Knowly 1.0是一款主动式AI学习工具，融合了LLM Wiki的组织能力和NotebookLM的深度理解功能。它能够一键保存任何内容，自动整理并构建理解，然后按需生成个性化学习流程。AI主动建议下一步行动，用户无需费心构思完美提示词。

在吉林长岭中粮家佳康百万头生猪养殖基地，讯飞和光科技依托大模型与多模态感知技术，将一线养殖人员的实践经验转化为智能算法，实现降本、提质、增效，为我国畜牧业智能化升级提供可复制的标杆案例。

马斯克与OpenAI庭审进入第二周，马斯克曾发短信求和遭拒，随后威胁要让奥特曼和Brockman成为美国最令人憎恶的人。Brockman出庭承认追求报酬是次要动机，其私人日记曝光显示早有营利意图。预测市场显示马斯克胜诉率下降。

BifrostUMI是一种便携、高效的无需机器人的数据采集框架，利用VR设备捕捉人类演示作为稀疏关键点轨迹，结合腕部视觉数据训练策略网络，通过关键点重新定位管道将人类动作映射到人形机器人，实现复杂行为的无缝迁移。在两个实验场景中验证了其有效性。

研究人员提出了一种混合分层控制框架，用于反应性灵巧抓取，将高层空间意图与低层关节执行解耦，采用多智能体强化学习规划和GPU并行二次规划控制，实现了对真实机器人的零样本迁移，具有鲁棒性。

本文研究了轮式双足机器人的精确跳跃高度控制，提出了一种新型轮式双足跳跃动力学模型（W-JBD）和基于贝叶斯优化的扭矩规划方法（BOTP），在仿真中实现了82.3%的高度误差降低和26.9%的能耗节省，为实际机器人应用提供了可行方案。

本文首次研究了风险感知域随机化（DR）在接触丰富采样预测控制（SPC）中的应用。通过简单的Push-T任务，比较了平均、乐观和悲观滚动聚合策略，发现DR不仅影响对模型误差的鲁棒性，还通过重塑接触产生动作周围的吸引域来改变采样优化器看到的有效成本景观。这为在模型不确定性下探索更合理的风险感知接触丰富SPC开辟了可能性。

该论文提出神经控制方法，用于处理涉及隐式平衡的物理AI任务。通过伴随公式计算梯度，避免迭代求解器的展开，节省内存和计算。结合滚动时域MPC提高长时域鲁棒性，在仿真和实物机器人上对可变形线性物体操控表现优于无梯度基线。

RLDX-1 技术报告介绍了一种基于多流动作变换器（MSAT）的通用灵巧操作机器人策略。它通过集成动作感知、记忆感知决策和物理传感，解决了现有视觉-语言-动作模型（VLA）的局限性。RLDX-1 在 ALLEX 人形任务中实现了 86.8% 的成功率，远优于 π0.5 和 GR00T N1.6 的约 40%。

本文提出ICODE-MPPI框架，利用输入共伴神经常微分方程（ICODE）学习并补偿未建模的残差动力学，以提升模型预测路径积分（MPPI）控制在复杂轨迹下的鲁棒性。高保真仿真表明，在持续扰动下，与标准MPPI相比，跨跟踪误差降低高达69%，控制抖动显著抑制。

该研究对25种开源语言模型在边缘硬件上的本地部署进行了系统基准测试，评估了推理效率、通用知识和教学效果三个维度。结果揭示了显著的权衡：吞吐量和能效在不同模型间差异超过一个数量级，MMLU准确率从接近随机到57.2%，而教学效果与这两个指标均无单调相关性。Granite4 Tiny Hybrid (7B) 实现了最佳平衡，达到每秒2.5个token、每焦耳0.90个token和54.6%的MMLU准确率。基于研究结果，提出了一个三层本地推理架构，以在资源受限的硬件上平衡响应性和准确性。

针对组合扩散规划中的模式平均问题，提出无需训练的引导方法RCD，利用自重构误差和重叠一致性项引导采样，在OGBench任务中表现优异。

自适应机器人在动态环境中面临诸多不确定性，可能导致安全与运行问题。本文提出RoboULM方法，通过大型语言模型与人机协同，在设计阶段系统性地识别、分析不确定性，并给出详细分类法。16名从业者在4个工业用例中评估，认为该方法实用且易理解。

论文提出了一种基于扩散模型的数据增强管道，用于解决医学图像分类中的长尾分布问题。该方法结合修复扩散模型和分布外后选择机制，生成多样化、真实且临床有意义的合成样本。在ISIC2019皮肤病变数据集上，尾部类别性能提升超过28%。

