SymbOmni是一種新型AI模型，旨在解決當前模型“永恆新手”的問題——即無法積累經驗並自主進化。它通過符號概念學習，利用可優化的記憶模塊將低級操作抽象為可重用的符號工作流指令，並通過歸納-轉導循環實現持續自我改進。實驗表明，SymbOmni在圖像質量和任務成功率上超越現有代理系統及閉源模型，同時減少40%以上的令牌消耗，並在持續學習基準上取得新成果。

本文提出MetaView，一種基於擴散模型的單目新視角合成框架，能夠從單張圖像實現大視角變化下的渲染。通過結合隱式幾何建模與度量深度，MetaView在保持幾何一致性的同時提供了精確可控性。實驗表明，在挑戰性大視角變化場景下，MetaView顯著優於現有方法。

提出一種解剖學特權的師生框架，用於從T2加權MRI預測肝內膽管癌的周圍神經侵犯（PNI）。訓練時教師網絡使用腫瘤和肝臟掩膜學習密集令牌路由，學生網絡在固定預算下蒸餾保留信息令牌，推理時不需掩膜。在155名患者中，方法AUROC達0.750，計算量1.43 GFLOPs，每例8.02 ms。

SpikeDS是一種新型脈衝神經網絡架構，通過結合激活稀疏性和空間稀疏性，高效地從3D MRI中預測膽管癌的神經侵犯，在139名患者的隊列中實現了0.753的AUC，能耗僅14.4 mJ。

自監督學習在醫學影像領域潛力巨大，但標註數據稀缺。本文提出COJEPA框架，結合聯合嵌入預測架構和對比損失，在無標註的T1加權腦部MRI上訓練，實現了優異的局部預測性和全局判別性。在零樣本雙胞胎檢索、腦腫瘤分割和年齡迴歸任務中表現突出，尤其在同卵雙胞胎識別和年齡預測誤差方面達到最先進水平。

本文提出一種新方法，通過視覺語言模型（VLM）生成逐幀描述，並比較兩個任務視頻間的幀相似度及段內自相似性，自動檢測異常幀，從而提取包含專家特定動作和情境決策知識的候選場景。在模擬配電板維護實驗（27個任務場景）中，該方法動作候選提取率達65%，決策場景候選提取率達61%，優於傳統方法的59%和33%。

GenDiff是一種新型擴散模型框架，通過聯合建模連續輻射劑量和解剖信息，實現低劑量CT重建。它整合了劑量-解剖編碼器、冷擴散主幹、物理一致性更新和結構先驗細化模塊，在多種臨牀數據集上優於現有方法，展現出強大的魯棒性和泛化能力。

TSCA-Net通過三個互補模塊（時空團注意力、跨行人團勢、自適應KAN網格細化）顯著提升擁擠環境中的行人軌跡預測精度，在ETH/UCY和SDD基準上達到最先進性能。

提出兩種混合持續學習方法（RA-EWC和CGKD），用於低資源澳大利亞原住民語言識別，有效緩解災難性遺忘，在Warlpiri、Dalabon和Dharawal三種語言上表現優於現有基線。

該論文揭示了語言模型如何區分角色的信念與現實。研究發現，這種分離基於兩個可分離的機制：一個通用值槽綁定屬性值，一個路由器根據查詢選擇讀取的框架。值槽可以通過兩種方式填充：直接斷言和基於可見性的推導。分離位於獨立的路由子空間中，而不是值槽本身。這些結果在多種架構中得到驗證，且該行為在3B至7B參數規模的模型中出現。

本文通過MAGE框架研究多組件提示優化中不同組件的相互作用，揭示了提示優化耦合效應（POCE）：多個隨機優化信號在閉環反射回路中相互作用，同時提升性能與放大方差。關鍵發現包括：基於失敗反思不可或缺、MAGE在GSM8K-Hard上優於GEPA、增大候選多樣性使POCE信號最明顯、POCE依賴於基礎模型能力空間、低數據場景下固定提示優於優化器。

