优步将裁减其人事团队（包括人力资源和招聘）23%的职位，CEO达拉·科斯罗萨西表示这些变革是必要的。此举旨在简化运营，新总裁吉尔·哈泽贝克主导重组。裁减人数不到全体员工34,000人的1%，且并非由人工智能驱动。优步还对员工使用的代理型AI工具设置了月度支出上限。

恶意包通过binding.gyp和index.js在npm install时执行，下载Bun运行时，窃取凭证并注入GitHub Actions工作流。受影响包：ai-sdk-ollama版本0.13.1、1.1.1、2.2.1、3.8.5。

本文探讨了在AI技术日益普及的背景下，不使用AI的开源软件是否会被淘汰。文章分析了AI对开源生态的影响，并指出即使没有AI，许多开源项目仍有其独特价值。

英格兰资格及考试监督办公室（Ofqual）负责人伊恩·鲍克姆警告，新一代可穿戴设备如智能眼镜和隐形耳机可能加剧考试作弊，同时GCSE和A-level课程作业中的人工智能使用也受到审查。

科技记者乔安娜·斯特恩在2025年进行了一项实验：让人工智能接管她生活的方方面面，包括写书、编辑、家务、驾驶甚至恋爱。她将这段经历写成了新书《我不是机器人：我用AI做（几乎）所有事情的一年》，引发了关于AI能力边界和人类未来的深刻思考。

本文提出一种新方法，利用稀疏传感和力学模型估算假肢接受腔中的法向和剪切压力。通过全局力和局部载荷的验证，准静态弹簧-质量接触模型结合最小二乘参数识别，有效减少了测量偏移，为改进假肢适配提供了客观指标。

该论文介绍了DLO-Lab，一个专门为变形线性对象（如绳索、电缆和橡皮筋）操作设计的可微分模拟器。它能够模拟广泛材料属性，并提供了一套基准任务和专用智能体，以解决拓扑复杂性和抓取敏感性问题。实验评估了多种策略学习算法，并展示了模拟到现实的迁移潜力。

本文提出了一种风险感知模型预测控制（RA-MPC）框架，利用预测集在不依赖不确定性分布假设的情况下保证风险低于用户指定阈值。通过将共形风险控制扩展到一般谱风险度量，实现了分布自由的风险量化。在模拟车辆避障场景中，该框架相比基线RA-MPC提高了安全性并减少了求解时间。

本文提出Affordance2Action（A2A），一个以基准为中心的学习框架，用于场景级、任务条件的部件可交互性定位。其核心是A2A-Bench，一个面向操作的基准，涵盖日常场景中的单区域和多区域指令对应关系。通过A2A-AffordGen注释管线构建，实验表明A2A揭示了通用分割、VLM定位和可交互性蒸馏基线的显著差距，并改善了任务级定位，为下游操作提供了空间先验。

本文提出了一种分布式、风险感知的多智能体下一最佳视角(NBV)框架，每个机器人维护私有局部3D高斯泼溅地图，并利用共识ADMM算法，在通信图中仅交换候选视角、轨迹描述符和标量期望信息增益，从而在保证映射质量和轨迹安全的同时，将通信量降低数个数量级。

该研究对比了三种触觉引导模型（弹簧-阻尼、势场和引导管）在遥操作中的性能，发现没有普遍最优的模型：弹簧-阻尼在杂乱环境中表现最佳，势场在自由空间中效果出色但靠近障碍物时有风险，引导管则提供平衡的折中方案。研究提出了新的客观评估指标，并表明引导力大小与舒适度和信任度相关。

CLAW是一个完全端到端的自监督框架，通过对抗性潜在正则化和扩散视频生成，直接从无动作视频中学习连续潜在动作表示和世界模型，无需动作标签。它支持从观察中模仿学习和目标导向规划，在多种任务中表现出色。

AgenticDiffusion是一种多视角无人机导航框架，结合语言引导推理、开放词汇目标定位、基于视觉的扩散规划和非线性模型预测控制，在40次真实世界试验中实现了80%的任务成功率，轨迹生成成功率达100%。

研究提出空间伪影相干性（SAC）指标，用于衡量在视频压缩条件下，基于补丁的rPPG方法相比全局投影方法的优势。实验表明，SAC解释了93.8%的PCA优势方差，非MPEG-4编解码器（SAC 0.10-0.18）的PCA胜率高达84-90%，而MPEG-4（SAC 0.48-0.59）胜率仅为61%，且改进幅度减少5.8倍。P-Hybrid被确定为最鲁棒的算法，当SAC<0.30且运动量低至中等时，补丁PCA方法具有优势。该研究为临床远程监测中的编解码感知rPPG算法选择提供了物理基础。

研究者提出GroupToM-Bench，这是首个针对群体级心理理论的多模态基准测试。现有模型在个体心理理论上表现不错，但在理解群体行为非线性涌现方面存在显著不足。该基准涵盖从微观信念-欲望-意图状态到群体张力和结构约束，再到宏观结果预测的因果链条，并设计了七级认知审计框架。实验显示，当前模型与人类基线之间仍有较大差距。

