本文提出Samba，一種混合曼巴架構，用於視聽導航。它採用自適應選擇的曼巴狀態編碼器（M-SE）替代傳統GRU進行時間聚合，並構建音頻曼巴編碼器（AME）以克服卷積算子在全時頻依賴捕捉上的侷限。在Matterport3D數據集上，導航成功率提升11.3%，在Replica數據集上表現更優。該工作以更低計算成本實現更強具身表徵，為視聽導航範式演進提供了穩健技術路徑。

針對現實交通數據中的異質性空間關聯和非線性時間動態，現有方法聚焦於圖、注意力和分解架構，而忽略了底層非線性函數逼近器的作用。STKAN通過引入泰勒多項式Kolmogorov-Arnold網絡模塊到空間和時間令牌混合中，首先利用可學習的軟節點組分配機制構建高層次空間表示，進行組級空間混合，然後在壓縮序列上建模時間依賴，並輔以空間和時間自注意力層捕捉長程交互。在五個交通預測基準上，STKAN取得了競爭性表現，且優於基於MLP的變體，表明非線性函數逼近器設計可作為架構設計的有力補充。

知識追蹤（KT）旨在通過建模學生歷史交互中的動態知識狀態來預測其未來表現。現有方法通常將原始交互序列視為統一行為過程，忽略了學習行為的階段性。本文提出相位感知知識追蹤（PAKT），將學生交互分解為能力和熟練度階段，並設計多分支Transformer聯合捕獲階段特定和整體知識狀態。在六個基準數據集上，PAKT最大AUC提升1.33%，平均提升0.82%。

全球站點天氣預報（GSWF）對局部和極端天氣預測至關重要。現有方法過度依賴短期模式，難以捕捉混沌天氣動態，尤其在部分觀測條件下。為此，本文提出三軸狀態空間模型（TSSM），結合歷史增強的時間-變量-歷史範式，通過週期對齊的歷史數據彌補時間回溯窗口之外的長程、大尺度週期和全窗口天氣模式。TSSM將歷史樣本堆疊為週期對齊批次，利用時間和歷史觀測支持因果預測，並通過時間、變量和歷史掃描捕獲軸向上的時間依賴、變量相關性和歷史演化。該結構層次共享，可建模從季節性到極端事件，並緩解歷史模式間的錯位。TSSM在最大站點天氣數據集Weather-5K上達到SOTA，準確率和極端事件指標分別提升10%和61%，在人工參與數據集中取得95%最佳或次佳結果。在長週期和迭代預測中優勢更顯著，240小時預測提升37.5%，48小時×5迭代設置下提升高達103.5%。此外，在高達80%觀測缺失的情況下，TSSM仍保持>90%性能，而基線低於43%，展示了在全球原位觀測網絡中可靠GSWF的魯棒性和實用潛力。

該研究將何時調用大語言模型（LLM）的問題形式化為基於風險的序列停止問題，並證明了六個理論結果，包括最小事件間隔時間、閾值策略的最優性以及遺憾界。在渦扇退化數據上的實驗表明，異常得分驅動的風險函數在Pareto AUC上比基線方法高出一個數量級。

針對參數分解（PD）在大模型上計算成本高的問題，研究者提出定向參數分解（tPD），通過引入高秩“全能”組件僅處理目標輸入，從而高效識別特定計算電路。實驗表明，tPD在4塊Transformer上僅用7%的浮點運算量即可提取CSS子模型，並在12塊Transformer上精準消融和重寫記憶序列，副作用極小。論文被ICML 2026可解釋性研討會接收。

本文提出一個框架，用於分析機器學習模型丟棄的信息，特別是那些輸入數據具有李羣對稱性的模型。通過定義“零纖維”和“穩定子”概念，作者量化了模型對羣作用的不可見性，並利用Peter-Weyl定理給出緊湊羣的譜特徵刻畫。該框架在分子性質預測（SO(3)羣）和球面圖像分類（Möbius羣）上進行了實驗驗證，展示了在數據遮蔽、模型指紋識別和隱私保護計算中的應用。其計算效率高，僅需幾次梯度計算即可估計零纖維元素。

