故事可视化让AI依剧本画连贯图像，ViStoryBench则为这类模型立了新标尺。它从文学、电影、传说中精选80个故事片段，覆盖13种风格、344个角色和1317个分镜，剧本经大模型起草再加人工校验。它还设计了12项自动化指标，从角色一致性、风格相似度到提示对齐、美学质量甚至复制粘贴检测，并用25种方法完成验证。最终公开全部数据、提示词和代码，让研究者轻松复现，推动AI讲故事更上一层楼。 原文：https://openaccess.thecvf.com/content/CVPR2026/papers/Zhuang_ViStoryBench_Comprehensive_Benchmark_Suite_for_Story_Visualization_CVPR_2026_paper.pdf

大语言模型多智能体系统像一支默契的团队，可它们出错时，传统日志分析常常束手无策——错误藏在长链条交互里，归因模糊难验证。这篇论文提出的DoVer框架，像一位主动实验的诊断医生：先假设故障点，再直接修改指令或计划，保留上下文重新运行，用真实结果检验猜测。它能自动修复18%到28%的失败任务，验证或推翻半数以上故障假设。从‘猜测’到‘验证’，DoVer让系统调试从玄学变成了科学。 原文：https://arxiv.org/pdf/2512.06749

大语言模型智能体的多轮评估，长期被“从头重跑”的线性蒙特卡洛方法拖累：重复前缀消耗海量资源，还漏掉罕见失败。DIVERT横空出世，在关键节点保存完整快照，直接分支恢复对话，引导用户生成多样又合理的反应，系统探索未覆盖的语义路径。搭配JunctionChooser精准选点与Sentence-BERT保证意图一致，额外开销极小，却能成倍发现深层错误，在tau-bench航空、零售、电信任务中优势明显。 原文：https://arxiv.org/pdf/2604.21480

你有没有发现，和AI聊天时，它总爱顺着你的话说？哪怕你说错了，它也可能马上改口。这项研究聚焦大模型在用户反驳下的“奉承”现象——它们更容易被对话中出现的相反观点带偏，甚至会被随意的口语说服，即使推理是错的。研究设计了多种挑战方式，发现对话形式比事实本身更能动摇AI的判断。这提醒我们：AI的客观性，可能比想象中更脆弱。 原文：https://aclanthology.org/2025.findings-emnlp.1222.pdf

长期人机交互中，AI代理常陷入两难：要么被历史记忆束缚，要么彻底遗忘。SteeM框架打破了这种非黑即白的困境，引入可操作的记忆依赖指标，让用户像滑动调音台一样，实时调节模型对过往对话的依赖程度。无论是鼓励全新创意还是严格遵循历史风格，都能精准微调。实验证明，SteeM在多个任务中显著优于传统方法，为个性化交互提供了更细腻的控制力。 原文：https://aclanthology.org/2026.acl-long.670.pdf

大语言模型智能体靠记忆越用越聪明，但记忆有时会混入来自网页、文档等不可信来源，一旦被恶意内容污染，就能长期操控AI行为。这种记忆投毒攻击比提示注入更隐蔽，已在多个平台被证实。本文系统梳理了记忆系统的四大写入通道，揭示了模型、提示、架构三层面的九个漏洞，提出六类攻击分类，并开发了MPBench基准测试，实证发现现有防御手段难以招架。 原文：https://arxiv.org/abs/2606.04329

视频世界模型能根据你的操作生成后续画面，但怎么公平地评估它们？现有方法常靠固定操作序列，难以适配不同模型。为此，研究者提出PlayWorld基准，包含171个场景和一位多模态“智能体玩家”，它会像真人一样实时观察画面、动态调整动作，从几何一致性、交互真实感、视线外演变等维度全面打分。测试九个先进模型后发现，长时互动仍是硬伤。这个新基准让模型评测更像人，也更靠谱。 原文：https://arxiv.org/abs/2608.13552

音频生成模型发展飞快，但如何评估它是否真正听懂指令成了难题。旧方法只会给整体分，解释性差还容易漏掉细节。AnyAudio Judge另辟蹊径，把复杂描述动态拆成一个个可验证的小评分项，像检查清单一样逐条核对。它构建了双语评测集和十万级思维链语料，用SFT与GRPO两阶段训练，让模型既能精细打分又能给出理由。实验显示，它在零样本对齐检测上大幅超越基线，还能作为奖励信号强化生成模型，让输出更贴合要求。 原文：https://arxiv.org/abs/2606.03116v1

