Genesis AI发布首个机器人基础模型GENE-26.5，单个模型实现单手打蛋、解魔方、弹钢琴等复杂操作，全程自主运行。团队获1.05亿美元种子轮，全栈自研硬件、控制栈、数据手套和模型。

本文反驳了AI导致大规模失业的观点，认为这基于“劳动总量谬误”。历史经验表明，自动化带来的生产力提升总是扩大经济并创造新就业。当前数据显示AI更多是增强而非替代人类工作，新角色正在涌现。

云知声发布山海知医慧保大模型，深度融合亿级临床数据，赋能医保监管与商保风控，推动医疗保障体系数智化转型。

波士顿动力发布新版Atlas人形机器人demo，展示高难度体操动作，但量产能力堪忧，月产仅4台。同时，IPO前夕高管集体出走，CEO退休，CTO加入Google DeepMind，现代汽车对其耐心逐渐耗尽。

本文提出了一个基于Azure AI的多智能体架构框架，用于自动化公共部门的身份验证和福利资格认定。该框架通过OCR、验证和资格判定等专门AI代理，实现快速数字化验证、自动化资格评估和可审计决策。它解决了传统手动流程的规模限制、错误和欺诈风险，并针对SNAP和Medicaid等政府项目的时间要求进行了优化。

欧洲领先的AI翻译初创公司DeepL与亚马逊云服务（AWS）合作，引发业界对数据主权和硅谷垄断的担忧。行业人士警告，此类合作可能削弱欧洲的竞争优势。

Anthropic在其第二届年度开发者大会上宣布与SpaceX/xAI达成重大计算合作伙伴关系，获得Colossus 1的全部容量，估计每年价值50亿美元。交易后立即生效：Claude Code的5小时速率限制翻倍，Pro和Max用户的高峰时段限制取消，Opus API速率限制大幅提升。此外，Anthropic推出了Claude Managed Agents的新功能，包括记忆/“梦境”和结果/评分。Dario Amodei强调使用量增长了80倍，导致计算短缺，而此次交易是首次重大应对措施。

StackSense 是一个面向 AI、数据和系统工程师的知识图谱工具，帮助梳理技术栈和知识关联。

Zyphra AI发布了ZAYA1-8B，一款仅有7.6亿活跃参数的小型混合专家（MoE）语言模型，但在数学和编程基准测试中击败了多个体量更大的开源模型。该模型采用MoE++架构，包含压缩卷积注意力（CCA）、MLP路由器和PID控制器偏置平衡等创新，并引入了马尔可夫递归自聚合（Markovian RSA）测试时计算方法，在HMMT'25上超越Claude 4.5 Sonnet，逼近DeepSeek-V3.2。模型完全在AMD Instinct MI300硬件上训练，并以Apache 2.0许可发布。

五家主要出版商和一位畅销书作者对Meta及其创始人马克·扎克伯格提起集体诉讼，指控该公司在训练生成式AI平台Llama时，使用了数百万本非法盗版的书籍和文章，侵犯了版权。

高盛两份报告揭示AI基础设施投入巨大但回报率低，企业因害怕错过（FOMO）而非理性投资持续加码，英伟达成为主要受益者。

Blink是一个AI搜索引擎，能够提供带来源的搜索结果。

随着AI推理成为核心工作负载，传统TCO指标如每美元FLOPS已不适用。英伟达提出每Token成本才是衡量AI基础设施经济效益的关键指标，并展示了Blackwell平台相比Hopper在Token产出和成本上的巨大优势。

本文提出一种触觉增强的两阶段方法，结合模仿学习和强化学习，用于高精度装配中的紧密公差插入任务。第一阶段通过模仿学习学习抓取并接近目标区域的策略；第二阶段通过强化学习执行插入并在接触交互中实现故障恢复。通过引入触觉组采样和触觉评论家，提升了插入性能并保持低接触力。在0.05毫米的最严苛间隙下，成功率达67%，最大接触力降低60%，扭矩降低44%。

ReflectDrive-2是一种掩码离散扩散规划器，用于自动驾驶，将轨迹表示为离散令牌，通过并行掩码解码生成。它引入AutoEdit实现原地轨迹修正，并采用两阶段训练：结构感知扰动监督学习与强化学习微调。全展开RL显著提升编-修耦合性能，在NAVSIM上达到91.0 PDMS（仅相机输入），延迟31.8毫秒。

研究人员提出一种主动接触感知方法，通过机器人施加信息收集运动并感知人体施加的力来推断接触状态，从而实现鲁棒的机器人向人类物体交接。该方法使用贝叶斯线性模型区分牢固抓握和偶然触碰，在实验中达到97.5%的成功率，远超两种常见基线方法。

