VELA 是一款开源工具，利用 Firecracker 微虚拟机和 HMAC 能力令牌策略，安全地执行 AI 代理生成的不可信代码，提供细粒度资源限制和完整审计日志。

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Discussion | Link

该项目演示了如何使用 FastAPI、Redpanda（或 Kafka）和 Docker 构建一个最小的事件驱动 AI 管道，将文档处理分解为提交、提取、摘要和通知等多个阶段。

Midjourney 发布了一款全身超声 CT 原型机，并计划在旧金山开设一家融合水疗与扫描的旗舰店。尽管目前尚未使用 AI，但长远目标是实现高频、廉价的身体成像，以支持 AI 驱动的健康监测。然而，该设备面临监管、临床验证、数据隐私等重大挑战。

谷歌搜索出现访问问题，用户可点击链接或发送反馈。

LayerProof 推出 Bristol，一款基于AI的交互式报告生成工具。用户只需上传文件或数据，通过聊天调整报告结构，一键发布为实时网页。专为代理机构、自由职业者和顾问设计，旨在让报告更具可读性和互动性。

《波士顿环球报》2026年“科技强人”榜单中，八位MIT成员入选。文章探讨了MIT在人工智能、创业、能源和量子技术等领域的领导力，强调马萨诸塞州在科技创新中的核心地位。

该论文提出一种用于精密机器人视觉检测的实时闭环姿态控制流程，通过导纳框架将操作员输入与感知驱动的表面对准统一起来，并在六自由度机械臂上验证，平均姿态误差达0.4度。

一篇新论文在仿真中训练策略并通过sim-to-real迁移部署到真实世界，系统比较了位姿增量、位姿速度、关节位置增量和关节速度四种动作空间在抓取与推动两类视觉操作任务上的表现。研究发现动作空间表示会显著影响sim-to-real性能，其中关节速度动作空间在平滑性和最终任务表现上均为最佳，并为强化学习实践者选择仿真与真实实验的动作空间提供了实用建议。

DREAM-Chunk 提出一种测试时扩展方法，通过轻量潜在世界模型增强动作分块策略的鲁棒性，无需额外微调即可在随机动态下提升机器人执行的反应能力。

本文提出了一种结合凸集图（GCS）轨迹优化与共识捆绑算法（CBBA）分布式任务分配的解决方案，用于多智能体在动态杂乱环境中的任务规划。GCS在3D+时间配置空间中寻找最优轨迹，CBBA协调任务分配，实现避碰并提供准确的任务完成时间估计。在模拟环境中验证了有效性。

本文提出N(CO)$^2$框架，将强化学习融入神经组合优化，无需手动设计启发式算法即可求解随机定向问题。实验表明，该方法在多种实例上泛化良好，性能与最先进的混合整数线性规划相当，减少了人工启发式设计成本。

VEGA提出一种新方法，从未标注的第一人称导航视频中训练导航视觉-语言-动作（VLA）模型。通过重建单目视频的局部场景几何，生成障碍物感知的轨迹，并训练流匹配策略，从而在训练中蒸馏出障碍物感知规划能力。该方法在VEGA-Bench基准和真实世界试验中显著降低了碰撞率并提高了障碍物通过性。

PAIWorld提出了一种扩散变换器框架，通过几何感知跨视图注意力、几何旋转位置编码和潜在3D-REPA蒸馏，实现了机器人操作中的多视图3D一致性，在WorldArena排行榜上排名第一，在AgiBot-Challenge2026上排名第二。

论文提出Guava——一个用于具身工具使用的框架，通过系统探索智能体工作流、动作空间和观察空间的设计空间，识别出有效具身智能体的三个关键要素：迭代感知-推理-行动循环、语义动作抽象和多模态观察。作者开发了一个端到端训练流水线，仅用不到2K条完全在仿真中收集的轨迹，就将具身操作能力蒸馏到一个4B开源模型中。实验表明，该模型在仿真和真实环境中均达到与前沿专有模型相当的性能，并对未见物体、新指令和长时程任务表现出强泛化能力。

研究人员提出 ReSYNC 方法，通过增量式双重学习过程，从机器人失败恢复经验中逐步发现和精化关系谓词等状态抽象，支持抽象规划，从而将训练中的局部恢复转化为测试时的全局避障。在四个模拟域中，ReSYNC 解决长时域未见问题的性能比强基线高出 50% 以上，并成功迁移到真实世界非抓取操作任务。

