大型语言模型（LLMs）在涉及否定问题时常常给出错误答案，但内部实际拥有正确处理否定的组件。其错误源于后期注意力层促进的简单捷径，去除这些模块可大幅提高准确性。研究揭示了两种否定处理机制：抑制相关概念和直接构建否定短语的表示，其中构建机制占主导。

最新研究发现，尽管推理模型在质疑错误假设方面比非推理模型略有改善（准确率提升2-11%），但仍无法挑战26-42%的错误预设，且易受预设表达强度影响。

该研究评估了同模型自验证作为选择性预测置信信号的有效性，发现在不同任务和模型上表现差异显著，不能作为通用不确定性估计器。

PRISM-CTG是一种新型自监督基础模型，利用大规模未标注胎心监护（CTG）记录学习可转移的领域级表示。它通过多视角自监督学习联合优化三个互补的预训练目标：随机投影引导的掩码信号重建、临床变量预测和特征分类。该模型在7个下游CTG任务中表现优于基线，并在外部验证中展现出强大的泛化能力，是首个用于CTG的大规模基础模型。

本文提出ASDAgent框架，通过策略感知的智能体设计（包括医生智能体和儿童智能体）解决了AI辅助自闭症早期密集行为干预中的数据稀缺和策略一致性难题。实验表明，该框架生成的对话与人类治疗师的策略分布高度接近（KL散度0.083），在实际干预中与人类专家的策略一致性达80%，并能将专业临床知识蒸馏到小型语言模型中，显著提升其治疗能力。

研究发现，使用完全良性的数据对防护模型进行微调，可能会使其完全丧失安全对齐能力。这种行为并非通过对抗性操纵，而是源于标准的领域专业化。研究者通过分析三种防护模型（LlamaGuard、WildGuard 和 Granite Guardian）展示了这一失效现象，并揭示了其根源在于潜在安全几何结构的破坏——即指导分类的有害-良性表征边界。Granite Guardian 经历了完全崩塌，拒绝率从 85% 降至 0%，CKA 降至零，100% 的输出变得模糊。为了缓解这一问题，研究者提出了 Fisher 加权安全子空间正则化方法，能够恢复 Granite Guardian 75% 的拒绝率，并将 WildGuard 的攻击成功率降至 3.6%。

强化学习已成为提升大型语言模型推理能力的关键后训练工具，但推出（rollout）设计常被忽视。本文提出生成-过滤-控制-重放（GFCR）生命周期分类法，将推出管道分解为四个模块化阶段，并补充了可靠性、覆盖率和成本敏感性等评估标准。通过数学、代码、多模态推理及智能体技能等多领域案例验证框架，并提供常见故障诊断索引，为构建高效、可复现的推出管道提供统一框架。

本文提出一种代理式AI网络优化框架，将专家混合（MoE）架构与大语言模型（LLM）相结合，用于未来的6G移动网络。LLM作为语义门，根据操作员目标动态组合优化专家，实现从人类可读意图到低层资源分配的灵活优化。在联合通信与计算网络中的应用表明，该框架能够接近最优性能，并在延迟最小化和吞吐量最大化等目标上优于单个专家。

本研究探讨了强化学习与可验证奖励（RLVR）中系统性验证错误的影响。通过算术任务实验发现，系统性假阴性类似于随机噪声，而系统性假阳性可能导致次优平台期甚至性能崩溃。结果挑战了以往认为错误仅会减慢训练的观点，强调验证器质量需超越样本级错误率来理解。

该研究定义了“能量场”（注意力logit的行中心化版本），并发现其具有两类不变性：机制层不变性（包括每行零和约束、由头维度决定的秩界限、以及谱特征）和模型层不变性（能量场方差分布去集中化，归因于关键矩阵的“关键不相关性”）。这些发现有助于理解注意力机制的内在结构，并具有实际应用，如秩界限将能量场限制在低维子空间，关键不相关性可作为每头训练监控器。

