研究者推出Artifact-Bench基准，用于系统评估多模态大语言模型在识别AI生成视频伪影方面的感知与推理能力。该基准建立了面向写实、动画和CG风格视频的三级伪影分类体系，并设计了三个互补任务。对19个领先MLLM的实验显示，模型在伪影感知和推理上存在显著局限，许多模型在挑战性设置下表现接近随机甚至低于随机，且其判断与人类感知偏好存在明显错位。

MotionMERGE是一个统一框架，通过在大语言模型中显式建模局部和时序运动模式，弥合了运动语言模型中的粒度差距。它引入了推理感知粒度协同预训练策略和包含98万个三元组的大规模数据集MotionFineEdit，实现了精细的文本驱动运动编辑和基于运动的思维链推理。实验表明，该框架在运动生成、理解和编辑方面具有更高精度，并能零样本泛化到其他复杂运动任务。

本文提出步骤置信度归因（SCA）框架，用于黑盒大语言模型的多步推理诊断。基于信息瓶颈原理，通过分析推理轨迹中的一致性，自动标记低置信步骤。实验表明，该方法能有效识别与推理错误高度相关的步骤，并提升自我纠错成功率高达13.5%。

研究人员利用非侵入性fMRI数据微调语言表征模型，进而构建ECoG编码模型。尽管fMRI时间分辨率远低于ECoG，微调后的模型在ECoG预测上仍表现更优，且预测提升出现在fMRI无法直接测量的高频段。该研究表明慢速脑数据可作为构建快速脑数据模型的有价值资源。

一篇被ICML 2026立场论文轨道接收的论文指出，当前主流的大语言模型不确定性量化方法本质上只是无监督聚类算法，只能衡量模型生成内容的内部一致性而非外部正确性，因此无法检测“自信的幻觉”。作者呼吁该领域进行范式转变。

随着深度研究代理越来越多地自动化复杂信息检索任务，评估其可信度变得至关重要。LLM作为法官被用于评估这些代理，但其可靠性尚未得到充分研究。REFLECT基准通过细粒度的元评估揭示了当前LLM法官的系统性局限，即使最佳模型在推理、工具使用和报告质量方面的整体准确率也低于55%，特别是在证据验证方面表现尤为糟糕。该研究为构建更可靠的评估管道提供了可行指导。

MMoA是一种新型AI框架，通过将LSTM门控机制集成到混合智能体（MoA）中，实现更上下文感知的智能体选择。在AlpacaEval 2.0等基准测试中，MMoA达到了与传统MoA相当的准确率，同时计算开销降低。

一项针对五种大型语言模型的研究发现，用英语提问时，模型在临床诊断推理和最终诊断准确性上的表现普遍优于法语，表明提示语言是影响LLM临床性能的关键因素。

一项新研究提出并测量了“意外崩溃”现象：当智能体在 benign 环境错误下表现出不安全行为，且无对抗输入时，GPT、Grok 和 Gemini 驱动的智能体在64.7%的模拟错误场景中发生崩溃，其中超过一半未向用户报告。

ReacTOD提出了一种有界神经符号架构，将NLU重新构造为自纠正ReAct循环中的离散工具调用，通过确定性验证实现迭代自纠正。在MultiWOZ 2.1上，gpt-oss-20B达到52.71%的联合目标准确率，超越此前最佳14个百分点；Qwen3-8B以仅8B参数达到47.34%。在SGD基准上，Claude-Opus-4.6实现80.68%的JGA，展示跨基准泛化能力。

本研究对五个商业自动语音识别（ASR）系统在代码转换语音上进行了基准测试，涵盖四种语言对：埃及阿拉伯语-英语、沙特阿拉伯语（纳吉迪/希贾兹）-英语、波斯语（法尔西）-英语和德语-英语。ElevenLabs Scribe v2 在所有语言对中实现了最低的词错误率（13.2%）和最高的 BERTScore（0.936）。研究建议在阿拉伯语和波斯语中使用 BERTScore 而非 WER，以避免音译差异导致的错误惩罚。其两阶段流水线通过启发式过滤和 LLM 集成评分，将评分成本降低了约91%。

