本文提出了一种基于模型的控制框架，用于七自由度机械臂使用工具进行非抓取式抛球接球。该框架采用两阶段最优控制方法计算可行的运动模式，并通过离线计算轨迹实现实时误差校正，在仿真和Franka Emika Panda机器人实验中验证了有效性。

本文通过一个简单框架解决了树形结构上多智能体路径规划（MAPF）的复杂性问题，涵盖距离、最大完工时间和流动时间等标准目标，以及标记和着色变体。证明了在树上标记和2着色MAPF的所有三种目标都是NP难的，并解决了经典的卵石移动问题。所有结果通过堆栈重排问题的NP难性得出。

本文探究了利用日常互联网视频共训练机器人操作策略时影响迁移效果的关键因素。作者构建了一个包含532段人类视频、28小时高质量三角测量手部标注的新数据集，发现手部姿态质量影响迁移，但即使手部标注准确，视觉和策略网络若不针对具体形态特化，动作差距仍会阻碍迁移。所提出的共训练方法在低机器人数据场景下，六个操作任务的平均成功率提升了29.7%。

机器人操作物理谜题对于自动组装和拆卸任务至关重要，但训练数据集生成耗时费力。提出PhyRoGen框架，利用程序化内容生成自动生成合成操作谜题数据集，包含六种具体生成器生成24个谜题，并在仿真中用KUKA机器人验证了所有谜题的可操作性。

本文认为通用机器人智能的瓶颈不仅是策略学习，还缺乏将非结构化行为数据转化为机器人监督的机制。作者提出了四种缺失组件：数据接口、具身接口、世界模型接口和奖励接口，并呼吁构建能从更广泛的物理世界学习的机器人系统。

深度伪造检测系统在基准测试中近乎完美，但法医部署需要可靠的不确定性估计。现有不确定性量化方法依赖单一来源，忽略了最优不确定性组合因架构而异。本文提出相关性优化融合（COF），一种架构自适应框架，通过最大化融合不确定性分数与预测误差之间的皮尔逊相关性，融合五种互补的不确定性来源：认知、偶然、校准、共形和分布。COF无需修改模型，仅需42秒权重优化，而5模型深度集成需要20-45小时。在FaceForensics++上对11种架构的评估揭示了根本性权衡：在匹配训练/评估协议下，非线性方法域内相关性比COF高约5-6%（平均r=0.438），但在分布偏移下情况反转。在CelebDF上，COF在9/11架构上优于随机森林，相关性最高提升7.3倍（MaxViT-B：r=0.249 vs 0.034）；RF跨域退化85%至r=0.071，而COF保留更多信号（下降74%至r=0.116）。跨数据集评估（CelebDF和DFDC）显示所有方法均出现灾难性泛化失败：域内相关性0.41-0.47降至外部接近零（平均退化90.7%），11种架构中有7种出现不确定性反转。这些结果将COF确立为可控分布部署的实用可解释框架，并指出域自适应UQ是法医部署的核心开放挑战。

ViSAE是一个基于神经科学原理的工具箱，通过概念电路解释和引导视觉Transformer（ViT），显著提升可解释性和最差组准确率。

DIRECT框架通过将插入条件分解为外观、几何和上下文引导，实现了可控制姿态的对象插入，在几何控制和视觉质量上优于现有方法。

本文提出DTG-FF方法，在前向-前向（FF）学习框架上实现了多个真实数据基准的最优性能，但发现：在真实数据上，反向传播（BP）仍显著优于FF，且差距随类别数增加而扩大；合成任务高估了FF的可扩展性；在同等硬件条件下，FF的内存优势并不成立。

WorldBench是一个新的多模态推理基准，旨在评估多模态大语言模型在视觉多样性方面的表现。它通过构建包含数千个视觉概念的分类体系，从搜索引擎和现有数据集中精选图像，并设计前沿模型难以回答的问题。评估15个模型显示，最强模型准确率仅64%，部分模型接近随机水平，突显了视觉多样性在基准测试中的重要性。

提出AE-YOLO框架，通过集成轻量瓶颈自编码器、CBAM和方差最大化正则化，解决无人机图像中绝缘子缺陷检测的类不平衡、尺度变化和小目标问题。在数据集上达到95.10% [email protected]，超越YOLO基线5.0点。

