本文发现 JEPA 训练中通常被丢弃的预测器实际上是一个从可见区域特征到遮挡区域特征的可迁移算子。通过在特征空间之间进行线性投影，冻结的 I-JEPA 和 V-JEPA 2 预测器可以嫁接到 CLIP、DINOv3、DINOv2 和 MAE 等非 JEPA 编码器上，无需重新训练。实验表明，在重度遮挡下，这种移植能显著恢复因遮挡而损失的分类精度，然而在低遮挡率下线性桥接的代价会超过收益。

本文提出ForensicNet，一种轻量级深度学习框架，用于法医环境中的自动人脸识别。该模型结合MobileNetV2主干与CBAM注意力模块，采用两阶段迁移学习，在LFW和SCFace数据集上达到92.4%准确率，每推理仅需2.1 GFLOPs，适合实时法医监控。

本研究提出科学可行性控制（SFC）框架，一种图结构共形预测方法，为科学推理的有效性提供统计保证。SFC将科学推理分解为原子单元，通过渐进式绝对一致事实性验证，在检测到违反科学原则时动态分支到替代生成路径。实验表明，SFC在PhyX等多模态科学推理基准上达到50.1%的准确率，超过DeepSeek-R1和GPT-4，同时将科学定律违反减少73%，并提供91.7%的科学有效性保证。

本研究通过机制可解释性方法，分析Llama-3模型在符号算术、自然语言应用题和Python代码三种形式下的算术计算机制，发现一组紧凑的共享神经元在三种形式中均被激活，且跨格式失败源于激活状态而非不同电路，表明LLM的算术计算在神经元层面具有形式不变性。

本文提出了 SpecLA，一种针对有状态线性注意力模型的推测解码运行时。它通过拓扑感知内核验证链和树，存储验证过程中产生的紧凑因子以恢复接受状态，并使用置信剪枝和目标对齐的EAGLE风格草案生成器提供有用候选。在NVIDIA H100上使用公共GDN-1.3B目标，SpecLA实现了比自回归解码高达1.70倍的端到端加速。

OpenLanguageModel (OLM) 是一个开源的 PyTorch 库，用于构建和预训练小型语言模型，同时保持其内部机制可见。模型代码直接反映架构，组件如 Block、Residual、Repeat 和 Parallel 描述连接方式。OLM 集成了分词器、数据集、优化、混合精度、回调、检查点以及硬件感知的执行，支持从教学笔记本到完整预训练的无缝迁移。该库包含 9 个常见模型家族的 27 个预设，并提供从基础到架构研究的文档。验证显示与独立参考实现高度一致，348M 参数模型在四 GPU 上弱扩展效率达 90.6%，且早期可用性反馈积极。OLM 采用 MIT 许可证，可通过 PyPI、GitHub 和文档站点获取。

现有长期LLM代理的记忆系统往往将先前轨迹作为被动上下文检索，而非转化为可执行能力。本文提出MSCE框架，一种无需训练的记忆-技能协同进化框架，将代理经验组织为基础步骤轨迹、可重用过程策略和声明性环境认知。MSCE将具有正估计增益的证据支持的L2策略结晶为可调用技能，并引入反射加权值回填。实验表明MSCE显著优于现有方法。

NOWJ 团队在 COLIEE 2026 全部五项任务中提出了一系列自适应流水线，涵盖法律案件检索、案件蕴涵、成文法检索与蕴涵、法律文本蕴涵以及法律判决预测。

一项新研究利用脑电图（EEG）记录，比较语言模型与人类在阅读时预测下一个词的行为，发现只有surprisal（意外度）指标可能与语言处理相关的脑电成分相关，尤其对语义丰富的实词而言；研究结果对“扩大模型规模就能更接近人类语言处理”的假设提出了挑战。

一项新研究通过简单问题（洗车应步行还是开车）揭示了语言模型常先决定答案再推理以证明其合理性，而非从前提推导。实验表明Qwen3-8B模型在多数情况下错误承诺步行，即使开车是唯一合理选择。研究者通过激活层次分析发现，模型在输出答案前已显示出向步行倾斜的迹象，即便最终回答开车。该发现提示现有模型存在推理前的决策偏差。

该论文提出RIMS，一个面向小规模语言模型检索增强生成（RAG）的三阶段偏好优化框架，通过平滑软聚合替代硬性单对选择，并利用目标小模型自身生成合成思维链偏好数据，在四个多跳问答基准上于噪声检索条件下稳定提升Exact Match与F1。

论文提出MCF-MOE框架，通过融合跨层语义聚合和局部token交互构建上下文感知表示，解决专家混合模型中因上下文不完整导致的路由不一致问题，在语言建模和理解基准上提升了路由一致性和下游性能。

HantaWatch 是一个联邦学习框架，让实验室和监测站点能够在不共享原始数据的情况下协同训练基于序列的模型，以支持汉坦病毒基因组监测。该框架集成了 k-mer 特征提取、源感知客户端构建、自适应 DU-FedProx 优化、监测专用模型选择和仅预测分诊，可将模型输出转化为风险评分、置信度估计、不确定性标志和排序的专家审查优先级。