一种新的多阶段全身模型预测控制方法用于双足行走，在近端使用详细模型，在远端使用简化模型，降低计算复杂度同时保持性能，并在仿真中于HyPer-2机器人上验证。

研究人员开发了一种贝叶斯框架，用于验证合成预碰撞场景在实际评估驾驶自动化系统安全性方面的等效性。该方法使用基于分箱的统计量来比较数据集，克服了传统显著性检验的局限性。一项关于追尾碰撞的案例研究证明了其有效性。

HDFlow是一种新颖的分层规划框架，结合了扩散模型和整流流模型的优势。高层扩散规划器在潜在空间中生成战略性子目标，低层整流流规划器利用常微分方程生成平滑密集的轨迹。在四项家具组装任务和多个长时域基准测试中，HDFlow显著优于现有方法。该论文已被ICML 2026接收为Spotlight。

针对低推力交会中燃料最优控制的敏感性问题，本文提出一种紧密耦合的估计与引导架构，通过导航置信度动态调节同伦参数，结合多调谐因子（MTF）卡尔曼滤波，显著降低终端脱靶量至亚米级，同时保持计算效率。

研究人员提出了一种腹腔镜持镜机器人控制方法，将位置、力/扭矩和图像等多模态术中信号统一为等效力旋量表示，并通过任务优先级方案实现合规操作和自主器械跟踪，同时保持远程运动中心约束。在手术模型和活猪实验中验证了有效性。

本文提出了一种条件潜在流匹配方法，用于可扩展且逼真的安全关键场景生成。该方法通过分布匹配将标称场景转换为安全关键滚动，并结合仿真与真实数据生成多样化的数据驱动场景。实验表明，该方法能更一致且逼真地生成新颖的安全关键场景，为自动驾驶系统训练和基准测试提供有力工具。

本文提出了一种将人类提供的安全规则与操作员语义偏好集成到自主机器人导航中的架构，通过将自然语言规则转换为信号时序逻辑（STL）规范，并利用视觉语言模型（VLM）进行零样本场景理解，实现非结构化户外环境中的安全导航。

针对现有多模态大语言模型在多子图多步推理上的不足，研究人员提出HierVA框架，通过分层结构和联合图像-文本工作上下文管理，结合缩放工具限制视觉上下文，在CharXiv推理子集上取得显著改进。

本文提出自适应置信阈值选择方法，优化自动驾驶多任务分类，并引入IUST-XAI-AD数据集（958张带人工标注的图像），用于跨文化可解释性评估。

本文介绍了一个包含约34,700张高分辨率图像的数据集，记录了11根Dyneema SK75/78 HMPE绳索在循环疲劳下的完整退化过程。绳索在60 kN至280 kN的七个轴向载荷下测试至失效，疲劳寿命从695次循环到8340次循环不等。每固定次数的滑轮循环后，沿绳索不同横截面位置拍摄十张图像，标注了循环次数，可直接计算剩余使用寿命。该数据集旨在支持RUL回归、损伤进展建模、异常检测和负载条件预测等机器学习任务，为视觉监测和预测算法提供基准。

研究人员提出了一种物理引导的混合模式解混（PGRU）方法，该方法通过从可观测的物理特征中估计每个像素的标量，仅在必要时激活非线性混合，从而克服了线性混合模型在多散射情况下的局限性。实验表明，该方法在多个数据集上优于基线方法，物理一致性超过0.90。

本文提出一个概率深度学习框架，通过联合利用Sentinel-2光学和Sentinel-1 SAR观测数据，在任意过去或未来日期生成光学图像，实现Sentinel-2时间序列的稠密化与预测。该框架关注生成图像的不确定性，在稀疏且时间不对齐的时间序列上展示了有效的稠密化和预测能力。

隐式神经表示（INR）在医学成像中通过物理信息无监督学习展现出强大潜力。传统方法为每个受试者从头训练网络，效率低且成像质量欠佳。最近基于初始化的方法注入人口先验，但依赖高质量图像且微调时易灾难性遗忘。本研究提出DisINR框架，显式解耦共享表示和受试者特定表示。它引入共享编码器-解码器对和受试者特定编码器，通过可微前向模型从有限原始测量中预训练共享模块，无需预获取高质量图像。测试时仅优化受试者特定编码器，共享对保持冻结，有效保留先验。在三个典型医学成像任务上，DisINR在重建精度和效率上显著优于现有方法。

研究表明，将深度学习直接应用于科学成像（如红外成像）会导致性能下降，甚至模型崩溃，因为深度学习的简单性偏好与科学数据的高维特性不匹配。