开放运动规划库（OMPL）自2008年首次发布以来，已成为运动规划社区的基石，提供了大量最先进的基于采样的算法实现。经过近二十年的持续发展，OMPL 2.0通过硬件加速瞄准实时运动规划，并与现代AI研究工作流程无缝集成。

MonoDuo 提出一种利用单臂机器人演示与人类协作数据来训练双臂机器人操作策略的框架，通过合成演示实现零样本部署，并在少样本微调下显著提升成功率。

研究人员提出“动态对称性”概念，并用“动态各向同性”量化机器人质心加速度的均匀性。在1000多种模拟形态中，动态对称性越高，轨迹跟踪、任务成功率、鲁棒性和能效越好；据此开发的Argus球形机器人家族，其中20腿物理样机实现近极端动态各向同性，展示了全向运动、崎岖地形适应、快速自稳定和容错能力。

本文提出一种数据驱动的电弧增材制造（WAAM）焊道几何控制方法。该方法使用简单的循环神经网络学习过程模型，并采用一步预测控制，同时利用前一层预测误差在线更新模型以适应热条件变化。在集成线扫描仪反馈的机器人WAAM测试平台上，该方法相比恒定输入和静态模型基线，显著提升了焊道高度和宽度的一致性。

本文提出一种支持多输入分辨率的端到端卷积神经网络，通过逐分辨率批量归一化实现运行时分辨率选择，在延迟预算下优化自动驾驶的安全指标。在CARLA仿真中的实验表明，该方法相较于固定分辨率基线在车道入侵、闯红灯和碰撞等安全指标上均有持续改善。

本文介绍了一种名为“仿生群体”的人在回路系统，它通过将机器人难以实现的任务交给人类用户来降低群体和野外机器人研究的验证门槛。该系统通过智能手机应用和蓝牙传感器指导人类用户执行搜索算法，并以Score-Biased-Search算法为例，在户外环境中验证了其功能，表明该方法能显著降低研究进入壁垒。

该论文提出了一种目标感知的自监督预训练与模型集成策略，利用未标记的目标域数据提升医学影像AI在跨设备场景下的泛化性能。在儿科腕部骨折超声评估任务中，该方法在目标域上Dice系数提升超过6%，实现了标签高效且隐私保护的跨设备鲁棒AI。

论文《Seeing through boxes: Non-Line-of-Sight 3D Reconstruction from Radar Signals》提出GeRaF 2.0框架，融合视线几何约束与神经场，实现射频信号下隐藏场景的高质量三维重建，在CVPR 2026发表。

GeRaF 是首个利用神经隐式学习从射频信号中重建近场三维几何的方法。它通过滤波渲染、基于物理的射频体渲染以及无透镜采样与混合策略，解决了射频信号低分辨率、高噪声和立方复杂度等挑战，为实现毫米级几何重建迈出了第一步。

研究人员提出轻量级互补线索融合方法，在Xception基线上仅增加292个参数，便在FaceForensics++和DFDC-Preview上分别提升AUC 3.8%和4.4%，且持续优于F3Net、SRM和SPSL等频率检测器，挑战了人脸伪造检测中“规模驱动”的设计思路。

该论文提出一种自监督增强框架，利用方位子孔径分解为Sentinel-1条带模式影像生成配对训练数据，无需外部传感器或模拟真值，并通过迭代推理逐步提升图像质量。在真实数据上，其PSNR和SSIM优于MERLIN基线，但MERLIN在散斑平滑度（ENL）上更高，揭示了结构保真与散斑抑制之间的权衡。

Embodied3DBench 是一个面向机器人中心的基准，用于系统评估视觉语言模型在具身 3D 环境中的低层空间智能。它包含 6 类任务、12 个子类和超过 2.1 万个高质量问答对，评测了 13 个先进模型，发现当前模型在高层空间推理上表现较好，但在交互导向感知上仍很脆弱。为弥补这一差距，作者还合成了包含 130 万问答对的大规模训练数据集，微调后能显著提升低层空间智能。

本文提出TRACE，一种无需训练的轨迹约束重建框架，通过耦合相邻状态来稳定扩散式和迭代式成像逆问题的重建路径，并提供稳定性分析及实验验证。

本文提出扩散测地矩（DGM）描述符，并将免训练形状描述符的评估重新定义为协议审计。在FAUST-Reg和TOSCA数据集上的实验表明，基于热核签名特征的几何矩形状描述符基线（GMSD-HKS）表现最佳，而输入场和聚合协议可能比矩公式本身更具影响力。

GAP3D提出一种模块化扩散方法，将视觉语言模型（VLM）的潜在特征对齐到预训练图像编码器的完整补丁级特征空间，使冻结的下游生成模型能利用VLM作为提示编码器，同时保持空间结构化的条件信号。

本文发现扩散桥模型在模仿标准扩散模型的得分匹配时，会在目标端点附近出现异常欠拟合，原因是输入与回归目标之间的噪声水平差异过大。作者提出噪声对齐扩散桥（NADB），通过均值网络和噪声对齐映射关系来纠正这一问题，并在图像恢复和翻译任务上验证了有效性。

