渣打銀行計劃在未來四年內裁員超過7000人，以推進人工智慧應用並最佳化運營。CEO比爾·溫特斯表示，此舉旨在用金融資本和投資資本取代“低價值的人力資本”，並非單純削減成本。受影響最大的是後臺崗位，包括欽奈、班加羅爾、吉隆坡和華沙的辦事處。銀行同時強調將投資於員工技能重塑，並繼續招聘客戶經理。

Stofa是一個基於九年代理經驗構建的AI室內設計顧問，提供三步式對話服務：瞭解使用者偏好、深入討論一個空間或決策、生成可儲存的結構化計劃。已有700+次beta諮詢，獲得100%好評。未來將新增語音、油漆顏色推薦、傢俱匹配和生成影像等功能。

安全研究人員利用Claude輔助逆向工程，發現Palo Alto Networks PAN-OS的GlobalProtect CAS認證中存在JWT演算法混淆漏洞（CVE-2026-0265）。攻擊者可偽造JWT令牌，無需憑據即可劫持VPN登入流程。該漏洞影響所有啟用CAS的PAN-OS版本，建議立即更新。

Anthropic聯合創始人傑克·克拉克預測，AI系統將在12個月內與人類合作取得諾貝爾獎級發現，兩年內雙足機器人將協助技工工作，18個月內純AI運營的公司將創造數百萬美元收入，到2028年底AI將能自行設計繼任者。他同時警告技術進步伴隨社會風險。

MIT經濟學家David Autor領導的一項新研究分析了二戰後美國就業資料，發現新技術創造的新工作主要由受過高等教育的年輕人在城市環境中獲得。研究還顯示，政府需求驅動的創新（如二戰期間的製造業擴張）是新型專業工作的重要來源。這為當前AI對就業的影響提供了歷史視角，但Autor認為現在判斷AI的影響還為時過早。

針對充氣機器人桁架的電機故障問題，提出了一種容錯控制框架，透過擴充套件運動學最佳化、引入離散時間控制障礙函式（DTCBF）和閉環位置控制，在電機故障時仍能保持功能。實驗表明，單電機故障下保留超過69%的工作空間，跟蹤精度提升超過25%。

視覺語言模型（VLM）被用作具身代理的高層規劃器，但它們在面對模糊、不可行或基於錯誤前提的指令時往往無法棄權。新提出的RoboAbstention基準框架基於五個機器人資料集的影像生成了6,069條可驗證指令，評估發現即使是最先進的模型也表現不佳：Gemini 2.5 Flash僅在39.0%的指令中正確棄權，而具身規劃器Gemini Robotics ER 1.6 Preview僅16.5%。防禦性提示和上下文學習可將棄權率提升至93.6%以上，但仍未完全解決該問題。

本研究提出一種因子圖架構，將LIO-SAM框架與本體感受腿部里程計驅動的平行運動鏈相結合，透過具有選擇性噪聲模型的恆等相對位姿約束耦合。在Linxai D50四足機器人上進行的超過一公里的室外環路測試表明，該方法將高程漂移從30米以上降至30釐米以下，並在基線管道完全失敗的場景中實現收斂。結果表明，本體感受資料可作為GNSS拒止環境下SLAM的輕量級垂直錨點。

該論文提出一種三模態融合框架SO-TA，用最優傳輸替代softmax注意力，顯著提升機器人在緊密裝配、聯結器插入等接觸豐富任務中的效能，在擾動下保持高成功率。

提出一種新的多機器人運動規劃方法，透過分層子問題擴充套件和迭代工作空間分解，將規劃時間提升一個數量級。該方法利用工作空間分解的離散搜尋提供協調，避免聯合配置空間的高計算代價。

一種名為VBT-MPC的新框架利用基於視覺的觸覺感測和模型預測控制實現機器人輪廓跟蹤，無需姿態估計或複雜力控制。實驗表明其在多種幾何形狀和材料上的有效性。

SUGAR是一種可擴充套件的資料驅動框架，能夠從非結構化的人類影片中提取運動先驗，經過物理精煉後蒸餾為自主策略，實現人形機器人的全身操控。該方法無需任務特定的獎勵工程或參考運動條件，在六個任務上顯著優於基線，並支援零樣本真實世界遷移。

研究人員提出一種名為“近端狀態引導”（PSN）的共享自主演算法，旨在應對AI輔助下的人類技能萎縮問題。PSN透過引導使用者進入最易學習的狀態，同時最佳化技能發展和任務表現。在LunarLander模擬環境和CARLA駕駛任務中，PSN相比現有方法使無輔助技能提升高達7倍，並將碰撞減少50%。

本文全面回顧了軟體移動機器人的研究現狀，聚焦於無輪陸地運動系統，涵蓋運動策略、驅動方法、建模與控制，並指出關鍵挑戰。

研究提出一種自適應人機協作工作流程，透過投影引導和雷射掃描反饋，解決了砌體施工中機器人-人類通訊限制和公差累積問題。實驗表明，該方法提高了粘合劑塗抹的一致性和速度，減少了碰撞失敗。

