研究人员提出了一种双阶段框架，用于基于LLM的对话机器人，在语音开始前生成上下文感知的前置响应，减少响应延迟。现场实验显示不同填充类型之间存在时间权衡。

一篇被ICRA 2026接收的论文提出了一种新的缩放定律，揭示了在机器人装配等封闭世界任务中，达到固定成功率所需的演示数量随目标精度接近极限而超指数增长，且该极限精度是包含传感器和专家策略在内的整个智能体系统的涌现属性，可通过改进系统组件来降低。

研究人员提出世界认知模型（WCM），一种基于SLAK架构的人本具身智能体，通过异步运行时分离感知、推理、控制与记忆，并引入人类在环教学模式，使机器人能够通过交互学习复杂任务。在九项真实世界人机交互任务中，WCM实现了73.8%的平均成功率，包括未参与思维链微调的任务和通过教学学习的长时域任务。

一篇新论文提出了一个端到端、完全由AMD加速的具身操作技术栈，展示了VLA策略的训练与部署并不依赖被CUDA锁定的生态。该栈统一了数据中心训练芯片、Radeon PRO仿真与渲染GPU及Ryzen AI边缘计算，并由开放的ROCm软件栈连接，包含四项渐进式演示，这些演示都在RDNA4与RDNA3.5硬件上原生运行。

一种新算法利用手部姿态数据减少柔性触觉手套中的力感测误差，在多种设计和用户中将最小可检测力提高最多18.3%。

研究人员提出一种回放约束仿真框架，在MuJoCo中重现假肢膝-踝动力学，同时回放个体行走数据中的髋部运动学与地面反作用力，从而绕开对人体神经肌肉控制的建模。结合深度强化学习策略，该框架能同时个性化两个关节的相位相关刚度、阻尼和平衡角。三名大腿截肢者的实验显示仿真与硬件预测效度很高（Pearson r=0.96–0.997），学习到的控制器将仿生奖励提升42–59%。

本文介绍了为 ICMI 2026 的 CC-MMD 挑战赛开发的 GeoMVC 系统，该系统通过几何交互层和多视图共识策略，提升多模态网络迷因中厌女内容的检测性能，在马拉雅拉姆语和中文分区分别获得第二名和第三名。

StepX-Edge是一款仅有0.9B参数的端侧UI视觉语言模型，通过架构、训练和部署的三层协同设计，在OCR、屏幕理解、视觉问答和元素定位等任务上实现了高精度与高效率的平衡。其创新包括UI感知分层视觉编码（ULVE）、渐进维度投影连接器（PDP）、五阶段课程学习框架以及模块化两阶段量化方案。在多个基准测试中，StepX-Edge超越了同尺寸模型，甚至媲美2B参数级别的模型。量化后可在骁龙8 Gen5设备上稳定运行，首令牌延迟约0.84秒，解码速度98 tok/s，峰值内存1.4GB。代码和模型将开源。

提出LowAux-RDNet，在RDNet基础上引入训练专用的低通反射辅助目标（LowAux），通过低频约束增强对多样化反射分布的平衡性能。结合RRW场景平衡的真实对，提升跨数据集泛化能力。在统一基准测试中，五数据集宏平均PSNR达27.546 dB，SSIM、NCC、LMSE均达到最优。

EditCLEVR是一个新的基准测试，用于评估对象中心学习中的组合忠实性。它通过配对场景干预（已知属性更改或无更改）来测试模型在语义编辑下是否正确改变对象表示。该基准引入场景图干预准确率（SGIA）和Delta-SGIA指标，分别要求完整后场景预测正确和仅检测单一变化模式。基线评估表明，即使使用真实掩码，组合分布外性能下降依然存在，仅凭局部性或稳定性可能会高估语义忠实性。

该论文提出Delta-InvFormer，一种基于差分Transformer的骨干网络，用于分析EAST托卡马克可见光相机视频并预测光强二维分布。它利用时空差分自注意力抑制噪声，在真实实验数据上显著加速预测且保持竞争性重建精度，代码将开源。

研究人员构建了前列腺癌组织病理学谱数据集（PCa-HSD），并提出语言引导的分割辅助诊断Transformer（LSDT），利用零样本分割提供解剖先验并进行多模态切片融合，在344名患者的五折交叉验证中取得最佳平均准确率0.633和JointRecall 0.768。

本文介绍了多模态交互运动编码器（MIME），这是首个专为双人交互运动设计的多模态编码器。MIME通过基于流的共注意力机制、显式交互特征和基于课程的对比训练，捕捉个体与共享结构。在Inter-X文本-运动检索任务中，MIME显著优于基线方法，在2000样本库中文本到运动R@1相对提升12.8%。作为冻结的辅助先验，MIME在TIMotion和InterMask中提升了语义对齐指标，同时保持了相当的FID分数，表明交互感知的多模态编码能够提升多人运动检索并迁移至下游运动生成任务。

