部署后学习拟合出R²=0.998

今日概览

「验证」正被当成第四条scaling轴：继预训练、后训练、测试时算力之后，LLM-as-a-Verifier不训练、不做二元评判，靠外挂验证器给agentic任务细粒度反馈，让手里的强模型再榨一层能力。
PixWorld把3D生成的VAE中间件拆了：重建和生成都拉回像素空间统一监督，少一个预训练组件、少一层编码损失，优化目标从对齐latent变成对齐3D保真度。
模型上线后还在偷偷变强：EdgeBench分析3.8万小时真实agent交互，发现部署后的环境学习遵循log-sigmoid曲线，拟合精度R²=0.998，且学习速度每三个月翻倍。
可变形物体该在像素还是几何里学，终于有尺子：Deform360放出198个物体、215小时视触觉数据，把2D像素派和3D几何派摆到同一张桌子上比。
给大模型加音频，文本智能到底掉不掉：Audex基于强文本MoE骨干、单decoder统一token，官方称音频全SOTA而文本「几乎无regression」——这句话正是最该核实的地方。

重点关注

01 Agent 预训练、后训练、测试时算力之后，第四条scaling轴是「验证」？

这篇工作把「验证」——判断一个解到底对不对——单拎出来，当成继预训练、后训练、测试时算力之后的第四条scaling轴。做法不训练、不做非对即错的二元评判：普通的LM judge是让模型直接吐一个离散分数，LLM-as-a-Verifier改成对打分token的logits分布求期望，得到连续分数，从而能在三个维度上加码——打分粒度、重复评估、评判标准拆解。它给的是agentic任务的细粒度反馈，可以直接接进现有pipeline做拒绝采样、重排或迭代修正，意味着手里已有的强模型不必再训一个reward model，靠外挂验证器就能再榨一层能力。数字上在Terminal-Bench V2、SWE-Bench Verified等基准刷到SOTA(86.5%、78.2%)，还做了个Claude Code扩展让开发者监控自己的agent系统。需要保留的是：摘要只说框架「通用」,但具体在哪类任务上收益最大、验证器自己的误判会怎样往下游传导,这些得看全文才能判断——毕竟验证器错了,拒绝采样和重排都会跟着错。

已有强模型可外挂验证器做拒绝采样/重排,不必再训reward model就能再提一层能力连续分数(对logits求期望)比离散打分更好区分好坏解,且可靠重复评估和标准拆解继续scaling但验证器的误判会向下游传导,「通用」能覆盖哪些任务需看全文确认。

原文：LLM-as-a-Verifier: A General-Purpose Verification Framework

02 图像生成 3D建模不再背一个VAE，重建和生成都拉回像素空间

做3D生成，长期得先训一个VAE（变分自编码器）把场景压进latent空间，扩散模型在这个压缩表示上学习——问题是扩散目标定在latent特征上，而不是真正的3D表示，中间还多吃一层编码损失。PixWorld的做法是把重建和生成都拉回像素空间，扩散直接在渲染出来的图像上监督，VAE这层中间件就被拆掉了，优化目标也从「对齐latent」变成「对齐3D场景保真度」。为了补上2D图像监督缺乏几何感知的短板，它还加了一个几何感知损失，用预训练3D基础模型的特征空间给渲染视图提供结构监督。结果是生成质量超过此前latent空间方法，重建能力也追平SOTA——一个模型两件事都做。对做3D内容和世界建模的团队，这更像一个架构信号：少一个预训练中间件、少一次信息损失，值不值得为此换掉latent路线，得看全文的算力代价才好判断。

拆掉VAE中间件意味着少维护一个预训练组件、少一层编码损失，架构链路更短扩散直接在像素/渲染图上监督，优化目标对齐3D保真度而非latent特征单模型统一重建与生成，做3D世界建模的可关注这条像素空间路线，但算力成本需看全文确认

