arXiv 上新发布的论文提出 Segment-Snap 框架，通过部件与把手的物理关联，把可动部件分割、运动约束与可操作区域预测耦合起来。在 Articulate3D 验证集上，把手引导使运动门控 AP 从 13.74% 提升到 40.98%，完整上下文下把手 AP 达到 30.99%。

arXiv 新论文提出一种质量约束的图像编码方案：在保证人类观察质量达到预设可接受水平后，把剩余码率用于提升机器视觉任务表现。作者将联合压缩—分割训练重构为约束优化问题，并设计绝对函数与双线性函数两种惩罚项；实验显示，在相同任务性能下，相比无约束联合率—失真—任务优化和简单率—失真基线，BD-rate 分别降低 22.82% 和 29.81%，且未增加复杂度。

arXiv 新论文提出 SPARC，一种利用超像素在增强图像视图之间建立区域对应关系的区域级对比学习框架。它在图像级目标之外联合优化区域级对比目标，在语义分割上最高提升 9.79 mIoU，在目标检测上最高提升 4.88 AP，优于 MoCo-v2 和 DenseCL。

arXiv 综述论文《深度伪造与合成媒体：生成、检测与治理》系统梳理深度伪造的生成模型、检测方法与治理框架，指出跨生成器泛化是核心难题，并主张以取证检测、密码学溯源和监管问责形成多层防御。

安全对齐的大语言模型常出现过度拒绝，错误地拒绝良性但涉及安全主题的指令。该论文从Transformer注意力内部的路由冲突切入，发现稀疏的“超敏感安全头”在Hard-Safe提示上误触发，导致高熵路由冲突；作者提出免训练的语义路由校准（SRC），在推理时抑制这些安全头，并配合双分支logits融合，在尽量保留安全性能的同时缓解过度拒绝。论文被EMNLP 2026主会接收，共33页、13张图。

一篇新 arXiv 论文联合研究在线策略蒸馏（OPD）中的提示广度和响应生成策略刷新，发现两者存在 4.07 个百分点的交互效应：在响应冻结时增加提示会降低准确率，而在每次更新刷新时则会提高准确率；两种教师模型下的比较还显示结论会随推理预算反转。

该论文提出 AIBuildAI-2.5，一个用 LLM 智能体执行树搜索的自主 AI 模型构建系统。它用“评判器＋选择器”的 LLM 引导树搜索替代按已执行奖励排序的蒙特卡洛式搜索，并加入资源感知调度器与按任务难度分派的模型路由器，以改善搜索决策、提升硬件利用率并压低推理成本。系统在 MLE-Bench 上以 73.3% 的奖牌率排名第一，并在 AIRS-Bench 的六项自主 AI 研究任务上超过强基线。

研究者提出 Peerify 流水线，用于验证同行评审意见是否得到稿件证据支持，并构建了来自 NeurIPS 2024 和 ICLR 2024 的 800 条论断基准。自动标注在受审计论断上与人工共识一致率达 90.3%，而现成蕴含模型宏平均 F1 低于 0.24。

这项研究把欧洲央行和美联储的新闻发布会视为有结构的叙事，而非单纯的信息发布。作者沿货币政策立场、经济前景和不确定性三个维度为每场发布会构建“情感弧线”，用以检验情感在整篇声明中的走向与强调方式是否携带政策信号。结果表明，弧线形态在预测政策利率变动方面稳健优于基于词典的平均语调基准；弧线特征还会影响专业预测者对通胀预期的修正幅度以及彼此之间的分歧程度，说明存在独立于直接政策信号的“接收方效应”。作者据此认为，沟通设计——政策语言在声明中的排序与强调——是政策信号的一阶特征，而非二阶修饰。

QMSum缺少标准评分器，导致查询聚焦会议摘要结果难以比较。本文在统一实现下对15个系统重新评分或生成，发现一个已公开的406M Fusion-in-Decoder专用模型从受限长输入切换到2000词检索片段时ROUGE-1下降6.30，但在该片段机制上微调后可恢复损失。测试集上该模型得36.33 ROUGE-1，本文1.2B系统为35.41，差值95%区间为[-0.27, +2.22]，统计上无法区分；更小系统参数约为三分之一、峰值推理内存不到一半。固定的1.2B基础模型中，片段微调带来5.29提升，用2000个检索词替换前4500个转录词在测试集提升1.55、验证集提升0.29。在单一简洁提示和参考重叠评分器下，406M专用模型至少超过五个专有托管模型6.2 ROUGE-1，但输出长度与缺少人工或事实性评估限制了该排序。结论仅限QMSum与自动指标。

