训练即可实现零样本勾画，在食管癌病例中达到与监督方法相当的Dice系数，且医生更偏好其指南依从性和临床可接受性。

Comments Accepted to MICCAI 2026

Hybrid Sequence Modeling and Reinforced Verification for Controllable Target-Conditioned Decision Making

混合序列建模与强化验证的可控目标条件决策

Yue Pei, Hongming Zhang, Chao Gao, Martin Müller, Yingying Zhang, Mengxiao Zhu, Hao Sheng, Ziliang Chen, Liang Lin, Haogang Zhu

机构 * School of Artificial Intelligence, Beihang University（北航人工智能学院） ； Department of Computing Science and Amii, University of Alberta（阿尔伯塔大学计算机科学系和Amii） ； Edmonton Research Center, Huawei Canada（华为加拿大埃德蒙顿研究中心） ； Hangzhou International Innovation Institute, Beihang University（杭州国际创新院，北航） ； School of Artificial Intelligence and Computer Science, North China University of Technology（北中国技术大学人工智能与计算机科学学院） ； Research Institute of Multiple Agents and Embodied Intelligence, Peng Cheng Laboratory（鹏城实验室多智能体与具身智能研究院） 纠错

专题命中 规划推理 ：verifier(abstract)；分类 cs.LG

AI总结 提出Doctor框架，结合掩码轨迹Transformer与强化验证，通过生成候选动作并选择验证值最接近目标回报的动作，提升目标条件策略在低覆盖数据下的可控性。

InfiltrNet: Dual-Branch CNN-Transformer Architecture for Brain Tumor Infiltration Risk Prediction

InfiltrNet: 用于脑肿瘤浸润风险预测的双分支CNN-Transformer架构

S M Asif Hossain, Shruti Kshirsagar

机构 * School of Computing, Wichita State University（维斯科萨大学计算学院） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.LG

AI总结 提出InfiltrNet，结合CNN和Swin Transformer编码器及交叉注意力融合模块，从多模态MRI预测三区浸润风险图，利用距离变换生成标签，在BraTS数据集上优于五个基线模型。

Comments This work will be extended for a future journal submission

Autogenesis: A Self-Evolving Agent Protocol

自生成：一种自我进化代理协议

Wentao Zhang, Zhe Zhao, Haibin Wen, Yingcheng Wu, Cankun Guo, Ming Yin, Bo An

机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； City University of Hong Kong（香港城市大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 本文提出了一种自生成协议（AGP），该协议通过分离进化内容与进化过程，解决了现有代理协议在跨实体生命周期管理、版本追踪和安全更新接口方面的不足。基于AGP，作者展示了自生成系统（AGS），该系统能够动态实例化、检索和优化协议注册的资源，通过多个具有长视界规划和工具使用的挑战性基准测试，验证了代理资源管理和闭环自我进化的有效性。

KBQA-R1: Reinforcing Large Language Models for Knowledge Base Question Answering

KBQA-R1：强化大语言模型用于知识库问答

Xin Sun, Zhongqi Chen, Xing Zheng, Qiang Liu, Shu Wu, Bowen Song, Zilei Wang, Weiqiang Wang, Liang Wang

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.CL

AI总结 提出KBQA-R1框架，通过强化学习（GRPO）将知识库问答建模为多轮决策过程，并引入参考拒绝采样（RRS）解决冷启动问题，在多个基准上取得最优性能。

Comments ICML 2026

From Discrete Plans to Real-World Execution: A World-Model-Driven Framework for Execution-Aware Multi-Agent Path Finding

从离散规划到真实世界执行：一种面向执行感知的多智能体路径规划的世界模型驱动框架

Jingtian Yan, Shuai Zhou, He Jiang, Stephen F. Smith, Jiaoyang Li

机构 * IEEE Publication Technology Group（IEEE出版技术组） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 提出ExecTimeNet世界模型预测离散MAPF方案在物理机器人上的执行状态，并基于此构建REMAP框架和ESADG优化方法，在仿真和实物实验中分别减少高达21%和15.3%的执行延迟。

