隨着語言模型生成文本的流暢度接近人類水平，傳統的基於表面統計或似然信號的檢測方法已難以應對。AEyeDE提出了一種基於注意力歸因的新方法，通過代理Transformer模型提取人類和AI生成文本的注意力矩陣，並使用輕量級卷積神經網絡進行區分。實驗表明，該方法在多種設置下均表現出色，並具有可解釋性和魯棒性。

提出DOPA框架，通過引入分佈外代理近似不可訪問的目標領域，並採用馬氏距離全局多樣性約束，從源領域檢索分佈相似且多樣的演示，增強大語言模型在分佈偏移下的魯棒性。該方法已被ACL 2026接收。

研究人員構建了首個公開的英文多模態多方對話話語解析數據集DraDDP，基於美國電視劇，包含495個對話片段、6374個話語和9.1小時的視頻內容。實驗表明多模態信息有助於捕捉對話結構和關係類型。數據集、標註指南和代碼將公開發布。

本綜述提出了一種基於生命週期的主動式檢測框架，以應對生成式AI加速產生的對抗性合成內容。通過C5交互模型整合機器學習與社會科學方法，系統回顧了新興虛假敍事檢測技術，包括協調不真實行為分析、流行病學建模和霍克斯過程。討論了高維嵌入空間異常檢測、多層圖無監督協調檢測及智能體AI系統。最後指出了追蹤快速變化威脅和多層級分佈漂移的挑戰，並規劃了未來研究方向。

該論文系統分析了大型語言模型代理中工具調用的有效性和效率問題。在有效性方面，作者發現評估結果對隨機種子、系統提示、多輪模板構建等看似微小且常被文檔化的實現細節高度敏感，導致排行榜排名不可靠。在效率方面，作者識別出標準強化學習訓練中的計算浪費來源，並提出了兩種加速技術，在不降低性能的前提下顯著縮短訓練時間。

本文全面綜述了世界模型的研究現狀，提出了一個涵蓋架構、方法、推理和應用的四維分類法，梳理了從PlaNet到Genie等里程碑系統，並討論了預測誤差、仿真到現實遷移等挑戰及未來方向。

本文提出FoLoRA，一種遺忘感知優化框架，通過廣義瑞利商權衡任務效用與遺忘懲罰，並利用預訓練模型採樣構建代理數據，在數學、代碼和指令跟隨任務上實現了最佳的性能保持平衡。

本文研究自動可微非線性張量網絡（ADNTNs），一種結構化權重生成器族，其緊湊核心張量通過反向模式自動微分進行端到端訓練。該方法可視為低秩適應和張量分解的自然擴展，通過小核心、非線性激活和可選橫向混合張量的層次結構構建大權重張量。論文聚焦於三種架構：樹張量網絡（TTN）、增強型TTN（aTTN）和多重尺度糾纏重整化擬設（MERA）。實驗表明，在AlexNet和VGG-16層上可實現約2000倍至77000倍的逐層壓縮比，且精度通常與密集基線相當，在多個VGG-16案例中甚至有所提升。這些結果令人鼓舞，但並非最終結論，表明ADNTNs是一條有前景的數學結構化和硬件感知的路徑，但需要聯合設計優化、收縮計劃和部署內核。

研究顯示，現代大型語言模型（LLM）內部存在一個與人類腦電圖（EEG）中情感效價相對應的方向（V軸）。僅用9個情緒句構建的V軸在14個LLM中一致，並能通過線性投影在123名受試者的EEG數據中跟蹤。36個EEG分類器自發發現了相同方向，但額外的監督對齊策略不僅無益反而降低準確性。作者將這一現象形式化為飽和規律，並通過殘差多樣性集成方法在FACED數據集上將平衡準確率提升10.5%。

Demo2Reward是一種測試時適應技術，通過3-10條專家示範軌跡優化視覺語言模型（VLM）獎勵模型的提示，減少誤報的同時保持正確檢測，無需額外訓練或計算資源，在模擬和真實機器人任務中均優於現有方法。

Hoeffding概念瓶頸模型（HCBM）利用梯度提升樹的Hoeffding函數分解，提供非線性且稀疏的概念分數聚合，增強可解釋性，在分類和目標檢測任務中表現優於傳統線性CBM。

本文提出DAStatFormer，一種混合多分支Transformer，通過提取多域統計特徵（時域、波形、譜域）並利用門控注意力機制融合，顯著降低數據維度，在DAS事件分類任務上達到99.4%準確率，且參數更少、推理更快。

BitsMoE是一種針對混合專家（MoE）大語言模型的高效量化框架，通過奇異值分解（SVD）將每一層分解為共享基和專家特有譜因子，保留共享基不量化以保持跨專家共同結構，並對專家特有因子進行細粒度比特分配。該方法將激活感知的混合精度量化建模為整數線性規劃問題，在固定比特預算下最小化估計重構損失。實驗表明，在2比特量化下，BitsMoE相比GPTQ將量化速度提升12.3倍，平均準確率提高27.83個百分點，解碼速度提升1.76倍。

