EFLUX 是一个基于几何的 LLM 智能体框架，可自动实现多机器人编队的弹性导航。它利用 LLM 联合推理编队的形变与重构策略，并通过闭环生成-验证-修正流程转化为可执行的机器人路径点。仿真与硬件实验表明，该方法在受限环境中减少了死锁和导航失败，同时保持多机器人协调的一致性。

一项新研究探讨了无需训练的人工合成图像溯源方法中表示空间与参考选择之间的相互作用。通过分析CLIP和DINOv2不同层的表示，以及三种参考选择方法，发现中间层的表示在溯源准确率上表现最佳，且语义约束的参考能有效减少查询与参考之间的不匹配，提升溯源性能。

该研究系统评估了持续学习方法在多种异构医疗视觉问答任务中的表现，发现现有方法在任务交错时难以维持稳定性与可塑性的平衡。

arXiv 论文提出 SymbOmni，一个通过符号概念学习实现累积进化的智能体全能模型。其核心符号概念盒将低层操作抽象为可复用的符号工作流指令，采用归纳-转导循环和言语化反向传播进行训练，无需梯度微调。实验显示其在图像质量与任务成功率上超越现有智能体系统和闭源模型，token 消耗降低 40% 以上，并在在线学习基准上实现累积增益，刷新最好成绩。

MetaView 是一个基于扩散模型的单目新视角合成框架，通过结合隐式几何先验与度量深度，在大视角变化下实现几何一致性与精确相机控制，并已被 ECCV 2026 接收。

提出一种解剖学特权的师生框架，用于从T2加权MRI预测肝内胆管癌的周围神经侵犯（PNI）。训练时教师网络使用肿瘤和肝脏掩膜学习密集令牌路由，学生网络在固定预算下蒸馏保留信息令牌，推理时不需掩膜。在155名患者中，方法AUROC达0.750，计算量1.43 GFLOPs，每例8.02 ms。

SpikeDS是一种新型脉冲神经网络架构，通过结合激活稀疏性和空间稀疏性，高效地从3D MRI中预测胆管癌的神经侵犯，在139名患者的队列中实现了0.753的AUC，能耗仅14.4 mJ。

自监督学习在医学影像领域潜力巨大，但标注数据稀缺。本文提出COJEPA框架，结合联合嵌入预测架构和对比损失，在无标注的T1加权脑部MRI上训练，实现了优异的局部预测性和全局判别性。在零样本双胞胎检索、脑肿瘤分割和年龄回归任务中表现突出，尤其在同卵双胞胎识别和年龄预测误差方面达到最先进水平。

该论文提出一种利用视觉语言模型生成逐帧描述，通过视频间描述比较和视频内自相似性来检测异常帧的方法，以自动提取专家特定动作和情境决策场景。在模拟配电盘维护实验中，动作候选提取率达65%，决策场景候选提取率达61%，均优于传统方法。

本文提出GenDiff，一种可泛化的扩散框架，用于低剂量CT重建，能同时建模连续辐射剂量和解剖信息，在多种解剖部位和剂量水平上优于现有CNN和扩散方法。

TSCA-Net通过三个互补模块（时空团注意力、跨行人团势、自适应KAN网格细化）显著提升拥挤环境中的行人轨迹预测精度，在ETH/UCY和SDD基准上达到最先进性能。

提出两种混合持续学习方法（RA-EWC和CGKD），用于低资源澳大利亚原住民语言识别，有效缓解灾难性遗忘，在Warlpiri、Dalabon和Dharawal三种语言上表现优于现有基线。

该论文揭示语言模型区分角色信念与现实的计算机制：一个通用的价值槽绑定被归属的值，而查询位置的路由器选择读取信念框架还是现实框架。两种填充路径（直接断言与可见性门控回看）共享同一槽位，但分离依赖于一对解耦的路由子空间。

论文提出 MAGE 受控分析框架，研究迭代式提示优化各组件如何相互耦合，揭示“提示优化耦合效应”（POCE）：多种随机优化信号在闭环反思中相互作用时，会同时提升性能并放大方差。实验还表明失败驱动的反思不可或缺，且低数据量下精心设计的固定提示会胜过所有反思式优化器。

这项研究将LLaMA 3（8B）微调为RAG流程中的直接替代重排序器，在领域专用问答基准上全面超越传统交叉编码器，同时借助4位量化降低推理开销。

研究者提出 TAKE 框架，通过影响函数与训练轨迹卷积为样本打分，结合离散最优传输实现文本数据集蒸馏，在仅保留 0.1% 数据（每类 20 个样本）的极端压缩下仍保持下游分类与自然语言推理任务的准确率。论文已被 ECML-PKDD 2026 接收，代码开源。