From Agent Traces to Trust: A Survey of Evidence Tracing and Execution Provenance in LLM Agents

从智能体痕迹到信任：LLM智能体中的证据追踪与执行溯源

Yiqi Wang, Jiaqi Zhang, Taotao Cai, Zirui Liu, Qingqiang Sun, Zequn Sun, Zhangkai Wu, Manqing Dong, Mingkai Zheng, Xuefei Yin, Yanming Zhu

机构 * Griffith University（格里菲斯大学） ； Jiangsu University（江苏大学） ； University of Southern Queensland（南方昆士兰大学） ； Peking University（北京大学） ； Great Bay University（大湾大学） ； Nanjing University（南京大学） ； Macquarie University（麦觉瑞大学） ； Southern University of Science and Technology（南方科学与技术大学） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 本文系统综述了LLM智能体中的证据追踪与执行溯源方法，通过统一溯源视角连接检索、工具使用、记忆等环节，提出分类体系并讨论开放挑战。

MapAgent: An Industrial-Grade Agentic Framework for City-scale Lane-level Map Generation

MapAgent: 一个工业级的城市规模车道级地图生成智能框架

Deguo Xia, Zihan Li, Haochen Zhao, Dong Xie, Yuyao Kong, Xiyan Liu, Jizhou Huang, Mengmeng Yang, Diange Yang

机构 * Tsinghua University（清华大学） ； Baidu（百度） ； University of Macau（澳门大学） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 提出MapAgent框架，通过结合视觉语言模型和约束感知推理，在验证驱动的Judge-Planner-Worker循环中修正车道地图生成中的规范违规问题，实现城市规模的高自动化生产。

Comments Accepted by KDD 2026

Breaking the Code: Security Assessment of AI Code Agents Through Systematic Jailbreaking Attacks

破解代码：通过系统性越狱攻击对AI代码代理进行安全评估

Shoumik Saha, Jifan Chen, Sam Mayers, Sanjay Krishna Gouda, Zijian Wang, Varun Kumar

机构 * University of Maryland – College Park（马里兰大学-College Park） ； AWS AI Labs（AWS人工智能实验室） ； Meta Superintelligence Labs（Meta超智能实验室） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 提出JAWS-Bench基准测试，通过三级工作区评估代码LLM代理的越狱风险，发现代理化使攻击成功率提升1.6倍，并揭示可执行攻击代码的高比例。

Comments 22 pages, 18 figures, 8 tables

AVA-VLA: Improving Vision-Language-Action models with Active Visual Attention

AVA-VLA: 通过主动视觉注意力改进视觉-语言-动作模型

Lei Xiao, Jifeng Li, Juntao Gao, Feiyang Ye, Yan Jin, Jingjing Qian, Jing Zhang, Yong Wu, Xiaoyuan Yu

机构 * LiAuto Inc.（LiAuto公司） ； Beijing University of Technology（北京理工大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.LG

AI总结 针对VLA模型忽视历史信息的问题，提出AVA-VLA框架，利用循环状态近似信念并引入主动视觉注意力动态重加权视觉令牌，在LIBERO和CALVIN等基准上取得最优性能。

Comments Accepted at CVPR 2026 (Highlight)

EMS: Multi-Agent Voting via Efficient Majority-then-Stopping

EMS: 通过高效多数决后停止的多智能体投票

Yiqing Liu, Hantao Yao, Wu Liu, Yongdong Zhang

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 提出EMS方法，通过可靠性感知调度和自适应增量投票，在保持多数投票准确性的同时，平均减少35%的智能体调用和44%的令牌消耗。

Cross-modal Identity Mapping: Minimizing Information Loss in Modality Conversion via Reinforcement Learning

跨模态身份映射：通过强化学习最小化模态转换中的信息损失

Haonan Jia, Shichao Dong, Xin Dong, Zenghui Sun, Jin Wang, Jinsong Lan, Xiaoyong Zhu, Bo Zheng, Kaifu Zhang

