Genuine PDF Forgeries：利用 PDF 签名验证中的人为因素实施伪造攻击
作者提出 Genuine PDF Forgeries 攻击类，利用密码学可验证的签名证书与文档中人类可见签名块之间的脱节实施伪造。
推荐理由：论文把 PDF 签名验证中密码学证书与可见签名块之间的脱节作为攻击面，并给出跨 23 款阅读器的实测与用户研究数据。
#评测/基准
arXiv · cs.HC精选AI 评分7878 arXiv · cs.DB精选AI 评分7575 PQR-Search 为动态向量数据库的近似最近邻检索提供逐查询召回保证
作者提出 k-ANN 算子 PQR-Search，对每个查询保证 Pr[Recall(q) < τ] ≤ δ，且 τ<1 时 E[Recall(q)] ≥ τ，该概率只来自索引内的随机旋转，插入删除后无需重新调参。
推荐理由：针对 ANN 索引只调平均召回的问题，给出逐查询召回保证并量化其相对 HNSW 的延迟与吞吐代价。
arXiv · cs.CV精选AI 评分6060 研究在碰撞检测任务上评测连接组约束的果蝇视觉模型 FlyNet 的鲁棒性与效率
研究者在可微 3D 渲染管线中的碰撞检测任务上，将受突触连接组约束的连续时间循环网络 FlyNet 与 CNN、RAFT 及无连接组约束的 sCTRNN、CTRNN 对比。
推荐理由：论文把果蝇连接组约束模型与 CNN、RAFT 放在同一碰撞检测任务上比较鲁棒性与算力，并给出对抗纹理与视错觉同源的机制解释。
arXiv · cs.CV精选AI 评分7272 DisasterVLG 发布 124 万张灾害图像多任务数据集，覆盖视觉定位与证据式推理
研究团队构建 DisasterVLG 大规模多任务数据集，包含来自 142 个国家的 124 万张灾害图像和 3300 万条结构化标注，覆盖密集描述与定位、事件评估、关系场景描述和灾害视觉问答（VQA）。
推荐理由：该数据集把灾害场景的视觉定位与证据式问答统一起来，并给出人工核验测试集，便于评估模型在真实不确定性下的推理能力。
arXiv · cs.CV精选AI 评分7171 Interactive Visual Gym 提出闭环视觉交互评测框架与 IVG-Bench 基准
作者提出 Interactive Visual Gym 框架，通过联合模拟可执行任务环境与人类用户，对视觉交互模型做闭环评测与训练，并构建含 315 个交互场景的 IVG-Bench。
推荐理由：该基准用模拟用户做闭环评测，并给出当前 VLM 在交互任务上的完成率与延迟短板，可供做视觉交互评测的读者参考。
arXiv · cs.CV精选AI 评分6060 Blueprint2CAD 基准发布：评测视觉模型能否匹配工程图与 CAD 渲染图
研究团队提出 Blueprint2CAD 基准，用于判断正交线工程图与另一视角的着色渲染图是否对应同一零件，其数据层 BlueCAD-30K 基于 29,925 个 Zero-to-CAD 模型生成六视角图纸与渲染。
推荐理由：该基准把视角变化与骨干网络的影响分开考察，并给出冻结编码器和零样本 VLM 的具体表现，便于读者判断工程图检索任务的真实难点。
arXiv · cs.CV精选AI 评分7676 SAGES CVS 挑战赛发布 AI 手术质量评估全球基准
SAGES Critical View of Safety（CVS）挑战赛构建了 AI 手术质量评估基准，汇集 24 个国家 54 家机构的 1000 段腹腔镜胆囊切除术视频，由 20 位外科专家按共识协议标注。
推荐理由：该挑战赛构建了1000段手术视频的专家标注基准，并给出13支队伍在性能、校准与鲁棒性上的对比结果。
arXiv · cs.SE精选AI 评分7878 研究用大语言模型自然改写测试 CodeQL 污点追踪的鲁棒性
