一種名為V-Steer的新方法透過在推理時編輯快取的值向量來強制執行語言模型中的指令層級，在角色衝突基準測試中將主要約束準確率從不足18%提升到92%，且無需訓練。

本研究針對AI生成詩歌與人類詩歌難以區分的問題，提出了一種零樣本檢測流程，透過提取關鍵屬性來改善分類準確性，並減少訓練需求。

該研究評估了內容稽核中不同干預位置和響應重寫的端到端效果，提出了有用性和有害暴露兩個客戶結果指標。結果表明，僅響應過濾在僅過濾場景下有用性最高，而輸入+響應硬阻塞有害暴露最低。響應重寫可以恢復大部分被阻塞流量且不增加有害暴露。探針路由相比LLM路由顯著降低延遲。重寫透過泛化觸發語言平衡過濾器透過率和有用性，但在敏感領域可能遺漏安全支援資訊。研究支援根據部署場景制定稽核策略。

DuplexGen是一個透過校準LLM預測與少量人類偏好註釋來生成場景自適應輪流對話的框架。實驗表明，該方法在六個合作與競爭任務中比未校準的提示或通用資料訓練更符合人類偏好，證明人類校準是關鍵。

隨著科學投稿量激增，大型語言模型（LLM）被用於輔助同行評審。現有自動化新穎性評估通常將論文聲稱的貢獻與已有文獻比較，但人類評審員常因方法證據不足而質疑新穎性。為此，本文提出論文內主張驗證框架，利用LLM從引言中提取新穎性主張、檢索相關方法證據，並基於從182篇ICLR 2025論文評審中歸納的標準評估方法對主張的支撐程度。實驗表明，該框架的評估與人類評審員關注點高度一致，尤其在新穎性問題上。

本文提出了一種基於LLM的客戶服務聊天機器人驗證方法，利用高保真合成客戶代理(SCA)作為數字孿生，結合自動評估、專家測試和對抗性探測，在英國一家領先銀行成功應用，為受監管行業的合規部署提供了可擴充套件路徑。

本文研究了一種隨機多目標賭博機問題，智慧體每輪選擇k個臂的候選集，並觀察其d維獎勵向量（半帶狀反饋）。目標是維護一個能聯合近似帕累託前沿的小型動作子集，透過所選臂的子集支配的超體積來形式化目標。定義了α-近似超體積遺憾（α=1-1/e），並提出了基於樂觀邊際貢獻估計的貪心演算法THV-UCB，給出了無間隙和有間隙的遺憾界。

強化學習中的可驗證獎勵（RLVR）面臨展開生成瓶頸。SARA提出一種順序自適應分配方法，透過貝葉斯後驗和兩閾值規則，在早期識別有效或飽和的提示組，並將節省的預算重新分配給新提示。實驗表明，SARA在匹配基線效能的同時，減少了22%-67%的展開次數。

該研究提出ULoRA，一種統一的LoRA初始化方法，將現有方法統一為雙引數連續族，並發現最優初始化點因任務而異。調優後的ULoRA在GLUE任務上媲美甚至超越全微調，而自動變體ULoRA-Auto無需搜尋即可接近最優效能。

本文提出弱到強在策略蒸餾（W2S-OPD），一種透過多個弱模型構建代理教師來提升強學生模型的新框架。該方法在數學和程式碼基準測試中優於傳統在策略蒸餾，甚至允許學生超越領域專家。

依賴輸入的控制器係數常被視為動態推理或計算節省的證據。本文提出凍結控制器審計（FCA）來解耦這些概念，證明動態引數化單獨並不意味動態推理或效率提升。實驗顯示，靜態層間配置保留超過98%的效能，而動態模型可能更慢。

該研究探討了將監督微調（SFT）中的經驗教訓在不同研究領域之間轉移的可能性，包括對齊訓練、模型生物和玩具模型。透過三個實驗，作者證明了行為泛化、能力保留和魯棒性方面的教訓可以跨領域應用，並建議研究人員應借鑑其他領域的技術。

研究人員提出了一種改進的編碼器-解碼器Transformer模型，用於從紅外光譜中自動解析分子結構，無需預知的化學式。透過引入專家混合（MoE）解碼器模組，利用線性順序統計量和Choquet積分進行非加性聚合，並新增對比對齊損失項，模型在Top-K預測準確率上比基線IR-only模型提升了超過10個百分點。研究表明，紅外光譜編碼了大部分化學資訊，為AI在分析化學中的應用拓寬了道路。

新框架MeRLa透過元學習任務感知的獎勵塑形函式，改進了RLHF中的獎勵模型，從而實現了更好的對齊和效能。在LLaMA-3-8B上的實驗表明，與PPO、DPO等方法相比，該方法取得了顯著提升，並且訓練穩定性提高了41%。

Sim2Win是一種不依賴球隊身份的賽前戰術推薦框架，利用StatsBomb事件資料構建戰術畫像，透過K-Means聚類識別八種比賽風格，並訓練十三種分類器預測勝負平機率。在LOCO評估中，平均ROC-AUC達到0.704，準確率55.4%，優於ELO等基線。