本文介绍了一种名为Orli（有序回归线条）的端到端模型，将文本行检测和阅读顺序排序统一为图像到序列的问题。Orli在196,691页混合语料库上训练，涵盖十种书写系统，在不使用数据集特定训练的情况下，在cBAD线条检测上略超先前最先进水平，在多个阅读顺序基准上零样本达到近乎完美的覆盖和排序，并能通过少量微调适应专业领域布局。代码和模型权重已开源。

Pinpoint是一种新的图像地理定位方法，通过结合互联网照片和街景图像，利用检索-重排序架构实现高精度定位。它训练对比学习嵌入器统一来自Flickr和街景的图像-GPS空间，再用注意力机制重排序候选位置。无需多模态大模型，在多个基准上达到最先进水平。

本文提出一种专门针对单图像反射分离任务微调的扩散模型，通过联合生成透射层和反射层，并引入跨层自注意力机制和不相交采样策略，在强光或弱反射等极端条件下显著优于现有方法。

本文介绍了一个名为EVID-Bench的新基准，用于检测基于搜索的视频虚假信息。该基准包含222个视频，涵盖9种操纵类型，分为三大类：AI生成、单源编辑和多源编辑。研究发现，即使最好的多模态模型在点级准确率上也仅达61.43%，视频级准确率为43.24%，其中AI生成的操纵最具挑战性。

本文提出一种新的最优传输流匹配方法，通过将先验视为设计选择而非固定输入，避免了高维最优传输耦合的计算难题。作者发现自然图像的低频投影可作为先验，与数据形成最优传输恒等耦合，从而将流匹配任务简化为合成高频细节。该方法无需修改流模型本身，即可与潜在空间模型、无分类器引导和单步生成框架自然集成。在多个基准测试中，轨迹曲率降低超过2倍，少步生成质量显著提升。

本文提出一种名为IN2R的新框架，通过从离散选择转向合成连续软原型来纠正跨模态检索中的噪声对应问题，利用模态内数据的几何稳定性进行图推理，在多个数据集上达到最优性能。

本文提出SASA方法，一种漂移鲁棒的弱监督增量学习语义分割方法。通过可学习令牌的语义锚点保持长期语义身份，结合弹性残差适应实现实例级微调，并开发空间标签仲裁机制直接过滤不可靠信号，强制执行“一个对象，一个类别”约束。实验表明，SASA在多个标准基准上优于现有方法，尤其在多步增量设置中表现突出。

机器人和导航等具身视觉语言决策任务中，视觉语言模型（VLM）和视觉语言动作模型（VLA）分别擅长长期规划和反应控制，但都受限于视觉幻觉问题。本文提出SceneDiver，一种从粗到细的焦点计划生成方法，通过构建场景图并逐步分解任务，有效减少幻觉。同时设计轻量级适配器将焦点能力蒸馏至VLA，在保持计算效率的同时显著提升性能。论文已被ICML 2026接收。

MM-BizRAG 是一种新的多模态检索增强生成方法，专为企业级问答设计。它通过文档结构感知的分割和方向特定处理管道，显式提取和表示复杂企业文档的结构，无需微调即可生成更丰富、更准确的答案。在大型企业数据集和两个公开基准上，MM-BizRAG 的性能比最先进的视觉基线高出高达 32%，尤其是在报告式布局上。此外，还提出了 FastRAGEval，一种成本更低且与人类对齐更强的 LLM 评估指标。该论文已被 ACL 2026 行业轨道接收。

本研究探讨了在不同提示策略下，利用可解释的语言特征（词法多样性、可读性和情感特征）检测AI生成假新闻的跨提示泛化能力。通过随机森林分类器在三种不同提示生成的AI文章和真实新闻数据集上进行测试，所有六种训练-测试组合的AUC值均达0.988至1.000，表明基于特征的检测方法对提示变化具有稳健性。

本文介绍了ACAT，一个基于网络的协作标注工具，原生支持四种ABS工作流，并提供自动ETL管道直接计算标注者间一致性指标。在1002条餐厅评论上的初步验证显示，中位标注时间为31.58秒，标注者间一致性达0.78-0.86。

一项大规模实证研究分析了284个可解释语言特征在27个LLM和10个文本领域中的鲁棒性，发现仅基于语言特征的分类器能可靠区分AI生成与人类文本，但多数特征依赖上下文，而词汇丰富度是跨模型和领域的稳健信号。

这项研究将拒绝引导方法扩展到混合专家（MoE）大型语言模型，发现引导性能不受MoE复杂路由模式的影响。作者提出了两种专家感知的拒绝引导方法，利用拒绝特定的专家路由模式和专家特定的引导方向来抑制正常拒绝行为。结果显示，基于单个专家的输出即可有效引导拒绝行为，且拒绝信号与专家路由行为不同，表明注意力在MoE拒绝行为中起重要作用。

一项大规模研究表明，在生物医学问答中，检索增强生成（RAG）带来的提升很小且不稳定，通常仅为1-2个百分点。骨干模型的选择比检索器或语料库的选择影响更大，专家和普通检索来源表现相似。

SALIMORY是一个新框架，通过训练单一语言模型管理结构化认知记忆（包括用户事实、偏好和工作记忆），解决了对话代理长期记忆难题。它引入分层阶段过程奖励和奖励分解对比细化，端到端监督选择性过滤、整合和线索驱动回忆等操作。该方法将记忆相关故障减少三分之一，端到端准确率提升超10%，良好个性化率翻倍。