Dagelijks geselecteerde AI onderzoekspapers met vertalingen
Wij introduceren PerceptionRubrics, een op rubrieken gebaseerd evaluatiekader dat de kloof overbrugt tussen verzadigde benchmarkscores en broosheid in de echte wereld. Door de evaluatie te verschuiven van holistische semantische matching naar rigoureuze atomaire auditing, koppelt PerceptionRubrics 1.038 informatie-dichte afbeeldingen aan meer dan 12.000 instantie-specifieke rubrieken. Deze criteria zijn afgeleid van gouden bijschriften die zijn geconstrueerd via een nieuwe circulaire peer-review consensuspijplijn en vervolgens gedistilleerd tot een tweestromig systeem van Must-Right (essentiële feiten) en Easy-Wrong (fijnmazige details) rubrieken. Cruciaal is dat PerceptionRubrics een Gated Scoring-mechanisme implementeert: in tegenstelling tot lineaire gemiddelden leidt falen bij verplichte visuele feiten tot scherpe binaire straffen. Uitgebreide evaluatie levert cruciale inzichten op: (1) De Betrouwbaarheidskloof: modellen verifiëren vaak gefragmenteerde elementen correct, maar falen bij strikte conjunctieve beperkingen, wat broosheid in dichte domeinen blootlegt; (2) Open-Gesloten Stratificatie: in tegenstelling tot redeneertrends onthullen we een aanhoudend perceptietekort van 8% tussen open-source en propriëtaire grenzen; en (3) Menselijk-Gerichte Nauwkeurigheid: onze gated metrics sluiten aanzienlijk beter aan dan conventionele benchmarks, wat bevestigt dat strikte perceptuele getrouwheid de voorwaarde is voor betrouwbare generatie.
Streaming video generation komt op als een nieuwe serverwerklast waarbij gebruikers interacteren met langdurige sessies die video progressief genereren, chunk voor chunk. In tegenstelling tot offline videogeneratie of typische LLM-serving moet streaming video generation de sessietoestand behouden gedurende actieve en inactieve perioden, lopende sessies herhaaldelijk plannen en elke chunk binnen een strikte latentiedoelstelling leveren. Dit creëert twee belangrijke serveruitdagingen in omgevingen met meerdere gebruikers en meerdere GPU's: heterogeniteit in sessieduur, waarbij langlopende sessies plaatsingsbeslissingen na verloop van tijd suboptimaal maken, en temporele heterogeniteit in gebruikersvraag, waarbij het aantal actieve sessies sterk fluctueert tussen pieken en inactieve perioden. We presenteren TurboServe, het eerste serversysteem dat specifiek is ontworpen voor streaming video generation-werklasten. TurboServe formuleert serving als een online planningsprobleem dat gezamenlijk sessieplaatsing en GPU-provisionering coördineert. Het closed-loop planningsalgoritme combineert een migratiebewuste plaatsingsregelaar, die sessies herverdeelt over GPU's om de maximale latentie per chunk te verminderen, met een belastingsgestuurde autoscaling-regelaar, die het GPU-budget aanpast aan werklastvariaties voor een betere kostenefficiëntie. Om deze beslissingen tijdens runtime te ondersteunen, implementeert TurboServe samengevoegde chunkverwerking voor het batchen van gelijktijdige actieve sessies op dezelfde GPU, GPU-CPU-offloading voor het onderbreken en hervatten van sessies, en op NCCL gebaseerde GPU-GPU-migratie voor online herverdeling. We evalueren TurboServe op real-world productietraces van Shengshu Technology over meerdere modelgroottes en GPU-clusters met maximaal 64 NVIDIA B300 GPU's. Vergeleken met basislijnserverconfiguraties vermindert TurboServe de worst-case latentie per chunk met 37,5% en de totale GPU-bedrijfskosten met gemiddeld 37,2%. Onze code is openbaar beschikbaar op https://github.com/shengshu-ai/TurboServe.
Bij prefill-decode (PD) gedesaggregeerde LLM-dienstverlening wordt elk verzoek na de prefill toegewezen aan een decode-werker. Bestaande decode-routers balanceren alleen de belasting; voor mixture-of-experts (MoE)-modellen is dit onvolledig: even zwaar belaste werkers kunnen verschillen in latentie, omdat elke decodestap de gewichten laadt van elk afzonderlijk expert dat door hun batch wordt geactiveerd. Wij presenteren ELDR, een expert-locality-bewuste decode-router voor PD-gedesaggregeerde MoE-dienstverlening. Op basis van de prefill-expertactivaties van een verzoek bouwt ELDR een expertsignatuur die de experts voorspelt die het tijdens generatie zal activeren. Offline partitioneert gebalanceerd K-means de signatuurruimte over decode-werkers; online stuurt locality-band-routering elk verzoek naar de minst belaste werker onder degenen die het beste overeenkomen met zijn signatuur. Een signatuurcache, samen geïndexeerd met de KV-cache op KV-blokniveau, houdt signatures exact onder prefix-caching. Geïmplementeerd in vLLM en geëvalueerd op implementaties met maximaal 40 GPU's, vermindert ELDR de mediane TPOT met 5,9–13,9% ten opzichte van de sterkste van vier belastingverdelingsbaselines, bij drie MoE-modellen en twee workloads, waarbij de modeloutputs ongewijzigd blijven.
Geheugen is uitgegroeid tot een hoeksteen van moderne op LLM gebaseerde agenten, en ondersteunt hun evolutie van eenmalige assistenten naar langdurige samenwerkingspartners. Geheugen is echter niet altijd gunstig: opgehaalde herinneringen veroorzaken vaak een kritiek probleem van vleierij, waardoor agenten te veel afstemmen op de gebruiker ten koste van feitelijke nauwkeurigheid of objectieve redenering. Ondanks dit opkomende risico evalueren bestaande geheugenbenchmarks voornamelijk of herinneringen correct worden opgeslagen, opgehaald of bijgewerkt, terwijl ze over het hoofd zien hoe opgehaalde herinneringen de stroomafwaartse redenering en besluitvorming beïnvloeden. Om deze kloof te overbruggen, stellen we MemSyco-Bench voor, een uitgebreide benchmark voor het evalueren van geheugen-geïnduceerde vleierij in agentsystemen. MemSyco-Bench meet wanneer geheugen een beslissing zou moeten beïnvloeden en hoe geldig geheugen moet worden gebruikt. Specifiek omvat het vijf taken die beoordelen of agenten geheugen kunnen afwijzen als feitelijk bewijs, de toepasbare reikwijdte ervan respecteren, conflicten tussen geheugen en objectief bewijs oplossen, geheugenupdates bijhouden en geldig geheugen gebruiken voor personalisatie. Alle gerelateerde bronnen zijn verzameld voor de gemeenschap op https://github.com/XMUDeepLIT/MemSyco-Bench.
