深度偽造檢測系統在基準測試中近乎完美，但法醫部署需要可靠的不確定性估計。現有不確定性量化方法依賴單一來源，忽略了最優不確定性組合因架構而異。本文提出相關性最佳化融合（COF），一種架構自適應框架，透過最大化融合不確定性分數與預測誤差之間的皮爾遜相關性，融合五種互補的不確定性來源：認知、偶然、校準、共形和分佈。COF無需修改模型，僅需42秒權重最佳化，而5模型深度整合需要20-45小時。在FaceForensics++上對11種架構的評估揭示了根本性權衡：在匹配訓練/評估協議下，非線性方法域內相關性比COF高約5-6%（平均r=0.438），但在分佈偏移下情況反轉。在CelebDF上，COF在9/11架構上優於隨機森林，相關性最高提升7.3倍（MaxViT-B：r=0.249 vs 0.034）；RF跨域退化85%至r=0.071，而COF保留更多訊號（下降74%至r=0.116）。跨資料集評估（CelebDF和DFDC）顯示所有方法均出現災難性泛化失敗：域內相關性0.41-0.47降至外部接近零（平均退化90.7%），11種架構中有7種出現不確定性反轉。這些結果將COF確立為可控分佈部署的實用可解釋框架，並指出域自適應UQ是法醫部署的核心開放挑戰。

ViSAE是一個基於神經科學原理的工具箱，透過概念電路解釋和引導視覺Transformer（ViT），顯著提升可解釋性和最差組準確率。

DIRECT框架透過將插入條件分解為外觀、幾何和上下文引導，實現了可控制姿態的物件插入，在幾何控制和視覺質量上優於現有方法。

本文提出DTG-FF方法，在前向-前向（FF）學習框架上實現了多個真實資料基準的最優效能，但發現：在真實資料上，反向傳播（BP）仍顯著優於FF，且差距隨類別數增加而擴大；合成任務高估了FF的可擴充套件性；在同等硬體條件下，FF的記憶體優勢並不成立。

WorldBench是一個新的多模態推理基準，旨在評估多模態大語言模型在視覺多樣性方面的表現。它透過構建包含數千個視覺概念的分類體系，從搜尋引擎和現有資料集中精選影像，並設計前沿模型難以回答的問題。評估15個模型顯示，最強模型準確率僅64%，部分模型接近隨機水平，突顯了視覺多樣性在基準測試中的重要性。

提出AE-YOLO框架，透過整合輕量瓶頸自編碼器、CBAM和方差最大化正則化，解決無人機影像中絕緣子缺陷檢測的類不平衡、尺度變化和小目標問題。在資料集上達到95.10% [email protected]，超越YOLO基線5.0點。

該論文提出利用U-net和DeepLabV3+卷積神經網路架構，對混合現實中的駕駛艙影像進行前景與背景分割，以增強虛擬與現實影像的融合。在CAT793F礦用卡車模擬器採集的影像上實現了約90%的分割準確率。

本研究提出線上策略擴散語言模型（OPDLM），透過線上策略蒸餾（OPD）將自迴歸模型轉換為擴散語言模型，解決了傳統方法中的分佈偏移問題。實驗表明，OPDLM在多種任務上僅需15到7000分之一的訓練資料即可達到強效能，將DLM轉換定位為ARLM的後訓練步驟。

網路代理在長週期任務中每步動作都讀取完整DOM（通常數萬token），導致上下文逐漸退化。本文提出訊號驅動觀察（SDO）：專用子呼叫讀取完整DOM但只返回任務相關元素，僅當輕量訊號檢測器觸發時重新呼叫。作者呼籲將觀察壓縮作為核心架構決策。

一項研究分析了來自75個國家1500份開放式回答，發現人們對AI的偏好高度多樣且矛盾。除“真實性”外，多數價值觀被不到四分之一的受訪者提及。即使“真實性”也被賦予不同含義，有些要求來源可查，有些要求專家意見，還有些要求不受歡迎的觀點。某些AI能力，如擬人化行為，存在爭議。研究指出當前RLHF對齊方法存在根本缺陷，將情境化、有爭議的訊號壓平為普遍偏好模型，構成“認知暴力”。

提出搭便車假設，認為聊天模板標記可以將微調行為搭便車到域外查詢上。透過字首擾動驗證，並提出了標記正則化微調（TReFT）來緩解湧現性錯位。實驗表明，TReFT在保持領域內學習的同時顯著減少錯位，支援該假設。

