论文精读

VideoMM将token选择与细粒度推理解耦：在降采样的宏观代理上做语义筛选，仅对不确定样本按需激活高分辨率微观token，长视频理解提速6.13倍且精度反升7.4%。

LGM用稀疏自编码器解耦记忆、按查询动态构建潜空间图，以16个潜前缀token替代全文回放，在隐式偏好推断上超过GPT-5。

提出针对工具型LLM Agent四类攻击（直接/间接注入、记忆投毒、后门）的统一多层防御框架，工具过滤+工具集恢复+提示工程组合在多种模型上实现0%攻击成功率且不伤任务性能。

PaperCompiler把论文复现中的自由文本计划换成显式的仓库级规格说明：证据分级、需求到文件的归属映射、非退化约束，让生成代码对论文方法的保真度提升13.8%。

VoT不再把VLM当文本编码器用，而是让它先生成一组离散的视觉计划token（物体、布局），再交给DiT渲染像素，用闭环三重损失训练的VoT tokenizer打通了语言语义与视觉信号之间的可解释接口。

PACE诊断出点积训练失败的两大病灶——角度-范数纠缠与方向各向异性，用两阶段课程（余弦+LoRA → 点积+全参微调）加Focal Embedding Loss，让嵌入范数真正参与语义编码。

EMNLP 2026论文揭示自动化ICD编码的两种正交失败模式：神经分类器败于罕见码，固定工作流败于多步指南跟随；工具增强Agent可部分恢复性能，但瓶颈在候选发现而非验证。

Osprey把现成小LM剪枝后做目标无关预训练，一个骨干经词表对齐+零初始化QKV扩展+EAGLE-3蒸馏适配Qwen3-8B/Llama-3.3-70B/MiniMax-M2.5，平均接受长度+16.1%~22.7%，域外与多语增益最大。

哈工大等提出MaP-WAM（Memory as Plans），把情景记忆在规划时编译为段级『语言计划+视觉引导』，执行器上下文O(1)，RMBench成功率83.3%登顶，真机78.0%。

华东师大提出SRD-Guard：语义改写+多模型联合评分+相对风险路由的免参数黑盒防御，对UNIATTACK/CIPHER/DeepInception三类伪装越狱平均检出率91.4%/100%，过拒率仅8%/12%。

NTU提出PaperCompiler，将论文证据编译为仓库级实现规格（含证据溯源、非降级约束、所有权图），在Paper2CodeBench上参考忠实度从3.64提升至4.15，高危缺陷率从13.2%降至6.1%。

字节Seed提出Vision-of-Thought，在VLM与扩散解码器之间插入离散视觉思维层，GenEval达0.91超越Mogao与FLUX。

ViSAR完全在ColPali/ColQwen2.5的嵌入空间内操作，构建查询条件化的页级相似度矩阵动态决定检索页数：平均只取4.7页（固定top-10、启发式方法取15-18页），端到端延迟最高降58.7%，精度还略有提升，且相似度矩阵稀疏度与答案对错正相关——一个免费的检索质量监控信号。

EMNLP 2026系统演示论文：固定环境单变量对照100个多文件重构任务，AST感知分块检索比朴素token窗口分块高25-30pp，精简检索单Agent（86%）完胜子Agent委派（66%），且检索带来的精度增益恰好抵消其token开销——单次成功成本不变。

仅重复一遍过程指令这一零成本黑盒干预，让7个模型的协议完整率从90.22%升至93.17%，但最终答案准确率纹丝不动——控制面与答案面的分离值得工程侧深思。