本文提出OpsLLM，一种面向软件运维领域的专用大语言模型，支持基于知识的问答和根因分析。该框架引入了人工参与的数据筛选机制、监督微调以及用于强化学习的领域过程奖励模型。实验结果表明，在问答任务上性能提升0.2%-5.7%，在根因分析任务上提升2.7%-70.3%。将开源7B、14B和32B参数版本的模型及15K微调数据集。

一种名为eOptShrinkQ的新方法，通过将注意力缓存分解为共享上下文和每令牌残差，并应用最优谱去噪和量化，实现了近乎无损的KV缓存压缩。在Llama-3.1-8B和Ministral-8B上的实验表明，它在同等质量下每条目节省近1比特，优于现有方法。

StateSMix是一种全新的自包含无损压缩器，它将在线训练的Mamba风格状态空间模型（SSM）与稀疏n-gram上下文混合及算术编码相结合。模型从零开始初始化，在待压缩文件上逐token训练，无需预训练权重、GPU或外部依赖。在enwik8基准测试中，StateSMix在1MB、3MB和10MB数据上分别达到2.123、2.149和2.162 bpb，比xz -9e（LZMA2）分别提升8.7%、5.4%和0.7%。消融实验表明SSM是主要压缩引擎，单独使用即可比频率计数基线减少46.6%的体积，且无需n-gram组件即可击败xz；而n-gram哈希表通过精确上下文记忆提供4.1%的额外增益。系统采用纯C语言实现，支持AVX2 SIMD和OpenMP并行，在普通x86-64硬件上每秒处理约2000个token。

一种新型流体动力学多智能体系统原型采用层执行图协调专业智能体，在37个查询中达到93.6%的事实准确率和100%通过率，并能优雅降级，解决了单智能体LLM工作流中的上下文饱和问题。

虚拟言语治疗师（VST）是一个基于智能代理的平台，通过自动化和自适应的AI工作流程简化口吃评估并提供定制化治疗计划。它整合了最先进的深度学习口吃分类和多代理大语言模型推理，支持基于证据的临床决策。系统首先采集患者语音样本并提取特征，进行口吃类型分类，然后通过专门的LLM代理自主生成、批评和迭代优化个性化治疗计划，并由批评代理确保临床安全性、方法合理性和遵循专业指南。最终输出经临床医生审核后形成最终治疗计划。专家评估证实VST能生成高质量、基于证据的治疗建议，有潜力减轻临床负担并改善治疗效果。

本研究提出了一种知识驱动的决策支持系统，将结构化缺陷知识与基于LLM的推理相结合，以激光粉末床熔融（LPBF）为例，提供可解释的缺陷诊断和缓解指导。该系统基于包含27种LPBF缺陷类型的知识库，支持模糊自然语言查询、文献支持的缺陷解释以及缓解策略指导。此外，多模态图像评估模块利用基础模型进行描述符引导的显微缺陷图像解释。评估表明，完全集成配置的宏观平均F1得分为0.808，且Cohen's kappa分析显示模型输出与文献参考标签之间具有高度一致性。

本文提出了一种受控执行的代数语义框架，通过三个核心公理（安全性、透明性、恰当性）公理化控制概念，并证明这些公理诱导出一个对称幺半范畴。框架在Rocq中机械化实现，包含32个模块、约12000行代码和454个定理。能力索引的组合提供机器检查的能力界限，双重保证定理确保所有组合算子下安全性成立。核心结果是共同边界定理：每个通过四个原始态射构造子表达的程序都是受控的，反之亦然。受控内部保持图灵完备性，但排除无中介I/O。提取的OCaml代码在BEAM运行时中运行，通过70000+随机测试验证正确性。

该论文通过Rocq 8.19的形式化证明，展示了如何在保持计算表达能力的前提下，对AI工作流施加效果级别的治理。研究提出了治理算子G，实现了七个关键属性，包括图灵完备性、语义透明性等，表明治理与计算表达性正交。

