Compendium 是一個為團隊和AI代理設計的共享工作空間，由 Cerenovus 開發，後者被稱為“AI公司大腦”。該工具旨在促進人機協作，提高團隊生產力。

一個關於影子治理、AI以及沉默武器化模糊性的警示故事。一名安全專家加入AI初創公司，嚴格遵守未發佈政策，卻因使用AI工具被謠言毀掉聲譽，而真正違規者卻潛行地下。最終公司發佈了寬鬆政策，但伴隨全面監控。

本文介紹瞭如何通過六個步驟識別並移除Claude Code每次請求中不必要的工具定義、指令等冗餘內容，從而減少令牌消耗、降低成本。通過使用/context命令測量、日誌代理分析，並配置disable*標誌和deny規則，可以大幅精簡有效載荷。

本文介紹瞭如何重現針對檢索增強生成（RAG）管道的間接提示注入攻擊，詳細説明了攻擊原理、實現步驟以及防護建議。

GemNav 是一種新的視覺機器人導航策略，它通過僅對語言塔進行低秩適應（LoRA）來適配凍結的多模態大語言模型（MLLM），無需專用視覺編碼器或連續迴歸頭。該策略使用離散令牌詞彙表表示路徑點和導航信號，並通過軟解碼輔助損失恢復度量結構。在僅8.7小時的開放語料庫上訓練後，GemNav 能夠零樣本遷移到四個未見過的物理環境，在20次真實世界試驗中停止在目標0.25-0.42米範圍內。結果表明，凍結 MLLM 的離散令牌適應為基於基礎模型的機器人導航提供了一種數據高效、可部署的替代方案。

CaLiSym是一種輕量級框架，通過將幾何先驗施加於結構化提升的典型相空間，將精確辛學習擴展到非保守系統。它採用顯式代數的提升方法，避免了循環隱狀態或ODE積分，並引入GRB-SympNet變體。實驗表明，在耗散雙擺、真實四旋翼和接觸豐富的四足機器人上，該方法在分佈外自迴歸預測中表現一致提升，同時保持辛形式數值精度。

該論文提出了一種基於持續學習的控制框架，使模塊化軟體機器人能夠在不遺忘先前知識的情況下，逐步適應形態變化。實驗驗證了其在仿真和真實機器人上的有效性。

EvoPlan是一個神經符號框架，融合了LLM的流暢性和經典PDDL規劃器的可執行性與安全性保證。它包含三個核心部分：從演示數據中離線挖掘全局信號時序邏輯（STL）約束的過程、進化PDDL規劃器以及約束執行循環。所有LLM調用均使用本地開源模型，無需雲依賴。在Bench2Drive、HA-VLN-CE和ALFWorld基準測試中驗證了有效性。

這篇綜述總結了2017年至2026年間183篇關於視覺語言動作（VLA）模型的研究，涵蓋VLA架構、訓練方法、動作表示、雙臂協調（2022-2026）、無人機導航與控制（2017-2026）、語言基礎及記憶與世界模型等七個維度。研究表明，針對雙臂VLA開發的協調策略、訓練方法和動作表示可遷移至無人機系統，並提出了14個未來研究方向。

本文提出CILC系統，利用安全多方計算（SMPC）檢測多智能體SLAM中的閉環候選，無需交換明文全局描述符，從而防止被入侵智能體的數據泄露。實驗表明，該方法在視覺和激光雷達全局描述符上均能實時運行，並有效緩解信息泄露。

RoboSnap是一個從真實到模擬的框架，僅憑一張RGB圖像即可生成可用於仿真的場景。其核心是分層設計：碰撞感知的前景資產用於機器人穩定交互，而3D高斯潑濺視覺層保留逼真的背景外觀。在DROID場景和真實機器人任務上的實驗表明，RoboSnap能夠可靠地重放軌跡，支持任務特定的合成數據生成，並提供有意義的模擬-真實相關性。此外，還引入了DROID-Sim數據集，包含564個真實世界場景。

