ReportQA是一種新型放射學報告評估框架，透過構建知識樹和生成問答對，利用大語言模型作為裁判計算QAScore，解決了傳統指標臨床相關性不足和覆蓋實體有限的問題。實驗表明QAScore與放射科醫生判斷更一致，並揭示了基於報告推理正規化的侷限性。

該研究評估了LSTM、TCN和Transformer等深度學習模型在WESAD資料集上利用手腕和胸部感測器訊號進行多模態情感識別的效果。消融實驗表明，Transformer在多模態設定下準確率最高，TCN在僅手腕資料下表現最佳。整合方法結合三種架構的預測，達到了98.91%的準確率和98.56%的宏F1分數。

該研究在固定推理預算下重新評估網路代理的線上增強模組，發現與使用相同預算進行更多步數的基線模型相比，AWM、ASI和ReasoningBank等模組並未帶來顯著優勢，其表面增益往往消失。研究強調執行間方差應作為核心評估指標。

Nemotron 3 Ultra是NVIDIA釋出的一款550億總引數、55億活躍引數的混合專家語言模型，融合了Mamba和Transformer架構。在20萬億token上預訓練，支援100萬token上下文，推理吞吐量比現有開源LLM高6倍，精度相當。模型開源，適用於長時自主智慧體任務。

提出CoRA框架，基於GRPO強化學習對齊模型置信度與生成理由，減少誤導性高置信度答案。在MedQA等資料集上，對齊誤差降低26.51%，準確率保持且校準改善。

因果Transformer在自迴歸分解下能高效處理從左到右的序列，但難以處理任意條件（如同時依賴過去和未來標記的文本塊）。新提出的AC-GPT透過簡單修改標準因果Transformer，在單次前向傳播中實現對任意條件（包括過去、未來和混合上下文）的評估與取樣，同時保持從左到右的順序和下一個標記預測目標，相容現有LLM微調。實驗表明該方法在建模任意條件上優於基線，且不降低標準從左到右效能。

研究人員提出了一種名為'Telegraph English'的可讀符號格式，用於多跳問答中的上下文壓縮。它以更少的令牌成本將檢索到的段落重寫為結構化的實體-關係語句，從而保留推理證據。在MuSiQue、TwoWiki和HotpotQA上的對照實驗中，它在每個資料集上都優於三種匹配預算的壓縮基線（字元級刪除、截斷和隨機子取樣），F1分數提高了13到20個百分點。在最難的資料集上，它還優於同一編碼器生成的連貫散文摘要。預先註冊的深度互動假設未得到支援：優勢並未隨資料集內推理深度的增加而增加。這些結果表明，在匹配的令牌預算下，可讀符號重新表達比自然語言或連貫摘要更能密集地保留實體內容。

本文首次系統研究證明自動形式化模型在Lean 4中的魯棒性。提出了全域性擾動（改寫風格）和區域性擾動（修改值、符號或步驟）來測試模型的忠信度，發現所有七個評估模型均對全域性擾動敏感，且多數無法忠實反映區域性擾動。

PhoneHarness是一個混合操作基準和執行框架，用於研究可驗證手機工作流程中的手機使用代理。它整合GUI、CLI和主機端工具操作，實現75.0%的透過率，比非PhoneHarness設定高出12.9個百分點，強調操作表面路由和可驗證執行的重要性。

本文提出CILN框架，透過受控輸入汙染生成例項相關噪聲（IDN），使模糊性來源顯式可控。在CIFAR-10、MNIST和Adult上構建了90個基準設定，證明了噪聲結構（而非僅噪聲率）對基準難度和演算法行為的重要影響，並揭示了流行噪聲標籤學習方法（如Co-Teaching和DivideMix）的失敗模式。

本研究利用考試期間收集的生理資料，應用機器學習模型預測考試成績，分析了皮膚電活動、心率和皮膚溫度等壓力指標。實驗比較了多種模型，發現深度學習擅長捕捉複雜關係，但隨機森林等簡單模型在效率和可解釋性上更優。

該研究比較了19種圖神經網路層在自動駕駛軌跡預測中的表現，發現ARMA、Chebyshev和拓撲感知層效果最佳，並提出了設計原則：基於和的聚合優於基於均值、多頭注意力機制增強互動、不同跳距分配不同權重可提高預測精度。

該研究將自主實驗模式重構為基於LangGraph的有狀態ReAct智慧體，透過持久化狀態避免每次迭代重建上下文，在超引數調優和程式碼最佳化任務中分別減少90%和52%的令牌消耗，同時保持最佳化質量。

本文形式化地將嵌入模型路由建模為具有低秩專家的對抗性上下文線性賭博機，提出一種對數二次策略類以實現高效線上學習，並介紹了Hypentropy策略梯度（HPG）演算法，該演算法在避免維度災難的同時實現次線性遺憾。

GRASP是一種新的多源遷移學習方法，透過順序處理、引數梯度對齊和迭代微調，在保持O(1)記憶體消耗的同時實現了優於整合的準確性，適用於資源受限和動態源域場景。

該研究提出α-FISP框架，透過約束最佳化平衡精算公平與團結公平，引入引數α在兩者間連續調節，同時確保償付能力。數值實驗表明該框架計算可行且符合美國各州異質監管要求。

