一篇立场论文指出，通用机器人智能的瓶颈不仅在于策略学习，还在于缺乏将非结构化行为数据转化为有根据的机器人监督的机制。作者提出了四个缺失的组件：数据接口、具身接口、世界模型接口和奖励接口。

深度伪造检测系统在基准测试中近乎完美，但法医部署需要可靠的不确定性估计。现有不确定性量化方法依赖单一来源，忽略了最优不确定性组合因架构而异。本文提出相关性优化融合（COF），一种架构自适应框架，通过最大化融合不确定性分数与预测误差之间的皮尔逊相关性，融合五种互补的不确定性来源：认知、偶然、校准、共形和分布。COF无需修改模型，仅需42秒权重优化，而5模型深度集成需要20-45小时。在FaceForensics++上对11种架构的评估揭示了根本性权衡：在匹配训练/评估协议下，非线性方法域内相关性比COF高约5-6%（平均r=0.438），但在分布偏移下情况反转。在CelebDF上，COF在9/11架构上优于随机森林，相关性最高提升7.3倍（MaxViT-B：r=0.249 vs 0.034）；RF跨域退化85%至r=0.071，而COF保留更多信号（下降74%至r=0.116）。跨数据集评估（CelebDF和DFDC）显示所有方法均出现灾难性泛化失败：域内相关性0.41-0.47降至外部接近零（平均退化90.7%），11种架构中有7种出现不确定性反转。这些结果将COF确立为可控分布部署的实用可解释框架，并指出域自适应UQ是法医部署的核心开放挑战。

ViSAE是一个受神经科学启发的机制可解释性工具箱，通过概念回路理解视觉Transformer的内部工作机制，包含探测套件、概念读取与回路追踪算法，以及审计与操控应用，在WaterBirds上通过概念编辑将最差组准确率提升48.2%。

DIRECT框架通过将插入条件分解为外观、几何和上下文引导，实现了可控制姿态的对象插入，在几何控制和视觉质量上优于现有方法。

本文提出DTG-FF方法，在前向-前向（FF）学习框架上实现了多个真实数据基准的最优性能，但发现：在真实数据上，反向传播（BP）仍显著优于FF，且差距随类别数增加而扩大；合成任务高估了FF的可扩展性；在同等硬件条件下，FF的内存优势并不成立。

WorldBench 是一个新的多模态推理基准，旨在评估 MLLMs 在多样化视觉世界中的表现。它基于数千个视觉概念的分类体系构建，包含手动设计的挑战性问题。评估 15 个模型显示，最强模型仅达到 64.0% 的准确率，部分模型仅略高于随机水平，揭示了视觉理解方面的弱点。

该论文提出AE-YOLO框架，通过在多尺度特征融合中嵌入轻量级自编码器、引入CBAM注意力机制和方差最大化正则化策略，并融合YOLOv8/v10/v11的预测结果，显著提升了无人机图像中绝缘子缺陷检测的精度与召回率。

该论文利用CAT793F非公路卡车模拟器的真实驾驶舱图像，采用U-Net与DeepLabV3+两种卷积神经网络架构进行前景与背景分割，以促进混合现实中虚拟图像与真实图像的融合，结果取得约90%的准确率并确定了最佳模型。

研究人员提出OPDLM方法，利用在线策略蒸馏将自回归语言模型高效转换为扩散语言模型，解决了训练与推理不匹配和知识遗忘两大挑战，所需训练词元减少15至7000倍。

一篇新论文指出，网页智能体在长时程任务中每步都读取完整DOM导致上下文过载；作者提出信号驱动观察（SDO），仅在检测到关键信号时才重新调用子模型提取任务相关元素。

一项研究分析了来自75个国家1500份开放式回答，发现人们对AI的偏好高度多样且矛盾。除“真实性”外，多数价值观被不到四分之一的受访者提及。即使“真实性”也被赋予不同含义，有些要求来源可查，有些要求专家意见，还有些要求不受欢迎的观点。某些AI能力，如拟人化行为，存在争议。研究指出当前RLHF对齐方法存在根本缺陷，将情境化、有争议的信号压平为普遍偏好模型，构成“认知暴力”。

研究者提出搭便车假说，认为聊天模板中的前缀词元会将微调行为搭便车到域外查询，并据此提出Token正则化微调TReFT，在保持域内学习的同时显著减少涌现性错位。

CAF-Gen 是一个多智能体框架，通过迭代的创建者-审查者流程，将浅层论证结构丰富为符合 Carneades 论证框架（CAF）的模型，以克服单次生成模型的结构不稳定性。

该研究通过词元级不确定性信号识别语言模型推理失败的两种不同过程：承诺性失败（模型早期锁定错误路径）和持续性不确定（不确定性持续累积）。框架在23个模型-数据集配置中验证，20例通过可证伪预测，并展示了对自一致性方法的改进。

UnpredictaBench是一个新的基准测试，用于评估大型语言模型（LLM）捕捉真实底层分布的能力。随着LLM越来越多地被用作其他实体的替代品（例如，在经济模拟中替代人类），许多模型倾向于收敛到单一合理答案，无法捕捉真实系统的不可预测性。该基准包括448个问题，涉及典型统计分布、随机程序诱导的分布以及描述随机过程的自然语言场景。采用KS@N指标，通过Kolmogorov-Smirnov检验量化模型输出近似黑盒目标分布的程度。实验表明，模型表现差异很大，KS@100得分从接近0到超过20%，没有模型能超过40%。添加推理能力可以略微提高得分，但无法根本解决。UnpredictaBench表明，即使是简单的分布模拟仍然具有挑战性，是使用LLM作为复杂系统替代品的必要第一步。