We presenteren Seed2.0, een modelserie die een betekenisvolle stap zet richting het oplossen van complexe, realistische taken. Onze aanpak begint met het identificeren van de echte behoeften van gebruikers en het bouwen van een betrouwbaar, toekomstgericht evaluatiesysteem door benchmarks te selecteren en te abstraheren die zijn gebaseerd op deze behoeften en op realistische, complexe scenario's. Geleid door dit evaluatiesysteem richt Seed2.0 zich op twee hardnekkige uitdagingen: kennis in de staart van de verdeling en het volgen van complexe instructies, waarmee de betrouwbaarheid van het model bij ingewikkelde, langdurige taken aanzienlijk wordt verbeterd. Daarnaast levert Seed2.0 toonaangevende redeneerintelligentie, visueel begrip en zoekmogelijkheden die tegemoetkomen aan de meest voorkomende behoeften van een breed gebruikersbestand. Aan de hand van uitgebreide realistische toepassingen die in deze modelkaart zijn gedocumenteerd, laten we zien dat Seed2.0 het vermogen begint te vertonen om initiële complexe realistische taken aan te kunnen, wat meer waarde oplevert voor honderden miljoenen gebruikers.
Multimodale Grote Taalmodellen (MLLMs) worden vaak beperkt door een taalruimte-knelpunt, waardoor complexe visuele redeneringen worden gedwongen in discrete tokens die perceptuele nuances kunnen verliezen. Een veelbelovend alternatief is continue latente redenering, waarbij het doel is om impliciete redeneerpaden te ontdekken die de multimodale query en het uiteindelijke antwoord overbruggen. Dit introduceert echter een ernstige trainings-inferentiemismatch: een posterior tijdens de training, die conditioneel is op het juiste antwoord, kan antwoordafhankelijke shortcuts exploiteren. Standaard variationele training dwingt vervolgens de prior tijdens inferentie om een posterior na te bootsen die toegang heeft tot informatie die tijdens het testen niet beschikbaar is, wat leidt tot slechte prestaties. Om dit aan te pakken, stellen we Asymmetric Mutual Variational Learning (AMVL) voor, een raamwerk dat deze mismatch oplost via een bidirectionele kalibratiedoelstelling. Een forward KL-divergentie traint de doel-agnostische prior om overeen te komen met de posterior, terwijl een nieuwe reverse KL-divergentie tegelijkertijd de posterior regulariseert, voorkomend dat deze instort in inferentie-incompatibele regio's en deze "antwoordlekkage" vermindert. We bieden een theoretische analyse die deze lekkage formaliseert als prior-contaminatie en bewijzen dat onze dual-KL-doelstelling deze vermindert. We implementeren AMVL in een latent-geïntegreerde MLLM en tonen aan dat het consistent beter presteert dan sterke discrete en latente redeneringsbaselines, met een verbetering van de gemiddelde score op de complexe BLINK-benchmark van +10,83 en winsten tot +32,00 op individuele redeneertaken, waarbij analyses een verbeterde stabiliteit van de latentruimte bevestigen.
Visie-Taal-Actie (VLA) modellen falen vaak bij het uitvoeren van dezelfde aangeleerde taken onder omgevingsverschuivingen, zoals veranderingen in camerapositie en overstappen naar een andere maar vergelijkbare robot (bijv. van Panda naar UR5e). Het aanpassen van deze modellen aan de verschoven omgeving (het doeldomein) vereist doorgaans training op meerdere demonstraties per taak, wat kostbaar is om te verzamelen. Om de last van datacuratie en training te verminderen, stellen we een op analogie gebaseerde methode voor die VLA-modellen aanpast onder omgevingsverschuivingen door middel van gewichtsvectorrekenkunde met toevoeging van domeinspecifieke informatie, genaamd Domain ARiThmetic (DART). In tegenstelling tot eerdere benaderingen vereist DART slechts het verzamelen van één demonstratie, wat efficiënte aanpassing mogelijk maakt. Om domeinspecifieke informatie nauwkeurig te isoleren voor toevoeging, voert DART subruimte-uitlijning uit tussen singuliere componenten in gewichtsvectoren om ruiscomponenten weg te filteren. In zowel gesimuleerde als echte experimenten presteert DART beter dan bestaande VLA-aanpassingsmethoden in éénmalige scenario's bij diverse visuele en belichamingsverschuivingen. Code is beschikbaar op https://github.com/snumprlab/dart.
Bij de training van Large Language Models (LLM's) speelt datamenging een cruciale rol in het bepalen van de modelprestaties. Recente methoden optimaliseren menggewichten via proxymodellen, maar ze zijn gebaseerd op de aanname van statische dataverdelingen. Wanneer de onderliggende datapool verschuift, vereisen deze methoden dientengevolge kostbare hertraining vanaf nul. Deze beperking belemmert hun vermogen om naadloos op te schalen van kleine settings naar grotere datapools en modelgroottes. In dit artikel stellen we CausalMix voor om deze beperking aan te pakken door optimalisatie van datamengsels te modelleren als een causaal inferentieprobleem. We formuleren de statistische kenmerken van de datapool als covariaten en de domeinmenging als de behandeling. Na het fitten van een causaal model op 512 runs van Qwen2.5-0.5B om het Conditionele Gemiddelde Behandelingseffect (CATE) te schatten, extrapoleren we het optimale mengsel voor een datapool van 800K en passen dit toe om een 7B-model te trainen. Bovendien generaliseren we het raamwerk succesvol naar lange chain-of-thought-data op Qwen3-4B-Base. Door causale modellering te gebruiken om vertekening door confounders te isoleren, leidt CausalMix dynamisch toestandsafhankelijke optimale datamengsels af. Uitgebreide experimenten tonen aan dat het door CausalMix geleide mengsel consistent de prestaties verbetert op meerdere downstreamtaken, en beter presteert dan RegMix en andere basislijnen. Daarnaast gebruiken we de CATE Interpreter voor visuele analyse van de geleerde mengstrategie. Samenvattend biedt CausalMix een causaal en interpreteerbaar raamwerk voor het optimaliseren van LLM-datamengsels.
Traditionele robotprogrammering is uitdagend: het vereist het orkestreren van multimodale perceptie, het beheren van fysieke contactdynamica en het omgaan met diverse configuraties en uitvoeringsfouten. We introduceren ASPIRE (Agentic Skill Programming through Iterative Robot Exploration), een continuerend leersysteem dat autonoom robotbesturingsprogramma's schrijft en verfijnt in een code-als-beleid paradigma, terwijl ervaring wordt samengevoegd tot een herbruikbare vaardigheidsbibliotheek. ASPIRE ontdekt vaardigheden die blijven bestaan over taken, simulatie- en real-world omgevingen en belichamingen. Het werkt in een open-eind lus met drie componenten: (1) een gesloten-lus robotuitvoeringsengine die fijnmazige multimodale traces blootlegt, waardoor autonome foutdiagnose, herstelsynthese en validatie mogelijk wordt; (2) een continu uitbreidende vaardigheidsbibliotheek die gevalideerde reparaties distilleert tot herbruikbare, overdraagbare kennis; en (3) evolutionair zoeken dat diverse taaksequenties en besturingsprogramma's genereert om verder te verkennen dan enkelvoudige trajectverfijning. ASPIRE overtreft eerdere methoden met tot 77% op LIBERO-Pro-manipulatie onder verstoring, 72% op Robosuite bimanuele overdracht en 32% op BEHAVIOR-1K langdurige huishoudelijke taken. De opgebouwde bibliotheek maakt ook nul-shot generalisatie naar onvoorziene langdurige taken mogelijk: op LIBERO-Pro Long behaalt ASPIRE 31% succes tegenover 4% voor eerdere methoden, ondanks hun gebruik van testtijd redeneren en herpogingen. Tot slot bieden in simulatie ontdekte vaardigheden eerste bewijs van sim-naar-real transfer, waardoor de programmeerinspanning voor echte robots aanzienlijk wordt verminderd, over verschillende belichamingen en robot-API's.
