一篇已被 IEEE Transactions on Systems, Man, and Cybernetics: Systems 接收的論文，提出用深度強化學習讓移動機器人在陪伴行人時動態調整自身跟蹤位置，並融合模型預測路徑積分控制與控制障礙函數來兼顧精準跟隨、避障與安全。室內外真實場景實驗顯示，該方法將任務成功率與跟蹤精度分別至少提升 24% 與 47%，並能在行人速度最高 1.7 m/s 的情況下靈活伴行、提升人的舒適度。

這篇 arXiv 論文提出 DTV-INR，將座標驅動的隱式神經表示（SIREN）與基於結構張量的各向異性全變差正則項結合，把連續到離散的採集過程建模為不適定逆問題。作者在 H^1(Ω) 中證明了變分解的適定性，並用交替投影優化算法解耦網絡參數與自適應張量場更新。在臨牀腦部 MRI 與生物醫學透射電鏡數據上，方法在連續非整數上採樣下取得最高 +5.05 dB 的 PSNR 提升，並展現對噪聲的良好魯棒性。

該研究利用公開鞋外底印痕數據集，比較CNN遷移學習與傳統特徵分類在二分類性別推斷中的表現。採用按鞋劃分的訓練/測試集以減少重複掃描導致的數據泄漏；微調CNN整體表現最佳，並優於僅用手工特徵的傳統分類器，凍結核特徵方法則計算成本更低。探索性分析顯示低維CNN表示與頻率閾值比、圖像對比度及小波統計量相關，但實際應用前仍需獨立樣本和案件型印痕驗證。

MirrorDistill 是一種用於低光圖像增強的照明感知潛在蒸餾框架。它在訓練階段通過特徵鏡像連接低光域與乾淨域，在推理階段僅保留輕量級學生編碼器-解碼器。該方法在 LOL-v2-Real 上取得優於當前最佳方法的結果，同時計算複雜度（GMACs）最低，並在 LOL-v1 與 LOL-v2-Synthetic 上保持競爭力。

研究提出三維殘差小波擴散模型，通過無損小波重參數化、殘差移位與域隨機化三項設計，在單塊GPU上實現全腦擴散採樣，為0.064T超低場MRI生成逐體素不確定性圖，並在認知障礙試點隊列中保留與疾病相關的萎縮。

RULER 是一種基於實例感知評分規則的獎勵方法，用於強化學習訓練文本到 SVG 生成模型。它用視覺語言模型對六項評分規則逐項打分，替代遷移性差的 CLIP、Aesthetic 等標量指標，並在 MMSVG-Illustration 與 MMSVG-Icon 上把評分從 0.432/0.395 提升到 0.693/0.683，無需配對 SVG 真值或人類偏好標籤。

ImIR 用源自退化圖像本身的連續圖像指令替代文本提示，為預訓練圖像編輯模型提供條件；僅需在單張 GPU 上訓練約三小時的一個適配器，即可覆蓋六項修復任務，並支持無需退化標籤的任務無關修復。

arXiv 上新發布的論文提出 Segment-Snap 框架，通過部件與把手的物理關聯，把可動部件分割、運動約束與可操作區域預測耦合起來。在 Articulate3D 驗證集上，把手引導使運動門控 AP 從 13.74% 提升到 40.98%，完整上下文下把手 AP 達到 30.99%。

arXiv 新論文提出一種質量約束的圖像編碼方案：在保證人類觀察質量達到預設可接受水平後，把剩餘碼率用於提升機器視覺任務表現。作者將聯合壓縮—分割訓練重構為約束優化問題，並設計絕對函數與雙線性函數兩種懲罰項；實驗顯示，在相同任務性能下，相比無約束聯合率—失真—任務優化和簡單率—失真基線，BD-rate 分別降低 22.82% 和 29.81%，且未增加複雜度。

arXiv 新論文提出 SPARC，一種利用超像素在增強圖像視圖之間建立區域對應關係的區域級對比學習框架。它在圖像級目標之外聯合優化區域級對比目標，在語義分割上最高提升 9.79 mIoU，在目標檢測上最高提升 4.88 AP，優於 MoCo-v2 和 DenseCL。

arXiv 綜述論文《深度偽造與合成媒體：生成、檢測與治理》系統梳理深度偽造的生成模型、檢測方法與治理框架，指出跨生成器泛化是核心難題，並主張以取證檢測、密碼學溯源和監管問責形成多層防禦。