研究测试了 CodeQL JavaScript 污点追踪对保持漏洞的自然改写的鲁棒性：在 CodeQL 从真实 npm 漏洞中检出的 172 条数据流上，每条流做三次改写，其中 26.2% 的告警被消除，每条被消除告警的成本约 0.51 美元。
推荐理由：研究用大语言模型做保持漏洞的自然改写来检验 CodeQL 污点追踪，并给出七类具体缺口，可供 SAST 开发者定位修复目标。
arXiv · cs.CV精选AI 评分7070 Kosmo-GFM：面向生产场景的几何基础模型与位姿优化系统
研究团队提出场景重建系统 Kosmo-GFM，整合几何基础模型 GFM、位姿优化引擎 PoseEngine 与 KosmoWorld 的重建监督。在 SpatialBench 的 Sparse 和 Medium 子集上，GFM 取得最低绝对相对深度误差和 5 度阈值下最高相对位姿 AUC，并在五个数据集上取得最低动态点与场景流平均端点误差。
推荐理由：原文给出几何基础模型与位姿优化引擎的完整系统设计，并在 SpatialBench 等基准上给出与 GLUEMAP 的精度和运行时间对比。
arXiv · cs.SE精选AI 评分6969 CrossPloit：面向 Python Web 应用跨版本 PoC 迁移的基准
研究团队发布 CrossPloit 基准，包含 45 个 CVE 的 127 个跨版本 PoC 迁移实例，每个实例配有版本固定的容器、参考 PoC 和漏洞专用 oracle。
推荐理由：该基准用可执行 PoC 验证漏洞版本区间漏报，并给出 18 种 Agent 配置的自动化迁移上限。
arXiv · cs.SE精选AI 评分6666 Oracle-to-PostgreSQL 迁移智能体是否真在学习？一项带审计的评测
研究团队对 Oracle-to-PostgreSQL 迁移智能体的经验记忆做了审计式评测：在 1,833 对文档来源参考上，持久记忆把参考一致性（RC）比无记忆基线提高 0.015 [0.004。
推荐理由：通过审计式评测拆解记忆增益中的参考泄漏与复制效应，并给出六条区分跨任务学习与指标假象的评测规则。
arXiv · cs.SE精选AI 评分7272 VulSpot：覆盖 21 种语言、可月度刷新的漏洞检测与定位基准
作者发布 VulSpot 漏洞基准，包含来自 24k 个已登记 CVE 的 50 多万个函数、覆盖 21 种语言，其中 C/C++ 漏洞函数超过 15k 个。该基准通过把补丁新增代码与其保护的既有语句关联，在以往基于 diff 的数据集未给出位置的函数中，有 99.3% 定位到了漏洞；同时提供标签可靠性说明、无泄漏划分、补充代码上下文和分层 CWE 标签，并由自动化流水线每月刷新。
推荐理由：针对现有漏洞数据集不刷新、标签噪声大、随机划分泄漏的问题，VulSpot 给出可月度更新的定位型基准。
arXiv · cs.CV精选AI 评分7575 Fog-FWL：用于恢复雾中隐藏目标的大规模全波形 LiDAR 数据集
研究团队发布 Fog-FWL 数据集，包含 7,527 帧真实雾天全波形 LiDAR 数据（Fog-FWL-Real，来自 8 个场景、58 个序列，规模是现有唯一真实雾天 FWL 数据的 579 倍）和 12,000 帧物理仿真数据（Fog-FWL-Sim）。
推荐理由：该数据集同时提供真实雾天全波形基准与物理仿真训练集，并支持严格的 sim-to-real 评测，便于读者判断雾天目标恢复任务的难度与数据缺口。
arXiv · cs.CV精选AI 评分7878 Open Vision Banana：将预训练图像生成器转为多任务感知系统的全开源方案
研究团队提出 Open Vision Banana（OVB），一套把预训练图像生成器转换为统一多任务感知系统的全开源可复现方案。基于 4B 和 9B 参数的开源基础模型、使用 2.1M-3.8M 公开数据集训练对，OVB 在 Cityscapes 零样本上达到 73.9 mIoU，超过 Vision Banana 报告的 69.9。