Fijnmazig visueel redeneren blijft een uitdaging voor visie-taalsystemen, met name wanneer kleine maar kritische visuele aanwijzingen verborgen zijn in afbeeldingen met hoge resolutie. Bestaande benaderingen zijn afhankelijk van herhaald bijsnijden of visueel zoeken tijdens testtijd om lokale bewijsvoering te introduceren, maar maken doorgaans geen expliciet onderscheid tussen perceptie en redeneren. In dit artikel stellen we Perceive-to-Reason (P2R) voor, een uniform raamwerk dat fijnmazig visueel redeneren formuleert als een tweefasenproces: het model lokaliseert eerst vraagrelevante bewijsvoering als een Waarnemer en beantwoordt vervolgens de vraag als een Redeneerder op basis van de geannoteerde afbeelding en bijgesneden gebieden. Om de training beter af te stemmen op deze ontkoppelde formulering introduceren we verder Perception-Reasoning Alternating GRPO (PRA-GRPO), een rolbewuste versterkingsleerstrategie die afwisselt tussen perceptiegerichte en redeneergerichte updates, waarbij alleen supervisie op basis van het uiteindelijke antwoord wordt gebruikt. Gebouwd bovenop Qwen3-VL-Instruct-2B/4B/8B verbetert P2R consistent de prestaties over verschillende modelschalen. In het bijzonder behaalt P2R-4B 93,2% op V-Star, 81,9% op HR-Bench-4K en 80,5% op HR-Bench-8K, waarmee het de bijbehorende backbone aanzienlijk overtreft. Verdere experimenten tonen aan dat de voordelen van P2R verder reiken dan hoogresolutiebenchmarks naar bredere multimodale redeneertaken. Deze resultaten suggereren dat het expliciet ontkoppelen van perceptie en redeneren een effectief raamwerk biedt voor fijnmazig visueel redeneren.
Mobiele manipulatie is een cruciale vaardigheid voor algemeen inzetbare robots, maar blijft uitdagend voor huidige belichaamde leermethoden. VLA-beleid is typisch reactief en mist expliciete wereldmodellering, terwijl bestaande Wereldactiemodellen (WAM's) nog slecht zijn afgestemd op de structuur van mobiele manipulatie: ze werken op grove videoblokken, modelleren verstrengelde navigatie-manipulatieacties en trainen inverse dynamica onder supervisie die niet overeenkomt met autoregressieve inferentie. Hierdoor missen ze vaak fijnmazige contactdynamica, ondervinden ze conflicten in de actieverdeling en accumuleren ze fouten over langetermijnrollouts. Wij stellen ABot-M0.5 voor, een nieuw WAM gebaseerd op het inzicht dat mobiele manipulatie afstemming vereist op drie niveaus: temporele granulariteit, actieruimte en trainings-testconsistentie. Voor afstemming van temporele granulariteit introduceren we tussenliggende latente acties die lokale visuele toestandsovergangen vastleggen en dienen als een overbruggende actieruimte tussen videolaternten en belichamingsspecifieke besturingen. Voor afstemming van de actieruimte ontwerpen we een dubbele Mixture-of-Transformers-architectuur die zowel modaliteitsrepresentaties als heterogene actiesubruimtes, zoals basisbeweging en armmanipulatie, ontward. Voor afstemming van inferentieomstandigheden stellen we de dream-forcing trainingsstrategie voor, die inverse dynamica progressief traint op modelvoorspelde video's, wat de trainings-testafstemming en robuustheid tijdens autoregressieve voorspelling verbetert. Experimenten op uitdagende mobiele en fijnmazige manipulatiebenchmarks tonen aan dat ABot-M0.5 state-of-the-art prestaties levert, zowel in langdurige taakuitvoering als in nauwkeurige controle. Deze resultaten benadrukken het cruciale belang van granulariteitsafgestemde, actie-ontwarde en inferentie-consistente wereld-actiemodellering.
Het trainen van taalmodellen (TM's) blijft een sterk mensintensief proces, zelfs naarmate geavanceerde taalmodellen steeds beter worden in software-engineering en andere langetermijntaken. Een centrale uitdaging is dat autonome natraining niet alleen een codeerprobleem is: het vereist dat de agent herhaaldelijk iteraties plant, benchmark-afgestemde gegevens construeert, stabiele trainingstaken uitvoert, controlestaten evalueert en de experimentstatus gedurende vele uren interactie behoudt. We presenteren AutoTrainess, een TM-agent die deze operaties blootlegt als een verzameling van agent-computerinterfaces voor planning, gegevensvoorbereiding, training, evaluatie en logging. In plaats van de agent in een rauwe CLI-omgeving met een ondergespecificeerde actieruimte te laten opereren, externaliseert AutoTrainess eerdere menselijke ervaring als expliciete workflows, regels en uitvoeringsbeperkingen die de agent naar effectief en betrouwbaar trainingsgedrag leiden. Op PostTrainBench presteert AutoTrainess consistent beter dan CLI-only-baselines, met een gemiddelde score van 26,94 met GPT-5.4 (Codex) versus 23,21 voor CLI-only. Het generalizeert ook over modellen en harnassen, waarbij DeepSeek-V4-Flash (OpenCode) van 12,13 naar 19,58 wordt verbeterd.
Transformers gebruiken dezelfde voorwaartse rekenstroom om zowel het volgende token te voorspellen als nuttige toestand op te slaan voor toekomstige tokenvoorspellingen. We formuleren de toestand-voorspellingsscheidingshypothese: het ontwarren van de twee rollen leidt tot betere taalmodelleringsprestaties. We ontwerpen een Transformer-variant die twee rekenstromen gebruikt om de twee functies te scheiden, en voeren voortrainingsexperimenten uit op verschillende schalen. Onze experimenten tonen aan dat toestand-voorspellingsscheiding consistent betere data- en rekenefficiëntie biedt, het validatieverlies verbetert en gemiddeld 2 tot 3 procentpunt beter presteert dan standaard Transformers op downstream taken. We voeren ook uitgebreide empirische analyse uit die mogelijke verstorende factoren uitsluit en het fundamentele verschil aantoont in de gradienten die ons ontwerp met zich meebrengt.
