验证器只能判错时,NOPO只学负样本:代码、逻辑、数学基准平均pass@16超过GRPO
当验证器能可靠判错、却无法可靠判对时,标准可验证奖励强化学习会把通过部分检查的捷径当成正确答案来强化。NOPO把验证器判正的样本当作未标注候选,只用可信负样本做抑制,并按同一组 rollout 中未被证伪的样本比例缩放每次更新。在Qwen3-4B与Qwen3-8B上,代码、逻辑和数学基准的平均pass@16高于GRPO等基线,优势在推理时扩展到512次采样和跨基准迁移中仍然存在。
当验证器能可靠判错、却无法可靠判对时,标准可验证奖励强化学习会把通过部分检查的捷径当成正确答案来强化。NOPO把验证器判正的样本当作未标注候选,只用可信负样本做抑制,并按同一组 rollout 中未被证伪的样本比例缩放每次更新。在Qwen3-4B与Qwen3-8B上,代码、逻辑和数学基准的平均pass@16高于GRPO等基线,优势在推理时扩展到512次采样和跨基准迁移中仍然存在。
面向未知杂乱环境中的四旋翼导航,ScanDreamer 用深度图与位姿在线构建二维扫描记忆地图,并让世界模型、演员与评论家都以这张地图为条件,想象时在冻结地图上推进位姿、由地图几何给出测地进度与撞墙信号。在 NVIDIA Isaac Sim 的1560个未见布局与参数区间测试回合上,三个随机种子平均成功率为96.3%、碰撞率为3.6%;同一在线交互预算下,AirDreamer 的成功率为59.6%、碰撞率为28.8%。
NEO-VLA把视觉语言动作模型里的固定视觉编码器去掉,图像经轻量卷积层切块后与语言在主干中一起演化,动作专家从不同深度的指令条件视觉表示中取用信息。受控比较中这类原生结构优于带编码器的对照,全量微调缩小差距但没有消除,单纯加大规模也补不回来;逐层探测显示对动作关键的信号常在最终视觉表示之前就达到峰值。
给照片加对抗扰动可以阻止扩散模型学会某人身份,但以往方法要在整张脸上密集改动,累积失真在五官附近肉眼可见。SEAL把扰动限制在5%的空间位置上,用可微的top-k掩码同时优化扰动位置与数值,并针对冻结VAE编码器的潜变量方差做破坏。在CelebA-HQ与VGGFace2上,受保护图像PSNR超过41 dB、SSIM为0.97、LPIPS不超过0.07,经DreamBooth个性化后身份相似度最高0.15。
网页平台在新页面还没有人工标签时就要分类,大语言模型逐页给出的标签有噪声,而链接在不同站点含义相反:购物站常连同类别商品,高校站点多连不同类别页面。ZeroPolar把链接进入预测的符号称为结构极性,用大语言模型标签与文本原型预测沿边的超额一致度在无真实标签下读出该符号,再执行一步带符号传播。每页一个GPT-4o标签时,ZeroPolar-T在十一个图上取得最高均值73.99%,比LLM-BP高6.01个百分点。
山地地震资料的初至常偏弱、断续,并被强直达波和噪声掩盖,基于能量的拾取器会跳到后至波或噪声上,深度学习拾取器换一个新工区往往还要重新训练。FA-Agent把多模态大模型、确定性处理工具和记录处理经验的技能文件组合成可扩展框架:智能体先通览整张道集圈出可疑区,再放大逐段判断保留、改正还是删除初至。在初至已知、噪声取自山地实测的半合成道集上,它对清晰可见的初至拾取准确,对不可见的初至选择删除而不是误拾后至波。
图形界面智能体的安全风险可能不在屏幕上,而在产生这张屏幕的转场里:同一张凭证页既可能是点击“登录”后的正常结果,也可能是点击“查看订单”后的劫持结果。LGWM 不渲染下一屏,而是直接在观测编码空间预测下一屏的表示,把校验变成一次向量比较;在每对凭证页像素完全相同的 RSWT-Bench 上,免训练的一致性分数达到 0.987 AUC,单次判定 17 毫秒,与最强闭源视觉语言模型同档,并比生成式 GUI 世界模型高约十个 AUC 点。
掩码扩散语言模型在小响应窗口下会在推理尚未完成时先固定答案片段,这一提前承诺随后成为后续预测的上下文。HiLo-RD 让同一模型的大窗口轨迹充当冻结教师,把其隐藏表示对齐到裁剪后的小窗口视图,在已提交位置上做表示蒸馏。在相同小推理预算下,GSM8K 准确率从 68.84% 升到 78.24%,平均可读长度从 362.8 降到 271.3 个 token,增益还延伸到未做代码域训练的代码生成。
多数机器人策略在离散控制步上直接输出动作值,把物理运动的连续性留给数据隐式学习。ODE Policy 改用一个神经常微分方程学习动作的向量场,在部署时由上一个动作积分出下一个动作,使轨迹在构造上连续。在 LIBERO 上训练一个 epoch 后,它取得 79.2% 的成功率,而基线最高为 43.2%;作为 VLA 与 ImageWAM 的动作头以及 SuperMimic 的 actor 时也保持这一早期优势。
不安全反序列化让攻击者能借应用依赖里的方法链执行任意代码,而网关、应用、系统三层各自只看得到攻击的一部分。Janus 在隔离副本上让黑盒攻击智能体不断寻找绕过变体,防御智能体把每个已验证变体归纳成安全相关效果,再用反事实重放区分互补覆盖与冗余规则,联合选择并限定各层控制。在六个 Java 与 PHP 应用的 16 个部署上,留出攻击成功率降到 6.2%,而网关、应用、系统与跨层基线为 18.8%–55.0%,同时通过 98.4% 的正常功能测试。