一篇被UNLP 2026接收的arXiv论文提出了一个图基框架，结合弱监督与传播图分析，用于识别Telegram生态系统中语义相关的虚假信息叙事，并建模其在互联频道间的扩散。该方法能检测帖子级分析难以捕捉的协同叙事放大行为，为大规模即时通讯环境中的虚假信息传播提供了可扩展的检测手段。

一项针对韩语—盲文双向翻译的研究显示，即使是最先进的多语言、指令微调大语言模型，在盲文这类结构受限、关乎无障碍的关键模态上也表现糟糕且输出不稳定。相比之下，用相同数据对小型 T5-small 模型进行监督微调，可在多项标准指标上取得显著而稳定的提升。

本研究提出G-SHARE框架，将核电站人因事件诊断的CNNP九步准则转化为多阶段诊断流程，包括证据提取、逐步推理和一致性修复。在真实数据集上，G-SHARE显著优于一次性提示和传统机器学习方法，表明结构化推理和一致性约束对稳健诊断至关重要。

研究团队发布CANDI-QA数据集，用于评估大语言模型在医疗诊断、金融咨询等专业领域中提供准确、契合语境且与用户需求对齐的答案的能力，并通过MTSS-Net神经符号基线揭示现有模型在细分领域上下文对齐上的明显局限。

研究者通过训练高达40亿参数的解码器模型，在1万亿个按时间过滤的token上，构建了2013至2024年间的月度检查点，显著缩小了时点语言模型与无时序约束模型之间的性能差距，并开源了完整流水线。

该论文提出一个广义无分布半监督学习框架，通过分量风险的线性组合构造无偏风险估计器，涵盖并扩展了PNU学习，使其适用于多分类问题，同时从理论上证明了更低的方差与更好的泛化性能，并据此提出两种实用SSL方法。

该论文提出 BattVAE-GP 混合物理-概率学习框架，将 PyBaMM 中 DFN/P2D 电化学模型生成的循环级退化数据经变分自编码器（VAE）编码到二维潜空间，再用稀疏多任务高斯过程以循环数与 C-rate 为输入进行连续插值，从而在未见充电倍率下高效预测锂离子电池退化轨迹并给出不确定性估计。

最新研究对六种KV缓存压缩方法进行了匹配预算审计，发现查询可见性显著影响性能排名。在查询感知协议下，许多方法表现良好，但在更实用的查询不可知协议（压缩后复用）下，只有KeyDiff方法始终优于简单基线。SnapKV等常用方法甚至不如保留开头和最近窗口的简单策略。

CARE-LoRA提出一种数据感知的压缩激活重建框架，利用LoRA的低秩投影结构，用低秩压缩激活替代完整输入激活，并在前向传播中计算轻量重建矩阵，在反向传播中重建梯度信号，从而在保持LoRA矩阵完全可训练的同时显著降低微调内存占用，性能与标准LoRA及代表性变体相当或更优。

本文介绍了由Afonso S. Bandeira、Amit Singer和Thomas Strohmer合著的新书《数据科学的数学基础》，该书全面涵盖了高维诅咒与祝福、奇异值分解、线性回归、图论与聚类、非线性降维、随机投影、优化、分类、深度学习、图拉普拉斯、集中不等式、压缩感知等主题，为数据科学提供了坚实的数学基础。

该论文提出可行路径熵（VPE），将智能系统的能力定义为在有限反思预算下可达的已验证延续容量，并在GSM8K推理实验中验证了该度量：增加token预算能显著提升VPE，且镜像视界并非由参数数量决定。

本文提出一种量子高效框架，通过将对数编码的超向量表示与改进的Dürr-Høyer搜索相结合，将超维度计算（HDC）分解所需的量子比特数从O(D)降至O(log D)，同时保持O(√(N^F))的搜索复杂度，实验显示量子比特用量最多减少2000倍。

该论文发现，直接回归深度的单帧条纹投影轮廓测量网络会通过物体边界依赖形状先验捷径，而非利用条纹相位信息；作者提出 PhiCalNet，通过架构设计输出包裹相位并经固定可微标定层映射为深度，使物体平均绝对误差降低 3.3 倍，并用共形不确定性量化定位误差。

线性注意力模型通过固定大小的循环状态取代softmax注意力的KV缓存，但限制了精确状态跟踪和长上下文记忆。本文提出半直积傅里叶增量注意力（SFDA），一种相位控制的泛化方法，将实对角衰减替换为块旋转傅里叶控制。主要贡献是构造性块WY分解，实现了精确的仿射块传输、形式化稳定性和复杂度界限，以及相位加低秩记忆的紧凑表征。实验表明SFDA能学习循环记忆，而相位禁用的KDA基线接近随机。