本文提出S3MEM，一种结构化场景事件记忆框架，用于长时域交互式问答。S3MEM通过结构化记忆单元写入轨迹、基于锚点的检索和紧凑的令牌预算感知证据接口，显著提升了回答早期事件的准确性和效率。在多个环境中的实验表明，S3MEM在准确性与效率的平衡上优于现有方法。

一项新研究对14个开源安全护栏模型进行了全面评估，发现参数量较小的Qwen Guard（4B）召回率最高（83.97%），而更大的Llama Guard（12B）和GPT-OSS Safeguard（20B）则可能漏掉多达75%的不安全内容，表明模型规模与安全检测性能无关。

Aryabhata 2 是一个面向竞争性STEM考试（如JEE和NEET）的推理型语言模型，基于GPT-OSS-20B通过强化学习后训练构建，在提升推理性能的同时将输出token减少最多64%。

研究者提出 Micro-Macro Retrieval（M2R）框架，通过在生成过程中同时进行宏观层面的外部证据检索和微观层面的关键信息复用，缩小关键信息与模型输出之间的距离，从而降低长文生成任务中的事实性幻觉。

RightNow-Arabic-0.5B-Turbo 是一个518M参数的阿拉伯语专用解码器LLM，基于Qwen2.5-0.5B构建。它通过注入27,032个阿拉伯语词元、在504M阿拉伯语词元上继续预训练，并经过指令微调、偏好优化和权重汤合并，在三项阿拉伯语基准上达到35.9%平均准确率，超越同规模开源模型，并发布了完整的代码、权重和基准脚本。

一项分析17个模型（410M至100B+参数）的研究发现，指令调优会系统性降低语言熵并抑制复杂标点，而强控制（λ=5.0）能显著改善这些坍缩，效果甚至超越规模大200-1000倍的前沿模型，表明对齐需要足够的控制强度而非仅仅分布平滑。

该论文提出MechELK，一个三阶段框架，将机制可解释性工具与潜在知识提取相结合，在TruthfulQA等基准上达到84.7%的平均提取准确率，并能在模型表面输出错误或回避时识别出78.3%的潜在知识，有助于检测欺骗性对齐。

本文提出一个模块化框架，通过从PHOIBLE采样音素库、在可互换的音系语法下生成词形，并借助语义本体分配意义，从而构建可发音、类型学上合理且语义结构化的合成词汇。在100到5000个词形的规模上评估表明，概率语法在音位配列连贯性和类型学真实性上均优于确定性基线和随机基线。

随着大型语言模型（LLM）影响力的扩大，理解其决策过程变得至关重要。本文提出通过构建低成本、可广泛应用的线性探测工具，检测LLM嵌入中概念的存在与否，从而揭示模型“思考”的内容。研究展示了概念界定、探测训练与跨上下文追踪的完整流程，并在三个LLM上对四个概念进行了验证，为未来大规模监控模型行为奠定了基础。

arXiv 论文提出平衡多模态标签重塑（BMLR）方法，从标签侧设计入手，通过重塑跨模态标签空间来均衡各模态的映射难度，从而缓解多模态学习中的模态不平衡问题，并在多种架构上验证了其有效性。

宏基因组分类注释旨在识别环境样本中DNA片段的微生物起源。传统方法依赖序列相似性，受限于微生物多样性和参考数据库的不完整性。TaxDistill提出一种知识蒸馏框架，利用500M参数的基因组基础模型GenomeOcean作为教师网络提取深层语义特征并生成基于置信度的软标签，将软标签信息蒸馏到轻量级学生网络中，有效减少初始检索工具引入的标签噪声。在七个CAMI2数据集上的实验表明，TaxDistill在多数场景下优于现有基线，例如在胃肠道数据集上将MMseqs2的F1分数从0.763提升至0.941。

PrismFlow 提出一种基于 Koopman 启发式动力学专家的流匹配方法，通过置信度感知的 Winner-Take-All 目标训练多个专家网络学习残差修正，有效缓解标准流匹配中的谱收缩问题，在时间序列生成基准上取得最优性能，Context-FID 提升 15.6%，判别分数提升 38.6%。

本文提出COM方法，通过在初始化和训练阶段引入几何约束，保留时间序列标记的连续性和序数性，显著提升基于令牌的时间序列大语言模型（TS-LLM）的性能。实验表明，COM在多个基准上取得一致改进和强泛化能力。

本研究在四人纸牌游戏大老二中探索自对弈强化学习框架，对比多种算法发现PPO优于蒙特卡洛Q近似、SARSA和Q学习。适度的熵正则化可防止策略过于确定，当前策略自对弈比检查点自对弈或固定对手训练提供更強的有限预算课程。结果表明大老二是不完全信息、多人互动、延迟奖励和可变动作集下深度强化学习的有用受控基准。