糖尿病足溃疡(DFU)分割的深度学习模型在域内数据上常报告高准确率，但跨临床来源的泛化能力尚未充分评估。本研究在严格的无泄漏协议下比较了U-Net、DeepLabV3+和SegFormer-B2三种架构，发现基于Transformer的SegFormer-B2在外部数据集上泛化最佳，而模型复杂性并不保证更好的泛化性。

在自动驾驶场景中，稀疏视角神经重建面临挑战。本文提出使用Depth Anything V2作为单目深度先验，通过光度掩码选择性监督，提升Splatfacto模型的重建质量，PSNR从14.903提升至15.932，RMSE从0.542降至0.100，并表明增益来源于选择可靠的低误差区域。

该研究使用可解释的机器学习方法，从QSM和fMRI特征预测帕金森病运动严重程度，最佳模型解释了45.4%的变异，75%的预测误差在5分以内。

视频多模态大语言模型在全局语义理解上取得进展，但在局部时空感知上仍存在不足。本文提出DELTAVID框架，将跨视频找不同转化为可训练的感知信号，并配套构建DELTAVID-10K数据集和DELTAVID-Bench基准。实验表明，该方法不仅显著提升跨视频差异理解能力，还将学到的局部证据推理迁移到多个通用视频理解基准中，推动模型从粗粒度语义理解走向细粒度时空证据推理。

VulcanVoxel是一种通过3D占用场掩码自编码器学习空间可供性的方法，用于机器人在杂乱织物箱中为刀片插入腾出空间。该方法在10,000个真实仓库存储片段上训练，无需人工标注，Top-5覆盖率达到0.89，优于基于姿态的基线（0.71）。蒸馏后的学生模型可在30毫秒内完成RGB到体素的推理。

跨语言检索增强生成（RAG）常面临英语证据导致的语言漂移和不可靠证据使用问题。本文提出TR-RAG，一种教师正则化强化学习方案，结合奖励优化和学生路径上的在线蒸馏，并引入奖励分解，在多个基准上显著提升语言一致性和证据正确性。

大语言模型在CBT理论考试中表现优异（准确率高达96%），但在实际对话中的应用效果不佳。新提出的协议杠杆力（F）指标显示，即使采用多链思维提示，对模型行为的影响也极小（低于1.5%），模型仍偏向于验证与反思。

本文提出PraMem方法，通过预先实践长历史序列构建经验记忆，以解决大语言模型在长期行为预测中的潜在模式归纳和认知偏差问题。实验表明该方法优于先前方法。

提出一种多模态框架，同时提高自动语音识别（ASR）和方言识别（DID）性能。在八种印度语言的33个方言上，DID准确率达81.63%，词错误率17.73%。

大型语言模型作为半开放文本游戏环境中的自主裁判时，容易受到一种被称为“修辞注入”的新型攻击。攻击者利用伪逻辑推理和权威强制等叙事技巧，绕过裁决规则。研究者提出了基于桌游机制的CoC-Seduce基准，通过三个前沿模型生成5376个对抗样本，测试了20个目标裁判。结果显示，模型规模和推理机制并不能可靠地保证裁决鲁棒性，且跨文化设定揭示了系统性的知识差距。

Gemma 4 是 Gemma 系列的新一代开源多模态语言模型，采用密集和混合专家架构，参数规模从 2.3B 到 31B。该模型集成了改进的视觉和音频编码器，其中 12B 模型采用统一的无编码器架构，可直接处理原始音频和图像块。此外，Gemma 4 引入了思考模式，能在响应前生成推理轨迹，并在推理速度、内存和计算效率以及长上下文能力方面有所提升。在 STEM、多模态和长上下文基准测试中表现优异，可与更大的前沿开放模型相媲美。

一种新方法利用文本到语音（TTS）技术为低资源语言卢森堡语生成口语问答（SQA）训练数据。通过翻译现有文本问答对、合成语音，并使用参数高效的模型（冻结Whisper编码器和LoRA适配器）进行训练，该方法优于单一TTS源。多源TTS数据和语音设计提高了性能，且无参考TTS质量分数不能可靠预测问答准确率。

研究人员提出了一种基于可验证奖励的强化学习（RLVR）方法，用于将音频语言模型适应代码切换语音识别。仅使用10%的数据，RLVR在Qwen2-Audio上跨越10个语言对达到了全数据集监督微调的性能，且增益零样本迁移到人类录音的代码切换语料库。

本文提出一个多语言多模态框架，融合XLM-RoBERTa、CLIP、多头注意力机制以及讽刺和地理空间元数据，在包含138,256条孟加拉语和英语样本的数据集上达到98%的测试准确率，用于早期检测虚假新闻和暴力倾向。

本文提出了一种新方法（FCPA），通过频率校正的生成器-验证器一致性训练，显著提升大语言模型的一致性和性能。

该研究探讨了训练人工智能在低风险场景下表现出的风险规避行为是否能够泛化到极高风险场景，作为应对AI对齐失败的一种安全措施。作者引入了RiskAverseOOD基准测试，并初步实验表明，通过多种方法（如SFT、DPO、激活引导）训练的Qwen3-8B模型，在高风险下选择安全“合作”选项的比例从基线2%提升至70%（SFT和tie训练）、52%（DPO）和39%（激活引导）。风险规避行为跨越98个数量级部分泛化，但一致性仍不足以作为可靠的安全机制。

