Lumin 是一个开源的操作平台，用于生产环境中的 LLM 代理，提供追踪、治理、防御和运营四大支柱。它支持 OWASP LLM Top 10 防护，并包含一个五层结构的租户隔离防火墙，可防止多租户机器人之间的数据泄露。所有功能打包在单个自托管 Docker 容器中，无需云服务或供应商锁定。

Textual-debugger是一款基于Textual和debugpy构建的Python终端用户界面（TUI）调试器，支持调试适配协议（DAP），提供JSON-RPC接口以便外部工具（如AI代理）控制，并允许在独立终端中运行调试目标，适用于调试复杂的多线程、多进程和异步应用。

由于不良爬虫的猛攻，Simon Willison 使用 Codex (GPT-5.5 xhigh) 构建了一个可配置的速率限制插件，用于阻止频繁访问特定区域的 IP 地址。

arXiv 论文介绍了统一自主栈（Unified Autonomy Stack），这是一个开源系统级解决方案，能够在多种空中和地面机器人形态上实现弹性自主。其架构围绕三个协同模块：多模态感知、多行为规划与多层安全导航，共同提供全面的任务自主能力。该栈融合 LiDAR、雷达、视觉和惯性传感器数据，实现鲁棒定位与地图构建、语义场景理解、自适应采样规划以及基于控制屏障函数的多层安全导航。已在旋翼机和足式机器人上经过实地测试，验证了在烟雾、复杂几何和高障碍物环境中的性能。

本文提出了一种用于互联自动驾驶系统的五层MLOps架构，旨在通过集体学习实现持续的安全和性能保证。该架构基于已有的MLOps原则和互联自动驾驶工作，为车队运营商等利益相关者提供了设计蓝图，支持多级自我评估，有助于检测和减少包括黑天鹅事件在内的边缘情况。

本文提出一种信念空间残余风险指标，将自车定位不确定性显式建模为高斯分布，通过协方差融合自车与目标的不确定性，扩展了自动驾驶系统中的安全评估方法。

本研究提出了一种结合强化学习（RL）与动态窗口方法（DWA）的混合框架，用于高自由度机器人系统的自适应3D局部导航。该方法利用稀疏点云数据动态调整可变形微型机器人的运动和形状，使其能够在复杂受限环境中向目标导航，同时最大化占据体积。在模拟血管网络中的1080次试验表明，与纯RL和基于模型的方法相比，混合方法显著提升了变形和导航能力。训练后的控制器在未知场景中仍保持稳健性能，凸显了混合规划策略在稀疏感知条件下高效自适应3D导航的潜力。

本文提出COSMIC框架，利用梯度下降同时对桁架机器人的拓扑、材料分布和控制策略进行协同优化，通过可微模拟器和神经网络控制器实现高效梯度计算，并在约束优化下探索非凸设计空间。案例表明，该方法发现多样化的运动策略，优于传统分离设计，并揭示了各设计实体对性能的个体与集体影响。

本文提出一种学习框架，用于预测分布动力学，并实时优化模型预测控制（MPC），以缩小自动驾驶与人类驾驶之间的差距。通过对真实越野驾驶数据集进行消融研究，并在全尺寸车辆上部署，实现了基于环境自然调节车速的智能行为。

DIAL框架通过两阶段方法解决连续动作策略的模式崩溃问题：第一阶段利用意图条件流匹配和分类器无关引导扩展采样分布；第二阶段通过多意图GRPO保持多样性。在WOD-E2E评测中，意图CFG采样首次超越人类驾驶示范，多意图GRPO进一步提升留出集评分。

MindVLA-U1是首个统一流式VLA架构，通过单一前馈过程同时生成自回归语言标记和流匹配连续动作轨迹，并采用逐帧流式处理和学习记忆通道来携带时间上下文。在WOD-E2E基准上，它以2次扩散步骤首次超越有经验的人类驾驶员（RFS 8.20 vs 8.13），并在规划ADE上大幅领先先前VA/VLA方法，同时保持16 FPS的吞吐量和自然语言接口。

研究者将动作涌现形式化为端到端自动驾驶的目标能力，并提出流式意图机制，通过语义链式推理和时间一致性生成多样化、可控的动作。其模型SI在Waymo基准测试中取得有竞争力的性能，并首次展示了意图忠实可控性。

一种名为LAMP的新方法通过引入二阶时间校正来增强基于扩散的后验采样，用于图像恢复，减少了变异性并提高了重建质量，无需额外的去噪步骤。

本文提出VideoSEAL框架，通过解耦规划与答案权威，解决长视频理解中智能体产生正确答案但缺乏证据支持的问题，在多个基准测试上取得领先性能。

M3Net是一种新型3D网络，模仿放射科医生的分层诊断流程，整合多尺度上下文信息，实现肺结节的准确分类。在LIDC-IDRI和USTC-FHLN数据集上分别达到86.96%和84.24%的准确率，优于现有最佳基线。

M2Retinexformer是一种新型多模态低光图像增强框架，在Retinexformer基础上融入深度、亮度和语义信息，通过渐进式精炼管道和自适应门控机制提升性能。在LOL、SID、SMID和SDSD基准上优于现有方法。

大型视觉模型（LVM）通过将时间序列数据渲染为图像进行预测，但存在光谱和结构差距。SSDA提出双重适应方法，包括频谱幅度对齐器（SMA）和结构引导的低秩适应（SG-LoRA），在七个基准测试中优于基于LVM和LLM的基线。

