研究者提出LCO框架，通过自思考模块和进化采样模块，在不微调模型的情况下减少LLM智能体的上下文内奖励黑客问题，在推文互动优化任务中将毒性增长率降低39%，在策略优化基准中将ICRH发生率降低15.23%。

本文提出ICG框架，利用多模态大模型生成提示并融入个性化偏好对齐，以端到端方式生成高质量、个性化封面图像。实验表明，该方法在图像质量、语义保真度和用户吸引力方面均有显著提升。

HEAL是一种新型跨层去中心化学习框架，通过结合联邦学习、Gossip学习和Epidemic学习的优势，利用Elevator算法动态选择节点作为聚合器，在无崩溃场景下达到与联邦学习相似的性能，并在崩溃和节点更替频繁的环境中优于Gossip和Epidemic学习。

该论文提出 SignGAD 框架，将少样本图异常检测从训练固定的异常检测器转变为设计任务条件化的检测工作流，并引入带校验的最终重拟合策略，在多个真实数据集上取得优于现有方法的性能。

本文提出了一种轻量级的架构驱动偏移（ADS）度量，用于在持续学习中高效选择预训练模型。ADS通过解耦对数几率偏移为架构依赖和数据依赖，仅需少量数据样本即可捕捉偏移趋势。实验表明，ADS与对数几率偏移之间存在强单调相关性（斯皮尔曼相关系数最低0.731），并可作为预期校准误差的有效代理，在六个场景、三个数据集上验证了其可靠性。

本文通过六个维度建立了度量感知主成分分析（MAPCA）与几何深度学习之间的精确对应关系，论证了MAPCA的解在保持度量不变的正交群下具有等变性，并证明了不变PCA（IPCA）是满足特定等变性和投影性质的唯一线性数据驱动度量。

该综述论文系统梳理了混合专家（MoE）如何解决多模态学习中的效率、表示与适配问题，并指出可解释路由、专家通信等关键研究空白。论文已被IJCAI 2026接收。

该论文提出 E^3-Agent，一种用于边缘 AIGC 资源管理的可执行、可进化智能体，通过快路径路由器与慢路径 LLM 元控制器分离架构，在线学习并适应动态环境。在模拟器中，相比最佳静态基线平均延迟降低 65%-73%，与在线全信息 Oracle 差距仅 7%-10%。

一项新研究系统比较了对角状态空间模型（S4D）与输入依赖的Mamba架构，发现更简单的S4D在多变量时间序列分类任务上不仅精度更高，而且效率更优，打破了“复杂性越高性能越好”的固有认知。

该论文提出IGADA-IoT框架，通过分层多生成器协作调度与信息差距-模型性能闭环评估，解决无线传感器网络中数据增强依赖单一生成器和经验设定增强数量的问题，在多个下游模型上平均准确率提升7.27%，相比先进数据增强方法提升8.67%。

本文提出个性化观测归一化（PON）方法，用于解决联邦强化学习在异构环境中因状态转移动态不同导致的输入分布差异和参数更新不平衡问题。每个智能体使用持续更新的运行均值和方差对原始状态输入进行本地归一化，确保特征缩放一致且不相互掩盖。实验证明，共享归一化参数无效，PON在异构MuJoCo任务中加速训练并取得更优性能。该论文已被IJCNN 2025接收。

一篇 arXiv 论文提出，人的行为结果可以通过干预其动态潜在状态来控制，该状态被定义为在决策时刻对生理和心理处理维度的时变权重向量。作者引用六条证据线和来自 20 万用户的 24 个月平台数据，推导出七个可检验预测和六项操作要求，并讨论了对数字健康、教育和 AI 个性化的影响。

Agyn是一个开源平台，旨在解决AI代理在生产环境中的大规模运营挑战，其三大核心原则包括：在Kubernetes上实现信号驱动的有状态无服务器运行时、通过Terraform提供程序实现代理和测试框架的代码化定义，以及基于零信任和最小权限原则的安全模型。该平台与代理、模型和云环境无关。

