本文提出一种基于扩散的视觉运动控制策略，用于解决机器人打开重型自闭门并通过的复杂任务。该策略通过端到端学习实现移动基座与双臂的紧密协调，在长时域任务中表现出高成功率和鲁棒性。

本文介绍了HoloMotion-1，一种用于零样本全身运动跟踪的人形运动基础模型。其关键创新在于利用大规模混合运动语料库扩展控制策略训练，其中从现实视频中重建的运动提供了主要多样性来源，而精心策划的动作捕捉和内部运动数据提供了更高质量的监督和部署导向覆盖。该模型集成了大容量时间建模、稀疏激活的混合专家Transformer和KV缓存推理以实现实时控制，以及序列级训练策略。实验表明，HoloMotion-1在多种未见过的运动基准上表现稳健，显著提高了跟踪精度，并可直接转移到真实人形机器人上，无需任务特定微调。

PhysBrain 1.0是一种新方法，将大规模人类自我中心视频转换为结构化物理常识知识，用于改善机器人的理解和控制。通过提取场景元素、空间动态和深度感知关系，训练视觉语言模型，然后将其适应到机器人策略中。该方法在多个具身AI基准测试中达到最先进水平，尤其在域外任务中表现出色。

PanoWorld是一种全景视频世界模型，能从单张图像和描述生成几何一致的360°视频。它通过深度一致性损失和轨迹一致性损失增强几何约束，并引入PanoGeo数据集，在保持视觉真实感的同时显著提升了几何一致性，适用于具身AI的空间理解需求。

ChangeFlow 是一种基于潜在整流流的生成式遥感变化检测框架，通过将变化掩码合成建模为潜在空间中的整流流，解决了传统判别式方法无法处理区域级标注模糊性的问题。它采用轻量条件信号和随机采样集成，在四个基准上平均 F1 达到 80.4%，优于先前方法且推理速度相当。

本文提出了一种用于群卷积神经网络（GCNN）的特征空间采样方法，通过用特征相似性选择的代表样本替换几何密集采样，从而将几何分辨率与内存和计算成本解耦。实验表明，粗粒度的特征空间采样能很好地保持分类精度，显著加速等变3D分类器的训练。

Minerva-Ego是一个新的基准测试，用于评估复杂自我中心视觉推理，包含多步骤多模态问题和密集标注的推理轨迹。实验表明，当前最先进的模型与人类性能仍有较大差距，而加入“何时何地”的提示可显著提升性能。

本文提出了一种多模态概念验证管道，结合LiDAR、可见光-热成像融合和合成孔径成像（AOS），用于森林冠层下的人类检测。YOLOv5在FLIR数据集上微调后平均精度约0.83，为无人机搜索救援和监视系统提供了基线。

COPRA是一种新型的视频异常检测框架，通过为每个视频片段生成特定的参数更新，动态调整冻结的视觉-语言模型，解决了训练与推理之间的数据分布和模型配置不匹配问题。在标准基准测试中，COPRA在域内和跨域场景下均优于静态基线方法，并泛化到视频问答和密集描述等未见任务。

本文提出深度预对齐（DPA）架构，用小型视觉语言模型替代标准ViT编码器作为感知器，确保视觉特征与目标大语言模型的文本空间深度对齐。在4B参数规模下，DPA在8个多模态基准测试中平均领先1.9个百分点，在32B规模下差距扩大至3.0个百分点。此外，DPA减少了32.9%的语言能力遗忘，并不同LLM家族中表现一致。

ReactiveGWM是一种新的反应式游戏世界模型，能够合成玩家与NPC之间的动态交互。它通过解耦玩家控制与NPC行为，利用扩散骨干网络的加性偏置注入玩家动作，并通过交叉注意力模块实现高级NPC响应（如进攻、控制、防御）。这些模块学习游戏无关的交互逻辑，支持零样本策略迁移，可直接插入不同游戏的现成世界模型中，无需领域特定重新训练。在《街头霸王》游戏上的评估表明，ReactiveGWM在保持精细玩家可控性的同时，实现了鲁棒的、与提示一致的NPC策略遵循。

惊异性理论认为单词的处理难度由其上下文可预测性决定，但语言模型（LM）的惊异性在花园路径句等句法歧义研究中系统性地低估了人类遇到的困难。本研究测试了“解析多样性不匹配假说”：LM可能比人类同时考虑更多不同的句子解释。通过循环神经网络文法（RNNG）和词同步束搜索，改变用于计算单词惊异性的同时解析数量，发现减少同时解析确实增加了预测的花园路径效应幅度，但远不足以捕捉人类效应的全部幅度，表明该假说无法解释LM惊异性和人类句子处理之间的差异。

该研究分析了六种不同的大型语言模型架构在十二类认知任务中的神经激活模式，发现数学推理任务在所有架构中均产生最高的注意力熵，而解码器模型的稀疏度显著高于编码器模型。研究结果为模型选择与优化提供了关键见解。

大型语言模型个性化通常适应用户偏好和风格，但未考虑用户在不同专业领域评估能力的差异。这可能导致专业领域漂移，即用户在自己无法可靠评估的领域依赖AI生成推理。本文提出能力条件化支架，一种将专业知识划分为强、混合、弱三个领域，并根据结构化能力档案调节干预行为的框架。初步评估表明，该框架能产生一致的能力档案调节干预行为，包括档案切换下的类别反转和混合领域风险区域的选激活。研究发现，能力感知支架可以在风格个性化之外支持更可靠的专业人机协作。

