一篇本科论文提出ConvNN框架，将卷积和自注意力统一为k近邻聚合的特例，揭示二者位于连续谱上，并支持系统探索中间聚合方式。

一项研究对六种深度学习模型（包括 CNN 和 ViT）在海事船舶检测中的性能进行了对比，使用涵盖多云、雾、雨和晴天的 6,468 张图像数据集。结果表明，虽然轻量级模型适合资源受限设备，但 Vision Transformer 在准确率、错误率和视频处理时间上表现最佳。

RAMS是一种轻量级运行时控制器，用于嵌入式边缘设备的目标检测，通过监控资源压力并根据检测结果动态选择YOLOv8模型（NANO/SMALL/MEDIUM），在保持精度的同时大幅降低延迟。实验表明，在Jetson Orin上，安全策略2实现了3.41毫秒的平均延迟，比固定MEDIUM模型快5.6倍，并保留了74%的代理精度。检测条件切换在重负载下使SWAS提升高达47.3%。

ReportQA是一种新型放射学报告评估框架，通过构建知识树和生成问答对，利用大语言模型作为裁判计算QAScore，解决了传统指标临床相关性不足和覆盖实体有限的问题。实验表明QAScore与放射科医生判断更一致，并揭示了基于报告推理范式的局限性。

该研究评估了LSTM、TCN和Transformer等深度学习模型在WESAD数据集上利用手腕和胸部传感器信号进行多模态情感识别的效果。消融实验表明，Transformer在多模态设置下准确率最高，TCN在仅手腕数据下表现最佳。集成方法结合三种架构的预测，达到了98.91%的准确率和98.56%的宏F1分数。

一项新研究在固定总推理预算下重新评估了网页智能体中记忆、工作流和技能模块的收益，发现与token匹配的普通基线相比，这些增强方法在多个模型和领域上并未带来明显优势，且运行间方差显著影响结果。

NVIDIA发布Nemotron 3 Ultra，一个5500亿总参数、550亿激活参数的混合专家Hybrid Mamba-Attention语言模型。该模型在20万亿文本token上预训练，上下文扩展至100万token，并通过SFT、RL和MOPD进行后训练。它采用LatentMoE、多token预测、NVFP4预训练等关键技术，推理吞吐量最高可达现有公开LLM的6倍，同时保持同等精度，适合长时间自主智能体任务。所有检查点、训练数据和配方已在HuggingFace开源。

提出CoRA框架，基于GRPO强化学习对齐模型置信度与生成理由，减少误导性高置信度答案。在MedQA等数据集上，对齐误差降低26.51%，准确率保持且校准改善。

Yinhan Lu 等六位作者提出 AC-GPT，对标准因果 Transformer 做简单修改，使其能在单次前向传播中评估和采样任意条件分布（包括基于过去、未来及混合上下文的条件），同时保留从左到右的排序和下一词预测目标，因此可直接微调现有大语言模型，在任意条件建模上优于基线且不损害标准从左到右性能。

研究者提出“Telegraph English”——一种将检索段落改写为结构化实体-关系陈述的可读符号格式，用于小模型多跳问答。在 MuSiQue、TwoWiki 与 HotpotQA 三个数据集上，该方法在同等 token 预算下比字符删除、截断、随机子采样三种基线高出 13 至 20 个 F1 百分点，并在最难的数据集上优于同一编码器生成的连贯散文摘要。但预先登记的推理深度交互假设未获支持。

一篇新论文首次系统研究了证明自动形式化模型的鲁棒性，提出了全局和局部扰动两类扰动，并在 miniF2F 和 MATH-500 上构建基准测试，发现现有七个模型对全局扰动敏感，且多数在局部扰动下不能保持忠实。

PhoneHarness 是一个面向手机使用智能体的混合动作基准与执行框架，支持 GUI、命令行与主机侧工具动作，在标注评估集上达到 75.0% 的通过率，比最强非 PhoneHarness 设置高出 12.9 个百分点。

本文提出CILN框架，通过受控输入污染生成实例相关噪声（IDN），使模糊性来源显式可控。在CIFAR-10、MNIST和Adult上构建了90个基准设置，证明了噪声结构（而非仅噪声率）对基准难度和算法行为的重要影响，并揭示了流行噪声标签学习方法（如Co-Teaching和DivideMix）的失败模式。

一项新研究探索了使用考试期间收集的生理数据（皮肤电活动、心率和皮肤温度）来预测学业成绩。研究比较了从逻辑回归到Transformer的多种机器学习模型，发现简单模型如随机森林在效率和可解释性上可能优于深度学习，而Transformer在处理数值数据上展现出与LSTM和GRU相当的性能。

该研究比较了19种图神经网络层在自动驾驶轨迹预测中的表现，发现ARMA、Chebyshev和拓扑感知层效果最佳，并提出了设计原则：基于和的聚合优于基于均值、多头注意力机制增强交互、不同跳距分配不同权重可提高预测精度。