本文提出了一种基于多智能体架构的自主洞察发现系统，用于实时数据流。该系统通过持续发现循环，利用Apache Kafka、Flink和大语言模型实现假设生成、验证及可视化，旨在从被动查询驱动转向主动发现驱动分析。

LaneRoPE通过引入序列间注意力机制和位置编码扩展，使多个LLM序列在生成过程中能够协作，从而在数学推理任务中提升准确率，且对架构改动小、推理开销低。

RULER提出表征级验证指标M2和M4，揭示现有近似遗忘方法虽通过输出级评估，但在中间表征中仍保留遗忘数据痕迹，尤其在人脸识别中身份记忆难以完全消除。

新论文证明大型语言模型无法可靠进行因果发现是其学习范式的根本缺陷，并提出Agentic Causal Bayesian Optimization方法，通过冻结模型作为介入预言机，在外部贝叶斯循环中实现可证明收敛，并在新基准上显著超越微调与偏好优化。

本文提出DynaSchedBench框架，通过顺序事件空间校准器（SESC）和调度压力指数（SSI）严格生成动态灵活作业车间调度问题（DFJSP）实例，解决了静态基准过拟合和未校准生成器噪声问题。研究发现LLM调度代理存在“可观察性悖论”：提供完整结构信息反而会降低性能，且工具增强和细化策略无法可靠提升效果。

本文类比生物进化中的物种起源，探讨合成信息的起源问题，提出利用隐写术实现信息血统追踪的机制，以应对AI生成内容难以追溯来源的挑战。

研究者推出Soro系列塔吉克语专用对话大模型，基于Gemma 3进行持续预训练和指令微调，并开源塔吉克语基准测试，在资源受限环境下实现边缘部署，已用于教育试点。

本文介绍了一种基于大语言模型（LLM）的模块化架构，用于从文本中检测人类价值并量化其强度，避免了对特定价值理论或复杂提示工程的依赖，并在ValueEval数据集上验证了其泛化性能。

一篇论文认为，随着生成式AI消除了人类编写正确代码的能力这一约束，软件工作围绕两大支柱重组：混音模式（人类像音响工程师一样连续操作多个判断轴）和元软件（观察、验证、上下文化和治理其他软件的软件）。这两个支柱不可分割，借鉴了从手工艺到统计控制的批量生产的历史转型。

诺亚·史密斯认为，随着AI能力增强，人类将从技术工作转向确保AI对齐——使AI专注于人类目标。他将其与《上班一条虫》类比，并警告AI生成内容“污泥”正在泛滥。

Safescript 是一种为 AI 代理设计的编程语言，通过静态分析在运行前证明所有安全属性，无需沙箱或虚拟机，彻底消除供应链攻击。它编译成有向无环图（DAG），可追踪数据流和宿主机调用，性能开销为零，启动时间为零。

AIPass 是一个基于命令行的开源框架，为 AI 智能体提供持久性记忆、身份标识和协作能力。智能体共享文件系统，通过 JSON 文件存储记忆，无需云服务或额外 API 密钥。项目包含 13 个核心智能体，支持多智能体协作、任务调度、质量审计和实时监控。

本文提出了一种基于语言模型的蛋白质生物学世界模型，展示了如何通过大规模语言建模来理解和预测蛋白质的结构与功能。

伊利诺伊州参议院第315号法案（SB 315）要求人工智能实验室聘请独立审计师验证其安全承诺，该法案现已提交州长JB·普利兹克签署。普利兹克表示计划签署，称需要让大型科技公司负责。此举在联邦层面缺乏AI监管的背景下，凸显了州级立法的重要性。

这是一份关于AI作弊的PDF报告，但无法直接解析内容。

来自Sakana AI和东京大学的研究人员提出了DiffusionBlocks，这是一种块状训练框架，可将Transformer网络划分为独立训练的块，从而将训练内存减少B倍（B为块数），同时在不同架构上保持性能。该方法通过将残差连接解释为扩散模型中的欧拉步骤，利用分数匹配目标实现块级独立训练。

Simple Wearable Report利用AI从Oura Ring数据中提取更多见解。本文介绍了作者如何使用它，以及它如何与Gemini等AI工具配合提供详细分析。