长期记忆是人类智能的基石。使 AI 能够处理终身规模的信息一直是该领域的长期追求。由于全注意力架构的限制，大语言模型（LLM）的有效上下文长度通常限制在 100 万 token。现有方法，如混合线性注意力、固定大小记忆状态（例如 RNN）以及 RAG 或 Agent 系统等外部存储方法，都试图扩展这一限制。然而，它们往往存在以下问题：随着上下文长度增长，精度严重下降且延迟迅速增加；无法动态修改记忆内容；或缺乏端到端优化。这些瓶颈阻碍了大规模语料摘要、数字孪生和长历史 Agent 推理等复杂场景，同时限制了记忆容量并减慢推理速度。我们提出了 Memory Sparse Attention (MSA)，一个端到端可训练、高效且大规模可扩展的记忆模型框架。通过可扩展稀疏注意力和文档级 RoPE (document-wise RoPE) 等核心创新，MSA 在训练和推理中实现了线性复杂度，同时保持了卓越的稳定性，从 16K 扩展到 1 亿 token 时退化不超过 9%。此外，KV 缓存压缩 (KV cache compression) 结合 Memory Parallel 使得在 2×A800 GPU 上进行 1 亿 token 推理成为可能。我们还提出了 Memory Interleaving 来促进跨分散记忆片段的复杂多跳推理。MSA 在长上下文基准测试中显著超越了前沿 LLM、最先进的 RAG 系统和领先的记忆 Agent。这些结果表明，通过解耦记忆容量与推理，MSA 为通用模型提供了一个可扩展的基础，赋予其内在的终身规模记忆能力。

虽然此前的红队对抗工作主要聚焦于从大语言模型（LLM）中引出有害文本输出，但这类方法无法捕获通过多步工具执行而暴露的 Agent 特有漏洞，尤其是在 Model Context Protocol (MCP) 等快速增长的生态系统中。为弥补这一差距，我们提出了一种轨迹感知的进化搜索方法 T-MAP，该方法利用执行轨迹来引导对抗性提示词的发现。我们的方法能够自动生成不仅绕过安全护栏、而且通过实际工具交互可靠地实现有害目标的攻击。在多种 MCP 环境中的实证评估表明，T-MAP 在攻击实现率（ARR）上大幅超越基线方法，并且对包括 GPT-5.2、Gemini-3-Pro、Qwen3.5 和 GLM-5 在内的前沿模型仍然有效，从而揭示了自主 LLM Agent 中此前未被充分探索的漏洞。

在本报告中，我们介绍了 IQuest-Coder-V1 系列（7B/14B/40B/40B-Loop），这是一个全新的代码大语言模型（LLM）家族。超越静态代码表示，我们提出了代码流（code-flow）多阶段训练范式，通过管线的不同阶段捕获软件逻辑的动态演化。我们的模型通过进化管线开发：首先是包含代码事实、仓库和补全数据的初始预训练。随后，我们实施了一个专门的中间训练阶段，在 32k 上下文中整合推理和 Agent 轨迹，在 128k 上下文中整合仓库规模数据，以构建深层逻辑基础。模型最终通过专门的编码能力后训练完成，分为两条专业路径：思考路径（利用推理驱动的强化学习）和指令路径（为通用辅助优化）。IQuest-Coder-V1 在代码智能的关键维度上取得了与竞争模型相比的最先进性能：Agent 软件工程、竞赛编程和复杂工具使用。为解决部署限制，IQuest-Coder-V1-Loop 变体引入了一种循环机制，旨在优化模型容量与部署足迹之间的权衡，提供了一条架构增强的效率-效果权衡路径。我们相信 IQuest-Coder-V1 系列的发布（包括从预训练基座到最终思考和指令模型的完整白盒检查点链）将推进自主代码智能和现实世界 Agent 系统的研究。

