本文作者認為，AI檢測器（如Pangram）只是過渡技術，其社會影響力正在迅速減弱。五年後，詢問內容是否為AI生成將變得無關緊要，就像問照片是膠片還是數碼一樣。AI無處不在後，人們將不再關心創作過程，而是迴歸到內容本身的價值。

生產級RAG系統很少因單次災難性事件而突然失敗，而是通過一系列操作變化累積退化。本文提出一個三維可靠性框架：故障動態（可靠性隨時間如何變化）、可靠性控制面（工程師可觀察和干預的位置）以及可檢測性（故障在影響用户前被發現的難易程度）。通過模擬七週文檔演變的控制實驗，展示了漸進知識漂移如何逃避傳統監控。

本文深入對比了GraphRAG和Vector RAG兩種檢索增強生成方法。Vector RAG通過將文檔分塊並嵌入向量，適用於單一事實查詢；GraphRAG通過構建實體關係圖，擅長多跳推理和全局綜合。文章涵蓋架構、查詢機制、實際構建步驟及性能權衡，並通過Python示例展示了兩種方法的差異。

1993年，艾琳·布羅克維奇在與太平洋天然氣和電力公司的水污染案中贏得了3.33億美元的和解。如今，她將矛頭指向了為AI建設的數據中心，稱這“就像欣克利事件升級版”。

本文提出DIM-WAM，一種記憶增強的世界動作模型，通過多尺度歷史上下文、局部未來動態和全局任務進度集成，顯著提升機器人長時操作任務的成功率。在RMBench基準上將平均成功率從28.4%提升至69.8%，並在真實Franka任務中實現91.5%的階段成功率。

本文提出CWI框架，通過解耦動捕數據的上半身操作和下半身運動，結合AMP、多批評家架構和師生蒸餾，實現人形機器人的穩定移動與靈巧操作協調。在仿真和真實LimX Oli人形機器人上驗證，表現出競爭力的性能。

該方法通過將3D點表示直接注入視覺-語言-動作（VLA）模型的動作頭，大幅提升了空間和任務泛化能力，僅使用一個輕量級的兩層MLP模塊，無需修改VLA骨幹網絡。在LIBERO-PRO基準測試中，GR00T-N1.6的成功率在任務擾動下從31.2%提升至77.5%，在位置擾動下從28.1%提升至60.2%。

本文提出P-ARC，一種自適應機器人協調（ARC）的並行變體，用於多機器人運動規劃（MRMP）。P-ARC針對ARC的三個主要階段（初始個體解、衝突檢測、衝突解決）提出並行方案，利用ARC對MRMP問題的分解產生的獨立性。此外，採用OR並行多啓動策略，創建混合並行策略OR-P-ARC。實驗表明，在最多128個機器人的2D移動和平面操作場景中，不同並行策略帶來顯著加速，在16核CPU上規劃時間提速近4倍。

本文提出一種基於物理信息機器學習（PIML）的機器人輻射源定位框架，能夠在任意測量路徑下精確估計輻射源位置，無需靠近源，從而降低機器人輻射損傷風險。該方法通過設計物理啓發張量處理未知障礙物的衰減伽馬射線信號，並行計算多個模型以提高魯棒性。在高保真模擬和物理實驗中驗證了有效性，並採用連續學習技術增強在線部署的實用性。

提出一種混合仿真框架，結合高保真四旋翼模型和物理求解器，訓練深度強化學習策略，實現零樣本部署於真實硬件，將降落誤差降低50%，投擲時間縮短30%。同時展示了基於視覺觀測的策略的等效性能。

SceneBot是一種統一的人形運動追蹤框架，能夠處理自由空間運動、地形穿越和全身操控。通過將參考運動與每個關節的接觸標籤相結合，它顯式定義了預期的環境交互。為解決交互數據不足的問題，研究團隊提出了一種事後場景重建方法，從重定向的人體運動中推斷場景交互圖。經過7.5小時的重建接觸豐富數據訓練，SceneBot成功泛化到未見過的運動和環境，實現瞭如搬箱上樓等複雜、長時任務。這是首個無縫統一自由空間和接觸豐富行為的通用框架。

現有基準標記多為單尺度且針對地面機器人設計，在接近和對接階段會離開相機視野。本文提出AstraTag，一種基於方形Spidron遞歸自相似結構的基準標記，支持多尺度檢測、48位GRS編碼識別，並採用薄板樣條重映射處理曲面。在曲面航天器模型上，AstraTag的檢測率優於分層ArUco和AprilTag，為空間機器人提供了魯棒的遞歸標記方案。

一種新的多機器人運動規劃方法AO-ARC，能夠在與最先進的可行性求解器相當的初始求解時間內，隨着機器人數量增加實現更快、更可靠的收斂。該方法通過迭代調用ARC對有限實例進行求解，適應AO-x元算法，並證明了漸近最優性。

提出SCORE框架，通過在仿真中施加支持約束，使強化學習能在不進行真實世界訓練的情況下改進機器人操作策略，成功率從37.8%提升至89.9%。

TTE利用可學習的球面Voronoi分區，將表示能力集中在需要區分度的區域，並通過全局語義標記共享相似環境語義，在多項地理空間任務上達到最先進水平。

本研究提出Structured-Li-GS，一種融合LiDAR-慣性-視覺SLAM的輕量級3D高斯潑濺框架。通過訓練精確密集的彩色點雲，該方法以更少的高斯原語實現高質量3D重建，無需高斯稠密化，並採用多種損失函數引導。實驗表明，在基準數據集和自有數據集上，該方法以中等模型尺寸超越現有技術。