推荐理由：原文公开了把预训练图像生成器改造成多任务感知系统的完整配方，并给出与 Vision Banana 的零样本对比数字。
arXiv · cs.RO精选AI 评分7171 Robo-SWE：从机器人软件仓库挖掘的 236 个可执行 issue 解决任务数据集
作者发布 Robo-SWE 数据集，从 28 个公开机器人仓库的已合并 PR 中挖掘出 236 个可执行 issue 解决任务，覆盖 ROS 2 系统、仿真与物理引擎、机器人算法库和机器人学习框架四类。
推荐理由：该数据集把机器人软件的真实 issue 与可执行测试打包，并附多套编码智能体的解题记录，便于比较领域专用评测与通用评测的差异。
arXiv · cs.CV精选AI 评分6060 RipBench：统一评测裂流检测、分类与分割的多层级基准
研究团队提出 RipBench，一个在统一数据与标准化划分下评测裂流分类、轴对齐与旋转目标检测以及实例、语义、全景分割的基准。基于 304 段视频（303,491 帧，其中 51,011 帧标注了全部六项任务），帧级分类达到 F2 = 0.93，而最佳检测器和最佳实例分割器分别只有 0.72 和 0.66，且模型排名随任务变化。
推荐理由：该基准在同一数据与划分下统一评测六项裂流任务，暴露出粗粒度识别与精细空间理解之间的性能落差。
arXiv · cs.RO精选AI 评分7878 Reins：前沿多模态模型零样本驱动真实机械臂完成长程任务
作者提出 Reins 框架，让现成的前沿多模态模型借助 3D 感知工具和可报告接触与抓取状态的原子动作，操作双臂机器人完成长程、接触密集的操作任务。在五个真实任务上，GPT-6.1 Sol 在自然语言提示、无任务专用代码的条件下成功率为 88%；不使用该框架时，它在所有 shell game 任务上均失败，耗时是前者的 8 倍。
推荐理由：作者提出让前沿多模态模型通过工具与原子动作驱动双臂机器人的框架，并给出真实机器人长程任务的成功率对比。
arXiv · cs.CV精选AI 评分7474 CaseScope：面向多视野病理诊断的多模态 LLM 基准
研究团队提出 CaseScope，一个要求模型综合同一病灶多个视野进行诊断的病理基准，包含 CaseScope-Teaching 的 436 例和 CaseScope-Atlas 的 800 例，覆盖 18 个器官系统的 843 个实体、共 4,679 道题。
推荐理由：该基准用多视野病理诊断和十选项轮换评测，揭示开源与专有 MLLM 在诊断稳定性上的明显差距。
arXiv · cs.RO精选AI 评分6767 ManiLadder：按难度分层校准的机器人操作仿真基准
作者提出机器人操作仿真基准 ManiLadder，包含 112 个任务，按 4 个难度等级分层，每级 8 个类别，覆盖刚体与可变形物体、单臂与双臂、夹爪与灵巧手。为校准难度，每个任务固定相同数据量，用统一的 flow-matching 模仿学习策略在相同训练与评测协议下运行，以成功率作为经验难度信号，并跨随机种子、策略和智能体学习系统验证难度区间。真实实验显示任务难度排序在仿真之外仍保持。
推荐理由：该基准按任务难度分层校准，并跨随机种子、策略和真实实验验证难度排序，可供读者判断机器人操作能力的评测设计。
arXiv · cs.CV精选AI 评分6767 研究发现驾驶世界模型只移动相机而非场景，并提出 ReTime-Compose 免训练修正
作者用真实驾驶日志的重定时与立体视角构造反事实参考，发现已发布驾驶世界模型对场景变化的复现比例最多约为真实视频的三分之一，轨迹分数也无法区分速度指令被执行还是被忽略。
推荐理由：论文用真实驾驶日志构造反事实参考，指出驾驶世界模型只动相机不动场景，并给出免训练修正方案。