本文對索尼ERS-111 AIBO機器人的R-CODE樣本集進行了語料庫級別的行為圖分析，識別出以初始化、感知、迭代動作、同步和恢復為核心的緊湊控制詞彙，並論證了這種狀態抽象在資源受限的機器人系統中作為中間表示的價值。

GaitSpan是一種新穎的人形機器人步態擴充套件框架，它利用預訓練的行走策略作為種子技能，透過節奏生成、步幅塑造和殘差適應三個模組，將基本行走能力平滑擴充套件到奔跑，實現了連續速度範圍、跨形態遷移和零樣本部署。

該論文提出兩種互補的物理先驗，以提高機器人手內滾動操作的魯棒性：全域性抓取質量先驗基於經典抓取分析，區域性接觸幾何先驗基於指尖曲率。實驗表明，這些先驗顯著提升了旋轉效率、抓取穩定性和抗干擾能力，並改善了模擬到現實的遷移。

提出一種無監督影像翻譯框架，將白天植物行RGB影像轉換為近紅外（NIR）夜間影像，無需逐畫素監督，從而重用白天語義標籤訓練夜間感知模型。利用預訓練CLIP模型保持語義一致性，並引入可見性掩碼處理NIR照明有效範圍有限的問題。在AgriNight資料集上評估，該資料集包含428張白天和549張夜間影像，是首個夜間農業視覺導航基準。實際機器人夜間導航實驗驗證了有效性。

多機器人在受限環境中需要變形和重構兩種行為。現有方法獨立建模或依賴規則，易導致死鎖。EFLUX提出幾何基礎的LLM智慧體框架，聯合推理變形和重構動作，透過閉環生成與驗證實現安全導航。實驗表明能減少死鎖和導航失敗。

一項新研究探討了無需訓練的人工合成影像溯源方法中表示空間與參考選擇之間的相互作用。透過分析CLIP和DINOv2不同層的表示，以及三種參考選擇方法，發現中間層的表示在溯源準確率上表現最佳，且語義約束的參考能有效減少查詢與參考之間的不匹配，提升溯源效能。

本文系統評估了持續學習方法在異構醫學視覺問答任務中的表現，涵蓋分類、多標籤分類、檢測、細胞計數和報告生成等多樣化臨床目標。研究發現現有持續學習方法難以在不同目標與監督格式交織的任務中保持穩定性-可塑性平衡。

SymbOmni是一種新型AI模型，旨在解決當前模型“永恆新手”的問題——即無法積累經驗並自主進化。它透過符號概念學習，利用可最佳化的記憶模組將低階操作抽象為可重用的符號工作流指令，並透過歸納-轉導迴圈實現持續自我改進。實驗表明，SymbOmni在影像質量和任務成功率上超越現有代理系統及閉源模型，同時減少40%以上的令牌消耗，並在持續學習基準上取得新成果。

本文提出MetaView，一種基於擴散模型的單目新視角合成框架，能夠從單張影像實現大視角變化下的渲染。透過結合隱式幾何建模與度量深度，MetaView在保持幾何一致性的同時提供了精確可控性。實驗表明，在挑戰性大視角變化場景下，MetaView顯著優於現有方法。

提出一種解剖學特權的師生框架，用於從T2加權MRI預測肝內膽管癌的周圍神經侵犯（PNI）。訓練時教師網路使用腫瘤和肝臟掩膜學習密集令牌路由，學生網路在固定預算下蒸餾保留資訊令牌，推理時不需掩膜。在155名患者中，方法AUROC達0.750，計算量1.43 GFLOPs，每例8.02 ms。

SpikeDS是一種新型脈衝神經網路架構，透過結合啟用稀疏性和空間稀疏性，高效地從3D MRI中預測膽管癌的神經侵犯，在139名患者的佇列中實現了0.753的AUC，能耗僅14.4 mJ。

自監督學習在醫學影像領域潛力巨大，但標註資料稀缺。本文提出COJEPA框架，結合聯合嵌入預測架構和對比損失，在無標註的T1加權腦部MRI上訓練，實現了優異的區域性預測性和全域性判別性。在零樣本雙胞胎檢索、腦腫瘤分割和年齡迴歸任務中表現突出，尤其在同卵雙胞胎識別和年齡預測誤差方面達到最先進水平。

本文提出一種新方法，透過視覺語言模型（VLM）生成逐幀描述，並比較兩個任務影片間的幀相似度及段內自相似性，自動檢測異常幀，從而提取包含專家特定動作和情境決策知識的候選場景。在模擬配電板維護實驗（27個任務場景）中，該方法動作候選提取率達65%，決策場景候選提取率達61%，優於傳統方法的59%和33%。

GenDiff是一種新型擴散模型框架，透過聯合建模連續輻射劑量和解剖資訊，實現低劑量CT重建。它整合了劑量-解剖編碼器、冷擴散主幹、物理一致性更新和結構先驗細化模組，在多種臨床資料集上優於現有方法，展現出強大的魯棒性和泛化能力。

TSCA-Net透過三個互補模組（時空團注意力、跨行人團勢、自適應KAN網格細化）顯著提升擁擠環境中的行人軌跡預測精度，在ETH/UCY和SDD基準上達到最先進效能。

提出兩種混合持續學習方法（RA-EWC和CGKD），用於低資源澳大利亞原住民語言識別，有效緩解災難性遺忘，在Warlpiri、Dalabon和Dharawal三種語言上表現優於現有基線。

