該論文提出了一種風險場增強的閉環數字孿生框架，用於自動駕駛系統的安全驗證。框架整合了物理資料採集、虛擬重建、風險感知場景生成和演算法評估，並透過駕駛風險場作為統一中間表示來識別高風險場景，為強化學習策略提供安全指導。實驗表明該方法提高了驗證的針對性和可解釋性，但實際效果受模型保真度和模擬到現實遷移的限制。

OmniSCS提出了一種創新系統，用於生成高物理保真度的逼真安全關鍵場景（SCS），並支援閉環模擬測試。該系統包括完全可編輯駕駛世界構建模組和SCS合成模組，能夠在場景編輯時保持資料保真度。在nuScenes、Waymo和KITTI資料集上的實驗表明，OmniSCS在編輯場景保真度上優於現有方法，並支援即時（13Hz）閉環測試，為自動駕駛演算法的開發和測試提供了更安全、高效且經濟的解決方案。

無人機蜂群在搜尋救援和環境監測中潛力巨大，但受限於態勢感知不足、連線中斷和網路安全風險。本文提出以LLM為核心的代理型AI框架（LAUS），整合感知、記憶、推理規劃與行動，實現自適應蜂群行為，同時分析了攻擊面擴大、優先順序操縱攻擊等威脅，並指出了抗幻覺推理、SWaP約束下的機載LLM部署等開放挑戰。

研究人員提出SWIFT，這是一個統一框架，將小世界網路與交通流理論相結合，用於自動駕駛中的軌跡預測。它透過小世界互動網路和流狀態編碼器引入結構歸納偏置，在nuScenes、MoCAD和NGSIM資料集上優於基線，並展現出更好的泛化能力和魯棒性。

一種新的可微物理框架用於重複使用運載火箭的魯棒軌跡最佳化，提出了可微粒子管控制(DPTC)方案，整合了執行器飽和約束。蒙特卡洛模擬表明，透過主動進行效能權衡，該方法相比傳統方法具有更好的魯棒性。

提出DecisionPerceiver架構，基於Perceiver IO，將動態代理特徵投影到固定大小潛空間，透過潛在查詢數調控特徵粒度，提高可擴充套件性。在三個駕駛場景中評估，展現一致效能提升和泛化能力。

一種名為RoboNav-Arm的新框架，利用agentic AI使機器人操作臂能夠在雜亂環境中安全導航並避開障礙物。它結合了即時障礙物檢測、語義報告、中央協調和自適應運動規劃，在Gazebo模擬中進行了測試。

EgoSteer是一個全棧系統，透過從第一人稱人類影片中大規模預訓練視覺-語言-動作（VLA）模型，實現可控的靈巧操作。它整合了EgoSmith資料流水線（9.6K小時高質量資料，吞吐量提升9倍）、統一遙操作機器人平臺和世界模型增強的VLA策略。實驗表明，EgoSteer在40多種任務中穩定執行自然語言指令，具備故障恢復和泛化能力，並可透過少量樣本適應複雜長時任務（如摺疊紙箱），成功率超75%。系統、資料和模型已開源。

本文研究了真實影像擴散反演中的質量-成本權衡，揭示了元素級壓縮不對稱性和軌跡繫結兩個關鍵機制，並由此提出訓練無關的反演方法NARC。該方法僅需儲存單個int8潛碼錨點，在保持重建質量的同時將儲存需求降低約400倍，在PIE-Bench++上PSNR提升3.24 dB。

ECCV 2026接收的一篇論文提出了一種新的可穿戴運動捕捉方法，能夠從任意組合的消費級裝置（如智慧手機、智慧手錶）重建全身運動，並引入了WHIP模型和一個包含50種活動的多模態資料集，同時系統研究了感測器互補性。

本文提出了一種廣義深度非負矩陣分解（G-DNMF）方法，用於合成孔徑雷達（SAR）自動目標識別。該方法克服了現有深度非負矩陣分解（DNMF）逐層分解策略導致的誤差累積和區域性最優問題，透過拉格朗日乘子法推導全域性最優更新規則，提高了多層特徵提取的穩定性和識別效能。在MSTAR和OpenSARship資料集上的實驗表明，G-DNMF優於現有DNMF演算法及其變體。

多模態知識圖譜透過文本和影像等模態豐富實體，但高度相似的多模態特徵仍難以區分。時間資訊可作為額外模態進行消歧，但現有方法因時間語義稀疏和多時間戳噪聲而鮮有將時間作為獨立模態。本文提出時間印記框架，將時間視為實體級模態，透過三視角對比目標對齊時間、文本和視覺表示，並設計緊湊時間戳子集選擇與注意力池化以兼顧特異性和魯棒性。實驗表明，該方法在連結預測任務上達到最優，整體 Hits@1 提升最高 6.07%，在 top-1% 高歧義樣本上提升達 58%。

本文首次演示了基於低功耗MCU的邊緣裝置用於自動車牌識別（ALPR）。該設計利用9核RISC-V處理器GAP8，結合QVGA超低功耗灰度成像器，採用基於SSDlite-MobilenetV2和LPRNet的多模型推理方法，在公共資料集上達到38.9%的mAP和超過99.13%的識別率。在真實世界中可識別小至30x5畫素的車牌。多模型推理（687 MMAC）在GAP8上以1.09 FPS和117 mW執行，相比樹莓派3系統能效提升73倍，且無需硬連線加速引擎。

