该方法通过将3D点表示直接注入视觉-语言-动作（VLA）模型的动作头，大幅提升了空间和任务泛化能力，仅使用一个轻量级的两层MLP模块，无需修改VLA骨干网络。在LIBERO-PRO基准测试中，GR00T-N1.6的成功率在任务扰动下从31.2%提升至77.5%，在位置扰动下从28.1%提升至60.2%。

本文提出P-ARC，一种自适应机器人协调（ARC）的并行变体，用于多机器人运动规划（MRMP）。P-ARC针对ARC的三个主要阶段（初始个体解、冲突检测、冲突解决）提出并行方案，利用ARC对MRMP问题的分解产生的独立性。此外，采用OR并行多启动策略，创建混合并行策略OR-P-ARC。实验表明，在最多128个机器人的2D移动和平面操作场景中，不同并行策略带来显著加速，在16核CPU上规划时间提速近4倍。

本文提出一种基于物理信息机器学习（PIML）的机器人辐射源定位框架，能够在任意测量路径下精确估计辐射源位置，无需靠近源，从而降低机器人辐射损伤风险。该方法通过设计物理启发张量处理未知障碍物的衰减伽马射线信号，并行计算多个模型以提高鲁棒性。在高保真模拟和物理实验中验证了有效性，并采用连续学习技术增强在线部署的实用性。

提出一种混合仿真框架，结合高保真四旋翼模型和物理求解器，训练深度强化学习策略，实现零样本部署于真实硬件，将降落误差降低50%，投掷时间缩短30%。同时展示了基于视觉观测的策略的等效性能。

SceneBot是一种统一的人形运动追踪框架，能够处理自由空间运动、地形穿越和全身操控。通过将参考运动与每个关节的接触标签相结合，它显式定义了预期的环境交互。为解决交互数据不足的问题，研究团队提出了一种事后场景重建方法，从重定向的人体运动中推断场景交互图。经过7.5小时的重建接触丰富数据训练，SceneBot成功泛化到未见过的运动和环境，实现了如搬箱上楼等复杂、长时任务。这是首个无缝统一自由空间和接触丰富行为的通用框架。

现有基准标记多为单尺度且针对地面机器人设计，在接近和对接阶段会离开相机视野。本文提出AstraTag，一种基于方形Spidron递归自相似结构的基准标记，支持多尺度检测、48位GRS编码识别，并采用薄板样条重映射处理曲面。在曲面航天器模型上，AstraTag的检测率优于分层ArUco和AprilTag，为空间机器人提供了鲁棒的递归标记方案。

一种新的多机器人运动规划方法AO-ARC，能够在与最先进的可行性求解器相当的初始求解时间内，随着机器人数量增加实现更快、更可靠的收敛。该方法通过迭代调用ARC对有限实例进行求解，适应AO-x元算法，并证明了渐近最优性。

提出SCORE框架，通过在仿真中施加支持约束，使强化学习能在不进行真实世界训练的情况下改进机器人操作策略，成功率从37.8%提升至89.9%。

TTE利用可学习的球面Voronoi分区，将表示能力集中在需要区分度的区域，并通过全局语义标记共享相似环境语义，在多项地理空间任务上达到最先进水平。

本研究提出Structured-Li-GS，一种融合LiDAR-惯性-视觉SLAM的轻量级3D高斯泼溅框架。通过训练精确密集的彩色点云，该方法以更少的高斯原语实现高质量3D重建，无需高斯稠密化，并采用多种损失函数引导。实验表明，在基准数据集和自有数据集上，该方法以中等模型尺寸超越现有技术。

TruEye是一种新型模型，能够细粒度检测和定位AI生成或篡改的人像和场景，区分五种合成内容类别，比现有方法更快更准，且无需大型语言模型。

ReWorld是首个专为自动驾驶世界动作模型设计的表示学习框架。它通过直接优化中间表示，沿三个维度改进：对生成模块施加未来预测监督，对规划模块进行跨模态对齐和难负样本监督。实验表明，ReWorld在nuScenes和NAVSIM上显著提升了视频生成质量和闭环规划性能，并加速了收敛。

Aloe-Vision 引入了一系列开源医疗视觉语言模型，基于大规模质量过滤的数据集训练，在保持通用能力的同时取得竞争性性能，并暴露了对抗性输入下的脆弱性。

DMV-Bench是首个针对多模态智能体视觉记忆的交互式基准测试，基于包含1000种产品的家居电商目录构建。通过在每个产品图像中注入独特的偶然线索，测试智能体在长时间购物会话中回忆特定产品的能力。研究者提出双编码记忆架构DualMem，在Gemini 2.5 Flash和Qwen2.5-VL-7B上均优于现有系统。

SelectAnyTree是一种基于提示的实例分割模型，旨在从3D森林LiDAR点云中通过少量点击分割出任意单棵树。该模型引入点击到查询的提示编码器和冠层高度模型引导的首次提示，结合状态空间查询解码器，实现了高效的长距离上下文捕获。在七个不同森林区域和独立测试集上的评估表明，单次点击即可达到78.2的交并比，显著优于现有方法。

研究人员通过低秩适应方法微调Gemini 2.5 Pro模型，使用400个经临床医生评分的家庭视频，在评分者间信度和自闭症诊断准确率上取得显著提升，达到或超过临床医生水平。该方法实现了自闭症评估中可扩展的行为特征提取。

