nilbox是一款桌面GUI沙盒，通过真正的虚拟机隔离运行AI智能体，采用零令牌架构保护API密钥安全。支持MCP服务器、域控制和令牌使用监控。

OpenAI 最新图像模型 GPT Image 2 于 2026 年 4 月发布，支持精准文本渲染、逼真图像、自然语言编辑和透明背景。imagesv2.ai 平台提供免费试用、多种模板和生成工具，包括 360° 全景、推文截图、微信聊天等。定价年付可享 50% 折扣。

BobCA 是一个自主学习编码的智能代理，能够根据用户的偏好进行个性化编程。

昆仑万维发布SkyClaw-v1.0及轻量版SkyClaw-v1.0-lite，原生Agent模型性能比肩Claude Opus 4.6等顶尖模型，价格仅为主流一半，限时免费，深度适配OpenClaw、Claude Code等主流Agent框架，兼容OpenAI接口。

PACT 是一个“询问或行动”框架，在跨天的人机协作中，机器人根据当前观察与历史交互判断上下文是否充分，决定是否先寻求澄清再行动。实验表明，相比被动推断基线，PACT 在协助准确性和澄清效用上均有稳定提升。

本文介绍IsaacIPC，一个将GPU加速的增量势接触（IPC）与IsaacSim/Lab结合的机器人仿真框架。它通过映射仿真变形到视觉网格，实现实时逼真渲染，支持数据采集和策略评估。同时提出几何砂浆接触势（GMCP），用于触觉传感中更好地解析接触压力分布。在四足机器人、灵巧手和通用操纵接口（UMI）夹爪等刚柔混合仿真中验证了有效性。

本文介绍了一种能够连续调节履齿高度的多模态车轮，用于提升行星探测车在不同地形上的移动能力。在750次试验中，自适应履齿调节相比固定配置可将滑移率降低30.0%至58.0%，并在颗粒地形中将行进时间和能耗改善高达77.4%。

AcroRL 是一种基于强化学习的框架，通过调制恒定参考轨迹来实现紧凑、位置受限的四旋翼倒飞，避免了传统几何控制中执行器饱和与电机反转延迟的问题。在 JAX 仿真中，其位置 RMSE 降低 32%，调节时间减少 57%；硬件实验在多偏航配置下实现倒飞，位置 RMSE 低于 0.35 米，并保持与传统轨迹生成和跟踪的兼容性。

ECo-MoE提出一种协同优化潜在设计向量分布与门控混合控制专家的进化学习框架，在单一策略与通用控制器之间取得平衡，保留祖先知识并支持模块化更新与预训练策略注入，引导进化探索新形态。

该研究通过在黑盒执行器上加装定制串联弹性元件，将力控制带宽从10.32 Hz提升至30.32 Hz（提升2.93倍），且性能优于商用传感器7.63%，成本仅25英镑。

研究人员提出了一种新的各向异性扩散方法，用于多机器人系统的遍历搜索，克服了传统各向同性扩散导致的误差均匀传播问题，通过Perona-Malik扩散梯度引导机器人运动，实现了更灵活的覆盖。

MASt3R-Nav提出了一种新的像素相对连接地图表示，不依赖全局几何一致性，通过像素级图进行路径规划和控制器训练，在仿真和真实世界中验证了其导航能力。

RED是一个为资源受限机器人平台设计的实时调度框架，通过引入截止时间感知调度器、子截止时间分配以及基于MIMONet的图重构技术，能够自适应环境变化（如新任务诞生、依赖关系变更），在保证端到端时序约束的同时提升吞吐量和鲁棒性。实验表明其在Jetson和MacBook平台上优于现有方法。

该研究开发并验证了一种深度学习驱动的TIMI心肌灌注帧数（TMPFC）自动计算框架DL-TMPFC，用于从常规冠状动脉造影中客观量化冠状动脉微血管功能障碍（CMVD）。在来自三家独立机构的655名患者队列中，DL-TMPFC与专家手动测量高度一致（偏差-0.93帧，r=0.98），并能准确识别CMVD，实现连续严重程度分级和风险分层。

ActQuant是一种针对视觉-语言-动作(VLA)模型的动作引导混合精度后训练量化框架，通过两阶段方法实现亚4位权重量化，同时在LIBERO基准测试和真实UR3机械臂上保持高成功率，显著减小模型内存占用。

一项研究比较了传统线性插值与多种深度学习模型在重建多光谱卫星影像缺失光谱波段方面的表现。结果表明，深度学习模型显著优于线性插值，其中CNN在多数湖泊中表现最佳，并能更可靠地支持藻华监测应用。

