IntentNav是一种从人类演示中学习类人物体导航策略的框架。它通过前沿的人类意图标注方法推断高层搜索意图，并利用空间视觉候选空间实现高效探索。在多个基准测试中达到最先进性能，且零样本迁移到多种机器人平台。

Q-VGM是一种离策略强化学习方法，通过引入VGG-Flow将值梯度转化为去噪时间值梯度场，避免了对去噪链的反向传播，从而有效微调流匹配视觉-语言-动作（VLA）策略。在LIBERO、RoboTwin 2.0及真实机器人桌面任务上显著提升了成功率。

PRISM 提出一种任务无关框架，利用世界模型自身冻结编码器与轻量 MLP 提取动作先验，通过高斯乘积融合引导模型预测控制采样，在 Cube 和 PushT 任务上分别比原始世界模型 MPC 提升 35 和 32 个百分点成功率。

研究者提出X-OP，一种仅用单个XR设备驱动的分层全身遥操作框架，借助基于模型预测控制（MPC）的运动重定向器，无需针对特定机器人重新训练策略即可泛化到多种机器人形态，并在仿真和真实实验中验证了有效性。

研究人员实时部署了一种基于时间卷积网络的端到端动力膝踝假肢控制器，可直接从机载传感器估计连续执行器信号，无需意图分类器或受试者专属调参，并在五种运动模式下初步验证了速度、坡度和楼梯相关的自适应辅助行为。

本文提出一种基于深度确定性策略梯度（DDPG）的强化学习方法，用于解决威胁环境中自主车辆的路径规划问题。该方法将威胁建模为圆形禁飞区，通过模拟环境训练智能体学习从状态到动作的映射，以快速生成安全路径。仿真结果表明，与伪谱最优控制方法相比，DDPG方法在保持路径有效性的同时显著提升了计算速度，更适用于实时决策。

MinNav 是一套仅依靠单目相机的光流与不确定性驱动导航方案，无需场景先验即可穿越静态/动态障碍与未知形状缝隙，并在真实实验中实现约70%的成功率；该工作已被 ICRA 2026 接收。

该论文提出VoLoAgent，一个将VLA/WAM作为可中断工具、在物理世界中实时编排的视觉语言模型，并推出RoboVoLo长时程操作基准，实验显示其显著优于单模型或工具系统。

一篇新的arXiv论文提出NeuroAlign，这是一个分层框架，用于融合功能MRI的动态连接信息与扩散张量成像的结构信息，以分析轻度认知障碍。它引入了DMHA和DDHI两个对齐与交互模块，以及无梯度的归因方法SAM，并在GUTCM、ADNI和OASIS数据集上以五折验证报告了有竞争力的MCI/SCD检测表现。

研究人员提出AMN，一种双编码器分割框架，融合Swin Transformer和ResNet-50特征金字塔，通过可学习的逐通道门控机制动态调整各尺度贡献，并采用多目标损失函数（包括类别加权焦点损失、边界感知损失和不确定性调制分类项），在CoNIC基准上取得平均Dice 0.82和平均F1 0.68，优于八种基线模型，并在MoNuSeg上展现出强泛化能力。

本文针对非结构化城市交通中密集、遮挡和运动不规则等挑战，提出了一种基于360度LiDAR的全方位感知框架，结合扇形区域全景处理与旋转等变稀疏卷积，在印度城市交通数据集上验证了其有效性。结果表明，该框架对汽车、公交车和卡车等大型物体检测性能优异，但对行人、自行车和摩托车等小型可变交通参与者检测仍有提升空间。

SENTRY提出一种基于有限总体抽样理论的统计故障注入框架，能在仅数千样本下以99%置信度将故障率误差控制在1%以内，实验成本降低最高10,700倍，并揭示ViT对归一化层和IEEE-754指数位的特定脆弱性。

这项研究探讨了人类和前沿多模态大语言模型（MLLM）在辨别真实与AI生成的法律证据照片方面的能力。研究者构建了SLED-1400数据集，包含200张真实证据图片和1200张由六种文本到图像生成器生成的合成图片。实验显示，人类总体准确率为64.8%，在最强的生成器面前准确率近乎随机；MLLM从未误判真实图像，但漏检了大量合成图像。结论是任何单一方法都不可靠，需要结合人类审查、MLLM筛查和来源追踪技术。

研究揭示视觉语言智能体在将图像中的敏感文本复制到工具参数时存在高风险，基线传播率达78.8%至85.5%，防御提示下不安全文本传播仍达52.6%，且安全措施可能通过抑制工具使用而非保持实用性来降低风险。

本研究从机制角度分析对抗性微调对视觉Transformer（ViT）的影响。结果显示，针对特定图像损坏的微调能提升模型在该类损坏上的性能和确定性，但无法泛化到未见过的损坏类型；对抗训练虽改变注意力分布和逐层知识演化，却没有根本改变ViT学到的稀疏表示。