Biomedische onderzoekers maken steeds vaker gebruik van AI-gegenereerde analyses en rapporten om signalen op eiwitniveau te interpreteren, maar statische uitvoer is vaak ontoereikend voor onderzoeksbesluitvorming, waarbij gebruikers bewijs moeten inspecteren, onzekerheid moeten beoordelen, mechanismen moeten vergelijken en hypothesen moeten verfijnen. Wij presenteren BioInsight, een multi-agentsysteem dat verschuift van statische biomedische rapportgeneratie naar interactieve, bewijsgerichte interfacegeneratie. Gegeven een ziektnaam, een eiwitassociatietabel en optionele cohortmetagegevens, organiseert BioInsight ziektespecifiek bewijs door middel van getypeerde tussenliggende artefacten, waaronder gerangschikte signaalroutes, literatuurbewijspakketten, redeneernotities op eiwitniveau, citatiegebaseerde rapporten, dashboardschema's en gerenderde interactieve interfaces. Het systeem scheidt bewijsvergaring van mechanistisch redeneren, normaliseert citaties via deterministische componenten en zet dezelfde gestructureerde bewijsvoering die in het rapport wordt gebruikt om in een interactieve interface. We evalueren BioInsight op gestandaardiseerde biomedische vraagbeantwoording, uitdagende eiwitfunctie-redenering en end-to-end biomedische bewijssynthese. Resultaten tonen aan dat BioInsight de beste prestaties levert en suggereren dat biomedische AI-systemen verder moeten gaan dan tekst-only en statische rapporten, richting herkomstbehoudende interactieve bewijsartefacten.
Wereldmodellen kunnen Modelvoorspellende Regelgeving (MPC) mogelijk maken, maar dit vereist dynamiekvoorspelling die zowel snel genoeg is voor online gebruik als expressief genoeg om onzekere toekomsten weer te geven. Diffusiemodellen bieden een natuurlijk mechanisme voor het modelleren van onzekere dynamiek, maar hun iteratieve inferentieprocedure maakt ze moeilijk te gebruiken voor low-latency latente planning. Wij overbruggen deze kloof met Waardediffusie-Wereldmodellen (Value Diffusion World Models, Valdi), waarbij we end-to-end online training voor MPC combineren met een latent diffusie-dynamiekmodel. In voorlopige experimenten met de CarRacing-omgeving laten we zien dat Valdi, met een enkele diffusiestap tijdens zowel training als inferentie, overeenkomt met een deterministische MLP-baseline. Onze experimenten leggen een afweging bloot tussen voorspellende multimodaliteit en regelprestaties in deze opzet. Code is beschikbaar op https://github.com/Kit115/ValueDiffusionWorldModels.
Lichte machine learning-modellen worden steeds vaker voorgesteld voor intrusiedetectie in Industrial Internet of Things (IIoT)-netwerken vanwege hun geschiktheid voor implementatie op resource-beperkte edge-apparaten. De meeste gerapporteerde resultaten evalueren deze modellen alleen binnen hun trainingsnetwerk, waardoor gedrag op onbekende netwerken ongeverifieerd blijft. Deze studie traint vier lichte architecturen op één IIoT-dataset en evalueert ze, zonder hertraining, op twee structureel verschillende IIoT-datasets met behulp van een kenmerkrepresentatie die beperkt is tot attributen die in alle drie de bronnen beschikbaar zijn. Uitlegbaarheidsanalyse van twee toppresterende modellen laat zien dat beide overweldigend vertrouwen op grove poortcategorie-kenmerken; de meest invloedrijke categorie komt in aanvalsverkeer van het brondomein voor met een frequentie die 96 tot 435 keer hoger ligt dan in de twee doeldomeinen, wat aangeeft dat het grover maken van poortresolutie een gedocumenteerde shortcut verplaatst in plaats van verwijdert. Evaluatie onder natuurlijk onevenwichtige klassenverdelingen toont een bijkomend effect: het gebruikte evaluatieprotocol kan omkeren welk doelnetwerk de grootste generalisatie-uitdaging lijkt te vormen. Adversariële robuustheid en herstel door beperkte blootstelling aan het doeldomein worden ook beoordeeld; robuustheid tegen adversariële verstoring is niet gerelateerd aan generalisatie over netwerken heen, en herstel door aanpassing varieert aanzienlijk per architectuur. Deze bevindingen suggereren dat implementatiegereedheid moet worden beoordeeld met behulp van evaluatie over netwerken heen onder realistische klassenverdelingen, in plaats van alleen op basis van nauwkeurigheid binnen het domein.
Repository-level prestatie-optimalisatie benchmarks zoals GSO, SWE-Perf en SWE-fficiency evalueren coderingsagenten door patches toe te passen op echte repositories en de runtime te vergelijken met niet-geoptimaliseerde baselines en officiële referentiepatches. De scores op hun leaderboards worden steeds vaker gebruikt als bewijs voor de vooruitgang van coderingsagenten, maar die scores kunnen onrust in runtime, benchmarkspecifieke scoreregels en het feit dat veel taken al door ten minste één publieke inzending zijn opgelost, door elkaar halen. Wij onderzoeken deze problemen in de drie benchmarks. Ten eerste herhalen we de officiële referentiepatches voor 740 code-optimalisatietaken op vier veelvoorkomende typen Google Cloud-machines. De meeste benchmarktaken kunnen worden herhaald, maar hun referentiepatches voldoen aan de oorspronkelijke validatieregels van de benchmark bij elke cross-machine herhaling voor slechts 39/102 GSO-taken, 11/140 SWE-Perf-taken en 411/498 SWE-fficiency-taken; SWE-Perf is bijzonder kwetsbaar omdat veel referentiepatches bijna-nul runtimeveranderingen opleveren. Ten tweede tonen we aan dat de rangschikkingen van publieke inzendingen sterk afhangen van de scoreregel van de benchmark. Van de acht publieke inzendingen die worden gedeeld door GSO en SWE-fficiency, verschillen de officiële rangschikkingen voor 9 van de 28 paarsgewijze inzendingsvergelijkingen, en de scoreregel van het SWE-fficiency leaderboard kent de slechtste tien taken onevenredig hoge scoregewichten toe van 58,5%-82,8%. Ten derde vinden we, bij het bekijken van 10 publieke inzendingen per taak, dat ten minste één inzending overeenkomt met of beter presteert dan de referentiepatch bij 85,3% (384/450) van de herhaalvalide GSO- en SWE-fficiency-taken, en de niet-geoptimaliseerde basiscode verslaat bij 99,8% (449/450). Onze studie vult leaderboardscores aan door taken met betrouwbaardere prestatiesignalen te identificeren, per-taak scorebijdragen te kwantificeren en de resterende prestatiekloven bloot te leggen die verborgen worden door geaggregeerde rangschikkingen.
