TopRec是一个AI驱动的平台，帮助招聘人员对候选人进行排名，并构建自我维护的CRM。它特意避免被推广为PWA，以防止缓存问题，建议作为网站使用。

Robinhood 推出 Agentic Trading，用户可连接 AI 代理来自动化交易和信用卡购买，并配备安全控制和实时活动监控。

BetterCallClaude 是一个专为意大利法律专业人士设计的开源AI法律代理平台。它提供20个专业化AI代理，覆盖意大利所有20个地区，支持双语（意大利语和英语），并注重隐私保护，符合GDPR和意大利数据保护法。该平台可加速法律研究，提高效率，并保持完全透明和开源。

斯隆奖得主、UC Berkeley物理系助理教授戴亮加盟复旦大学，出任物理学系、天文与天体物理研究中心教授。复旦近年引进多名顶尖人才，包括苏昊、袁峰、季索清等。

黄仁勋受邀加入清华大学经管学院顾问委员会，该委员会由苹果CEO蒂姆·库克担任主席，成员包括马斯克、纳德拉、马云等全球商业领袖。此外，他刚获得卡内基梅隆大学荣誉博士学位，并分享名言“AI不会取代你，但善用AI的人会”。

本文探讨了AI代理系统中的阿姆达尔定律：系统加速比受人类判断时间占比H的限制。提出了“自清偿式H”概念，即每次人类干预都应产生可重用的工件（如测试用例、规范更新），以减少未来同类干预。强调通过配置化（configurancy）和规范套件将人类知识编码为机器可读形式，从而让代理自主运行。示例包括ElectricSQL的协议变更、Emil Stenström的HTML5解析器、Gas Town的多代理系统以及Ralph Loop的迭代模式。

上个月，在北京半程马拉松中，名为“闪电”的机器人以比人类世界纪录快近七分钟的成绩完赛。这引发人们对机器人是否将像聊天机器人一样进入日常生活的讨论。中国领跑这场变革，政府承诺未来20年投资超1000亿英镑于机器人技术。

本文提出模拟信息扩散（SID）框架，利用约束感知扩散模型（CADM）预测邻居机器人的未来轨迹，从而在每个机器人本地进行安全运动规划。SID仅在高拥堵场景下触发通信，实验表明其在规划有效性和约束满足上优于基线方法，可扩展到108台机器人和160个障碍物的场景。

本文提出一种基于事件相机的实时异步单目里程计初步设计，用于行星探测。该方法使用误差状态卡尔曼滤波器（ESKF）处理异步事件流，并依赖RATE实时异步特征跟踪器的输出更新相机状态，旨在满足行星车在严格计算约束下对高速感知和高动态范围光照鲁棒性的需求。

研究者提出 Trinity，一个基于 Transformer 的统一网络，同时进行类别特定语义分割和类别无关地形分割，并引入合成数据集 RUGDSynth 与真实数据集 EXTerra，以提升移动机器人在非结构化户外环境中的地形理解能力。

研究者提出 Speak-to-Objective 智能体流程，用大语言模型将自然语言指令转化为可微分目标函数，在光流控平台上实现激光诱导微颗粒组装。

Uni-LaViRA是一种统一的具身导航智能体架构，将导航决策简化为单一的语言-视觉-机器人动作翻译。它利用预训练的多模态大语言模型（MLLM），以零样本方式在四个任务系列和四种真实机器人上实现泛化。通过待办列表记忆（TDM）和第二次机会回溯（SCB）机制实现自我纠正导航，无需任何训练即可在多个基准测试中取得与依赖大规模训练数据的模型相当甚至更优的结果。

一项针对小型触觉社交机器人的研究比较了合成情感反馈与积分奖励两种参与策略。对6-8岁儿童的偏好评估显示他们更喜欢情感互动，而对20-27岁大学生的行为研究却发现积分系统能带来更高的任务准确率和持续表现。这表明不同年龄组的偏好与行为结果可能存在分歧，设计假设需通过实际观察验证。

SCALE-COMM 是一个自监督框架，通过将通信学习与策略优化解耦，为多智能体强化学习训练紧凑、稳定且与策略相关的通信表示，在基准任务和仓库协调任务上均优于现有方法。

GE-Sim 2.0 是一个面向机器人操作的闭环视频世界模拟器，在真实机器人数据上重新训练，并新增状态专家、世界评判器和加速框架三个模块，以仅 2B 参数登顶 WorldArena 排行榜，其生成的轨迹和奖励可直接用于训练并带来可测量的真实世界提升。

视频生成模型越来越多地被用作世界模拟器，但现有基准仅评估单视频质量，无法检测模型是否真正理解因果关系。新提出的“如果世界”基准包含319对基于真实场景的提示对，通过改变一个物理变量来测试模型输出的因果一致性。对9个最先进模型的评测显示，最佳配对得分仅52%，开源模型约28%，且表现与视觉显著性相关而非物理可解性。