本研究通過兩階段流水線（監督微調+4位量化）將LLaMA 3 (8B)微調為高效的替代重排序器，在RAG管道中替代傳統交叉編碼器，在保持高準確率的同時顯著降低推理成本。在領域特定問答基準上，微調模型在答案相關性、上下文精度、答案相似度和答案正確性上分別提升14%、16%、19%和21%。

本文提出了一種基於軌跡感知知識估計（TAKE）的文本數據集蒸餾框架，利用影響函數和訓練軌跡計算每個樣本的知識得分，並通過最優傳輸選擇原型樣本，可將語料庫壓縮至原始大小的0.1%，同時保持下游任務性能。該方法在文本分類和自然語言推理任務上驗證了有效性，為數據高效AI提供了理論支撐。

本文提出一種基於圖的框架，結合弱監督與傳播圖分析，檢測Telegram生態系統中的虛假信息敍事。該方法將語義相關的聲明聚合為敍事級聚類，並建模其在互連頻道間的擴散，從而發現僅通過帖子級分析難以捕捉的協調放大行為。實驗表明，融合文本信號與網絡結構可提供可擴展的檢測方法，並揭示虛假信息在大型消息環境中的傳播機制。

一項新研究評估了最先進的大語言模型在韓語-盲文雙向翻譯上的表現，發現輸出質量差且不穩定，與人類判斷存在顯著分歧。相比之下，對小型T5-small模型進行監督微調後，所有標準指標均大幅提升。研究表明，當前LLM缺乏盲文感知的標記化，且與盲文模式對齊薄弱，揭示了無障礙關鍵模態中的系統性限制。

本研究提出G-SHARE框架，將核電站人因事件診斷的CNNP九步準則轉化為多階段診斷流程，包括證據提取、逐步推理和一致性修復。在真實數據集上，G-SHARE顯著優於一次性提示和傳統機器學習方法，表明結構化推理和一致性約束對穩健診斷至關重要。

本文介紹了CANDI-QA數據集，用於評估大型語言模型在醫學診斷和金融諮詢等專業領域的上下文對齊能力。數據集包含信息輔助和應用推理兩類問題。研究評估了十多個模型，並提出了輕量級神經符號框架MTSS-Net作為基線。結果表明，當前LLM在專業領域實現上下文對齊仍面臨重大挑戰。

本研究通過擴展規模，大幅縮小了點及時語言模型與不受時間約束模型之間的性能差距。研究者訓練了多達40億參數的解碼器專用Transformer模型，使用FineWeb中1萬億按時間順序篩選的令牌，構建了從2013年到2024年的月度模型檢查點序列。在常識推理和語言理解基準測試中，這些模型接近了同等規模的領先開放權重模型（如Gemma-3-4B和LLaMA-7B）的性能。通過LoRA進行指令微調進一步提升了下游可用性。研究團隊發佈了完整的流水線，以實現可復現的點及時語言建模。

本文提出一種廣義無分佈半監督學習框架，通過風險重寫構建無偏風險估計器，適用於多類分類，並證明其方差優於PNU學習，實際方法在基準測試中表現匹配或超越現有方法。

研究人員提出BattVAE-GP框架，結合變分自編碼器和高斯過程，高效模擬鋰離子電池在不同充電速率下的長期退化軌跡，並量化不確定性。該方法降低了計算成本，為電池健康預測提供了高效替代模型。

最新研究對六種KV緩存壓縮方法進行了匹配預算審計，發現查詢可見性顯著影響性能排名。在查詢感知協議下，許多方法表現良好，但在更實用的查詢不可知協議（壓縮後複用）下，只有KeyDiff方法始終優於簡單基線。SnapKV等常用方法甚至不如保留開頭和最近窗口的簡單策略。

隨着大型預訓練模型規模增長，微調中的內存瓶頸日益突出。LoRA通過低秩適應減少參數，但激活值存儲成為新的瓶頸。CARE-LoRA利用LoRA投影結構，將完整輸入激活替換為低秩壓縮激活，並計算輕量重建矩陣用於反向傳播，大幅降低內存佔用，同時保持或提升性能。