NativeMEM通過原生記憶壓縮將歷史幀壓縮為單個標記，無需外部記憶模塊，顯著提升了長時域機器人操作的成功率（模擬環境達84%，真實環境達98.7%），且僅需20%的訓練數據。

Pelican-VLA 0.5是一個統一的視覺-語言-動作（VLA）模型，將視覺語言理解、未來幀生成和動作預測集成在單一架構中。通過引入可學習的推理槽，模型實現了注意力級別的泛化，無需對象註釋、分割掩碼或任務特定微調，其動作路徑即可聚焦於指令相關對象和接觸區域。該能力在未見場景和不同機器人實體中均保持有效，顯著優於其他開源VLA基線。

本文提出ProMoE-FL框架，通過構建全局客户端感知的原型庫並採用原型條件專家混合模型，有效解決了多模態聯邦學習中的模態缺失問題。在四個公開胸部X光數據集上的實驗證明，該方法在同質和異質設置下均顯著優於現有最先進方法。

視頻擴散模型雖生成質量高，但計算成本高昂。現有少步蒸餾技術加速推理，卻忽略了不同噪聲水平下的計算需求差異。本文提出一種後訓練加速框架，將動態結構稀疏化直接融入蒸餾過程，聯合優化去噪步驟與模型稀疏性，將預訓練模型轉化為緊湊、步驟特定的混合模型（MoM）。通過漸進訓練策略和輸出滾動機制解決聯合優化不穩定性，並開發專用推理引擎。在Wan-14B模型上，該方法在4步蒸餾基礎上額外減少24%的每步FLOPs，實現1.2倍實際加速，相比50步教師模型達到30倍加速，同時保持競爭性生成質量。

SpaR3D-MoE是一個端到端框架，通過自適應時空流形採樣和幾何歸納混合專家模型，僅從稀疏RGB輸入實現3D空間推理。在VSI-Bench上以63.5的平均分超越最強基線7.8分，路線規劃和相對方向任務分別提升35.4%和51.4%。

本文介紹了NLPCC 2026的難度感知醫學教學視頻問答（DA-MIVQA）共享任務。該任務在前幾年挑戰的基礎上，根據問題所需證據的類型和複雜度明確區分問題難度。包含三個賽道：單視頻難度感知時間答案定位、難度感知視頻語料庫檢索、視頻語料庫難度感知時間答案定位。數據集來自公共醫學教學頻道，涵蓋急救、緊急響應、康復、護理和通用醫學教育等場景，並帶有難度標註。文章介紹了任務動機、數據集構建、評估協議、參與概覽、比賽結果和代表性系統。

該研究探討反事實公平（CF）與羣體公平（GF）在圖像分類中的關係。通過構建新數據集並利用高質量圖像編輯方法，發現CF不必然導致GF，存在與敏感屬性相關但不由其引起的潛在屬性G。提出反事實知識蒸餾（CKD）方法減少對G的依賴，從而使滿足CF的模型也能滿足GF。

線段檢測是視覺SLAM、3D重建和工業檢測的關鍵模塊。現有深度學習方法雖精度高，但最小模型也需數兆字節內存，超出低成本MCU的容量。本文研究亞兆字節預算下的最大可達精度，提出MiLSD——針對MCU約束設計的檢測器，系統比較緊湊全卷積骨幹網絡中的三種輸出表示，發現所提出的F-Clip中心-長度-角度公式在小模型規模下學習效率最高。8位量化可保持全精度性能，而4位量化導致顯著退化，尤其角度迴歸，量化感知訓練僅能部分恢復損失。在1兆字節激活預算下，結合亞像素解碼、測試時增強和輕量驗證器，MiLSD將ShanghaiTech Wireframe上的sAP10從10.6（25k參數，0.25 MB）提升至24.1。本文不試圖與GPU級解析器競爭，而是繪製了嵌入式視覺系統中不同表示、位寬、容量和後處理策略下的精度-內存權衡圖。

本文提出LipSSD，一種受Lipschitz約束的單次多框檢測器（SSD），通過架構設計本身提高對抗魯棒性。在Pascal VOC數據集上，對抗訓練後的LipSSD在未見攻擊下mAP@50提升最多15點，並在LARD和KITTI等安全關鍵數據集上保持清潔性能的同時提升魯棒性。

