本文提出TAPE方法，这是首个针对未知三维洞穴自主探索中同时最小化移动距离和系绳放出长度的系绳感知路径规划方法。采用两级层次架构：全局基于前沿的TSP规划最小化距离，局部通过可调决策函数平衡路径成本和系绳长度。仿真和现场测试表明，该方法在仅增加4.1%距离的情况下，确保100%的系绳长度合规（对比无局部规划器的53%）。

研究人员提出了Derail，一种对抗性攻击框架，专门针对生成式端到端自动驾驶规划器的评分头。该攻击能使安全轨迹选择被颠覆，评分下降39%-80%，碰撞率高达50%，凸显了评分头推断模式是值得防御的关键攻击面。

本研究对比了使用连续和离散动力学模型的四旋翼无人机在SE(3)上的风速估计性能，采用扩展卡尔曼滤波器(EKF)和无迹卡尔曼滤波器(UKF)。结果表明，离散SE(3)动力学结合UKF在低成本传感器下实现了更高的估计精度，适用于高精度任务。

本研究探索如何利用大规模灵巧抓取数据集来支持机器人完成铰接工具使用任务。研究者构建了355k轨迹的抓取预训练数据集，采用分层模仿学习框架，在仿真和真实实验中显著提升了任务成功率。

本文提出了一种视觉-语言程序推理（VL-PR）框架，用于机器人辅助血管内介入手术中的自主导丝导航。该框架集成多模态大语言模型作为程序推理模块，通过实时视觉观察推断高层次的导航上下文，并动态调整奖励组件的权重，实现上下文感知的奖励适应。实验表明，该方法在物理机器人平台上优于静态奖励方法，提高了任务可靠性和导航效率。

ViTL框架利用大语言模型将自然语言命令编译为线性时序逻辑公式，再转换为确定性有限自动机以协调多通道价值地图，并在导航层面引入方向评分，使机器人能够零样本完成多目标、带时序约束的自然语言导航任务。在HM3D数据集上的实验验证了其有效性。

本文认为，尽管视觉-语言-动作（VLA）模型在机器人操作基准上表现不断提升，但当前评估指标无法区分语义泛化和物理泛化，因此不能证明其具备物理推理能力。作者提出通过引入控制变量的评估设计来分别测量这两种泛化能力。

本文提出一种基于储物柜的卡车-无人机联合配送路径规划问题（LTDRP-PDNF），目标是最小化车队运营成本。采用深度强化学习方法，分为两阶段：先求解卡车路径，再协调无人机路径。实验表明该方法优于传统元启发式算法，计算时间短。

本研究构建了一个约27,000句对的阿拉伯语-俄语混合平行语料库，涵盖科学摘要和通用领域文本。通过微调三个多语言模型（mT5-base、NLLB-200、Qwen2.5-7B），发现Qwen2.5-7B模型在QLoRA（秩8）下表现最佳，BLEU达23.15，较零样本基线提升4.36。少样本提示未改善性能，表明需领域特定微调。该工作降低了科学文本的语言障碍，促进阿拉伯语和俄语研究者之间的知识交流，助力可持续发展目标（SDG 9和17）。

该研究针对孟加拉语事件检测系统在真实噪声环境下的鲁棒性进行评估，引入了包含9,979个标注句子、40个事件子类型的基准数据集，涵盖清洁文本、ASR转录和拼写错误文本。实验结果揭示了编码器与解码器架构之间的权衡：编码器模型在清洁文本上表现更好但噪声下性能显著下降，而解码器大型语言模型（LLM）则更为稳健。指令微调中嵌入标注指南能提高噪声文本基线性能，但降噪效果不一致。模型扩展持续提升解码器LLM的鲁棒性，而混合训练则有效缩小了鲁棒性差距，尤其有益于编码器架构。

