本文探讨了利用AI科学家智能体加速神经科学研究的愿景。作者指出，通过创建大脑图谱、数字孪生体以及结合真实实验验证，可以大幅提升研究效率。文章还提出了资助者应优先支持的项目类型，包括高质量数据集、新型神经技术、数字孪生模型和基准测试。

苹果全球开发者大会（WWDC）将于6月8日至12日举行，预计将发布重大软件更新，包括由Gemini支持的全新Siri、iOS 27等操作系统，以及可能的AI照片编辑工具。此外，有传闻称苹果计划推出“Ultra”系列设备，包括折叠屏iPhone，但硬件发布可能推迟至9月。

本研究提出一种自监督表示学习框架，仅利用关节编码器实现足式机器人接触检测，无需力传感器。该方法在足式机器人里程计估计中优于传统监督方法和基线概率方法，并公开代码。

FlowPRO 提出了一种无奖励的离线强化微调框架，用于流匹配视觉-语言-动作（VLA）模型。其核心算法 RPRO 结合对比优化器和显式邻近正则化，消除了奖励破解问题。通过遥操作干预-回滚范式收集成对轨迹，并结合平滑插值和批量混合，实现密集状态监督。在四个长时程双臂任务中，FlowPRO 取得了最高成功率，超越了四种基线方法。

本文提出了一种使用神经常微分方程（ODE）在黎曼流形上进行从示范学习（LfD）的新方法。传统LfD在欧几里得空间中进行，而机器人状态（如方向）自然存在于弯曲空间。该方法通过神经ODE高效估计测地线，实现流形上任意两点间的自然运动生成，并将测地线解码回任务空间用于机器人部署。仿真实验验证了该框架的有效性。

MoDex是一种基于扩散模型的策略，使灵巧手能够在保持已抓取物体的同时，顺序抓取多个物体。通过条件化对掌空间和点云，每次抓取仅使用部分手指自由度。两阶段训练（模仿学习+强化学习微调）提升了仿真与现实中的成功率。

VASO是一个框架，通过形式化验证引导大语言模型生成的机器人技能合约的自我进化。在Clearpath Jackal和PX4四旋翼任务上，VASO在不到100个优化样本下达到了97.2%的规范符合度，优于执行反馈、提示优化和微调基线。这是首个将形式化验证与自进化技能闭环的框架。

针对机器人控制中路径跟踪问题，提出了一种在李群上高效计算点到曲线距离的方法。该方法将曲线表示为G-多项式，通过利用其结构将问题转化为少量多项式求根计算，显著降低了计算时间并保持精度。在SE(3)群上给出了实用公式，并通过机械臂实验验证。相关计算包已开源。

研究人员提出了一种新颖的4段8关节四元数关节缆驱动冗余机械臂配置，该配置能在更低硬件成本下实现更广泛的工作空间。结合残差强化学习，该控制方法在位置和方向精度上比现有最先进的FABRIK算法提高了三个数量级，且控制实现更简单，为新型缆驱动机械臂的设计与控制提供了有力工具。

提出OLIVE框架，通过低秩残差分解实现外骨骼控制的在线个性化适应，仅依赖本体传感器反馈，无需离线轨迹，在多种地形上提升步态平滑度、减少努力并增强稳定性。

本研究利用深度学习模型，基于OCT和OCTA数据自动对年龄相关性黄斑变性（AMD）严重程度进行分期。在271名参与者中，分析了三种模型：基于生物标志物图谱的模型、2D en face投影模型和3D体积模型。所有模型均表现良好，其中基于生物标志物的模型综合性能最佳，QWK达0.85，尤其在早期AMD检测方面表现突出。

提出一种基于深度学习的方法，从单次OCT血管成像（OCTA）体积中恢复毛细血管解剖结构，显著提升图像质量，并首次关注三维血管架构。

Biomazon是一个20米分辨率的多模态基准数据集，覆盖亚马逊盆地，结合GEDI RH和AGBD目标与多传感器预测因子，用于联合预测整个GEDI RH剖面和地上生物量密度。该数据集提供了标准化的空间划分和评估协议，并建立了基线框架，通过消融研究评估不同backbone、模态贡献和辅助嵌入的效果。Biomazon旨在推动热带森林结构一致性和结构-生物量建模的研究。

本文提出RePHO方法，通过物理引导的重建框架从单目视频中恢复物理合理的人-物交互。该方法从运动学估计出发，利用强化学习策略在物理模拟器中优化交互，并采用自适应采样策略处理噪声估计，在两个基准测试上显著提升了物理合理性。

本文提出LightVesselNet，一种仅含75K参数的高效神经网络，用于资源受限环境下的视网膜血管分割。该网络采用紧凑的编码器-解码器架构，结合通道和空间注意力机制、瓶颈处的多尺度特征聚合模块以及解码器中的亚像素上采样策略。专用边缘残差连接在解码过程中保留精细血管细节。在DRIVE、STARE、CHASEDB1、FIVES和HRF五个公开数据集上的实验结果表明，其灵敏度分别为0.8189、0.8499、0.8640、0.8634、0.8096，Dice系数分别为0.8070、0.8072、0.8181、0.8649、0.7686。与最先进模型相比，LightVesselNet在效率（性能与参数或GFlops之比）上有所提升。跨数据集评估证实了模型的泛化能力。总体而言，LightVesselNet是低资源临床环境和移动筛查工具的有力候选。

本文提出TopoPult-SSL，一种两阶段框架，用于跨设备睑板腺分割。第一阶段无需目标腺体掩膜，仅利用睑缘轮廓和临床元数据作为弱先验；第二阶段当目标腺体掩膜可用时，通过监督自蒸馏将互补的多教师知识压缩至单一学生模型。在MGD-1k到CAMG基准上，蒸馏模型Dice达0.716，超越UA-MT和集成教师，且仅需单次推理。无腺体掩膜变体精度0.694，显著优于SAM/MedSAM。

