该研究探索大规模灵巧抓取数据集能否支持关节工具使用中的功能性灵巧操作，提出分层模仿学习框架，结合高层手部子目标预测与低层目标条件控制器，利用35.5万条轨迹的抓取预训练数据集预训练低层控制器，并在下游任务演示上微调。在仿真和真实实验中，该方法优于端到端扩散策略基线和从头训练的分层策略，真实世界全任务成功率比DP3提高33.3个百分点。

本文提出了一种视觉-语言程序推理（VL-PR）框架，用于机器人辅助血管内介入手术中的自主导丝导航。该框架集成多模态大语言模型作为程序推理模块，通过实时视觉观察推断高层次的导航上下文，并动态调整奖励组件的权重，实现上下文感知的奖励适应。实验表明，该方法在物理机器人平台上优于静态奖励方法，提高了任务可靠性和导航效率。

ViTL 提出一种两层框架，利用大语言模型将自然语言指令编译为线性时序逻辑公式并转化为确定性有限自动机，再用视觉语言模型的方向性打分引导前沿探索，从而首次实现带时序约束的零样本长程多目标导航。

该立场论文指出，现有机器人操作基准上的性能提升并不能证明视觉-语言-动作（VLA）模型具备物理泛化能力。作者将VLA策略拆分为语义映射与物理动作决策两部分，论证当前以任务成功率为核心的评测协议无法区分这两种能力来源，并呼吁采用引入受控变量的评测设计来分别测量语义泛化与物理泛化。

该论文提出 LTDRP-PDNF 问题，在智能储物柜作为无人机起降与换电节点的场景下，统一协调配送、退货取件、电池与载重约束以及禁飞区绕行，并开发两阶段深度强化学习神经启发式方法以最小化车队总运营成本。

本研究构建了一个约27,000句对的阿拉伯语-俄语混合平行语料库，涵盖科学摘要和通用领域文本。通过微调三个多语言模型（mT5-base、NLLB-200、Qwen2.5-7B），发现Qwen2.5-7B模型在QLoRA（秩8）下表现最佳，BLEU达23.15，较零样本基线提升4.36。少样本提示未改善性能，表明需领域特定微调。该工作降低了科学文本的语言障碍，促进阿拉伯语和俄语研究者之间的知识交流，助力可持续发展目标（SDG 9和17）。

该研究构建了首个孟加拉语新闻事件检测基准，包含9,979个标注句子和40种事件子类型，覆盖干净文本、ASR转录和拼写损坏文本。系统评估了编码器模型（BanglaBERT、XLM-R）与解码器大语言模型（Llama 3、Gemma 3），发现编码器在干净文本上表现更优但噪声下性能大幅下降，而解码器LLM鲁棒性更强；指令微调时嵌入标注指南可提升噪声文本基线，模型扩展持续增强解码器鲁棒性，干净与噪声数据联合训练作为正则化策略显著缩小鲁棒性差距，尤其利于编码器架构。

本研究提出一个框架，通过多维度、人类对齐的评估来驱动治疗性回应生成。第一阶段引入TheraJudge，一个基于人类标注数据通过偏好优化训练的开源治疗性评估器，能在7个心理维度上提供可靠判断。第二阶段引入TheraAgent，通过协调的优化过程（包括批评者、教练和治疗师角色）将评估信号转化为有针对性的回应修订。实验表明，TheraJudge与临床医生评分高度一致（ICC=0.87-0.95），超越监督基线和强大的闭源评估器；TheraAgent在盲评中将治疗质量提升0.43分（5分制），低质量回应改善2.45分，恢复率达94%。

本研究提交至SemEval-2026任务9，旨在检测多语言、多文化、多事件的在线极化现象。作者采用基于Transformer的模型（英语用RoBERTa-base，斯瓦希里语用AfroXLMR-base），结合类别加权损失函数处理严重标签不平衡，并通过逐标签阈值调优优化多标签分类。在测试集上，任务1的F1宏观分数英语为0.7901，斯瓦希里语为0.7910；任务2分别为0.4615和0.4808；任务3分别为0.4791和0.5830，在排行榜上表现有竞争力。错误分析显示模型在非人化检测和共情缺失方面存在困难。

