視覺語言模型在高風險場景中可能對特定使用者不安全。本文提出MPS-Bench（12個高風險領域、5181個場景）並發現八個前沿VLM幾乎總是直接作答（86-99%），個性化安全得分最高僅2.6/5。機制分析表明視覺資訊在融合早期壓制文本風險訊號，導致後期內部修正失效；提出的PRISM以0.978 AUC預測需要延遲迴答的查詢，並在各模型上優於安全-效用帕累託前沿。

FailSAE 採用稀疏自編碼器（SAE）來預測視覺語言模型的失敗，同時保持可解釋性。作者將故障預測轉化為對稀疏潛在啟用的分類，並設計了“三階段失敗感知”訓練流程。實驗超過基線，概念層面分析顯示失敗源於從類別特定概念向模糊/風格相關概念的轉變，所學潛在方向還可用於執行時故障恢復。

arXiv 一篇新論文對多種提升多語言模型跨語言一致性的方法進行了統一評估，涵蓋推理時干預與訓練後方法，涉及三個模型家族和三個封閉式基準。結果表明，訓練後方法通常更可靠，直接分佈對齊效果最穩定；但跨領域遷移仍有限。研究還發現，在文化相關問題等需要差異回答的場景中，封閉式評估未出現系統性退化，而開放生成偶爾會有準確率下降，尤其對非英語回答。

一篇新論文研究了自動語音識別（ASR）系統為何會產生與輸入語音無關的流暢文本。透過分析CTC和RNN-T兩種Conformer-Large模型在環境退化及說話人背景偏移下的表現，發現編碼器最後一個模組是關鍵邊界。繞過該模組會導致幾乎每個話語的輸出發散，而繞過中間模組影響甚微。該階段表徵更緊湊、文本可被解碼器讀取、字素資訊顯式化。但干預產生的是雜亂或重複輸出而非流暢偽造，因此研究識別出幻覺的機械前提——未能產生充分接地的輸出——而非自然幻覺的完整起源。

本文提出一種基於 Hüllermeier-Rifqi 指數（Rand 指數的廣義變體）的評估方案，用於衡量語音編碼演算法與國際音標（IPA）逐詞轉寫的一致性。研究者用歸一化編輯距離分別計算標準轉寫和編碼結果的成對相似度，並將二者絕對差作為不一致分數，隨後用採用相同字母表的隨機字串生成器作為基線進行校正。他們在多語言轉寫資料集上評估多種語音編碼器，並結合碰撞率分析召回能力。該方法還可用於衡量將書寫系統視為內在語音表示時的語言正字法透明度。

該研究提出了一個用於評估大語言模型（LLM）理解中文網路評論中間接、戲謔性社交語用含義的基準。基於逾20萬條公開中文社交媒體互動記錄，構建了4735個人工驗證的診斷項，每項包含目標評論、重建的前置語境及合理的誤讀選項。在跨寫作者設定下評估了8種LLM，最強模型準確率為81.42%，平均準確率僅68.70%，而人類準確率達90.8%。案例分析顯示，模型常能識別寬泛的諷刺或戲謔，卻難以判斷具體機制或互動行為。

早發性結直腸癌在年輕成人中逐漸增多，但該年齡段的警示症狀缺少循證隨訪指南，結構化就診資料也難以提供症狀時長、背景與家族史等關鍵資訊。研究者提出 VERGE，一種結合檢索增強生成與有界驗證—修正迴圈的代理式工作流，用於從自由文本臨床記錄中抽取六類警示症狀和家族史風險狀態。在 4,033 對臨床醫生標註樣本上，VERGE 將精確率從 0.764 提高到 0.849，MCC 從 0.681 提高到 0.730，且僅 1.5% 的宣告需要人工複核。

一項新研究提出預測任務：能否在諮詢師職業生涯早期判斷其未來是否能更善於引導對話走向積極結果。研究發現，觀察諮詢師如何應對特定困難對話時刻並做出調整，比直接從對話記錄中學習更能預測長期成長。

MedProb提出一種輕量級探測框架，在不進行醫學微調或生成自由文本的情況下，從凍結的視覺語言模型表徵中預測醫學視覺問答（Med-VQA）選擇題答案。在PATH-VQA、SLAKE和VQA-RAD上，MedProb比提示工程恢復更多答案相關資訊，且優於醫學專用視覺語言模型和智慧體系統。研究還發現，探測減少了小模型與大模型之間的表現差距，且醫學適應並不總能提升線性可解碼性；生成式評估則存在高達10個百分點的答案位置偏差。