研究人員發現，使用凍結隨機CNN特徵提取器的深度強化學習智慧體，在沒有任何稀疏性誘導目標的情況下，會自發地在全連線層中產生極度稀疏的表徵。在確定性的Pong遊戲中，64個神經元中僅1-3個被啟用，而可訓練的CNN在相同條件下啟用55-64個。稀疏性程度隨任務複雜度變化，且隨機種子會導致不同的稀疏模式。移除這些活躍神經元會導致效能崩潰，而活躍集在訓練早期就已鎖定。該現象揭示了輸入維度遠大於任務固有維度時，梯度下降在凍結隨機投影上可以揭示問題的有效秩，無需顯式的稀疏性機制。

Textideo的AI Facebook廣告影片生成器利用先進的人工智慧模型，幫助企業和營銷人員快速將產品圖片、描述和創意轉化為專業影片廣告。無需編輯技能或昂貴製作團隊，即可生成產品推廣、品牌故事、教育影片等多種廣告型別，支援UGC和移動端最佳化。

Premation是一款開源AI工具，旨在替代Adobe After Effects，提供基於人工智慧的動畫和合成功能。

作者反駁了AI萬能論，指出人工智慧無法解決醫療、住房等領域的主要瓶頸——這些瓶頸源於監管、政策和社會治理。透過分析藥物研發中的臨床實驗和專利制度，作者揭示了AI在現實世界應用中的限制，並批評了矽谷技術精英的思維文化。

據報道，谷歌AI工作室的“刪除”功能並未真正刪除使用者資料，伺服器上仍保留聊天記錄。此問題透過三個影片被揭露，引發對資料隱私的擔憂。

Kinney Drugs藥店在佛蒙特州和紐約州的門店推出了AI助手“伯特”用於處方續藥，但顧客反映系統頻繁出錯，包括錯誤劑量、未通知取藥、無法找到賬戶等問題。許多顧客感到困惑和不信任，部分人因隱私擔憂而轉投其他藥店。AI技術的應用也引發了關於資料共享和監管滯後的討論。

Databricks 推出 Genie Code 的智慧代理轉換器（Beta 版），將專有 SQL 方言（如 T-SQL、Snowflake 等）轉換為開放的 ANSI SQL。透過並行代理迭代轉換、驗證語法和語義，簡化資料倉儲遷移。支援遷移專案管理、複雜度評分和血緣分析，並提供自定義技能自動應用轉換規則。

Databricks推出智慧程式碼轉換器（Beta），利用Genie Code AI代理將T-SQL、Snowflake等專有SQL方言自動轉換為開放ANSI SQL，並支援遷移專案管理、複雜度評分、譜系分析及自定義規則，大幅簡化從傳統資料倉儲到Lakehouse的遷移。

一段影片引發了關於AI行業是否面臨泡沫破裂風險的討論，分析了市場過熱跡象和潛在影響。

Claude Code 合併佇列是一個本地、零成本的工具，用於序列化並行代理的著陸，防止推送衝突和冗餘構建。它與 Claude Code 代理整合，並提供一系列命令來管理分支、構建和部署。

本文探討了如何將AI技能作為產品出售，強調透過打包決策而非知識來創造價值。指出重複的工作是技能產品化的最佳素材，應聚焦於狹窄具體的場景，並像對待產品一樣測試和定價。

avatarin 利用 OpenAI 的 GPT-Realtime，為山田電機顧客提供 24/7 多語言零售支援。上線僅兩週已有 3 萬人使用，92% 的調查反饋為正面評價。

機器人需根據任務、物體和互動環境調整操作方式，而不僅限於精確執行。本文提出MoMo，一個兩階段模仿學習框架，包含時空動作標記器和行為克隆Transformer，可輸入連續的運動模式條件。在六個真實機器人操作任務中，改變該條件可產生穩定、動態及中間行為，且人類評估者能夠區分。在僅演示一種模式的任務上，MoMo能轉移未見過的請求模式，同時基本保持任務成功率，展示了任務-模式組合的泛化能力。

UMAP廣泛用於高維資料探索，但典型工作只關注其低維嵌入，忽略了內部構建的k近鄰（kNN）圖。該圖在原始高維空間編碼資料流形，避免了2D投影的失真。本文展示了這一內部表示的潛力：透過應用PageRank、k-core分解和聚類係數等標準圖演算法，可以增強資料理解。在MNIST和Fashion MNIST上的評估表明，這些基於圖的分析不僅實用，而且與專用方法（如k-medoids、HDBSCAN）相比具有競爭力或互補性。

本文探討了 AI 如何透過語義搜尋和向量資料庫解決創意工作流程中的檢索問題，而非取代創意人員。作者認為，創意工作的主要摩擦在於組織、查詢和複用已有資產，而 AI 作為基礎設施層，可以提升現有工作的可訪問性，減少重複勞動。