研究人员提出了一种脑到图像系统，利用自然观看图像时的脑电图（EEG）信号解码视觉刺激。系统包括两个任务：EEG到图像的检索（在200个候选中识别正确图像，Top-1准确率86.30%，Top-5准确率98.55%）和EEG到图像的重建（生成与感知刺激一致的图像，CLIP评分达0.903）。该方法结合多级模糊、EVNet特征、InfoNCE损失以及基于CLIP的多模态对齐和SDXL-Turbo生成模型，展示了从EEG信号解码丰富视觉表征的可行性。

本文系统综述了自监督学习（SSL）在医学图像分析中的应用，分析了75项研究，将方法分为对比学习、非对比预测学习、生成式重建学习和混合学习四类。研究发现，没有通用的最优SSL策略，性能取决于预文本任务、成像模态和目标任务的对齐。对比学习适合分类，但可能忽略病理细节；生成式方法保留局部解剖结构，适合分割；混合方法性能最平衡。文章还提出了实践设计指南，并指出了开放挑战。

数字人水印面临独特挑战：数字人经常需要经过背景替换、重新构图和格式转换等后处理才能部署。本文提出RAW基准，包含来自5家商业供应商的50个合成数字人视频和6种模拟实际工作流的攻击。评估7种现有方法发现，背景移除等数字人特有攻击会显著降低水印恢复率。提出WALT方法，通过3D人脸重建在UV纹理空间嵌入水印，在缩放攻击下鲁棒性最高（92.4%），背景移除性能也强（95.6%）。该基准已开源以促进数字人水印研究。

Nano World Models 是一个极简代码库，专注于基于扩散强制（diffusion forcing）的未来视频预测。它提供统一的接口，支持生成目标、模型规模、动作条件机制、潜在观测空间、数据集、评估协议和长期推演过程，旨在为世界模型研究提供可重复、可扩展的实验平台。

研究人员提出 GazeWorld，一种将放射科医生的阅片过程建模为世界模型的预训练范式。该方法通过自回归预测注视序列中的下一个图像块表征，并在推理时仅从图像生成注视轨迹。在 CheXpert、RSNA Pneumonia 和 SIIM-ACR Pneumothorax 上，冻结特征在全部九种监督设置下达到最优诊断准确率，并在 GazeSearch 基准上显著超越专用模型。

该论文针对音频大模型在转录英汉混合语码转换语音时的系统性缺陷，提出用直接偏好优化（DPO）进行对齐，构建带有保留混合语言内容的正例和模拟失败模式的负例的偏好对，在 100K 对（570 小时）数据上训练三个音频大模型，使模型学会保留语言构成而非翻译，混错率在分布内最多降低 89.6%，分布外降低 20.0%。

AERIC 是一种轻量级安全监控器，通过读取解码过程中的隐藏状态来提前检测隐式有害内容，无需额外前向传播。它仅含 387 个可训练参数，在多个基准测试上优于大型模型，且延迟增加仅 2.34%。

该论文提出一个因果框架，用来检验LLM评判者是否“线索不变”：当与证据无关的线索被扰动而底层文本保持不变时，其排名与解释是否仍然稳定。作者通过多种线索干预、系结感知指标和锚定攻击进行测试，发现存在显著的线索锚定合理化；而PROOF-BEFORE-PREFERENCE方法明显提升了线索不变性。

TriVAL是一个三重验证框架，在自动优化建模的三个阶段（语义规范、数学公式、代码生成）进行显式验证，并引入NL4COP基准测试，包含50种问题类型的150个实例，用于更具挑战性的组合优化问题。

该研究针对Form 10-K中分部信息披露存在的数据缺失、嵌套遗漏及跨期跨公司可比性差等问题，提出一种大语言模型框架，直接从报表中提取可报告分部与嵌套分部信息，并设计检索增强系统整合多期文件以支持纵向与横向比较。

研究者提出多角色辩论系统（MPDS），结合文献检索、长上下文大语言模型推理和结构化多智能体辩论，从文献中自动生成科学假设。在电池材料案例中，MPDS 生成的提案更注重机理和工艺，并在消融实验中表现最佳。

Raon-Speech 是一个9B参数的语音语言模型，支持英语和韩语，在语音理解和生成任务上达到顶尖水平，同时保持强大的文本能力。其全双工扩展 Raon-SpeechChat 通过持续训练实现自然的实时对话。所有模型及代码均已开源。

一篇系统综述分析了139项研究，首次通过元分析量化了多模态和多视图信息融合对文档分类的性能提升，并揭示了该领域在统计严谨性和可复现性方面的不足。

本文研究移动众包中用于大语言模型（LLM）微调的诚实在线偏好聚合问题。针对工人可能策略性误报反馈的情况，提出一种动态贝叶斯博弈模型和在线加权聚合机制，该机制能根据工人反馈准确性动态调整权重，确保诚实反馈并实现次线性遗憾O(√T)。实验证明优于基准方案。