該論文揭示了語言模型如何區分角色的信念與現實。研究發現，這種分離基於兩個可分離的機制：一個通用值槽繫結屬性值，一個路由器根據查詢選擇讀取的框架。值槽可以透過兩種方式填充：直接斷言和基於可見性的推導。分離位於獨立的路由子空間中，而不是值槽本身。這些結果在多種架構中得到驗證，且該行為在3B至7B引數規模的模型中出現。

本文透過MAGE框架研究多元件提示最佳化中不同元件的相互作用，揭示了提示最佳化耦合效應（POCE）：多個隨機最佳化訊號在閉環反射回路中相互作用，同時提升效能與放大方差。關鍵發現包括：基於失敗反思不可或缺、MAGE在GSM8K-Hard上優於GEPA、增大候選多樣性使POCE訊號最明顯、POCE依賴於基礎模型能力空間、低資料場景下固定提示優於最佳化器。

本研究透過兩階段流水線（監督微調+4位量化）將LLaMA 3 (8B)微調為高效的替代重排序器，在RAG管道中替代傳統交叉編碼器，在保持高準確率的同時顯著降低推理成本。在領域特定問答基準上，微調模型在答案相關性、上下文精度、答案相似度和答案正確性上分別提升14%、16%、19%和21%。

本文提出了一種基於軌跡感知知識估計（TAKE）的文本資料集蒸餾框架，利用影響函式和訓練軌跡計算每個樣本的知識得分，並透過最優傳輸選擇原型樣本，可將語料庫壓縮至原始大小的0.1%，同時保持下游任務效能。該方法在文本分類和自然語言推理任務上驗證了有效性，為資料高效AI提供了理論支撐。

本文提出一種基於圖的框架，結合弱監督與傳播圖分析，檢測Telegram生態系統中的虛假資訊敘事。該方法將語義相關的宣告聚合為敘事級聚類，並建模其在互連頻道間的擴散，從而發現僅透過帖子級分析難以捕捉的協調放大行為。實驗表明，融合文本訊號與網路結構可提供可擴充套件的檢測方法，並揭示虛假資訊在大型訊息環境中的傳播機制。

一項新研究評估了最先進的大語言模型在韓語-盲文雙向翻譯上的表現，發現輸出質量差且不穩定，與人類判斷存在顯著分歧。相比之下，對小型T5-small模型進行監督微調後，所有標準指標均大幅提升。研究表明，當前LLM缺乏盲文感知的標記化，且與盲文模式對齊薄弱，揭示了無障礙關鍵模態中的系統性限制。

本研究提出G-SHARE框架，將核電站人因事件診斷的CNNP九步準則轉化為多階段診斷流程，包括證據提取、逐步推理和一致性修復。在真實資料集上，G-SHARE顯著優於一次性提示和傳統機器學習方法，表明結構化推理和一致性約束對穩健診斷至關重要。

本文介紹了CANDI-QA資料集，用於評估大型語言模型在醫學診斷和金融諮詢等專業領域的上下文對齊能力。資料集包含資訊輔助和應用推理兩類問題。研究評估了十多個模型，並提出了輕量級神經符號框架MTSS-Net作為基線。結果表明，當前LLM在專業領域實現上下文對齊仍面臨重大挑戰。

本研究透過擴充套件規模，大幅縮小了點及時語言模型與不受時間約束模型之間的效能差距。研究者訓練了多達40億引數的解碼器專用Transformer模型，使用FineWeb中1萬億按時間順序篩選的令牌，構建了從2013年到2024年的月度模型檢查點序列。在常識推理和語言理解基準測試中，這些模型接近了同等規模的領先開放權重模型（如Gemma-3-4B和LLaMA-7B）的效能。透過LoRA進行指令微調進一步提升了下游可用性。研究團隊釋出了完整的流水線，以實現可復現的點及時語言建模。

本文提出一種廣義無分佈半監督學習框架，透過風險重寫構建無偏風險估計器，適用於多類分類，並證明其方差優於PNU學習，實際方法在基準測試中表現匹配或超越現有方法。

研究人員提出BattVAE-GP框架，結合變分自編碼器和高斯過程，高效模擬鋰離子電池在不同充電速率下的長期退化軌跡，並量化不確定性。該方法降低了計算成本，為電池健康預測提供了高效替代模型。

最新研究對六種KV快取壓縮方法進行了匹配預算審計，發現查詢可見性顯著影響效能排名。在查詢感知協議下，許多方法表現良好，但在更實用的查詢不可知協議（壓縮後複用）下，只有KeyDiff方法始終優於簡單基線。SnapKV等常用方法甚至不如保留開頭和最近視窗的簡單策略。

隨著大型預訓練模型規模增長，微調中的記憶體瓶頸日益突出。LoRA透過低秩適應減少引數，但啟用值儲存成為新的瓶頸。CARE-LoRA利用LoRA投影結構，將完整輸入啟用替換為低秩壓縮啟用，並計算輕量重建矩陣用於反向傳播，大幅降低記憶體佔用，同時保持或提升效能。

本文介紹了由Afonso S. Bandeira、Amit Singer和Thomas Strohmer合著的新書《資料科學的數學基礎》，該書全面涵蓋了高維詛咒與祝福、奇異值分解、線性迴歸、圖論與聚類、非線性降維、隨機投影、最佳化、分類、深度學習、圖拉普拉斯、集中不等式、壓縮感知等主題，為資料科學提供了堅實的數學基礎。