链式思维（Chain-of-thought, CoT）提示已被扩展到大型音频-语言模型（LALM）以引出推理，然而在不进行训练的情况下增强其有效性仍然具有挑战性。我们研究了推理时模型引导（model steering）作为一种无训练方法来改进 LALM 推理。我们引入了三种利用多样信息源的策略，并在 4 个 LALM 和 4 个基准上进行了评估。结果显示相比 CoT 提示总体精度提升最高可达 4.4%。值得注意的是，我们发现了一种跨模态迁移现象：从少量文本样本中提取的引导向量能够有效指导基于语音的推理，展现了极高的数据效率。我们还检验了超参数敏感性以理解这些方法的鲁棒性。我们的发现将模型引导定位为增强 LALM 推理能力的一个实用方向。

我们展示了在自组织临界态（self-organized criticality）下预训练的 PLDR-LLM 在推理时表现出推理能力。PLDR-LLM 在临界态下的演绎输出特征类似于二阶相变（second-order phase transitions）。在临界态下，关联长度发散，演绎输出达到亚稳态稳定状态。稳态行为表明演绎输出从训练数据集中学习了等价于标度函数（scaling functions）、普适类（universality classes）和重整化群（renormalization groups）的表示，在此过程中获得了泛化和推理能力。然后我们可以从推理时模型演绎输出参数的全局统计量定义一个序参量（order parameter）。当序参量在临界态附近接近零时，PLDR-LLM 的推理能力更强。这一观察得到了在近临界态和亚临界态训练的模型基准分数的支持。我们的结果为大语言模型中推理如何涌现提供了一个自洽的解释，并且推理能力可以仅从稳态下演绎输出的全局模型参数值来量化，无需通过归纳输出在策划的基准数据集上进行推理和理解的评估。

表示对齐（Representation Alignment, REPA）已成为在潜在空间中加速扩散 Transformer (Diffusion Transformers) 训练的简单方法。同时，像素空间扩散 Transformer，如 Just image Transformers (JiT)，因其去除了对预训练分词器的依赖从而避免了潜在扩散的重建瓶颈而日益受到关注。本文表明 REPA 在 JiT 上可能失效。随着训练进行，REPA 使 JiT 的 FID 变差，并在 ImageNet 上预训练语义编码器表示空间中紧密聚类的图像子集上导致多样性坍塌。我们将这一失败追溯到信息不对称：去噪发生在高维图像空间中，而语义目标被强压缩，使得直接回归成为一个捷径目标。我们提出 PixelREPA，通过变换对齐目标并使用掩码 Transformer 适配器（Masked Transformer Adapter，结合浅层 Transformer 适配器与部分 token 掩码）来约束对齐。PixelREPA 同时改善了训练收敛速度和最终质量。PixelREPA 将 JiT-B/16 的 FID 从 3.66 降至 3.17，Inception Score (IS) 从 275.1 提升至 284.6（ImageNet 256×256），同时实现了超过 2 倍的收敛加速。最终 PixelREPA-H/16 达到 FID=1.81、IS=317.2。我们的代码可在 https://github.com/kaist-cvml/PixelREPA 获取。

扩散 Transformer (Diffusion Transformers) 在视频生成方面展现了卓越能力。然而，其实际部署受到高内存使用和计算成本的严重限制。训练后量化（Post-Training Quantization）提供了一种减少内存使用和提升计算速度的实用方法。现有量化方法通常采用静态位宽分配，忽略了激活值在不同扩散时间步上的量化难度差异，导致效率和质量之间的权衡不够理想。本文提出了一种推理时 NVFP4/INT8 混合精度量化框架。我们发现块的输入输出差异与其内部线性层的量化敏感度之间存在强线性相关性。基于这一洞察，我们设计了一个轻量级预测器，动态地将 NVFP4 分配给时间稳定的层以最大化内存压缩，同时选择性地为波动层保留 INT8 以确保鲁棒性。这种自适应精度策略实现了激进量化而不损害生成质量。此外，我们观察到 Transformer 块的输入与输出之间的残差在时间步之间表现出高度的时间一致性。利用这种时间冗余，我们引入时间增量缓存（Temporal Delta Cache, TDC）来跳过这些不变块的计算，进一步降低计算成本。大量实验表明，我们的方法实现了 1.92 倍的端到端加速和 3.32 倍的内存压缩，为视频 DiT 的高效推理树立了新的基线。