Het versnellen van materiaalontdekking vereist AI-systemen die wetenschappelijk valide hypothesen kunnen genereren via meerstaps redeneren op basis van domeinkennis. Standaard grote taalmodellen produceren vaak vloeiende maar zwak traceerbare antwoorden op open-einde materiaalontwerpproblemen, waardoor het moeilijk is te bepalen of eindantwoorden worden ondersteund door coherent tussenredeneren. We ontwikkelen Graph-PRefLexOR, een familie van grafiek-native redeneermodellen die zijn fijngestemd met Group Relative Policy Optimization (GRPO) om redeneren te organiseren in expliciete fasen voor mechanisme-verkenning, graafconstructie, patroonextractie en hypothesessynthese. Dit ontwerp koppelt neurale taalgeneratie aan symbolische relationele structuur, waardoor causale verbanden kunnen worden geconstrueerd, geïnspecteerd en hergebruikt. Op 100 open-einde vragen uit de materiaalkunde- en mechanicaliteratuur behaalt Graph-PRefLexOR 40-65% verbeteringen ten opzichte van overeenkomstige basismodellen, met de grootste winst in traceerbaarheid van redeneringen. Embedding-analyses tonen bredere semantische verkenning en ongeveer 2-3 keer grotere semantische diversiteit dan baselines. Semantische backtracking en laagsgewijze verborgen-toestandsanalyses tonen verder een sterkere afstemming tussen gestructureerd redeneren en eindantwoorden. Ten slotte toont testtijd graafuitbreiding aan dat extra rekenkracht voornamelijk de conceptuele recombinatie over lange afstand binnen een begrensde semantische ruimte vergroot, in plaats van eenvoudigweg de semantische dekking uit te breiden. Deze resultaten vestigen grafiek-native reinforcement learning als een pad naar interpreteerbare AI-systemen voor wetenschappelijke hypothesegeneratie in materiaalontwerp en andere wetenschappelijke toepassingen.
Traditionele metrieken voor Medische Verslaggeneratie (MRG) zijn voornamelijk gebaseerd op oppervlakkige n-gram overlap, die er niet in slagen klinische feitelijke nauwkeurigheid vast te leggen en vaak catastrofale diagnostische fouten over het hoofd zien. We pakken deze fundamentele beperking aan door AtomiMed voor te stellen, een universeel, modaliteitsonafhankelijk evaluatiekader dat complexe medische narratieven ontleedt in een gestandaardiseerde, meerlagige hiërarchie van Atomaire Klinische Feiten, waaronder entiteiten op ziektniveau en beschrijvingen op attribuutniveau zoals locatie, morfologie en ernst. Door implementatie van een Agentische Kruisverificatielus tussen grondwaarheid en voorspelde verslagen simuleert AtomiMed een peer-reviewproces met meerdere radiologen om klinische consistentie te verifiëren, wat een ontkoppelde beoordeling van diagnostische detectie en beschrijvende nauwkeurigheid mogelijk maakt. Om gestandaardiseerde evaluatie te faciliteren introduceren we MRGEvalKit, een open-source toolkit voor geautomatiseerde hiërarchische extractie, en stellen we OmniMRG-Bench samen, een uitgebreide multimodale benchmark die röntgen, CT, MRI en echografie omvat. Uitgebreide experimenten op meerdere door experts geannoteerde beoordelingsstudies tonen aan dat AtomiMed een significant hogere correlatie bereikt met het oordeel van menselijke radiologen in vergelijking met traditionele en modelgebaseerde metrieken. Onze code is beschikbaar op https://github.com/Venn2336/MRGEvalkit.
Hoewel grote taalmodellen (LLMs) goed presteren op tabeltaken, maken zij nog steeds dataverwijzingsfouten (DREs), d.w.z. het onjuist citeren of weglaten van tabelwaarden, ondanks dat zij de tabelstructuur begrijpen. Naast de nauwkeurigheid van het eindantwoord tasten DREs direct de correctheid en betrouwbaarheid van tussenliggende redeneerstappen aan. Toch hebben eerdere studies slechts beperkte, kleinschalige analyses geboden. In dit werk presenteren wij de eerste systematische evaluatie van dataverwijzingsfouten in tabellen over verschillende modellen en taken heen. Onze resultaten tonen aan dat DREs bij alle geteste modellen (1,7B tot 20B parameters) voorkomen. Bovendien tonen we aan dat het opnemen van dataverwijzing als een criticus de nauwkeurigheid van antwoorden aanzienlijk verbetert met tot 12,0%, door middel van criticus-gebaseerde filtering en rejectie-sampling. Ten slotte hebben we een lichtgewicht criticusmodel met 4 miljard parameters getraind dat een gemiddelde F1-score van 78,2% behaalt bij het detecteren van zowel binnen- als buiten-distributie DREs, en effectief helpt bij de inferentie voor grotere modellen.
Benchmarks worden veelvuldig gebruikt om taakvoltooiing door Grote Taalmodellen (Large Language Models, LLM’s) te evalueren, maar deze aanpak heeft in de loop der tijd constructvaliditeitsproblemen opgestapeld, en een voldoende score wil nog niet zeggen dat de gevraagde taak daadwerkelijk is uitgevoerd. Wij onderzoeken beide problemen. In een gecontroleerde code-als-specificatie-opstelling implementeren twee productie-Copilot CLI-agenten (claude-opus-4.7, gpt-5.5) een React Fluent-UI-gegevenstabel opnieuw in Angular als een herbruikbare bibliotheek, met een verborgen 222-test Playwright-orakel over 18 runs en drie orakelbeschikbaarheidscondities. Naast de score voeren we een mechanische bibliotheekaudit uit en controleren we elke uitspraak met een no-op-ablatie. Zonder het orakel is de bibliotheek aanwezig maar onafgemaakt, wat blijkt uit de scores. Met het orakel in de lus bereikt de score bijna perfect, maar uit een demo die het geteste gedrag direct laat zien, blijkt de bibliotheek dood of afwezig. Dit noemen we ‘bouwen naar de test toe’; de bredere dispositionele instelling achter beide fenomenen noemen we ‘validatiezelfbewustzijn’. De agent valideert uit eigen beweging niet wat hij oplevert zoals een gebruiker dat zou doen. De prevalentie ervan blijft een open vraag voor andere agenten, signalen en modelfamilies. Naast benchmarkscores verdienen dispositionele eigenschappen zoals validatiezelfbewustzijn onderzoeksaandacht.
Het ontwerpen van dia's vereist het personaliseren van zowel presentatiebundelthema's als paginalay-outs. Huidige methoden op basis van AI-agenten worstelen echter met fijnmazig ontwerp op paginaniveau. Door uitsluitend te vertrouwen op vooraf gedefinieerde sjablonen of uitvoerige gebruikersinstructies, slagen ze er niet in om latente ontwerpintenties te vatten, waardoor paginaniveau-diapersonalisatie (PSP) onopgelost blijft. Om deze leemte te vullen, formuleert dit werk PSP als een omgekeerd planningsprobleem. Wij stellen voor een ontwerpintentie te leren zonder enige kennis van de specifieke uitvoeringstools (bijv. PowerPoint, Beamer) die worden gebruikt. Het loslaten van de controle over deze tools maakt het probleem echter onhandelbaar om end-to-end te optimaliseren. Om dit te overwinnen introduceren we SPIRE, een principieel raamwerk om PSP bij benadering op te lossen. Door de visuele structuren van schone dia's opzettelijk te corrumperen, creëert SPIRE een verifieerbare taak om de corruptie te verwijderen, waarbij twee agenten leren om via reinforcement learning (RL) gezamenlijk uitvoerbare ontwerpen te verfijnen. We presenteren een bewijs dat structurele ruisverwijdering een consistente surrogaat is voor PSP, en dat de multi-agentformulering de variantie van de beleidsgradiënt in RL strikt vermindert. Uitgebreide experimenten tonen de superioriteit van SPIRE aan.
