曾為英國政府制定AI戰略並擔任首相顧問的馬特·克利福德，在離職一年後加入美國AI初創公司Anthropic擔任高階職務。他去年被任命為AI機遇顧問，但因個人原因在六個月後辭職。

AM-Bench是一個針對多旋翼空中操縱策略學習的模組化模擬套件和基準。它提供了多種機器人本體（欠驅動、全驅動和過驅動）、跨接觸、運輸和受限互動的12個任務，以及可配置的氣動擾動和致動器飽和。該基準支援系統級評估，考察本體、控制、擾動和策略之間的相互作用，並透過模擬研究和真實世界驗證展示了其診斷價值。

本文提出DSG框架，用於在動態室內環境中構建3D場景圖。該框架透過語義感知的3D高斯表示和雙檢視渲染檢測物體變化，並利用多粒度視覺上下文進行空間關係推理。同時介紹了基於AI2-THOR的新基準DynTHOR。實驗表明，DSG在節點構建和關係推理上優於現有方法，顯著提升了動態場景圖的準確性。

研究人員開發了一種由兩個可穿戴氣動觸覺裝置組成的系統，該系統支援在感知相關的力和時間尺度上進行連續、閉環、雙向觸覺互動。單個裝置可包含多達十二個連線織物氣動袋的壓力感測通道，每個通道可作為感測器、致動器或兩者兼用。裝置級特性顯示力頻寬超過30 Hz，響應快速且阻尼良好，與之前的緊湊型氣動平臺相比，壓力保持時間更長。人類研究表明，基於壓力的指尖反饋能夠區分力和剛度，改善遙操作操控，將施加壓力降低多達23.1%，任務持續時間縮短多達27.4%，並在視覺受限條件下將主觀腦力負荷降低18.8%。

語言驅動的靈巧抓取模型（如DextER）在指令指定抓取位置時表現良好，但當指令明確禁止觸控某個部件時（如“抓握把手，但避免觸碰主體”），它們會系統性失敗。現有訓練語料（如DexGYSNet）幾乎不包含此類規避指令，收集所有約束條件的示例不可行。此外，由於訓練中提及的每個部件都表示接觸目標，模型可能將被禁止部位視為另一處可抓取區域。為此，我們提出一個推理時的框架，無需否定專門的訓練示例即可處理否定約束的靈巧抓取。結合序列蒙特卡洛與無分類器引導，該方法引導取樣朝向目標部件，同時剪除朝向禁區的候選。一個凍結的3D部件定位模型從語言指令中定位禁區。為評估該設定，我們構建了NegGrasp基準，包含成對的正/負指令以及約束感知指標，只有同時完成任務並遵守約束的抓取才算成功。在NegGrasp上，我們的方法將最強基線的違規率從57.9%降至17.2%，同時提高了約束感知和物理成功率。

研究人員提出了一種框架，使四足機器人能夠利用其非線性動力學產生多種自然步態，而無需專用控制器。透過識別eBert機器人的六個非線性正常模式（NNM），並使用黑盒最佳化調整步長，他們展示了每個NNM如何演變為不同的步態，從而產生不同的速度。實驗表明，eBert可以利用其機械特性生成特定任務的運動，為設計新一代敏捷高效、利用具身智慧的機器人奠定了基礎。

該研究提出了一種無標記互動框架和專用的跨裝置資料集，用於研究注視引導的輔助操作中的跨裝置對齊問題。研究者指出，在注視操作中，姿態精度並不一定轉化為任務精度，因為平移和旋轉誤差會共同影響變換後的注視光線並可能相互抵消。為此，他們提出了基於圖的參考選擇方法來解決稀疏機器人參考點的問題，並引入了注視-表面交點誤差（GSIE）作為直接衡量注視指定目標空間誤差的任務級指標。實驗表明，在傳統姿態指標上排名較高的對齊方法在GSIE上並不總是最優，這凸顯了在任務層面評估注視操作的重要性。

