AI生成视频（AIGV）通常包含帧间不一致导致的细微时间伪影。然而，使用标准全局读出层的视频骨干网络在AIGV检测中往往不如强图像预训练探测器。本文提出Velocity Gated Patch Velocity Profiling（V-PVP），一种轻量级读出模块，仅替换聚合层，增加约0.5M可训练参数，在AIGVDBench上达到95.28 AUC，且骨干网络完全冻结。

一项对比研究在三个数据集（FER-2013、CK+ 和 KDEF）上评估了 HOG+SVM、LBP+逻辑回归以及轻量级 CNN 用于面部表情识别的效果，发现 CNN 整体表现最佳，HOG 在受控环境下表现强劲，而 LBP 在所有数据集上都表现不佳。

研究者提出前瞻性假设发现（PHD）任务，并推出包含988个案例的HypoArena基准，用于评估大语言模型在结论未知时构建可验证假设空间的能力。对15个前沿模型的实验显示出明显的性能分层，且结构化分析技能对不同模型效果不一。

本文提出BIRD，一种两阶段自我推理蒸馏方法，通过先采样简洁解并进行提示切换SFT，然后应用在线逆KL蒸馏，显著提升了大语言模型在长链推理中的效率。在Qwen3-8B上，MATH-500准确率从86.2%提升至92.0%，同时响应长度从3099降至1115 tokens。

本文提出 AdaLook，一种用于掩码扩散语言模型的自适应前瞻解码框架。它根据候选分数方差动态决定是否继续展开，并在中间状态需要时进行分支扩展，从而在准确性与解码步数之间取得更好的权衡。

本研究挑战传统将交互对象检测视为多分类任务的做法，提出交互对象是连续现象，通过多人语料库和潜在变量模型构建连续层级，发现注视与反馈行为与之相关，且连续模型预测效果优于离散标签。

arXiv 论文提出 PATR 框架，利用过程反馈为多轮智能体强化学习构建树状展开，在相同训练预算下更高效地探索，并在 SWE-Bench 和 FrozenLake 上分别提升最高 5.0 和 9.3 个点。

SkillCorpus从约82.1万个候选技能中筛选出超过9.6万个开源LLM Agent技能，采用16类分类法和三个质量维度进行组织。结合检索与选择堆栈，它在多个基准测试中取得了持续改进，其中在SkillsBench上提升最大，达7.5个百分点。

arXiv 新论文提出 EpiNarrate 智能体框架，将结构化数值推理与自然语言生成分离，从大型流行病集合预测数据中生成事实可靠、覆盖全面的公共卫生叙事，并在 COVID-19 情景建模中心数据上验证了效果。

一项新研究提出雅可比透镜技术，发现大语言模型中存在类似人类意识访问的“J空间”，该空间承载可报告、可调控的少量概念，并在对齐审计中揭示模型未说出的战略意图。

一项新研究提出将电子健康记录中所有模态的数据统一转换为自然语言序列，并端到端微调预训练语言模型，无需针对特定任务设计融合架构。在院内死亡率、移植失败预测和急诊分诊三个临床任务上，该方法匹配或超越了专门的多模态基线，并在移植失败预测上优于临床部署的梯度提升模型。

LLM4EHR是一种新型临床基础模型，结合领域适配的大语言模型和Transformer时间序列编码器，通过正则化对比目标对齐EHR事件与时间序列，在ICU预测任务上表现优异，并支持通过k-shot迁移到新群体。

一项基于2019年和2021年MEPS数据的arXiv预印本研究，用加权描述分析、可解释逻辑回归以及随机森林和梯度提升模型，考察疫情前后美国人的医疗自付负担，发现贫困状况、保险覆盖和处方药支出是关键预测因素，且疫情前的模型对疫情后数据仍有较好的预测力。

本文提出随机重置路径寻找（SRP）问题，一种在已知有向图上进行情节学习的框架，其中边的成功概率未知且固定。SRP模拟了量子中继网络中的纠缠分发、闪电网络中的支付路由等场景。作者证明了全局重置结构使得最优策略为开环策略，属于组合级联赌博机（CCB）范畴。他们提出了Log-Dijkstra元算法，并实例化了基于UCB的PathUCB和基于汤普森采样的PathTS。主要理论成果是PathUCB的路径级遗憾界，通过每条路径的复杂度C(π)将遗憾分解到次优路径上。实验表明PathTS通常表现最佳，但存在对抗实例导致其不收敛。推荐PathTS作为实用默认算法，但需警惕对抗实例。

这篇论文对比了标准线性二分类模型与单量子比特混合态模型的内在可解释性，指出后者本质上等价于“椭球版”线性分类，即学习的是超椭球而非超平面，并讨论了二者几何归纳偏置与特征重要性归纳偏置的差异。

本文提出qZACH-ViT，一种量化感知的紧凑型医学图像分类器，结合零令牌、无位置ZACH-ViT骨干网络和递归内在补丁级类别证据。同时引入递归归因稳定优化（RASO），通过归一化匹配分类和归因梯度并移除冲突成分，提高模型可解释性。在7个MedMNIST数据集上的实验表明，混合精度INT8 qZACH-ViT在指标上超越FP32基线，模型缩小70%，CPU速度提升1.41–2.39倍，预测一致性达99.975%。RASO显著降低充分性误差并增强输入噪声稳定性。

