本研究利用AI和计算机视觉技术提升海上安全，通过比较六种深度学习架构（包括CNN、迁移学习模型和Vision Transformer）在6468张图像上的表现，发现Vision Transformer在准确率、错误率和处理速度上均达到最优，展示了AI在海上监视、边境保护和自主导航中的潜力。

RAMS是一种轻量级运行时控制器，用于嵌入式边缘设备的目标检测，通过监控资源压力并根据检测结果动态选择YOLOv8模型（NANO/SMALL/MEDIUM），在保持精度的同时大幅降低延迟。实验表明，在Jetson Orin上，安全策略2实现了3.41毫秒的平均延迟，比固定MEDIUM模型快5.6倍，并保留了74%的代理精度。检测条件切换在重负载下使SWAS提升高达47.3%。

ReportQA是一种新型放射学报告评估框架，通过构建知识树和生成问答对，利用大语言模型作为裁判计算QAScore，解决了传统指标临床相关性不足和覆盖实体有限的问题。实验表明QAScore与放射科医生判断更一致，并揭示了基于报告推理范式的局限性。

该研究评估了LSTM、TCN和Transformer等深度学习模型在WESAD数据集上利用手腕和胸部传感器信号进行多模态情感识别的效果。消融实验表明，Transformer在多模态设置下准确率最高，TCN在仅手腕数据下表现最佳。集成方法结合三种架构的预测，达到了98.91%的准确率和98.56%的宏F1分数。

该研究在固定推理预算下重新评估网络代理的在线增强模块，发现与使用相同预算进行更多步数的基线模型相比，AWM、ASI和ReasoningBank等模块并未带来显著优势，其表面增益往往消失。研究强调运行间方差应作为核心评估指标。

Nemotron 3 Ultra是NVIDIA发布的一款550亿总参数、55亿活跃参数的混合专家语言模型，融合了Mamba和Transformer架构。在20万亿token上预训练，支持100万token上下文，推理吞吐量比现有开源LLM高6倍，精度相当。模型开源，适用于长时自主智能体任务。

提出CoRA框架，基于GRPO强化学习对齐模型置信度与生成理由，减少误导性高置信度答案。在MedQA等数据集上，对齐误差降低26.51%，准确率保持且校准改善。

因果Transformer在自回归分解下能高效处理从左到右的序列，但难以处理任意条件（如同时依赖过去和未来标记的文本块）。新提出的AC-GPT通过简单修改标准因果Transformer，在单次前向传播中实现对任意条件（包括过去、未来和混合上下文）的评估与采样，同时保持从左到右的顺序和下一个标记预测目标，兼容现有LLM微调。实验表明该方法在建模任意条件上优于基线，且不降低标准从左到右性能。

研究人员提出了一种名为'Telegraph English'的可读符号格式，用于多跳问答中的上下文压缩。它以更少的令牌成本将检索到的段落重写为结构化的实体-关系语句，从而保留推理证据。在MuSiQue、TwoWiki和HotpotQA上的对照实验中，它在每个数据集上都优于三种匹配预算的压缩基线（字符级删除、截断和随机子采样），F1分数提高了13到20个百分点。在最难的数据集上，它还优于同一编码器生成的连贯散文摘要。预先注册的深度交互假设未得到支持：优势并未随数据集内推理深度的增加而增加。这些结果表明，在匹配的令牌预算下，可读符号重新表达比自然语言或连贯摘要更能密集地保留实体内容。

本文首次系统研究证明自动形式化模型在Lean 4中的鲁棒性。提出了全局扰动（改写风格）和局部扰动（修改值、符号或步骤）来测试模型的忠信度，发现所有七个评估模型均对全局扰动敏感，且多数无法忠实反映局部扰动。

PhoneHarness是一个混合操作基准和执行框架，用于研究可验证手机工作流程中的手机使用代理。它集成GUI、CLI和主机端工具操作，实现75.0%的通过率，比非PhoneHarness设置高出12.9个百分点，强调操作表面路由和可验证执行的重要性。

本文提出CILN框架，通过受控输入污染生成实例相关噪声（IDN），使模糊性来源显式可控。在CIFAR-10、MNIST和Adult上构建了90个基准设置，证明了噪声结构（而非仅噪声率）对基准难度和算法行为的重要影响，并揭示了流行噪声标签学习方法（如Co-Teaching和DivideMix）的失败模式。

本研究利用考试期间收集的生理数据，应用机器学习模型预测考试成绩，分析了皮肤电活动、心率和皮肤温度等压力指标。实验比较了多种模型，发现深度学习擅长捕捉复杂关系，但随机森林等简单模型在效率和可解释性上更优。

该研究比较了19种图神经网络层在自动驾驶轨迹预测中的表现，发现ARMA、Chebyshev和拓扑感知层效果最佳，并提出了设计原则：基于和的聚合优于基于均值、多头注意力机制增强交互、不同跳距分配不同权重可提高预测精度。

