研究人員提出將細胞層（cellular sheaves）應用於弱監督全切片圖像分類，通過注意力條件一致性對齊細胞層不一致場與臨牀診斷區域，大幅提升定位精度並增強模型可解釋性。

研究提出EviOSAHS框架，通過將面部圖像分解為7個解剖學查詢，結合臨牀數據，實現阻塞性睡眠呼吸暫停低通氣綜合徵的高靈敏度篩查。在642名受試者中，準確率88.47%，敏感性94.86%，F1分數93.74%，假陰性率5.14%。

研究人員發佈了Planktonzilla-17M，這是迄今最大最全面的浮游生物圖像數據集，包含1740萬張圖像，涵蓋13種成像系統、602個分類類別。他們發現，使用分類學譜系作為文本的監督分類器在性能上匹配或超越CLIP式訓練，而現有生物基礎模型（如BioCLIP）在浮游生物識別上表現不佳。

該研究提出了一種任務感知的流式生成框架，通過重新定義流匹配訓練範式，學習最優的子採樣掩碼，從而在圖像分類、重建和MRI加速等壓縮感知應用中顯著提升性能。在CelebA數據集上以5%採樣率達到25.17 dB的PSNR，在fastMRI上實現8倍加速重建的29.24 dB，計算開銷極小。

本文在Belief-Attention基礎上提出Belief2-Attention，利用正交投影中的垂直分量和投影分量，並引入額外內積矩陣增強token相關性，在圖像分類和分割任務上驗證了有效性。

DefocusTrackerAI是一個基於深度學習的通用框架，可自動檢測和定位不同光學配置下的離焦粒子圖像。研究比較了Faster R-CNN和YOLOv9，發現YOLOv9在召回率和不確定性方面更優，尤其在高粒子密度下表現突出。該框架適用於散光和非散光圖像，並在多種光照條件下有效。已在真實DPT實驗（包括熒光和陰影圖數據）中驗證，可應用於噴霧和液滴追蹤等傳統DPT之外的任務。預訓練模型已公開，結合深度校準可用於三維離焦粒子追蹤。

本研究提出了一個多領域紅隊框架，用於評估醫療領域大語言模型在對抗性和倫理複雜場景下的表現。通過對11個當代模型在690個臨牀場景的測試，發現平均得分範圍0.791-0.984，但高性能模型在安全關鍵場景中會出現完全失敗，且公平性任務中人口統計修改導致10-20%的誤差放大。研究強調，性能方差和極端失敗比平均準確率更能反映臨牀可靠性，混合評估方法結合自動化與臨牀醫生監督對安全評估至關重要。

一項新研究結合認知語言特徵和DistilBERT嵌入，使用全息約簡表示（HRR）檢測在線文本中的抑鬱症，在Reddit帖子數據集上實現了0.94的宏F1分數，顯著優於傳統TF-IDF基線的0.80。

大語言模型在長上下文解碼時面臨內存帶寬瓶頸，因為需要頻繁訪問龐大的鍵值（KV）緩存。現有方法多在解碼前進行基於鍵的剪枝，但忽視了注意力輸出同時依賴鍵和值。本文提出注意力運行時終止（ART），一種輕量級機制，在內核執行過程中動態跟蹤累積的注意力輸出，當後續貢獻可忽略時提前終止KV塊訪問。ART與現有基於鍵的方法正交，可無縫集成。在LongBench基準測試中，大批量下生成吞吐量提升20%，且精度相當。

一項名為TrustLDM的新基準測試，全面評估語言擴散模型在安全性、隱私和公平性方面的可信度。研究發現，雖然模型在僅用户提示下表現良好，但附加上下文中的惡意內容會顯著降低其對齊行為。此外，較長的上下文不一定產生更強的影響，解碼順序和生成長度也會影響評估結果。研究還提出了自動評估框架TrustLDM-Auto，系統性地識別脆弱配置。

該系統採用“先生成再擇優”策略，通過偏好模型（從人工對比中學習）來篩選幽默候選，在SemEval-2026幽默生成任務中取得英語和中文第一名、西班牙語第二名的成績。

提出SENSE方法，通過基於目標模型隱藏狀態的語義檢索和軟門控評估，提升檢索式推測解碼的魯棒性和效率，在LLaMA和Qwen上實現高達4.09的平均接受長度和3.26倍加速。

提出CSRP三階段框架，通過持續預訓練、鏈式推理監督微調和基於效率感知獎勵的組相對策略優化，有效緩解中文語法糾錯中的過度糾正問題。在NACGEC基準上取得SOTA性能，F0.5達50.99，精確率57.17；在CSCD拼寫糾正任務中F1達59.61，超過GPT-4 5.20個百分點。

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。