佐治亚理工学院的一篇硕士论文系统比较了GPT-4 Turbo、Claude 3 Opus、Gemini 1.5 Pro、Llama 3 70B和FinGPT在K线形态识别、交易信号生成、模拟回测和财报理解四项任务上的表现。模拟回测显示GPT-4 Turbo在通用模型中年化收益和夏普比率最高，FinGPT凭借领域微调在风险调整后表现上具有竞争力，两者在测试条件下均跑赢标普500被动基准，但所有模型都存在数值幻觉、上下文窗口限制和横盘行情下表现不稳定等共性缺陷。

该论文分析了随机多梯度下降（SMG）中冲突规避（CA）方向的连续性，证明其仅为1/2-Hölder连续，从而限制了收敛速度；提出正则性感知的MoRe方法，在子问题正则时利用Lipschitz连续性，否则切换为固定标量化权重，将收敛率从Õ(T^{-1/4})提升至Õ(T^{-1/2})，并保持逐迭代冲突规避保证。

研究人员提出一种基于伯努利朴素贝叶斯和卡方引导二值化的可解释分类框架，在三个医疗数据集上取得具有竞争力的AUC，并展示了无需软件即可手工复现推断的临床决策规则。

该论文指出，将概率缩放范式应用于通用量子电路合成是一个方向性错误。量子电路要求严格遵守数学约束，存在显著的语法-语义差距。由于有效电路设计子集随量子比特数量呈指数衰减，事后过滤在数学上难以处理。作者提出从以人为中心的副驾驶转向以验证器为中心的智能体，并将层次约束、拓扑掩码和符号代理直接集成到生成过程中。

本文深入分析了用 Hadamard 变换替代 DFT 进行循环卷积时产生的代数误差，揭示了该误差具有精确的抵消位置、近似满秩的误差算子，以及可由单一对齐标量预测的期望行为，并指出在一般情况下误差会使输出能量渐进翻倍。

该论文基于OECD数据集，对旨在落实可信AI（TAI）的工具和信任标记框架进行了批判性分析，揭示了伦理关注点、生命周期覆盖和利益相关者参与方面的显著不对称，并提出了弥合原则与实践鸿沟的建议。

该论文提出一种三阶段事后转换方法，将训练好的深度强化学习策略改写为可读、可运行、可编辑的Prolog逻辑程序，并给出四项理论保证及连续观测场景下的可行性与下界分析，同时在离散与连续控制任务上进行了实验验证。

互联网模因融合了视觉、文本和文化背景，使得幽默、讽刺与恶意共存的情况难以解读。现有多模态分类器要么忽略这些相互依赖关系，要么可解释性有限。本文提出MAR-12框架，利用视觉语言模型（VLM）从12个结构化视角解读模因，通过角色感知软门控注意力机制学习各视角贡献，再基于原型分类器进行预测，并综合视角推理和注意力权重生成解释。在PrideMM和Memotion数据集上，幽默检测准确率达80.3%，仇恨检测达75.9%，优于现有方法，且生成的解释连贯可信。

一项arXiv研究通过四个嵌套的Codex智能体变体，系统归因了可执行世界模型、计划简化和精确重放验证在ARC-AGI-3基准上的贡献。结果表明，更强的模型和更高的推理努力是最稳健的提升因素，而各组件的效果因设置而异；完整验证变体在所有设置中排名第一但资源消耗大，后续模型gpt-5.6-sol使验证变体在公开游戏上饱和。

DrawingVQA 是首个专为评估多模态大语言模型（MLLM）在真实施工图纸上表现而设计的基准。它包含33张“签发施工”图纸和92个专家策划的问答对，涵盖感知理解、上下文解释和领域专家推理三个深度。通过双分类框架，该基准首次将工程工作流映射到AI推理能力，评估显示最先进的MLLM与专家性能之间仍存在显著差距，尤其是在高推理深度上。

一项在4,181道Omni-MATH题目上的研究发现，虽然规划器-执行器-评审员（PER）流水线中的评审员比广播式同行讨论更精确（0.861对0.644），但其评审意见更少被采纳，最终准确率反而更低。这表明评审员检测质量与批评采纳在实证上可以分离。

AnovaX是一个完全在用户计算机上运行的本地优先桌面语音助手，利用单个Python进程集成唤醒词门控、语音处理、基于Gemini的LLM规划器（输出JSON计划）、安全层、多智能体协调器（将计划转化为类型化子智能体）以及自适应恢复循环。每个工具对应专门的智能体类，具有超时、重试策略和共享资源锁。通过Flask服务器支持手机远程控制，实时镜像智能体事件并流式传输屏幕。项目旨在展示一个轻量级、可读的助手足以完成复杂桌面任务。

actAVA AI 发布 Cura 1T，一个通过人类把关的自演化循环训练的医疗专用大语言模型，覆盖患者咨询、临床推理、交互式诊断与电子健康记录工具使用等任务，并在医疗评测中位居前沿基线前列。

该论文提出Causal-Audit框架，将无上下文干预式问答中的因果推理形式化为显式因果图上的结构化推理，通过目标感知图构建与路径级因果证据聚合提升鲁棒性与可审计性，并在三个基准上优于现有LLM方法，论文已被ACL 2026接收。