自動駕駛在高速公路上超車需要遠見決策，以應對複雜互動、隨機交通演變和時域風險累積。然而，標準的強化學習方法通常依賴隱式價值基準的風險估計，而非顯式動力學建模，難以準確捕捉多步風險傳播，常導致區域性安全但長期潛在風險高的行為。為此，研究者提出世界模型風險感知專家混合（WM-RMoE）框架：透過學習潛在動力學模型進行並行多步推演，將安全評估從動作層面提升到軌跡層面；透過層次化門控機制動態協調長時域、短時域和基於規則的專家，增強不同互動強度下的魯棒性；並結合高斯混合模型保留多模態機動分支，減輕行為模式平均問題。實驗表明WM-RMoE在安全合規、決策穩定和泛化能力上優於代表基線，並能生成遠見且語義多樣的超車策略，適用於不同交通密度。

研究人員提出一種利用場景圖和線性時序邏輯（LTL）從自我中心感測器資料中自動提取關鍵駕駛場景的方法。該方法處理感測器資料和高畫質地圖生成場景圖序列，然後用LTL指定感興趣場景並透過模型檢查器提取例項。評估使用Argoverse 2資料集和行車記錄儀影片，表明其有效性，可用於ADS資料集的場景覆蓋分析。

本文融合代數與幾何方法，對通用3R機器人進行運動學分析。作者基於共形幾何代數建立逆運動學模型，提出一個通用框架，用於研究3R機器人具有四個逆運動學解（IKS）的條件，並分析這些解在工作空間中的分佈。同時，針對一類正交機器人，給出了存在四個IKS的必要和充分條件。

本文研究通用3R機器人的逆運動學問題，利用共形幾何代數（CGA）將求解過程重新表述為兩個圓的相交問題，從而直接得到一個關於θ₂的一元多項式，無需消去θ₁和θ₃。該方法提供了對機器人運動學性質的更深見解，並簡化了計算流程。相關論文發表於機器人學數學進展會議（IMA 2025）。

StreamScout是一個用於流式影片理解的自適應推理框架，它維護輕量級文本時間線，並在查詢時逐步新增最多三種細節程度遞增的視覺檢視。只有當證據不足時才升級到更詳細的檢視，從而降低推理成本和令牌消耗，同時提升準確性。在OVO-Bench上，StreamScout-S使Qwen3-VL-8B的準確率提升14.65個百分點，同時比均勻取樣少用59%的令牌，平均響應時間為1.04秒。

大多數關鍵點描述符的進展都針對單模態場景，而多模態成像（如多光譜、RGB-深度、衛星或醫學影像）由於感測過程不同，使得跨模態描述成為挑戰。現有解決方案通常需要為每個模態對訓練專屬描述符或使用大型模型，導致重訓練和高執行時開銷。CrossFeat提出一種框架，允許現有的單模態描述符透過學習對映函式和幾何-外觀解耦來適應跨模態，僅改變外觀而保留幾何結構，實驗證明其在多模態匹配中表現更優。

本文提出決策級駕駛可供性預測問題，並引入反事實長尾基準CoLT-Drive（含3536個樣本）來評估模型在罕見物件出現時預測合理駕駛動作的能力。同時提出KPA框架，結合結構化感知到決策提示、SLERP專家合併和RegMoE模組，在保持預訓練模型開放世界知識的同時進行輕量級自適應。實驗表明，KPA在CoLT-Drive上達到60.8%的成對準確率，優於預訓練基線（50.3%）和LoRA微調（32.4%），同時保持領域內競爭性準確率。

多模態大語言模型（MLLMs）在OCR文件理解和文本豐富的視覺推理基準上表現優異，但現有評估大多假設所有任務有效且可回答。現實中，問題可能涉及模糊文本、遮擋證據、不存在的視覺目標、矛盾前提或缺失變數。本文引入VeriOCRBench，一個包含1800個陷阱注入的無效任務和200個無陷阱對照樣本的人工驗證基準，用於評估模型的任務驗證能力、根本原因診斷和過度拒絕。對15個領先MLLM的評估揭示了持續的盲目遵從、診斷失敗和提示引發的過度拒絕，暴露出當前OCR推理系統的關鍵可靠性缺口。