FogDrive 是一个基于 CARLA 模拟器构建的多模态自动驾驶数据集，包含 660 个场景（约 13.3 万帧），提供干净与三级雾天匹配变体，并同步采集相机、LiDAR 和雷达数据。该数据集通过物理一致的雾建模和高质量标注，为鲁棒多传感器融合与去雾检测流程提供基准。

MegaSlide-DiT 提出一种系统级方案，使预训练的 105B 参数视频扩散 Transformer 能在单张 H200 GPU 和 1.5 TB 主机内存上完成全参数适应。它通过将模型状态保留在主机内存、按需流式传输分片到 GPU，并用线性复杂度的 3D 可变形滑动注意力替代二次全局注意力，显著降低参数内存和激活内存压力。

该研究在KiTS23数据集上比较了三种聚合器对冻结DINOv3特征进行肾脏肿瘤和囊肿检测的效果，发现门控注意力MIL在肿瘤和囊肿检测中均取得最高AUROC，而原型头在囊肿检测上表现不佳，揭示了可解释性与性能之间的权衡。

本文提出一种简单的后端语言归一化方法，利用 Nuisance Attribute Projection (NAP) 在嵌入空间中投影掉语言子空间，结合自适应对称分数归一化，在 TidyVoice 2026 跨语言说话人验证挑战赛中将开发集 EER 从 2.70% 降至 2.18%，Codabench 评测得分达到 8.40。

研究人员提出了CHiPS，一种轻量级的字符级作者归属方法，专门针对罗马尼亚语文本。该方法结合了字符直方图分类器（CH-SVM）和位置信号分类器（FFT12-LR），无需分词、句法分析、预训练语言模型或Transformer微调。在封闭集实验中，CHiPS-F在400个文件数据集上达到0.9310的准确率，但作者强调其贡献不在于最佳分类性能，而在于研究在严格泄漏控制下，受限且透明的字符证据能达到何种程度。

PatiGonit22K是一个扩展的孟加拉语数学应用题数据集，包含22,441个问题，涵盖简单和多步骤方程，经过文化适配和验证，旨在推动低资源语言的数学推理和NLP研究。

研究人员提出LENS评估协议，测试机器遗忘算法能否抑制大语言模型对虚假叙事框架的复现，并引入SCE评分权衡抑制效果与输出质量；实验覆盖四个近12B多语言指令模型和两个来源叙事。

提出AutoThinkSQL框架，通过监督微调（SFT）和直接偏好优化（DPO）集成自动推理机制，使模型对简单查询绕过推理，对复杂查询使用深度思维链，在Spider和BIRD基准上取得一致提升，同时减少输出令牌和延迟。

本研究分析了不同类型审稿指南（如官方会议指南和基于高质量人类评审生成的模仿性指南）对自动同行评审的影响。实验表明，官方会议指南产生的评审结果与人类判断最为一致，而严格的评分规则会降低性能。

MioFFAn是一个开源的文档中心化框架，用于快速标注将科学文献中的数学表达式转换为可执行符号代码的数据，并集成了基于大语言模型的部分自动化能力。

机器翻译系统仍会产生性别偏见翻译，GAND数据集旨在通过自然语境下的性别模糊场景分析翻译中的性别处理，结合对比翻译和特征归因方法揭示影响性别翻译的关键源词。

DomainPilot 提出一种两阶段数据混合优化框架，通过领域级损失监控和定标定律引导，在不增加数据量或训练成本的情况下提升 LLM 微调性能。

一篇新论文提出无需重训练的数据估值流程，通过参考LLM的概率分布近似Shapley值，检测对齐数据集中的错误标签。在HelpSteer2上将人工审计搜索空间缩减99.1%，并在HH-RLHF评测集中发现数千条隐藏的安全与事实偏好反转，暴露出基准测试的严重漏洞。

提出一种整合深度学习与统计的框架，用于全网络基因-环境关联分析，以叶脉架构为表型。该框架利用EDTER模型从RGB图像提取叶脉网络，结合DiffusionEdge和BSDS500构建标注数据库，并通过SSCCA进行变量选择和关联建模。在杨树数据集中识别出三个显著的基因-地理交互作用。

该论文提出了一种名为分级大语言模型（GLLMs）的代数框架，通过为Transformer表示空间引入分级，并传播诱导的加权标量作用，在保持表达能力、计算复杂度和推理成本的同时，扩展了分级神经网络和分级Transformer到自回归语言模型。几何上，分级的好处由Kempf-Ness泛函表示，最优分级由两个矩映射的重合点给出，而普通Transformer作为边界上的半稳定各向同性点。此外，对于分层目标，证明了分级先验与无分级先验之间的极小极大分离。

该论文提出“可及性可塑性”这一自适应计算原则，主张系统不仅通过改变计算能力来适应，还可以通过重新组织现有计算之间的可交互性来适应，并在序列学习任务上验证了该思路能减少能力修改。

QFedPolyp 将量化感知训练与低精度模型通信结合，在联邦学习环境下实现隐私保护的息肉分割。实验表明，8 位量化通信可将传输成本降低约 4 倍，同时保持有竞争力的 Dice 分数，推理速度提升最高 1.5 倍。