55
FAMA：面向交互式工具使用环境中开源 LLM 的失败感知元 Agent 框架
FAMA: Failure-Aware Meta-Agentic Framework for Open-Source LLMs in Interactive Tool Use Environments
涉及LLM agent可靠性与失败模式分析，与AI for SE、可信AI有一定关联，但非直接针对软件工程或测试。
针对开源 LLM 在多轮交互式工具使用场景（如以客户问题解决为核心的对话式 benchmark）中因决策错误级联累积而导致任务失败的问题，本文提出 Failure-Aware Meta-Agentic (FAMA) 框架。作者指出，参数规模较小、context window 有限、推理预算受限的开源 LLM 在 agentic 环境下尤其容易出现错误累积。FAMA 采用两阶段设计：第一阶段对 baseline agent 的失败轨迹进行分析，归纳出最常见的错误类型；第二阶段通过一个 orchestration 机制，在工具使用 agent 进行决策前，按…
50
面向 ADMM 的可学习 Over-Relaxation 策略及其收敛性保证
Learning Over-Relaxation Policies for ADMM with Convergence Guarantees
画像为空，按通用ML读者打分；优化算法学习化方向有理论与实验，质量中等。
本文研究在结构化凸优化中广泛使用的 Alternating Direction Method of Multipliers (ADMM) 的参数选择问题，特别关注 penalty 与 relaxation 参数对实际收敛性能的影响。针对 Model Predictive Control (MPC) 等需反复求解结构固定、仅参数变化的相关优化问题的应用场景，作者提出在线学习 relaxation 参数更新策略的思路，以在感兴趣的问题类上提升求解效率。该设计在 OSQP-like 架构中具有计算优势：调整 relaxation 不会像更新 penalty 那…
50
用于形状约束学习与最优传输的 Hyper Input Convex Neural Networks
Cross-source duplicate test
画像为空，按通用ML读者评估；凸网络与最优传输方向有一定理论与应用价值。
本文针对凸函数学习中现有 input convex neural networks (ICNNs) 难以在深度上发挥优势、且大规模训练不稳定的问题，提出了 Hyper Input Convex Neural Networks (HyCNNs)。该架构将 Maxout 网络的思想与 ICNN 相结合，使网络在输入上始终保持凸性，同时在理论上能够利用深度，并在大规模训练时具有更可靠的表现。作者在理论上证明，HyCNNs 在以给定精度逼近二次函数时所需参数数量比 ICNNs 指数级更少。在一系列合成实验中，作者验证了 HyCNNs 在凸回归与插值任务上的预测性…
45
真实资本下 onchain 语言模型 agent 的 operating-layer 控制
Operating-Layer Controls for Onchain Language-Model Agents Under Real Capital
涉及LLM agent可靠性与执行护栏，与可信AI略有交集，但聚焦onchain交易，偏离SE/测试/形式化主线。
本文研究在真实资本环境下，自主 language-model agents 将用户指令转化为合规工具动作的可靠性问题。研究依托 DX Terminal Pro 平台，进行了为期 21 天的部署：3,505 个由用户出资的 agents 在受限的 onchain 市场中交易真实 ETH。用户通过结构化控件与自然语言策略配置 vault，但仅 agents 可决定常规买卖交易。系统累计产生约 750 万次 agent 调用、约 30 万次 onchain 动作、约 2,000 万美元交易量、5,000+ ETH 部署量及约 700 亿 inference t…
38
GLM-5V-Turbo：迈向面向多模态 Agent 的原生 Foundation Model
GLM-5V-Turbo: Toward a Native Foundation Model for Multimodal Agents
多模态agent基础模型，与SE for AI/测试/形式化方法等方向擦边，仅coding能力略有交集。
本文提出 GLM-5V-Turbo，一个面向多模态 agent 的原生 foundation model。研究问题在于：随着 foundation models 在真实环境中的部署，agentic 能力不仅依赖语言推理，还要求模型能够感知、理解并作用于图像、视频、网页、文档、GUI 等异构上下文。作者认为，应将多模态感知作为推理、规划、工具使用与执行的核心组成部分，而非语言模型的辅助接口。围绕这一目标，作者在模型设计、多模态训练、reinforcement learning、工具链扩展以及与 agent 框架的集成等方面进行了系统性改进。实验结果表明，G…
38
大语言模型通过潜在蒸馏进行探索
Large Language Models Explore by Latent Distilling
LLM解码采样方法，与SE for AI、测试与公平性等核心兴趣关联较弱，仅在代码生成基准上略有擦边。
本文针对大语言模型 (LLM) test-time scaling 中样本多样性不足的问题：标准 stochastic sampling 主要产生表层词汇变化，难以实现语义层面的探索。作者提出 Exploratory Sampling (ESamp)，一种显式鼓励语义多样性的解码方法。其思路基于神经网络对熟悉输入预测误差较低、对新颖输入预测误差较高的性质：在 test time 训练一个轻量级 Distiller，从 LLM 的浅层 hidden representation 预测深层 hidden representation，以建模其 depth-w…
35
基于自适应量化与差分隐私的 Non-IID 联邦学习隐私与通信效率增强方法
Enhanced Privacy and Communication Efficiency in Non-IID Federated Learning with Adaptive Quantization and Differential Privacy
联邦学习隐私与通信效率优化，与可信AI略有交集，但非SE/测试/形式化方法主线。
