ChatGPT 以側邊欄插件的形式內置於 Excel 和 Google Sheets 中，由 GPT-5.5 驅動，支持用户通過自然語言直接構建、編輯、分析和解釋電子表格，無需在聊天工具和文件間切換。該插件現已向 Free 和 Go 計劃用户免費開放，此前僅限 Business、Enterprise 和 Pro 用户。其核心差異化在於透明機制：ChatGPT 會解釋推理過程，將答案鏈接到具體單元格，保留原有格式和公式，並在執行修改前徵求用户許可，用户可隨時撤銷編輯。主要功能包括從自然語言描述生成格式化表格、跨標籤頁和行提問、清洗數據、解釋和修復公式錯誤、構建情景標籤頁和財務模型等。目標用户為經常使用 Excel 或 Google Sheets 的分析師、運營主管和財務專業人士，幫助他們加速工作流程而不離開文件。

跨維智能與多家合作伙伴在五一期間於全國多地同步開設機器人商業服務小站，首日吸引超10萬人參觀。這些站點採用其通用具身智能大腦，能處理多種商品和機器，驗證了技術的通用性和商業價值。

Knowly 1.0是一款主動式AI學習工具，融合了LLM Wiki的組織能力和NotebookLM的深度理解功能。它能夠一鍵保存任何內容，自動整理並構建理解，然後按需生成個性化學習流程。AI主動建議下一步行動，用户無需費心構思完美提示詞。

在吉林長嶺中糧家佳康百萬頭生豬養殖基地，訊飛和光科技依託大模型與多模態感知技術，將一線養殖人員的實踐經驗轉化為智能算法，實現降本、提質、增效，為我國畜牧業智能化升級提供可複製的標杆案例。

馬斯克與OpenAI庭審進入第二週，馬斯克曾發短信求和遭拒，隨後威脅要讓奧特曼和Brockman成為美國最令人憎惡的人。Brockman出庭承認追求報酬是次要動機，其私人日記曝光顯示早有營利意圖。預測市場顯示馬斯克勝訴率下降。

BifrostUMI是一種便攜、高效的無需機器人的數據採集框架，利用VR設備捕捉人類演示作為稀疏關鍵點軌跡，結合腕部視覺數據訓練策略網絡，通過關鍵點重新定位管道將人類動作映射到人形機器人，實現複雜行為的無縫遷移。在兩個實驗場景中驗證了其有效性。

研究人員提出了一種混合分層控制框架，用於反應性靈巧抓取，將高層空間意圖與低層關節執行解耦，採用多智能體強化學習規劃和GPU並行二次規劃控制，實現了對真實機器人的零樣本遷移，具有魯棒性。

本文研究了輪式雙足機器人的精確跳躍高度控制，提出了一種新型輪式雙足跳躍動力學模型（W-JBD）和基於貝葉斯優化的扭矩規劃方法（BOTP），在仿真中實現了82.3%的高度誤差降低和26.9%的能耗節省，為實際機器人應用提供了可行方案。

本文首次研究了風險感知域隨機化（DR）在接觸豐富採樣預測控制（SPC）中的應用。通過簡單的Push-T任務，比較了平均、樂觀和悲觀滾動聚合策略，發現DR不僅影響對模型誤差的魯棒性，還通過重塑接觸產生動作周圍的吸引域來改變採樣優化器看到的有效成本景觀。這為在模型不確定性下探索更合理的風險感知接觸豐富SPC開闢了可能性。

該論文提出神經控制方法，用於處理涉及隱式平衡的物理AI任務。通過伴隨公式計算梯度，避免迭代求解器的展開，節省內存和計算。結合滾動時域MPC提高長時域魯棒性，在仿真和實物機器人上對可變形線性物體操控表現優於無梯度基線。

RLDX-1 技術報告介紹了一種基於多流動作變換器（MSAT）的通用靈巧操作機器人策略。它通過集成動作感知、記憶感知決策和物理傳感，解決了現有視覺-語言-動作模型（VLA）的侷限性。RLDX-1 在 ALLEX 人形任務中實現了 86.8% 的成功率，遠優於 π0.5 和 GR00T N1.6 的約 40%。

本文提出ICODE-MPPI框架，利用輸入共伴神經常微分方程（ICODE）學習並補償未建模的殘差動力學，以提升模型預測路徑積分（MPPI）控制在複雜軌跡下的魯棒性。高保真仿真表明，在持續擾動下，與標準MPPI相比，跨跟蹤誤差降低高達69%，控制抖動顯著抑制。

該研究對25種開源語言模型在邊緣硬件上的本地部署進行了系統基準測試，評估了推理效率、通用知識和教學效果三個維度。結果揭示了顯著的權衡：吞吐量和能效在不同模型間差異超過一個數量級，MMLU準確率從接近隨機到57.2%，而教學效果與這兩個指標均無單調相關性。Granite4 Tiny Hybrid (7B) 實現了最佳平衡，達到每秒2.5個token、每焦耳0.90個token和54.6%的MMLU準確率。基於研究結果，提出了一個三層本地推理架構，以在資源受限的硬件上平衡響應性和準確性。