SemCityLoc是一种新颖的空中定位方法，利用语义-几何对齐将无人机姿态估计转化为基于基础模型视觉先验和标准化LoD 3D城市模型的结构化表面配准。该方法无需依赖精确的GNSS信号或辐射度量丰富的3D重建，在重复和遮挡的城市环境中提高了位姿判别性。同时引入了首个包含厘米级精度UAV位姿与LoD1-LoD3语义城市模型的真实世界基准SemCityLockeD。实验表明，相比现有地图方法，召回率提升高达36%，平均位置误差从9.89米降至2.62米。代码和数据已公开。

一种名为变换感知解耦（TAD）的新框架通过将关系推理分解为视角敏感和视角不变两个部分，提升了三维场景图生成在视角变化下的鲁棒性。

超细粒度实体分类（UFET）在长尾类型上表现不佳，因为现有方法依赖单句上下文。本研究提出Narrative-UFET，为每个实体提及自动生成简短连贯的叙事，从而提供跨句上下文。实验表明叙事上下文显著提升长尾类型分类效果，尤其是当实体类型在叙事中发生变化时。合成叙事优于自然上下文，揭示受控话语构建能挖掘隐含信号。

Ko-WideSearch是一个韩国语广度搜索基准，通过自动化合成与验证流程构建，包含190个实体、228张表、16个类别，按三个难度层级评估网络代理的穷举集合枚举能力。测试发现代理能恢复集合但无法完整填充行（Item-F1 92.8 vs Row-F1 53.7），且难度增加时性能稳定下降，开放文本单元格是主要瓶颈。

EntMTP是一种无需训练的调度器，通过根据局部生成熵动态切换树注意力拓扑，在低熵区域进行深度推测，高熵区域保守推测，从而在不牺牲生成质量的前提下，最大化吞吐量。在多个基准测试中，相比Hydra和Medusa分别实现1.15倍和最高1.36倍的加速。

一种新的循环神经网络架构，通过在token进入D层Transformer模块之前对其进行预上下文化处理，实现了显著的速度提升，同时保持或超越标准Transformer的性能。

大型语言模型（LLM）智能体在长期多会话交互中需要更新事实，但现有记忆系统存在显著缺陷。研究发现，即使是最先进的模型（如gpt-5.4），在替换为有界自维护记忆后，准确率从92%下降到77%。这种差距并非由模型规模或记忆容量引起，而是随对话长度增加而恶化。研究者发布了Supersede，一个基于强化学习的开源训练环境，通过奖励当前事实和惩罚过时事实来训练智能体。对Qwen2.5-3B模型进行GRPO微调，使真实对话中的更新准确率从9.0%提升至16.7%。

本研究采用发展方法探究神经语言模型（NLM）的统计学习和心理表征。通过训练一系列生成式Transformer模型于合成语法，并保存训练过程中多个阶段的模型状态，分析内部表征的变化，发现NLM在学习初期获取最抽象的全局统计知识，随后学习相对局部的统计依赖。这一学习路径包含许多早期过度泛化，这些泛化在后期逐渐受到约束。基于此观察，提出解释NLM统计学习和语言认知的新框架。

本文介绍了HSA_CORAL团队在FinCausal 2026共享任务中的提交，旨在通过抽取式问答从金融叙述中提取因果关系的任务。团队比较了三种模型家族：仅编码器的令牌标注（多语言BERT）、编码器-解码器生成（多语言BART）和仅解码器的大语言模型（Llama 3.1和GPT变体），并使用了提示优化、少样本演示和监督微调。结果表明，监督微调带来了最大的改进，最佳系统是结合英语和西班牙语训练数据微调的GPT-4.1 Mini，在英语子任务中取得最高分（4.8140），在西班牙语中排名第三（4.7753）。研究强调了任务特定适应和多语言微调在跨语言金融因果关系问答中的价值。

本文系统综述了自动化演讲辅导系统，涵盖发音、流利度、韵律、多模态及问答练习工具。提出了五维任务分类体系（分段发音、词汇重音、超音段韵律、节奏、内容忠实性），并映射了现有系统以揭示覆盖缺口。核心技术包括基于TTS的示例生成和诊断方法。开放挑战包括标注语料库稀缺、跨口音公平反馈和实时低延迟诊断。

这篇立场论文指出，“机器遗忘”一词在大型语言模型研究中被过度使用，应仅用于指代数据集定义的删除。许多当前标为“遗忘”的任务实际上追求不同的目标，如对齐、抑制、编辑或混淆，需要不同的术语和评估方法。作者呼吁采用更严格的术语，并与明确的保证和参考模型挂钩。

研究者提出了一种评估大型语言模型潜在思维表示的公理框架，定义了因果性、最小性、可分离性和稳定性四条公理，并为每条公理设计了独立于下游精度的定量指标。对23个推理任务的审计发现，没有候选表示能同时满足所有四条公理，且表示在区分任务类型上可靠，但无法区分同一任务内的两个问题，编码的信息也未能超越输入嵌入。这一缺陷在多模型家族中一致存在，表明其结构性本质。

本文提出了一种隐私保护的概率性种族/民族估计（PPRE）方法，用于在美国LinkedIn用户中实现关于种族/民族的公平性度量，同时保护隐私。该方法结合了贝叶斯改进的姓氏地理编码估计器和稀疏的自报告人口统计调查数据，并应用了安全多方计算、差分隐私和加法同态加密等隐私技术。

该研究评估了十种缩减域边界处理对地质碳储存中井底压力（BHP）和CO2羽流预测准确性的影响。结果表明，保留角点孔隙体积最为关键；均匀处理会导致显著误差，而角点校正可大幅提升精度。渐变修正结合传导率校正表现最佳，BHP归一化均方根误差低于3.7%，羽流交并比超过0.97。