本研究提出Outcome Reward Models (ORMs)作为学习语义评分函数，用于Text-to-SQL的测试时验证。引入GradeSQL框架，通过自动化候选生成和执行标签训练ORMs，无需手动标注。在BIRD和Spider基准测试中，ORM选择优于执行优先Best-of-N和多数投票，分别提升4.33%和2.10%。实验表明ORM可扩展且对复杂查询改进更大。

本研究通过实验评估了Transformer语言模型在学习“不可能”语言时的表现，发现模型在语法敏感性上仅出现逐渐退化，但在生成能力上表现出显著缺陷，这为解释为何人类无法习得这些语言提供了新视角。

该论文指出，使用ECE和Brier Score等全局校准指标比较不同LLM的校准性能会受到模型准确率差异的混淆。作者提出ACE框架，从实例对齐、分布对齐和候选对齐三个视角进行准确率控制评估。实验发现，许多先前报告的校准优势在控制准确率后大幅减弱，且排名逆转频繁发生，表明原始全局校准指标对跨模型比较不稳健。

本文提出一种利用生成式AI代理作为行为引擎的框架，用于黑盒审计个性化算法。通过在2024年美国大选后对X平台部署1120个代理的案例研究，发现算法推送相比时间线推送放大了有毒、极化、政治化和右倾内容，且放大程度因用户意识形态而异。反事实分析显示，人口统计信号对内容推送的影响依赖于用户角色。

研究者推出Indi-RomCoM基准，系统评估大语言模型在罗马化印度语言与英语混合指令上的表现。该基准涵盖7个指令遵循任务、4种印度语言和3种混合强度。评估显示LLM在RCM指令上一致表现不佳，且混合密度越高性能越差；推理任务比检测任务（如毒性检测）退化更少，因为生成的解释提供了必要上下文。

研究发现，在AI代理路由中，仅需基于误报和漏报案例进行一次LLM重写即可优化技能描述，达到与手动调优相近的效果，同时将每个技能的工程耗时从120分钟降至3.8分钟，实现32倍的加速。

论文指出概率降尺度中均值-残差范式的根本问题在于训练与测试残差分布的系统性错配，并提出ReMatch方法，通过低维PCA空间的最优传输对齐训练残差分布，显著改善校准与离散度，在合成基准和真实风场降尺度任务上优于现有方法。

该论文提出“深度梯度增强”范式，并实例化出“梯度平滑”方法，通过对沿深度方向的块更新进行平滑，在不修改模型架构或训练目标的情况下，持续提升语言模型预训练、LLM推理RL后训练、扩散建模和ViT图像分类的优化与泛化性能。

本文提出GRPO训练动力学的第一性原理降阶模型，将经验单指数饱和律作为过阻尼极限纳入，并预测组大小不变性、刷新间隔的稳定性阈值以及过阻尼到振荡的转变，在三个模型和两种组大小上以R²≥0.91拟合训练奖励。

本文提出了一种名为“过程侧车”的两系数编辑方法，用于在语言模型的安全训练阶段之后撤销已学习的状态。该方法通过估计AdamW优化过程，实现了二阶精度的记忆撤销，并在三个模型上优于朴素任务算术方法。

ReactionAtlas 是一种机器学习框架，能够仅从少量种子分子出发，自动构建化学反应网络，无需手工规则。它结合生成模型与 DFT 训练的机器学习力场，在前生物条件下发现了约 47,000 个反应，涉及约 12,000 种化合物，并揭示了福尔摩糖循环等生命起源相关化学的新路径。

层级全局注意力（HGA）是一种即插即用的替代方案，用于预训练长上下文Transformer中的密集因果注意力。它无需重新训练或校准，即可在单个RTX 5090上实现64K token上下文，通过分层路由大幅降低GPU内存占用，且质量损失极小。