傳統研究將多模態大語言模型的物件幻覺歸因於語言先驗，而本文提出並證實了一種被忽視的互補原因：視覺起源幻覺，源於錯誤的視覺特徵提取和影像文本嵌入錯位。作者透過餘弦相似度和Smooth Grad-CAM分析發現，幻覺樣本的影像文本相似度更低，注意力模式反轉。基於此，他們提出對抗性對比微調（ACFT），利用對抗性樣本增強影像表示，僅需COCO資料集0.9%的資料，推理零開銷，在多個基準上取得最優效能。

研究發現，多模態大型語言模型在影片稽核中存在一種組合安全盲點：由看似無害的成分組成的影片可能傳達有害含義。作者將這種現象稱為“分散式隱晦傷害”，並研究其兩種表現形式：跨視覺片段的時間分佈傷害和跨音訊與視覺流的多模態傷害。為應對這一挑戰，他們開發了多智慧體合成框架，生成了超過9000個影片的資料集，並評估了30多個MLLM，發現即使是頂尖模型也經常漏檢這些隱晦傷害。在真實社交媒體影片上的測試也顯示了同樣的失敗模式，凸顯這一安全問題的現實性。

本文提出了一種從拉格朗日（粒子中心）視角推導顯式時間生成模型（如流匹配和整流流）的替代方法。透過分析連續去噪器的區域性泰勒展開，作者提出保持目標身份不變的嚴格不變性條件，進而推匯出準線性平流偏微分方程。利用特徵線法求解該方程，可解析得到流匹配的直線軌跡。該幾何視角將去噪器的雅可比矩陣識別為軌跡曲率的主要來源，從而直接解釋了為何直線流允許大步長，以及為何經驗模型需要蒸餾以展平相交的特徵線。

本文介紹ZimaBlue，一個從大規模影片中學習通用世界行動模型（WAM）的可擴充套件框架。它採用三階段訓練課程：首先在大規模人類和機器人自我中心影片上進行因果具身預訓練，然後透過統一動作表示的影片-動作中間訓練將視覺動態與異構機器人軌跡對齊，最後針對目標機器人進行專項微調。其非同步慢-快雙系統架構使得在NVIDIA RTX 4090上實現30Hz的即時動作預測。在真實機器人零樣本評估中，將訓練資料從僅目標機器人資料擴充套件到超過12萬小時的具身影片，成功率從36.1%提升至77.8%。ZimaBlue在多個基準測試中表現優異，尤其在未見任務上提升顯著。

Qwen-Drive-1.0 是一個用於自動駕駛的視覺語言基礎模型，它保留了預訓練視覺語言模型的架構，並整合了3D感知、視覺問答和運動規劃。透過外部鳥瞰圖感知頭實現3D物體檢測、語義佔據預測和BEV地圖分割，同時規劃專家利用共享表示生成未來軌跡。實驗表明，該模型在3D感知和駕駛場景理解方面表現出色，同時保留了通用視覺語言能力，並在多種評估設定中展現了競爭力的運動規劃效能。

該論文提出一種針對總縮放梯度變分（TSGV）正則化器的錐約束雙線性分解方法，解決了其在影像恢復中的非凸非線性帶來的計算難題。該方法透過交替最小化和逐次逼近策略，保證能量單調遞減，並在Kurdyka–Łojasiewicz框架下證明全域性收斂。實驗表明，在高噪聲水平下，該方法在PSNR和SSIM指標上優於或與其他代表性變分方法持平，並改善了稀疏和密集掃描下的結構重建。

一篇新的arXiv論文提出了一個開源庫“科學代理技能”，包含16個實踐領域的163個程式性技能，旨在提高語言模型代理在科學分析中的可辯護性。該庫提供版本化、人類可讀的指令檔案，代理僅在需要時載入，並附帶參考資料和可執行指令碼。作者未報告任務級評估或宿主選擇率。

