這項研究提出一種受生物學啓發的框架，利用視頻中的運動邊界和光流生成偽實例掩碼，訓練單圖像編碼器學習對象中心表徵，無需人工標註或相機標定。實驗在7,163小時視頻上擴展到4.21億幀，並在深度估計、3D目標檢測、3D佔用預測和端到端規劃等任務上達到或超過基線。

研究人員提出 CARNIVAL，一種基於模擬數據訓練的蛋白質註釋模型。它利用冷凍電鏡斷層掃描（cryo-ET）前向模型引入的成像退化，為同一場景生成成對的增強視圖，並在 LeJEPA 自監督框架中完成不變量學習；同時藉助模擬流程提供的蛋白質位置與類別等特權信息設計模型結構與損失函數。在真實斷層圖像的分類與檢測基準上，CARNIVAL 無需微調即優於使用對比學習目標訓練、但未使用前向模型配對視圖或特權信息的現有模型。

該論文提出一種面向視頻生成模型的單階段聯合優化框架DM-Align，將人類偏好對齊與蒸餾統一到分佈匹配中，通過互補的偏好引導梯度避免傳統強化學習的高計算開銷，實驗表明其能同時提升蒸餾質量與偏好對齊效果。

這項工作提出反思感知 GRPO（RA-GRPO），一種將“反向反思”引入前向生成的強化學習偏好對齊框架，用於擴散圖像和視頻生成。它通過擴散反轉修正中間採樣軌跡，並藉助反事實路徑合成將這些修正隱式蒸餾進策略，從而緩解獎勵黑客、提升泛化能力，且不需要改變模型架構或帶來推理開銷。

視覺語言模型在高風險場景中可能對特定用户不安全。本文提出MPS-Bench（12個高風險領域、5181個場景）並發現八個前沿VLM幾乎總是直接作答（86-99%），個性化安全得分最高僅2.6/5。機制分析表明視覺信息在融合早期壓制文本風險信號，導致後期內部修正失效；提出的PRISM以0.978 AUC預測需要延遲迴答的查詢，並在各模型上優於安全-效用帕累託前沿。

FailSAE 採用稀疏自編碼器（SAE）來預測視覺語言模型的失敗，同時保持可解釋性。作者將故障預測轉化為對稀疏潛在激活的分類，並設計了“三階段失敗感知”訓練流程。實驗超過基線，概念層面分析顯示失敗源於從類別特定概念向模糊/風格相關概念的轉變，所學潛在方向還可用於運行時故障恢復。

arXiv 一篇新論文對多種提升多語言模型跨語言一致性的方法進行了統一評估，涵蓋推理時干預與訓練後方法，涉及三個模型家族和三個封閉式基準。結果表明，訓練後方法通常更可靠，直接分佈對齊效果最穩定；但跨領域遷移仍有限。研究還發現，在文化相關問題等需要差異回答的場景中，封閉式評估未出現系統性退化，而開放生成偶爾會有準確率下降，尤其對非英語回答。

一篇新論文研究了自動語音識別（ASR）系統為何會產生與輸入語音無關的流暢文本。通過分析CTC和RNN-T兩種Conformer-Large模型在環境退化及説話人背景偏移下的表現，發現編碼器最後一個模塊是關鍵邊界。繞過該模塊會導致幾乎每個話語的輸出發散，而繞過中間模塊影響甚微。該階段表徵更緊湊、文本可被解碼器讀取、字素信息顯式化。但干預產生的是雜亂或重複輸出而非流暢偽造，因此研究識別出幻覺的機械前提——未能產生充分接地的輸出——而非自然幻覺的完整起源。

本文提出一種基於 Hüllermeier-Rifqi 指數（Rand 指數的廣義變體）的評估方案，用於衡量語音編碼算法與國際音標（IPA）逐詞轉寫的一致性。研究者用歸一化編輯距離分別計算標準轉寫和編碼結果的成對相似度，並將二者絕對差作為不一致分數，隨後用採用相同字母表的隨機字符串生成器作為基線進行校正。他們在多語言轉寫數據集上評估多種語音編碼器，並結合碰撞率分析召回能力。該方法還可用於衡量將書寫系統視為內在語音表示時的語言正字法透明度。

該研究提出了一個用於評估大語言模型（LLM）理解中文網絡評論中間接、戲謔性社交語用含義的基準。基於逾20萬條公開中文社交媒體互動記錄，構建了4735個人工驗證的診斷項，每項包含目標評論、重建的前置語境及合理的誤讀選項。在跨寫作者設置下評估了8種LLM，最強模型準確率為81.42%，平均準確率僅68.70%，而人類準確率達90.8%。案例分析顯示，模型常能識別寬泛的諷刺或戲謔，卻難以判斷具體機制或互動行為。