本研究提出一个框架，通过多维度、人类对齐的评估来驱动治疗性回应生成。第一阶段引入TheraJudge，一个基于人类标注数据通过偏好优化训练的开源治疗性评估器，能在7个心理维度上提供可靠判断。第二阶段引入TheraAgent，通过协调的优化过程（包括批评者、教练和治疗师角色）将评估信号转化为有针对性的回应修订。实验表明，TheraJudge与临床医生评分高度一致（ICC=0.87-0.95），超越监督基线和强大的闭源评估器；TheraAgent在盲评中将治疗质量提升0.43分（5分制），低质量回应改善2.45分，恢复率达94%。

本研究提交至SemEval-2026任务9，旨在检测多语言、多文化、多事件的在线极化现象。作者采用基于Transformer的模型（英语用RoBERTa-base，斯瓦希里语用AfroXLMR-base），结合类别加权损失函数处理严重标签不平衡，并通过逐标签阈值调优优化多标签分类。在测试集上，任务1的F1宏观分数英语为0.7901，斯瓦希里语为0.7910；任务2分别为0.4615和0.4808；任务3分别为0.4791和0.5830，在排行榜上表现有竞争力。错误分析显示模型在非人化检测和共情缺失方面存在困难。

本研究提出Outcome Reward Models (ORMs)作为学习语义评分函数，用于Text-to-SQL的测试时验证。引入GradeSQL框架，通过自动化候选生成和执行标签训练ORMs，无需手动标注。在BIRD和Spider基准测试中，ORM选择优于执行优先Best-of-N和多数投票，分别提升4.33%和2.10%。实验表明ORM可扩展且对复杂查询改进更大。

本研究通过实验评估了Transformer语言模型在学习“不可能”语言时的表现，发现模型在语法敏感性上仅出现逐渐退化，但在生成能力上表现出显著缺陷，这为解释为何人类无法习得这些语言提供了新视角。

一篇新论文提出ACE框架，通过控制精度差异来更公平地比较不同大语言模型的校准性能，发现许多先前报告的校准优势在精度控制后大幅减弱，甚至排名反转。

本文提出一种利用生成式AI代理作为行为引擎的框架，用于黑盒审计个性化算法。通过在2024年美国大选后对X平台部署1120个代理的案例研究，发现算法推送相比时间线推送放大了有毒、极化、政治化和右倾内容，且放大程度因用户意识形态而异。反事实分析显示，人口统计信号对内容推送的影响依赖于用户角色。

Indi-RomCoM基准涵盖七项指令遵循任务、四种印度语言和三种混合强度，系统评估LLM在罗马化代码混合指令上的表现。实验发现，所有模型在混合指令上均表现不佳，且性能随混合密度增加而下降；推理任务退化程度低于检测任务。

研究发现，在AI代理路由中，仅需基于误报和漏报案例进行一次LLM重写即可优化技能描述，达到与手动调优相近的效果，同时将每个技能的工程耗时从120分钟降至3.8分钟，实现32倍的加速。

概率降尺度是大气科学和气候建模中的关键任务，通常采用均值-残差框架。然而，该方法在现实应用中常产生有偏和欠分散的集合。研究表明，根本原因是残差目标指定错误：训练时的残差分布与测试时因降尺度偏差而需要的分布系统性地不同。为此，提出ReMatch（残差分布匹配），通过低维PCA空间中的最优传输对齐训练残差分布至测试状态。在合成基准和真实HRRR-ERA5风场降尺度任务上，ReMatch显著减少了欠分散，改进了校准，并优于多种强基线。

本文提出深度梯度增强框架，通过沿深度维度变换优化器更新来利用层间结构关系。其中梯度平滑方法直接作用于任意基优化器（如SGD、Adam、Muon）的块更新，计算开销小，在语言模型预训练、推理后训练、扩散模型和视觉Transformer中均一致提升优化与泛化性能，并促进更有结构的表示演化。