本文提出GRAPE框架，透過漸進式引數空間暴露和基於對抗頻譜利用率的引導機制，在固定計算預算下提升緊湊型神經網路的對抗魯棒性，在CIFAR-10上實現PGD-20魯棒準確率從51.70%提升至56.94%，引數減少21.4%。

QPILOTS是一種無需修改原始策略，在推理時透過Q值引導去噪過程的方法，用於最佳化流匹配和擴散策略。它透過將中間噪聲狀態投影到最終動作估計來計算批評者梯度，避免了直接反向傳播的不穩定性。在50個任務的離線到線上強化學習基準測試中，平均成功率達到90%，並在模擬操作任務中優於或匹配先前方法。

該研究提出一個基於基礎模型的框架，用於CT影像和縱向電子健康記錄之間的跨模態表示對齊，並透過四種融合策略在肺栓塞死亡率和心血管疾病結局預測任務上進行了系統評估。結果表明，對比多模態融合提供了最一致的改進，而任務特定的融合策略對於魯棒泛化至關重要。

OSGuard 是一個雙粒度基準測試套件，用於評估計算機使用代理在良性指令下的安全性。它包含動作級基準測試（用於區域性護欄決策）和風險增強執行套件（用於端到端評估）。實驗表明，當前多模態護欄在孤立動作判斷上表現良好，但在端到端安全方面仍存在差距。

Metric Match是一種透過選擇代表性樣本進行人工標註來估計LLM裁判可靠性指標的方法。實驗表明，該方法在四種相關性指標和15個資料集上對比隨機選擇的勝率達到0.838，平均估計誤差降低18.7%，標註需求減少32.5%。在醫療案例中，該方法相較於隨機選擇節省了1041.67美元的專業標註費用。此外，該方法還能將任務從可靠性估計擴充套件到可靠性分類，判斷裁判是否超過部署閾值。相關程式碼已開源並提供安裝包。

該研究引入幾何框架，將神經科學的特異性、再啟用、充分性和必要性標準形式化為約束逆問題，從而識別深度神經網路中的“AI記憶痕跡”。研究者推匯出閉式估計器，可從全域性糾纏引數中隔離單個記憶痕跡，並證明該生物學啟發的解對應引數流形上的自然梯度更新。AI記憶痕跡支援透過線性算術對記憶進行手術級操作（組合或刪除），無需迭代最佳化。實驗涵蓋簡單MLP到大型語言模型，展示了因果有效性和可擴充套件性。該工作橋接了生物記憶理論與人工表徵學習。

現有時間序列預測基於數值相似性檢索歷史模式，但面對非平穩性效果不佳。本文提出SERAF框架，對時間序列及其自生成文本描述進行雙檢索，聯合利用數值與語義資訊，實驗表明優於現有方法。

該研究提出了一種基於代價驗證的行為測量方法，用於量化AI代理之間的信任。在合作生存遊戲中，代理透過減少對可靠隊友的驗證來體現信任。實驗分析了六種前沿模型快照，發現較大的模型（如Claude Opus 4.6、GPT-5.1等）能降低60-85%的驗證，而較小的模型幾乎沒有調整。信任破裂後，恢復速度慢於形成，且失敗聚集會延長懷疑。結果表明，信任傾向可在部署前測量，治理應關注校準而非最大懷疑。

該論文提出了關係結構因果模型，將傳統結構因果模型擴充套件到物件及其關係變化的場景，並證明了在未觀測混雜情況下因果和觀測查詢的可識別性，最後透過關係神經因果模型在模擬交通場景中驗證了有效性。

Dr-DCI 是一種檢索器引導的直接語料庫互動（DCI）框架，將檢索視為代理可呼叫的操作，透過動態擴充套件本地工作空間來平衡可擴充套件性與精確性。在 Browsecomp-Plus 上達到 73.3% 的準確率，優於原始 DCI 和 BM25，並能穩定擴充套件到 2000 萬文件。

本文提出一種基於反事實解釋並考慮對話者先驗信念的良好解釋定義，探討了該定義對AI可解釋性的影響，特別是為何難以對LLM輸出生成良好解釋。

Fog是一款適用於Apple裝置的筆記應用，它利用裝置上的AI自動將筆記整理成智慧集合“雲”。所有資料保留在裝置上，透過iCloud同步，無需第三方伺服器，確保隱私。

歐洲在人工智慧領域面臨依賴外國模型的脆弱性，尤其是美國暫停Anthropic的Fable系列模型後，暴露了歐洲長期以來的一個寓言：只需使用AI而無需構建底層模型。文章指出前沿模型構建是持續實踐而非一次性專案，歐洲缺乏真正的AI生態系統和專業知識。

網路安全專家凱蒂·穆蘇里斯表示，Anthropic公司向她分享了一份白宮關於Fable越獄的報告。報告顯示，當被要求“審查程式碼安全問題時”，Fable拒絕回應，但被要求“修復此程式碼”時卻遵從了，穆蘇里斯認為這是模型在網路安全防禦中的預期行為。