本文针对 Federated Learning (FL) 中通信瓶颈与隐私泄露两大挑战，提出将 differential privacy (DP) 与自适应量化相结合的训练方案。研究问题在于：跨设备带宽差异导致的通信开销，以及训练中通过模型或梯度分析暴露敏感信息的风险。方法上，作者采用 Laplacian-based DP 进行隐私保护，认为其相较于 FL 中常用的 Gaussian-based DP 探索较少且能提供更紧的隐私保证；同时提出两类比特长度调度器：基于 round-based cosine annealing 的全局调度器，以及依据 dat…
32
在 Non-IID 数据下基于 Multi-Task Autoencoder 的 Federated Learning 样本选择方法
Sample Selection Using Multi-Task Autoencoders in Federated Learning with Non-IID Data
联邦学习样本选择，与SE for AI、测试、公平性等核心方向关联较弱，仅在可信AI层面略擦边。
针对 federated learning 在 non-IID 场景下因冗余、恶意或异常样本导致的模型性能退化与效率低下问题，本文提出了基于 multi-task autoencoder 的样本选择方法用于图像分类任务。该方法通过 loss 与特征分析来估计样本贡献：一方面引入由中心服务器统一管理的无监督离群点检测策略，包括 one-class SVM (OCSVM)、isolation forest (IF) 与 adaptive loss threshold (AT)，用以在客户端过滤噪声样本；另一方面提出由中心服务器控制的 multi-class …
30
通过系统级集成 Speculative Decoding 加速 RL Post-Training Rollout
Accelerating RL Post-Training Rollouts via System-Integrated Speculative Decoding
聚焦RL训练系统级加速，与SE for AI/可信AI/测试方向关联较弱，仅属通用ML系统优化。
本文针对 frontier 语言模型 RL post-training 中 autoregressive rollout 生成成为主要瓶颈的问题，提出将 speculative decoding 作为一种无损（lossless）加速原语引入 RL rollout 阶段，以在保留 target model 输出分布的前提下提升吞吐。与已有通过改变 rollout 或优化范式（如 off-policy 执行、replay、低精度生成）来提升效率的方法不同，作者方案不改变训练语义。具体实现上，作者在 NeMo-RL 中基于 vLLM 后端集成了 specula…
30
扭转 TIDE：面向 Diffusion 大语言模型的跨架构蒸馏框架
Turning the TIDE: Cross-Architecture Distillation for Diffusion Large Language Models
属于dLLM蒸馏的模型压缩工作，与SE for AI、可信AI、公平性测试等用户兴趣方向偏离较远。
本文针对 diffusion large language models (dLLMs) 的跨架构知识蒸馏问题展开研究。当前 SOTA 的 dLLM 通常需要数十亿参数才能取得有竞争力的表现，而已有的 dLLM 蒸馏方法仅在同一架构内减少推理步数，未能处理 teacher 与 student 在架构、attention 机制以及 tokenizer 上均存在差异的跨架构知识迁移场景。作者提出 TIDE，首个面向 dLLM 的跨架构蒸馏框架，由三个模块化组件构成：① TIDAL 在训练进度与 diffusion timestep 两个维度上联合调节蒸馏强度…
30
探究image editing模型中的visual planning能力
Probing Visual Planning in Image Editing Models
聚焦图像编辑模型的视觉规划与抽象谜题基准，与SE for AI、公平/形式化测试方向擦边相关。
本文探讨image editing模型中的visual planning能力，针对当前主流verbal-centric方法难以处理复杂空间推理、以及fully visual方法因step-by-step planning-by-generation导致计算低效的问题，提出EAR（editing-as-reasoning）范式，将visual planning重构为单步图像变换任务。为剥离视觉识别因素、聚焦内在推理能力，作者构建了程序化生成的抽象puzzle数据集AMAZE，涵盖经典的Maze与Queen两类互补的visual planning问题，其抽象…
25
基于 LLM 的对话式用户模拟研究综述
A Survey on LLM-based Conversational User Simulation
LLM对话用户模拟综述，与SE for AI、ML测试、形式化方法等核心兴趣关联弱。
本文针对 LLM 驱动的对话式用户模拟（conversational user simulation）领域进行了系统性综述。研究问题聚焦于：随着 LLM 在生成高保真合成用户对话方面取得显著进展，如何对该方向的现有工作进行统一梳理与归纳。方法上，作者提出了一种新的 taxonomy，从用户粒度（user granularity）和模拟目标（simulation objectives）两个维度对相关研究进行分类，并系统分析了核心技术路线与评估方法（evaluation methodologies）。主要内容包括：对近期 LLM-based 对话用户模拟工作…
20
Diffusion Templates：面向可控 Diffusion 的统一插件式框架
Diffusion Templates: A Unified Plugin Framework for Controllable Diffusion
聚焦扩散模型可控生成插件框架，与SE for AI、ML测试、公平性测试等方向几乎无交集。
针对当前可控 diffusion 方法多以孤立、绑定特定 backbone 的形式开发，存在训练流程、参数格式和运行时接口互不兼容，难以跨任务复用基础设施、跨 backbone 迁移能力或在单一生成流水线中组合多种控制等问题，本文提出 Diffusion Templates，一种统一且开放的插件式框架，将基础模型推理与可控能力注入解耦。该框架由三部分构成：Template models 将任意任务特定输入映射为中间能力表征；Template cache 作为标准化的能力注入接口；Template pipeline 负责加载、合并并将一个或多个 Templ…
