🤖 AI 日报

北京大学提出 Context-Value-Action (CVA) 架构，通过解耦行动生成与认知推理来解决 LLM 行为刚性问题。使用基于真实人类数据训练的 Value Verifier 明确建模动态价值激活，有效缓解极化现象，提供更优的行为保真度和可解释性。

提出以内存为中心的系统 MegaTrain，在单 GPU 上全精度训练 100B+ 参数大语言模型。将参数和优化器状态存储在主机内存（CPU 内存），GPU 作为瞬态计算引擎。在单个 H200 GPU 配合 1.5TB 主机内存上可靠训练最多 120B 参数模型，训练吞吐量达 DeepSpeed ZeRO-3（CPU 卸载）的 1.84 倍。

首次全面研究在逐步挑战的真实场景下技能（skills）效用，Agent 必须从 34k 真实技能集合中检索。发现技能收益非常脆弱：随着场景变得更真实，性能增益持续下降。查询特定的精炼策略可实质性恢复丢失的性能。在 Terminal-Bench 2.0 上将 Claude Opus 4.6 通过率从 57.7% 提升至 65.5%。

Nature and AI Lab 提出 VidGround，解决视频理解基准测试中的文本偏差问题。发现常见的长视频理解基准中 40-60% 的问题仅靠文本线索就能回答。VidGround 仅使用真正需要视觉基底的问题进行后训练，配合基于 RL 的后训练算法，相比使用完整数据集提升最多 6.2 个点，同时仅使用 69.1% 的原始数据。

复旦大学提出 DARE，首个扩散大语言模型（dLLMs）的开源后训练框架。统一监督微调、参数高效微调、偏好优化和 dLLM 特定的强化学习，支持掩码和块扩散语言模型。在 LLaDA、Dream、SDAR 和 LLaDA2.x 模型家族上提供广泛的算法覆盖、可复现的基准评估和实际加速。

提出 PRepair 框架缓解程序修复中的过度编辑问题。包含两个组件：Self-Breaking（通过受控 bug 注入和 min-max 采样生成多样化的有 bug 程序）和 Self-Repairing（使用 Edit-Aware Group Relative Policy Optimization 训练模型）。在 fix_1@1 指标下将修复精度提升最多 31.4%，并显著提升解码吞吐量。

提出 Game Benchmark for Quality Assurance (GBQA)，包含 30 个游戏和 124 个人工验证的 bug，评估 LLMs 是否能自主检测软件 bug。最佳模型 Claude-4.6-Opus（思考模式）仅识别出 48.39% 的已验证 bug，突显自主软件工程中的挑战。

首尔国立大学提出 TABLeT（Two-dimensionally Autoencoded Brain Latent Transformer），使用预训练 2D 自然图像自编码器对 fMRI 体积进行 token 化。将每个 3D fMRI 体积压缩为一组紧凑的连续 token，使用简单 Transformer 编码器在有限 VRAM 下进行长序列建模。在 UK-Biobank、Human Connectome Project 和 ADHD-200 数据集上优于现有模型，同时在计算和内存效率上显著优于最先进的基于体素的方法。