PromptMN 是一種輕量級的領域特定語言，透過 % 字首的指令標註自然語言提示，使角色、目標、約束等顯式化，減少代理工作流中的歧義。該語言介於非正式提示與虛擬碼之間，支援逆向提示工程，並在多個前沿模型上驗證了可行性。

MemSlides提出了一種層次化記憶框架，將長期記憶（使用者檔案記憶和工具記憶）與工作記憶分離，結合幻燈片區域性修訂，實現多輪互動中的使用者偏好保持與可靠編輯。實驗表明該方法在個性化對齊、修改行為和偏好跨輪傳遞方面顯著優於基線。

該研究針對多代理LLM系統共享狀態導致的併發異常，提出了形式化定義和驗證檢測方法。透過TLA+建模四種異常（陳舊生成、幻影工具、因果級聯、工具效應重排序），並構建了一個經機械驗證的一致性層級L0到L4。使用274個Verus驗證義務，證明了檢測器的正確性和完備性。在三個已部署的Rust執行時中實現了L0-L1級別，並對比了字節跳動deer-flow和LangGraph中的實際異常案例。

本文提出一種端到端的圖神經網路替代模型，用於預測地質封存中CO2羽流運移。該模型在SPE11A基準測試上評估，透過各向異性訊息傳遞機制和自迴歸殘差公式，在長期預測中保持了較低的累積誤差，可準確預測氣體飽和度和液相密度。

該研究透過線性深度神經網路模型，揭示了“悟道”（grokking）現象與L2正則化引起的一階相變中的滯後效應有關。當模型陷入低準確率的亞穩態時，僅當隨機梯度下降（SGD）噪聲提供足夠能量跨越勢壘時，才會逃離並實現泛化，逃離時間遵循阿倫尼烏斯標度。研究還表明亞穩態數量等於可學習特徵數量，為開發更高效的學習方案提供了新途徑。

混合專家多模態大語言模型（MoE-MLLMs）在效能優異的同時，GPU視訊記憶體消耗巨大，模型壓縮至關重要。現有專家級混合精度量化方法在MoE-MLLMs上效果不佳，原因在於專家重要性估計存在兩種偏差：跨模態層面視覺令牌佔主導導致文本相關專家被掩蓋，以及視覺內部大量冗餘令牌進一步扭曲頻率統計。為此，MODE框架透過模態分解、冗餘令牌過濾和量化敏感度評估，結合整數線性規劃為每個專家分配最優位元寬度，在W3A16設定下平均效能損失僅2.9%。

本研究系統評估了基模型（FM）在計算病理學任務中的表示能力，使用兩個真實世界商業佇列（IH-BC和IH-NSCLC）進行測試。研究發現，影像和組學表示具有互補的預測訊號，多模態融合在單一模態不佔主導時能帶來提升。透過共形預測評估了管道可信度，結果表明大多數預測失敗時真實診斷仍在預測集中，強調了不確定性感知推理在臨床支援中的價值。

藥效學中區分因果不良藥物事件（ADE）與虛假相關性是一大挑戰。InferBERT框架結合了Transformer模型與Do-calculus，但其成功依賴於底層分類模型。本研究比較了XGBoost、ALBERT、BioBERT和Med-LLaMA在兩種基準上的表現，發現領域特定預訓練的BioBERT準確率最高，而大型語言模型Med-LLaMA表現不佳。結果表明，在計算藥效學中，投資於可管理的領域感知模型比單純擴充套件模型規模更有效。

研究表明，大型語言模型在預填充階段會將欄位條件結論寫入下游筆記，使得KV快取具有可編輯性和可組合性。透過鏈式思維編輯欄位即可恢復決策，而預編譯的技能可透過RoPE重新定位並拼接至任意上下文，實現與完全重新計算幾乎無差異的結果，同時延遲降低多達14.9倍。該方法適用於多種注意力和快取變體，並在線上vLLM基準測試中保持98.5%的快取命中率。

本文提出一種基於擴散模型的方法，聯合建模實驗室檢測值及其觀測模式，生成更真實的臨床時間序列。該方法利用來自MIMIC-III的DACMI基準資料集，將圖表時間對齊為4小時間隔，入院記錄分割為7天視窗，擴充套件TimeDiff框架學習連續值和離散缺失模式。實驗表明生成資料與真實患者軌跡高度吻合，可捕獲患者生理與醫生檢測行為之間的臨床依賴關係，為臨床基礎模型開發提供初始元件。

本研究針對遠端（1.5-2.1米）單次條紋投影輪廓測量中基於學習的深度估計演算法存在的形狀先驗捷徑問題，提出了診斷-修復-驗證框架。透過機械可解釋性和共形不確定性量化，發現UNet基線模型依賴物體邊界形狀先驗而非條紋相位解碼。提出的PhiCalNet網路透過輸出包裹相位並應用固定可微校準層，將物體平均絕對誤差降低3.3倍至4.46毫米，並驗證了架構而非損失函式是關鍵因素。

最新研究發現，多模態大語言模型（MLLMs）在知識編輯時存在“編輯解耦失敗”問題：雖然多模態輸入下實體知識可被更新，但一旦輸入分離為單模態，知識就會恢復舊值。研究者提出DECODE方法，透過顯式解耦並定位模態特定神經元組，實現了跨模態觸發條件下的有效知識更新。

研究人員提出了一種線上自適應框架，整合治療效果估計、患者數字孿生和強化學習，用於臨床決策支援。該系統透過規則模組確保安全，並在模擬和真實卵巢癌資料集上優於基準方法，展示了作為個性化醫療工具的潛力。

