研究人员提出SWIFT，这是一个统一框架，将小世界网络与交通流理论相结合，用于自动驾驶中的轨迹预测。它通过小世界交互网络和流状态编码器引入结构归纳偏置，在nuScenes、MoCAD和NGSIM数据集上优于基线，并展现出更好的泛化能力和鲁棒性。

一种新的可微物理框架用于重复使用运载火箭的鲁棒轨迹优化，提出了可微粒子管控制(DPTC)方案，集成了执行器饱和约束。蒙特卡洛模拟表明，通过主动进行性能权衡，该方法相比传统方法具有更好的鲁棒性。

提出DecisionPerceiver架构，基于Perceiver IO，将动态代理特征投影到固定大小潜空间，通过潜在查询数调控特征粒度，提高可扩展性。在三个驾驶场景中评估，展现一致性能提升和泛化能力。

该论文提出一种面向非结构化环境的机械臂框架，通过环境感知、中央协调与智能规划三个模块协同工作，实现实时障碍物检测、三维定位、语义报告生成与自适应运动规划算法选择，并在Gazebo Classic仿真中验证了动态场景下的稳健性。

EgoSteer 是一个全栈系统，利用第一人称人类视频将灵巧 VLA 预训练数据扩展至 9.6K 小时，并支持数据高效的机器人后训练。该系统结合 EgoSmith 数据管道、统一机器人栈和世界模型增强的 VLA，在 40 多个任务中稳健执行自由指令，并在两个机器人本体上以 75% 以上成功率少样本适应长时程任务。

本文研究扩散反演的质量与成本权衡，揭示元素级压缩不对称性和轨迹-评分耦合两个机制，并提出免训练的 NARC 方法，仅存储单个 int8 潜锚点，在 PIE-Bench++ 上比 PnP DirectInv 的 PSNR 提高 3.24 dB，存储减少约 400 倍。

ECCV 2026接收的一篇论文提出了一种新的可穿戴运动捕捉方法，能够从任意组合的消费级设备（如智能手机、智能手表）重建全身运动，并引入了WHIP模型和一个包含50种活动的多模态数据集，同时系统研究了传感器互补性。

本文提出广义深度非负矩阵分解（G-DNMF），通过抛弃逐层分解策略、追求全局最优性并利用拉格朗日乘子法推导参数更新规则，解决了现有深度非负矩阵分解（DNMF）在SAR自动目标识别中的误差累积和局部最优问题。在MSTAR和OpenSARship数据集上的实验表明，G-DNMF在稳定性和识别性能上优于现有DNMF算法及其衍生方法，并提升了多层特征提取的可解释性。

Time Imprint 提出将时间作为实体级模态，通过三视图对比学习对齐时间、文本和视觉表示，并设计时间戳子集选择与注意力池化来缓解多时间戳噪声，在三个多模态知识图谱基准上取得链接预测最优性能。

该论文展示了一种基于9核RISC-V处理器GAP8和QVGA灰度图像传感器的低功耗MCU边缘设备，用于自动车牌识别。采用SSDlite-MobilenetV2检测车牌和LPRNet识别字符，在公开数据集上分别达到38.9% mAP和>99.13%的识别率。系统在687 MMAC计算量下实现1.09 FPS吞吐量，功耗仅117 mW，比基于树莓派3的移动级方案能效高73倍，且无需硬连线加速引擎，保留了算法灵活性。

本文提出一种知识约束的形状优化框架，将工程约束和用户意图转化为DFFD变形算子的可量化参数，并开发混合专家神经算子（MoE-NO）以提高阻力预测和趋势一致性。基于MoE-NO编码器和马氏距离的不确定性估计策略可检测分布外几何并触发物理求解器反馈。在MPV、SUV和轿车数据集上，MoE-NO的测试集MAPE为1.16%，趋势预测准确率为94.34%，优于最佳基线；车辆形状优化实验经CFD验证减阻约4%至10%。

ReflectWorld-MM是一种新型AI系统，使助手能够持续处理和记忆开放视频流，通过围绕持久实体而非帧来组织记忆，在六个基准测试中取得了最先进的结果。

RSLoRA提出一种无需训练、无需梯度的秩分配方法，通过虚拟表征探测和激活空间几何分析，识别高敏感性模块并分配更高秩，在主流基准上优于AdaLoRA和GoRA等现有方法。

该论文提出WiCAT，首个用于宽场钙成像的多被试基础模型。WiCAT采用图谱锚定的 Tokenization 方案，摒弃会话特异性组件，学习全局共享的时空表示，并在多个宽场数据集上实现跨被试、跨任务、跨数据集的迁移，以及未见被试上的零样本连续行为解码和脑区重建。

研究人员提出DUNE，一种无需训练的扩散模型优化框架，通过检测并抑制早期深层潜在波动来减少伪影和幻觉，提升生成保真度，适用于U-Net和Transformer架构。

一项新研究探讨了训练以日语进行推理的语言模型的可行性。研究者基于Qwen-3-Swallow-8B，使用GRPO训练了一个日语推理变体，并在编程、数学和科学基准上进行了评估。结果表明，推理语言控制是可行的，但性能最多只能与强大的英语推理基线持平，且在日语文化基准上表现更差，说明用日语推理并不能免费提升文化相关任务的性能。