從自然文本中形式化複雜推理是計算語言學的核心挑戰。當前的論證挖掘技術能識別基本主張和前提，但難以捕捉更豐富的結構資訊。CAF-Gen是一個自動化多智慧體框架，透過迭代的建立者-審查者流水線，將淺層論證結構豐富為符合卡尼德斯論證框架（CAF）的模型。實驗表明，迭代反饋迴圈提高了資料質量，並與原始標註高度一致。

該研究透過詞元級不確定性訊號識別語言模型推理失敗的兩種不同過程：承諾性失敗（模型早期鎖定錯誤路徑）和持續性不確定（不確定性持續累積）。框架在23個模型-資料集配置中驗證，20例透過可證偽預測，並展示了對自一致性方法的改進。

UnpredictaBench是一個新的基準測試，用於評估大型語言模型（LLM）捕捉真實底層分佈的能力。隨著LLM越來越多地被用作其他實體的替代品（例如，在經濟模擬中替代人類），許多模型傾向於收斂到單一合理答案，無法捕捉真實系統的不可預測性。該基準包括448個問題，涉及典型統計分佈、隨機程式誘導的分佈以及描述隨機過程的自然語言場景。採用KS@N指標，透過Kolmogorov-Smirnov檢驗量化模型輸出近似黑盒目標分佈的程度。實驗表明，模型表現差異很大，KS@100得分從接近0到超過20%，沒有模型能超過40%。新增推理能力可以略微提高得分，但無法根本解決。UnpredictaBench表明，即使是簡單的分佈模擬仍然具有挑戰性，是使用LLM作為複雜系統替代品的必要第一步。

該研究透過收集550段人類對話及三個階段的判斷資料（提取、配對、響應），揭示了大型語言模型在個性化任務中依賴合成資料與真實人類資料之間的效能差距。模型在提取使用者屬性時表現不佳，與人類判斷存在分歧，生成的個性化響應在人類評價中並不優於通用響應。引入兩種輕量級訓練干預能改善前兩個階段，但獎勵模型與人類評分的相關性仍然有限。

大型語言模型在英語訓練中編碼了大量世界知識，但在其他語言中表達這些知識時常常失敗，即跨語言事實不一致。本文提出PolyFact資料集（10萬條Wikidata事實，12種語言），比較了輕量持續預訓練（CPT）、監督微調（SFT）和基於GRPO的強化學習。結果表明GRPO顯著優於SFT和CPT，提高了跨語言一致性和對未見語言的泛化能力。機制分析顯示GRPO透過減少MLP層和注意力頭的語言專門化，促進了共享跨語言表示。程式碼、模型和資料集已開源。

一種名為GPLFR的新模型，結合壓縮與預測，透過高斯過程先驗和低維潛在狀態解碼高維輸出，適用於低資料量場景。首次用於構建岩石系外行星全球氣候模型的空間分辨模擬器。

研究發現，大語言模型（LLM）的層可以被動態跳過或重複，形成針對每個輸入的定製程式，通常用更少的層就能達到相同或更高的準確率。透過輕量級預測網路，PoLar方法在數學推理基準上持續優於標準推理和先前動態深度方法。

本文論證當前次於AGI能力的生成模型對知識生產與文化傳承構成結構性風險。人類時間性學習（HTL）是指透過持續投入時間解決問題的路徑依賴式知識積累。生成模型的輸出在表面特徵上日益接近HTL密集型成果，導致驗證真實人類學習的成本相對於預期收益不斷上升。一旦驗證失去經濟合理性，評估者將獎勵所有產出而不區分生產方式，投入多年學習的人類生產者被迫與幾乎零成本的生成輸出進行價格競爭。作者將這一路徑稱為“價值崩潰”，並透過高成本檢驗框架加以形式化。跨學科證據（學術出版、法律實踐、內容平臺、軟體安全）對映出四個驗證侵蝕階段。模型對齊的成功反而是正交因素：更優對齊縮小了人類與AI輸出之間的可觀察差距，使來源驗證更加困難，從而加劇了對HTL密集型工作的競爭壓力。

符號迴歸（SR）是一種系統搜尋數學函式空間以發現資料中潛在關係的方法。儘管近期取得進展，但缺乏不確定性量化（UQ）支援限制了其在實際決策中的應用。本文首次系統性地介紹了UQ概念，並回顧了SR中UQ的現有文獻，主要分為頻率學派、貝葉斯和模型選擇三個方向。研究強調，SR中的UQ仍未被充分探索，需要進一步開發可靠的方法。