安全對齊的大語言模型常出現過度拒絕，錯誤地拒絕良性但涉及安全主題的指令。該論文從Transformer注意力內部的路由衝突切入，發現稀疏的“超敏感安全頭”在Hard-Safe提示上誤觸發，導致高熵路由衝突；作者提出免訓練的語義路由校準（SRC），在推理時抑制這些安全頭，並配合雙分支logits融合，在儘量保留安全性能的同時緩解過度拒絕。論文被EMNLP 2026主會接收，共33頁、13張圖。

一篇新 arXiv 論文聯合研究在線策略蒸餾（OPD）中的提示廣度和響應生成策略刷新，發現兩者存在 4.07 個百分點的交互效應：在響應凍結時增加提示會降低準確率，而在每次更新刷新時則會提高準確率；兩種教師模型下的比較還顯示結論會隨推理預算反轉。

該論文提出 AIBuildAI-2.5，一個用 LLM 智能體執行樹搜索的自主 AI 模型構建系統。它用“評判器＋選擇器”的 LLM 引導樹搜索替代按已執行獎勵排序的蒙特卡洛式搜索，並加入資源感知調度器與按任務難度分派的模型路由器，以改善搜索決策、提升硬件利用率並壓低推理成本。系統在 MLE-Bench 上以 73.3% 的獎牌率排名第一，並在 AIRS-Bench 的六項自主 AI 研究任務上超過強基線。

研究者提出 Peerify 流水線，用於驗證同行評審意見是否得到稿件證據支持，並構建了來自 NeurIPS 2024 和 ICLR 2024 的 800 條論斷基準。自動標註在受審計論斷上與人工共識一致率達 90.3%，而現成藴含模型宏平均 F1 低於 0.24。

這項研究把歐洲央行和美聯儲的新聞發佈會視為有結構的敍事，而非單純的信息發佈。作者沿貨幣政策立場、經濟前景和不確定性三個維度為每場發佈會構建“情感弧線”，用以檢驗情感在整篇聲明中的走向與強調方式是否攜帶政策信號。結果表明，弧線形態在預測政策利率變動方面穩健優於基於詞典的平均語調基準；弧線特徵還會影響專業預測者對通脹預期的修正幅度以及彼此之間的分歧程度，説明存在獨立於直接政策信號的“接收方效應”。作者據此認為，溝通設計——政策語言在聲明中的排序與強調——是政策信號的一階特徵，而非二階修飾。

QMSum缺少標準評分器，導致查詢聚焦會議摘要結果難以比較。本文在統一實現下對15個系統重新評分或生成，發現一個已公開的406M Fusion-in-Decoder專用模型從受限長輸入切換到2000詞檢索片段時ROUGE-1下降6.30，但在該片段機制上微調後可恢復損失。測試集上該模型得36.33 ROUGE-1，本文1.2B系統為35.41，差值95%區間為[-0.27, +2.22]，統計上無法區分；更小系統參數約為三分之一、峯值推理內存不到一半。固定的1.2B基礎模型中，片段微調帶來5.29提升，用2000個檢索詞替換前4500個轉錄詞在測試集提升1.55、驗證集提升0.29。在單一簡潔提示和參考重疊評分器下，406M專用模型至少超過五個專有託管模型6.2 ROUGE-1，但輸出長度與缺少人工或事實性評估限制了該排序。結論僅限QMSum與自動指標。

一篇新論文探討歷時詞嵌入能否從現代高資源語言遷移到古梵語。作者構建了覆蓋四個經典時期的270萬詞元語料，用神經字節級連聲拆分器和詞形還原器恢復詞邊界，並按時期訓練嵌入。在21項可測試的語義變遷中，19項方向與文獻學考證一致（符號檢驗 p=0.00011）。

一篇新論文檢驗了開放權重語言模型在數值等價改寫下的答案一致性：在 3,600 道精確有理數問題和 8,600 條提示上，五個模型的正準準確率高達 0.969–0.996，但同一等值軌道的正確率與不變性降至約 0.85–0.98。研究指出，部分所謂推理失敗其實來自評測器的數字語法未覆蓋乘法形式的科學計數法；Mistral Small 4 則在單位換算上出現相差整十次冪的系統性錯誤。另有 9,000 次調用實驗顯示，表示共識並未優於複述共識，反而產生更多誤報。

作者獨自用純 Rust 完成約 0.4B 參數、孟加拉語優先的語言模型端到端預訓練，租用 GPU 花費 164 美元。論文更重要的貢獻是給出 Candle 與 Burn 作為訓練後端的失敗分類，並提出可捕獲六類靜默失敗的梯度流驗證方法；作者結論是 Rust 目前還不足以勝任訓練，但適合端側推理服務。