聯邦學習（FL）為分佈式異構數據源上的隱私保護協作模型訓練提供了關鍵範式，但無法解決模型黑箱問題。可解釋人工智能（XAI）則提升透明度與信任。二者融合催生了聯邦可解釋人工智能（FedXAI）範式。本文系統綜述了FedXAI，展示了可解釋性如何從事後工具轉變為FL生命週期的核心組件，並提出了分類法，涵蓋方法、評估實踐及開放挑戰。

提出了一種輕量級訓練策略，通過解耦特徵提取與分類器優化，大幅減少訓練時間和能耗，在多種架構和醫學數據集上僅犧牲微小的準確率。

本文通過一個1-3-3-1多層感知機和初值問題y'(t)+y(t)=0, y(0)=1，詳細追蹤了PyTorch自動微分引擎在物理信息神經網絡訓練中的完整計算流程，包括前向計算圖構建、反向傳播計算22個參數梯度，以及通過create_graph=True實現基於物理殘差的正確微分的圖上圖機制。所有伴隨值均與Tahimi（2026）的手工推導核對，將P/Q敏感性框架與PyTorch的向量-雅可比積聯繫起來。

一種名為Mycelium的新系統通過連接研究人員和AI代理在共享工作空間中，自動將觀察結果和假設路由給相關團隊成員，實現網絡智能。在生物多組學研究中，它將局部發現轉化為跨專家機制約束和實驗設計。

cayleyR是一個R語言包，利用凱萊圖中的循環交集檢測來解決排列謎題。核心算法採用迭代雙向搜索，從初始和目標排列狀態生成隨機操作序列，尋找連接路徑。該包專為TopSpin(n,k)謎題設計，結合C++哈希索引狀態存儲和可選的Vulkan GPU加速，已在CRAN上發佈。

本文提出DROPJ方法，一種以人為中心的安全訓練與部署框架。該方法先利用先前真實軌跡學習世界模型，再讓人類在模擬器中生成信息豐富的模擬軌跡，並收集人類對軌跡片段的偏好及其理由。由此訓練獎勵模型，結合世界模型通過模型預測控制直接部署智能體。實驗表明，生成信息豐富的模擬軌跡可顯著降低訓練計算成本並提升部署性能，而偏好反饋比其它反饋類型更能提升性能，且安全理由能增強安全性或優先考慮用户指定的安全方面。

來自arXiv的一份技術報告介紹了Oracle Agent Memory，這是一個基於Oracle數據庫構建的數據庫原生內存系統，專為長期運行的AI代理設計。該系統在LongMemEval上達到了93.8%的準確率，同時相比扁平歷史基線減少了約10.7倍的令牌使用量。系統解決了內存生命週期、具有作用域控制的分層架構，以及結合任務準確性和內存特定指標的評估方法。

小型語言模型在零樣本分子屬性預測中表現不佳，因為它們忽略了圖拓撲信息。本文提出了一種上下文增強提示框架，通過圖神經網絡工具提供預測提示和解釋性子圖，在MUTAG和Tox21數據集上實現了高達74%的相對改進，但仍與專用GNN模型存在差距。

本文綜述了自我改進型自主代理的研究進展，提出了一個系統級框架，將現代代理視為基礎模型與操作支架（包括提示、記憶、工具和控制邏輯）的耦合。在此框架下，自我改進被形式化為一種自我驅動的更新算子，可更新模型參數或支架組件。文章按更新目標和驅動信號對現有工作進行分類，並討論了應用、評估以及未來方向。

本文提出了一種基於貝爾納普類型內涵一階邏輯（IFOL_B）的概率擴展神經符號通用人工智能（AGI）框架。通過引入尼爾森概率結構，該框架能夠為當前未知的語句計算概率，並利用全局和局部對稱變換保持知識庫和邏輯推理的一致性。概率密度函數的計算基於香農最大信息熵，並由神經網絡實現。

