本文提出ConFlow框架，将约束信息直接融入流匹配训练目标，通过可微的障碍或成本函数以及条件高斯过程，提高机器人运动生成中的约束满足和轨迹质量。实验表明在双机器人导航任务中，ConFlow相比标准流匹配基线实现了更低的碰撞率和更高的轨迹质量。

本文探讨了利用功能性近红外光谱（fNIRS）采集的脑信号来调节模拟环境中的机器人强化学习。研究比较了被动观察与主动示范两种交互任务，并测试了在强化学习算法中增强而非替换参数以融合神经信号的方法，重点考察了轨迹优先级和状态-动作Q值的增强效果。结果表明，该框架在离线数据上也能成功学习，为实时脑机接口不切实际或数据有限的场景提供了一种实用替代方案。

该论文提出GCA-Bench，一个针对复杂抓取场景的基准测试，涵盖场景级推理和语义约束，评估现有大型模型在需要多步推理的抓取任务上的表现。实验显示，基线方法在复杂场景下成功率低于70%，突显当前方法的局限性。

DiMaS是一种专为流匹配视觉-语言-动作（VLA）模型设计的分布匹配引导策略，通过在表示分布之间进行传输而非沿固定方向移动，实现了对机器人操作行为的细粒度控制。该方法在两种最先进的VLA上验证了有效性，并分析了行为控制的可迁移性。研究表明，经典线性引导在视觉运动任务中失效，因为行为特征线性可解码但不可线性引导。

该论文研究机器人群体的群体感应问题，指出匿名通信虽可扩展，却因同一发送者的消息被重复计数而产生偏置。作者提出受k-优先级采样启发的随机过滤协议ANTk，并与基线ANT及其随机化变体ANT进行比较，评估估计稳定性与收敛速度之间的取舍。

MEMORA提出了具身动作记忆（EAM），使机器人能够利用第一人称视频中的持久记忆进行长期规划。它包含四种类型的记忆存储、在线编辑和离线整合功能。在45小时的EPIC-KITCHENS-100数据集评估中，MEMORA在记忆测试中准确率提升20.5个百分点，规划分数相对提升16.6%。

本文介绍LIFT——一种为预训练视觉-语言-动作（VLA）策略注入反应式力觉反馈的后训练框架。它通过在原有动作专家旁嫁接一个从预训练动作权重初始化的反应式动作专家，并引入因果力记忆和零初始化交叉注意力，使策略在执行中能根据近期6D末端力反馈实时刷新动作。同时结合在线DAgger循环，利用离线任务对齐数据和人工纠正的在线轨迹混合训练，以应对接触反馈带来的策略相关分布偏移。在毛巾折叠、书本插入和汉诺塔环放置任务上，LIFT学习更快、性能更高，消融实验表明反应式力记忆和在线纠正数据对鲁棒接触丰富操作均不可或缺。

Open-AoE 是一个开放的、面向社区的自我中心操作数据集与工具链，覆盖从智能手机采集到模型训练的完整流程。首个版本包含约 2,000 小时由 500 多名贡献者用 400 多部智能手机在自然环境中采集的操作视频，并提供文本标注、基于 MANO 的手部姿态、相机轨迹和时间定位的原子动作。该工作还包含数据处理流水线和下游工具链，支持可视化、跨具身重定向、模型特定数据转换以及 VLA 策略、WAM 和世界模型的训练配方，旨在降低数据贡献与复用的门槛。

本文提出一种多模态语义音频驱动的人形机器人控制框架，能实时解析音乐与语音输入，并自主选择模仿学习技能库中的动作策略，在Unitree G1人形机器人上实现了鲁棒的仿真到现实迁移。

该论文提出一种自适应控制方法，用于具有位置控制执行器和不确定非线性刚度的柔性关节机器人。方法通过在线估计每个关节的扭矩-偏转关系，并采用隐式控制律和依赖控制输入的回归矩阵，增强了对电机位置控制器误差的鲁棒性，实验验证了其有效性。