Sentinel2Cap是一个包含Sentinel-1 SAR和Sentinel-2多光谱图像的人工标注数据集，用于多模态遥感图像描述。研究使用Qwen3-VL-8B-Instruct模型进行零样本评测，发现RGB图像表现最佳，SAR图像最具挑战性，而模态特定的上下文提示可提升性能。

CAFe-DINO模型利用DINOv3骨干网络，无需在遥感数据上微调即可实现开放词汇语义分割，在重要遥感数据集上达到最先进性能。

本文提出火中心评估区域（FCER）框架，用于在野火蔓延预测中实现空间条件化的不确定性量化。通过将集成模型与蒸馏单次学生模型在WildfireSpreadTS数据集上比较，学生模型在边界相关区域展现出与集成模型相当的校准能力和互补的不确定性排名，为操作相关的评估提供了新方向。

在计算病理学中，核实例分割是一项基础任务，但现有评估方法存在诸多问题。本研究提出NucEval框架，通过处理模糊区域、分数归一化、重叠实例和边界不确定性，显著提升评估的稳健性和准确性。

该方法通过GPU优化的数据增强技术，在未见过的CT和MRI域上实现了155%的Dice系数提升，同时域内准确率仅下降0.008%，训练效率提升约10%。已发布开源工具箱。

医学专家常手动分割图像以获取诊断统计信息，但随后丢弃标注。本文提出一种方法，仅利用保留的汇总统计（如区域面积）和少量弱监督像素训练分割模型。新的损失函数结合图像重建质量、统计匹配和弱监督信号重叠，在标准图像、超声（乳腺癌）和CT（肾肿瘤）数据上验证了有效性。

研究人员利用结合Segment Anything模型和领域专用工具的复合方法，在类器官图像分割中实现了接近人类水平的准确性，为疾病研究和药物开发提供了高效工具。

该论文提出VANGUARD框架，将视频异常检测中的分类、空间定位和链式推理统一在单一视觉语言模型中。在UCF-Crime数据集上达到94% ROC-AUC和84% F1，同时提供可解释的异常事件推理和精确的空间定位。

研究发现，稳定扩散模型中的记忆化问题主要由CLIP文本编码器的填充嵌入（v_pad）引起。这些嵌入无意中复制了结束标记嵌入（v_eot），导致模型过度依赖该嵌入，从而引发图像记忆。文章提出了两种简单的推理时缓解策略，无需降低生成质量。

S^2tory是一个基于叙事学理论的电影脚本摘要框架，通过角色发展轨迹识别情节核心，过滤卫星事件，实现高效压缩并保持故事连贯性。在MovieSum和BookSum数据集上取得了领先性能。

稀疏记忆微调（SMF）通过在模型中添加键值记忆层，并在每个训练步骤中仅更新当前批次读取最频繁的记忆行，来避免灾难性遗忘。在Qwen-2.5-0.5B-Instruct上的实验显示，SMF在MedMCQA上提升了2.5个百分点，同时将遗忘探针保持在基线的1个百分点以内，而LoRA和全微调虽然收益更大，但存在明显的漂移。此外，还比较了KL散度和TF-IDF两种行选择规则。

该研究通过测量隐藏状态与可回答参考集的几何偏差，在生成前预测查询是否超出模型知识。实验表明，几何主要编码任务形式：数学提示中，不可回答输入与可回答质心显著偏离（ROC-AUC 0.78-0.84），优于简单拒绝基线；事实提示中无可靠信号；代码提示部分泛化。信号在早期层出现并渐衰减。

本文探讨了从非结构化财报电话会议中提取关键绩效指标（KPI）的挑战。研究团队评估了基于SEC文件训练的模型，并提出了三个新基准（SECB、ECB、ECB-A）。他们发现编码器模型在领域迁移中表现不佳，最终提出了一个基于LLM的系统，经人工评估达到79.7%的精确率，为持续跟踪新兴KPI提供了基线。

提出MedStruct-S基准，用于评估在未知键和OCR噪声下的半结构化信息提取，包含3,582页真实临床报告。实验表明编码器-仅模型在非空值条件问答上表现最佳，而微调解码器-仅模型总体最强。

本研究通过向StockEmotions数据集添加语义结构化的观点图，增强了金融情感分析的粒度。使用声明式LLM流程从StockTwits评论中生成观点图，并结合图神经网络，实验表明观点语义能提升分类性能。

开源和商业ASR系统在数字串、货币金额、地址、品牌名等特定领域的印度语言语音识别上表现不佳。本文提出TTS-STT飞轮方法，利用开源印度语TTS管道合成约22,000条实体密集的印度语-英语混合语音，在泰卢固语测试集上实现了实体命中率0.98，远超现有系统的0.027和0.16。代码、数据集等已开源发布。