研究者针对新加坡内政团队场景，采用LoRA微调、替代文本问答数据集和多任务目标，对开源口语语言模型进行适配，构建了包含50余万样本的多语言问答数据集，最终模型在多数任务上媲美7倍规模模型，且仅损失不到2%原始语音问答能力。

研究人员发布了FindMyText，这是一个开源的Python包，用于高效检查给定文本是否部分或全部出现在语料库中。它通过新颖的指纹序列链机制，可靠检测近乎逐字的复制，而非仅文本相似性，特别适用于版权材料验证。该系统采用分布式磁盘索引框架，可扩展至大规模网络抓取数据集，并在ArXiv论文、维基百科和通用网络内容三个数据集上优于现有方法。

最新研究表明，后训练量化会在任务准确率保持不变的情况下静默改变大语言模型的推理方式。通过一个六类故障分类法（Cohen's κ=0.906），研究人员分析了30,000条链式思维输出，发现弱精度量化（NF4）下“空心收敛”显著依赖于模型大小，而“捷径崩塌”和“信心滚雪球”等故障模式会发生定性转变，且空心收敛无法通过表面文本特征可靠检测。

该论文研究在低延迟、批大小为 1、短输入输出和隐私约束下，面向台湾的端侧英译繁中字幕翻译；通过将 LMT-60-0.6B 的词表从 151k 替换为 64k 字幕领域分词器、迁移嵌入空间并做嵌入校准与全量监督微调，LocalSubs 在 GPT-4o 成对评判下对 Google Translate 取得 59.2% 的平局排除胜率，M2 Metal 上的 64k 词表模型相比 151k 基线约有 1.63 倍加速，但延迟结果仍属初步。

一项新研究提出了一个基准框架，用于评估大型语言模型（LLM）生成的临床试验摘要的忠实度，针对医疗提供者、患者和支付方三个利益相关者群体。该框架从ClinicalTrials.gov选取了200个分层试验，使用六维度注释模式评估了GPT-4o、Claude Sonnet 4.6和Gemini 2.5 Flash生成的1800个摘要。研究发现，“无依据声明”是所有模型最主要的失败模式。通过知识图谱增强检索系统，忠实度得分获得了统计显著的提升。

该论文提出一个专门用于并购套利预测的语言模型系统，通过专家引导的上下文工程和对历史交易的事后推理轨迹进行微调，在超过400笔大型交易上取得了优于市场隐含概率、XGBoost和前沿语言模型的预测性能。

Bilibili 发布 Index-1.9B 系列开源小型语言模型，包含基础模型、纯数据对照模型、对话模型和角色扮演模型，在多项基准测试中表现优异。

CLIR-Bench是一个专门用于评估模型在不规则临床时间序列上进行问答能力的基准。它基于去标识化的ICU记录构建，包含6,600个问答实例，覆盖11个临床变量，分为4个能力维度和11个任务。实验表明，现有通用模型难以从稀疏数据中检索和推理证据，凸显了加强不规则时间序列推理方法的必要性。

该论文提出一种基于参考的成员推断方法，在给定同一模型谱系的早期检查点时，能够以接近完美的准确率识别出学生模型训练时所用的教师模型，并检测蒸馏行为；研究还发现 o1/o3 模型特有的字形级信号，并将方法扩展到开放世界场景。

一项预注册研究在 SWE-bench Verified 上分离定位与编辑，发现智能体真正需要的上下文极简：被编辑代码本身的源代码表征至关重要，自然语言摘要几乎无法替代；周围文件上下文影响甚微；压缩上下文可匹配全文件效果而仅需三分之一 token。研究还披露温度 0 API 推理存在约 9% 的结果翻转噪声底。

本文提出了一种混合搜索框架，结合汤普森采样与并行自回避行走，以有效分配低自相关二进制序列（LABS）问题中的计算资源。该方法模型化为多臂老虎机，动态优先处理有前景的搜索空间分区，在35个序列长度上取得了新的最佳结果，并获得了因子超过8.0的最长序列。

MawForge 提出一种系统方案，将完整 MoE 模型存储于磁盘，仅在需要时将路由到的专家张量加载到有限执行缓存中，从而在统一内存受限的机器上实现本地 MoE 推理。研究发现，MawForge 作为有界执行机制和测量基座有效，但并非缓存最大化策略；性能取决于专家复用、常驻内存占用、KV 缓存大小、量化、路由局部性以及 macOS 内存压力等因素的平衡。

一项新研究以宏观经济预测为压力测试，评估了五种模型家族（ARIMA、LSTM、NODE、PINN、UDE）在23个国家稀疏年度数据上的表现。结果显示，没有任何模型能持续取得强劲预测性能，但较少受约束的模型（ARIMA、NODE）始终优于受约束的启发式先验模型（PINN、UDE）。研究认为结构先验在数据生成过程不匹配时可能成为错误正则化器，并识别了先验错位、制度变迁、结构断裂和优化不稳定等失败模式。

该研究通过统计验证方法系统比较了Turbo-Quant与SpectralQuant两种KV缓存压缩方案，将编解码器系统性差异与实现方差分离。关键发现是：基于特征基的方法在重尾数据上因协方差不稳定而失败，但在结构化场景中表现优异，有效语义维度（d_eff）随校准预算调整而非真实数据秩。