Hoewel Text-to-Image (T2I)-modellen opmerkelijk succes hebben geboekt bij het genereren van fotorealistische visuele inhoud, worstelen ze nog steeds met de rigoureuze semantische afstemming en logische redenering die vereist zijn voor wetenschappelijke beelden. Geïnspireerd door Peirce's Semiotische Triade introduceren we Scientific Image Reasoning (SciIR), een uitgebreide bron voor training en evaluatie van wetenschappelijke beeldgeneratie. We formaliseren wetenschappelijke redenering in drie kerndimensies: Entiteitsstructuur (Icoon), Wetenschappelijk Proces (Index) en Natuurwet (Symbool). Om de schaarste aan trainingsgegevens bij wetenschappelijke beeldgeneratie te overwinnen, creëren we in het bijzonder SciIR-82k, een grootschalige dataset met meer dan 80.000 hoogwaardige wetenschappelijke beeld-tekstparen uit baanbrekende publicaties. De dataset is hiërarchisch georganiseerd volgens de semiotische dimensies en bevat een Scientific Reasoning Chain-of-Thought (Sci-RCoT) om de onderliggende visuele logica expliciet te modelleren. Voor evaluatie stellen we SciIR-Bench voor, dat aansluit bij deze drie semiotische niveaus en een Atomische Checklist gebruikt om de uitkomstgerichte wetenschappelijke nauwkeurigheid om te zetten in procesgerichte, verifieerbare, fijnmazige vragen. Onze uitgebreide experimenten onthullen aanzienlijke tekortkomingen in de wetenschappelijke redeneercapaciteiten van huidige modellen. Bovendien hebben we door middel van finetuning op de SciIR-82k-dataset het Qwen-Image-SciIR-model ontwikkeld, dat een aanzienlijke verbetering realiseert op de SciIR-Bench, waarbij de eindscores stijgen van 35% naar 43%, waarmee een solide basis wordt gelegd voor toekomstige vooruitgang in wetenschappelijke beeldgeneratie.
Autonome systemen voor wetenschappelijke ontdekkingen bieden de mogelijkheid om onderzoek te versnellen door het proces van hypothesegeneratie en -validatie te automatiseren. Huidige systemen opereren echter binnen beperkte zoekruimten of vereisen vooraf gedefinieerde onderzoeksvragen, wat hun vermogen tot werkelijk open-eind onderzoek beperkt. Bovendien, hoewel ze iteratief hypothesen genereren, ontbreekt het hen grotendeels aan het vermogen om hun eigen opgebouwde bevindingen expliciet te synthetiseren om complexe, onderling samenhangende fenomenen te ontdekken. We introduceren DiscoPER, een autonoom raamwerk aangedreven door grote taalmodellen dat open-eind onderzoek uitvoert door dynamisch code te genereren en uit te voeren om datasets te verkennen zonder vooraf gespecificeerde onderzoeksdoelen. Om wetenschappelijke validiteit te waarborgen, moet elke voorgestelde ontdekking statistische toetsing doorstaan. Om de beperkingen van geïsoleerd zoeken te overwinnen, introduceert ons raamwerk een mechanisme voor tweede-orde redenering dat periodiek zijn eigen opgebouwde ontdekkingen analyseert. Door eerdere ontdekkingen als empirische gegevens te behandelen, identificeert DiscoPER structurele patronen, confounders en epistemische hiaten, en stuurt het actief de hypotheseverkenning naar onontgonnen gebieden van de zoekruimte. De zoekruimte wordt verder uitgebreid door het gebruik van tools, waardoor het systeem hypothesen kan verkennen die verder gaan dan gestructureerde metadata, door naadloos nuttige informatie uit multimodale bronnen zoals afbeeldingen te verwerken en te extraheren. Geëvalueerd op iNatDisco, een nieuwe multimodale ecologische kennisbenchmark met patroonniveau grondwaarheid verkregen uit peer-reviewed literatuur, herstelt DiscoPER 8 van de 9 bekende patronen met een hypotheseondersteuningspercentage van 72,7%, en overtreft het zowel klassieke causale ontdekking als door grote taalmodellen geleide baselines. Ablatiestudies tonen aan dat DiscoPER schaalt met meer data en bevestigen de voordelen van tweede-orde metareflectie.
Visie-taal dataset distillatie (VLDD) comprimeert een grote dataset van beeld-tekst paren tot een kleine set synthetische paren die efficiënt contrastieve visie-taal modellen kunnen trainen onder strikte data- en rekenbudgetten. De meeste bestaande methoden matchen expert trajecten of cross-modale statistieken, maar dwingen nog steeds een volledige dimensionale afstemming af in een Euclidische inbeddingsruimte. Dit is vaak te restrictief vanwege rang-deficiënte beeld-tekst correlatie, waarbij gedeelde semantiek geconcentreerd is in een laagdimensionaal bereik en overige variatie verspreid is over een zwak gecorreleerde residuele deelruimte. LoRS versoepelt afstemming op gelijkenisniveau door lage-rang factorisatie, maar controleert niet expliciet de dominante afstemmingscapaciteit en -structuur in de representatieruimte. Daarom stellen we een rangbewuste hyperbolische afstemming (RAHA) voor die hiërarchische geometrie combineert met expliciete controle van de afstemmingscapaciteit. RAHA tilt multimodale representaties naar de hyperbolische ruimte en optimaliseert gedistilleerde paren met asymmetrische doelstellingen die geodetische afstemming in het gedeelde bereik afdwingen, terwijl de residuele deelruimte wordt geregulariseerd om modaliteits-private diversiteit te behouden en overdrachtsrobuustheid te verbeteren. Experimenten op benchmarks tonen aan dat RAHA competitieve cross-modale terugwinning en verbeterde overdrachtsindicatoren levert onder vaste budgetten.