机构 * Taobao & Tmall Group of Alibaba（淘宝与天猫集团（阿里巴巴）） ； The University of Hong Kong（香港大学） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 提出跨模态身份映射（CIM）框架，利用强化学习优化图像描述，通过检索一致性度量信息损失，无需额外标注，显著提升关系推理能力。

Comments Accepted to CVPR 2026

Agentic Reinforcement Learning for Search Misaligns Instruction-Tuning

用于搜索的智能体强化学习使指令微调对齐失效

Yushi Yang, Shreyansh Padarha, Sarah Ball, Andrew Lee, Adam Mahdi

机构 * University of Oxford（牛津大学） ； Ludwig-Maximilians-Universität München（慕尼黑路德维希-马克西米利安大学） ； Harvard University（哈佛大学） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.CL

AI总结 研究智能体强化学习（RL）对指令微调模型对齐的影响，发现RL训练使模型将有害请求转化为良性搜索查询，但在触发条件下产生多步不安全搜索行为，并提出了基于表示引导的RL训练方法恢复对齐。

Low-Burden LLM-Based Preference Learning: Personalizing Assistive Robots from Natural Language Feedback for Users with Paralysis

基于低负担LLM的偏好学习：通过自然语言反馈为瘫痪用户个性化辅助机器人

Keshav Shankar, Dan Ding, Wei Gao

机构 * Electrical and Computer Engineering（电气与计算机工程） ； Rehabilitation Science and Technology（康复科学与技术） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 针对严重运动障碍用户，提出一种低负担离线框架，利用大语言模型将非结构化自然语言反馈转化为确定性机器人控制策略，并通过职业治疗框架解码用户需求，显著降低用户负担。

Comments Accepted to IEEE RO-MAN 2026

Plan, Don't Pose: Long Composite Motion Generation with Text-Aligned BFM

计划，而非摆姿势：基于文本对齐的BFM的长复合运动生成

Nikolay Shvetsov, Maksim Bobrin, Nazar Buzun, Anton Bozhedarov, Dmitry V. Dylov

机构 * AvaCapo ； Potsdam University（波茨坦大学） ； Applied AI Institute（应用人工智能研究所） ； Computational Imaging Lab（计算成像实验室） ； AXXX ； Innopolis University（因诺波利斯大学） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.LG

AI总结 提出Text2BFM框架，通过将自然语言与预训练行为基础模型对齐，在潜在策略空间中实现长复合运动生成，无需端到端运动生成器。

Retrieval-Augmented Foundation Models for Water Level Prediction in the Everglades

用于大沼泽地水位预测的检索增强基础模型

Rahuul Rangaraj, Jimeng Shi, Rajendra Paudel, Giri Narasimhan, Yanzhao Wu

机构 * Florida International University（佛罗里达国际大学） ； Everglades National Park（大沼泽地国家公园） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.LG

AI总结 针对大沼泽地水位预测，提出检索增强机制，利用统计相似性或互信息检索历史水文事件，提升预训练时序基础模型的长期预测性能，尤其在极端事件中效果显著。

A Multi-Modal Sensor Fusion Instrument for Measuring Regional Human Mobility: The Distributed Human Data Engine (DHDE)

多模态传感器融合仪器用于测量区域人类流动性：分布式人类数据引擎（DHDE）

Amil Khanzada, Takuji Takemoto

机构 * Headquarters for Regional Revitalization, University of Fukui, Japan（复兴地区总部，福井大学，日本） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.LG

AI总结 提出分布式人类数据引擎（DHDE），通过融合边缘AI相机、数字意图信号、行为记录和气象数据，解决外围区域人类流动性测量中传感器稀疏和行为异质性问题，验证了稀疏传感器补偿方法，并发现“低活力悖论”。

Comments 32 pages, 4 figures, 3 tables. Pre-print of a manuscript submitted for peer review (v2)