一项在俄罗斯奥廖尔进行的单中心前瞻性研究对Melanoscope AI移动皮肤镜CDSS进行了验证，结果显示与专家评估的一致性达88.6%，特异性为88.3%，在5例恶性病变中未出现假阴性，并提出了基于IoU的可解释性量化评估方法和三区患者路由算法。

本文提出以DINOv2、DINOv3和CLIP等模型学习的表示作为条件，驱动潜在扩散模型生成合成图像数据集，用于训练图像分类器。实验表明，该方法在ImageNet100上比类别条件生成提升10.76个百分点，且合成数据规模扩大后可超越真实数据训练的模型2.0个百分点。生成的图像还能用于数据增强和样本筛选。

本研究提出了一种基于头戴式惯性测量单元（IMU）的行为级活动识别方法，超越了传统运动基元识别。研究团队定义了五种与AR应用需求相匹配的行为类别，构建了包含16万个样本的Ego4D数据集，并提出了HiT-HAR层次模型（70.3万参数），在五类动作和八类场景识别任务上优于现有模型。通过可分离性分析，揭示了头戴式IMU的观测极限：移动类行为可靠可观测，物体转移和任务操作类需要时间上下文，场景依赖信号重叠仍是挑战。结果表明，利用时间上下文和场景结构的架构选择优于简单扩大模型规模。代码和数据集已公开。

我们提出 D$^2$Turb，一个统一框架，将基于物理的深度感知湍流仿真与显式解耦的修复网络相结合，用于单帧大气湍流缓解。该方法通过两阶段分别进行纹理去模糊和几何校正，并引入自适应结构先验注入机制来增强信息流动。实验表明，D$^2$Turb 在合成和真实数据集上均达到最先进性能。

该论文提出一种针对具有异构注意力结构（如co-attention）的Transformer模型的通用解释方法，并通过对代表性模型的语义解释与逻辑解释实验，验证了该方法在理解多源信息融合机制方面的有效性。

本研究提出了一种利用微调视觉语言模型（VLM）自动化桥梁损伤理解和修复优先级评分的方法。通过使用QLoRA对LLaVA-1.5-7B进行微调，基于多达4000张桥梁损伤图像和检查文本记录，并在800张图像的测试集上评估。实验表明，2000个训练样本即可在2.9小时内达到接近最优的验证损失，超过2000后收益递减。此外，引入了一个两阶段质量守护代理，使用微调的Swallow-8B SLM在优先级评分前拒绝低质量VLM输出。

第十届ABAW研讨会与竞赛将于CVPR 2026举办，延续双轨结构：竞赛部分覆盖连续情感估计、离散情感识别及情感模仿强度、矛盾/犹豫识别、细粒度暴力检测等复杂行为任务，论文部分则涉及姿态与行为估计、多模态学习、基准评测、公平性与部署等方向。

EvoSpec 是一个动态调整草稿模型词汇和参数的投机解码框架，在专业领域实现比静态基线 FR-Spec 快 1.13 倍的速度，同时内存开销降低 27%。

研究人员提出了CARE框架，通过比较LLM模拟的 discourse 与真实社区对新闻事件的反应来评估LLM对社区语言行为的再现能力。研究发现存在持续的“真实性差距”，即使用明确的社区提示引导LLM并不能提高模拟保真度，且不同前沿模型表现出不同的行为特征，表明当前的对齐策略不足以捕捉在线群体的社会语言学动态。

FLUID 框架通过严格因果对齐和熵驱动的弹性视野机制，将预训练自回归 LLM 高效适配至扩散范式，在保持最先进性能的同时将训练成本降低数个量级，论文已被 ACL 2026 接收。

本文揭示低资源口语语言模型（SLM）依赖合成数据时产生的稳定性-表现力差距，并提出两种自对齐框架（DGSA和TDSC）来恢复表现力，在性能上超越ElevenLabs和Gemini Pro，并首次实现老挝语的零样本语音克隆。

BioELX是一种新颖的跨语言生物医学实体链接框架，无需标注训练数据。它通过维基百科多语言别名增强SapBERT，并利用预训练LLM进行上下文感知消歧。在五个基准测试中，BioELX实现了最先进的性能，尤其在土耳其语、韩语和泰语等低资源语言上表现突出。

RAG-Coding 是一种基于四个 LLM 智能体的 ICD-10-CM 自动编码方法，通过检索官方编码表与指南等外部知识提升准确性与合规性。在 MDACE 数据集上，其 micro-F1 比最佳 LLM 基线高 8-13%，macro-F1 高 2-8%，并发布了细粒度标注的 MDACE-2025 更新版。

本文提出两种新技术，使现有的基于提示的文本到语音（TTS）模型能够实现语际风格插值和语内风格转换，解决了传统模型缺乏细粒度控制和只能应用单一全局风格的问题。实验证明，语际插值在性别转换上成功率达99-100%，语内转换保持了高说话人相似度和感知平滑度。