本研究开发了Eskwai for Students，一个基于检索增强生成（RAG）的生成式AI助手，旨在帮助加纳法律专业学生进行法律教育。该系统依托包含超过1.2万条判例法和1400条立法的数据库，在30个月内对3100名学生进行了部署，处理了3.2万次查询。研究评估了AI的有用性，并揭示了学生查询的类型及其引发的伦理问题。

针对撒哈拉以南非洲师生比例高、合格教师短缺的问题，研究团队开发了基于WhatsApp的AI教学助手Adesua。该系统整合教科书和33年国家考试题目，利用生成式AI提供问答和自动评估。在加纳的6个月试点中，56名活跃用户给予AI答案93.75%的帮助率评分，显示出在资源受限环境中提供个性化学习支持的潜力。

本研究探讨人类在词汇量受限（最小250个高频词）时如何生成语言，并与基于大语言模型的贪心采样和全局最优采样算法进行比较。结果显示人类行为更接近贪心采样，但熟练者会回溯修正；在高约束下，人类倾向于使用语义较轻的词汇。研究对资源理性认知、心理语言学、二语交流和语言障碍有重要启示。

研究者从1.007亿份乌克兰法院判决中提取了5.02亿条引用链接，构建了首个大规模法律引用图。该图揭示了司法引用结构能无监督地编码法律领域边界，并以近乎完美的准确率预测未来立法重要性。主要发现包括：度分布遵循幂律；共引投影上的社区检测自动恢复了民法、刑法、行政法和商法等法律领域边界；引用特征以AUC=0.9984预测前1000篇重要文章。该本体被用于LLM辅助法律分析的工作流记忆系统。

话语关系（如因果、让步）是计算语言学和语用学的重要课题，但跨语言研究面临数据复杂和接口缺乏的挑战。DiscoExplorer 是一个开源的本地运行网页接口，整合了 DISRPT 共享任务中 16 种语言的话语关系数据集，提供查询语言、搜索和可视化功能，旨在简化多语言话语关系的分析。

一项新研究利用130,486段来自106部小说的翻译段落，分析了文学翻译中流畅性与忠实度的关系。研究发现，无论是人工翻译还是Google翻译，段落长度与两者之间存在一致的负相关，暗示了流畅性与忠实度之间的权衡。

OP-Mix是一种统一的数据混合算法，适用于整个语言模型训练生命周期，能以极低的计算量实现接近最优的混合策略。它利用低秩适配器模拟候选混合，无需单独的代理模型。

研究人员提出了分组查询潜在注意力（GQLA），这是对DeepSeek多头潜在注意力（MLA）的改进，在不重新训练的情况下提供两种硬件自适应的解码路径。该方法能在H100和H20 GPU上实现高效推理，并包含TransGQLA用于转换预训练的GQA模型。

该研究探讨了生成式轨迹模型的隐私评估问题。尽管生成对抗网络（GANs）、变分自编码器（VAEs）和扩散模型等生成模型常被认为能保护隐私，但研究表明这一假设不成立。研究者确定了适用于轨迹生成任务的隐私评估实证方法，发现当前评估存在显著缺口，并通过针对代表性模型的成员推理攻击展示了隐私风险的存在。

本文提出转录组药物设计（TBDD）作为生成式逆问题，通过条件扩散模型设计分子以实现期望的转录组状态转换。作者提出CURE框架，包含转录组扰动功能特征提取器（TFE），用于跨模态对齐和异质性感知聚合，在标准测试和零样本基因抑制剂设计中表现优异。

本文提出Logic-GNN，一种神经符号框架，将临床记录视为由潜在逻辑游戏支配的“私人语言”，通过集成时序图神经网络和图柯尔莫哥洛夫复杂度归纳符号语法，将异常定义为导致临床图最小描述长度显著扩展的“语法违规”。在Sina System数据集（超过200万条记录）上，Logic-GNN达到了0.94的F1分数，在区分危及生命的医学异常和数据损坏方面比最先进的基线方法高出12%，并引入自愈机制以实时维护数据完整性。

MuteBench是一个新基准，用于评估在两种常见传感器故障模式（模态缺失和模态内缺失）下多模态融合架构的鲁棒性，覆盖7个临床领域的9个数据集、6种融合架构和125,000个样本。研究发现，架构族是鲁棒性的最强预测因子，通道独立模型在模态缺失时表现良好但对模态内缺失敏感，而课程模态丢失只能在训练时最大丢失率内提供保护。

本文提出Mask-Morph Graph U-Net (MMGUNet)，一种解决分层图U-Net架构中边缘特定层限制的实用方法。通过在粗化图层次中引入特征对齐的重心参数化，并应用节点掩蔽预训练与参数高效微调，MMGUNet在分布内、分布外及跨组件迁移场景下均表现出更低的预测误差，为可复用、数据高效的网格代理建模提供了新途径。

研究发现，对大语言模型进行后训练量化压缩（如3位精度）会导致6-21%的原本无偏项目出现新的刻板行为，且模型选择“未知”答案的意愿下降17.4%。标准质量指标（如困惑度）几乎不受影响，表明聚合指标无法捕捉公平性关键退化。

本文提出TeamTR，一种信任区域框架，用于解决多智能体LLM系统在顺序微调中的结构失效问题——即智能体更新导致上下文分布偏移，且基于缓存的评估会加剧误差。TeamTR通过重新采样轨迹和智能体散度控制，实现了每步改进的下界保证，平均性能提升7.1%。

现代云和企业系统依赖基于身份的授权，但自主AI代理的出现使得这一假设失效。本文提出分布式信任框架（DTF），通过证明派生授权取代静态身份，确保代理执行的可治理性、可审计性和边界性。DTF引入正当性证明、共识模型、临时执行身份和仅追加证据链，在OpenKedge基础上实例化，为云原生环境提供基础。