该论文提出利用U-net和DeepLabV3+卷积神经网络架构，对混合现实中的驾驶舱图像进行前景与背景分割，以增强虚拟与现实图像的融合。在CAT793F矿用卡车模拟器采集的图像上实现了约90%的分割准确率。

本研究提出在线策略扩散语言模型（OPDLM），通过在线策略蒸馏（OPD）将自回归模型转换为扩散语言模型，解决了传统方法中的分布偏移问题。实验表明，OPDLM在多种任务上仅需15到7000分之一的训练数据即可达到强性能，将DLM转换定位为ARLM的后训练步骤。

网络代理在长周期任务中每步动作都读取完整DOM（通常数万token），导致上下文逐渐退化。本文提出信号驱动观察（SDO）：专用子调用读取完整DOM但只返回任务相关元素，仅当轻量信号检测器触发时重新调用。作者呼吁将观察压缩作为核心架构决策。

一项研究分析了来自75个国家1500份开放式回答，发现人们对AI的偏好高度多样且矛盾。除“真实性”外，多数价值观被不到四分之一的受访者提及。即使“真实性”也被赋予不同含义，有些要求来源可查，有些要求专家意见，还有些要求不受欢迎的观点。某些AI能力，如拟人化行为，存在争议。研究指出当前RLHF对齐方法存在根本缺陷，将情境化、有争议的信号压平为普遍偏好模型，构成“认知暴力”。

提出搭便车假设，认为聊天模板标记可以将微调行为搭便车到域外查询上。通过前缀扰动验证，并提出了标记正则化微调（TReFT）来缓解涌现性错位。实验表明，TReFT在保持领域内学习的同时显著减少错位，支持该假设。

从自然文本中形式化复杂推理是计算语言学的核心挑战。当前的论证挖掘技术能识别基本主张和前提，但难以捕捉更丰富的结构信息。CAF-Gen是一个自动化多智能体框架，通过迭代的创建者-审查者流水线，将浅层论证结构丰富为符合卡尼德斯论证框架（CAF）的模型。实验表明，迭代反馈循环提高了数据质量，并与原始标注高度一致。

该研究通过词元级不确定性信号识别语言模型推理失败的两种不同过程：承诺性失败（模型早期锁定错误路径）和持续性不确定（不确定性持续累积）。框架在23个模型-数据集配置中验证，20例通过可证伪预测，并展示了对自一致性方法的改进。

UnpredictaBench是一个新的基准测试，用于评估大型语言模型（LLM）捕捉真实底层分布的能力。随着LLM越来越多地被用作其他实体的替代品（例如，在经济模拟中替代人类），许多模型倾向于收敛到单一合理答案，无法捕捉真实系统的不可预测性。该基准包括448个问题，涉及典型统计分布、随机程序诱导的分布以及描述随机过程的自然语言场景。采用KS@N指标，通过Kolmogorov-Smirnov检验量化模型输出近似黑盒目标分布的程度。实验表明，模型表现差异很大，KS@100得分从接近0到超过20%，没有模型能超过40%。添加推理能力可以略微提高得分，但无法根本解决。UnpredictaBench表明，即使是简单的分布模拟仍然具有挑战性，是使用LLM作为复杂系统替代品的必要第一步。

该研究通过收集550段人类对话及三个阶段的判断数据（提取、配对、响应），揭示了大型语言模型在个性化任务中依赖合成数据与真实人类数据之间的性能差距。模型在提取用户属性时表现不佳，与人类判断存在分歧，生成的个性化响应在人类评价中并不优于通用响应。引入两种轻量级训练干预能改善前两个阶段，但奖励模型与人类评分的相关性仍然有限。

大型语言模型在英语训练中编码了大量世界知识，但在其他语言中表达这些知识时常常失败，即跨语言事实不一致。本文提出PolyFact数据集（10万条Wikidata事实，12种语言），比较了轻量持续预训练（CPT）、监督微调（SFT）和基于GRPO的强化学习。结果表明GRPO显著优于SFT和CPT，提高了跨语言一致性和对未见语言的泛化能力。机制分析显示GRPO通过减少MLP层和注意力头的语言专门化，促进了共享跨语言表示。代码、模型和数据集已开源。

一种名为GPLFR的新模型，结合压缩与预测，通过高斯过程先验和低维潜在状态解码高维输出，适用于低数据量场景。首次用于构建岩石系外行星全球气候模型的空间分辨仿真器。

