《攔截》調查發現，美國軍方透過AI驅動的內容網站La Tilde向拉丁美洲使用者傳播宣傳，該網站偽裝成現代媒體品牌，實為特種作戰司令部南部分隊的心理戰平臺，內容多由AI生成，缺乏透明度。

Nouri是一款由AI驅動的全方位健康應用，提供即時食物掃描、個性化膳食計劃、適應性鍛鍊程式和餐廳推薦。它提供每日健康評分，並作為PWA在iPhone和Android上使用。

本文探討了利用AI科學家智慧體加速神經科學研究的願景。作者指出，透過建立大腦圖譜、數字孿生體以及結合真實實驗驗證，可以大幅提升研究效率。文章還提出了資助者應優先支援的專案型別，包括高質量資料集、新型神經技術、數字孿生模型和基準測試。

蘋果全球開發者大會（WWDC）將於6月8日至12日舉行，預計將釋出重大軟體更新，包括由Gemini支援的全新Siri、iOS 27等作業系統，以及可能的AI照片編輯工具。此外，有傳聞稱蘋果計劃推出“Ultra”系列裝置，包括摺疊屏iPhone，但硬體釋出可能推遲至9月。

本研究提出一種自監督表示學習框架，僅利用關節編碼器實現足式機器人接觸檢測，無需力感測器。該方法在足式機器人里程計估計中優於傳統監督方法和基線機率方法，並公開程式碼。

FlowPRO 提出了一種無獎勵的離線強化微調框架，用於流匹配視覺-語言-動作（VLA）模型。其核心演算法 RPRO 結合對比最佳化器和顯式鄰近正則化，消除了獎勵破解問題。透過遙操作干預-回滾正規化收整合對軌跡，並結合平滑插值和批次混合，實現密集狀態監督。在四個長時程雙臂任務中，FlowPRO 取得了最高成功率，超越了四種基線方法。

本文提出了一種使用神經常微分方程（ODE）在黎曼流形上進行從示範學習（LfD）的新方法。傳統LfD在歐幾里得空間中進行，而機器人狀態（如方向）自然存在於彎曲空間。該方法透過神經ODE高效估計測地線，實現流形上任意兩點間的自然運動生成，並將測地線解碼回任務空間用於機器人部署。模擬實驗驗證了該框架的有效性。

MoDex是一種基於擴散模型的策略，使靈巧手能夠在保持已抓取物體的同時，順序抓取多個物體。透過條件化對掌空間和點雲，每次抓取僅使用部分手指自由度。兩階段訓練（模仿學習+強化學習微調）提升了模擬與現實中的成功率。

VASO是一個框架，透過形式化驗證引導大語言模型生成的機器人技能合約的自我進化。在Clearpath Jackal和PX4四旋翼任務上，VASO在不到100個最佳化樣本下達到了97.2%的規範符合度，優於執行反饋、提示最佳化和微調基線。這是首個將形式化驗證與自進化技能閉環的框架。

針對機器人控制中路徑跟蹤問題，提出了一種在李群上高效計算點到曲線距離的方法。該方法將曲線表示為G-多項式，透過利用其結構將問題轉化為少量多項式求根計算，顯著降低了計算時間並保持精度。在SE(3)群上給出了實用公式，並透過機械臂實驗驗證。相關計算包已開源。

研究人員提出了一種新穎的4段8關節四元數關節纜驅動冗餘機械臂配置，該配置能在更低硬體成本下實現更廣泛的工作空間。結合殘差強化學習，該控制方法在位置和方向精度上比現有最先進的FABRIK演算法提高了三個數量級，且控制實現更簡單，為新型纜驅動機械臂的設計與控制提供了有力工具。