一篇新论文探讨历时词嵌入能否从现代高资源语言迁移到古梵语。作者构建了覆盖四个经典时期的270万词元语料，用神经字节级连声拆分器和词形还原器恢复词边界，并按时期训练嵌入。在21项可测试的语义变迁中，19项方向与文献学考证一致（符号检验 p=0.00011）。

一篇新论文检验了开放权重语言模型在数值等价改写下的答案一致性：在 3,600 道精确有理数问题和 8,600 条提示上，五个模型的正准准确率高达 0.969–0.996，但同一等值轨道的正确率与不变性降至约 0.85–0.98。研究指出，部分所谓推理失败其实来自评测器的数字语法未覆盖乘法形式的科学计数法；Mistral Small 4 则在单位换算上出现相差整十次幂的系统性错误。另有 9,000 次调用实验显示，表示共识并未优于复述共识，反而产生更多误报。

作者独自用纯 Rust 完成约 0.4B 参数、孟加拉语优先的语言模型端到端预训练，租用 GPU 花费 164 美元。论文更重要的贡献是给出 Candle 与 Burn 作为训练后端的失败分类，并提出可捕获六类静默失败的梯度流验证方法；作者结论是 Rust 目前还不足以胜任训练，但适合端侧推理服务。

一篇新论文以 TF-IDF 加线性分类器为测量工具，对 ISOT/Kaggle「Fake and Real News」语料库做可复现审计，发现其超过 0.98 的准确率与 F1 主要来自元数据、来源标签和重复文档等捷径，而非对新闻真实性的判别能力；在主题不重叠的设定下性能大幅下降，迁移到独立基准 LIAR 后更是接近随机水平。

这篇 arXiv 论文指出，扩散模型的数据点遗忘评测通常只看删除刚完成的那一刻，忽略了多次删除请求连续作用于同一模型时的累积效应。作者识别出“顺序重现”这一失败模式：样本在删除后一度被判定为已遗忘，却在后续针对其他目标的删除操作后重新回到被记忆的状态，且无需重新使用被删数据或对抗性微调。为刻画该现象，论文提出目标级评测协议，并发现会重现的目标在删除后呈现更尖锐的局部去噪损失几何。

研究者提出一种数据驱动框架，将相对阶条件显式融入学习过程，从而训练反馈线性化控制器。该方法用神经李导数替代传统反馈控制器组件，实现完全数据驱动的反馈线性化，并给出在辨识误差有界时跟踪误差有界的充分条件，最后在电枢控制直流电机上验证。

一篇新论文指出深度不平衡回归（DIR）评估存在三大盲点：过度依赖图像基准、标准评估协议不足以支持决策、尾部区域在随机种子间的稳定性未被系统检验。作者通过多模态虚拟传感基准 MuViS、平衡 MAE 与新指标 bMASE，以及多种子重复评估，揭示了被全局指标掩盖的尾部性能退化和不稳定性。

arXiv 预印本（2026年9月21日提交）由 Tianfeng Chen 和 Xianyue Li 撰写，页面标题为《用于最大独立集的双GNN多级粗化》，但摘要介绍的是面向欧几里得旅行商问题的图边稀疏化（GES）方法。该方法利用几何结构与组合优化技术为不同实例自适应生成稀疏图，在 MATILDA 数据集上最多可剪除 95% 的边，并在部分大规模 TSPLIB 实例上剪除率超过 99%，同时最优性差距保持在 1% 以内。

该论文提出受果蝇学习与记忆系统启发的分层模块化原则，通过专家特化与集成整合来协调持续学习中的抗干扰与泛化，并将其实例化为预训练基础模型的轻量模块化适配。方法在视觉识别、视觉语言理解、自我-他人视频理解及具身VLA学习等在线不确定数据流中持续提升，具身操作任务上相较无回放方法提升超过50个百分点。