大型語言模型生成的思維鏈推理看似邏輯嚴謹，但實際上可能並未真正依賴其所述的前提。本文提出一種干預式基礎審計方法，通過替換單個前提中的目標謂詞，重新運行模型，並檢查推理步驟的標準化結論是否改變，從而在步驟級別測試前提依賴。在ProntoQA基準測試中，該方法在檢測證明樹依賴方面的F1分數達到0.806，顯著優於自一致性基線。此外，66%的正確解決問題中存在至少一個對齊步驟對直接證明樹依賴不敏感，揭示了“答案正確但推理錯誤”的信號。

研究人員提出SPINE，一種智能體框架，可自動調試和部署雙臂機器人，減少專家校準依賴。測試中，SPINE提高了成功率並縮短了遙操作時間。

本文介紹OriginBlame，一個記錄級和令牌級的數據溯源系統，能夠精確地將數據刪除請求映射到具體的訓練記錄，避免大規模過度刪除。在219,555個維基百科頁面上的評估顯示，記錄級溯源將過度刪除從101倍降低到1.3倍，同時引入的吞吐量開銷僅為1.3-4.0%（HuggingFace）和2.1-19.0%（Datatrove）。在17億參數模型上，基於溯源的遺忘集比隨機基線提高了42%的遺忘效果。

MIT與多家機構的研究人員開發了一種名為GIFT的自動化框架，能夠幫助視覺語言模型更準確、更高效地生成CAD程序，從而將二維設計轉化為三維模型。該方法通過分析模型自身的錯誤來生成改進數據，大幅降低了計算成本，為快速原型製作和工程設計提供了有力工具。

一個包含56個AI概念及其150條關聯的互動可視化地圖，用户可通過拖拽、懸停和點擊探索人工智能的關鍵主題。

本文通過一首藍調歌曲的比喻，探討大型語言模型的本質：它們生成文本時是先投擲後瞄準，還是存在內部規劃？作者結合自身使用AI寫作的經歷，反思模型創造的“虛假聲音”以及我們不斷剖析這些系統的行為。

代理推理正在將AI基礎設施的重心從訓練擴展轉向上下文感知、記憶增強推理。RAISE峯會強調了三大關鍵洞察：AI堆棧專業化、存儲作為主動內存擴展、以及資本和數據主權融入基礎設施設計。

Voicebox 是一款開源的語音轉文字桌面工具，利用 Cloudflare Workers AI 實現實時語音識別和 LLM 格式化輸出，支持全局快捷鍵和自動粘貼，目前處於早期開發階段。

Boom是一款AI教練，幫助Instagram創作者（即使只有100粉絲）成長、變現並獲得品牌合作。它提供個性化每日計劃、24/7成長支持、自動協作匹配和合同管理。早鳥價$4.5一次性費用，發佈後$9/月。2026年8月1日發佈，現已開放搶先體驗。

本文通過漫畫形式探討新的AI路線圖是否能夠有效約束科技巨頭的行為，質疑其實際效力。

服務組織面臨近乎零停機需求與維護能力之間的結構性錯配。通過異常檢測、規範性指導和運營轉型，AI幫助技術人員在故障發生前採取行動，提升首次修復率，減少停機成本。

CNA調查發現約500個TikTok視頻推送關於新加坡和馬來西亞的虛假或誤導性聲明，總觀看量超過300萬次。這些視頻利用AI生成的女性形象、重複的聲音和腳本，系統性地傳播不實信息，旨在削弱信任和破壞社會凝聚力。

Neocloud提供商QumulusAI宣佈通過直接上市在納斯達克交易，股票代碼QMLS。此舉不僅是一項金融交易，更標誌着以GPU和電力可用性為中心的AI基礎設施層正在成熟。公司專注於快速部署高端GPU容量，利用現有機櫃設施和模塊化數據中心，以季度為單位交付產能。直接上市提供了資本靈活性、公眾公司信譽，並抓住了AI基礎設施窗口期。文章還分析了Neocloud的差異化策略及對IT領導者的建議。