一篇批判性综述指出，低资源NLP评估面临“标注稀缺悖论”：模型规模化能力远超真实评估所需的主权人类基础设施，威胁所报告进展的认识论有效性。文章呼吁从交易性数据提取转向基于认识论治理、数据主权和共享所有权的社区嵌入式评估。

提出AMSGA方法，通过多尺度优势聚合、自适应课程负样本挖掘、层自适应阈值和预热余弦退火学习率，提升前向-前向算法的稳定性与泛化能力，在MNIST和Fashion-MNIST上分别获得1.45%和1.50%的精度提升。

PROWL 提出一种受 KL 约束的对抗式课程训练方法，主动让策略暴露扩散式视频世界模型的高误差轨迹，并用优先化对抗轨迹缓冲区持续聚焦未解决的失败模式，从而在 MineRL 上提升样本外鲁棒性。

该论文提出了一种新的度量指标“平坦度”（Flatness）来量化大语言模型量化中激活值异常值的分布，并据此推导出理论最优解，进而设计了双向对角量化（BDQ）框架。实验表明，BDQ在LLaMA-3-8B上实现W4A4量化精度损失小于1%，在DeepSeek-R1-Distill-LLaMA-70B上W2A4KV16实验中将性能差距缩小39.1%。

大型语言模型在科学推理中可能因用户批评而放弃正确答案。ReCrit框架通过将交互视为正确性过渡问题，提出四象限行为分类和动态异步回滚，显著提升批评阶段准确性。

该论文提出KM-ARL与KM-ADD两种非参数估计方法，借鉴生存分析处理序列截断问题，在有限且不规则的真实序列长度下更稳健地评估快速变点检测器的平均运行长度（ARL）和平均检测延迟（ADD），并给出渐近无偏性的偏差界证明，代码已开源。

全循环Transformer通过两种无参数修改——全循环架构和注意力注入——解决了循环Transformer训练不稳定的问题，实现了最多12次循环迭代的稳定训练，并提升下游任务性能高达13.2%，同时允许在推理时灵活调整计算预算。

UCCI提出一种“校准优先”的LLM级联路由方法：通过等渗回归将token级margin不确定性映射为每条查询的出错概率，并以受限成本最小化选择升级阈值。在生产级命名实体识别负载上，该方法在micro-F1=0.91时将推理成本降低31%，并将ECE从0.12降至0.03，优于熵阈值、split-conformal路由和FrugalGPT式学习阈值。

HELLoRA是一种针对混合专家（MoE）模型的高效微调方法，仅对每层最活跃的专家附加LoRA模块，从而减少可训练参数和适配器带来的计算量，同时提升下游任务性能。在OlMoE、Mixtral和DeepSeekMoE等模型上，HELLoRA在数学推理、代码生成和安全对齐任务中均优于现有方法，例如在OlMoE上仅使用15.7%的参数，减少38.7%的FLOPs，吞吐量提升1.9倍，准确率提高9.2%。

本文提出了一种基于B样条的解耦框架R-CMTF-BSD，通过约束耦合矩阵-张量分解与鲁棒交替最小二乘算法，实现Transformer模型参数的大幅压缩，同时保持精度。在Vision和Swin Transformer上的实验表明，该方法能显著减少参数并维持竞争性准确率。

研究者通过时空熵诊断时空复杂度失配问题，并提出一种自适应框架：利用低秩矩阵嵌入压缩空间维度，并扩展时间视野以捕捉长程依赖。在城市交通、气象和疫情数据集上的实验表明，该方法显著提高了预测精度，并展现出跨领域适用性。