研究人员提出一种跨模型安全引导框架，通过轻量级对齐，将源大语言模型的安全方向转移到目标图像/视频生成器，无需目标端不安全数据。该方法在降低攻击成功率的同时，保持了生成质量，并与原生方向效果相当。

该研究提出了个人相机胶卷视觉问答（VQA）设置，构建了包含50名用户、31,476张图像和2,500个问答对的camroll数据集，并设计了配备分层记忆和高效导航工具的camroll-agent对话AI代理。实验表明，该代理在长上下文理解方面优于多种基线方法，突显了个人视觉记忆需要不同于标准文本记忆的新方法。

一种名为NIV的新方法通过神经网络预测每个点的位移，自动将静态字体转换为可变字体，实现沿设计轴（如粗细和宽度）的连续变化。该模型能泛化到未见过的风格和复杂字形（包括CJK汉字），并输出标准的可变字体文件。

研究人员推出了VideoKR，这是首个专门用于增强知识和推理密集型视频理解的大规模训练语料库，包含31.5万个视频推理示例和14.5万个新收集的CC许可专家领域视频。他们开发了人在回路、面向技能的示例生成管道，并策划了新的专家注释基准VideoKR-Eval。实验表明，在标准SFT→GRPO流程下，基于VideoKR后训练的模型在知识密集型视频推理上优于以往方法，同时在通用视频推理上保持竞争力。

本文提出LANTERN，一种轻量级记忆层，通过零LLM调用和低延迟的混合检索，在对话历史压缩后恢复关键细节。实验表明，LANTERN在恢复丢失事实方面优于MemGPT，并且将通用LLM的准确率平均提高8.4个百分点。

本文提出了一种名为多粒度推理网络（MGRN）的新方法，用于自然语言推理（NLI）任务。该方法通过显式利用层次化语义特征，模拟人类从词汇匹配到逻辑推理的认知过程，从而捕捉复杂的语义关系。实验表明，MGRN在多个公开基准上优于强基线模型。

本研究提出一个通用框架，结合模型无关的Shapley值归因和大语言模型（LLM）生成的推理，为基于量规的自动评分提供句子级别的可解释性。在CLASS框架的反馈质量维度上，使用NCTE语料库评估，发现微调预训练语言模型（PLM）在预测准确性上优于LLM，但存在向中等分数的标签压缩。基于删除的测试表明，SHAP能更可靠地识别驱动模型预测的句子，产生更大且更一致的预测偏移，而LLM推理影响有限且不一致。跨模型分析显示SHAP归因在不同架构间稳健转移。总体而言，SHAP为基于量规的评分提供了更忠实和可转移的解释，该框架为高风险教育环境中的评分模型评估提供了原则性基础。

现有的多模态安全基准仅关注视觉输入，无法评估处理视觉、音频和文本的全模态大语言模型（Omni LLMs）。本文提出MCBench，包含1196个场景，涵盖四个安全类别，每个不安全场景配有一个最小差异的安全版本来评估模型敏感性。评估表明，Omni LLMs在细微或非物理风险上表现困难，但当有显著视觉或听觉线索时表现较好。推理轨迹分析显示，模型虽能提取模态特定信息，但常无法有效整合这些线索进行安全判断。研究发现当前Omni LLMs在安全关键场景中缺乏稳健的跨模态推理，强调了改进架构和训练策略的必要性。

该论文系统研究了使用低秩适应（LoRA）对Qwen2.5-3B进行参数高效微调，以构建电信客服领域的专用对话助手。研究引入了组合式合成数据生成方法，评估了16种LoRA配置，揭示了定量验证损失与定性人工对齐排名之间的差异，并提供了能耗-性能权衡分析。

本文研究通用三重潜在序列模型，该模型通过维护运行中的令牌状态和压缩的配对记忆路径来捕获高阶令牌交互，无需特定基准解析。三重潜在族在字节级WikiText-2和基于分词器的MiniMind语言模型基准上改进了小型Transformer基线，而专注于回忆的门控键值检索扩展提高了联想回忆能力，但对种子敏感且当前参考实现速度较慢。

本研究提出了一种采用组相对策略优化（GRPO）结合方差感知奖励框架的方法，用于后训练大型语言模型（LLMs）以提升其在心脏相关医学问答中的表现。该方法将传统的二元标准聚合和整体Likert评分替换为连续分析奖励函数，从而提供更丰富的优化信号。在HealthBench的心脏子集上，最佳变体相对于Qwen3-14B基础模型将准确率从0.362提升至0.502，F1从0.532提升至0.668，性能与GPT-OSS-120B相当。

本研究提出一种结合JEPA潜在空间预测损失与标准掩码语言建模（MLM）的混合预训练目标，旨在改进语言表示。实验表明，该混合编码器生成的嵌入更均匀、语义-词汇平衡更优，但下游准确率与纯MLM基线相似。

研究团队提出了一个双层SIR/SIRS框架来模拟AI生态系统中模型与数据语料库之间的合成数据交叉污染，发现合成文本检测和群体免疫是关键干预策略。

DiffSlack提出一种可微投影层，通过可学习的松弛变量将不等式约束转化为等式，从而在神经网络中高效实施非线性不等式约束。该方法在具有200个非线性约束的车辆路径规划任务中，相比基线方法实现了更高的规划成功率和更强的几何约束满足能力，并在CARLA仿真和真实车辆实验中验证了其轨迹的可执行性。