本文提出SE(2)导航网格（SE(2) NavMesh），一种编码偏航依赖可通行性的多边形表示方法，用于地面机器人在复杂多层环境中的全局导航。该方法利用足迹掩膜评估可通行性，构建偏航特定层的图结构，并提出A*-String Pulling-A* (ASA)路径规划策略。仿真显示比经典导航网格多捕获50%以上可通行区域，并在真实机器人上验证了实时在线生成与导航。

BIFROST提出一种基于跨域双模拟目标的共享历史编码器，从原始观测中学习跨域不变特征表示，使仿真中训练的策略能够零样本迁移到现实世界，在视觉导航、接触丰富操作和视觉伺服任务上优于域适应和联合训练基线。

CommonRoad-Game 是一个轻量级的人在环仿真框架，与 CommonRoad 平台紧密集成，专注于运动规划器的人类参与测试和交互场景中人类驾驶行为分析。该框架采用多线程架构与时间同步机制，并支持从人类在环实验中生成可复现的测试场景。

该论文提出一种神经符号安全引导机制，用于基于流匹配的视觉-语言-动作（VLA）模型，通过在去噪过程中求解最小范数约束优化问题来预测并避免碰撞。在SafeLIBERO基准上，该方法将碰撞避免率提升至82.8%，任务成功率提升至81.6%，分别比单步方法提高6.3%和19.8%，长时程任务收益最大。

一篇系统性综述论文提出以空间、时间与状态三个维度分析 ROS 2 中间件（DDS、Zenoh 等）的架构极限，揭示无线受限环境下空间抽象会掩盖网络波动、状态连续性带来额外开销，从而与时间确定性形成结构性权衡。

该论文提出一种基于视觉-语言模型（VLM）的自适应群体陪伴方法，让社交机器人能够在人类群体队形不断变化的情况下推断合适的陪伴位置、保持社交距离并理解群体动态，再结合模型预测路径积分（MPPI）控制器保证稳定性与安全性。

WaveLander 是一种通过强化学习实现分层控制的框架，用于无人机在波浪扰动的海洋平台上自主着陆。它将垂直着陆决策与底层飞行稳定解耦，RL 策略输出垂直速度参考，底层控制器保持姿态和横向跟踪。仿真表明该方法在随机波浪运动下具有鲁棒性和泛化能力。

研究人员提出了一种名为“Sign in the Air to Unlock”的空中签名界面，利用点体素交叉注意力网络（PV-Net）在虚拟现实和增强现实环境中实现自然、安全且无缝的身份认证。该方法避免了传统密码、PIN及设备登录对沉浸体验的破坏，也无需专用传感器。在DeepAirSig数据集上等错误率为2.5%，在Meta Quest 2上收集的ImmAirSig数据集上分类准确率达76%。该工作展示了三维行为认证在沉浸式环境中的巨大潜力。

提出一种基于图的概念瓶颈模型G-CBM，通过无监督概念发现和图注意力网络实现内在可解释性，在多项基准上提升AUC。

本研究探索使用YOLOv10计算机视觉框架自动检测相机陷阱视频中的棕吼猴（Alouatta guariba），以监测树冠桥的使用情况，减少保护主义者人工审查假阳性图像的时间，从而提升保护工作效率。

一篇博士论文探讨如何缩小机器视觉跟踪与人类视觉感知之间的差距，提出一系列方法系统性地增强跟踪模型的目标判别、鲁棒适应和几何推理能力。

研究者提出MIBE框架，包含MIB基准和MIE评估器，旨在解决多主体个性化图像生成中主体遗漏、外观不一致和交互错误等问题，并克服现有单主体指标在多主体场景下排序能力下降的缺陷。

MapDreamer是一种生成式扩散模型，能从单张航空图像直接合成带有显式拓扑结构的车道级向量地图。它利用变分自编码器学习车道中心线和拓扑关系的紧凑潜表示，并通过基于Transformer的潜扩散模型预测图结构。为了对齐生成地图与观测场景，每个去噪步骤通过交叉注意力注入密集的航空特征。针对场景中车道数量的变化，提出了车道基数模块和背景幽灵潜变量，防止扩散过程中的插槽坍缩。此外，滑动窗口全局图聚合策略将局部瓦片拼接成城市级地图，同时通过编码的车道边界保持连通性。在源自Argoverse 2的UrbanLaneGraph上的实验表明，其几何和拓扑保真度优于非生成式基线。

本文提出一种输入感知的可扩展专家模块，通过输入感知专家选择和时空选择机制，增强对相似外观身份的细粒度特征提取，在视频人物重识别任务上取得优异性能。

KathaTrace是一种与生成器无关的协议，用于诊断视觉叙事中的语义轨迹崩溃，即场景间语义连接丢失。研究者构建了KathaBench-25K数据集，包含5000个经典叙事，定义了语义轨迹差距（STG）指标。实验显示现有生成器的STG高达23.5±1.3。Semantic Compass利用KathaTrace信号进行后生成修复，改善故事板选择。

