sqlite-utils 4.0rc4 是 4.0 稳定版之前的最后一个发布候选，主要实现了 Claude Fable 5 的详细审查反馈。

本文探讨了为低资源语言（如阿塞拜疆语）构建实时语音AI的挑战，对比了端到端语音模型（OpenAI Realtime、Gemini Live）和级联流水线（LiveKit、Pipecat、Vapi），分析了各种失败模式、组件可用性，并提供了评估清单。

一份2026年5月的交互式报告，分析了澳大利亚普通保险品牌的AI搜索可见性，支持两家品牌的头对头比较。

本文概述了Thariq关于Fable模型的演讲，涵盖解绑模型、发现未知、应对情感转变以及追求卓越。此外，还包括AI新闻：腾讯混元Hy3开源、Agent基准测试、Anthropic的J-Space全局工作区、推理效率、世界模型和语音技术等。

OpenAI在API中新增了两个Realtime模型：gpt-realtime-2.1和gpt-realtime-2.1-mini。后者是一款针对实时语音的迷你推理模型，定价与之前的gpt-realtime-mini相同。OpenAI还通过改进缓存将p95延迟降低了至少25%。本文介绍了模型的变化、定价对比以及如何通过WebRTC连接。

本文提出了一种纵向运动感知的鲁棒非线性横向控制框架，解决了现有方法在速度和加速度变化时性能下降及参数不确定性问题。通过建立随纵向运动变化的跟踪误差模型，采用反馈线性化和两种鲁棒控制设计（Lyapunov重设计和增量非线性动态逆），确保了系统的有界稳定性和鲁棒性。仿真和实车验证了其高精度跟踪和实际应用能力。

该论文提出了一种针对连续时间随机系统的采样运动规划方法，该方法考虑了过程和测量不确定性，并提供了概率安全与性能保证。通过混合信念传播模型和信念障碍函数安全检测，实现了对连续轨迹的安全验证，有效避免了离散时间方法中因忽视采样间违规而导致的问题。该方法集成了RRT和SST规划器，在多个基准环境中表现出高成功率和鲁棒的约束满足能力。

DREAMSTEER提出一种部署时引导框架，利用潜在世界模型和价值模型对预训练VLA策略生成的候选动作进行想象与排序，无需微调即可在分布偏移下显著提升任务成功率和指令遵循准确率。

该研究提出一种受模拟电路差分放大器启发的注意力机制AmpAttention，旨在抑制多视角机器人操控中的注意力漂移。基于此的RVAF模型在18个RLBench任务（249种变体）上达到最优平均成功率，同时训练时间减少33.3%。扩展版本RVAF++结合SAM2图像编码器，在高精度任务中表现突出，例如“插入销钉”任务成功率达91%。论文已被IROS2026接收。

CLEAR提出了一种基于强化学习的大规模闭环训练系统，通过残差航点策略和异构计算管线，在CARLA和Bench2Drive基准上实现了最先进的性能。

TACO提出了一种触觉感知的世界模型驱动框架，用于接触密集型机器人操作中可扩展的视觉-语言-动作（VLA）模型后训练。它通过“识别—想象—标注”循环将真实世界中的失败转化为想象中的视触觉纠正，并采用知识隔离的触觉适配与优势条件训练，在真实任务上比基础策略提升44%的绝对成功率。

本文研究了金属超声波导作为分布式触觉传感器的应用，通过单个近端换能器实现接触定位、力估计和材料分类。实验证明了力与反射/透射系数比的线性关系，以及利用反射能量分区进行材料分类的可行性。该技术有望简化机器人触觉系统的复杂性。

MorphQuad 是一款可变形四旋翼飞行器，通过为每个旋翼配备双轴万向节并采用全局稳定控制与能量最优推力分配，实现了任意方向全推力矢量、任意姿态稳定飞行以及强扰动下的精确运动与力控制，可完成管道巡检、阀门转动、按压推物和抗风恢复等任务。

EVA-Client 是一个开源框架，用于在真实机器人上部署、收集数据和评估训练好的操作策略。它位于策略服务器与物理硬件之间，将策略迭代循环中的真实机器人阶段统一到单个代码库中。框架采用组件解耦架构，支持调试、收集和评估工作流，并且每次评估运行同时作为数据收集，为下一轮训练提供训练就绪格式的完整轨迹。

本文系统研究了用于机器人策略评估的世界模型，提出了WMBench基准测试，基于324,000个模拟策略 rollout 和真实机器人执行数据，分析了7种视频世界模型和4种动作表示方案。核心发现包括：评估器质量主要取决于长时程、动作保真的一致性，而非短期视觉真实感；预训练收益不仅来自数据规模，还需平衡通用世界知识与机器人特定可控性；架构选择（如动作编码、记忆设计）对与实际机器人行为的一致性有决定性影响。基于此，作者提出了实用设计路线图并实现了GigaWorld-1模型，同时开源了代码、模型、数据集和工具包。

Yiran Xiao 与 George Legrady 提出一个可视分析框架，用于探索扩散模型中逐步演化的 token 级交叉注意力图、其时间集中度与空间关系，并在 60 条提示词的 Stable-Diffusion 类基准上展示了可解释的重复模式，以支持更有效的人机协作。