這項研究提出，LLM並非被動接受外部證據，而是基於自身先驗分佈對候選答案進行選擇性整合。實驗橫跨1000萬次測試、12個LLM和8個領域，發現證據與模型已有傾向越一致越容易被採納；相同證據可能使弱模型變好而讓強模型變差，甚至可能在模型內部已判定證據無效時仍被整合。

一項預印本研究利用Universal Dependencies v2.18中38對同語言樹庫，評估了語料庫選擇對平均依存距離估計的影響。結果顯示，不同樹庫之間一致性最多為中等：更換樹庫會使近40%的語言兩兩排序反轉，樹庫選擇約佔總組間差異的29%；這種分歧在12種預處理規範下均存在，並超過樹庫內抽樣誤差。不過，所有樹庫都證實了依存長度最小化（歸一化比率低於1）。研究者認為，平均依存距離更像語法、語體和標註因素共同作用下的語料庫條件化指標，而非穩定的語言級引數。

研究人員提出了一種輕量級的量子原型迴圈單元（QPRU），在保持與 LSTM/GRU 及量子變體 QLSTM/QGRU 相當預測效能的同時，大幅減少可訓練引數數量，並提升可擴充套件性與結構效率。

本文介紹了一種模組化深度迴圈神經網路（RNN），旨在簡化不同RNN架構的部署並自動計算梯度學習所需的導數。模組化設計帶來了新架構，其中一種包含前饋層間連線。實驗表明，前饋連線顯著提升了多層RNN學習和建模高階動力學及非線性的能力，同時緩解了多層RNN在空間上的梯度消失/爆炸問題。透過四旋翼飛行器的高度動力學建模案例驗證了該方法，而現有方法難以快速或完全泛化。

BER-PEF 是一個基於貝葉斯錯誤率（BER）估計的框架，將 BER 估計轉化為人類移動性可預測性估計，並能在真實行動數據缺乏可觀測真值時，為不同可預測性估計器提供統一的比較協議。該框架將符號序列、數值軌跡、上下文特徵和學習表示對映到共同的特徵-標籤空間，參考區間和擾動曲線來量化估計器的偏差。在 Foursquare NYC/TKY、GeoLife 和 T-Drive 上的實驗表明，基於 BER 的估計器在符號序列和數值軌跡上的參考偏差低於現有方法，且其估計值能追蹤經驗預測效能的變化。

這項研究探討了大型語言模型（LLM）在零樣本框架下預測天氣相關強制停電風險的能力。利用美國德州中部公用事業區域六年的停電記錄和高解析度天氣資料，研究將問題構建為三個預測時域（3小時、6小時和12小時）的二分類嚴重性任務。結果表明，監督式模型在宏F1分數和精確率上優於LLM，但新一代LLM已取得接近的分數。LLM還具備可操作推理和地理可擴充套件性等互補優勢，將兩者結合可能是最佳實踐。

Wi-Fi人體活動識別（HAR）依賴深度模型，訓練和推理開銷大。新提出的Q-MET框架用量子-經典混合神經網路間接生成引數，並結合結構化剪枝，使可訓練引數減少90%到95%，同時維持甚至提升分類精度。

該研究提出一種資料融合校正框架，利用風洞壓力敏感塗料（PSP）測量資料修正基於CFD深度學習的航空代理模型，而無需重新訓練代理模型。在NASA CRM翼身構型上，該方法學習CFD與實驗之間系統性偏差；在Ma=0.85條件下，顯著改善翼面吸力峰、激波位置及壓力恢復的預測，並優於直接插值。

ProToMEx 是一種模型無關的可解釋性框架，利用機率主題模型學習潛在“主題”，將其作為分類器決策的高層理由。它同時提供全域性與區域性解釋，在保真度上與 SHAP、LIME 相當，並在標準表格和合成資料上將區域性解釋的生成速度提高約 30 到 40 倍。

針對潛在世界模型中“物理表徵惰性”這一新失效模式，作者提出透過輕量級傅立葉輔助頭進行訓練時輔助監督，在不增加推理成本的情況下讓潛在空間具備物理結構，從而顯著提升動態環境和低資料場景下的規劃成功率與資料效率。

HarvestBench是一個農場模擬基準，要求LLM智慧體駕駛兩輛拖拉機在農田中完成玉米收穫，並在動物擋路時選擇免費直行還是支付燃料繞行。研究表明，在九種模型和7201次定價決策中，涉及動物的決策有3951次，碾壓率從0.4%到98.8%不等，且不與模型能力排序一致；部分模型會隨價格改變行為，所有模型都更容易碾壓野生動物而非農場動物。道德提示詞影響最大：帶有道德提示時，六種推理模型中有五種碾壓率低於6%，去除後全部超過84%。該基準不用LLM打分，而是統計遊戲日誌，因此完全可復現。