MixCompress 提出一种基于稀疏结构专门化的统一可变码率图像压缩框架，通过稀疏门控专家混合（MoE）与深度混合（MoD）动态扩展容量，并结合条件辅助变换（CAT）调制子带能量，在匹配甚至超越单独优化的单码率基线的同时，建立了计算高效图像编码的新帕累托前沿。该工作已被 ECCV 2026 接收。

SD-MAR是一个用于训练和评估视觉语言模型（VLM）在多图像分析推理任务上的框架。它通过受控扰动构建成对视觉场景，并生成涉及语义变化归因和定量比较的推理任务。采用GRPO-lite与后向折扣分配（BDA）的强化学习方法，去除KL正则化以增强策略优化。在Qwen2.5-VL-7B和InternVL3-8B上的实验表明，域内准确率提升高达36.95%，且Qwen2.5-VL-7B在SD-MAR基准上超越GPT-4.1。域外泛化性能保持或提升，在MME、MMMU-Pro、MathVista上波动在1%以内，在MMBench上提升达4%。

本文提出DCVC-Mamba（DCVC-MB），一种用于B帧编码的神经视频编解码器框架。该框架采用IBP帧策略进行低延迟B帧编码，基于状态空间模型的时空融合模型进行双向时间预测，以及熵感知跳过机制选择性跳过某些潜在编码以缩短熵编码时间。此外，还实现了两种推理时策略以增强压缩性能。实验表明，DCVC-MB在平均BD-rate上相比 prior 神经视频编解码器降低高达8.98%，相比VTM-19.0-LDP和VTM-19.0-RA（Inter-GoP=16）基准分别改善达30.45%和1.81%，推动了神经视频压缩的进步。

针对增材制造XCT图像缺陷分割的挑战，提出XCT-SAM框架，通过序列参数高效域自适应，利用Conv-LoRA适配器逐步缩小域差距，在CycleGAN-XCT基准和真实NIST扫描上优于基线方法。

MonteRET是一个区域感知的检索增强框架，用于生成胸部CT发现部分。它整合全局和区域级特征，利用预测的医学状况和区域级视觉语言对齐检索知识，并通过知识引导的重写智能体完善报告。在RadGenome-ChestCT和外部队列上，它提高了报告质量、语义相似度和临床效果，尤其在召回率上增益明显。

该论文发布了面向赛车场景的3D车道检测数据集，包含超过25万张来自多路摄像头与惯性测量的图像，并提出可接近300Hz运行的检测方法，通过里程计预积分与多摄像头集成将F1提升约3个百分点，并将近车横向平均绝对误差降低超过30%。

本文探究视觉基础模型是否构建了反映三维欧氏空间内在属性的表征。与传统方法通过回归深度或法线来探测三维意识不同，作者从拓扑和几何角度评估视觉特征空间结构与欧氏变换群SE(3)之间的关系。提出了相互邻域度量和庞加莱适配器两种探针。实验表明，自监督视觉模型在没有直接三维监督或主动代理的情况下，其潜在子空间与三维欧氏空间高度相关。基于此，提出了“潜在空间导航”技术，可在潜在空间中直接进行视觉里程计和定位，无需显式三维重建。

本文提出SIRUS，一种无需训练的推理时框架，用于文本到视频（T2V）模型中的概念级遗忘。SIRUS通过定位与目标概念相关的提示证据并在采样过程中抑制其表达，无需更新文本编码器或去噪网络。同时，引入面向视频的评估框架，分别测量目标遗忘、非目标保持、视频质量、越狱鲁棒性和效率。在CogVideoX上，SIRUS在五个安全、物体和风格概念上平均遗忘成功率达70.4%，帧命中率25.7%，优于VideoEraser的44.4%和47.2%，并将VBench质量平均下降从-0.043降至-0.016。在Wan2.2上的迁移实验表明SIRUS可泛化至现代T2V骨干网络。

多参考音频视频生成（MR2AV）要求模型基于多个参考和文本指令生成同步音视频内容。现有基准主要关注文本驱动生成或单参考保留，缺乏对该任务的评估。本文提出MultiRef-Compass，一个包含350个精心构建样本的统一基准，涵盖多视角主体保留、多实体绑定和人-物-场景组合。它定义了一个四维评估协议（基础质量、参考一致性、音视频一致性、指令遵循），包含14个子指标，并集成了自动指标与重审增强的多模态大模型评判框架。在八个代表性MR2AV系统上的实验揭示了各维度的显著改进空间。