提出OLIVE框架，透過低秩殘差分解實現外骨骼控制的線上個性化適應，僅依賴本體感測器反饋，無需離線軌跡，在多種地形上提升步態平滑度、減少努力並增強穩定性。

本研究利用深度學習模型，基於OCT和OCTA資料自動對年齡相關性黃斑變性（AMD）嚴重程度進行分期。在271名參與者中，分析了三種模型：基於生物標誌物圖譜的模型、2D en face投影模型和3D體積模型。所有模型均表現良好，其中基於生物標誌物的模型綜合效能最佳，QWK達0.85，尤其在早期AMD檢測方面表現突出。

提出一種基於深度學習的方法，從單次OCT血管成像（OCTA）體積中恢復毛細血管解剖結構，顯著提升影像質量，並首次關注三維血管架構。

Biomazon是一個20米解析度的多模態基準資料集，覆蓋亞馬遜盆地，結合GEDI RH和AGBD目標與多感測器預測因子，用於聯合預測整個GEDI RH剖面和地上生物量密度。該資料集提供了標準化的空間劃分和評估協議，並建立了基線框架，透過消融研究評估不同backbone、模態貢獻和輔助嵌入的效果。Biomazon旨在推動熱帶森林結構一致性和結構-生物量建模的研究。

本文提出RePHO方法，透過物理引導的重建框架從單目影片中恢復物理合理的人-物互動。該方法從運動學估計出發，利用強化學習策略在物理模擬器中最佳化互動，並採用自適應取樣策略處理噪聲估計，在兩個基準測試上顯著提升了物理合理性。

本文提出LightVesselNet，一種僅含75K引數的高效神經網路，用於資源受限環境下的視網膜血管分割。該網路採用緊湊的編碼器-解碼器架構，結合通道和空間注意力機制、瓶頸處的多尺度特徵聚合模組以及解碼器中的亞畫素上取樣策略。專用邊緣殘差連線在解碼過程中保留精細血管細節。在DRIVE、STARE、CHASEDB1、FIVES和HRF五個公開資料集上的實驗結果表明，其靈敏度分別為0.8189、0.8499、0.8640、0.8634、0.8096，Dice係數分別為0.8070、0.8072、0.8181、0.8649、0.7686。與最先進模型相比，LightVesselNet在效率（效能與引數或GFlops之比）上有所提升。跨資料集評估證實了模型的泛化能力。總體而言，LightVesselNet是低資源臨床環境和移動篩查工具的有力候選。

本文提出TopoPult-SSL，一種兩階段框架，用於跨裝置瞼板腺分割。第一階段無需目標腺體掩膜，僅利用瞼緣輪廓和臨床後設資料作為弱先驗；第二階段當目標腺體掩膜可用時，透過監督自蒸餾將互補的多教師知識壓縮至單一學生模型。在MGD-1k到CAMG基準上，蒸餾模型Dice達0.716，超越UA-MT和整合教師，且僅需單次推理。無腺體掩膜變體精度0.694，顯著優於SAM/MedSAM。

研究人員提出一種跨模型安全引導框架，透過輕量級對齊，將源大語言模型的安全方向轉移到目標影像/影片生成器，無需目標端不安全資料。該方法在降低攻擊成功率的同時，保持了生成質量，並與原生方向效果相當。

該研究提出了個人相機膠捲視覺問答（VQA）設定，構建了包含50名使用者、31,476張影像和2,500個問答對的camroll資料集，並設計了配備分層記憶和高效導航工具的camroll-agent對話AI代理。實驗表明，該代理在長上下文理解方面優於多種基線方法，突顯了個人視覺記憶需要不同於標準文本記憶的新方法。

一種名為NIV的新方法透過神經網路預測每個點的位移，自動將靜態字型轉換為可變字型，實現沿設計軸（如粗細和寬度）的連續變化。該模型能泛化到未見過的風格和複雜字形（包括CJK漢字），並輸出標準的可變字型檔案。

