本文研究通用3R機器人的逆運動學問題，利用共形幾何代數（CGA）將求解過程重新表述為兩個圓的相交問題，從而直接得到一個關於θ₂的一元多項式，無需消去θ₁和θ₃。該方法提供了對機器人運動學性質的更深見解，並簡化了計算流程。相關論文發表於機器人學數學進展會議（IMA 2025）。

StreamScout是一個用於流式視頻理解的自適應推理框架，它維護輕量級文本時間線，並在查詢時逐步添加最多三種細節程度遞增的視覺視圖。只有當證據不足時才升級到更詳細的視圖，從而降低推理成本和令牌消耗，同時提升準確性。在OVO-Bench上，StreamScout-S使Qwen3-VL-8B的準確率提升14.65個百分點，同時比均勻採樣少用59%的令牌，平均響應時間為1.04秒。

大多數關鍵點描述符的進展都針對單模態場景，而多模態成像（如多光譜、RGB-深度、衞星或醫學圖像）由於傳感過程不同，使得跨模態描述成為挑戰。現有解決方案通常需要為每個模態對訓練專屬描述符或使用大型模型，導致重訓練和高運行時開銷。CrossFeat提出一種框架，允許現有的單模態描述符通過學習映射函數和幾何-外觀解耦來適應跨模態，僅改變外觀而保留幾何結構，實驗證明其在多模態匹配中表現更優。

本文提出決策級駕駛可供性預測問題，並引入反事實長尾基準CoLT-Drive（含3536個樣本）來評估模型在罕見對象出現時預測合理駕駛動作的能力。同時提出KPA框架，結合結構化感知到決策提示、SLERP專家合併和RegMoE模塊，在保持預訓練模型開放世界知識的同時進行輕量級自適應。實驗表明，KPA在CoLT-Drive上達到60.8%的成對準確率，優於預訓練基線（50.3%）和LoRA微調（32.4%），同時保持領域內競爭性準確率。

多模態大語言模型（MLLMs）在OCR文檔理解和文本豐富的視覺推理基準上表現優異，但現有評估大多假設所有任務有效且可回答。現實中，問題可能涉及模糊文本、遮擋證據、不存在的視覺目標、矛盾前提或缺失變量。本文引入VeriOCRBench，一個包含1800個陷阱注入的無效任務和200個無陷阱對照樣本的人工驗證基準，用於評估模型的任務驗證能力、根本原因診斷和過度拒絕。對15個領先MLLM的評估揭示了持續的盲目遵從、診斷失敗和提示引發的過度拒絕，暴露出當前OCR推理系統的關鍵可靠性缺口。

傳統研究將多模態大語言模型的對象幻覺歸因於語言先驗，而本文提出並證實了一種被忽視的互補原因：視覺起源幻覺，源於錯誤的視覺特徵提取和圖像文本嵌入錯位。作者通過餘弦相似度和Smooth Grad-CAM分析發現，幻覺樣本的圖像文本相似度更低，注意力模式反轉。基於此，他們提出對抗性對比微調（ACFT），利用對抗性樣本增強圖像表示，僅需COCO數據集0.9%的數據，推理零開銷，在多個基準上取得最優性能。

研究發現，多模態大型語言模型在視頻審核中存在一種組合安全盲點：由看似無害的成分組成的視頻可能傳達有害含義。作者將這種現象稱為“分佈式隱晦傷害”，並研究其兩種表現形式：跨視覺片段的時間分佈傷害和跨音頻與視覺流的多模態傷害。為應對這一挑戰，他們開發了多智能體合成框架，生成了超過9000個視頻的數據集，並評估了30多個MLLM，發現即使是頂尖模型也經常漏檢這些隱晦傷害。在真實社交媒體視頻上的測試也顯示了同樣的失敗模式，凸顯這一安全問題的現實性。

本文提出了一種從拉格朗日（粒子中心）視角推導顯式時間生成模型（如流匹配和整流流）的替代方法。通過分析連續去噪器的局部泰勒展開，作者提出保持目標身份不變的嚴格不變性條件，進而推導出準線性平流偏微分方程。利用特徵線法求解該方程，可解析得到流匹配的直線軌跡。該幾何視角將去噪器的雅可比矩陣識別為軌跡曲率的主要來源，從而直接解釋了為何直線流允許大步長，以及為何經驗模型需要蒸餾以展平相交的特徵線。

本文介紹ZimaBlue，一個從大規模視頻中學習通用世界行動模型（WAM）的可擴展框架。它採用三階段訓練課程：首先在大規模人類和機器人自我中心視頻上進行因果具身預訓練，然後通過統一動作表示的視頻-動作中間訓練將視覺動態與異構機器人軌跡對齊，最後針對目標機器人進行專項微調。其異步慢-快雙系統架構使得在NVIDIA RTX 4090上實現30Hz的實時動作預測。在真實機器人零樣本評估中，將訓練數據從僅目標機器人數據擴展到超過12萬小時的具身視頻，成功率從36.1%提升至77.8%。ZimaBlue在多個基準測試中表現優異，尤其在未見任務上提升顯著。