本文提出了一种新的量化指标——工具效率，用于评估LLM智能体轨迹中有用工具调用的比率。为了精确定义工具效率，作者还引入了边际工具效用，该指标判断每次工具调用的有用性，以及能否在不影响准确性的情况下从工具套件中移除，从而提高效率。研究使用LLM作为裁判来确定轨迹中每次工具调用的边际工具效用符号。这项工作直接量化效率，为未来基准设计和精简工具套件优化提供基础。

Polestar是一种无需训练的推理框架，通过利用令牌表示漂移来解决扩散大语言模型中KV缓存重用和解码并行性的挑战。它包含Polestar-Cache（用于稀疏缓存刷新）和Polestar-Commit（用于识别可提交令牌），在数学和编程基准测试上实现了高达10.73%的精度提升和3.7倍的吞吐量提升。

本文提出Token时间连续扩散（TTCD），一种在连续空间中运行的扩散语言模型，通过确定性映射将高斯噪声转换为最终token画布，无需额外采样，并引入逐token时间概念，使部分token更快从噪声过渡到token。连续空间建模帮助TTCD避免多token并行采样，这是纯离散空间迭代模型在高速加速时的主要不准确来源。逐token时间概念有助于更好地建模条件生成，允许更确定的token更快推进，并在细化过程中实现区分化的token间影响。TTCD在高速加速下优于离散模型。研究者在OpenWebText上训练了一个160M参数的TTCD模型并进行自蒸馏；发现在高速加速下，无条件生成质量与几个类似规模、同数据训练并自蒸馏的现有模型相当，条件生成则更优。在数独求解上也取得类似增益。

arXiv论文AGOPS提出自动生成任务专属提示指南的方法：利用带参考答案的示例演化出指南，帮助用户写出更明确的提示词。实验显示提示不明确可使下游任务性能下降最高95.3%，而遵循AGOPS指南可平均挽回15.5%至81.7%的性能损失。

本文提出一种教育系统架构，将UzWordnet和乌兹别克语拼写词典与生成式AI结合，设计四款游戏帮助学习乌兹别克语，同时通过游戏动态反哺词汇资源的改进。

新研究表明，大型语言模型代理在通过文本通信时会丢失信息。使用稀疏自动编码器特征分析，研究者发现潜在空间通信虽然在某些压缩率下保留更多信息，但丢失的特征主要编码表面形式而非任务相关语义，从而对潜在通信的优势提出质疑。

该论文提出 UniSAGE 框架，用全局属性图与两个正交参数子空间统一建模静态属性和动态记录，并通过轻量级超结构机制实现任务特定的跨属性交互，在多个公开基准和真实金融行为数据集上取得超过 10% 的性能提升。

本文提出一种基于采样的方法LBA，用于在低查询预算下生成高质量文本对抗样本。该方法结合先验和后验知识构建近似分布，通过采样逐步更新分布，从而高效搜索对抗样本。实验表明，LBA在六个语言模型和四个数据集上显著优于现有基线，且生成的对抗文本语义保持更好、更易理解。

由 Wajahath Mohammed 提交的 arXiv 论文首次将基于前群语法（pregroup grammar）的量子组合式自然语言处理（QNLP）应用于阿拉伯语，把句子转换成拓扑结构映射语法关系的量子电路，并围绕词序、形态时态与动词词义消歧开展三组受控实验，与 AraVec、AraBERT 等经典基线进行比较。

研究人员提出“持续追问”（JKP）多轮评估框架，通过三种策略对视觉语言模型进行最多10轮追问，发现重复提示往往破坏模型稳定性而非提升推理，且不同模型表现出截然不同的压力响应特征。

该研究分析了闭环知识系统（如大型语言模型、强化学习）为何在重复内部反馈下趋于饱和，并提出了一个三层次操作框架，通过结构干预实现逃逸。使用李雅普诺夫漂移条件刻画稳定性，并通过干预引起的吸引子位移和KL下界表征逃逸。案例研究包括LLM代码修复、稀疏奖励强化学习和贝叶斯优化。