高性能电动汽车动力系统的热行为预测因内部温度难以观测及从实验室到赛道的领域偏移而极具挑战。本文应用共形预测，结合加权集成批量预测区间（EnbPI），以改善协变量偏移下的覆盖性能。该方法在真实电池数据上将覆盖率从70.13%恢复至72.42%，并在F1遥测数据上作为无监督诊断进行测试。

LiNO是一种基于第二代小波提升方案的多分辨率神经算子，能够从数据中学习多尺度分解，并分别在粗尺度和方向细节系数上演化，实现尺度感知的物理建模。在达西流、泊松方程、艾伦-卡恩方程、可压缩纳维-斯托克斯方程和格雷-斯科特反应扩散系统等基准测试中，LiNO表现出优于现有神经算子的性能。

本研究开发了一种粒度感知的脑电图（EEG）特征管道，将多尺度描述符组织为整体、区域和通道级别，并利用健康大脑网络（HBN）队列预测四种精神病理学维度。结果显示，基于树的模型和粒度平衡特征选择在特定条件下相较于传统方法有所改进，但效应量适中。可视化揭示了维度特异性的空间和频谱模式，与现有神经生理学知识大致一致。跨数据集检查表明该选择原则在协议变化下技术可行。

一种新的生成器无关方法，通过将类别分为同质和异质子集，从固定池中选择最具信息量的合成图像，以最多减少40%的样本量提升下游任务性能。

该论文将联邦学习应用于无人机网络中的目标检测，使无人机能够在保持原始航拍图像本地化和隐私的同时，协同训练共享模型。使用Sherpa.ai联邦学习平台和KIIT-MiTA数据集，作者将联邦学习与单无人机和集中式基线进行了比较。其最佳轻量级模型（YOLO26 nano）在[email protected]和[email protected]:0.95上相对于单无人机训练分别提升了52.89%和67.80%，同时性能接近集中式训练。结果表明，联邦学习能够在分布式无人机机群中实现可扩展、高性能且保护隐私的目标检测。

GRAFT是一种针对文本到语音神经编解码语言模型的逐词发音调节机制。它通过从短语音样本中提取参考发音，结合语音转换技术，允许使用任意声音的提示来控制目标单词的发音，同时保持目标说话人的音色。在英语盲听测试中，GRAFT在难词发音上显著优于其他系统，并在五种语言的客观基准测试中将目标词音素错误率降低了22-39%。

QuantFlow是一种结合倒序嵌入、双向Mamba状态空间解码器、分位数回归和联邦学习的概率预测框架。实验表明，它在多个数据集上取得优异性能，并在非独立同分布联邦场景下保持准确率，同时揭示了在非规则流行病信号和长期泛化方面的局限性。

该研究提出了一种双数据集基准评估框架，用于公平评估时间序列基础模型（TSFMs）在电力价格预测中的表现。研究发现，TSFMs在零样本预测中表现强劲，但严重依赖于协变量支持，且不一定超越专用领域方法。有趣的是，TSFMs与领域特定方法的简单集成显示出显著潜力，表明两种方法捕获了互补的预测信息。

本文指出，基于扰动的构造有效性审计本身存在脆弱性，其结论可能被读者看不到的实现细节悄然操控。作者命名了五种管道失败模式（F1-F5），并通过在两个模型和五个安全基准上的自我审计进行了演示。在一个统一的六点尽职调查门控下，所有单元均未达到确认标准。该门控被定位为用于保证级证据的扣留与披露协议，补充而非替代经典的构造有效性证据。

该论文提出了一种基于滑动窗口的强化学习（SWRL）框架，用于解决具有复杂配套约束的柔性装配流水车间调度问题。该方法将问题建模为异构图马尔可夫决策过程，并集成了滑动窗口过滤、时空图编码和动态动作映射模块。在家电制造企业的真实数据实验中，SWRL相比经典调度规则和现有深度强化学习方法，显著降低了延迟，并在不同资源配置下展现出鲁棒性。

VERITAS 是一个领域无关的复制框架，基于 CLI 编码代理，能自动提取论文声明、运行方法并判断结果，返回重要性加权的复制分数和修复日志。在涵盖计算机科学、社会科学、医学和天体物理学的 65 篇论文评估中，VERITAS 在 CORE-Bench 和 ReplicationBench 上均达到最优性能。

大型语言模型（LLM）在安全性和有用性之间面临挑战。传统的拒绝式对齐策略会拒绝敏感查询，但可能无法满足用户合理需求。Oyster-II提出基于强化学习（RL）的建设性安全对齐框架，采用Zero-RL范式和多阶段RL策略，解决了Oyster-I中监督微调（SFT）方案的安全泛化不足和安全思维链过度泛化问题。在多个基准测试中，Oyster-II在安全维度上全面超越Qwen3-14B和Oyster-I，性能堪比Qwen3-Max和Qwen3.5-397B。

新基准测试MedCalc-Pro评估了大语言模型在复杂医学计算中的表现，涵盖多计算器、嵌套比例和模糊查询。作者还提出了一个通用代理框架，在三种任务设定中均优于现有模型。

大型语言模型代理可以通过积累经验来改进，但自由形式的文本记忆难以维护、验证和重用。本文提出以对象为中心的环境建模（OCM），将经验组织成可执行的对象中心环境模型。OCM维护两个相连的代码库：对象知识（用Python类定义环境实体和机制）和过程知识（记录可重用的交互模式）。实验表明，OCM在基准测试中取得最佳平均排名，并减少了无效动作。