HMT 
数据一致、结构可建和搜索命中是不同层面的质量。本期介绍驾驶场景图谱、本体学习规模对照、积木验证、视频世界模型综述、深搜索评测与跨层专家共享。
1. NIKG：构造可查询的驾驶场景语义上下文
交通场景知识图谱不等于更准的驾驶意图预测器。NIKG 在感知结果与下游模型之间提供可查询、可验证的语义上下文。
方法与问题
流水线以 ego pose、跟踪目标标注与关键帧时序构建 OWL 支撑的 Turtle 图，显式表示相对自车运动、空间配置与碰撞时间风险，可供 SPARQL 特征提取和神经符号分析。配图仅使用论文的本体示意，不复制 nuScenes 相机画面。
实验证据
nuScenes mini 的 10 个场景产生 404 个关键帧、211,335 个三元组。论文协议下，相对运动标签的前向一致性为 92.5%。这是时序标签自洽性，不是意图预测或碰撞预测准确率，也没有完成真实道路驾驶决策安全验证。
讨论
应把它当作语义数据产品。下一步固定预测器和数据划分，对照有无图特征的泛化效果，并加入感知误检与轨迹断裂。图规模和一致性不能替代下游预测收益证据。
图源：Khaled Nowara , Mohamed Manzour , Catherine Elias，《A Semantic Knowledge Graph Construction Pipeline for Vehicle Intention Prediction in nuScenes》，2610.26528v1，Figure 2，PDF 第 4 页。原图出处 · CC BY 4.0。裁剪自原文。
- A Semantic Knowledge Graph Construction Pipeline for Vehicle Intention Prediction in nuScenes · 2610.26528v1。
- 版本公开日期：2026-10-19。
2. 本体学习的规模效应：先固定检索和提示再比较
When Does Bigger Help? 固定 embedding、检索、提示、解码、数据和指标，用 OntoLearner 比较 13 个密集、MoE 和商业模型，在四个生物医学及材料本体上测术语分类、taxonomy discovery 和非分类关系抽取，减少把系统配置差异误认为参数规模收益。
图｜Giglou, Hamed Babaei 等，本体学习的规模效应，Figure 1（PDF 第 10 页），CC BY 4.0。裁剪自原文。
密集 Qwen3.5 扩大主要改善精确率而非召回，且不同任务的规模收益不单调；27B 密集模型在术语分类可超过更大稀疏模型，taxonomy 则是另一种格局。模型谱系和架构因此可能比标称参数量更关键，非分类关系抽取也仍然困难。
When Does Bigger Help? A Controlled Study of LLM Scale for Ontology Learning · 2608.31118v1。
3. BrickWright：用装配 API 和验证器约束积木生成
BrickWright 为预训练 coding Agent 提供 BrickLayer Python 工具，包括易用装配 API 和物理可行性反馈。有效性要求使用真实零件、没有悬浮或碰撞，并尽可能形成连接结构，使 Agent 能反复修正，而不只生成外观合理的三维场景。
图｜Pun, Ava 等，BrickWright，Figure 1（PDF 第 1 页），CC BY 4.0。裁剪自原文。
在 512 条文字或图像提示样本上，工具引导 Agent 达到 100% 的所定义有效性，同时维持或改善提示遵循。这个分母和有效性定义必须保留：它不是对任意积木作品的结构强度、载荷或实际搭建过程的完整认证，也不意味着设计质量已达到人工水平。
BrickWright: Agentic Creation of Physically Feasible Brick Builds · 2610.31651v1。
4. 视频综述：读取、写入、共享和交互世界
这篇综述把视频看作潜在时序世界的不完整、有损投影，按四种操作组织研究：reading 推断世界属性，writing 按条件合成视频，sharing 共用理解与生成机制，interacting 在动作和新观测下更新状态。它用同一视角连接视频基础模型与世界模型。
核心区分是，帧间看起来连贯，不等于底层世界状态一致。综述据此讨论持久状态、可控演化、物理因果有效性及下游决策评测；它提供问题框架和文献地图，并未给出一个证明某类架构普遍优越的新统一分数。
Reading, Writing, Sharing, and Interacting with the World through Video · 2610.31668v1。
5. OpenDS-World：在实时开放网页里完成深搜索
OpenDS 要求 Agent 自主搜索、浏览和处理异构证据，再连接多来源得到唯一事实答案。OpenDS-World 提供 200 项由人工独立检查证据和答案唯一性的任务，覆盖多模态、不同文件格式及交互访问，以补充静态检索测试。
统一工具和协议下，12 个模型最高准确率为 39.0%；人工的 1,000 次尝试为另一项对照。两类参与者的成本、熟悉度和尝试分布不能忽略，不能仅按两个数字断言通用研究能力高低。网页变化也使评测时间、访问条件和失败恢复成为结果的一部分。
Deep Search in Real-World Web Environments · 2610.30181v1。
6. Meta Expert：跨层共享，减少 MoE 专家内容冗余
Meta Expert 研究不同层专家拓扑独立、内容却相似的问题，将局部专家改为跨层共享池。实证在固定激活数量和专家粒度下比较参数冗余、交叉熵和下游任务，理论则从隐藏状态可用的残差路径解释检索灵活性。
图｜Hua, Ermo 等，Meta Expert，Figure 1（PDF 第 1 页），CC BY 4.0。裁剪自原文。
所测模型用约 70%–80% 专家匹配 Vanilla MoE 表现，支持减少跨层存储重复的方向。但专家数量减少不自动等于相同比例延迟节省，路由、通信和缓存布局仍有成本；结论也依赖具体共享方式和训练规模。
Meta Expert: Cross-Layer Expert Sharing for Storage- and Retrieval-Efficient MoE · 2610.27598v1。