TruEye是一種新型模型，能夠細粒度檢測和定位AI生成或篡改的人像和場景，區分五種合成內容類別，比現有方法更快更準，且無需大型語言模型。

ReWorld是首個專為自動駕駛世界動作模型設計的表示學習框架。它通過直接優化中間表示，沿三個維度改進：對生成模塊施加未來預測監督，對規劃模塊進行跨模態對齊和難負樣本監督。實驗表明，ReWorld在nuScenes和NAVSIM上顯著提升了視頻生成質量和閉環規劃性能，並加速了收斂。

Aloe-Vision 引入了一系列開源醫療視覺語言模型，基於大規模質量過濾的數據集訓練，在保持通用能力的同時取得競爭性性能，並暴露了對抗性輸入下的脆弱性。

DMV-Bench是首個針對多模態智能體視覺記憶的交互式基準測試，基於包含1000種產品的家居電商目錄構建。通過在每個產品圖像中注入獨特的偶然線索，測試智能體在長時間購物會話中回憶特定產品的能力。研究者提出雙編碼記憶架構DualMem，在Gemini 2.5 Flash和Qwen2.5-VL-7B上均優於現有系統。

SelectAnyTree是一種基於提示的實例分割模型，旨在從3D森林LiDAR點雲中通過少量點擊分割出任意單棵樹。該模型引入點擊到查詢的提示編碼器和冠層高度模型引導的首次提示，結合狀態空間查詢解碼器，實現了高效的長距離上下文捕獲。在七個不同森林區域和獨立測試集上的評估表明，單次點擊即可達到78.2的交併比，顯著優於現有方法。

研究人員通過低秩適應方法微調Gemini 2.5 Pro模型，使用400個經臨牀醫生評分的家庭視頻，在評分者間信度和自閉症診斷準確率上取得顯著提升，達到或超過臨牀醫生水平。該方法實現了自閉症評估中可擴展的行為特徵提取。

SemCityLoc是一種新穎的空中定位方法，利用語義-幾何對齊將無人機姿態估計轉化為基於基礎模型視覺先驗和標準化LoD 3D城市模型的結構化表面配準。該方法無需依賴精確的GNSS信號或輻射度量豐富的3D重建，在重複和遮擋的城市環境中提高了位姿判別性。同時引入了首個包含釐米級精度UAV位姿與LoD1-LoD3語義城市模型的真實世界基準SemCityLockeD。實驗表明，相比現有地圖方法，召回率提升高達36%，平均位置誤差從9.89米降至2.62米。代碼和數據已公開。

一種名為變換感知解耦（TAD）的新框架通過將關係推理分解為視角敏感和視角不變兩個部分，提升了三維場景圖生成在視角變化下的魯棒性。

超細粒度實體分類（UFET）在長尾類型上表現不佳，因為現有方法依賴單句上下文。本研究提出Narrative-UFET，為每個實體提及自動生成簡短連貫的敍事，從而提供跨句上下文。實驗表明敍事上下文顯著提升長尾類型分類效果，尤其是當實體類型在敍事中發生變化時。合成敍事優於自然上下文，揭示受控話語構建能挖掘隱含信號。

Ko-WideSearch是一個韓國語廣度搜索基準，通過自動化合成與驗證流程構建，包含190個實體、228張表、16個類別，按三個難度層級評估網絡代理的窮舉集合枚舉能力。測試發現代理能恢復集合但無法完整填充行（Item-F1 92.8 vs Row-F1 53.7），且難度增加時性能穩定下降，開放文本單元格是主要瓶頸。

EntMTP是一種無需訓練的調度器，通過根據局部生成熵動態切換樹注意力拓撲，在低熵區域進行深度推測，高熵區域保守推測，從而在不犧牲生成質量的前提下，最大化吞吐量。在多個基準測試中，相比Hydra和Medusa分別實現1.15倍和最高1.36倍的加速。

一種新的循環神經網絡架構，通過在token進入D層Transformer模塊之前對其進行預上下文化處理，實現了顯著的速度提升，同時保持或超越標準Transformer的性能。

大型語言模型（LLM）智能體在長期多會話交互中需要更新事實，但現有記憶系統存在顯著缺陷。研究發現，即使是最先進的模型（如gpt-5.4），在替換為有界自維護記憶後，準確率從92%下降到77%。這種差距並非由模型規模或記憶容量引起，而是隨對話長度增加而惡化。研究者發佈了Supersede，一個基於強化學習的開源訓練環境，通過獎勵當前事實和懲罰過時事實來訓練智能體。對Qwen2.5-3B模型進行GRPO微調，使真實對話中的更新準確率從9.0%提升至16.7%。

本研究採用發展方法探究神經語言模型（NLM）的統計學習和心理表徵。通過訓練一系列生成式Transformer模型於合成語法，並保存訓練過程中多個階段的模型狀態，分析內部表徵的變化，發現NLM在學習初期獲取最抽象的全局統計知識，隨後學習相對局部的統計依賴。這一學習路徑包含許多早期過度泛化，這些泛化在後期逐漸受到約束。基於此觀察，提出解釋NLM統計學習和語言認知的新框架。