该研究将自主实验模式重构为基于LangGraph的有状态ReAct智能体，通过持久化状态避免每次迭代重建上下文，在超参数调优和代码优化任务中分别减少90%和52%的令牌消耗，同时保持优化质量。

本文形式化地将嵌入模型路由建模为具有低秩专家的对抗性上下文线性赌博机，提出一种对数二次策略类以实现高效在线学习，并介绍了Hypentropy策略梯度（HPG）算法，该算法在避免维度灾难的同时实现次线性遗憾。

GRASP是一种新的多源迁移学习方法，通过顺序处理、参数梯度对齐和迭代微调，在保持O(1)内存消耗的同时实现了优于集成的准确性，适用于资源受限和动态源域场景。

该研究提出α-FISP框架，通过约束优化平衡精算公平与团结公平，引入参数α在两者间连续调节，同时确保偿付能力。数值实验表明该框架计算可行且符合美国各州异质监管要求。

本文提出GRAPE框架，通过渐进式参数空间暴露和基于对抗频谱利用率的引导机制，在固定计算预算下提升紧凑型神经网络的对抗鲁棒性，在CIFAR-10上实现PGD-20鲁棒准确率从51.70%提升至56.94%，参数减少21.4%。

QPILOTS是一种无需修改原始策略，在推理时通过Q值引导去噪过程的方法，用于优化流匹配和扩散策略。它通过将中间噪声状态投影到最终动作估计来计算批评者梯度，避免了直接反向传播的不稳定性。在50个任务的离线到在线强化学习基准测试中，平均成功率达到90%，并在模拟操作任务中优于或匹配先前方法。

该研究提出一个基于基础模型的框架，用于CT影像和纵向电子健康记录之间的跨模态表示对齐，并通过四种融合策略在肺栓塞死亡率和心血管疾病结局预测任务上进行了系统评估。结果表明，对比多模态融合提供了最一致的改进，而任务特定的融合策略对于鲁棒泛化至关重要。

OSGuard 是一个双粒度基准测试套件，用于评估计算机使用代理在良性指令下的安全性。它包含动作级基准测试（用于局部护栏决策）和风险增强执行套件（用于端到端评估）。实验表明，当前多模态护栏在孤立动作判断上表现良好，但在端到端安全方面仍存在差距。

Metric Match是一种通过选择代表性样本进行人工标注来估计LLM裁判可靠性指标的方法。实验表明，该方法在四种相关性指标和15个数据集上对比随机选择的胜率达到0.838，平均估计误差降低18.7%，标注需求减少32.5%。在医疗案例中，该方法相较于随机选择节省了1041.67美元的专业标注费用。此外，该方法还能将任务从可靠性估计扩展到可靠性分类，判断裁判是否超过部署阈值。相关代码已开源并提供安装包。

该研究引入几何框架，将神经科学的特异性、再激活、充分性和必要性标准形式化为约束逆问题，从而识别深度神经网络中的“AI记忆痕迹”。研究者推导出闭式估计器，可从全局纠缠参数中隔离单个记忆痕迹，并证明该生物学启发的解对应参数流形上的自然梯度更新。AI记忆痕迹支持通过线性算术对记忆进行手术级操作（组合或删除），无需迭代优化。实验涵盖简单MLP到大型语言模型，展示了因果有效性和可扩展性。该工作桥接了生物记忆理论与人工表征学习。

现有时间序列预测基于数值相似性检索历史模式，但面对非平稳性效果不佳。本文提出SERAF框架，对时间序列及其自生成文本描述进行双检索，联合利用数值与语义信息，实验表明优于现有方法。

该研究提出了一种基于代价验证的行为测量方法，用于量化AI代理之间的信任。在合作生存游戏中，代理通过减少对可靠队友的验证来体现信任。实验分析了六种前沿模型快照，发现较大的模型（如Claude Opus 4.6、GPT-5.1等）能降低60-85%的验证，而较小的模型几乎没有调整。信任破裂后，恢复速度慢于形成，且失败聚集会延长怀疑。结果表明，信任倾向可在部署前测量，治理应关注校准而非最大怀疑。

该论文提出了关系结构因果模型，将传统结构因果模型扩展到对象及其关系变化的场景，并证明了在未观测混杂情况下因果和观测查询的可识别性，最后通过关系神经因果模型在模拟交通场景中验证了有效性。

Dr-DCI 是一种检索器引导的直接语料库交互（DCI）框架，将检索视为代理可调用的操作，通过动态扩展本地工作空间来平衡可扩展性与精确性。在 Browsecomp-Plus 上达到 73.3% 的准确率，优于原始 DCI 和 BM25，并能稳定扩展到 2000 万文档。

本文提出一种基于反事实解释并考虑对话者先验信念的良好解释定义，探讨了该定义对AI可解释性的影响，特别是为何难以对LLM输出生成良好解释。

Fog是一款适用于Apple设备的笔记应用，它利用设备上的AI自动将笔记整理成智能集合“云”。所有数据保留在设备上，通过iCloud同步，无需第三方服务器，确保隐私。