本文提出WAV v1，一種輕量級多解析度殘差路由方法。標準殘差流使用固定權重聚合，而近期方法透過內容相關路由改善，但塊級摘要丟失了注意力與MLP不平衡等方向性結構。WAV v1為每個塊新增相位基和分裂基兩個方向細節基，與塊摘要一起透過深度softmax混合器路由，並採用負細節源初始化和分離RMS匹配穩定訓練。在字元級TinyStories和Text8語言建模上，WAV v1在12層時效果不顯著，24層具有競爭力，48層顯著優於所有基線，驗證損失分別從0.4960降至0.4738和從0.9363降至0.9305，引數增加可忽略。結果表明方向性殘差細節對於深層Transformer的殘差路由縮放至關重要。

MacArena是一個新的基準測試，包含421個手動驗證的任務，涵蓋50個應用程式，專門用於評估macOS上的計算機使用代理（CUA）。它結合了OSWorld和macOSWorld的任務以及49個新的macOS原生任務，執行在Apple Silicon的原生虛擬化框架上。評估表明，macOS帶來了獨特的GUI挑戰，模型在現有基準上的表現並不能反映其跨平臺能力，排名在移植任務和macOS原生任務之間發生反轉，領先模型在MacArena子集上落後超過26%。

新研究提出MSFAN深度學習架構，結合太赫茲雙梳光譜技術對12種聚合物進行分類，準確率達85.2%，有望提升塑膠回收分揀效率。

擴散大語言模型(dLLMs)在迭代精煉令牌時存在“穩定滯後”問題，早期決策即使已提交仍很脆弱。後訓練量化(PTQ)錯誤容易翻轉這些邊界決策並永久鎖定放大。為此，本文提出FAIR-Calib，一個兩階段PTQ框架：第一階段探測全精度教師以估計結合前沿命中與掩蔽階段可靠性的位置先驗；第二階段透過最小化重加權隱藏狀態MSE執行離策略逐層校準，優先保護脆弱的前沿狀態。理論上證明加權目標是輸出KL散度的代理。實驗表明，FAIR-Calib在LLaDA和Dream模型上持續優於最先進基線，顯著減少了前沿決策翻轉和後提交不匹配。

本文提出Elmes*框架，用於自動構建、最佳化和應用於教育場景的細粒度評估標準。透過多智慧體引擎和自進化模組SceneGen，構建了涵蓋11個學科、3個年級段、10種任務型別、超1000個二級指標的Edu-330基準。實驗表明教育能力是多維的，頂尖LLM在創造力和價值觀整合上差異顯著，知識型模型可能在蘇格拉底式引導中失敗，教育專用模型InnoSpark取得最佳人工評分。LLM評估者保持與人類相當的排名，但存在自我偏好等偏差。該框架為基於教學法的LLM評估提供了可擴充套件的診斷基礎設施。

本文研究了並行連續區域性搜尋（CLS）在布林可滿足性問題（SAT）中處理對稱偽布林約束時的應用。透過將問題鬆弛為超立方體上的連續最佳化，實驗發現冗餘約束會阻礙收斂；CLS在混合求解中能快速完成部分賦值；區域性搜尋由於目標函式鞍點密集而迅速收斂到穩定解質量分佈。這些發現為在加速器硬體上使用CLS求解SAT提供了實際指導。

本文介紹加速傅立葉SAT（AFSAT），一種基於連續區域性搜尋（CLS）的GPU加速偽布林可滿足性求解器。AFSAT將概念驗證方法FastFourierSAT發展為完全工程化的求解器，支援任意異構對稱約束型別和長度的混合。利用JAX編譯器，透過純函式組合、自動向量化、自動微分和即時編譯實現大規模並行CLS。與概念驗證相比，AFSAT在數值穩定性、執行時效能和記憶體效率上顯著提升，透過解決記憶體延遲和浮點表示限制，以及利用自動並行化和緊湊表示實現。定製的離散傅立葉變換部分解決了浮點限制，透過JAX陣列分片實現多加速器近線性擴充套件。

本文主張，AI科學應超越僅分析事後模型的研究正規化，轉向研究訓練過程中模型行為產生的動態機制。透過預測早期訊號、干預異常軌跡及設計可靠的訓練流程，實現更深入的AI理解。

CARVE-Q是一種量子-AI混合架構，用於對自動駕駛中被否決的機動進行經過認證的修復。它利用量子最小搜尋加速修復列舉，同時保持安全認證的經典性，實現了可證明的加速和100%的合規性。

一項新研究表明，在代理型AI控制評估中，如果攻擊者戰略性地選擇攻擊時機，系統的實測安全性會顯著下降。研究人員將攻擊決策分解為開始和停止策略，並在BashArena和LinuxArena兩個環境中驗證，發現即使審計預算僅為1%，攻擊選擇也能使安全性降低20至28個百分點，且不改變攻擊能力本身。現有評估可能高估了系統的安全性，未來應納入攻擊選擇因素以得到更現實的評估。