arXiv AI72
研究团队发布 OmniVCBench，一个以图表为中心、可回溯来源的多模态推理基准，用于评测 AI Virtual Cells 的“解释”环节。基准包含 6,077 条从科学文献图表与实验语境中整理的单图和多子图问答对，并依据 Bloom 分类法设计三类科学推理任务。同时提出 AIVC-Judge 任务条件化评审框架，以及将模型推理错误转为选择题干扰项的 MDHNM 策略。
为什么值得看此前 AIVC 基准主要集中在模拟层，即预测细胞响应，缺少对模型如何解读实验证据、提出生物学假设的评测。该工作把评测重心移到解释层，并提供可追溯来源的图表问答数据与开放式回答评审方法，补上了 AIVC 评测链条中的一环。
arXiv AI70
一篇 arXiv 论文提出面向企业 AI Agent 技能的持续评估框架，将结果级检查与过程级检查结合，独立计算每次运行的 ground truth，并生成可复用模板测试，对工具选择、参数、执行顺序和数据库完整性进行检查。论文在 Revenue 与 Productivity 两个技能上评测 240 次试验。在通过全部适用最终数值检查的 175 次试验中，162 次（92.6%）仍存在其他偏差。
为什么值得看此前企业多依赖最终输出数值判断 Agent 是否正确，该论文显示这种方式会遗漏大量过程偏差：即便最终数值全部通过，仍有约九成运行存在工具选择、参数或执行顺序等问题。这说明评估对象需要从单一结果扩展到轨迹，否则隐患难以暴露。
arXiv AI69
该论文介绍 AGO AI Quality Gate，一个面向企业 RAG 系统发布的证据优先质量门框架，包含四态决策模型、分层评分、分层 beta-binomial 门槛与强制元评估协议。团队在 RAGBench 的 10 万条标注轨迹上评估评审层：低成本 gpt-4.1-nano 的 AUROC 仅 0.603，gpt-4o 达 0.783；回归场景下该方案将不安全上线率从 29.3%-41.8% 降至 22.2%-35.1%。
为什么值得看此前企业上线 RAG 版本多依赖 LLM 评审分数直接拍板，却缺少对评审器本身质量的验证。该工作把缺失数据与评审错误显式建模为决策结果，并要求先对 LLM 评审器做元评估，这使发布决策从单点评分转向可量化风险的概率判断。
arXiv AI66
研究者提出并命名 SPLASH 的服务系统，可在请求持续运行期间切换注意力的并行布局，而非像现有服务引擎那样在启动时固定一种布局。其基础观察是：在 KV head 很少或没有的现代注意力中，请求的 KV cache 所在位置与注意力权重如何分片是解耦的。SPLASH 复用大部分已有状态、在推理后台迁移其余状态，并在 batch 边界完成交接，切换中位开销低于所在 step 的 0.51%。
为什么值得看此前服务引擎在启动时固定并行布局，因为换布局需要排空请求并重启 worker，导致低并发、大量独立请求、长 prompt 以及推理、agentic、RL-rollout 等混合负载无法随负载变化调整。SPLASH 让布局可在同一批请求运行中改变，把原本的停机式切换变为近乎免费的在线操作。
arXiv AI66
研究者提出 VLALight，称其为首个可直接从多视角路侧视频端到端完成交通信号控制的 vision-language-action（VLA）模型。它通过多目标时空交通推理和跨路口拓扑感知协同感知，把视觉观测直接映射为协调信号动作，并采用两阶段监督冷启动加协同式 agentic 强化学习，以及自适应快慢推理模式。在三个城市网络、七个真实交通流数据集上的实验显示，其表现持续优于交通类、RL 类和 LLM/VLM 类基线。
为什么值得看此前交通信号控制多依赖人工设计的交通状态或独立感知模块，视觉观测与控制决策之间存在断层。该工作把多视角路侧视频直接接入控制策略，并用跨路口协同感知覆盖网络级效率，为端到端信号控制提供了可与其他方法在真实数据集上对比的新基线。
arXiv AI65
研究者提出 LazySloth，一种基于树搜索的视频理解加速方法。它让 VLM 判断视频中哪些片段无关，只对这些片段做有界描述，从而减少描述开销。相比现有 agentic 方法，速度提升 2.9 至 8.3 倍；在 Gemma 4 31B 与 Qwen3.6 27B 两个开源基座模型、四个基准上，准确率与专用视频 VLM 及 RAG 方法相当或更好，并缩小了与 GPT-4o 的差距。消融显示，用 CLIP 检索替代 VLM 场景理解会损失 8.8% 至 19.9% 准确率，惰性树构建以更低描述成本达到与激进构建相当的效果。
为什么值得看此前长视频理解多依赖逐帧粗描述或带损嵌入的多模态 RAG，计算开销大且丢失时序与细节；LazySloth 把检索优化问题聚焦到 VLM 自身的查询相关信息筛选上，在不明显损失准确率的前提下大幅提速，并缩小开源模型与闭源模型差距。