早發性結直腸癌在年輕成人中逐漸增多，但該年齡段的警示症狀缺少循證隨訪指南，結構化就診數據也難以提供症狀時長、背景與家族史等關鍵信息。研究者提出 VERGE，一種結合檢索增強生成與有界驗證—修正循環的代理式工作流，用於從自由文本臨牀記錄中抽取六類警示症狀和家族史風險狀態。在 4,033 對臨牀醫生標註樣本上，VERGE 將精確率從 0.764 提高到 0.849，MCC 從 0.681 提高到 0.730，且僅 1.5% 的聲明需要人工複核。

一項新研究提出預測任務：能否在諮詢師職業生涯早期判斷其未來是否能更善於引導對話走向積極結果。研究發現，觀察諮詢師如何應對特定困難對話時刻並做出調整，比直接從對話記錄中學習更能預測長期成長。

MedProb提出一種輕量級探測框架，在不進行醫學微調或生成自由文本的情況下，從凍結的視覺語言模型表徵中預測醫學視覺問答（Med-VQA）選擇題答案。在PATH-VQA、SLAKE和VQA-RAD上，MedProb比提示工程恢復更多答案相關信息，且優於醫學專用視覺語言模型和智能體系統。研究還發現，探測減少了小模型與大模型之間的表現差距，且醫學適應並不總能提升線性可解碼性；生成式評估則存在高達10個百分點的答案位置偏差。

這項研究提出，LLM並非被動接受外部證據，而是基於自身先驗分佈對候選答案進行選擇性整合。實驗橫跨1000萬次測試、12個LLM和8個領域，發現證據與模型已有傾向越一致越容易被採納；相同證據可能使弱模型變好而讓強模型變差，甚至可能在模型內部已判定證據無效時仍被整合。

一項預印本研究利用Universal Dependencies v2.18中38對同語言樹庫，評估了語料庫選擇對平均依存距離估計的影響。結果顯示，不同樹庫之間一致性最多為中等：更換樹庫會使近40%的語言兩兩排序反轉，樹庫選擇約佔總組間差異的29%；這種分歧在12種預處理規範下均存在，並超過樹庫內抽樣誤差。不過，所有樹庫都證實了依存長度最小化（歸一化比率低於1）。研究者認為，平均依存距離更像語法、語體和標註因素共同作用下的語料庫條件化指標，而非穩定的語言級參數。

研究人員提出了一種輕量級的量子原型循環單元（QPRU），在保持與 LSTM/GRU 及量子變體 QLSTM/QGRU 相當預測性能的同時，大幅減少可訓練參數數量，並提升可擴展性與結構效率。

本文介紹了一種模塊化深度循環神經網絡（RNN），旨在簡化不同RNN架構的部署並自動計算梯度學習所需的導數。模塊化設計帶來了新架構，其中一種包含前饋層間連接。實驗表明，前饋連接顯著提升了多層RNN學習和建模高階動力學及非線性的能力，同時緩解了多層RNN在空間上的梯度消失/爆炸問題。通過四旋翼飛行器的高度動力學建模案例驗證了該方法，而現有方法難以快速或完全泛化。

BER-PEF 是一個基於貝葉斯錯誤率（BER）估計的框架，將 BER 估計轉化為人類移動性可預測性估計，並能在真實移動數據缺乏可觀測真值時，為不同可預測性估計器提供統一的比較協議。該框架將符號序列、數值軌跡、上下文特徵和學習表示映射到共同的特徵-標籤空間，參考區間和擾動曲線來量化估計器的偏差。在 Foursquare NYC/TKY、GeoLife 和 T-Drive 上的實驗表明，基於 BER 的估計器在符號序列和數值軌跡上的參考偏差低於現有方法，且其估計值能追蹤經驗預測性能的變化。

這項研究探討了大型語言模型（LLM）在零樣本框架下預測天氣相關強制停電風險的能力。利用美國德州中部公用事業區域六年的停電記錄和高分辨率天氣數據，研究將問題構建為三個預測時域（3小時、6小時和12小時）的二分類嚴重性任務。結果表明，監督式模型在宏F1分數和精確率上優於LLM，但新一代LLM已取得接近的分數。LLM還具備可操作推理和地理可擴展性等互補優勢，將兩者結合可能是最佳實踐。

Wi-Fi人體活動識別（HAR）依賴深度模型，訓練和推理開銷大。新提出的Q-MET框架用量子-經典混合神經網絡間接生成參數，並結合結構化剪枝，使可訓練參數減少90%到95%，同時維持甚至提升分類精度。

