机器人从演示中学习奖励函数时，演示常常不完善，导致某些重要特征（即任务相关行为方面）未被充分指定，从而在部署时出现行为错位。本文提出一种框架，通过分析演示中特征值的变异性来检测未充分指定的特征（变异小表示指定良好，变异大表示指定不足）。机器人随后用自然语言解释其不确定的特征，并主动请求针对性的纠正演示。在模拟桌面操作和真实Franka机器人用户研究中，定向解释引导的查询显著优于随机查询和被动数据收集。

Agentic-VLA提出了一种智能体训练框架，通过自适应奖励合成、语言引导探索和经验记忆三大创新，使VLA模型能够在部署中高效在线自适应。在LIBERO基准测试中，长时任务提升12.3%，单样本学习提升28.5%，跨任务迁移从0%提升至31.2%，收敛速度提升2.4倍。在RoboTwin 2.0双机械臂基准上也保持优势。

本文提出DEVO的扩展方案，在不修改核心里程计算法的情况下，导出其内部估计的3D结构为稀疏点云，并实现数据导出、格式转换与清理的完整流程。在BOARD SLOW序列上的实验表明，导出的点云与EMVS重建结果在5厘米阈值下具有高精度局部一致性，但也揭示了密度、完整性及对累积里程计噪声敏感等局限。

这项系统综述基于2501条检索结果筛选出的16项研究，评估了远程遥操作血管内机器人系统在技术可行性、通信基础设施和临床结果方面的证据。远程导丝和导管可跨越最远7000公里进行导航，网络延迟保持在30–163毫秒的临床可接受范围内，但大多数证据来自动物或体模模型，人体试验规模较小。

研究人员提出一种基于毫米波雷达的优化框架，可直接从噪声点云中恢复三维人体形状并提取多项人体测量指标，无需脱衣或保持固定姿势，保护隐私且适用于行动不便者。

本文提出 TIME（Temporally Informed Motion Embedding），一种仅使用合成运动数据训练的自监督视频表示方法。该方法通过掩码自编码器重建点轨迹，以运动为中心模态，大幅减少训练数据需求，并绕过语言依赖，在零样本任务上以少至四个数量级的数据达到与最先进模型相当的性能。

CoMoGen 是一个可控视频生成框架，仅需单张输入图像和一段二值掩码序列，即可生成逼真的交互动态。它通过轻量级 MaskAdapter 将掩码编码为潜在残差信号，并以余弦加权调度注入多模态扩散 Transformer（MMDiT），同时提出在注意力空间中识别“运动层”并用 LoRA 微调，避免改动模型架构，降低计算成本，在运动保真度和感知真实感上达到领先水平。

视频记录儿童与照顾者的互动有助于研究自然行为中的注意力动态，但手动注释耗时。GBAT是一个基于深度学习的工具包，可自动执行视频同步、注视目标注释和姿势/手部动作分类，提高大规模发育研究的效率。

这篇技术报告介绍了针对 MaCVi 2026 视觉到海图数据关联挑战赛的轻量级改进方案：在 DETR 融合 Transformer 基线之外新增一个专用 MLP，直接预测浮标在图像中的水线接触点，从而减轻 Transformer 解码器的几何推理负担。该方法在留出测试集上取得 Overall 0.7386、F1 0.8055、mIoU 0.6718，位列全部提交中的第二名。

VideoOdyssey 是一个新的视频理解基准，它通过“连续证书长度”这一指标来衡量模型在超长视频中进行连续跟踪、信息整合和记忆保持的认知负荷，包含视觉和音视频两个子集，视频平均时长 109 分钟。

一篇被 CVPR 2026 GRAIL-V 研讨会接收的论文系统研究了视觉语言模型（VLM）在基准测试中的高分是否真正反映其对视觉证据的依赖。作者发现，移除大量图像 token 后模型性能仅轻微下降，且模型对细粒度视觉证据的缺失不敏感，表明当前基准不足以可靠评估细粒度视觉 grounding。

GEM-4D是一种几何增强的视频世界模型，通过注入密集的4D对应监督来提升机器人的操作能力。该模型在训练时从预训练的几何基础模型中提取知识，从而同时捕捉外观和几何结构，且不增加推理成本。此外，引入逆向动力学模块，将一致的视频序列转化为可执行的机器人轨迹。实验显示，GEM-4D在视频预测和几何一致性上达到最优，并将真实世界操作成功率从61%提升至81%。

一项针对20个大型语言模型的研究发现，它们在处理宗教改宗建议时存在系统性不对称：倾向于支持加入天主教、巴哈伊教和锡克教，而微妙地劝阻加入无神论、不可知论和耶和华见证会。这种偏见在不同模型和提问方式下均稳定存在。

一项研究利用43名用户、27,188条Slack消息，测试了7款大模型（包括Gemini、Claude和GPT系列）推断个人领域知识的能力，并与27名参与者的自评技能进行对比。结果显示，Gemini 2.5 Flash的零样本估计误差最低（MAE 21.13%），而GPT模型误差明显更大。估计准确率与消息数量仅呈弱相关，表明更多文本并不必然带来更好的推断。这些发现揭示了自动化专长映射的可行性与当前局限，并强调需要隐私保护部署以及更丰富、结构感知的人类知识表征。