這項初步的小規模研究評估了大型語言模型（LLMs）在驗證醫學因果主張並引用同行評審證據方面的準確性。研究對八個LLM在17個醫學因果假設上的表現進行了評估，發現它們在檢索相關資訊方面表現良好（高召回率），但經常無法提供有效的科學文章來支援其回答，也未能正確拒絕不支援的假設。該研究強調了在醫療保健領域使用LLMs進行搜尋和檢索前進行嚴格評估的必要性。

資料汙染損害了大語言模型（LLM）數學問題求解評估的可靠性。雖然基於重寫的評估緩解了記憶效應，但現有方法無法保證問題有效性和答案正確性。我們提出了RePro框架，首次將面向Lean的神經自動定理證明器（ATPs）整合到基準重寫中，透過Lean驗證的證明重寫問題並重新生成答案。在GSM8K和MATH上的實驗表明，RePro保留的重寫例項實現了100%的良好定義性、可行性和答案正確性，而現有方法仍會產生無效或不正確的例項。此外，多個模型在證明驗證後的重寫基準上準確率下降，表明它們的效能對錶面和結構變化敏感，可能部分反映了記憶效應。原始碼和資料已公開。

CUDA-Harness是一個新框架，用於從自然語言生成和最佳化高效能CUDA核心。它引入了中間結構化生成以連線高層語義與低層核心生成，透過綜合驗證減少獎勵作弊，並提出了反饋自適應進化策略來優先保證正確性同時最佳化效能。實驗證明了其有效性及跨模型、硬體和C到CUDA遷移的泛化能力。

社交媒體使用者行為受其表達態度時所體現的道德價值訊號影響，但現有使用者表示方法大多忽略該維度。為此，研究者提出ValueGraph框架，利用自動推斷的道德價值訊號作為帶噪輔助訊號，在帖子-回覆圖上進行圖預訓練，學習語義與結構表示，並透過對比學習和聚類目標對齊相似價值傾向的使用者。實驗表明，ValueGraph在立場檢測和推特機器人檢測任務上穩定優於文本、圖及純文本大語言模型基線，驗證了價值訊號引導作為社會感知使用者建模的有效歸納偏置。該研究於2026年8月30日提交至arXiv。

自監督呼吸音編碼器缺乏臨床領域的語義基礎，限制了其零樣本推理能力。該研究提出一個框架，將編碼器與醫學術語在共享潛在空間中對齊，從而構建可進行零樣本分類的基礎模型。透過使用醫療LLM從後設資料生成結構化報告以解決配對資料稀缺問題，該模型在9個任務上（6個資料集）平均零樣本AUC達61.3%，超越CLAP（51.4%）和Qwen2-Audio（54.9%），線性探針AUC最高（71.6%），且僅使用全規模基線43%的資料。

一項新研究從機械可解釋性角度揭示了大語言模型（LLM）安全行為的內部電路機制，包括有害檢測頭、安全神經元和拒絕頭。透過電路引導的權重縮放，該方法在六個LLM上將對抗攻擊下的安全率平均提高了26.5%，同時僅造成1.7%的準確率下降。該成果已被EMNLP 2026 Findings接收。

本文提出了GUI-CC基準測試，用於評估GUI世界模型在多步智慧體互動中的上下文一致性，而不僅僅是單步螢幕預測。該基準包含離線軌跡和線上智慧體迴圈兩個任務集，發現當前模型在生成看起來合理的螢幕時，往往無法保持任務相關上下文或支援可執行的多步回放。

本文揭示了僅基於最終結果評估LLM智慧體的嚴重盲區：無法識別“以錯誤方式做對事”的情況。在可控環境中，作者透過故障注入測量發現，結果導向評判員能捕獲84%的明顯故障，但僅識別45%的隱性故障，同時誤報33%的正確軌跡。步驟細則評判員雖成本為其三倍，但能捕獲77%的隱性故障且零誤報。此外，所有評判員都未能識破最終回覆中虛構的承諾，而自一致性整合方法增加成本卻無所改進。作者呼籲評判評估需按結果是否倖存分層統計召回率，並開源了環境、注入器、原始判定和分析流程。