REINS 是一种无需训练的方法，通过在推理时引导内部表示朝向安全生成，来对齐视频扩散模型。它使用监督主成分分析找到一个单一方向，将安全与不安全的生成轨迹分开，并在中间Transformer层应用，计算开销极低。在9个模型上进行评估，是视频生成领域最广泛的安全评估。

GeoDisaster是一个新型操作式灾害地理智能基准测试，包含2,921个实例、43种问题类型和五个任务族（森林退化监测、多灾种分析、建筑损坏评估、洪水安全路径规划、Sentinel-1 SAR洪水监测）。它整合了异构的EO/GIS数据，并使用可执行工作流生成真实答案。该论文还提出了一个包含18个灾害工具的多智能体框架，以及角色-合约期望对齐（RCEA）方法，通过失败感知的监督微调和合约驱动的强化学习来提升工具使用和决策质量。实验表明，GeoDisaster对现有模型构成挑战，而RCEA改善了工具使用、证据基础和状态一致性。

该研究首次将视觉Transformer应用于30米分辨率Landsat-Sentinel-2影像的沿海藻华监测，构建了全球分布的藻华斑块数据集，并比较了四种Transformer架构与卷积基线的性能。Swin Transformer在云和耀斑干扰下表现优于传统光谱指数，误报率显著降低。研究证实深度学习可作为中分辨率沿海藻华持续监测的可靠工具。

论文指出，基准测试高估了边缘AI部署性能，实际存在20-30%的下降。Edge-TSR系统通过集成检测、跟踪和轻量时间稳定机制，在NVIDIA Jetson Orin Nano上实现持续路边感知，恢复高达10.16%的分类准确率，并在55分钟、26公里行车测试中保持16.18 FPS，无需云端卸载。

提出了一种结合多尺度卷积、光谱注意力、双向状态空间建模和量子启发学习的BiSpectral Mamba框架，在UAVHSI-Crop数据集上达到84.83%的分类准确率，有效解决了高光谱图像分类中的高维性、空间复杂性和类别不平衡等挑战。

新研究指出，当前视觉语言模型（VLM）的多语言评估忽略了多脚本语言用户。研究团队引入旁遮普语多模态视觉推理（PuMVR）基准，包含1000个严格平行的图像-文本实例，覆盖旁遮普语的三种活跃脚本：古尔穆基文、沙穆基文和罗马文。评估10个先进VLM后发现显著的“脚本差距”，模型在一种脚本中成功解决视觉任务，但在另一种脚本中失败，准确率差异高达16%。视觉输入虽能整体提升性能，但无法消除字形差距。跨脚本上下文迁移极其脆弱，暴露了脚本锁定的知识表示。作者提出脚本一致性率（SCR），最低仅24.8%，呼吁将其作为强制评估指标，以确保AI的公平访问。

一项研究使用仅有约130个单词的人造语言道本语测试了Word2Vec，发现其有效性更依赖于分布模式而非词汇量大小。

该论文研究了多模态大语言模型在语音识别中误识别输出语言的问题，提出了一种软提示方法，并定义了语言依从性指标，评估了零样本提示、监督微调和思维链推理三种缓解策略。

本文介绍了 MLLP-VRAIN 研究组参与 IWSLT 2026 同声传译共享任务的系统。该系统利用最新发布的 Parakeet 和 Qwen 3.5 模型，通过自适应“黑盒”策略构建鲁棒的级联解决方案，并探索策略松弛以优化质量-延迟权衡。系统参与所有语言方向，并针对 En→De、It、Zh 方向引入新的上下文轨道，结合 ASR 词汇增强和离线预翻译示例的 RAG 机制。在 MCIF En→De 测试集上，质量提升 +5.82 XCOMET-XL，上下文处理额外提升 +1.03。