虽然最近的生成式视频模型已经实现了卓越的视觉真实感，并正被作为世界模型进行探索，但真正的物理模拟需要同时掌握空间和时间。当前模型可以产生视觉上平滑的运动学效果，但缺乏可靠的内部运动脉冲来将这些运动锚定在一致的真实世界时间尺度上。这种时间模糊源于一种常见做法：不加区分地在具有截然不同真实世界速度的视频上进行训练，然后将它们强制统一到标准化帧率。这导致了我们所称的时间测量幻觉（chronometric hallucination）：生成序列展现出模糊、不稳定且不可控的物理运动速度。为解决这一问题，我们提出了 Visual Chronometer，一种直接从输入视频的视觉动态中恢复物理每秒帧数（Physical Frames Per Second, PhyFPS）的预测器。通过受控时间重采样进行训练，我们的方法估计运动本身所暗示的真实时间尺度，绕过不可靠的元数据。为系统量化这一问题，我们建立了两个基准：PhyFPS-Bench-Real 和 PhyFPS-Bench-Gen。我们的评估揭示了一个严峻现实：最先进的视频生成器存在严重的 PhyFPS 失配和时间不稳定性。最后，我们证明应用 PhyFPS 校正能够显著改善 AI 生成视频的人类感知自然度。

我们介绍 4DGS360，一个从日常单目视频进行 360° 动态物体重建的无扩散框架。现有方法常因严重依赖 2D 原生先验而导致初始点过拟合到每个训练视角的可见表面，从而无法重建一致的 360° 几何。4DGS360 通过先进的 3D 原生初始化来解决这一挑战，缓解遮挡区域的几何歧义。我们提出的 3D 追踪器 AnchorTAP3D 利用可信的 2D 追踪点作为锚点生成增强的 3D 点轨迹，抑制漂移并提供保持遮挡区域几何的可靠初始化。这种初始化结合优化，产生连贯的 360° 4D 重建。我们进一步提出 iPhone360 新基准，其中测试相机与训练视角相隔最多 135°，实现现有数据集无法提供的 360° 评估。实验表明 4DGS360 在 iPhone360、iPhone 和 DAVIS 数据集上均在定性和定量方面达到最先进性能。

对于在动态环境中运行的机器人 Agent，从流式视频观察中学习视觉状态表示对于序列决策至关重要。最近的自监督学习方法在视觉任务中展现了强迁移性，但它们没有明确解决良好的视觉状态应该编码什么。我们认为有效的视觉状态必须通过联合编码场景元素的语义身份及其空间位置来捕获"什么在哪里"（what-is-where），从而实现跨观察的细微动态检测。为此，我们提出 CroBo，一个基于全局到局部重建目标的视觉状态表示学习框架。给定一个压缩到紧凑瓶颈 token 中的参考观察，CroBo 学习使用全局瓶颈 token 作为上下文，从稀疏可见线索重建局部目标裁剪中被大量遮蔽的 patch。这一学习目标鼓励瓶颈 token 编码场景级语义实体的细粒度表示，包括它们的身份、空间位置和配置。因此，学到的视觉状态揭示了场景元素如何随时间移动和交互，支持序列决策。我们在多种基于视觉的机器人策略学习基准上评估了 CroBo，取得了最先进的性能。重建分析和感知直线性实验进一步表明，学到的表示保持了像素级场景组合并编码了跨观察的"什么在移动到哪里"。

评估大语言模型（LLM）在开放式问题上的表现十分困难，因为回复质量取决于问题的上下文。二分评分和静态评分标准无法捕获这些依赖上下文的要求。现有方法在数据集级别定义标准或一次性生成标准，限制了它们探索每个问题所隐含的评估空间的能力。我们引入"一题一世界"（One-Question-One-World, Qworld），一种使用递归扩展树生成特定于问题的评估标准的方法。给定一个问题，Qworld 通过结构化的层级和水平扩展将其分解为场景、视角和细粒度二元标准。生成的标准明确指定了该问题的高质量答案必须涵盖的内容。在 HealthBench 上，Qworld 覆盖了 89% 的专家撰写标准，并生成了 79% 经人类专家验证的新标准。专家将 Qworld 标准在洞察力和粒度上的评级高于先前方法。当应用于 HealthBench 和 Humanity’s Last Exam 上的 11 个前沿 LLM 时，Qworld 揭示了在长期影响、公平性、错误处理和跨学科推理等维度上的能力差异，这些是粗粒度评估无法区分的。通过将标准生成构建为对问题隐含评估轴的结构化覆盖，Qworld 实现了适应每个问题的评估，而非依赖固定的任务级标准。