CPG-PAD 提出将模型级概念引导引入视觉语言模型的提示学习流程，通过可解释 AI 自动发现攻击相关视觉概念并生成热力图，再以视觉提示解码器和概念映射损失将概念注入提示空间，从而捕获可迁移的攻击线索并抑制数据集特定偏差。在九个基准数据集上，该方法在多源、少源和单源设置下均取得最先进的跨域性能，论文已被 IEEE TIFS 接收。

AnchorSplat是一种全新的3D原生细化范式，直接在3D结构上运行，避免了传统3D-2D-3D管线的昂贵优化开销。它通过点锚机制保证几何一致性，并用单次乘法替代迭代加密，无需原始多视图图像。实验表明，其吞吐量比优化方法快10^5倍，且在多种数据分布上具有鲁棒的零样本泛化能力。

TurnNat 是一个基于似然的框架，用因果轮次转换预测模型估计未来语音活动状态的负对数似然，从而自动评估双人语音对话中轮次转换的自然度，并能区分不同类型的时序异常。

RuleChef是一个利用大型语言模型为NLP任务生成可执行规则的框架，支持文本分类、命名实体识别和关系抽取。规则基于任务描述和标注示例生成，并通过额外示例与人类反馈迭代优化，最终形成快速、确定且可检查的规则系统。LLM仅在训练阶段使用，该框架以Apache 2.0开源。

研究人员推出了首个联合评估大语言模型对Word、Excel和PowerPoint原生文件格式理解能力的公开基准OCB。该基准包含文件保真度问答和跨12个专业领域的领域问答两个赛道。结果显示，即使在默认推理模式下最强的前沿系统，在领域问答上正确率也仅约59.3%，增加思考深度并不能显著提升性能，而升级到更高产品层级只带来适度增益。

该论文提出RAGP，把提示压缩重新表述为多重图上的冗余感知图剪枝，并用Lévy walk在局部密集子图与全局稀疏连接之间做高效搜索；在LongBench上以4倍压缩比取得49.3分，超过LongLLMLingua在3倍压缩下的48.8分。

该论文揭示了基于计数的F1指标在评估LLM错误检测时可能因提示框架而产生显著虚高（称为F1膨胀），并引入ErrorBench压力测试协议。实验表明，锚定提示可导致高达0.79的F1膨胀，建议评估应避免预置错误计数并报告跨度感知指标。

一篇新论文指出，BPE分词会把安全关键词语切成子词片段，而这种碎片化输入在三个公共对齐数据集中完全缺失；针对碎片化的优化能让80%至100%的拒答触发失效，其中48%最终产生真正有害的输出，而现有DPO配置均无法稳定堵住这一缺口。

本文提出SPARCLE，一种说话人感知的字母表示模型，通过对比学习将字母与对应的Wav2Vec2声学表示对齐，同时考虑说话人身份。该模型可在低资源场景下替代传统的音素到文本（G2P）系统，将词错误率降低一半。

Kara是一种滑动窗口KV缓存压缩方法，在解码时仅对近期上下文进行双向注意力评分与选择，并通过Token2Chunk模块灵活保留语义块。适配PagedAttention后构建的KvLLM推理框架基于vLLM，可降低显存占用并提升输出吞吐，实验显示一致性能提升。

本文提出一种基于溯源分析的框架，用于检测大型语言模型代理在调用工具时是否与用户意图对齐。研究者开发的ProvenanceGuard流水线在工具执行前分析三种类型的对齐偏差，在Agent-SafetyBench和WorkBench基准测试中，将错误率从42.9%降至1.8%和从32.1%降至17.3%，同时将对齐轨迹的干预负担从30.5%降至12.8%。

TokenScope 是一个面向解码器大语言模型的交互式可解释性分析工具，可在代码生成过程中展示 token 级指标、注意力模式和结构信息，并支持 token 替换、反事实分支和基于抽象语法树的代码感知聚合。

本文探索如何利用视觉线索和结构化事故数据（如官方事故报告）来稳健评估铁路道口的安全性。作者提出一个概念验证流程，使用路由微调的紧凑型视觉语言模型（VLM）流水线，以宏观F1分数0.757识别高风险和低风险道口，并以RMSE 0.078和相关性0.492估计基于FRA的安全分数，定性结果与领域专家评估一致。

研究提出NightVision攻击，即使在仅返回单个logit且无法偏置logit的受限API下，也能以较低误差率推断大型语言模型的隐藏维度、深度和参数数量。

Zhilin Zhao 的专著《从近似到涌现：深度学习理论》以统一的、以证明为导向的视角，梳理了从经典近似、优化与泛化基础到过参数化、鲁棒性、生成建模、Transformer、上下文学习、缩放定律、可解释性、对齐与涌现等当代机制的深度学习理论，旨在为研究者、研究生和具备数学基础的从业者提供一幅严谨的理论地图。