本研究微調兩種潛擴散模型（Protogen v3.4和Stable Diffusion v1.4），在精心標註的高分辨率烏洛斯紋樣數據集上生成文化一致且新穎的設計。定量評估表明Protogen v3.4在視覺保真度和多樣性上顯著優於Stable Diffusion v1.4，並揭示了保真度-多樣性權衡。推薦引導尺度5-9作為最佳平衡範圍。研究表明，精心微調的生成式AI可在保持風格和象徵完整性的同時支持非物質文化遺產的創意復興。

CoFINN是一種物理信息深度學習框架，用於預測可壓縮流場，它將有限體積守恆物理直接嵌入訓練過程，優於傳統數據驅動CNN和經典物理信息方法。在跨聲速翼型流動預測中，可將阻力預測誤差降低高達34%，平均約15%，尤其在數據有限時表現出色。

該論文提出一個統一的深度學習流程，集成語義分割、迴歸嚴重性估計和疾病分類，用於植物病害嚴重性量化。在蘋果葉病害分割數據集上，U-Net（MobileNetV2）達到98.20%像素精度、0.70 mIoU和99.41%檢測精度，每張圖像處理時間僅14.7毫秒，適合實時應用。嚴重性指數與專家標註高度相關（r=0.968），證明了系統在自動化作物監測和決策支持中的可靠性。

本文提出一個結合正則化迴歸、重複交叉驗證R平方及其重採樣標準差、以及信度上限和設計上限的評估框架，用於從文本嵌入預測項目心理測量參數。在數學題庫和醫學執照基準測試中的應用表明，項目難度可高度預測，而區分度和偽猜測參數受限於信度上限而非文本信號強度。研究強調重複交叉驗證和尺度無關指標的重要性。

該研究分析了多教師同策略蒸餾在工具調用場景中導致過度調用的問題，並提出Soft Clamp方法，通過逐令牌發散校準減少過度調用，同時保持決策準確性。

該研究提出黎曼均值池化（RMP）方法，通過從編碼器的解析雅可比矩陣中提取逐令牌拉回度量，並在對稱正定（SPD）流形上用Fréchet均值聚合，來捕捉句子級分類信號。在CoLA、CREAK、RTE數據集上，RMP優於歐氏均值池化，而在消除詞彙偽像的FEVER-Symmetric上表現隨機。消融實驗表明，即使隨機初始化的編碼器結合Fréchet聚合也能在多數數據集上超過歐氏池化，表明增益主要來自幾何聚合。

LLM在測試時通過額外計算提升推理能力，但現有方法大多孤立處理每個問題。MILES框架通過逐步擴展的模塊化記憶單元和可學習選擇頭，實現跨問題的經驗積累，在準確性和效率之間取得更優平衡。

本文提出了一種多因子評分框架，從準確性、簡潔性、事實一致性、可讀性和連貫性五個維度綜合評估大語言模型的響應質量，並配備圖形用户界面進行結果可視化。在TruthfulQA數據集上的評估顯示，主流LLM在推理任務中表現突出（綜合得分最高0.6104），但在處理複雜事實和歧義方面存在普遍侷限。該框架透明、可擴展，未來將支持多語言評估。

研究表明，大型語言模型（LLMs）系統性地將非裔美國人英語（AAE）改寫為標準美式英語（SAE），即使上下文是AAE。作者提出了一個端到端框架來審計和減輕這種偏見，包括條件方言組不變性（cDGI）和激活引導技術。他們還發布了最大的真實AAE平行語料庫REAL-AAE。

本研究提出一種基於梯度的通用語音到文本對齊方法，無需訓練或模型修改，適用於任何可微分的自動語音識別（ASR）模型，包括CTC、transducer、注意力編碼器-解碼器和語音大語言模型。該方法在輸入網格上進行對齊，比傳統的編碼器網格更精確。在16個模型上的評估表明，它能提供可用的對齊結果，尤其在流式模型上優於原生對齊，但每個令牌需要一次反向傳播計算。