本文提出了GRPO训练动力学的第一性原理降阶模型，将经验性的单指数饱和律重新解释为过阻尼极限，并引入了惯性项以描述慢启动阶段。模型提供了与可独立测量量相关的预测，包括群大小不变性、刷新间隔的稳定性阈值以及过阻尼到振荡的转变。实验表明，封闭形式轨迹在三个模型和两个群大小上对训练奖励的拟合R²≥0.91，群大小不变性在奖励曲线和八个数学基准的分布外转移上均成立。此外，模型提供了诊断奖励曲线混淆的失败模式（奖励黑客、优势退化、策略集中和动力学不稳定性）的方法。

本文提出了一种名为“过程侧车”的两系数编辑方法，用于在语言模型的安全训练阶段之后撤销已学习的状态。该方法通过估计AdamW优化过程，实现了二阶精度的记忆撤销，并在三个模型上优于朴素任务算术方法。

ReactionAtlas是一种基于机器学习的方法，能够从少量种子分子出发，无需手工规则即可自动构建化学反应网络。该方法结合生成模型和机器学习力场，成功发现了约47,000个反应和12,000种化合物，精确度接近DFT级别，为化学起源研究提供了新工具。

层级全局注意力（HGA）是一种即插即用的替代方案，用于预训练长上下文Transformer中的密集因果注意力。它无需重新训练或校准，即可在单个RTX 5090上实现64K token上下文，通过分层路由大幅降低GPU内存占用，且质量损失极小。

该研究揭示了确定性少步生成在连续图像潜在变量上成功，但在连续文本潜在变量上失败的根本原因：几何限制而非训练或规模问题。平滑的确定性映射无法在尖锐的分类读出前解决离散分支选择，因此失败由解码器尖锐度决定，而非传输精度。论文提出了两个诊断指标DABI和CCI，并证明了两种逃逸机制：分类承诺和随机再注入。

大型语言模型（LLM）在众多任务中表现出色，但其针对具体实例的解决方案往往缺乏结构一致性，难以可靠部署。MetaFlow将工作流生成视为元学习问题，通过两阶段训练：先对合成工作流数据进行监督微调，再基于可验证奖励进行强化学习，使模型学会组合解决策略。在问答、代码生成和数学推理基准测试中，MetaFlow在域内任务上达到与最先进基线相当的性能，并在域外任务和新型算子集上展现出卓越的零样本泛化能力。

本研究利用NHANES 2003-2006数据，构建了包含1,381名成年人的加速度计心脏代谢基准，评估了三种表格学习方法（岭回归、XGBoost和TabPFN v2）预测糖化血红蛋白、甘油三酯和C反应蛋白的性能。TabPFN v2整体表现最佳，但甘油三酯预测能力有限。同时，通过分割共形预测评估了预测区间的覆盖公平性，发现总体覆盖达标，但亚组间存在差异。

本文提出一种名为MCO-PDE的竞争优化框架，能够从多个数据集联合发现共享的偏微分方程，解决了单数据集方法在观测受限时的局限性，并通过软竞争加权机制动态评估数据可信度，融合最少50个观测值即可高精度恢复经典方程。

AgRefactor是一种基于LLM的多代理工作流，用于将软件重构为HLS兼容代码。它结合了自我进化记忆系统和自动化重构工具，在9/11个基准上优于或持平现有方法，并实现了高达6.51倍的加速。

本文形式化了基于Huber污染模型的LLM陪审团，并证明即使只有一个评委以LLM典型方式（模式崩溃、谄媚、安全拒绝）产生偏差，任何正污染都会导致PoLL产生无界偏差。通过将陪审团共识视为经典鲁棒均值估计，作者提出RoPoLL，用几何中位数替换聚合函数，实现了最优有限样本崩溃点1/2。实验表明，在13个开源评委（4B-675B）、三个奖励模型基准和四种腐败机制（高达50%）下，RoPoLL在每一种有偏腐败类型上都优于PoLL：在匹配计算量的跨维度攻击上提升约19%，在重尾拜占庭对手上提升数个数量级。一个38B参数的3评委RoPoLL委员会在30%双模随机腐败下，在HelpSteer-2上以18倍参数优势超越Mistral-Large-3（675B）1.31倍。