原文：PixWorld: Unifying 3D Scene Generation and Reconstruction in Pixel Space

03 评测模型上线之后还在偷偷变强，而且变强的曲线拟合到了R²=0.998

预训练的scaling law大家早就习惯了，但模型部署之后从真实环境里继续学，一直是个黑盒——没人量化过它涨不涨、怎么涨。EdgeBench分析了约3.8万小时、134个真实任务的agent交互数据，意外发现部署后的环境学习竟然遵循一条log-sigmoid曲线，拟合精度R²=0.998，高得有点反常。更有意思的是跨代模型的对比：agent的学习速度大约每三个月翻一倍。这意味着「上线后还能涨多少、涨多快」第一次变得可预测、可外推，对做长期能力规划的团队有直接参考价值。不过要留个心眼：这是单一benchmark上跑出来的经验规律，134个任务再多也是一套环境，跨到别的真实场景是否还成立，需要更多数据验证。

部署后的环境学习出现了可拟合的scaling law，意味着「上线后能涨多少」从拍脑袋变成可外推agent学习速度每三个月翻倍，规划能力路线图时要把这个增速算进去R²=0.998再漂亮也只是单一benchmark结论，别急着当成普适规律用。

原文：EdgeBench: Unveiling Scaling Laws of Learning from Real-World Environments

04 机器人该在像素里学还是在几何里学，终于有把尺子了

预测可变形物体怎么动——揉面团、叠衣服这类——一直是机器人操作的硬骨头：状态空间高维、材料属性复杂。学界分成两派：一派在2D像素空间直接学动力学（video model），一派在显式3D几何空间学（particle model），但谁强谁弱一直没人系统比过，因为缺一个统一的评测底座。Deform360补的就是这个缺口：198个日常物体、1980段交互、215小时观测，41个环绕相机加双手触觉夹爪，还配了一套无标记视触觉3D追踪来提取密集几何。作者把两种范式摆到同一张桌子上比，结论指向一个老权衡——结构先验（3D）和可扩展性（2D）之间怎么取舍。具体哪派赢、赢在哪类物体，得看全文的对比细节，但对做操作类机器人的人，价值不在某个SOTA，而在「选哪种表示」这个决策第一次有了实证依据。

可变形物体world model的2D像素派和3D几何派，第一次有了统一数据集能同台比较核心权衡是结构先验vs可扩展性，选表示前值得看这份对比ECCV接收且开源，做操作类机器人的团队可以直接拿来当benchmark用

原文：Deform360: A Massive Multi-view Visuotactile Dataset for Deformable World Models

05 多模态给大模型加上耳朵和嘴，文本智能会掉多少？

统一audio-text大模型有个反复出现的代价：把音频理解和生成塞进去，通用文本能力就掉一截，做出来的模型语音很强但推理、知识、长上下文都退化了。Audex基于一个强文本MoE骨干，用单个Transformer decoder统一处理——音频输入编码后投进文本嵌入空间，文本token和量化后的音频输出token在生成时一视同仁，好处是能直接复用标准LLM的训练和推理基础设施。它做完多阶段监督训练后，还专门补了一轮纯文本的RL和多领域on-policy蒸馏，官方说法是音频理解、语音识别翻译、TTS、语音到语音全都SOTA，而文本推理、对齐、agentic能力「几乎或完全没有regression」。这个「没有regression」是全篇的关键卖点，也是最该看全文核实的地方——文本基线通常会挑对自己有利的维度，具体掉多少要看逐项对比。对想做语音/音频应用又不愿丢通用能力的团队，这条路线值得关注，但下判断前先确认它在你在意的那几个文本维度上真没退。

统一audio-text模型的核心权衡不是音频做得多好，而是文本能力保住多少，选型时先盯这项单decoder统一token的设计能复用标准LLM基础设施，工程成本更可控「无regression」是营销话术高发区，认准逐维度对比再信。