该研究构建了一个包含1,200份临床文档和9,184个不确定性标注的基准，评估三个大语言模型在临床文本任务中保留诊断不确定性的能力。结果显示，模型保留原始不确定性线索的表现不佳，往往不到一半时间，且难以区分相邻不确定性级别。

蒙特利尔强制对齐器(MFA)自2016年发布以来，已成为研究和工业界最广泛使用的强制对齐工具。最新版本MFA 3.0在英语、日语和韩语基准测试中均达到或接近最先进水平，平均边界误差低于15毫秒。本文详细介绍了MFA从1.0到3.0的发展历程、技术改进及其跨语言适应能力。

一项跨语言机制分析揭示了多语言大语言模型中数学相关参数在语言间部分重叠，其中英语拥有最大参数集。

VISUALSKILL是一种分层多模态技能库，通过将视觉图形纳入技能表示，显著提升了计算机使用代理在长期任务和未知软件上的表现。在CUA-World和OSExpert-Eval基准测试中，使用VISUALSKILL的Claude Code CLI代理获得了0.456的平均分数，比无技能基线提升15.3个百分点，比纯文本技能提升8.3个百分点。

JetFlow 是一种基于头的推测解码框架，通过训练因果并行草稿头，在单次前向中生成与目标模型自回归分解对齐的候选树，从而将更大的草稿预算转化为更长的接受前缀和更高的端到端加速。在 Qwen3 密集与 MoE 模型上，于 H100 GPU 上实现 MATH-500 最高 9.64 倍、开放式对话工作负载 4.58 倍的加速，并已在 vLLM 集成中展示实际服务负载下的延迟收益。

本研究提出激活引导作为低资源语言合成数据生成的替代方案，通过语言引导和质量引导两种策略，在四个开源大语言模型和11种语言上验证了该方法能提升生成数据的多样性及下游任务性能，尤其在早期层进行引导效果最佳。

SproutRAG 是一种注意力引导的分层 RAG 框架，它利用学习到的句子间注意力构建二叉树，实现多粒度检索，无需额外的 LLM 调用或有损摘要。在涵盖科学、法律和开放领域的四个基准测试中，其信息效率平均比最强基线高 6.1%。

教育对话是宝贵但敏感的研究资源。现有的方法在隐私保护和准确性之间难以平衡。本文提出一种完全本地的级联框架，将去标识化从开放式实体识别转变为受限的隐私分类。通过召回优先的联合提议生成候选片段，再由上下文感知的评审器决定删除或保留。在数学辅导数据上，本地配置的宏F1达到0.958，优于大模型和商业API，且完全在单台笔记本上运行。

研究者提出连续音频思考（CoAT）框架，为大型音频语言模型引入连续潜在工作空间，通过音频专家蒸馏保留声学细节，在多个基准测试上提升性能，且不增加自回归解码成本。

研究者提出SAGE方法，通过事后净化最终遗忘更新向量来缓解大语言模型遗忘与保留能力之间的权衡。该方法不依赖原始遗忘流程，利用保留代理的激活几何来抑制损害保留性能的更新分量，同时保留遗忘载体。

该论文提出TRIDENT框架，指出混合离散-连续动作、训练时硬安全约束与物理动力学之间存在循环偏置耦合，并通过三个协同设计的组件加以抵消；理论证明收敛到受限纳什均衡并给出累积违规上界，在多无人机边缘计算、自主交叉口管理与混合SMAC任务上大幅降低训练期违规并提升奖励。

该论文提出 DRIFT，一种基于在线策略影响函数的有监督微调数据精炼方法。它用模型自身的在线策略 rollout 作为验证目标，缓解标准影响函数的邻近性差距与梯度范数偏置问题，在 7B 参数指令与推理模型上持续提升性能上限，优于现有数据筛选基线。

研究者提出一种面向混合专家（MoE）模型的结构化剪枝框架，将剪枝比例分配重新表述为通道得分覆盖最大化问题，并结合基于归因的近似方法高效求解。在DeepSeek和Qwen MoE模型上的实验表明，该方法在50%或25%结构化剪枝下结合4比特量化仍能保持模型精度，在Qwen3-30B-A3B上将内存占用降低5.27倍，并在多个基准上一致优于现有最优基线。

一篇被ICANN 2026接收的论文建立了冲击波理论与随机梯度下降对称约化学习动力学之间的数学联系，证明在商流形上有效动力学服从粘性Hamilton-Jacobi方程，且在梯度场假设下粗粒化损失的梯度服从Burgers型方程并严格产生激波。该框架适用于MLP、CNN、Transformer和平均场网络，并推测可提供训练相变的实用诊断方法。