20
Praxy Voice：基于 voice-prompt recovery 与 BUPS，从冻结的非 Indic 基座以零商业训练数据成本实现商业级 Indic TTS
✕ 不感兴趣
Praxy Voice: Voice-Prompt Recovery + BUPS for Commercial-Class Indic TTS from a Frozen Non-Indic Base at Zero Commercial-Training-Data Cost
聚焦Indic TTS工程改造，与SE for AI、公平性测试、形式化方法等兴趣关联很弱。
针对商业级 Indic TTS 与最佳开源基座（Chatterbox、Indic Parler-TTS、IndicF5）在音系维度上的差距，尤其是广泛采用的多语言基座 Chatterbox 甚至无法 tokenise Telugu 与 Tamil 的问题，本文探究在不训练新声学 decoder、不使用任何商业 TTS 训练数据的前提下，将非 Indic-native 基座提升至商业级 Telugu、Tamil、Hindi 输出所需的最小干预。方法包含三部分：(1) BUPS（Brahmic Unified Phoneme Space），将七种 Indic…
18
PSP：面向 Indic 文本到语音的可解释逐维度口音基准
PSP: An Interpretable Per-Dimension Accent Benchmark for Indic Text-to-Speech
Indic TTS 口音基准，与 SE for AI、ML 测试、公平性测试方向几乎无关，且与已标记不感兴趣的 Praxy Voice 高度同源。
针对标准 TTS 评测指标（WER、CER、MOS、UTMOS）无法量化口音这一问题，本文提出 PSP (Phoneme Substitution Profile)，一个面向 Indic 语言 TTS 的可解释、按音系维度划分的口音基准。研究问题聚焦于合成语音可能在可懂度与自然度上得分良好，却在目标语言的音位特征（如卷舌、送气、元音长短、泰米尔语 retroflex approximant 'zha'）上呈现非母语口音。方法上，PSP 将口音分解为六个互补维度：retroflex collapse rate (RR)、aspiration fidelit…
15
RADIO-ViPE：面向动态环境 open-vocabulary semantic SLAM 的在线紧耦合多模态融合
RADIO-ViPE: Online Tightly Coupled Multi-Modal Fusion for Open-Vocabulary Semantic SLAM in Dynamic Environments
SLAM与视觉语言定位主题，与SE for AI、可信AI、公平性测试等方向几乎无交集。
本文提出 RADIO-ViPE（Reduce All Domains Into One — Video Pose Engine），一种在线 semantic SLAM 系统，针对动态环境下的几何感知 open-vocabulary grounding 问题，将任意自然语言查询与局部化的 3D 区域和物体相关联。与依赖标定、有位姿 RGB-D 输入的现有方法不同，RADIO-ViPE 直接在原始单目 RGB 视频流上运行，无需相机内参、深度传感器或位姿初始化。方法上，系统将源自 agglomerative foundation models（如 RADIO…
12
FASH-iCNN：通过多模态 CNN Probing 使编辑性时尚身份可检视
FASH-iCNN: Making Editorial Fashion Identity Inspectable Through Multimodal CNN Probing
时尚图像CNN分类与可解释性，与SE/AI测试、公平性测试等核心兴趣几乎无交集。
本文针对 fashion AI 系统在编码特定时装屋、编辑及历史时期审美逻辑时缺乏可解释性的问题，提出 FASH-iCNN——一个多模态 CNN probing 系统。作者基于 1991-2024 年间 15 个时装屋的 87,547 张 Vogue 走秀图像进行训练，使系统能够在给定服装照片时，识别其所属时装屋、所处年代及其反映的色彩传统。实验表明，仅基于服装的模型在 14 个时装屋上的 house identity top-1 准确率达到 78.2%，decade 识别 top-1 达 88.6%，跨 34 年的 specific year 识别 t…
—
Fairness Testing: A Comprehensive Survey and Analysis of Trends
（未摘要）
—
Multi-Attribute Group Fairness in $k$-NN Queries on Vector Databases
（未摘要）
—
DiagramBank: A Large-scale Dataset of Diagram Design Exemplars with Paper Metadata for Retrieval-Augmented Generation
（未摘要）
—
AgriIR: A Scalable Framework for Domain-Specific Knowledge Retrieval
（未摘要）
—
EmbodiedMidtrain: Bridging the Gap between Vision-Language Models and Vision-Language-Action Models via Mid-training
（未摘要）
—
Emergent Strategic Reasoning Risks in AI: A Taxonomy-Driven Evaluation Framework
（未摘要）
—
Learning Evidence Highlighting for Frozen LLMs
（未摘要）
—
dWorldEval: Scalable Robotic Policy Evaluation via Discrete Diffusion World Model
（未摘要）
—
Sessa: Selective State Space Attention
（未摘要）
—
Memanto: Typed Semantic Memory with Information-Theoretic Retrieval for Long-Horizon Agents