该研究提出一种基于离散潜在表示的熵编码MS-VQ-VAE框架，在超低比特率（低于0.1 bpp）下显著优于H.265。通过矢量量化（VQ）码本大小K的硬信息上限和学习自回归先验，利用码本使用的幂律分布，无需率惩罚调优即可实现极低码率。在UCF101数据集上，模型以0.043-0.064 bpp运行，比特率仅为H.264和H.265的几分之一，同时感知质量（LPIPS）更高。

DH-Active是一种轻量级、无需训练的几何后端方法，将LiDAR视为度量标尺而非唯一深度来源。近场返回通过PnP锚定相对位姿，无有效深度返回的可视点则三角化。视差/重投影门在几何条件不良时弃权，形成显式空洞。核心前端在CPU上仅需1.11毫秒，比DINOv2-L GPU分支快约38倍。在TUM RGB-D和ARKitScenes基准上，恢复深度中值相对误差为1.4%-6.7%，远场候选覆盖率达64.2%，误差13.4%。

该研究提出一个两阶段U-Net框架，用于快速预测真实城市形态下的时间平均行人高度风速，以替代计算成本高昂的LES模拟；第一阶段逐块预测，第二阶段以inpainting方式迭代修复补丁边界不连续，整体能较好再现平均风速与空间变化，但对最大风速仍存在低估。

一项新研究提出决策框架，量化跨海洋栖息地迁移视觉识别系统时标注工作量与识别精度之间的权衡。研究发现，冻结的自监督基础模型（DINOv2）加线性分类器仅需每物种10-20张标注图像即可在新地点可靠部署识别，标注工作量减少约一个数量级。

一项针对糖尿病足溃疡分割模型的跨数据集基准测试显示，所有模型在训练数据内表现优异（Dice 0.80–0.83），但跨数据集性能显著下降。Transformer架构SegFormer-B2在两个外部数据集上泛化最佳，且更复杂的DeepLabV3+泛化能力反而不如更简单的U-Net，表明架构家族而非模型复杂度是决定跨医院泛化的关键因素。

在自动驾驶场景中，稀疏视角神经重建面临挑战。本文提出使用Depth Anything V2作为单目深度先验，通过光度掩码选择性监督，提升Splatfacto模型的重建质量，PSNR从14.903提升至15.932，RMSE从0.542降至0.100，并表明增益来源于选择可靠的低误差区域。

该研究使用可解释的机器学习方法，从QSM和fMRI特征预测帕金森病运动严重程度，最佳模型解释了45.4%的变异，75%的预测误差在5分以内。

视频多模态大语言模型在全局语义理解上取得进展，但在局部时空感知上仍存在不足。本文提出DELTAVID框架，将跨视频找不同转化为可训练的感知信号，并配套构建DELTAVID-10K数据集和DELTAVID-Bench基准。实验表明，该方法不仅显著提升跨视频差异理解能力，还将学到的局部证据推理迁移到多个通用视频理解基准中，推动模型从粗粒度语义理解走向细粒度时空证据推理。

该论文提出VulcanVoxel，一种在3D占用场上的掩码自编码器，直接在空间域推断刀片可插入的几何可行区域，从单模态真实仓储数据中恢复多模态可供性，在刀片插入任务上大幅超越基于SE(3)位姿分布的基线，并实现30毫秒的实时推理。

跨语言检索增强生成（RAG）常面临英语证据导致的语言漂移和不可靠证据使用问题。本文提出TR-RAG，一种教师正则化强化学习方案，结合奖励优化和学生路径上的在线蒸馏，并引入奖励分解，在多个基准上显著提升语言一致性和证据正确性。

一项新研究探讨了大型语言模型在认知行为疗法（CBT）引导的情感推理中的局限性。尽管模型在CBT理论考试中得分高达96%，但在实际对话中却倾向于过度使用验证与反映策略，而无法根据用户需求灵活运用其他CBT技术。研究者提出了一个知识引导框架，并引入“协议杠杆力”（F）指标来衡量干预效果。实验表明，即使使用多链思维提示，模型行为的改变仍不足1.5%，所有模型都偏向于验证与反映。

本文提出PraMem方法，通过预先实践长历史序列构建经验记忆，以解决大语言模型在长期行为预测中的潜在模式归纳和认知偏差问题。实验表明该方法优于先前方法。

该论文提出一种多模态框架，联合优化印度语言的自动语音识别（ASR）与方言识别（DID）。方法通过瓶颈编码器提取方言特征、RoBERTa编码器处理CTC嵌入，经门控机制融合与注意力精炼后增强ASR特征。在8种语言33种方言上测试，平均DID准确率达81.63%，平均CER 4.65%、WER 17.73%，表明联合建模有效缓解了单项优化的性能权衡。

大型语言模型作为半开放文本游戏环境中的自主裁判时，容易受到一种被称为“修辞注入”的新型攻击。攻击者利用伪逻辑推理和权威强制等叙事技巧，绕过裁决规则。研究者提出了基于桌游机制的CoC-Seduce基准，通过三个前沿模型生成5376个对抗样本，测试了20个目标裁判。结果显示，模型规模和推理机制并不能可靠地保证裁决鲁棒性，且跨文化设定揭示了系统性的知识差距。