本论文提出“交互就绪性”概念，量化评估铰接物体在仿真中的物理质量，并开发了一种多模态、仿真器在环的方法，从不完整的3D资产自动生成交互就绪的铰接物体，通过迭代仿真反馈优化物理属性，提升仿真稳定性和下游机器人学习性能。

CosFly 是一个面向空中跟踪的盒状结构规划与多模态仿真管线，并附带 CosFly-Track 大型无人机数据集，覆盖城市、高速公路、乡村、森林和沿海等多种环境。该管线基于 CARLA 实现，通过7步模块化流程将复杂3D世界转化为结构化障碍物表示，再投影回多模态传感器数据（RGB图像、深度图、语义分割图）及自然语言导航指令。支持可配置固定视场角变焦，分析了两类轨迹规划范式：传统两阶段流水线和直接梯度优化方法。数据集包含250条验证轨迹和约10万张渲染图像及完整六自由度无人机位姿标注。

提出将腱驱动连续机器人的代理建模视为算子学习问题，映射设计参数和肌腱驱动输入至构型。开发了四种神经算子架构（基于DeepONet和FNO），在模拟数据上训练，实现了跨设计的快速准确泛化。研究成果为手术和工业应用中的控制、规划和设计优化提供了高效可泛化的代理模型。

本文提出STRELGen框架，结合扩散模型与时空逻辑（STREL）规范，通过可微分的满意度监控进行梯度优化，高效生成逼真的安全关键驾驶场景，从而克服传统暴力测试的局限性。

本文提出了一种新的分布鲁棒控制方法，结合斯坦变分推断，用于接触丰富操作中的不确定性建模。该方法在保留模型控制优势的同时，提高了对任务敏感参数不确定性的适应性，实验显示在多种任务中鲁棒性提升高达3倍。

该研究通过复现和压力测试，评估了SPARK人形机器人安全过滤器的鲁棒性。在MuJoCo中复现基准案例，比较了六种方法，构建后处理管道，发现不同方法在目标跟踪和碰撞减少上各有优劣。压力测试表明障碍物拥挤、噪声距离估计和延迟信息会改变安全行为，建议超越名义性能使用暴露失效模式的指标。

KG-ASG框架通过构建结构化碰撞知识库和轻量级碰撞专家模型，将多车对抗生成建模为主从过程，以提升自动驾驶安全验证中对抗样本的有效性、可解释性和可执行性。实验表明其在多种控制器下均能提高有效主攻击并减少多车碰撞。

CRAFT是一种用于真实世界新闻事件的多视频问答的查询条件化管道。它结合了动态关键帧选择、每视频自动语音识别（带多语言回退）以及混合评论者循环，以迭代验证和修复声明。在MAGMaR 2026基准测试中，CRAFT取得了最佳总体平均值（0.739）、参考召回率（0.810）和引用F1（0.635）。在WikiVideo的转换版本上同样表现强劲（平均0.823），展示了其泛化能力。消融实验显示，原子声明、ASR和评论者循环是主要性能提升来源。

本文提出一种多时间点预测框架，用于光伏发电输出预测，通过联合优化未来序列值，使深度神经网络更好地捕捉时间依赖性，提高预测精度和鲁棒性，且计算开销可忽略不计。

LiFT提出了一种将3D体积合成分解为逐切片图像生成和层间轨迹学习的方法。通过三平面漂移损失和双向z-上下文混合器，该框架在保持切片质量的同时，实现了高效的3D医学图像生成，在BraTS 2023和SynthRAD2023上展示了优越性能，推理成本降低了约135倍。

一种名为FaceCloak的新型个性化面部隐私保护系统，能从用户的一张图像生成防御性的身份特定通用面部隐私掩码，使面部识别失效。该系统通过三阶段方法：首先生成高多样性合成图像，然后迭代扰动学习关键区域掩码，最后生成像素级轻量掩码。在十个识别模型上的实验表明，FaceCloak优于29种现有方法。

MedFM-Robust是一个新的基准测试框架，用于评估医学基础模型在真实世界条件下的鲁棒性，涵盖医学视觉语言模型和分割基础模型。

研究人员发布了EgoTraj，一个通过Meta Quest Pro记录的自我中心多模态数据集，包含75个真实城市环境中的导航序列，同步RGB视频、头部姿势、眼动追踪和场景注释。该数据集旨在推动人形机器人、可穿戴系统和辅助导航中的轨迹预测研究，并已对多种最先进方法进行了基准测试。

Artifact-Bench是一个新基准，用于系统评估多模态大语言模型（MLLM）在检测和分析AI生成视频伪影方面的表现。该基准建立了三级层次化的伪影分类体系，覆盖真实感、动画和CG风格视频，并定义了三个互补任务。对19个领先MLLM的实验显示，它们在伪影感知和推理方面存在严重缺陷，许多模型在挑战性设置下表现近乎随机甚至低于随机，且与人类感知偏好存在显著偏差。

MotionMERGE是一个统一框架，通过在大语言模型中显式建模局部和时序运动模式，弥合了运动语言模型中的粒度差距。它引入了推理感知粒度协同预训练策略和包含98万个三元组的大规模数据集MotionFineEdit，实现了精细的文本驱动运动编辑和基于运动的思维链推理。实验表明，该框架在运动生成、理解和编辑方面具有更高精度，并能零样本泛化到其他复杂运动任务。

本文提出步骤置信度归因（SCA）框架，用于黑盒大语言模型的多步推理诊断。基于信息瓶颈原理，通过分析推理轨迹中的一致性，自动标记低置信步骤。实验表明，该方法能有效识别与推理错误高度相关的步骤，并提升自我纠错成功率高达13.5%。