（未摘要）
—
AgentSearchBench: A Benchmark for AI Agent Search in the Wild
（未摘要）
—
Building a Precise Video Language with Human-AI Oversight
（未摘要）
—
FlowAnchor: Stabilizing the Editing Signal for Inversion-Free Video Editing
（未摘要）
—
Contexts are Never Long Enough: Structured Reasoning for Scalable Question Answering over Long Document Sets
（未摘要）
—
LLM Safety From Within: Detecting Harmful Content with Internal Representations
（未摘要）
—
DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction
（未摘要）
—
Video Analysis and Generation via a Semantic Progress Function
（未摘要）
—
Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond
（未摘要）
—
Quantum Kernel Advantage over Classical Collapse in Medical Foundation Model Embeddings
（未摘要）
—
Improving Vision-language Models with Perception-centric Process Reward Models
（未摘要）
—
EX-FIQA: Leveraging Intermediate Early eXit Representations from Vision Transformers for Face Image Quality Assessment
（未摘要）
—
Discovering Agentic Safety Specifications from 1-Bit Danger Signals
（未摘要）
—
ProEval: Proactive Failure Discovery and Efficient Performance Estimation for Generative AI Evaluation
（未摘要）
—
ATTN-FIQA: Interpretable Attention-based Face Image Quality Assessment with Vision Transformers
（未摘要）
—
Stochastic KV Routing: Enabling Adaptive Depth-Wise Cache Sharing
（未摘要）
—
How Much Is One Recurrence Worth? Iso-Depth Scaling Laws for Looped Language Models
（未摘要）
—
Stabilizing Efficient Reasoning with Step-Level Advantage Selection
（未摘要）
—
Zero-to-CAD: Agentic Synthesis of Interpretable CAD Programs at Million-Scale Without Real Data
（未摘要）
—
TexOCR: Advancing Document OCR Models for Compilable Page-to-LaTeX Reconstruction
（未摘要）
—
UniGeo: Unifying Geometric Guidance for Camera-Controllable Image Editing via Video Models
（未摘要）
—
OmniShotCut: Holistic Relational Shot Boundary Detection with Shot-Query Transformer
（未摘要）
—
Efficient Agent Evaluation via Diversity-Guided User Simulation
（未摘要）
—
Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment
（未摘要）
—
For-Value: Efficient Forward-Only Data Valuation for finetuning LLMs and VLMs
（未摘要）
—
Rewarding the Scientific Process: Process-Level Reward Modeling for Agentic Data Analysis
（未摘要）
—
SketchVLM: Vision language models can annotate images to explain thoughts and guide users
（未摘要）
—
ClawMark: A Living-World Benchmark for Multi-Turn, Multi-Day, Multimodal Coworker Agents
（未摘要）
—
Vision-Language-Action Safety: Threats, Challenges, Evaluations, and Mechanisms
（未摘要）
—
ReVSI: Rebuilding Visual Spatial Intelligence Evaluation for Accurate Assessment of VLM 3D Reasoning
（未摘要）
—
Tuna-2: Pixel Embeddings Beat Vision Encoders for Multimodal Understanding and Generation
（未摘要）
—
World-R1: Reinforcing 3D Constraints for Text-to-Video Generation
（未摘要）
—
From Skills to Talent: Organising Heterogeneous Agents as a Real-World Company
（未摘要）
—