SlideCheck 是一个基于冻结病理基础模型特征图的轻量级预训练数据引导工具，通过提供异常和恶性评分来组织、筛选和审计病理预训练数据，从而将大规模无差异化斑块池转化为可控且可复用的预训练数据集。

这篇博士论文探讨了在真实场景下进行群体情绪识别（GER）时如何保护隐私。它不依赖面部、注视或语音等个体线索，而是利用集体音视频信号推断群体情绪，并提出了两种互补框架：用于音视频融合的交叉注意力多模态架构（结合帧注意力池化）和变分编码器多解码器（VE-MD）框架。

一项研究利用超过4.8万张来自百年捷克考古档案的标注页面图像，微调了CNN、ViT和CLIP等模型，实现对扫描页面按内容类型（文本、表格、图形）的自动分类。RegNetY-16GF在测试集上达到99.16%的Top-1准确率，并在64.9万页未标注数据上表现出超过90%的模型间一致性；而CLIP模型尽管测试集准确率接近，但在未标注数据上的模型间一致性低于65%，不适合部署。

该论文将 MST-Direct 方法从双变量、无条件、小网格场景扩展到多变量、条件和大网格场景，通过稀疏候选限制的 Sinkhorn 匹配器、FFT-MA 高斯骨干和克里金条件化，实现了精确保持多变量联合分布且计算可扩展的地质统计模拟，并在六变量非线性参考分布上优于 PPMT。

本文提出CARTOGRAPH框架，为AI科学家提供可验证的实验引导与拒绝能力。该框架通过未解析子空间实验引导、显式模糊闭合和基于残差的库不足检测，在多个测试中优于原始投影方法。在回顾性审计中，成功标记了A-Lab系统中所有后续被认定为不确定的主张。

本文提出bicache，首个针对扩散语言模型共享前缀的KV缓存技术，通过动态识别浅层安全深度来复用KV，避免精度崩溃，将服务吞吐量提升36.3%–98.3%。

研究人员提出 TriHead-GAN，一种基于 Transformer 的对抗式时间序列生成框架，其三头判别器同时约束分布真实性、跨变量依赖关系与逐步时间平滑性，以生成更贴近真实碳排放数据结构的合成序列，并在多个碳排放数据集及 ETTh1 基准上优于主流基线。

STARIXNet 是一种轻量级神经网络，通过捕捉多系统指标间的时空关系，在多变量空间内指导资源分配决策，优先保障服务稳定性与成本效率。在沃尔玛关键生产微服务中部署后，实现了 10% 至 50% 的显著成本节约，并提升了服务稳定性与客户体验。

新提出的层级涌现框架（HEF）将涌现建模为机制景观中的相变，解释了机器学习、生物学和物理学中独立演化系统趋向相似高层结构的现象。在111次模算术Transformer实验中发现，权重范数在突现前系统性达到峰值，所有突现模型收敛到相同的0.9745±0.014准确率，支持HEF的预测。

SPIN 提出一种张量化策略协调框架，将蜂群拓扑建模为压缩张量网络，把联合策略评估复杂度从指数级降至线性级，并采用解耦的神经符号控制流水线，在资源受限的边缘设备上实现低功耗的去中心化蜂群协调。

MedicalRec是一种基于Transformer的推荐系统，旨在帮助研究人员为医学图像分类任务选择最佳模型，从而减少反复试验带来的计算能耗和电子垃圾。该系统基于从3000篇文章中收集的MedicalRec-Bench数据集（包含5000多条模型记录）进行训练，在评估中实现了最高75.5%的HitRate@100。

该论文介绍了RL4F，一个用于核聚变等离子体控制的离线强化学习基准，基于DIII-D托卡马克的真实历史数据构建闭环评估环境，涵盖旋转、密度、温度和压强四个全剖面跟踪任务，并系统评估了模仿学习和离线强化学习基线方法。

本文提出一种最差维度优化方法，用于解决现有多模态过程奖励模型因等权加权导致单个维度失败被掩盖的问题，从而提升多模态推理过程的整体可靠性。

本研究提出了GNOVA框架，一种结合门控循环单元和神经常微分方程的变分自编码器，旨在通过常规临床数据（无需MRI、PET或CSF）双向预测阿尔茨海默病患者的认知评分（CDR-SB和MMSE），实现疾病轨迹的重建与预测，并提供不确定性估计。在ADNI数据集的1727名患者中，模型取得了1.35和2.28的平均绝对误差，年龄、BMI和APOE4状态是关键预测因素。

一项评估地理空间基础模型Prithvi-EO-2.0在19个分布外洪水事件中性能的研究发现，检测精度同时取决于土地覆盖和洪水类型：农田区域一致性最高（IoU=52%），河流型洪水检测最强（F1=0.69），而林地与建成区无论洪水机制如何检测率都接近零（IoU=4%）。双参考验证还表明，部分表观模型误差源于参考产品间的定义不一致，且流程工程在初期错误中占主导地位。