原文：Unified Audio Intelligence Without Regressing on Text Intelligence

也值得关注

视觉基础模型偏爱语义不变性、却把空间细节丢了 多模态这篇改以边界/形状不连续为中心做预训练，补回稠密空间感知，35 upvotes且有代码。Vision Pretraining for Dense Spatial Perception

KV cache淘汰不再靠静态启发式 推理加速KVpop直接监督「留还是丢」的决策，学一个定预算的淘汰策略，是长上下文解码省显存的实用件。KVpop: Key-Value Cache Compression with Predictive Online Pruning

长视频要么单视角时序自回归、要么多视角短片 视频生成MV-Forcing用4D几何桥把两种自回归塞进一个扩散模型，做长且多视角一致的动态场景（ECCV）。MV-Forcing: Long Multi-View Video Generation via 4D-Grounded Spatio-Temporal Self-Forcing

多向量图文检索靠late interaction保细粒度证据，但存算贵 检索SaMer做对象感知的token合并，压成K个代表质心又不丢区域级证据。Do All Visual Tokens Matter Equally? Object-Evidence Preserving Token Merging for Vision-Language Retrieval

首个面向高动态多智能体环境的world model 机器人条件在多个agent的动作流上、能把场景变化归因到正确的玩家，用Rocket League做实验。Multiplayer Interactive World Models with Representation Autoencoders

端到端自动驾驶的VLA想绕开2D-to-3D轨迹预测那套惯常做法 机器人PixelPilot走可扩展路线（ECCV）。PixelPilot: Scalable Vision-Language-Action Models for End-to-End Autonomous Driving

T2I画罕见的属性-物体组合总是漏概念或被主导实体盖掉 图像生成RADIANCE用相对自适应去噪加IP-Adapter强化新概念。RADIANCE: Relative Adaptive Denoising with IP-Adapter for Novel Concept Enhancement

部署后才暴露、预评估没料到的失败该怎么治理 安全对齐从定义、分类、监控、上报到事件响应，一篇AI事件治理的开放问题梳理（ICML）。Open Problems in AI Incident Governance

现有多比特水印要么全暴露元数据要么全不暴露 安全对齐选择性披露水印让你按需只揭示部分嵌入信息，给LLM文本溯源加一档控制粒度（ICML）。Selective Disclosure Watermarking for Large Language Models

单目转立体视频卡在遮挡区补全、又缺立体训练数据 视频生成Geometric Reciprocity用几何互反性解锁自监督，绕开稀缺的立体标注（ICML）。Geometric Reciprocity: Unlocking Self-Supervision for Stereoscopic Video Generation

今日观察

今天同一批HF Daily里冒出三篇「世界模型」味道的工作，但真正有意思的不是数量，而是它们各自往模型里补的是完全不同的一根结构。Deform360补的是材料形变加视触觉，抛出的问题是2D像素还是3D几何更配可变形物体；Multiplayer World Models补的是多智能体的动作归因，要把场景里的变化归到正确的那个玩家头上；PixWorld补的是3D生成与重建的统一，顺手把VAE那层信息损失拿掉。把三篇叠在一起看，能读出来的不是「world model变热了」这种空话，而是一条分歧线——大家已经不再满足于「预测下一帧像素」这个朴素目标，转而在争论该往模型里喂哪一种被显式结构化过的条件信号：触觉、他者的动作、几何。触觉派赌的是物理接触信息，动作归因派赌的是把环境里的其他智能体从「背景」里拆出来，几何派赌的是让表示本身带上3D结构。这三种下注方向彼此并不兼容，而单看任何一篇都拼不出这条分歧。

如果你手里正好有个要预测环境动态的活儿，别急着套用别人的world model框架，先问自己一句：我这个场景里最该被显式喂进去的条件信号是哪一种——是接触力、是别的agent的意图、还是几何结构？想清楚这一点，再去这三篇里挑对应的那一篇读，比按热度追要省事得多。