本研究提出了一种结合FINALES和Kadi4Mat生态系统的互操作性框架，用于优化钠离子扣式电池的化成工艺，在缩短化成时间与提升寿命末期性能之间寻求平衡。通过多目标批量贝叶斯优化，主动学习代理有效探索了参数空间，验证了跨系统协作在电池研发数据驱动优化中的潜力。

ClinicBot 是一种新型 AI 系统，通过结构化指南提取、证据优先级排序和可验证引用，为临床诊断提供准确可靠的答案，解决大语言模型在医疗场景中的幻觉问题。系统在糖尿病问题上进行了验证，并整合了美国糖尿病协会 2025 年护理标准。

涌现性对齐偏差是指对大型语言模型进行窄范围、非有害任务的微调时，意外导致有害行为出现的现象。本文提出基于特征叠加几何的解释：由于特征以重叠表示编码，微调放大目标特征时也会不自觉地强化相邻的有害特征。作者在多个模型（Gemma-2 2B/9B/27B、LLaMA-3.1 8B、GPT-OSS 20B）上进行了梯度推导和实证验证，利用稀疏自编码器识别与有害行为相关的特征，并展示它们几何上更接近。基于几何的过滤方法可将对齐偏差降低34.5%，优于随机过滤，效果与基于LLM作为评判的过滤相当。

本研究提出了一种基于AI的新型框架，用于评估欧洲中小企业的环境、社会和治理（ESG）绩效。该框架利用n8n自动化平台和大语言模型，实现了高一致性自动化ESG分类和上下文推荐，支持欧洲绿色协议的有效监测与干预。

该路线图全面概述了人工智能和机器学习在智能制造中的基础、应用和新兴方向，涵盖工业大数据分析、自主系统、数字孪生、机器人技术、供应链优化以及非传统ML方法如物理信息AI、生成式AI、可解释AI和大语言模型等，旨在指导研究人员和从业者加速创新，推动可靠、可持续和可扩展的智能制造生态系统。

OpenAI 正在扩大 ChatGPT 的广告业务，推出面向美国广告商的自助广告管理器测试版，支持 CPC 和 CPM 出价、转化测量和汇总报告，同时确保广告清晰标注并与 ChatGPT 回复分离。

MCP Steroid 是一款 IntelliJ 插件，通过向 AI 代理暴露完整的 IDE API、视觉状态和运行时环境，使其在编码任务中速度提升 20–54%。它支持重构、调试、检查、测试执行等 IDE 核心功能，兼容 Claude、GPT 等 MCP 客户端，并允许快速创建自定义技能。

Anthropic的哲学家Amanda Askell在一篇2023年的论文中提出，AI的有意偏向可以用于纠正历史不公。实验显示，经过人类反馈训练的模型对黑人学生有7%的正面歧视，而未经修正的模型有3%的负面歧视。该观点引发了对AI伦理的广泛讨论。

著名加拿大小提琴手阿什利·麦克艾萨克因谷歌AI概览错误将其描述为性犯罪者，提起150万美元诽谤诉讼，导致演出取消。谷歌称AI概览在持续改进中。

Gem of Gemma 是一款开源的 Android 应用，基于 Gemma 4 模型在设备端运行，支持聊天、图像理解、手机控制等功能，无需云端 API 或网络连接，保护用户隐私。

Skelm是一个开源的TypeScript框架，用于构建安全、持久化的AI代理工作流。它采用默认拒绝的权限模型，支持类型化管道、多种调度方式，并与MCP原生集成，适合开发者快速搭建可靠的自动化任务。

谷歌正在开发一款名为“Remy”的AI代理，它能够代表用户执行操作，而不仅仅是回答问题或生成内容。目前，该代理正在员工内部测试中，尚未公布公开发布时间表。