该研究将自主实验模式重构为基于LangGraph的有状态ReAct智能体，通过持久化状态避免每次迭代重建上下文，在超参数调优和代码优化任务中分别减少90%和52%的令牌消耗，同时保持优化质量。

本文研究推荐系统中动态路由查询到多个嵌入模型的问题，将其形式化为对抗性上下文线性赌博机与低秩专家，提出Hypentropy策略梯度算法，实现避免维度灾难的策略遗憾界。

GRASP是一种新的多源迁移学习方法，通过顺序处理、参数梯度对齐和迭代微调，在保持O(1)内存消耗的同时实现了优于集成的准确性，适用于资源受限和动态源域场景。

研究者提出α-FISP框架，在精算公平与团结公平之间构建可调连续统，通过约束优化在保证偿付能力的前提下实现交叉补贴的预算控制，并给出理论保证与数值实验验证。

GRAPE 提出一种训练框架，通过渐进式暴露参数空间并引导新增容量投向高压力模块，在近乎相同计算预算下将 CIFAR-10 上 PGD-20 鲁棒准确率从 51.70% 提升至 56.94%，同时减少约 21.4% 的参数量。

QPILOTS提出了一种在推理时引导流匹配和扩散策略的方法，无需修改原始策略或通过多步去噪过程反向传播评论家梯度，从而避免了数值不稳定性。在离线到在线强化学习基准上，该方法在50个任务上平均成功率达到90%，并成功应用于冻结的视觉-语言-动作（VLA）基础模型。

研究人员提出一个由基础模型驱动的框架，用于对齐CT影像与纵向电子健康记录（EHR）数据，并在两个临床时间到事件（TTE）任务上系统评估了四种融合策略。结果表明，当两种模态贡献相当时，融合能将一致性指数提升1.5%–5.4%；对比式融合在肺栓塞死亡率预测上表现最稳健，而不同任务的最优融合方式不同，说明需要任务感知的多模态对齐设计。

研究者提出 OSGuard，这是一套双粒度基准，用于评估计算机使用代理在执行真实桌面与网页任务时的安全性。它包含动作级护栏判断基准和风险增强执行套件，后者在保持原任务可完成的前提下引入隐性危险，从而区分安全完成与以不安全捷径达成目标。实验显示现有多模态护栏在孤立动作判断上表现良好，但在端到端执行中仍暴露安全缺口。

Metric Match是一种通过选择代表性样本进行人工标注来估计LLM裁判可靠性指标的方法。实验表明，该方法在四种相关性指标和15个数据集上对比随机选择的胜率达到0.838，平均估计误差降低18.7%，标注需求减少32.5%。在医疗案例中，该方法相较于随机选择节省了1041.67美元的专业标注费用。此外，该方法还能将任务从可靠性估计扩展到可靠性分类，判断裁判是否超过部署阈值。相关代码已开源并提供安装包。

一篇被 ICML 2026 接收的 arXiv 论文提出几何框架，通过将神经科学标准形式化为约束逆问题来识别“AI engram”，并导出一个闭式估计量以分离记忆痕迹，实现对知识的线性算术操作。

SERAF 提出一种多模态框架，在时间序列及其自生成文本描述上进行双重检索，以克服非平稳条件下仅依赖时间序列相似性的局限，并在七个真实数据集上验证了有效性。

该论文提出一种基于“代价验证”的行为学方法来测量AI智能体间的信任。在合作生存游戏中，验证队友答案消耗资源，而信任错误答案可能致命。通过比较模型与无记忆版本，减少验证行为即为信任的可观测指标。研究对六个前沿模型快照进行了测试，发现四个大模型在可靠队友面前验证减少60-85%，而两个小模型几乎不调整。失败会逆转信任折扣，但模型反应不同：有的聚焦于出错者，有的对整个团队更谨慎。信任恢复比形成更慢，集中爆发的失败比分散失败导致更持久的怀疑。会形成信任的模型验证更少、决策更快、收益更高；而持续过度验证则与犹豫不决相关而非安全性。结果表明信任倾向可在部署前测量，治理应关注校准而非最大怀疑。

该论文提出关系结构因果模型（Relational Structural Causal Models），将Pearl的结构因果模型扩展到对象及其关系不断变化的情形，并给出符号化可识别性判据与可证明正确的关系神经因果模型，在模拟交通场景中优于非关系基线。

Dr-DCI 是一种检索器引导的直接语料库交互（DCI）框架，将检索视为代理可调用的操作，通过动态扩展本地工作空间来平衡可扩展性与精确性。在 Browsecomp-Plus 上达到 73.3% 的准确率，优于原始 DCI 和 BM25，并能稳定扩展到 2000 万文档。

本文提出一种基于反事实解释并考虑对话者先验信念的良好解释定义，探讨了该定义对AI可解释性的影响，特别是为何难以对LLM输出生成良好解释。