Qwen-Drive-1.0 是一個用於自動駕駛的視覺語言基礎模型，它保留了預訓練視覺語言模型的架構，並集成了3D感知、視覺問答和運動規劃。通過外部鳥瞰圖感知頭實現3D物體檢測、語義佔據預測和BEV地圖分割，同時規劃專家利用共享表示生成未來軌跡。實驗表明，該模型在3D感知和駕駛場景理解方面表現出色，同時保留了通用視覺語言能力，並在多種評估設置中展現了競爭力的運動規劃性能。

該論文提出一種針對總縮放梯度變分（TSGV）正則化器的錐約束雙線性分解方法，解決了其在圖像恢復中的非凸非線性帶來的計算難題。該方法通過交替最小化和逐次逼近策略，保證能量單調遞減，並在Kurdyka–Łojasiewicz框架下證明全局收斂。實驗表明，在高噪聲水平下，該方法在PSNR和SSIM指標上優於或與其他代表性變分方法持平，並改善了稀疏和密集掃描下的結構重建。

一篇新的arXiv論文提出了一個開源庫“科學代理技能”，包含16個實踐領域的163個程序性技能，旨在提高語言模型代理在科學分析中的可辯護性。該庫提供版本化、人類可讀的指令文件，代理僅在需要時加載，並附帶參考資料和可運行腳本。作者未報告任務級評估或宿主選擇率。

這項初步的小規模研究評估了大型語言模型（LLMs）在驗證醫學因果主張並引用同行評審證據方面的準確性。研究對八個LLM在17個醫學因果假設上的表現進行了評估，發現它們在檢索相關信息方面表現良好（高召回率），但經常無法提供有效的科學文章來支持其回答，也未能正確拒絕不支持的假設。該研究強調了在醫療保健領域使用LLMs進行搜索和檢索前進行嚴格評估的必要性。

數據污染損害了大語言模型（LLM）數學問題求解評估的可靠性。雖然基於重寫的評估緩解了記憶效應，但現有方法無法保證問題有效性和答案正確性。我們提出了RePro框架，首次將面向Lean的神經自動定理證明器（ATPs）集成到基準重寫中，通過Lean驗證的證明重寫問題並重新生成答案。在GSM8K和MATH上的實驗表明，RePro保留的重寫實例實現了100%的良好定義性、可行性和答案正確性，而現有方法仍會產生無效或不正確的實例。此外，多個模型在證明驗證後的重寫基準上準確率下降，表明它們的性能對錶面和結構變化敏感，可能部分反映了記憶效應。源代碼和數據已公開。

CUDA-Harness是一個新框架，用於從自然語言生成和優化高性能CUDA內核。它引入了中間結構化生成以連接高層語義與低層內核生成，通過綜合驗證減少獎勵作弊，並提出了反饋自適應進化策略來優先保證正確性同時優化性能。實驗證明了其有效性及跨模型、硬件和C到CUDA遷移的泛化能力。

社交媒體用户行為受其表達態度時所體現的道德價值信號影響，但現有用户表示方法大多忽略該維度。為此，研究者提出ValueGraph框架，利用自動推斷的道德價值信號作為帶噪輔助信號，在帖子-回覆圖上進行圖預訓練，學習語義與結構表示，並通過對比學習和聚類目標對齊相似價值傾向的用户。實驗表明，ValueGraph在立場檢測和推特機器人檢測任務上穩定優於文本、圖及純文本大語言模型基線，驗證了價值信號引導作為社會感知用户建模的有效歸納偏置。該研究於2026年8月30日提交至arXiv。

自監督呼吸音編碼器缺乏臨牀領域的語義基礎，限制了其零樣本推理能力。該研究提出一個框架，將編碼器與醫學術語在共享潛在空間中對齊，從而構建可進行零樣本分類的基礎模型。通過使用醫療LLM從元數據生成結構化報告以解決配對數據稀缺問題，該模型在9個任務上（6個數據集）平均零樣本AUC達61.3%，超越CLAP（51.4%）和Qwen2-Audio（54.9%），線性探針AUC最高（71.6%），且僅使用全規模基線43%的數據。

一項新研究從機械可解釋性角度揭示了大語言模型（LLM）安全行為的內部電路機制，包括有害檢測頭、安全神經元和拒絕頭。通過電路引導的權重縮放，該方法在六個LLM上將對抗攻擊下的安全率平均提高了26.5%，同時僅造成1.7%的準確率下降。該成果已被EMNLP 2026 Findings接收。

本文提出了GUI-CC基準測試，用於評估GUI世界模型在多步智能體交互中的上下文一致性，而不僅僅是單步屏幕預測。該基準包含離線軌跡和在線智能體循環兩個任務集，發現當前模型在生成看起來合理的屏幕時，往往無法保持任務相關上下文或支持可執行的多步回放。

