RecursiveMAS 的创新框架，旨在通过递归计算来提升多智能体系统的协作效能。该系统利用轻量化的 RecursiveLink 模块，使不同类型的 AI 智能体能够在潜空间（Latent Space）中直接进行思想传递与迭代优化，而非依赖传统的文本交互。这种设计通过内环与外环联合训练算法，实现了整个系统在递归过程中的协同演化与梯度稳定。研究表明，该框架在数学、科学和代码生成等多个基准测试中，不仅显著提升了任务准确率，还大幅加快了推理速度并降低了Token消耗。总之，RecursiveMAS 为多智能体系统的扩展提供了一个兼具高效通信与深度推理能力的全新维度。

这份研究介绍了一种名为 FD-loss 的新型视觉生成模型训练方法，旨在直接优化长期以来仅被视作评估指标的 Fréchet 距离（FD）。作者通过解耦 FD 估计所需的样本总量与梯度计算的批次大小，克服了在大规模数据上直接优化该指标的计算瓶颈。实验表明，这种方法能显著提升现有生成器的图像质量，甚至可以将多步生成模型转化为高效的单步生成器，且无需复杂的对抗训练或知识蒸馏。此外，研究指出传统的 FID 指标在衡量视觉质量方面存在局限性，并据此提出了涵盖多表征空间的更全面评估指标 FDrk。通过将评估指标转化为训练目标，该工作为生成模型的优化和性能诊断提供了全新的视角。

OpenHands 是一个由社区驱动的开源平台，旨在开发能够像人类软件工程师一样通过软件接口与世界交互的通用 AI 智能体。该系统构建在事件流架构之上，通过 Docker 沙盒环境确保代码执行的安全性，并集成了终端、浏览器及交互式 Python 环境。平台包含一个名为 AgentHub 的组件，支持多种智能体实现，并提供 AgentSkills 工具库以增强其复杂任务处理能力。研究表明，其核心智能体 CodeActAgent 在软件工程、网络浏览和逻辑推理等 15 项基准测试中表现优异，展现了强大的通用性。该项目采用 MIT 开源协议，吸引了学术界与工业界的广泛参与，致力于推动人工智能在实际软件开发中的应用。

GigaWorld-Policy 是一种高效的动作中心化世界-动作模型 (WAM)，旨在解决机器人控制中数据监督稀疏和推理延迟高的问题。该模型通过因果序列建模，将动作预测与未来视觉动力学预测相结合，在训练阶段利用高密度视觉监督来增强动作学习的物理可靠性。与传统依赖迭代采样视频的 WAM 不同，它在推理时支持可选的视频生成模式，从而显著降低计算开销并实现低延迟控制。为了提升泛化能力，研究团队采用了课程预训练方案，将通用视频模型转化为具备机器人交互先验的具身智能基础模型。实验证明，该模型在保持高性能的同时，推理速度比现有顶尖 WAM 快 9 倍，在真实场景中取得了更优的任务成功率。这一成果为实时、高精度的机器人闭环控制提供了一种兼顾效率与鲁棒性的新方案。

MoCapAnything V2 是一个创新的端到端单目视频动作捕捉框架，旨在将人类或动物的运动转化为任意骨骼结构的动画。该系统弃用了传统复杂的中间网格生成和不可微的逆运动学（IK）计算，转而采用完全可学习的神层网络，使推理速度提升了约 20 倍。通过引入参考姿态-旋转对，该模型有效解决了骨骼坐标系定义不明导致的旋转歧义，大幅提高了捕捉精度。核心技术 GL-GMHA 机制融合了局部运动链推理与全局协调，确保了在处理未知骨骼拓扑时依然具有极强的泛化能力。实验证明，该方法在多种数据集上均实现了更低的角度误差，能够生成更加自然且即插即用的动画结果。

Tuna-2是一种创新的原生统一多模态模型，它摒弃了传统的预训练视觉编码器。该模型通过直接基于原始像素嵌入进行操作，实现了视觉理解与图像生成的完全端到端优化。研究人员引入了一种基于掩码的视觉特征学习方案，以增强模型在处理高维像素空间时的稳健性。实验结果显示，Tuna-2 在多项基准测试中达到了领先水平，尤其在需要细粒度视觉感知的任务上表现卓越。这证明了移除视觉编码器不仅能简化模型架构，还能在多模态建模中提供更强的扩展潜力与表现力。

BixBench是一个专门为评估 LLM 智能体在生物信息学领域处理真实世界数据分析能力而设计的综合性基准测试。该基准包含 61 个复杂的分析场景和 205 个开放式问题，要求模型在计算生物学环境下完成多步骤的实验规划、数据探索及结果解读。研究团队利用 GPT-4o 和 Claude 3.5 Sonnet 在开源智能体框架上进行了测试，结果显示这些前沿模型在开放式回答中的准确率仅为 21%，在选择题测试中的表现也仅略高于随机水平。作者通过暴露当前模型在处理模糊且复杂的科学发现任务时的局限性，旨在推动能够进行严谨生物信息学分析的 AI 系统开发。最终，BixBench 为衡量自主科学研究工具的进步提供了一个关键的评估指标和标准化环境。

MinerU2.5 是由上海人工智能实验室及其合作机构开发的一种具有 12亿参数 的视觉语言模型，专门用于高效且高精度的 解析复杂文档。该模型采用了创新的 两阶段解耦策略，首先在低分辨率下进行全局 布局分析，随后对原始高分辨率图像进行局部 内容识别，从而大幅降低计算开销并减少模型幻觉。其技术核心包括针对数学公式的 ADR 框架、针对表格的 OTSL 语言，以及通过 IMIC 策略 自动筛选疑难样本的数据引擎。实验数据表明，MinerU2.5 在 OmniDocBench 等多个权威基准测试中超越了 GPT-4o 和 Gemini-2.5 Pro 等大型模型，在处理 数学公式、复杂表格 和 阅读顺序预测 方面达到了顶尖水平。作为一款轻量化且高性能的工具，它为大规模数字化文档处理和检索增强生成（RAG）提供了强有力的技术支撑。

研究探讨了如何衡量并提升人工智能系统思维链（CoT）的可监测性，以确保日益自主的代理在部署中具备安全性。作者提出了干预、过程及结果属性三类评估框架，并引入了专用的g-mean²指标来量化监控有效性。实验表明，更长的思维链通常能显著提高可监测性，且这种监控方式比仅观察代理行为更有效。研究还揭示了**“可监测性税”现象，即通过部署推理更充分的小型模型，可以在保持性能的同时提升可监测性。此外，强化学习（RL）优化目前并未削弱监控能力，且通过追加询问**可以进一步引导模型输出更多可监测的信息。该研究为理解AI决策过程的透明度提供了重要的基准和 scaling trends 分析。

Tequila 新型大语言模型（LLM）三值量化技术，旨在解决模型压缩过程中的性能损失问题。传统的三值量化通过将权重限制在 {-1, 0, 1} 来加速推理，但容易导致大量权重陷入“死区（deadzone）”，因缺乏有效梯度而无法优化。Tequila 创新性地将这些被困权重重新利用为动态偏置，通过可微的激活函数为模型提供持续的信号流。实验表明，该方法在显著提升模型精度的同时，仅需极少的训练数据即可接近全精度性能。此外，由于偏置项可离线预计算，Tequila 在保持 3.0倍推理加速的同时几乎不增加额外开销，为边缘设备的低功耗部署提供了高效方案。