FedTR結合聯邦學習和遷移學習，解決工業視覺檢測中資料稀缺和任務複雜性問題，在標籤缺陷識別上取得高精度。

提出LOGOS，一種基於Transformer的新型方法，利用文本提示引導航空影像中的定向目標檢測，在DOTA資料集上超越現有方法，尤其適用於密集和旋轉場景。

論文提出ThermoField框架，透過可微分熱傳導模擬統一熱場景重建和熱物理引數估計。該框架利用神經場表示空間變化的熱擴散率等屬性，結合場景幾何與熱傳導物理約束，從時間分辨熱觀測中聯合重建幾何、估計熱擴散率並預測未見過環境下的熱演化，為複雜3D場景中的物理可解釋引數推斷提供了統一方法。

研究人員提出了一種稱為“對抗性誘餌”的新型攻擊方法，透過獨立最佳化的影像補丁來重新定向注意力，從而規避Vision Transformers中基於注意力的防禦。該方法將分類錯誤和防禦規避解耦，攻擊無關，可輕鬆整合到現有對抗性補丁攻擊中。實驗表明，誘餌能將高注意力分數從真實對抗區域轉移開，同時保持攻擊有效性，揭示了依賴注意力大小作為對抗相關性指標的固有侷限性。

研究人員開發了一種低成本方法，利用無人機和起重機攝影測量對落葉喬木進行三維重建，以監測枝條伸長（初生生長）。該方法實現了5-6毫米的點精度和92-98%的完整度，填補了氣候變化影響研究中初生生長監測方法的空白。

GIRAF是一種文本條件擴散模型，用於生成與可運動物體的逼真全身互動。它透過物件中心表示、混合域訓練和基於接觸的資料增強，解決了現有模型在協調運動、精細接觸和物體運動推理上的不足，並在未見過的物體配置上展現出強大的泛化能力。

DreamCharacter-1是一個輕量級後適配框架，透過幾何後訓練、紋理後訓練和推理加速三個元件，將預訓練的3D基礎模型校準為高保真、可投入生產的3D角色生成方案。實驗表明，其生成的3D角色資產在視覺吸引力和結構穩健性上均超越現有最先進方法。

識別LLM輸出中的忠實度幻覺因高質量標註資料稀缺而具有挑戰性。本文提出幻覺自我博弈（HSP）框架，使檢測器能夠與進化生成器共同提升。HSP從同一基礎模型初始化檢測器和生成器，檢測器先透過人工標註資料微調，再作為獎勵模型透過RLAIF訓練生成器產生更難檢測的幻覺，隨後生成器合成幻覺資料透過規則強化學習最佳化檢測器。在RAGTruth基準和兩個模型家族上的實驗表明，該框架能逐步增強小型LLM，使其無需外部監督即可匹配甚至超越先進LLM。

一篇新研究評估了Gemini模型作為音訊裁判在全雙工語音代理對話中的可靠性。基於209個立體聲會話，在8個維度上與人類評分者進行對比，結果顯示Gemini 2.5 Flash在多數維度上與人類高度一致，且成本僅為人類評分的約1/100。研究還指出模型切換需重新校準，並提出了部署時需注意的四個方面。

本文提出TACO方法，解決LLM強化學習中統一信用分配導致的“正信用汙染”問題。TACO透過計算尾部風險分數來抑制低機率錯誤令牌的正向更新，實驗表明該方法在多個基準上優於GRPO基線，並能提升長程RL的訓練穩定性。

本研究提出了一種基於MiniLM嵌入的多簇邊界學習方法，用於檢測超出範圍（OOS）意圖。該方法克服了傳統多類分類精度隨類別數下降以及LLM嵌入引數大的問題，在三個公共資料集上實現了最先進的效能。

自然語言處理中基於預處理的刻板印象緩解方法，雖然能減少針對目標群體的可測量刻板印象，但常常引發意想不到的副作用——相對於中性基線，其他人口統計群體的刻板印象或反刻板印象可能增加，包括不相關的人口類別。研究在兩種模型家族（僅編碼器和僅解碼器）、多種預處理策略（刪除刻板句子、刪除群體提及、交換群體引用）以及維基百科上不同資料規模的預訓練和後訓練中展示了這些副作用。標準基準測試經常忽略這些變化。透過注意力展開分析，觀察到這種副作用並未伴隨注意力流的巨大變化，使得機械論解釋複雜化。本文討論了評估的影響，提供了可操作的診斷方法，並主張進行關注副作用的透明緩解實踐。

本研究提出一種成本高效的人機協作註釋框架，用於構建多語言刻板印象資料集，並應用於西班牙語構建EspanStereo資料集，涵蓋多個西語國家的文化特定偏見。評估顯示LLMs在不同國家的刻板印象行為存在顯著差異，強調需要更文化紮根的評估方法。

本文論證了巴倫霍爾茨的自生成語言理論如何豐富哈里斯整合主義語言學，填補了其在符號前瞻開放性、語言與非語言符號連續性以及整合檔案結構方面的解釋空白。該綜合為自然語言處理和大型語言模型設計提供了理論基礎，闡明瞭統計結構的本質及其侷限性。

DeepSearch-Evolve是一個自蒸餾框架，基於可驗證的DeepSearch-World環境訓練網路智慧體。該環境包含42萬個多跳問答任務，支援進度驗證、反思和故障恢復等認知行為。在沒有更強模型蒸餾的情況下，DeepSearch-World-9B在多個基準測試中取得了有競爭力的成績，證明了可驗證環境能夠支援長週期網路智慧體的自我進化。

