标签
本文提出了一种条件生成潜在框架，用于编码连接组图，实现储备池计算中的重建、生成和功能分析，并提供任务特定结构机制的见解。
本文介绍了 LLAMIA-Bench 和一种称为潜在状态内化的方法，以增强语言模型与非语言代理之间的协作，表明内化连续表示优于口头化，并与前沿模型如 GPT-5.1 相匹配。
本文提出SAIL方法，通过解纠缠和表示人类技能为可解释的多维嵌入，以增强行为预测和AI教练，重点在于鲁棒性和泛化性。
本文分析了转换器表示在扰动下的稳定性，通过证明收敛结果，为神经网络潜在表示中的结构收敛假说提供了支持。
VisualPatchWorld 提出了一种将世界动力学学习为代码的方法，能够从数据中构建可检查和可编辑的模拟器。在导航和操作任务中，它实现了强大的规划成功率。
本文介绍了C-MTP，一种用于训练连续思维链模型的直接监督方法，该方法将推理轨迹压缩为潜在表示。该方法在简单任务上表现良好，但揭示了直接和间接监督方法在处理复杂长推理轨迹时均存在困难，性能下降约65%。
本文研究了任务需要世界模型中的多少结构，表明目标的维度决定了模型安装了多少预测方向，而常见的标量奖励目标只是价值等价性的秩一角。
本线程展示了一个理论结果，表明预测抽象的潜在表征（如JEPA和data2vec）而非原始词元，可以指数级地缩小人工智能与人类学习之间的数据差距。
本文介绍了学习的中继表示（Relay），一种使掩码扩散模型能够在去噪步骤之间传播潜在信息的方法，克服了硬重置问题并改善了性能-延迟权衡。该方法在编码任务上优于标准的监督微调，同时将推理延迟降低高达32%。
Sub-JEPA通过在冻结的随机正交子空间中应用高斯正则化来改进LeWorldModel，在基准测试中一致优于原始版本，改进幅度高达+10.7个百分点。
介绍了 Next-Latent Prediction (NextLat)，这是一种自监督目标，训练 Transformer 预测其下一个潜在状态，鼓励形成紧凑的内部世界模型，并提高跨序列建模任务的泛化能力。