本文研究分散式通用智慧體網路，提出分層架構，以及三種核心機制：語義宣告傳播、可驗證身份與多主題信譽、語義梯度機制設計。透過原語開銷和模擬驗證了可行性，為開放、可信、可擴充套件的智慧體協作提供系統級基礎。

SpeechDx是一個大規模基準測試，涵蓋12個資料集和27個任務，用於評估臨床語音AI。它按語音產生階段組織任務，測試模型泛化能力。評估12種音訊編碼器發現，大規模語音模型表現最佳，但尚無通用表示。

MemTrace是一個以知識點為基本單位的長期記憶評估基準，從記憶年齡、問題型別和證據條件三個維度探查事實。實驗發現，相似的整體準確率掩蓋了不同的失敗模式，主要瓶頸在於證據使用而非檢索。

一項新研究探索語言模型是否能獨立發現“零”這一數學概念。研究發現，GPT-2規模的語言模型在零樣本情況下無法泛化，但透過少量示例訓練後效能顯著提升，且語言預訓練可減少所需示例約50%，表明語言能力有助於神經網路的數學發現。

在技能受限的生產-庫存系統中，明天的合格人力容量取決於今天的培訓決策：生產需要持證工人，認證若不維護將失效，培訓消耗與生產相同的稀缺工時。研究提出了一種閉環技能受限模型預測控制器，每班次求解有限時域混合整數規劃，涵蓋生產、庫存、積壓和培訓，並具有可解釋的終端價值函式，用於評估計劃期末的認證能力差距。在合成的SkillChain-Gym場景上的評估顯示，沒有哪種策略類佔主導：預測控制在技能或勞動力瓶頸可提前預測時有效，而靜態交叉培訓保險在突發衝擊、需求接近產能邊界以及衝擊前鬆弛使保險成本低廉時難以被擊敗。歸因消融實驗區分了認證維護、失效認證重新獲取和新技能獲取的影響。可預測性，而非適應性本身，決定了預測控制何時有價值。

研究人員提出了一種自進化框架，利用大語言模型（LLM）驅動的智慧體自動生成查詢重寫規則，在不進行引數訓練的情況下增強BM25演算法在法律案例檢索中的效能。實驗表明，該方法在中文法律案例檢索基準LeCaRD-v2上優於人工設計規則和貪心規則選擇等基線。

本文提出DivInit方法，透過在第一輪查詢中引入多樣性，解決了標準並行取樣在智慧搜尋中收益遞減的問題。該方法無需訓練，透過從單個呼叫中抽取候選查詢並選擇多樣化的子集，顯著提升了多跳問答的效能。

麻省理工學院研究人員開發了一種新的長期記憶框架DAAAM，該框架結合了豐富的物件描述和3D地圖，使機器人能夠快速形成和回憶詳細的空間記憶，並用自然語言回答複雜問題。這項技術的準確性比現有方法高21%至53%，可應用於機器人、增強現實等領域。

Loomcycle是一個輕量級的自託管執行時，作為邊車與應用程式一起執行，提供代理迴圈、多提供商路由、記憶體和通道原語、MCP伺服器身份、OpenTelemetry跟蹤以及多副本協調。它支援HTTP、gRPC、MCP、TypeScript和Python介面卡，旨在成為代理系統市場中的第四種選擇，介於嵌入式庫、託管雲服務和代理閘道器之間。

Respond.io，一家總部位於吉隆坡的客戶對話管理軟體公司，宣佈獲得6250萬美元的B輪融資，由Camber Partners領投。該公司年經常性收入達3500萬美元，同比增長169%，利潤率30%。

SciFigureAI 是一款利用AI快速生成科學圖形草稿的工具，支援從文本、草圖或圖片出發，經過多輪編輯與匯出，幫助研究人員高效完成論文、海報、基金申請和簡報中的圖形制作。其核心工作流程包括描述、生成、編輯和匯出，並內建豐富的靈感庫和多種視覺風格。

Locofy 提供了位於 Figma 與 Cursor、Claude 之間的智慧前端層，能夠將設計直接轉化為程式碼，大幅提升開發效率。

一位電影製作人分享了其透過XPRIZE競賽獲得250萬美元資金的完整策略，並提供了製作樂觀科幻電影的操作指南。

Japanly AEO 是一款免費工具，可測試ChatGPT、Gemini和Claude等日本AI搜尋是否會推薦你的品牌。它從引用率、敬語語氣和引用結構三個維度評分，並提供改進建議。

Centri是一個開源專案，透過持久的記憶脊柱解決AI代理的遺忘問題。它採用僅追加的事件脊柱作為真相來源，派生可重新推導的記憶圖，確定性地為每輪對話組裝上下文。主要功能包括事件脊柱、型別化記憶圖、確定性策展、FTS5精確回憶、LLM整合、時間回憶、基於ACP的編碼委託、工具合同和歷史匯入。與Letta的基準測試顯示，Centri在處理過時事實方面表現更佳。

penguinAI 是一個注重隱私的 Character.ai 替代方案，無需自託管即可使用。它提供角色互動功能，使用者可以與各種AI角色進行對話。專案簡潔易用，無需複雜設定。

作者透過數百次關於AI的對話，探討了AI作為加速器對社會、工作和人性的影響。AI不僅是一個生產力工具，還能放大社會現象，使人類特質更加珍貴。文章還提到了賓夕法尼亞州的政策響應。