本文揭示了僅基於最終結果評估LLM智能體的嚴重盲區：無法識別“以錯誤方式做對事”的情況。在可控環境中，作者通過故障注入測量發現，結果導向評判員能捕獲84%的明顯故障，但僅識別45%的隱性故障，同時誤報33%的正確軌跡。步驟細則評判員雖成本為其三倍，但能捕獲77%的隱性故障且零誤報。此外，所有評判員都未能識破最終回覆中虛構的承諾，而自一致性集成方法增加成本卻無所改進。作者呼籲評判評估需按結果是否倖存分層統計召回率，並開源了環境、注入器、原始判定和分析流程。

一篇新論文提出了一種從真實匿名社交媒體帖子中提取用户畫像的框架，該方法比依賴刻板印象的合成畫像更準確地捕捉個體偏好。該框架在監督微調和測試時多視角推理兩個範式中評估，在複雜推薦和開放式查詢基準上均優於合成畫像基線，為下一代個性化語言系統提供了基礎。

論文提出了一種基於證據權重（WoE）的假設檢驗框架，用於評估特徵重要性方法（FIMs）。該框架能夠量化觀測證據對特徵重要性假設的支持程度，從而評估FIMs與先驗知識的一致性及其可變性，並通過LIME和SHAP實驗展示了其應用價值。

一項研究比較了五類基礎模型家族中的九個變體（零樣本模式）與德國、波蘭和西班牙電力價格預測的兩款最新基準模型。結果顯示，只有TabPFN模型在所有三個市場和所有統計指標上持續顯著優於基準。然而，統計優勢並未直接轉化為經濟優勢：在無限投標和風險較高的分位數策略下TabPFN表現最佳，而在風險容忍度較低時，分佈深度神經網絡基準模型更有利可圖。因此，基礎模型無法普遍取代市場專屬模型，其價值取決於模型架構和決策問題。

本文提出了一種基於歸一化最大似然（NML）模型高效計算包含聚類結構的向量的隨機複雜度（最短編碼長度）的遞歸公式。該方法將時間複雜度從多項式降低到線性，有助於基於最小描述長度（MDL）原則的數據聚類中確定最佳聚類數和聚類結構。

提出RW-LoRA，一種基於隨機遊走的去中心化LoRA微調方法。與傳統中央聚合或基於八卦的同步不同，它讓單個模型在網絡上順序更新，避免全局同步和聚合誤差，顯著降低通信與計算開銷。理論證明收斂性，實驗表明在多個NLP任務和網絡拓撲上性能與八卦方法相當，但資源消耗大幅減少。

本文研究微調如何損害大語言模型的上下文學習能力，並質疑僅依賴注意力變化作為保留診斷指標的有效性。作者引入注意力層面的上下文敏感性（ICS）和行為層面的ICL-GAP指標，在Llama-2-7B上發現，最大化ICS的正則化器使ICS接近幾何上限，但行為表現（ICL-GAP）幾乎不變，同時MMLU準確率下降，表明注意力代理指標與行為結果脱節。機制分析顯示，注意力變得陡峭且近乎分離，但指向格式和演示內容而非標籤。隨機標籤實驗和構造性實驗進一步驗證了該脱節。結論是，注意力層面的ICL指標只有通過行為差距驗證後才能作為訓練目標。

ReNFT提出了一種新方法，通過內部概率質量重新校準來修復獎勵後訓練中的模式坍縮。該方法利用無條件探測、成對反事實提議和自適應翻轉守衞，在不依賴外部干預的情況下，保留了98.9%-99.0%的獎勵，同時將多樣性指標提升了約55%-59%，為生成模型的後訓練優化提供了一種互補的替代方案。

材料性質預測在小數據場景中仍然困難，許多目標性質僅有有限的標註樣本。高精度模型往往依賴晶體結構，這限制了它們在結構信息缺乏的早期篩選中的應用。為此，研究者提出DISTAL框架，結合自監督成分預訓練和結構感知知識蒸餾。該框架使用145個成分描述符從大規模虛擬成分空間學習可遷移表示，然後將預訓練的ALIGNN教師模型中的結構知識蒸餾到成分條件的學生模型中。推理時無需結構輸入。在39個基準任務中，融合所有信號的模型在37個任務上優於參考基準。

本文深入探討了關係概念分析（RCA）在使用AOC-偏序集作為概念結構時出現的收斂性喪失問題。研究表明，在一般條件下收斂性不再得到保證，但通過特定條件或數據轉換可以恢復收斂性。作者提出了一種保持AOC-偏序結構的收斂變體，即通過保留已創建的關係屬性來確保迭代過程收斂，儘管可能引入指向最終結構不存在的概念的屬性。

提出REAL-Q，一種新型後訓練量化方法，通過動態塊狀梯度下降和滑動窗口機制直接優化端到端對齊的代理損失，解決了現有方法因信息錯位導致的量化誤差，在LLaMA-3.1和Qwen3模型上將端到端KL散度最多降低約49%。