该论文从几何角度解释了确定性少步生成在连续文本潜变量上失败的原因：平滑且受正则性限制的映射无法在锐利分类读出前解决离散分支选择，失败由解码器锐度而非传输精度控制。作者证明后验均值终端步骤在决策边界附近的翻转率与潜变量质量成正比，并引入DABI和CCI两个诊断指标。实验显示文本解码器的DABI比图像解码器高数个数量级，且两种机制——分类承诺（自回归解码器）和随机重注入（SDE）——可以突破连续类别的理论限制。

论文提出 MetaFlow，把工作流生成视为元学习问题：模型根据任务与可用算子集合，学习如何组合出解题策略。该方法先在有监督的合成工作流数据上微调，再用可验证奖励的强化学习（RLVR）结合跨实例执行反馈优化端到端成功率，在问答、代码生成和数学推理基准上取得与先进基线相当的同域单次推理表现，并对未见任务与全新算子集展现出显著零样本泛化能力。

本研究利用NHANES 2003-2006数据，构建了包含1,381名成年人的加速度计心脏代谢基准，评估了三种表格学习方法（岭回归、XGBoost和TabPFN v2）预测糖化血红蛋白、甘油三酯和C反应蛋白的性能。TabPFN v2整体表现最佳，但甘油三酯预测能力有限。同时，通过分割共形预测评估了预测区间的覆盖公平性，发现总体覆盖达标，但亚组间存在差异。

研究者提出MCO-PDE框架，利用竞争性优化从多源数据集中发现共享的偏微分方程。该方法先为每个数据源训练独立的神经代理模型，再通过软竞争加权机制评估数据可信度并聚合全局系数，结合遗传算法进行结构搜索，同时识别方程形式和参数。在七个案例中，每个数据集仅用50个观测点就能高精度恢复典型方程，并能处理不规则边界、异质系数的二维和三维问题，还成功从真实波浪槽实验中提取了物理规律。

AgRefactor是一种基于LLM的多代理工作流，用于将软件重构为HLS兼容代码。它结合了自我进化记忆系统和自动化重构工具，在9/11个基准上优于或持平现有方法，并实现了高达6.51倍的加速。

本文形式化了基于Huber污染模型的LLM陪审团，并证明即使只有一个评委以LLM典型方式（模式崩溃、谄媚、安全拒绝）产生偏差，任何正污染都会导致PoLL产生无界偏差。通过将陪审团共识视为经典鲁棒均值估计，作者提出RoPoLL，用几何中位数替换聚合函数，实现了最优有限样本崩溃点1/2。实验表明，在13个开源评委（4B-675B）、三个奖励模型基准和四种腐败机制（高达50%）下，RoPoLL在每一种有偏腐败类型上都优于PoLL：在匹配计算量的跨维度攻击上提升约19%，在重尾拜占庭对手上提升数个数量级。一个38B参数的3评委RoPoLL委员会在30%双模随机腐败下，在HelpSteer-2上以18倍参数优势超越Mistral-Large-3（675B）1.31倍。

论文提出 HASTE 框架，将跨竞赛知识分为全局、领域和竞赛特定三层，显著提升机器学习工程代理的奖牌率和学习效率。

一篇被AIDA2J研讨会接收的论文探讨了基于大语言模型的多智能体审议方法在法律推理中的应用。研究者提出了两个受法庭程序和法律论证启发的新框架，实验表明这些多智能体框架在整体性能上与基线大语言模型相当，但能产生显著不同的答案，并且能够解决基线模型无法处理的案件。

一篇 arXiv 论文挑战了智能体默认用户为“专家用户”的假设，提出用户往往需要智能体帮助才能形成偏好。研究者基于信息经济学中的 Search-Experience-Credence 框架提出 CoPref 用户偏好构建模型，并设计了交互式推荐基准 CoShop。在测试五个前沿模型时，没有一个智能体在五轮交互后准确率超过 56%，失败原因在于交互未能有效扩展用户对自身需求的认知。