本文介紹了由Afonso S. Bandeira、Amit Singer和Thomas Strohmer合著的新書《數據科學的數學基礎》，該書全面涵蓋了高維詛咒與祝福、奇異值分解、線性迴歸、圖論與聚類、非線性降維、隨機投影、優化、分類、深度學習、圖拉普拉斯、集中不等式、壓縮感知等主題，為數據科學提供了堅實的數學基礎。

鏡像理論提出通過可行路徑熵（VPE）度量智能系統在反覆反射下維持連貫延續的能力。實驗表明，增加token預算可擴展驗證可達性，且模型能力並非僅取決於參數數量。

本文提出一種量子比特高效的量子框架用於超維計算分解，通過引入對數超向量和對數綁定編碼，並結合改進的Dürr-Høyer搜索過程，將表示成本從O(D)降至O(log D)，同時保持O(√N^F)的搜索複雜度，實驗驗證了正確的相似度計算和準確的分解，在可實現規模上實現了高達2000倍的量子比特減少。

單次條紋投影輪廓測量（FPP）網絡在直接回歸深度時可能利用形狀先驗捷徑，即從物體邊界而非條紋相位恢復深度。本文提出的PhiCalNet通過輸出包裹相位表示並通過固定可微校準層映射到深度，從架構上消除了這一捷徑。在包含15,600張條紋圖像的光照合成基準測試中，PhiCalNet將物體平均絕對誤差降低3.3倍至4.46毫米，殘差僅集中在包裹不連續處的0.103%像素內。三幀擴展版本達到1.16毫米誤差。此外，首次在FPP中實現了像素級共形不確定性量化。

線性注意力模型通過固定大小的循環狀態取代softmax注意力的KV緩存，但限制了精確狀態跟蹤和長上下文記憶。本文提出半直積傅里葉增量注意力（SFDA），一種相位控制的泛化方法，將實對角衰減替換為塊旋轉傅里葉控制。主要貢獻是構造性塊WY分解，實現了精確的仿射塊傳輸、形式化穩定性和複雜度界限，以及相位加低秩記憶的緊湊表徵。實驗表明SFDA能學習循環記憶，而相位禁用的KDA基線接近隨機。

OmniPM-Net是一種新型融合模型，利用卷積條件神經過程框架，將圖神經網絡站點預報與化學傳輸模型網格預報相結合。在2024年中國1,618個站點的評估中，它匹配了最佳GNN的精度，同時將CAMS平均絕對誤差降低了30%，並提供了連續的空間場。該模型在沙塵暴和高濃度事件中表現尤為出色。

本文提出GenAI Evaluation，一種配置驅動的流水線，用於大規模評估零售對話系統。通過規範化、分片、異步執行和模式約束的LLM評分，評估有幫助性、真實性、清晰度、語氣一致性和翻譯維度。選擇性重新評估僅處理無效記錄，支持模式鎖定和版本化配置。每日處理約5萬條記錄，已評估超200萬次交互。在12,980條人工標註記錄上取得宏F1 0.93和翻譯準確率89%。

本研究探討了多智能體語言模型系統中交互圖結構如何影響共識形成。通過命名遊戲協議，研究人員分析了開源語言模型（1.1B-32B參數）羣體中的約定形成過程。研究發現，同質性閾值相似性路由會加劇碎片化，而橋樑尋找路由在有記憶的情況下可修復碎片化。在異質模型羣體中，閾值相似性導致共識失敗，而狀態組件和標籤分歧橋樑可恢復共識。同質模型羣體中，保留歷史通常促進共識，其中Qwen2.5-32B模型在所有保留歷史設置中均達到穩定共識。該研究還驗證了結果對狀態閾值、羣體規模和詞彙表大小的魯棒性，並表明早期窗口圖能量特徵可作為有效的網格內診斷工具。