该研究针对体积CT报告生成，提出了一种轻量级诊断先验条件框架RAD3D-Prefix，通过冻结大型语言模型（LLM）并仅训练投影层，实现了参数高效适配。实验表明，对于参数超过10亿的LLM，冻结模型并训练轻量投影层比全面微调更具优势，在自动指标和临床读者研究中均表现出色，且具有良好的跨领域泛化能力。

本研究针对LLaDA2.1扩散语言模型中的令牌到令牌（T2T）编辑模块存在的训练-推理不匹配问题，提出自生成T2T方法。该方法通过无梯度草稿传递、用预测令牌填充掩码位置，并在第二遍中监督恢复，实现了在不改变推理参数的情况下提升准确性并减少编辑强度。在多个基准测试上，该方法有效缓解了最终数字转录错误和过度自我修正等问题。

该研究探讨了在完全由自主AI代理组成的在线社区中，是否也存在拟社会互动（PSI）线索。通过分析Moltbook平台的4434篇帖子和50338条评论，使用关键词匹配、少样本大语言模型标注和分组上下文LLM标注三种方法，研究发现PSI口头线索普遍存在，并与原帖发布者（OP）的重新参与和互惠回复结构密切相关。二元持久性测试进一步证实了互惠出价与持续涉及OP的相互递归模式一致，为将互动层面的PSI脚本与关系层面的一致二元模式联系起来提供了实证证据。

RepSelect是一种新的大语言模型遗忘方法，通过隔离遗忘集特有的表示来防止微调或少样本提示逆转遗忘效果，相比现有方法实现了4-50倍的抗逆向效果提升。

PromptMN 是一种轻量级的领域特定语言，通过 % 前缀的指令标注自然语言提示，使角色、目标、约束等显式化，减少代理工作流中的歧义。该语言介于非正式提示与伪代码之间，支持逆向提示工程，并在多个前沿模型上验证了可行性。

MemSlides提出了一种层次化记忆框架，将长期记忆（用户档案记忆和工具记忆）与工作记忆分离，结合幻灯片局部修订，实现多轮交互中的用户偏好保持与可靠编辑。实验表明该方法在个性化对齐、修改行为和偏好跨轮传递方面显著优于基线。

该研究针对多代理LLM系统共享状态导致的并发异常，提出了形式化定义和验证检测方法。通过TLA+建模四种异常（陈旧生成、幻影工具、因果级联、工具效应重排序），并构建了一个经机械验证的一致性层级L0到L4。使用274个Verus验证义务，证明了检测器的正确性和完备性。在三个已部署的Rust运行时中实现了L0-L1级别，并对比了字节跳动deer-flow和LangGraph中的实际异常案例。

本文提出一种端到端的图神经网络替代模型，用于预测地质封存中CO2羽流运移。该模型在SPE11A基准测试上评估，通过各向异性消息传递机制和自回归残差公式，在长期预测中保持了较低的累积误差，可准确预测气体饱和度和液相密度。

该研究通过线性深度神经网络模型，揭示了“悟道”（grokking）现象与L2正则化引起的一阶相变中的滞后效应有关。当模型陷入低准确率的亚稳态时，仅当随机梯度下降（SGD）噪声提供足够能量跨越势垒时，才会逃离并实现泛化，逃离时间遵循阿伦尼乌斯标度。研究还表明亚稳态数量等于可学习特征数量，为开发更高效的学习方案提供了新途径。

混合专家多模态大语言模型（MoE-MLLMs）在性能优异的同时，GPU显存消耗巨大，模型压缩至关重要。现有专家级混合精度量化方法在MoE-MLLMs上效果不佳，原因在于专家重要性估计存在两种偏差：跨模态层面视觉令牌占主导导致文本相关专家被掩盖，以及视觉内部大量冗余令牌进一步扭曲频率统计。为此，MODE框架通过模态分解、冗余令牌过滤和量化敏感度评估，结合整数线性规划为每个专家分配最优比特宽度，在W3A16设置下平均性能损失仅2.9%。