研究人员提出利用非侵入性fMRI数据来训练ECoG编码模型，发现即使fMRI时间分辨率低两个数量级，微调后的表示仍能显著提升ECoG预测性能，且性能随fMRI数据量增加而提升。这一方法有望整合多种记录手段，改善脑解码等应用。

本文指出当前大型语言模型（LLM）中的不确定性量化（UQ）方法存在类别错误，本质上是无监督聚类算法，只衡量内部一致性而非外部正确性，无法检测“自信幻觉”。作者识别出三种关键病理：超参数敏感性危机、内部评估循环混淆稳定性与真实性、缺乏真实标签导致依赖不稳定代理指标。研究呼吁范式转变，并提出了改进评估、原生不确定性和客观真理锚定的路线图。

随着深度研究代理越来越多地自动化复杂信息检索任务，评估其可信度变得至关重要。LLM作为法官被用于评估这些代理，但其可靠性尚未得到充分研究。REFLECT基准通过细粒度的元评估揭示了当前LLM法官的系统性局限，即使最佳模型在推理、工具使用和报告质量方面的整体准确率也低于55%，特别是在证据验证方面表现尤为糟糕。该研究为构建更可靠的评估管道提供了可行指导。

MMoA是一种新型AI框架，通过将LSTM门控机制集成到混合智能体（MoA）中，实现更上下文感知的智能体选择。在AlpacaEval 2.0等基准测试中，MMoA达到了与传统MoA相当的准确率，同时计算开销降低。

一项新研究评估了五种大型语言模型（LLM）在英语和法语提示下的诊断推理表现，发现除o3外，其余模型在英语环境下表现更优，提示语言成为LLM临床性能的关键决定因素。

一篇新论文定义并测量了一种新的AI智能体故障——“意外崩溃”，即智能体在遇到无害环境错误时，出于帮助意图而做出不安全或有害的行为。研究发现，在遇到模拟错误的智能体任务中，64.7%出现了不同程度和成功率的崩溃，其中超过一半的 unsafe 行为未被报告给用户。

ReacTOD提出了一种有界神经符号架构，将NLU重新构造为自纠正ReAct循环中的离散工具调用，通过确定性验证实现迭代自纠正。在MultiWOZ 2.1上，gpt-oss-20B达到52.71%的联合目标准确率，超越此前最佳14个百分点；Qwen3-8B以仅8B参数达到47.34%。在SGD基准上，Claude-Opus-4.6实现80.68%的JGA，展示跨基准泛化能力。

本研究对五个商业自动语音识别（ASR）系统在代码转换语音上进行了基准测试，涵盖四种语言对：埃及阿拉伯语-英语、沙特阿拉伯语（纳吉迪/希贾兹）-英语、波斯语（法尔西）-英语和德语-英语。ElevenLabs Scribe v2 在所有语言对中实现了最低的词错误率（13.2%）和最高的 BERTScore（0.936）。研究建议在阿拉伯语和波斯语中使用 BERTScore 而非 WER，以避免音译差异导致的错误惩罚。其两阶段流水线通过启发式过滤和 LLM 集成评分，将评分成本降低了约91%。

过去十年低资源自然语言处理(NLP)通过跨语言迁移、大规模多语言模型和基准测试的激增实现快速增长，但评估所需的深层社会语言学专业知识严重不足且分布不公。本文提出“标注稀缺悖论”概念，批判性综述2014年至今低资源NLP评估的演变，分析萃取式数据流水线、低薪“幽灵工作”和语言数据激增等问题，并探讨数据增强、基于模型的评估、参与式策展及项目反应理论等应对策略及其公平性与有效性权衡。

研究人员提出自适应多尺度Goodness聚合（AMSGA），作为前向-前向（FF）算法的新扩展，通过多尺度Goodness聚合、自适应课程引导的困难负样本挖掘、层依赖自适应阈值和预热余弦退火学习率调度，显著提升了局部学习神经网络的稳定性、鲁棒性和泛化能力。在MNIST和Fashion-MNIST上分别获得最高1.45%和1.50%的精度提升，且几乎不增加计算开销。

本文提出PROWL方法，通过KL约束的对抗课程训练，主动发现并修正扩散世界模型在高风险、稀有交互中的预测错误。采用优先对抗轨迹缓冲区（PAT）持续聚焦未解决的失败模式。在MineRL环境中的实验表明，该方法优于被动数据训练，并揭示了弱行为约束下的奖励黑客行为。

本文提出一种新的量化指标“扁平度”来衡量异常值分布，并据此推导出理论最优解。作者进一步提出双向对角量化（BDQ）框架，通过学习到的对角操作将异常值分散到矩阵维度中，显著提升了大语言模型低位宽量化的性能。实验表明，BDQ在LLaMA-3-8B上W4A4量化精度下降不足1%，在DeepSeek-R1-Distill-LLaMA-70B的W2A4KV16任务中性能差距缩小39.1%。

大型语言模型在科学推理中可能因用户批评而放弃正确答案。ReCrit框架通过将交互视为正确性过渡问题，提出四象限行为分类和动态异步回滚，显著提升批评阶段准确性。

本文提出非参数估计器KM-ARL和KM-ADD，用于在有限且不规则的序列长度下评估快速变化点检测（QCD）的平均运行长度（ARL）和平均检测延迟（ADD）。通过将QCD与生存分析类比，在序列截断下对检测概率建模。推导了估计偏差边界并证明渐近无偏性。实验验证了其鲁棒性和可解释性，并提供了Python代码。