本文提出一种利用图对齐拓扑作为归纳偏置的接地检测方法。通过构建参考信息与LLM输出之间的对齐二部图，并训练图神经网络进行消息传递来建模对齐结构，该方法在四个幻觉和问答数据集上取得了最先进的结果，优于包括GPT-4o在内的所有对比方法。

研究者提出LIFT，一种针对扩散语言模型的监督微调后训练算法。该方法根据扩散时间步调整学习内容，优先在掩码率高时学习简单token，在上下文丰富时学习困难token，从而在六个推理基准上超越现有SFT基线，在AIME'24和AIME'25上取得最高3倍相对提升。

一项针对30多个开源大语言模型的红队测试研究发现，这些模型在生成政治内容时存在系统性不对称：更倾向于产生左倾社交媒体内容，模型越大表达范围反而越窄，且不同地区和模型家族的越狱效果差异显著。

该论文提出一种知识感知的Text-to-SQL框架，通过构建包含模式语义、缩写、业务逻辑和查询模式的任务特定知识库，并将其注入训练与推理阶段，以提升低资源领域数据库上的性能。

本调查系统梳理了豪萨语（约8000万-1亿母语者）和丰贝语（贝宁约200万人使用）的公开文本与语音资源。研究发现豪萨语在新闻、百科和教育领域拥有更丰富的文本资源，而丰贝语尽管文本资源有限，但近年学术语音数据收集项目有所增长。两种语言均被纳入Masakhane基准测试。报告提出了任务特定建议，并指出了关键缺口，如丰贝语领域多样化文本和豪萨语专用语音库。

张量缓存是一种两层级缓存架构，结合滑动窗口注意力作为一级缓存（L1）和固定大小的外积快速权重记忆作为二级缓存（L2），L2由窗口驱逐的KV对填充。该方法通过线性注意力恒等式实现高效读取，并引入可学习的门控融合L1和L2输出。实验表明，张量缓存在记忆-质量边界上优于有状态基线。

现有神经求解器在处理多目标组合优化问题时，通常采用基于分解的策略，将问题转化为多个与权重向量相关的子问题。然而，这些方法往往仅在解码阶段注入一次权重，限制了权重条件上下文建模，或者主要在编码阶段注入，导致解码时权重信号稀释。此外，偏好优化方法依赖纯随机采样构建解对，训练效率低下。为此，本文提出WeCon，一种高效的权重条件神经网络求解器，通过门控残差融合（GRF）和残差融合（RF）模块增强权重与实例特征的交互，并引入高效偏好优化（EPO）构建高质量解对。实验表明，WeCon在超体积（HV）指标上与最先进的POCCO-W相当，同时推理时间减少40%。

这篇论文指出，LLM的推理不是任务的静态属性，而是生成过程中动态出现的解码状态。通过分析早期熵动态，作者提出EDRM框架，自适应选择推理策略，在15个基准和4个LLM上实现41-55%的token减少，同时提升准确率。

MedExpMem 是一个经验记忆框架，使基于视觉语言模型（VLM）的诊断代理能够像经验丰富的医生一样，通过积累鉴别诊断经验来提升诊断准确性，在放射学基准测试中实现了最高 7.0% 的准确率提升。

本文提出 ManiF-SMC 方法，通过将擦除样本从原始流形表示质心推向保留数据中的最近语义邻居，在表示空间内实现近似机器遗忘，减少了对标签和梯度的依赖。自模式连通模块自适应生成边距，实验表明遗忘效果与现有方法相当。

研究发现，小语言模型在进行算术推理时，思维链（CoT）提示的步骤顺序并不重要，模型实际上是通过复制答案分隔符前的最后一个数字来得出答案，而非依赖逻辑推理。这种位置性捷径占模型准确率的绝大部分，且即使中间推理正确，错误的尾数也会导致答案错误。不同模型表现有差异，但该现象普遍存在，对基于CoT的监督方法提出了挑战。

FuRA 提出一种基于分块张量列车分解的全秩微调框架，通过固定预训练 SVD 基并仅优化紧凑核心与奇异值，在参数效率与 LoRA 相当的前提下，性能一致超越全量微调。

FusionSense 提出一种融合感知的近传感器智能传感框架，通过三阶段训练流程，在边缘端实现运行时决策，联合减少计算和通信开销，并在双模态无人机数据集上取得最高 33 倍的能耗降低。

一种新方法从语言模型的逐层MLP更新中提取11个尺度不变的几何特征，训练稀疏线性探针，在选择性弃权任务中优于最大软最大概率（MSP），收益最高达21个AURC点。

研究者提出Latent Cache Flow（LCF），一种让LLM代理通过交换压缩的KV缓存摘要而非文本来通信的方法。LCF适配器仅约4%于先前方法的大小，在上下文不同的场景下比文本通信准确率高23%，速度快8.5倍。

PathCal 是一种无需训练的解码控制器，通过区分反思标记类型并在模型不确定时进行干预，在六个推理基准上实现了更好的效率与性能平衡。