本文是一篇立場論文，系統回顧了人工智慧數學（AI4Math）領域的最新進展，特別是大型語言模型（LLM）驅動的定理證明器在形式化證明生成方面取得的成功。然而，現有系統在應對前沿研究數學（如發現新定理或解決開放猜想）方面存在根本性限制。作者主張AI4Math系統應從預定義問題求解器轉向能進行嚴格形式化數學推理的研究代理，並指出了現有系統在資料集、關係結構、數學探索、工具生態和人機協作等方面的核心侷限性，為未來AI4Math的發展提出了戰略路線圖。

本文研究比較了LSTM與傳統機器學習模型在推特情感分析中的效能。LSTM模型取得了90.98%的訓練準確率和80%的測試準確率，ROC-AUC得分為0.92，優於其他方法。

本研究提出LiST（Lipschitz縮放訓練），一種新型訓練正規化，透過自動調整全域性Lipschitz常數，在保證網路校準的同時，有效平衡準確性與魯棒性。LiST揭示了Lipschitz約束與溫度縮放之間的理論聯絡，並利用校準作為準則選擇最優操作點。在CIFAR-10/100和Tiny-ImageNet上的實驗表明，LiST在保持校準的同時，達到了與現有方法相當的準確性和魯棒性。

本文提出元神經細胞自動機 (MetaNCA) 框架，透過區域性更新規則自組織神經網路權重，無需反向傳播即可為不同架構生成權重，並泛化到未見架構。

Jet-Long 提出了一種無需微調的零樣本方法，透過動態雙焦點RoPE擴充套件大語言模型的上下文視窗，根據序列長度自適應調整縮放因子，在多個基準測試中實現了高效率和強效能。

SHIFT是一種缺失感知的生存預測模型，基於Transformer架構，能夠直接從不完整的基因組輸入中進行預測，無需測試時插補。透過掩蔽自注意力機制和特徵可用性掩碼，模型僅利用觀測到的特徵進行預測，並在訓練中引入變速率特徵掩蔽以增強對異質性缺失模式的魯棒性。在膠質母細胞瘤和肺鱗狀細胞癌的多中心外部驗證中，SHIFT表現出強大的泛化能力，優於傳統生存基線和基於插補的方法。研究表明，納入不完全佇列的患者可提升外部資料效能，支援缺失感知建模作為精準腫瘤學多中心生存預測的實用策略。

針對長上下文語言模型中塊稀疏注意力的固定 top-k 截斷缺陷，本文提出一種基於資訊價值的路由器，在查詢級別動態增加不確定性高的保留塊數，顯著提升了召回率，且與現有方法相容。

Omni-Sleep是一種新的睡眠基礎模型，利用中樞神經系統（CNS）和自主神經系統（ANS）的生理分割槽作為先驗，進行拓撲約束的表示學習。該模型透過三個目標學習結構化表示：系統內一致性、系統間同步和潛空間掩碼時間建模。在超過10萬小時的多中心多模態PSG資料上預訓練後，Omni-Sleep在睡眠分期和多疾病分類任務中優於強基線模型，展現出更好的標籤效率、跨資料集泛化能力以及對缺失模態的魯棒性。

提出ReCoLoRA框架，透過遞迴整合低秩介面卡解決持續微調中的災難性遺忘問題。在六任務GLUE序列中，ReCoLoRA在三個骨幹網路上取得最佳平均分，且訓練引數量更少。

介紹了一種名為區域性線性Transformer（LLT）的新型神經運算元架構，結合線性全域性注意力與區域性空間混合，有效解決了標準注意力在偏微分方程應用中的二次擴充套件和缺乏區域性偏置問題。在彈性、塑性、翼型流等多個問題上取得較優結果，訓練速度相比Transolver提升1.8-2.5倍。

研究表明，在胸部X光分類中，即使排名效能可接受，罕見陽性患者仍可能因閾值而被漏診，尤其在亞組中。透過診斷階梯方法，結合分組尾部加權和閾值調整，顯著降低了尾部假陰性率，但殘餘漏診率仍較高。公平性取決於發現、亞組和操作閾值的聯合影響，而非僅標籤頻率或排名指標。

本文提出MemExplainer方法，透過拓撲歸因樹和記憶回溯樹來解釋時間圖網路（TGN）的預測。該方法首次考慮TGN中的記憶模組，量化歷史事件對節點記憶向量的影響，並利用層間相關傳播（LRP）確保事件貢獻之和等於模型logits。在九個資料集上的實驗表明，該方法在節點屬性預測、連結預測和圖分類任務中均優於現有基線，提供了忠實於模型的解釋。該論文被ICML 2026接收為Spotlight論文，程式碼已開源。

本文探討了人工智慧在精算實踐中的應用，特別是透過比較三種不同架構（單LLM、樸素RAG和多智慧體Agentic RAG）在小型商業企業主保單的直通式核保中的表現。結果表明，多智慧體系統在處理多步推理和缺失資訊場景時表現最佳。

研究團隊提出了一種基於圖神經網路的即時手勢識別方法，利用表面肌電訊號構建肌電圖網路，在8名受試者上達到99%的準確率，處理時間僅48毫秒，適用於假肢控制與增強現實等應用。

VectorizationLLM是一個基於谷歌開源權重LLM的專用大型語言模型，旨在幫助學生學習MATLAB中的智慧向量化、時間/波向量分析、分段函式、傅立葉分析和微分方程。該模型應用於紐約理工學院Old Westbury分校電氣與計算機工程技術系的CTEC 247課程，透過RAG知識庫和系統提示架構提供詳細概念解釋和示例，但不直接給出答案。