本研究系统评估了基模型（FM）在计算病理学任务中的表示能力，使用两个真实世界商业队列（IH-BC和IH-NSCLC）进行测试。研究发现，图像和组学表示具有互补的预测信号，多模态融合在单一模态不占主导时能带来提升。通过共形预测评估了管道可信度，结果表明大多数预测失败时真实诊断仍在预测集中，强调了不确定性感知推理在临床支持中的价值。

药效学中区分因果不良药物事件（ADE）与虚假相关性是一大挑战。InferBERT框架结合了Transformer模型与Do-calculus，但其成功依赖于底层分类模型。本研究比较了XGBoost、ALBERT、BioBERT和Med-LLaMA在两种基准上的表现，发现领域特定预训练的BioBERT准确率最高，而大型语言模型Med-LLaMA表现不佳。结果表明，在计算药效学中，投资于可管理的领域感知模型比单纯扩展模型规模更有效。

研究表明，大型语言模型在预填充阶段会将字段条件结论写入下游笔记，使得KV缓存具有可编辑性和可组合性。通过链式思维编辑字段即可恢复决策，而预编译的技能可通过RoPE重新定位并拼接至任意上下文，实现与完全重新计算几乎无差异的结果，同时延迟降低多达14.9倍。该方法适用于多种注意力和缓存变体，并在在线vLLM基准测试中保持98.5%的缓存命中率。

本文提出一种基于扩散模型的方法，联合建模实验室检测值及其观测模式，生成更真实的临床时间序列。该方法利用来自MIMIC-III的DACMI基准数据集，将图表时间对齐为4小时间隔，入院记录分割为7天窗口，扩展TimeDiff框架学习连续值和离散缺失模式。实验表明生成数据与真实患者轨迹高度吻合，可捕获患者生理与医生检测行为之间的临床依赖关系，为临床基础模型开发提供初始组件。

本研究针对远程（1.5-2.1米）单次条纹投影轮廓测量中基于学习的深度估计算法存在的形状先验捷径问题，提出了诊断-修复-验证框架。通过机械可解释性和共形不确定性量化，发现UNet基线模型依赖物体边界形状先验而非条纹相位解码。提出的PhiCalNet网络通过输出包裹相位并应用固定可微校准层，将物体平均绝对误差降低3.3倍至4.46毫米，并验证了架构而非损失函数是关键因素。

最新研究发现，多模态大语言模型（MLLMs）在知识编辑时存在“编辑解耦失败”问题：虽然多模态输入下实体知识可被更新，但一旦输入分离为单模态，知识就会恢复旧值。研究者提出DECODE方法，通过显式解耦并定位模态特定神经元组，实现了跨模态触发条件下的有效知识更新。

研究人员提出了一种在线自适应框架，整合治疗效果估计、患者数字孪生和强化学习，用于临床决策支持。该系统通过规则模块确保安全，并在模拟和真实卵巢癌数据集上优于基准方法，展示了作为个性化医疗工具的潜力。

本文研究分布式通用智能体网络，提出分层架构，以及三种核心机制：语义声明传播、可验证身份与多主题信誉、语义梯度机制设计。通过原语开销和仿真验证了可行性，为开放、可信、可扩展的智能体协作提供系统级基础。

SpeechDx是一个大规模基准测试，涵盖12个数据集和27个任务，用于评估临床语音AI。它按语音产生阶段组织任务，测试模型泛化能力。评估12种音频编码器发现，大规模语音模型表现最佳，但尚无通用表示。

MemTrace是一个以知识点为基本单位的长期记忆评估基准，从记忆年龄、问题类型和证据条件三个维度探查事实。实验发现，相似的整体准确率掩盖了不同的失败模式，主要瓶颈在于证据使用而非检索。

一项新研究探索语言模型是否能独立发现“零”这一数学概念。研究发现，GPT-2规模的语言模型在零样本情况下无法泛化，但通过少量示例训练后性能显著提升，且语言预训练可减少所需示例约50%，表明语言能力有助于神经网络的数学发现。