一篇新论文指出，当前LLM个性化评估大多依赖合成数据，与真实用户表现存在显著差距。研究通过收集550段人类对话和近两万条人类判断，在个性化三个关键阶段揭示了系统局限性，并尝试用轻量训练干预缩小自动评估与人类判断的偏差。

研究人员提出 PolyFact 数据集，并发现 GRPO 强化学习方法在提升大语言模型跨语言事实一致性上优于监督微调，同时能更好地泛化到未见语言。

一种名为GPLFR的新模型，结合压缩与预测，通过高斯过程先验和低维潜在状态解码高维输出，适用于低数据量场景。首次用于构建岩石系外行星全球气候模型的空间分辨仿真器。

该论文提出program-of-layers（PoLar）概念：预训练LLM的层可被当作模块，针对每个输入动态跳过或循环，从而用更少层数取得同等或更高准确率，甚至纠正原模型的错误预测。作者训练轻量预测网络自动生成执行程序，在数学推理基准上稳定优于标准推理和已有动态深度方法，并在分布外评估中保持增益。

本文论证当前次于AGI能力的生成模型对知识生产与文化传承构成结构性风险。人类时间性学习（HTL）是指通过持续投入时间解决问题的路径依赖式知识积累。生成模型的输出在表面特征上日益接近HTL密集型成果，导致验证真实人类学习的成本相对于预期收益不断上升。一旦验证失去经济合理性，评估者将奖励所有产出而不区分生产方式，投入多年学习的人类生产者被迫与几乎零成本的生成输出进行价格竞争。作者将这一路径称为“价值崩溃”，并通过高成本检验框架加以形式化。跨学科证据（学术出版、法律实践、内容平台、软件安全）映射出四个验证侵蚀阶段。模型对齐的成功反而是正交因素：更优对齐缩小了人类与AI输出之间的可观察差距，使来源验证更加困难，从而加剧了对HTL密集型工作的竞争压力。

一篇新综述首次系统梳理了符号回归（SR）中的不确定性量化（UQ）问题，将现有研究归纳为频率学派、贝叶斯和模型选择三个方向，并指出该领域仍缺乏可靠的不确定性量化方法，限制了SR在现实决策中的应用。

本文提出WAV v1，一种轻量级多分辨率残差路由方法。标准残差流使用固定权重聚合，而近期方法通过内容相关路由改善，但块级摘要丢失了注意力与MLP不平衡等方向性结构。WAV v1为每个块添加相位基和分裂基两个方向细节基，与块摘要一起通过深度softmax混合器路由，并采用负细节源初始化和分离RMS匹配稳定训练。在字符级TinyStories和Text8语言建模上，WAV v1在12层时效果不显著，24层具有竞争力，48层显著优于所有基线，验证损失分别从0.4960降至0.4738和从0.9363降至0.9305，参数增加可忽略。结果表明方向性残差细节对于深层Transformer的残差路由缩放至关重要。

MacArena 是一个包含 421 个手动验证任务、覆盖 50 个应用的 macOS 基准测试，运行于 Apple Silicon 的原生虚拟化框架。该基准揭示了当前 GUI 代理在 macOS 上面临的独特挑战，模型排名在移植任务与原生任务间出现反转。

研究人员利用太赫兹双梳光谱（THz-DCS）对12种聚合物进行分类，并提出多尺度特征注意力网络（MSFAN）深度学习架构，实现了85.2%的分类准确率，优于现有最先进模型。

扩散大语言模型(dLLMs)在迭代精炼令牌时存在“稳定滞后”问题，早期决策即使已提交仍很脆弱。后训练量化(PTQ)错误容易翻转这些边界决策并永久锁定放大。为此，本文提出FAIR-Calib，一个两阶段PTQ框架：第一阶段探测全精度教师以估计结合前沿命中与掩蔽阶段可靠性的位置先验；第二阶段通过最小化重加权隐藏状态MSE执行离策略逐层校准，优先保护脆弱的前沿状态。理论上证明加权目标是输出KL散度的代理。实验表明，FAIR-Calib在LLaDA和Dream模型上持续优于最先进基线，显著减少了前沿决策翻转和后提交不匹配。

Elmes* 是一个端到端框架，能自动构建、优化并应用针对具体教学场景的细粒度评估标准。它结合多智能体交互引擎和自进化模块 SceneGen，并据此构建了覆盖 330 个场景的 Edu-330 基准，揭示顶级大模型在教学能力上各有短板，而教育专用模型 InnoSpark 在人工评估中表现最佳。

一篇 arXiv 论文研究了并行连续局部搜索（CLS）用于求解带对称伪布尔约束的布尔可满足性问题，通过实验发现冗余约束可能阻碍收敛、CLS 在混合求解中作为子求解器有潜力，且局部搜索会因鞍点密集的目标函数快速收敛到稳定的解质量分布，为在加速器硬件上实际使用 CLS 提供了参考。

AFSAT 将 FastFourierSAT 原型升级为完整工程化求解器，支持异构对称约束，并借助 JAX 实现大规模并行连续局部搜索、数值稳定性改进与多加速器近线性扩展。

这篇ICML口头报告立场论文指出，模型不是静态产物，而是训练过程的快照；AI科学应从训练后的行为分析转向研究塑造行为的训练动态，逐步实现预测、干预与设计更可靠训练流程的目标。

CARVE-Q是一种量子-AI混合架构，用于对自动驾驶中被否决的机动进行经过认证的修复。它利用量子最小搜索加速修复枚举，同时保持安全认证的经典性，实现了可证明的加速和100%的合规性。