该论文提出一种令牌级跨模态Transformer，通过结构化的令牌交换和对比多任务学习，联合优化乳腺癌亚型分类与生存预测，以克服现有方法在细粒度跨模态交互和联合正则化方面的不足。

研究人员提出“从权重到文字”（weights to words）方法，能从选择数据中自动发现以自然语言描述的偏好维度，并允许用户实时检查和编辑模型的偏好推断，从而缓解高维选择数据中的归因不确定性和模型不透明问题。

一项新研究介绍了OrthoGrad，一种对梯度更新进行几何干预的方法，它移除权重梯度的径向分量。在噪声标签图像分类实验中，OrthoGrad在小数据场景下提高了测试准确率，但并不能阻止最终对噪声标签的记忆。该方法可作为研究学习动态的有用诊断工具。

该论文提出 RouteCost，一个多阶段电商预售运费估算框架，将问题分解为时间感知需求预测、费率卡基线定价、残差修正与箱件合并推断，并以路线加权期望汇总到商品级。在超过 25 万订单、260 个商品和 18 个月历史数据上，该方法提升了预测质量与汇总校准，同时保留路线级可解释性。

本文提出了一种基于算子感知的混合精度容差校准方法，通过挖掘累积的云GPU运行数据，自动确定张量核正确性测试的最佳绝对容差，相比手工选择的容差更严格，并显著提高了错误检测召回率。

这篇综述从安全、鲁棒性与可验证遗忘的角度考察大语言模型遗忘学习，重点是已主导该领域的基于梯度的方法，并追问这些方法究竟是真正删除了知识，还是仅抑制了模型在常规提示下的表达。

本文介绍ARGO智能眼镜平台，采用STM32N6微控制器及NPU实现设备端机器学习，部署优化YOLOv11模型实时识别城市障碍物，兼顾舒适性、算力与能效，并保护隐私。

研究人员提出DocOCR-Eval，一种无需人工标注的OCR评估框架，通过三阶段纠正与排序策略，在缺乏真实标签的场景下自动选择最佳文档解析工具，实验表明聚合多个多模态大模型可逐步提升与人工标注排序的一致性。

该论文提出RL-NSGA-II-GRC方法，将强化学习智能体与灰色关联系数选择集成到NSGA-II中，在基准测试上提升收敛性，并在纳斯达克投资组合优化中生成平滑有效的帕累托前沿，识别出年化夏普比率1.92的最大夏普组合。

论文提出W2SPO方法，利用弱辅助模型向目标模型轨迹中注入仅约8个token的短片段，以突破强化学习可验证奖励范式中的支持受限瓶颈，在4B规模数学模型推理任务上超越GRPO基线，训练速度提升3.55倍。

该论文提出将文本世界建模形式化为可操控的转移动力学问题，并使用掩码扩散语言模型（MDLM）替代自回归模型。通过双向锚点感知去噪，MDLM在连贯性、接地性和 rollout 多样性上优于参数量4倍以上的LLM，并在三个分布外环境中实现最高47%的绝对提升。

本文提出生成式本体归纳（GOI）框架，能够从文档示例中自动归纳出领域无关的本体蓝图，并导出为类型化图结构。作者还引入了节点覆盖率评分作为新的评估指标，在四个对比本体上的实验表明GOI提示生成覆盖了95-100%的结构骨架，显著优于通用模板。

研究者提出 agrepl，这是一个基于MITM代理的CLI框架，用于确定性重放AI智能体执行轨迹。在五类负载、共250次重放实验里，它实现重放保真度F=1.0，并将单步延迟中位数降低98.3%。

一项新研究提出PlanFlip框架，包含四种针对多智能体LLM系统规划阶段的提示注入攻击。研究发现，更强的模型（如GPT-5）反而更易受攻击，同质化骨干网络存在相关智能体盲点，而推理增强型模型（如DeepSeek-R1）能抵御攻击。提出的两种防御方法检测率高达1.00。

本文系统综述了基于图神经网络（GNN）的链接预测方法，从新颖的GNN视角提出分类法，涵盖GCN、GAE、GAT和GFormer等编码器架构，并讨论在知识图谱和推荐系统中的应用，最后分析了当前挑战与未来方向。

一项跨领域研究提出将情境风险信念与分类决策解耦的框架，在空间导航、临床分诊和金融分配任务中测试了六个代表性大语言模型和100名人类参与者。结果显示，多数被测模型在任务内保持一致的风险映射，在不同领域间保持风险姿态的相对排序稳定，并且相比人类基线整体收敛到更窄的风险态度分布。

研究团队开发了一个开源MATLAB框架，用于在软互动伴侣中识别情感触摸。他们发布了包含1326个标注手势序列的数据集，并发现一个仅13.2k参数的紧凑扩张一维CNN在测试中达到75%准确率，留一受试者交叉验证平均准确率达85%。量化部署每窗口需3.2 MMAC，可在目标微控制器上以20 Hz实时运行，并提出了启发式过滤与CNN分类相结合的混合推理流程。