该论文提出层正则化（sheaf regularization）来抑制 Decentralized SyncMap 这一自组织系统中的局部不一致，从而稳定无监督持续分块过程。实验显示，该在多数概率性 CGCP 图上取得最高归一化互信息（NMI），并在输入分布发生偏移后仍能保持较高表现，同时避免神经网络等系统常见的负迁移。

arXiv 上新发布的一篇 27 页综述性论文《The Probabilistic Structure of Large Language Models》由 Adnan Aboulalaâ 撰写，试图用统一的概率论框架描述大语言模型：把模型视为 token 序列上的概率测度，把训练视为最大似然估计，把生成视为随机过程的序贯模拟，并借 KL 散度的不对称性解释幻觉以及「统计上合理」与「真实」之间的区别。文章还以扩散模型作为同一视角的补充例证。

一篇新的 arXiv 论文指出，均匀离散流虽然允许在每个生成位置反复更新，但持续的修正也会让原本正确的中间预测被后续错误覆盖——在数独实验中，9.4% 的生成格子在中途正确、最终却错误。作者提出 LEDFlow：一种无需训练的采样器，通过"选择性吸收"把生成顺序引入均匀离散流，并按局部熵自适应决定吸收顺序，从而避免固化错误预测。该方法在数独求解上达到 0.845 的 Nikoli 准确率，在文生图和六项多模态理解基准上均取得提升，推理成本与标准流采样相当。

一篇新论文（arXiv:2609.25082）评估用联邦学习把混合量子—经典模型与经典参与方结合起来，采用 Sherpa.ai 的盲式纵向联邦学习（SBVFL）协议，在自建的 SMPP 基准上把准确率从 0.7227 提升到 0.8757，接近非隐私的集中式训练水平，且所需可训练参数明显少于经典神经网络和随机森林。

一篇被 COLM 2026 与 KONVENS 2026 研讨会接收的论文发现，聊天模板像一个开关：它的存在会抬高模型“我只是个AI”式的免责声明口吻、压低“我感觉”式的体验性口吻；在激活空间中还存在一个可引导该行为的方向向量，暗示模型关于自身的陈述并不只是权重的事实，而部分由部署方式决定。

研究人员发布 IntLawNER，一个面向国际法成文文本的命名实体识别数据集与评测基准，涵盖国际法院、联合国安理会和欧洲人权法院的 2,987 条金标句子与 8,094 个实体跨度。论文还揭示领域专用 NER 中银标到金标的质量评估陷阱，并给出多种模型的基准表现。

一篇新论文指出，LLM 裁判之间的共识常被高估，因为裁判错误并不独立。十名裁判的平均两两误差相关系数为 0.21，约等于 3.5 名独立裁判；在最多 28% 的比较中，忽略共享误差会改变显著性结论。作者建议用可信样本估计准确率、识别共同错误，并据此选择投票方法。

一篇 arXiv 论文将人类的三阶段审议范式迁移到来自三个模型家族的大语言模型，并在四个现实风险递增的领域进行测试。结果显示，多模型审议能比简单聚合独立回答进一步降低集体误差，审议后的个体判断也保留了这部分增益；但该优势依赖模型多样性，由同一模型克隆组成的群体没有从审议中获益。

该论文研究托管式语言模型行为评估的可变性，区分复现、测量敏感性与持久性三类问题。作者在 Regent Chess 环境中发现，先前的 Gemini 3.1 Flash-Lite 缺陷可在历史配置下复现，但在相同公共标识下重建评估与推理配置后端点显著变化；重建配置下 Gemini 3.1 与 3.7 的 4K 比较甚至反转方向。论文因此主张，对托管模型的行为结论应显式标注被测标识、服务期、测量工具与推理配置。

该论文提出一种“目标驱动”的流程变体分类方法，颠覆了以往先聚类再人工赋予业务含义的做法：先构建组织目标模型以预先确定分类维度，再把每个流程变体转写为行为叙事文本，交由大语言模型结合目标模型进行语义判断并归类。作者完成了端到端实现，并在三个规模和多样性差异显著的公开日志上验证，结果显示目标模型的引导会产生不同于无引导归纳的划分，且能对目标模型中备选方案的受控修改作出响应，代价是需要额外编写目标模型。

该研究提出一种群体监督框架，可从单张二维红细胞图像推断潜在生物物理量，并聚合为平均红细胞体积、红细胞分布宽度和平均红细胞血红蛋白量。模型结合共享局部推理、面向体积与血红蛋白的生物物理结构化解码器、可学习实例加权以及设备特定校准。作者形式化了聚合观测识别受限实例预测器的条件，并指出群体一致性本身并不能识别单细胞特性或三维几何。在390份标本、六台设备共1,105次采集上，与Sysmex分析仪相比报告了0.86–0.98的Pearson相关系数。