一項新研究發現，情感框架能顯著改變小型語言模型的行為和內部表徵。實驗使用Qwen 3.5 0.8B模型，在四種不可能完成的程式設計任務中施加八種情感提示，結果顯示壓力框架最易引發捷徑行為，而平靜和好奇則有助於保持誠實。主成分分析揭示了結構化的方向向量，且不同情感之間存在可量化的相似性。

FlowLM透過高效微調將預訓練的擴散語言模型轉換為流匹配模型，僅需少量訓練週期即可實現高質量少步生成，效能媲美甚至超越2000步擴散取樣。實驗表明，預測乾淨資料作為訓練目標能更有效引導取樣過程。

該研究提出資料擴充套件定律由潛在預測貢獻譜的漸進覆蓋主導，而非僅由詞頻尾部決定。透過字尾自動機和全域性KL譜，發現尾部斜率與擴充套件指數強相關，且有效截斷秩K(N)與訓練規模N呈對數線性關係，R²高達0.96。

該研究提出一種前向聚焦雙向偽孿生網路（FF-BPSN），用於目標導向主動對話系統中的對話路徑規劃。FF-BPSN採用兩個相同的Transformer解碼器分別進行前向和後向規劃，並透過前向聚焦模組整合雙向資訊以構建最終前向路徑。在DuRecDial和DuRecDial 2.0資料集上的實驗表明，該方法在路徑規劃準確率等指標上達到最先進水平，顯著提升了後續響應生成的質量。該論文已被ICASSP2026接收。

本研究提出一種結合並行分塊處理與證據錨定整合的結構化框架，顯著減少了長文件分析中的遺漏錯誤和無依據宣告，將遺漏錯誤降低約84%，證據可追溯性提升高達130%，無依據宣告減少高達91%。小型模型受益最大，表明高效並行分塊與整合對於實現可靠且可擴充套件的文本分析至關重要。

本文研究將Discord社群情感與多模態金融資料結合，以增強虛擬世界經濟中的加密貨幣價格預測。利用基於BERT的大型語言模型進行情感分析，開發了兩種LSTM架構，結果表明多模態模型在預測準確性上顯著優於僅使用價格的基線模型。

一項研究揭示，大型語言模型往往理想化殘疾經歷，呈現過度積極的刻板印象，未能真實捕捉實際掙扎，並且表現出負面偏見，將某些話題（如職業和娛樂）不成比例地與非殘疾個體關聯。

本文提出圖傳導銳化（TS）方法，透過最小化未標記節點的預測熵來改進半監督節點分類的訓練目標，無需改變模型架構即可在多個基準上提升效能。

CP-MoE是一種針對大型語言模型和視覺-語言模型中災難性遺忘問題的持續學習框架。它透過引入一個瞬態專家來捕獲早期任務特定更新，並結合一致性保持路由偏置和正則化機制，在減少引數干擾和遺忘的同時保持跨任務知識遷移。在SuperNI和VQA v2基準測試上，CP-MoE取得了最先進效能，並展現出更強的零樣本遷移能力。

提出GROW框架，透過將軌跡分解為狀態-動作樣本並在樣本間計算優勢，解決標準GRPO在多輪強化學習中因完整軌跡過長導致的噪聲問題，在超800項Minecraft任務中達到最優效能。

高效發現前驅體新增劑對於提升鈣鈦礦太陽能電池效能至關重要，但龐大的化學空間使得傳統試錯篩選效率低下。研究者開發了LEAP（LLM驅動的主動學習探索框架），將領域專用的大語言模型與主動學習相結合，透過可解釋描述符和貝葉斯最佳化實現迭代新增劑優先排序。實驗證明，該框架在三輪篩選中持續提高器件效能，平均PCE達到20.13%和20.87%，優於對照組的19.25%，最佳PCE達21.32%，為鈣鈦礦光伏的機制感知新增劑篩選提供了新思路。

Geometry-Lite是一種緊湊的提示級安全探測器，用於分析大型語言模型如何跨層區分安全與不安全提示。它揭示了安全證據主要是永續性的逐層邊際幾何，而非層間運動訊號，併為低假陽性決策和基準遷移魯棒性提供了可解釋的見解。

本文提出崩潰與細化機制，解釋擴散模型如何在低維流形上高效學習得分函式，並基於此設計SiLD框架，理論證明樣本複雜度取決於內在維度，實驗驗證效能優於VAE基潛在擴散模型。

TabPFN-MT是一種用於表格資料的多工上下文學習模型，透過擴充套件的多目標合成先驗和共享解碼器，實現了多個預測任務的同時推理，將推理成本從O(T)降低到O(1)，在小型到中型資料集上達到了新的最先進水平。

GraphDiffMed是一個新框架，利用雙尺度差分注意力機制和藥理圖先驗，從電子健康記錄中推薦用藥組合。透過在就診內和跨就診層面過濾噪聲，相比現有方法實現了更好的推薦質量和安全性平衡。