AI 论文速递

编码 agent 现在都在 SWE-bench 系上评估，但那些任务来自精心整理的 GitHub issue——又长、又结构化、信息量大。真实用户请求却通常又短又随意。这篇工作用一个「6 类信息 × 4 维语言风格」的分类框架量化了这个差距：88% 的真实 prompt 只带一句问题描述，而基准问题里这个比例只有 7%；87% 的真实 prompt 是口语化写法，基准里 94% 是正式体。据此他们构建了 RealSWE——381 个多变体任务族（同一任务、同一 gold patch，只改信息构成与语言风格）。评估 7 个当代 LLM 发现：真实化输入平均让解决率掉 6.4 个百分点，还会改变模型排名；「期望行为+动机」显著影响成绩，而「环境信息+复现步骤」只是加 token 没实际收益。

个性化助手不能只会照做，还得判断用户的请求在当前情境下是否合适。以往工作要么只顾准确执行，要么依赖显式给出的冲突因素——而现实里约束往往是隐式的，需要从知识库（KB）里自己挖出来。PACE 是一个评测数据集：把基于明确人设的用户请求和「自我中心」知识事实配对，要求模型结合上下文证据判断请求是否冲突，这种隐式检索设定让现有模型很难找准相关事实。作者还提出 PaceMaker 多 agent 框架，由专门 agent 协作完成查询改写、多跳图遍历和冲突感知过滤。

生成视频「看着流畅」不等于「物理上可靠」，而一个标量质量分也说不清它到底违反了哪条物理约束、在哪一刻崩了。VeriPhy 是一套可审计的物理验证系统：纯文本 planner 先把 prompt 编译成带类型的物理义务和静态验证过的执行计划，执行时由观测结果把关、只调用冻结的低层专家（分割/跟踪/计数、11 种带类型的物理测量、深度、OCR、音频事件检测），每个动作返回一条带溯源证据的记录；再由带类型解析器和固定组合把可用记录映射到三值状态（支持/矛盾/未知，对外呈现为 plausible / implausible / abstain），每一条判定都能追溯到产生它的证据。在 1500 条人工标注语料上，149 条核心片段里的 304 条缺陷记录，VeriPhy 找出了 228 条，远超已发表的问题分解式评测器的 164 条。

GPT-Image-2、Nano-Banana 这类扩散基座视觉表现力惊人，但端到端生成产出的是扁平位图、文字易错、没法分层后编辑；而用 Coding Agent 走代码路线的视觉生成虽能精确控布局、解耦图层，却缺乏整体审美直觉、复杂视觉资产也难写。这篇工作提出「可编辑视觉设计」新范式：把 VLM 当「创意大脑」（需求理解、任务规划、审美判断），把图像生成模型当按需调用的「视觉世界模拟器」，走「先想象、再动手」的闭环——生成孤立素材、写原生 HTML/CSS、再对照视觉渲染反馈迭代打磨；并用 Agent Design Replay 忠实复现人类设计师的创作推理轨迹。最终产出带解耦图层和真实文字的可编辑资产，用户能在 GUI 上直接拖拽调整布局。

在线 3D 重建在长视频上表现很差，因为回归相对固定首帧锚点的位姿会逼模型做远超训练分布的推演，小漂移累积成大塌缩。但作者观察到每帧深度始终稳定——骨架的局部几何没坏，只有全局位姿头崩了。Scal3R 据此把在线重建重构为「多参考相对位姿查询」：用约占 1% 参数的轻量可学习 token，通过非对称注意力注入完全冻结的骨架，相对多个历史关键帧查询位姿，再用带回环检测的在线位姿图优化抑制长程漂移。单卡 8 小时收敛，KITTI 上平均 ATE 降超 60%，并在 Virtual KITTI、Sintel、TUM-Dynamic、ScanNet、7-Scenes 上取得 SOTA。

GitHub Trending 今日 AI 新面孔里，reverify（★923，较昨日 +44）继续领跑——给读二进制的 AI agent 加「防幻觉」裁决层，模型提主张、确定性工具裁决，每条声明都被 VERIFY/REFUTE。Needle（★84）主打「14MB 的 agentic LLM 完全接管你的手机」；short-video-generator-AI（★180）把 YouTube 视频一键剪成病毒式短视频；useagent（★283）给团队配「AI 同事」云电脑。

sindresorhus/awesome 本周仍无新合并（最近一次提交仍是 9/2 的 Meta tweaks）。门口排队的 AI/机器人相关 list PR 没有明显变化，仍在等待审核的包括：AI Agent Tools（#4396）、AI Tokenomics（#4394）、AI Companion（#4378）、LLM for Biomedicine（#4359）、AgentOS（#4291）、SRE Agents（#4262）、Agentic Engineering（#4286）、Medical Imaging Agents（#4222）等——「给人读」的清单形态正在被「给 agent 查」的浪潮推着走，合并门槛还没跟上。