现有训练无关的GUI定位方法通常需要多次推理（如迭代裁剪或候选聚合）来识别目标元素，但每次前向传播仍独立处理指令和视觉布局，缺乏视觉令牌间的渐进交互。本文揭示VLM中GUI定位遵循两阶段范式：预填充阶段决定候选UI元素，解码阶段仅进行坐标微调。预填充是关键步骤，候选选择错误无法在解码中有效纠正。据此提出Re-Prefill，一种无需训练的方法，引入注意力引导的第二预填充阶段以优化目标选择。在4种VLM和5个基准上的实验显示一致改进，ScreenSpot-Pro上提升达4.3%。

提出一种新范式，将美学图像裁剪重构为多模态推理任务，通过“分析-提案-决策”过程激活视觉语言模型在美学方面的分析和理解能力，并结合专家偏好对齐模块，使裁剪结果与人类专家一致。实验证明该方法优于现有技术。

随着特征尺寸缩小到纳米级，将电路图案从掩模精确转移到硅片变得更加困难。光学邻近校正（OPC）用于确保图案保真度和可制造性。现有生成式掩模优化模型无法捕捉从目标布局到掩模图案的几何变换，导致质量次优。本文提出MorphOPC，一种多尺度分层模型，通过神经形态模块学习这些变换。实验表明，MorphOPC在边缘OPC和ILT基准上优于现有方法，实现更高打印保真度和更低制造成本。

Scale-Gest提出一种运行时自适应手势检测框架，通过扩展tiny-YOLO架构家族、引入设备校准的ACE（精度-复杂度-能量）配置文件以及轻量级运行时控制器，在电池供电设备上实现高效手势检测。相比单一检测器，每帧能耗降低4倍（从6.9mJ降至1.6mJ），同时保持事件级F1分数0.8-0.9和平均延迟6ms。该工作还引入了时间标注的驾驶员模拟手势数据集DSG-18。

本文提出FPILOT框架，一种受模型预测控制启发的推理时优化方法，允许强化学习交易代理在交易时利用价格预测动态调整策略，无需重新训练。在TradeMaster DJ30基准测试中，FPILOT在多个策略上一致提升了总回报和风险调整后收益指标，且随着预测质量提高而改进。

提出MOPD框架，利用学生的多个生成轨迹（包括成功和失败的）构建更有效的教师信号，优于标准在线策略蒸馏方法。实验表明，混合成功-失败上下文能更好地对齐教师分数与验证器奖励，带来更忠实、实例自适应的监督。

本文提出嵌入时态逻辑（ETL），一种直接在学习到的嵌入空间中进行监控的时态逻辑。ETL通过观测嵌入与参考观测导出的目标嵌入之间的距离定义谓词，捕捉高级感知概念。结合时态算子，ETL可表达时序扩展和顺序感知行为。实验表明，ETL在多种操作环境中与真实语义高度一致，准确监控时序组合行为。

研究者首次为使用小批量SGD和梯度裁剪训练的Kolmogorov-Arnold网络建立了总体风险界限，涵盖了非私有SGD以及具有独立和时间相关高斯扰动的差分隐私SGD。该工作引入了一种新的分析路线，用于非凸场景下的相关噪声差分隐私训练，实现了比先前工作更尖锐的界限。

本文研究了AI辅助决策中，AI置信度与人类置信度之间的对齐程度如何影响学习最优决策的复杂性。通过将问题建模为双臂在线上下文学习问题，作者推导了遗憾下界，并证明完美对齐可以降低学习复杂度。实验结果表明理论结果对对齐偏差具有鲁棒性。

OceanCBM 是首个用于海洋动力系统时空预测和机械解释的概念瓶颈模型。它通过混合监督预测混合层热含量（海洋热浪的关键前兆），利用来自地球物理流体动力学的预设概念和一个“自由”概念作为中间层，实现了可解释且物理一致的表示，同时保持预测性能。

多模态图学习（MGL）在整合多样模态信息与结构化上下文方面展现出重要价值，但现实世界中的图常因数据共享限制而孤立，且模态经常不完整。现有方法在联邦场景下存在不足：集中式MGL忽略联邦中的知识共享与泛化，联邦MGL主要针对非图数据。本文提出FedMPO，通过拓扑感知跨模态生成、缺失感知专家路由和可靠性感知聚合，分别解决局部生成依赖不足、全局聚合可靠性不平衡的问题。在6个数据集上的3个任务中，FedMPO在高度缺失和非独立同分布设置下性能提升达4.10%和5.65%。

随机神经网络(RdNNs)通过冻结随机权重实现高效的无反向传播训练，但传统随机初始化忽略了特征间的依赖关系。CAWI提出了一种基于Copula的权重初始化方法，能够保留特征依赖性，在83个基准测试和两个医学数据集上显著提升了预测性能。

该研究提出了一种新的安全强化学习方法，通过运行时保障（RTA）层和Lyapunov稳定性理论，让智能体在保证安全的同时，自适应地决定何时发送控制信号，从而显著降低通信频率。在倒立摆、小车-杆和平面四旋翼飞行器上，该方法比Lyapunov触发基线实现了1.45到3.51倍的平均采样间隔提升。固定频率的LQR控制器在同一平均速率下不稳定，表明自适应时序而非低平均速率是实现安全稀疏控制的关键。该方法还支持偏好调节，并以2/11的训练成本重建完整的权衡曲线，且对质量变化和扰动具有鲁棒性。