針對組合擴散規劃中的模式平均問題，提出無需訓練的引導方法RCD，利用自重構誤差和重疊一致性項引導採樣，在OGBench任務中表現優異。

自適應機器人在動態環境中面臨諸多不確定性，可能導致安全與運行問題。本文提出RoboULM方法，通過大型語言模型與人機協同，在設計階段系統性地識別、分析不確定性，並給出詳細分類法。16名從業者在4個工業用例中評估，認為該方法實用且易理解。

論文提出了一種基於擴散模型的數據增強管道，用於解決醫學圖像分類中的長尾分佈問題。該方法結合修復擴散模型和分佈外後選擇機制，生成多樣化、真實且臨牀有意義的合成樣本。在ISIC2019皮膚病變數據集上，尾部類別性能提升超過28%。

Sentinel2Cap是一個包含Sentinel-1 SAR和Sentinel-2多光譜圖像的人工標註數據集，用於多模態遙感圖像描述。研究使用Qwen3-VL-8B-Instruct模型進行零樣本評測，發現RGB圖像表現最佳，SAR圖像最具挑戰性，而模態特定的上下文提示可提升性能。

CAFe-DINO模型利用DINOv3骨幹網絡，無需在遙感數據上微調即可實現開放詞彙語義分割，在重要遙感數據集上達到最先進性能。

本文提出火中心評估區域（FCER）框架，用於在野火蔓延預測中實現空間條件化的不確定性量化。通過將集成模型與蒸餾單次學生模型在WildfireSpreadTS數據集上比較，學生模型在邊界相關區域展現出與集成模型相當的校準能力和互補的不確定性排名，為操作相關的評估提供了新方向。

在計算病理學中，核實例分割是一項基礎任務，但現有評估方法存在諸多問題。本研究提出NucEval框架，通過處理模糊區域、分數歸一化、重疊實例和邊界不確定性，顯著提升評估的穩健性和準確性。

該方法通過GPU優化的數據增強技術，在未見過的CT和MRI域上實現了155%的Dice係數提升，同時域內準確率僅下降0.008%，訓練效率提升約10%。已發佈開源工具箱。

醫學專家常手動分割圖像以獲取診斷統計信息，但隨後丟棄標註。本文提出一種方法，僅利用保留的彙總統計（如區域面積）和少量弱監督像素訓練分割模型。新的損失函數結合圖像重建質量、統計匹配和弱監督信號重疊，在標準圖像、超聲（乳腺癌）和CT（腎腫瘤）數據上驗證了有效性。

研究人員利用結合Segment Anything模型和領域專用工具的複合方法，在類器官圖像分割中實現了接近人類水平的準確性，為疾病研究和藥物開發提供了高效工具。

該論文提出VANGUARD框架，將視頻異常檢測中的分類、空間定位和鏈式推理統一在單一視覺語言模型中。在UCF-Crime數據集上達到94% ROC-AUC和84% F1，同時提供可解釋的異常事件推理和精確的空間定位。

研究發現，穩定擴散模型中的記憶化問題主要由CLIP文本編碼器的填充嵌入（v_pad）引起。這些嵌入無意中複製了結束標記嵌入（v_eot），導致模型過度依賴該嵌入，從而引發圖像記憶。文章提出了兩種簡單的推理時緩解策略，無需降低生成質量。

S^2tory是一個基於敍事學理論的電影腳本摘要框架，通過角色發展軌跡識別情節核心，過濾衞星事件，實現高效壓縮並保持故事連貫性。在MovieSum和BookSum數據集上取得了領先性能。

稀疏記憶微調（SMF）通過在模型中添加鍵值記憶層，並在每個訓練步驟中僅更新當前批次讀取最頻繁的記憶行，來避免災難性遺忘。在Qwen-2.5-0.5B-Instruct上的實驗顯示，SMF在MedMCQA上提升了2.5個百分點，同時將遺忘探針保持在基線的1個百分點以內，而LoRA和全微調雖然收益更大，但存在明顯的漂移。此外，還比較了KL散度和TF-IDF兩種行選擇規則。

該研究通過測量隱藏狀態與可回答參考集的幾何偏差，在生成前預測查詢是否超出模型知識。實驗表明，幾何主要編碼任務形式：數學提示中，不可回答輸入與可回答質心顯著偏離（ROC-AUC 0.78-0.84），優於簡單拒絕基線；事實提示中無可靠信號；代碼提示部分泛化。信號在早期層出現並漸衰減。

本文探討了從非結構化財報電話會議中提取關鍵績效指標（KPI）的挑戰。研究團隊評估了基於SEC文件訓練的模型，並提出了三個新基準（SECB、ECB、ECB-A）。他們發現編碼器模型在領域遷移中表現不佳，最終提出了一個基於LLM的系統，經人工評估達到79.7%的精確率，為持續跟蹤新興KPI提供了基線。

提出MedStruct-S基準，用於評估在未知鍵和OCR噪聲下的半結構化信息提取，包含3,582頁真實臨牀報告。實驗表明編碼器-僅模型在非空值條件問答上表現最佳，而微調解碼器-僅模型總體最強。