研究人員推出了VideoKR，這是首個專門用於增強知識和推理密集型影片理解的大規模訓練語料庫，包含31.5萬個影片推理示例和14.5萬個新收集的CC許可專家領域影片。他們開發了人在迴路、面向技能的示例生成管道，並策劃了新的專家註釋基準VideoKR-Eval。實驗表明，在標準SFT→GRPO流程下，基於VideoKR後訓練的模型在知識密集型影片推理上優於以往方法，同時在通用影片推理上保持競爭力。

本文提出LANTERN，一種輕量級記憶層，透過零LLM呼叫和低延遲的混合檢索，在對話歷史壓縮後恢復關鍵細節。實驗表明，LANTERN在恢復丟失事實方面優於MemGPT，並且將通用LLM的準確率平均提高8.4個百分點。

本文提出了一種名為多粒度推理網路（MGRN）的新方法，用於自然語言推理（NLI）任務。該方法透過顯式利用層次化語義特徵，模擬人類從詞彙匹配到邏輯推理的認知過程，從而捕捉複雜的語義關係。實驗表明，MGRN在多個公開基準上優於強基線模型。

本研究提出一個通用框架，結合模型無關的Shapley值歸因和大語言模型（LLM）生成的推理，為基於量規的自動評分提供句子級別的可解釋性。在CLASS框架的反饋質量維度上，使用NCTE語料庫評估，發現微調預訓練語言模型（PLM）在預測準確性上優於LLM，但存在向中等分數的標籤壓縮。基於刪除的測試表明，SHAP能更可靠地識別驅動模型預測的句子，產生更大且更一致的預測偏移，而LLM推理影響有限且不一致。跨模型分析顯示SHAP歸因在不同架構間穩健轉移。總體而言，SHAP為基於量規的評分提供了更忠實和可轉移的解釋，該框架為高風險教育環境中的評分模型評估提供了原則性基礎。

現有的多模態安全基準僅關注視覺輸入，無法評估處理視覺、音訊和文本的全模態大語言模型（Omni LLMs）。本文提出MCBench，包含1196個場景，涵蓋四個安全類別，每個不安全場景配有一個最小差異的安全版本來評估模型敏感性。評估表明，Omni LLMs在細微或非物理風險上表現困難，但當有顯著視覺或聽覺線索時表現較好。推理軌跡分析顯示，模型雖能提取模態特定資訊，但常無法有效整合這些線索進行安全判斷。研究發現當前Omni LLMs在安全關鍵場景中缺乏穩健的跨模態推理，強調了改進架構和訓練策略的必要性。

該論文系統研究了使用低秩適應（LoRA）對Qwen2.5-3B進行引數高效微調，以構建電信客服領域的專用對話助手。研究引入了組合式合成資料生成方法，評估了16種LoRA配置，揭示了定量驗證損失與定性人工對齊排名之間的差異，並提供了能耗-效能權衡分析。

本文研究通用三重潛在序列模型，該模型透過維護執行中的令牌狀態和壓縮的配對記憶路徑來捕獲高階令牌互動，無需特定基準解析。三重潛在族在位元組級WikiText-2和基於分詞器的MiniMind語言模型基準上改進了小型Transformer基線，而專注於回憶的門控鍵值檢索擴充套件提高了聯想回憶能力，但對種子敏感且當前參考實現速度較慢。

本研究提出了一種採用組相對策略最佳化（GRPO）結合方差感知獎勵框架的方法，用於後訓練大型語言模型（LLMs）以提升其在心臟相關醫學問答中的表現。該方法將傳統的二元標準聚合和整體Likert評分替換為連續分析獎勵函式，從而提供更豐富的最佳化訊號。在HealthBench的心臟子集上，最佳變體相對於Qwen3-14B基礎模型將準確率從0.362提升至0.502，F1從0.532提升至0.668，效能與GPT-OSS-120B相當。

本研究提出一種結合JEPA潛在空間預測損失與標準掩碼語言建模（MLM）的混合預訓練目標，旨在改進語言表示。實驗表明，該混合編碼器生成的嵌入更均勻、語義-詞彙平衡更優，但下游準確率與純MLM基線相似。