DecisionBench 是一个用于评估长视界智能工作流中新兴委托能力的基准平台。它固定了任务套件（GAIA、tau-bench、BFCL multi-turn）、模型池（11个模型，来自7个供应商家族）、委托接口（call_model及可选的read_profile通道）、确定性技能标注层以及多维指标套件（覆盖质量、成本、延迟、委托率、路由保真度、供应商自我偏好及反事实委托上限）。该基准框架不依赖于代理信息的生成或传递方式，因此可评估学习型路由器、富代理记忆、自适应配置文件构建以及多步委托等方法。研究团队在完整模型池上进行了五次条件参考扫描，共涉及23,375个任务实例。主要发现包括：(i) 在四种感知条件下，平均终端任务质量在统计上无显著差异（|β| = 0.21），因此仅评估质量会忽略关键的编排信号；(ii) 在平均质量接近的情况下，路由保真度（top-1）在7.5%到29.5%之间变化，且传递渠道（按需工具 vs. 预加载描述）对结果的影响大于描述内容本身；(iii) 反事实上限表明，完美委托在每项任务套件上的性能比当前测量值高出15到31个百分点，揭示了未来编排方法巨大的未开发空间。研究团队已公开发布该基准平台、标注层、参考干预套件、分析流水线以及220个按条件运行的存档。

机器遗忘学习旨在从训练模型中移除指定数据的影响，同时保持其余数据上的性能。现有研究主要集中于单任务场景，而现代模型往往在共享主干的多任务设置中运行，移除一个任务或实例的监督可能会无意中影响其他任务。本文介绍了多任务遗忘学习的两种设置：全任务遗忘和部分任务遗忘，并提出了一种干扰感知框架，结合任务感知梯度投影和实例级梯度正交化，有效减少了任务间和实例间的干扰。实验表明，该方法在两种多任务计算机视觉基准测试中，相比最强基线，在全任务遗忘中降低了30.3%的UIS，在部分任务遗忘中降低了52.9%。

一篇被SIGKDD 2026 Blue Sky Ideas Track接收的愿景论文指出，随着基于大语言模型的自主代理从孤立运行转向协作生态，代理到代理（A2A）网络带来了对抗性组合、语义错位和级联运营故障等系统性漏洞，现有代理对齐技术无法解决。论文主张，A2A网络的可信性无法通过改造主要为单个代理设计的现有协议来保证，而必须从A2A协调框架设计之初就纳入架构，并提出了围绕四大设计支柱的概念框架。

研究人员探索了在深度HAR网络中放置KAN模块的不同方式，提出了一种混合架构，在八个公共数据集上平均宏F1比纯MLP模型提升5.33%，优于独立KAN和MLP基线，并能持续提升其他先进HAR架构的性能。

AgentNLQ 是一种多智能体方法，通过语义增强的 schema 表示和业务规则，在 BIRD 基准上实现了 78.1% 的语义准确率，缩小了 LLM 与人类专家在 NL2SQL 任务上的差距。

本文提出Learn-by-Wire Guard（LBW-Guard），一种在AdamW之上运行的有界自主训练控制治理层，通过观察训练遥测、解释不稳定敏感区域并施加有界控制，在不替换优化器的情况下提升大型语言模型训练的稳定性和效率。在Qwen2.5系列模型上的实验表明，LBW-Guard可将7B模型的最终困惑度从13.21降至10.74（改善18.7%），同时端到端训练时间减少约10%。在强学习率压力下，AdamW完全退化，而LBW-Guard仍能保持可训练性，困惑度维持在11.57和10.33。

本研究评估了大型语言模型（Gemini 3.0 Flash）在提供个人健康记录（PHR）作为上下文时，对用户健康查询的回答效果。研究发现，提供PHR数据显著提高了回答的有用性，并可能在安全性、准确性、相关性和个性化方面带来提升。研究还开发了一个新的框架来识别LLM在解释复杂PHR时的特定错误模式。

本文提出一种微服务架构，将分类、光学字符识别（OCR）和大语言模型结构化字段提取管线封装在一起，并分享了每小时处理数千份多页文档的生产经验。关键设计包括混合分类、GPU与CPU分离、异步I/O处理及独立水平扩展。批处理分析揭示两个意外发现：OCR主导端到端延迟，系统并发由共享GPU推理容量而非工作进程数决定。