本文追溯概率論從賭博遊戲到貝葉斯推理的演變，指出其將不確定性、時間和一致性納入科學判斷，但無法形式化概念的模糊性。文章提出模糊邏輯和深度學習作為概率的補充，強調當代科學理性必須包含不確定性、模糊性和推理的明確表達。

針對多產品製造中全局異常檢測模型存在盲點的問題，提出產品感知自編碼器，限制學習域到特定產品等級分佈，在擴展田納西伊斯曼過程基準測試中實現100%檢測準確率。

Grokers 是一種架構，通過自底向上歸納遍歷依賴子圖，構建對類型化知識圖譜的持久結構化理解。與檢索增強生成（RAG）不同，Grokers 將智能推到寫入時，自主 Groker 代理分析節點並提取結構化屬性，使未來查詢無需 LM 調用。本文證明了三個定理，並提供了一種確定性替代嵌入語義搜索的方案。

提出一種名為通用量子Transformer（UQT）的量子計算架構，利用多量子比特系統的物理特性實現精確數學推理，在5量子比特上完美學習模運算與非交換代數，超越經典網絡。

本文提出了一種延遲逐步獎勵歸因方法，結合資格門控、異步rollout生成等，使8B參數開源模型在NeurIPS 2025 MindGames Arena基準測試中擊敗GPT-5等大型系統，贏得雙賽道第一。

提出一種基於最優傳輸理論的置換不變貝葉斯優化方法（PIBO），用於解決海上風電場佈局優化問題。相比傳統貝葉斯優化，PIBO能利用問題對稱性，在降低計算時間約一半的同時獲得更優佈局。

多目標分子優化需要在衝突目標下搜索廣闊的化學空間，早期設計決策嚴重約束後續結果。現有方法通常依賴單一策略或固定標量化，限制了表示多樣權衡和探索多個有前途設計軌跡的能力。本文提出ATOM，一種多智能體框架，將分子優化建模為樹結構搜索。每個節點對應原子操作，並託管一個針對特定目標或決策情境的智能體。智能體沿樹的不同路徑協調，而非強制執行全局共識，從而能夠維護和比較替代分子進化軌跡。全局記憶進一步支持跨目標的平衡探索與利用。在涉及活性、可合成性和ADMET相關屬性的挑戰性多目標基準上，ATOM始終優於強基線，展示了路徑多智能體協調的有效性。

提出了一種結合三個治理層（知識工件生命週期、聲譽加權審議投票、漸進式制裁）的審慎策展協議。通過100個智能體的仿真，顯示在逆境下比多數投票具有更強的韌性。

提出Consilium協議，一種基於拜占庭容錯的架構，用於多模型AI結構化審議。通過分配認知人物，低成本模型可達到前沿模型的分析質量，並揭示RLHF對齊帶來的領域特定認知盲點。

本文提出，混合整數線性規劃（MILP）決策引擎在部署時面臨求解後魯棒性缺口，即成本、需求等微小擾動可能導致不可行或解突變。作者主張在優化流水線中增加一個審計層，形式化定義了參數空間中的ε-近優可行鄰域和決策空間中的解平滑性，並綜合了敏感性分析、魯棒優化等領域的成果，呼籲建立統一的求解後魯棒性層，包括已求解的 certified 內逼近、概率魯棒性估計、對抗魯棒性邊界以及基於學習的預測與解釋。最後提出了報告模板和評估協議。

該法案旨在建立美國首個專注於人工智能領域的主權財富基金，以推動AI技術發展並確保國家競爭力。

NVIDIA 發佈了 Cosmos 3 統一多模態世界模型、Nemotron 3 Ultra 高效 LLM 和 RTX Spark 個人 AI 超級芯片。同時，MiniMax M3、Qwen3.7-Plus 和 JetBrains Mellum2 等開放模型推動智能體領域發展。

本文演示如何在Amazon Bedrock AgentCore Gateway上為MCP服務器實現OAuth授權碼流程作為入站授權機制。完成後，每個AI助手請求都將使用來自組織身份提供者的有效用户身份令牌進行身份驗證。

Meta 的 AI 支持系統完整提示被泄露，揭示了其內部指令，包括語言規則、問題處理流程和領域代理選擇機制。

Novus是一款AI工具，可在軟件部署過程中自動識別並修復可用性問題，幫助團隊提升用户體驗。

Jan 是一款開源的本地 AI 助手，注重隱私和個性化，支持多種模型，即將推出記憶功能。

Branda 是一款AI驅動的品牌創建工具，能將一個名字和想法在幾分鐘內轉化為完整的品牌身份，包括策略、標誌、調色板、字體和全套品牌套件。提供引導式流程和視覺提示，導出可用的資產。