一篇新論文以 TF-IDF 加線性分類器為測量工具，對 ISOT/Kaggle「Fake and Real News」語料庫做可復現審計，發現其超過 0.98 的準確率與 F1 主要來自元數據、來源標籤和重複文檔等捷徑，而非對新聞真實性的判別能力；在主題不重疊的設定下性能大幅下降，遷移到獨立基準 LIAR 後更是接近隨機水平。

這篇 arXiv 論文指出，擴散模型的數據點遺忘評測通常只看刪除剛完成的那一刻，忽略了多次刪除請求連續作用於同一模型時的累積效應。作者識別出“順序重現”這一失敗模式：樣本在刪除後一度被判定為已遺忘，卻在後續針對其他目標的刪除操作後重新回到被記憶的狀態，且無需重新使用被刪數據或對抗性微調。為刻畫該現象，論文提出目標級評測協議，並發現會重現的目標在刪除後呈現更尖鋭的局部去噪損失幾何。

研究者提出一種數據驅動框架，將相對階條件顯式融入學習過程，從而訓練反饋線性化控制器。該方法用神經李導數替代傳統反饋控制器組件，實現完全數據驅動的反饋線性化，並給出在辨識誤差有界時跟蹤誤差有界的充分條件，最後在電樞控制直流電機上驗證。

一篇新論文指出深度不平衡迴歸（DIR）評估存在三大盲點：過度依賴圖像基準、標準評估協議不足以支持決策、尾部區域在隨機種子間的穩定性未被系統檢驗。作者通過多模態虛擬傳感基準 MuViS、平衡 MAE 與新指標 bMASE，以及多種子重複評估，揭示了被全局指標掩蓋的尾部性能退化和不穩定性。

arXiv 預印本（2026年9月21日提交）由 Tianfeng Chen 和 Xianyue Li 撰寫，頁面標題為《用於最大獨立集的雙GNN多級粗化》，但摘要介紹的是面向歐幾里得旅行商問題的圖邊稀疏化（GES）方法。該方法利用幾何結構與組合優化技術為不同實例自適應生成稀疏圖，在 MATILDA 數據集上最多可剪除 95% 的邊，並在部分大規模 TSPLIB 實例上剪除率超過 99%，同時最優性差距保持在 1% 以內。

該論文提出受果蠅學習與記憶系統啓發的分層模塊化原則，通過專家特化與集成整合來協調持續學習中的抗干擾與泛化，並將其實例化為預訓練基礎模型的輕量模塊化適配。方法在視覺識別、視覺語言理解、自我-他人視頻理解及具身VLA學習等在線不確定數據流中持續提升，具身操作任務上相較無回放方法提升超過50個百分點。

該論文提出層正則化（sheaf regularization）來抑制 Decentralized SyncMap 這一自組織系統中的局部不一致，從而穩定無監督持續分塊過程。實驗顯示，該在多數概率性 CGCP 圖上取得最高歸一化互信息（NMI），並在輸入分佈發生偏移後仍能保持較高表現，同時避免神經網絡等系統常見的負遷移。

arXiv 上新發布的一篇 27 頁綜述性論文《The Probabilistic Structure of Large Language Models》由 Adnan Aboulalaâ 撰寫，試圖用統一的概率論框架描述大語言模型：把模型視為 token 序列上的概率測度，把訓練視為最大似然估計，把生成視為隨機過程的序貫模擬，並借 KL 散度的不對稱性解釋幻覺以及「統計上合理」與「真實」之間的區別。文章還以擴散模型作為同一視角的補充例證。

一篇新的 arXiv 論文指出，均勻離散流雖然允許在每個生成位置反覆更新，但持續的修正也會讓原本正確的中間預測被後續錯誤覆蓋——在數獨實驗中，9.4% 的生成格子在中途正確、最終卻錯誤。作者提出 LEDFlow：一種無需訓練的採樣器，通過"選擇性吸收"把生成順序引入均勻離散流，並按局部熵自適應決定吸收順序，從而避免固化錯誤預測。該方法在數獨求解上達到 0.845 的 Nikoli 準確率，在文生圖和六項多模態理解基準上均取得提升，推理成本與標準流採樣相當。

一篇新論文（arXiv:2609.25082）評估用聯邦學習把混合量子—經典模型與經典參與方結合起來，採用 Sherpa.ai 的盲式縱向聯邦學習（SBVFL）協議，在自建的 SMPP 基準上把準確率從 0.7227 提升到 0.8757，接近非隱私的集中式訓練水平，且所需可訓練參數明顯少於經典神經網絡和隨機森林。