AI-vertaling van literaire werken komt steeds vaker voor. Hoewel de inhoud wellicht adequaat wordt weergegeven, weten we onvoldoende over hoe lezers deze ervaren op het gebied van onderdompeling en literair effect; aspecten die slecht worden gevangen door automatische machinevertaalmetrieken of menselijke evaluatie gericht op vloeiendheid en adequaatheid. We vragen 15 fervente lezers om onlangs gepubliceerde menselijke vertalingen (HT) te vergelijken met machinevertalingen (MT) gegenereerd via een agentische pijplijn gebaseerd op een groot taalmodel (LLM), voor 15 recente romans in het Frans, Pools en Japans, vertaald naar het Engels. Lezers evalueerden fragmenten van circa 8000 woorden in twee condities: onderdompelend lezen van het volledige fragment (30 vergelijkingen) en nauwkeurig lezen van 386 uitgelijnde HT-MT-stukparen (772 vergelijkingen), met twee lezers per boek en in afwisselende presentatievolgorde. Over het algemeen vinden lezers MT "prima", maar geven ze de voorkeur aan HT (licht op fragmentniveau 19/30, duidelijker op stukniveau 522/772) vanwege het gemak, de helderheid en het onderdompelende karakter. De aantekeningen van lezers tonen aan dat de kwaliteit van MT binnen één boek meer varieert dan die van HT. Cruciaal is dat lezers de twee niet betrouwbaar kunnen onderscheiden (17/30 correct geraden) en doorgaans de voorkeur geven aan de versie die zij denken dat menselijk is. Automatische metrieken, inclusief LLM-as-a-judge-benaderingen, slagen er niet in de voorkeuren van lezers te achterhalen en geven de voorkeur aan MT. We publiceren LAIT (Literary AI Translation), een lezergecentreerde evaluatiedataset met 1000 lezerscommentaren, 2000 oordelen en voorkeursbeoordelingen, en 7200 annotaties op zinsdeelniveau, samen met ons evaluatieprotocol en ondersteunende interface.
Dit artikel onderzoekt meertraps visueel redeneren en constateert dat multimodale grote taalmodellen (MLLMs) herhaaldelijk falen in het lokaliseren van het doelwit, wat leidt tot lange, redundante trajecten. We schrijven dit falen toe aan de verstrengeling van redeneren en perceptie binnen één model: het MLLM redeneert en lokaliseert tegelijkertijd, en onnauwkeurige lokalisatie leidt tot extra redeneerstappen die het traject opblazen. Om dit probleem op te lossen stellen we PixelEyes voor, een meertraps visueel redenerende agent die redeneren expliciet ontkoppelt van perceptie, d.w.z. de redeneerder bepaalt wat er gezocht moet worden, terwijl een gespecialiseerd perceptie-instrument aangeeft waar het is. Specifiek introduceert PixelEyes: 1) Maskergestuurd visueel zoeken. Een verwijzend segmentatiemodel wordt aangeroepen om maskerprecisie-lokalisatie te bieden, waardoor de redeneerder niet langer hoeft te compenseren voor onnauwkeurige gronding. 2) Semantisch-regiogebaseerd breedte-eerst zoeken (BFS). Om redundante lussen te elimineren die ontstaan door herhaaldelijk bijsnijden van incorrecte subregio's, organiseren we verkenning als een breedte-eerst zoektocht over semantische regio's. Om deze capaciteiten te internaliseren, construeren we de PixelEyes-6K-dataset door expert-trajecten uit bestaande gegevens te hersynthetiseren. Dit verankert expliciet onze maskergestuurde zoek- en BFS-logica in het model. We introduceren verder Pinpoint-Bench, een nul-hint visuele zoekbenchmark, d.w.z. er worden geen locatie-aanwijzingen in de vraag gegeven, met instance-level maskers en bounding boxes die lokalisatiefouten scheiden van redeneerfouten, waardoor gedetailleerde analyse van faalwijzen zoals aandachtsblindheid mogelijk wordt. Recente state-of-the-art MLLMs en visueel redenerende agents laten grote ruimte op Pinpoint-Bench, wat de kwaliteit en moeilijkheidsgraad ervan aantoont. Code en modellen zijn open-source beschikbaar.
Klassieke 3D-scènegraafgeneratiemethoden falen in real-time vanwege de hoge rekenkosten van omgevingskartering en de noodzaak om tussenliggende puntenwolkrepresentaties te genereren. Om dit probleem te verlichten, vermijdt een recent werk puntenwolken ten gunste van een lichte Gaussverdeling voor elk object. Deze benadering versnelt de inferentie drastisch en maakt real-time 3D-scènegraafgeneratie mogelijk. De representatie heeft echter twee belangrijke zwaktes. 1) Elk object wordt benaderd door een enkele 3D-Gaussiaan, wat leidt tot een ernstig verlies van 3D-geometrische details. 2) De discrepantie tussen deze benadering en de werkelijke objectgeometrie verergert het onnauwkeurig samenvoegen van objectkandidaten tijdens online inferentie. Om deze problemen aan te pakken, stellen we NoPA voor, dat elk object representeert als een afzonderlijke niet-parametrische verdeling. Deze formulering behoudt 3D-geometrische informatie terwijl real-time inferentie van de parametrische Gauss-formulering behouden blijft. Om voort te bouwen op onze nieuwe objectrepresentatie, stellen we een op maat gemaakte samenvoegingsstrategie voor om coherente objectinstanties te herstellen. Specifiek maken we gebruik van maximale gemiddelde discrepantie op kerndichtheidsschattingen om robuuste samenvoeging van objectkandidaten tijdens online exploratie mogelijk te maken, terwijl de toegevoegde rekencomplexiteit wordt geminimaliseerd. De sleutel is het behouden van een vaste deeltjesverzameling per object. Verder, om het relatieverlies veroorzaakt door verkeerd geclassificeerde objecten te corrigeren, propageert NoPA relaties tussen objecten met hoge affiniteit. Experimenten tonen aan dat NoPA aanzienlijk beter presteert dan huidige methoden zonder in te leveren op real-time inferentiesnelheid.
Naarmate AI-agenten steeds beter worden in complex redeneren over langere termijnen, is rigoureuze en holistische evaluatie essentieel om de vooruitgang richting realistische toepassingen in de gezondheidszorg te meten. We introduceren HealthAgentBench, een suite van 54 agentische zorgtaken verdeeld over 7 categorieën, elk met een unieke omgeving. De benchmark-suite bestrijkt uiteenlopende workflows gedurende het volledige patiënttraject en een breed scala aan modaliteiten. Elke taak is ontworpen om een end-to-end klinische workflow na te bootsen: op basis van minimale instructies moet een agent ruwe zorgdata verkennen, opereren binnen een complexe omgeving en meerstapsoplossingen uitvoeren die verder gaan dan naïef prompten. Er wordt een uiteindelijk taaksuccespercentage gerapporteerd als een enkele, interpreteerbare maatstaf voor de algehele prestaties van elke agent op HealthAgentBench. Bij het evalueren van geavanceerde agenten op HealthAgentBench stellen we vast dat het algehele taaksuccespercentage laag blijft, wat de moeilijkheidsgraad van de suite onderstreept. De sterkste en meest kosteneffectieve agent, Codex GPT-5.5, behaalt slechts een succespercentage van ongeveer 42%. Naast de geaggregeerde prestaties onthult HealthAgentBench genuanceerde sterktes en zwaktes over taakcategorieën heen. Geavanceerde agenten tonen veelbelovende resultaten in het automatisch ontwikkelen van onderzoeksmodelpijplijnen op basis van EPD-gegevens, maar medische beeldvorming blijft bijzonder uitdagend, met name voor Claude Code-modellen, terwijl Codex GPT-5.5 opkomende capaciteiten laat zien. Taken die grote zoekruimtes combineren met compositionele redeneervereisten blijven moeilijk voor alle huidige agenten. Samen wijzen deze resultaten erop dat HealthAgentBench een uitdagende en realistische benchmark biedt met aanzienlijke ruimte voor toekomstige vooruitgang. We publiceren onze benchmark op https://github.com/microsoft/HealthAgentBench.