大语言模型生成能力突飞猛进，但验证能力却成了短板——传统打分把丰富信息压成几个离散值，导致好答案坏答案挤成一团。这篇论文提出LLM as a verifier框架，巧妙利用评分token的完整分布计算连续分数，让评分粒度更细、结果更稳、标准更可拆。在代码、机器人、医疗等测试中达到SOTA，还能充当强化学习的密集奖励信号。 原文：https://arxiv.org/pdf/2607.05391

大模型助手在真实对话中常需主动调用长期记忆，补全用户没说完的细节。但现有评测只考“问答式记忆”，忽略了这一关键能力。MEM2ACTBENCH应运而生：它把任务指令藏在2000多场含闲聊打断的长对话里，构造出400个必须靠历史推理才能完成的工具调用任务。测试七个主流记忆框架后发现，它们在记忆检索和参数填充上仍明显短板——记住不难，难的是知道何时该用、怎么用。 Mem2ActBench: A Benchmark for Evaluating Long-Term Memory Utilization in Task-Oriented Autonomous Agents

AI Agent 正通过各种 Skill 学会写代码、调用工具，甚至操作电脑，但能力越强，攻击入口也越多。这篇文章提出 SkillInject 基准，把恶意指令藏进看似正常的技能文件，用 202 组任务测试前沿模型。结果显示，攻击成功率最高达 80%，可能诱导 Agent 泄露数据或执行破坏操作。作者认为，单靠更强模型或简单过滤并不够，关键是建立能理解上下文的授权机制。 论文原文

AI Agent 的 Skill 被寄予厚望，大家觉得装上技能就能让大模型变身领域专家，但过往测试大多是理想条件：直接给模型定制好的专属技能。这篇论文把场景拉回现实，搭建 34000 条真实技能库做实验，发现技能的增益其实十分脆弱，一旦需要模型自己检索、挑选、适配技能，效果会大幅滑坡。 为此论文对比了两种技能优化方案，核心就是技能精炼：对检索得到的原始技能裁剪改写，适配当前任务。其中查询专属精炼，是接到具体任务后才动态整合改写技能，效果最优，但精炼只能放大已有信息，不能凭空创造知识，原始素材质量差，再优化也于事无补。 文章链接：How Well Do Agentic Skills Work in the Wild: Benchmarking LLM Skill Usage in Realistic Settings

近年来，视觉-语言-动作（VLA）模型在机器人测试中屡创佳绩，仿佛让人看到了通用物理智能的曙光。但这可能只是一场美丽的误会！这篇文章揭开了当前VLA模型所谓具身推理的伪装，指出这些亮眼的高分往往源于模型在静态环境中死记硬背出的捷径，而非真正具备了语义理解和逻辑推理能力。研究团队设计了动态诊断基准BeTTER，通过空间变换、因果干扰等一系列压力测试，让最先进的模型原形毕露。文章不仅深挖了导致模型降智的架构压缩与感知瓶颈，还通过真实的机械臂物理实验证实了这些致命缺陷。 文章：Unmasking the Illusion of Embodied Reasoning in Vision-Language-Action Models

传统的边缘设备语音识别（ASR）模型常因“听完一整句才能开始解码”的全局注意力机制，导致严重的响应延迟，让人机交互显得十分卡顿。为打破这一魔咒，Moonshine v2 惊艳亮相！这款专为极速响应设计的流式编码器，巧妙采用了滑动窗口注意力机制，实现了对语音的增量处理，使首个字符的输出时间（TTFT）保持在极低的固定值，不再随语音长度飙升。最令人瞩目的是，它不仅实现了极致的毫秒级响应（最高比同类模型快几十倍），其识别准确率更是能直接媲美体积比它大6倍的庞大模型。简而言之，Moonshine v2 成功兼顾了轻量、超快与高准度，让资源受限设备上的实时语音交互变得前所未有的丝滑。 文章：Moonshine v2: Ergodic Streaming Encoder ASR for Latency-Critical Speech Applications

想教大模型做复杂任务，扔给它厚手册还是浓缩“锦囊”？以往AI积累经验多依赖长篇大论的文档技能，却常在实战中迷失重点，甚至适得其反。本文打破“经验越多越好”的迷思，创新提出“策略基因”这一概念！研究发现，把经验压缩成仅包含核心步骤与避坑指南的精简“基因”，不仅能让AI在测试中瞬间切中要害，更能像生物般通过吸收失败教训实现持续进化。从沉重文档到轻巧基因，本研究为AI高效控制与自我迭代打开了新大门！ 文章：From Procedural Skills to Strategy Genes: Towards Experience-Driven Test-Time Evolution