研究发现，大语言模型（LLM）的层可以被动态跳过或重复，形成针对每个输入的定制程序，通常用更少的层就能达到相同或更高的准确率。通过轻量级预测网络，PoLar方法在数学推理基准上持续优于标准推理和先前动态深度方法。

本文论证当前次于AGI能力的生成模型对知识生产与文化传承构成结构性风险。人类时间性学习（HTL）是指通过持续投入时间解决问题的路径依赖式知识积累。生成模型的输出在表面特征上日益接近HTL密集型成果，导致验证真实人类学习的成本相对于预期收益不断上升。一旦验证失去经济合理性，评估者将奖励所有产出而不区分生产方式，投入多年学习的人类生产者被迫与几乎零成本的生成输出进行价格竞争。作者将这一路径称为“价值崩溃”，并通过高成本检验框架加以形式化。跨学科证据（学术出版、法律实践、内容平台、软件安全）映射出四个验证侵蚀阶段。模型对齐的成功反而是正交因素：更优对齐缩小了人类与AI输出之间的可观察差距，使来源验证更加困难，从而加剧了对HTL密集型工作的竞争压力。

符号回归（SR）是一种系统搜索数学函数空间以发现数据中潜在关系的方法。尽管近期取得进展，但缺乏不确定性量化（UQ）支持限制了其在实际决策中的应用。本文首次系统性地介绍了UQ概念，并回顾了SR中UQ的现有文献，主要分为频率学派、贝叶斯和模型选择三个方向。研究强调，SR中的UQ仍未被充分探索，需要进一步开发可靠的方法。

本文提出WAV v1，一种轻量级多分辨率残差路由方法。标准残差流使用固定权重聚合，而近期方法通过内容相关路由改善，但块级摘要丢失了注意力与MLP不平衡等方向性结构。WAV v1为每个块添加相位基和分裂基两个方向细节基，与块摘要一起通过深度softmax混合器路由，并采用负细节源初始化和分离RMS匹配稳定训练。在字符级TinyStories和Text8语言建模上，WAV v1在12层时效果不显著，24层具有竞争力，48层显著优于所有基线，验证损失分别从0.4960降至0.4738和从0.9363降至0.9305，参数增加可忽略。结果表明方向性残差细节对于深层Transformer的残差路由缩放至关重要。

MacArena是一个新的基准测试，包含421个手动验证的任务，涵盖50个应用程序，专门用于评估macOS上的计算机使用代理（CUA）。它结合了OSWorld和macOSWorld的任务以及49个新的macOS原生任务，运行在Apple Silicon的原生虚拟化框架上。评估表明，macOS带来了独特的GUI挑战，模型在现有基准上的表现并不能反映其跨平台能力，排名在移植任务和macOS原生任务之间发生反转，领先模型在MacArena子集上落后超过26%。

新研究提出MSFAN深度学习架构，结合太赫兹双梳光谱技术对12种聚合物进行分类，准确率达85.2%，有望提升塑料回收分拣效率。

扩散大语言模型(dLLMs)在迭代精炼令牌时存在“稳定滞后”问题，早期决策即使已提交仍很脆弱。后训练量化(PTQ)错误容易翻转这些边界决策并永久锁定放大。为此，本文提出FAIR-Calib，一个两阶段PTQ框架：第一阶段探测全精度教师以估计结合前沿命中与掩蔽阶段可靠性的位置先验；第二阶段通过最小化重加权隐藏状态MSE执行离策略逐层校准，优先保护脆弱的前沿状态。理论上证明加权目标是输出KL散度的代理。实验表明，FAIR-Calib在LLaDA和Dream模型上持续优于最先进基线，显著减少了前沿决策翻转和后提交不匹配。

本文提出Elmes*框架，用于自动构建、优化和应用于教育场景的细粒度评估标准。通过多智能体引擎和自进化模块SceneGen，构建了涵盖11个学科、3个年级段、10种任务类型、超1000个二级指标的Edu-330基准。实验表明教育能力是多维的，顶尖LLM在创造力和价值观整合上差异显著，知识型模型可能在苏格拉底式引导中失败，教育专用模型InnoSpark取得最佳人工评分。LLM评估者保持与人类相当的排名，但存在自我偏好等偏差。该框架为基于教学法的LLM评估提供了可扩展的诊断基础设施。