• 30B agent靠trajectory追平7倍参数模型：ACC把agent解题留下的tool use trajectory重构成长上下文QA对，Qwen3-30B训完MRCR从50.2拉到68.3，跟参数量约7倍的Qwen3-235B-A22B打平

• video world model把长期记忆从attention负担里搬出来：WorldKV用retrieval加compression解耦"回头看一眼"的一致性需求，吞吐翻倍且无需fine-tune

• DiT高分辨率推理转向content-aware scaling：SEGA按spectral energy差异化处理RoPE不同频率成分，避开均匀缩放在结构与细节之间的二选一

• 8万条terminal录屏反向工程出1530个agent评测任务：TerminalWorld和Terminal-Bench这类专家curate集Pearson仅0.20，过去刷专家集得到的分数可能对不上真实开发者场景

也值得关注

• flow matching应该跑在DINOv2 representation space而不是pixel或SD-VAE — 表征空间的几何属性对flow matching学习更友好。
• agentic reasoning不该让CoT隐式承担planning — 论文把决策拆成3个system让agent显式决定何时plan、何时act。
• SAM 2直接迁到visual object tracking效果不够 — 论文加了motion、geometry、semantic三路适配应对干扰物、遮挡、非线性运动。
• 一句话生成短剧的多agent流水线 — 针对叙事节奏、空间一致性、量产质控三个具体痛点而不是一锅炖。
• 用Taylor series识别视频中的"时间惊异点"做frame selection — training-free，思路和predictive coding直觉对齐。
• model search本质是comparative的 — 基于model card的结构化table做发现比纯文本相似度更能拉开候选alternatives。
• fashion image retrieval的task-adaptive统一框架 — 覆盖多种query format和搜索意图，电商场景可直接对照。

阅读完整版 →