Disentangled Robot Learning via Separate Forward and Inverse Dynamics Pretraining
（未摘要）
—
Learning to Identify Out-of-Distribution Objects for 3D LiDAR Anomaly Segmentation
（未摘要）
—
RaV-IDP: A Reconstruction-as-Validation Framework for Faithful Intelligent Document Processing
（未摘要）
—
PageGuide: Browser extension to assist users in navigating a webpage and locating information
（未摘要）
—
Credal Concept Bottleneck Models for Epistemic-Aleatoric Uncertainty Decomposition
（未摘要）
—
Personality Shapes Gender Bias in Persona-Conditioned LLM Narratives Across English and Hindi: An Empirical Investigation
（未摘要）
—
Sapiens2
（未摘要）
—
Improving Robustness of Tabular Retrieval via Representational Stability
（未摘要）
—
Why Fine-Tuning Encourages Hallucinations and How to Fix It
（未摘要）
—
IndustryAssetEQA: A Neurosymbolic Operational Intelligence System for Embodied Question Answering in Industrial Asset Maintenance
（未摘要）
—
Towards Understanding the Robustness of Sparse Autoencoders
（未摘要）
—
Meta-CoT: Enhancing Granularity and Generalization in Image Editing
（未摘要）
—
Recursive Multi-Agent Systems
（未摘要）
—
Programming with Data: Test-Driven Data Engineering for Self-Improving LLMs from Raw Corpora
（未摘要）
—
DV-World: Benchmarking Data Visualization Agents in Real-World Scenarios
（未摘要）
—
Toward Scalable Terminal Task Synthesis via Skill Graphs
（未摘要）
—
A Systematic Post-Train Framework for Video Generation
（未摘要）
—
IAM: Identity-Aware Human Motion and Shape Joint Generation
（未摘要）
—
Refinement via Regeneration: Enlarging Modification Space Boosts Image Refinement in Unified Multimodal Models
（未摘要）
—
Mutual Forcing: Dual-Mode Self-Evolution for Fast Autoregressive Audio-Video Character Generation
（未摘要）
—
Co-Director: Agentic Generative Video Storytelling
（未摘要）
—
BARRED: Synthetic Training of Custom Policy Guardrails via Asymmetric Debate
（未摘要）
—
AutoGUI-v2: A Comprehensive Multi-Modal GUI Functionality Understanding Benchmark
（未摘要）
—
GoClick: Lightweight Element Grounding Model for Autonomous GUI Interaction
（未摘要）
—
TCOD: Exploring Temporal Curriculum in On-Policy Distillation for Multi-turn Autonomous Agents
（未摘要）
—
Seeing Isn't Believing: Uncovering Blind Spots in Evaluator Vision-Language Models
（未摘要）
—
Preferences of a Voice-First Nation: Large-Scale Pairwise Evaluation and Preference Analysis for TTS in Indian Languages
（未摘要）
—
AutoResearchBench: Benchmarking AI Agents on Complex Scientific Literature Discovery
（未摘要）
—
MAIC-UI: Making Interactive Courseware with Generative UI
（未摘要）
—
Step-Audio-R1.5 Technical Report
（未摘要）
—
Offline Evaluation Measures of Fairness in Recommender Systems
（未摘要）
—
V-GRPO: Online Reinforcement Learning for Denoising Generative Models Is Easier than You Think
（未摘要）
—
The Last Harness You'll Ever Build
（未摘要）
—
ClawGym: A Scalable Framework for Building Effective Claw Agents
（未摘要）
—
Unified 4D World Action Modeling from Video Priors with Asynchronous Denoising
（未摘要）