一篇新論文提出企業語言模型（CLM）框架，將企業結構化、非結構化、多模態及隱性知識整合為基於本體的企業基礎，並在此之上構建推理與受控執行。CLM包含五大能力平面、四大架構支柱及Spec-as-Code正規化，並在巴西一家JCI認證三級醫院驗證了LGPD合規下的三個成熟階段。

一篇新的arXiv論文警告，在金融市場等領域部署更強大的大語言模型可能因行為趨同而增加系統性風險。模擬實驗顯示，前沿模型行為高度相關，且當它們面對共同錯誤資訊時，這種同質化會放大風險而非分散風險。

大語言模型的解釋常常不夠忠實。這篇論文提出一種測試時方法，針對解釋不完整的問題：刪除輸入中未被解釋提及的概念後重新查詢模型。在多個資料集、模型家族和兩個忠實性指標上，該方法都優於標準提示和鼓勵忠實的提示，且不依賴模型引數，可靈活用於推理階段。

本文介紹 Iris-mini 和 Iris-pro 兩個開放搜尋智慧體，分別基於 35B-A3B 和 397B-A17B 規模訓練。作者提出從網頁超連結結構反向構建多跳問題的資料管線，並透過 SFT-RL 爬升方法交替進行監督微調與即時搜尋強化學習。啟用推理時上下文管理後，兩個模型在 BrowseComp、BrowseComp-ZH、DeepSearchQA 和 HLE 上取得了開源搜尋智慧體中的領先成績。

本文研究使用機器學習演算法對電力系統中的預想事故進行安全分類，將其劃分為安全、中等或嚴重等級。作者採用牛頓-拉夫遜潮流法和總體效能指數（OPI）提取資料，並利用SMOTE和PCA分別處理類別不平衡和高維特徵。在IEEE-14和IEEE-30母線系統上，對K近鄰、隨機森林和支援向量機在N-k（k=1,2,3）場景下進行了評估，其中隨機森林表現最佳，F1分數分別為0.97（IEEE-30）和0.86（IEEE-14）。結果表明，PCA對模型效能的提升大於SMOTE，而SMOTE雖提高了召回率，但會引入誤報。研究認為機器學習可作為一種可擴充套件且高效的即時安全評估替代方案。

本文提出了Harbor Adapters，一個統一的智慧體基準評測基礎設施，可將80多個基準適配到任意智慧體上；透過程式碼審查與對比實驗驗證後，研究團隊在54個基準上對8個模型進行了大規模評測，並配合Terminus-2與3種原生評測框架執行。進一步，團隊推出了Harbor-Index，這是從適配基準中提煉出的精選後設資料集，包含跨越29個基準的82個困難、多樣且高質量的任務。即使最強配置（GPT-5.5 with Codex）的透過率也只有28.0%，能夠以可負擔的成本保留大規模智慧體評測的挑戰性與覆蓋面。相關介面卡、結果、分析和資料集均已開源。

這項技術報告介紹了一個專為金融預測設計的金融時間序列基礎模型EXAONE Finance。它採用無注意力線性時間架構，以因果一維卷積和組感知池化MLP處理時間與變數混合，並透過掩碼上下文增強適應金融資料中常見的缺失。該模型在覆蓋股票、外匯、大宗商品、加密資產、固定收益和宏觀指標的語料上預訓練，在FinVerse基準上三個評測層級均排名第一。

Clipnote 可以幫助使用者儲存 AI 對話記錄，讓聊天內容在關閉瀏覽器標籤頁後仍然保留，方便隨時找回和繼續。

Simon Willison 點評 OpenAI 新發布的《Research acceleration: The view inside OpenAI》一文。文章顯示 OpenAI 內部似乎把當天稱作“RSI 日”，即遞迴自我改進，並可能與 OpenAI 的新 AGI 有關。OpenAI 還披露研究團隊正大量使用編碼智慧體，圖表顯示每位研究者的日均 AI 支出從 2 月的接近 0 美元升至 8 月下旬的約 600 美元。Willison 推測 7 月下旬的陡增來自員工提前使用後來釋出的 GPT-6 Astra。

Airuncode 是一款面向開發者的本地工具，可在一臺機器上同時執行多個 AI 編碼智慧體。其 Product Hunt 頁面現已開放討論與相關連結。