Drie van de populairste methoden om taalmodellen te trainen in redeneren lijken drie verschillende trucs. Dat zijn ze niet. Alle drie passen ze één getal aan: de standaarddeviatie, die weergeeft in hoeverre de bemonsterde antwoorden van een prompt van elkaar verschillen. Wanneer zo'n model wordt getraind, beantwoordt het elk probleem meerdere keren en markeert een automatische controleur elk antwoord als goed of fout. De standaarddeviatie van die markeringen meet de onenigheid: het grootst wanneer de antwoorden gelijk verdeeld zijn tussen goed en fout, en nul wanneer ze het allemaal eens zijn. Group Relative Policy Optimization (GRPO) deelt door dit getal, GRPO Done Right (Dr. GRPO) laat de deling weg, en Decoupled Clip and Dynamic Sampling Policy Optimization (DAPO) verwijdert de groepen waar het nul is. Elk wordt gepresenteerd als een eigen oplossing, maar dit artikel bewijst dat het drie instellingen van één knop zijn. Die knop is niet cosmetisch: voor goed-foutbeloningen is de onenigheid precies de grootte van de trainingsupdate, de identiteit van de groepstandaarddeviatie. Een verdeelde groep leert het meest, terwijl een unanieme groep niets leert en stilvalt. Hetzelfde resultaat geeft aan welke problemen de meeste aandacht verdienen en hoeveel pogingen elk nodig heeft. Dit artikel bevestigt de intuïtie op een grote dataset met echte moeilijkheid (Big-Math) en in een gecontroleerde trainingsrun. Wat eruitziet als een onschuldige normalisatiestap is de knop die bepaalt waar leren plaatsvindt en hoe sterk.
Blinde beeldontscherping vereist het herstel van getrouwe details en coherente structuren uit complexe, onbekende degradaties. Huidige methoden voor blinde beeldontscherping worstelen met realistische, ruimtelijk variërende degradaties en missen het semantische bewustzijn dat nodig is om betrouwbaar onderscheid te maken tussen geldige texturen en artefacten. Om deze kloof te overbruggen, stellen we CogSENet voor, een dynamisch, semantisch afgestemd reconstructieframework dat is geïnspireerd op het visuele systeem van de adelaar. Door de actieve saccadische scanning van de adelaar na te bootsen, ontwikkelen we een Semantic-Driven State Space Module (SDSSM) met semantisch bewuste tokenhergroepering via differentieerbare routering, wat prompt-geconditioneerde modellering van langeafstandsafhankelijkheden mogelijk maakt. Om fysiek interpreteerbaar herstel van texturen en structuren te garanderen, weerspiegelt een BiFreqFusionBlock (BFFB) de functionele differentiatie van de adelaarsretina door kenmerken met behulp van wavelet-transformaties in hoge en lage frequenties te ontbinden. Tot slot schatten we een continu vervagingsveld (Blur Field, CBF) uit een vervaagde afbeelding en versmelten we dit met CLIP-semantische voorkennis om de diepste latente kenmerken te moduleren, wat focale adaptatie emuleert en adaptief herstel mogelijk maakt onder ruimtelijk niet-uniforme vervaging. Uitgebreide experimenten tonen aan dat CogSENet de nieuwste ontscherpingsmethoden overtreft, zowel in visuele kwaliteit als structurele getrouwheid, met minder parameters, terwijl het ook gunstig presteert bij taken zoals ontnevelen, ontregenen en ruisonderdrukking.
In collaboratieve dialoog garandeert gedeelde perceptie geen gedeelde interpretatie. Wederzijds begrip moet via interactie tot stand worden gebracht. Wij onderzoeken of visie-taalmodelen (VLMs) kunnen onderscheiden wat gedeeld zou kunnen worden van wat daadwerkelijk gedeeld is tussen dialoogdeelnemers via grounding. We formuleren dit als een interpretatie-matchingtaak op 13.077 geannoteerde referentie-uitdrukkingen uit HCRC MapTask-dialogen en evalueren VLMs onder systematisch gecontroleerde manipulaties van dialoogcontext en toegang tot kaartinformatie. Onze resultaten tonen aan dat het aanbieden van authentieke kaartafbeeldingen de algehele prestaties verbetert, maar modellen verschuift naar het overmatig voorspellen van afstemming. Tekstuele beschrijvingen van dezelfde kaartinhoud reproduceren deze bias, terwijl niet-informatieve afbeeldingen afstemmingsvoorspellingen volledig onderdrukken, wat aangeeft dat de bias wordt gedreven door taakrelevante kaartinhoud, niet door het visuele kanaal. Deze verbetering gaat ten koste van verminderde nauwkeurigheid op niet-afgestemde gevallen. Kalibratieanalyse en referentieketen-tracking suggereren verder dat modellen vertrouwen op statische referentiële aanwijzingen op de kaarten in plaats van te volgen hoe grounding zich ontvouwt via de dialooggeschiedenis. Wij observeren deze patronen het duidelijkst in Qwen3-VL-8B-Instruct en, in wisselende mate, in vier extra modellen uit twee architectuurfamilies. In modellen die de bias vertonen, wordt kaartinhoud, zowel visueel als tekstueel gepresenteerd, behandeld als bewijs van wederzijds begrip, waarbij potentieel wordt verward met gevestigd gemeenschappelijk begrip.
Mensen denken te veel na; taalmodellen bemonsteren te veel, en de extra inspanning kan beide tot een slechter antwoord overhalen. Redeneersystemen beantwoorden een moeilijke vraag door deze vele malen te bemonsteren (testtijdsschaling), en hoe vaker ze trekken, hoe vaker een correct antwoord ergens opduikt, dus de dekking, de fractie problemen met ten minste één correcte poging, stijgt en lijkt vooruitgang te zijn. Maar een ingezet systeem moet één antwoord teruggeven, en het kiezen daarvan, zonder te weten welke poging juist is, is selectie; selectie is begrensd, en na een bepaald punt maken extra monsters het model alleen maar zekerder van een zelfverzekerde fout, zelfs terwijl elke trekking kosten toevoegt. De kloof tussen stijgende dekking en stagnerende selectie, de identificeerbaarheidskloof, is het antwoord dat een model kan produceren maar niet kan kiezen. De echte vraag is dus niet of men moet bemonsteren, maar hoe ver, en het antwoord is: niet ver. Bij het kiezen van een antwoord heeft de stem zich al gestabiliseerd binnen enkele tientallen trekkingen, het modusplafond; bij het scoren van een benchmark nog eerder, het correlatieplafond. Daarbovenop kosten extra trekkingen rekenkracht en voegen niets toe, en kunnen het antwoord zelfs slechter maken. Dit artikel zet de afkapwaarde om in een enkel getal, het effectieve aantal monsters, dat elke bemonsteringsronde al onthult. Het knelpunt is het herkennen van een juist antwoord, niet het genereren ervan.