該研究提出一種數據融合校正框架，利用風洞壓力敏感塗料（PSP）測量數據修正基於CFD深度學習的航空代理模型，而無需重新訓練代理模型。在NASA CRM翼身構型上，該方法學習CFD與實驗之間系統性偏差；在Ma=0.85條件下，顯著改善翼面吸力峯、激波位置及壓力恢復的預測，並優於直接插值。

ProToMEx 是一種模型無關的可解釋性框架，利用概率主題模型學習潛在“主題”，將其作為分類器決策的高層理由。它同時提供全局與局部解釋，在保真度上與 SHAP、LIME 相當，並在標準表格和合成數據上將局部解釋的生成速度提高約 30 到 40 倍。

針對潛在世界模型中“物理表徵惰性”這一新失效模式，作者提出通過輕量級傅里葉輔助頭進行訓練時輔助監督，在不增加推理成本的情況下讓潛在空間具備物理結構，從而顯著提升動態環境和低數據場景下的規劃成功率與數據效率。

HarvestBench是一個農場模擬基準，要求LLM智能體駕駛兩輛拖拉機在農田中完成玉米收穫，並在動物擋路時選擇免費直行還是支付燃料繞行。研究表明，在九種模型和7201次定價決策中，涉及動物的決策有3951次，碾壓率從0.4%到98.8%不等，且不與模型能力排序一致；部分模型會隨價格改變行為，所有模型都更容易碾壓野生動物而非農場動物。道德提示詞影響最大：帶有道德提示時，六種推理模型中有五種碾壓率低於6%，去除後全部超過84%。該基準不用LLM打分，而是統計遊戲日誌，因此完全可復現。

一篇新論文提出企業語言模型（CLM）框架，將企業結構化、非結構化、多模態及隱性知識整合為基於本體的企業基礎，並在此之上構建推理與受控執行。CLM包含五大能力平面、四大架構支柱及Spec-as-Code範式，並在巴西一家JCI認證三級醫院驗證了LGPD合規下的三個成熟階段。

一篇新的arXiv論文警告，在金融市場等領域部署更強大的大語言模型可能因行為趨同而增加系統性風險。模擬實驗顯示，前沿模型行為高度相關，且當它們面對共同錯誤信息時，這種同質化會放大風險而非分散風險。

大語言模型的解釋常常不夠忠實。這篇論文提出一種測試時方法，針對解釋不完整的問題：刪除輸入中未被解釋提及的概念後重新查詢模型。在多個數據集、模型家族和兩個忠實性指標上，該方法都優於標準提示和鼓勵忠實的提示，且不依賴模型參數，可靈活用於推理階段。

本文介紹 Iris-mini 和 Iris-pro 兩個開放搜索智能體，分別基於 35B-A3B 和 397B-A17B 規模訓練。作者提出從網頁超鏈接結構反向構建多跳問題的數據管線，並通過 SFT-RL 爬升方法交替進行監督微調與實時搜索強化學習。啓用推理時上下文管理後，兩個模型在 BrowseComp、BrowseComp-ZH、DeepSearchQA 和 HLE 上取得了開源搜索智能體中的領先成績。

本文研究使用機器學習算法對電力系統中的預想事故進行安全分類，將其劃分為安全、中等或嚴重等級。作者採用牛頓-拉夫遜潮流法和總體性能指數（OPI）提取數據，並利用SMOTE和PCA分別處理類別不平衡和高維特徵。在IEEE-14和IEEE-30母線系統上，對K近鄰、隨機森林和支持向量機在N-k（k=1,2,3）場景下進行了評估，其中隨機森林表現最佳，F1分數分別為0.97（IEEE-30）和0.86（IEEE-14）。結果表明，PCA對模型性能的提升大於SMOTE，而SMOTE雖提高了召回率，但會引入誤報。研究認為機器學習可作為一種可擴展且高效的實時安全評估替代方案。

本文提出了Harbor Adapters，一個統一的智能體基準評測基礎設施，可將80多個基準適配到任意智能體上；通過代碼審查與對比實驗驗證後，研究團隊在54個基準上對8個模型進行了大規模評測，並配合Terminus-2與3種原生評測框架運行。進一步，團隊推出了Harbor-Index，這是從適配基準中提煉出的精選元數據集，包含跨越29個基準的82個困難、多樣且高質量的任務。即使最強配置（GPT-5.5 with Codex）的通過率也只有28.0%，能夠以可負擔的成本保留大規模智能體評測的挑戰性與覆蓋面。相關適配器、結果、分析和數據集均已開源。