记忆增强的 LLM Agent 维护外部记忆库以支持长时程交互，然而大多数现有系统将构建、检索和利用视为独立的子程序。这产生了两个耦合的挑战：在记忆周期的前向路径上存在战略盲区，其中构建和检索由局部启发式而非显式战略推理驱动；在后向路径上存在稀疏且延迟的监督，其中下游失败很少转化为对记忆库的直接修复。为解决这些挑战，我们提出 MemMA，一个即插即用的多 Agent 框架，沿前向和后向两条路径协调记忆周期。在前向路径上，Meta-Thinker 生成结构化指导，在构建期间引导 Memory Manager，在迭代检索期间指导 Query Reasoner。在后向路径上，MemMA 引入原位自我进化的记忆构建（in-situ self-evolving memory construction），合成探测 QA 对，验证当前记忆，并在记忆定稿之前将失败转化为修复动作。在 LoCoMo 上的大量实验表明，MemMA 在多个 LLM 骨干上持续超越现有基线，并以即插即用的方式改善了三种不同的存储后端。我们的代码公开在 https://github.com/ventr1c/memma。

具身智能等应用依赖实时的感知-决策-行动闭环，对流式视频理解提出了严格挑战。然而，当前的 Agent 存在能力碎片化问题，如仅支持离线视频理解、缺乏长期多模态记忆机制，或难以在流式输入下实现实时推理和主动交互。这些不足已成为阻止它们在真实世界环境中持续感知、实时决策和执行行动的关键瓶颈。为缓解这些问题，我们提出 StreamingClaw，一个面向流式视频理解和具身智能的统一 Agent 框架。它也是一个兼容 OpenClaw 的框架，支持实时多模态流式交互。StreamingClaw 整合了五大核心能力：（1）支持实时流式推理；（2）支持对未来事件的推理和在交互目标在线演化下的主动交互；（3）支持多模态长期存储、层级进化和多 Agent 共享记忆的高效检索；（4）支持感知-决策-行动闭环，除常规工具和技能外还提供面向真实物理环境的流式工具和以行动为中心的技能；（5）兼容 OpenClaw 框架，能够充分利用开源社区的资源和支持。通过这些设计，StreamingClaw 在统一框架内整合了在线实时推理、多模态长期记忆和主动交互。此外，通过将决策转化为可执行行动，它实现了对物理世界的直接控制，支持具身交互的实际部署。

降水临近预报对于灾害减缓和航空安全至关重要。然而，仅依赖雷达的模型经常因缺乏大尺度大气上下文而在较长预报时效时性能下降。虽然整合由天气基础模型预测的气象变量提供了一种潜在的补救方案，但现有架构无法调和雷达图像和气象数据之间深层的表征异质性。为弥合这一差距，我们提出了 PW-FouCast，一个新颖的频域融合框架，利用盘古气象（Pangu-Weather）预报作为基于傅里叶骨干网络中的频谱先验。我们的架构引入了三项关键创新：（i）盘古气象引导的频率调制（Pangu-Weather-guided Frequency Modulation），用于将频谱幅度和相位与气象先验对齐；（ii）频率记忆（Frequency Memory），用于校正相位差异并保持时间演化；以及（iii）反转频率注意力（Inverted Frequency Attention），用于重建在频谱滤波中通常丢失的高频细节。在 SEVIR 和 MeteoNet 基准上的大量实验表明，PW-FouCast 达到了最先进的性能，有效扩展了可靠预报时效同时保持了结构保真度。我们的代码可在 https://github.com/Onemissed/PW-FouCast 获取。