本文提出一種知識約束的形狀最佳化框架，透過將專家知識和使用者意圖轉化為DFFD變形運算元的量化引數，實現工程感知的可控最佳化。同時，開發了專家混合神經運算元（MoE-NO）以提高異構氣動資料集的阻力預測和趨勢一致性。實驗表明，MoE-NO在測試集上的平均絕對百分比誤差（MAPE）為1.16%，趨勢預測準確率達94.34%，優於基線結果。車輛形狀最佳化實驗經CFD驗證，阻力系數降低約4%至10%。

ReflectWorld-MM是一種新型AI系統，使助手能夠持續處理和記憶開放影片流，透過圍繞持久實體而非幀來組織記憶，在六個基準測試中取得了最先進的結果。

RSLoRA是一種基於啟用空間幾何的免訓練、免梯度秩分配方法。它引入虛擬表示探測機制，透過有效秩和弗雷歇距離識別高敏感性模組，在多個基準測試中優於AdaLoRA和GoRA等最新分配器。

一種名為WiCAT的新模型，利用自監督預訓練在寬場鈣成像資料上實現了跨主體建模，超越了單會話模型，並首次實現了對未見主體的零樣本行為解碼。

研究人員提出DUNE，一種無需訓練的擴散模型最佳化框架，透過檢測並抑制早期深層潛在波動來減少偽影和幻覺，提升生成保真度，適用於U-Net和Transformer架構。

本研究探討了訓練日語推理語言模型的可行性。透過使用GRPO對基於Qwen-3-Swallow-8B的日語持續預訓練模型進行訓練，研究者發現推理語言控制是可行的，但效能最多與英語推理基線持平。在日語文化基準測試中，模型表現甚至更差，表明日語推理並不能立即提升文化相關任務的表現。

本研究探索了在無法訪問原始訓練資料且需要多語言語音查詢互動的敏感領域（如新加坡內政團隊）中，如何高效地使開源口語語言模型（SLM）適應。透過結合LoRA微調、防止災難性遺忘的替代文本問答資料集以及針對語音任務改編的CoBa重加權方案的多工目標，研究團隊構建了包含504,853個樣本的多語言問答資料集HTD-multilingual-QA，最終得到的HT-Moonstone（5B）模型在大多數任務上匹敵或超越規模大7倍的SLM，並在口音和性別識別上表現最佳，同時原始語音問答能力損失不到2%。

研究人員釋出了FindMyText，這是一個開源的Python包，用於高效檢查給定文本是否部分或全部出現在語料庫中。它透過新穎的指紋序列鏈機制，可靠檢測近乎逐字的複製，而非僅文本相似性，特別適用於版權材料驗證。該系統採用分散式磁碟索引框架，可擴充套件至大規模網路抓取資料集，並在ArXiv論文、維基百科和通用網路內容三個資料集上優於現有方法。

最新研究表明，後訓練量化會在任務準確率保持不變的情況下靜默改變大語言模型的推理方式。透過一個六類故障分類法（Cohen's κ=0.906），研究人員分析了30,000條鏈式思維輸出，發現弱精度量化（NF4）下“空心收斂”顯著依賴於模型大小，而“捷徑崩塌”和“信心滾雪球”等故障模式會發生定性轉變，且空心收斂無法透過表面文本特徵可靠檢測。

本報告研究針對臺灣地區的裝置端英文到繁體中文字幕翻譯，在短輸入、短輸出、單批次推理、低延遲和隱私約束下的最佳化。作者將原始151k詞表替換為64k字幕領域分詞器，並進行嵌入校準和微調，在OpenSubtitles2024子集上實現了59.2%的勝率（排除平局），並在Apple M2上獲得1.63倍加速。

一項新研究提出了一個基準框架，用於評估大型語言模型（LLM）生成的臨床試驗摘要的忠實度，針對醫療提供者、患者和支付方三個利益相關者群體。該框架從ClinicalTrials.gov選取了200個分層試驗，使用六維度註釋模式評估了GPT-4o、Claude Sonnet 4.6和Gemini 2.5 Flash生成的1800個摘要。研究發現，“無依據宣告”是所有模型最主要的失敗模式。透過知識圖譜增強檢索系統，忠實度得分獲得了統計顯著的提升。

研究團隊開發了一種基於語言模型的併購套利預測系統，透過專家引導的上下文工程和事後推理微調，在400多筆跨國大型交易中實現了優於市場隱含機率和前沿語言模型的預測效能。

Bilibili 釋出 Index-1.9B 系列開源小型語言模型，包含基礎模型、純資料對照模型、對話模型和角色扮演模型，在多項基準測試中表現優異。

CLIR-Bench是一個專門用於評估模型在不規則臨床時間序列上進行問答能力的基準。它基於去標識化的ICU記錄構建，包含6,600個問答例項，覆蓋11個臨床變數，分為4個能力維度和11個任務。實驗表明，現有通用模型難以從稀疏資料中檢索和推理證據，凸顯了加強不規則時間序列推理方法的必要性。

研究者提出了一種基於參考的成員推斷方法，用於檢測大型語言模型是否從其他模型蒸餾而來。該方法透過比較學生模型對不同候選教師模型輸出的偏好，結合早期檢查點，能夠以近完美精度識別教師模型，並適用於未知蒸餾流程和開放世界場景。

一項新研究顯示，編碼代理在編輯程式碼時真正需要的上下文極少：訊號只存在於被編輯的程式碼本身，自然語言摘要幾乎無法替代原始碼回答行為問題，周圍上下文（如UML骨架）與刪除它效果無異，而壓縮上下文（如類別簽名）能以三分之一token達到完整檔案的效果。此外，溫度-0 API推理在相同輸入下約有9%的結果翻轉，構成了SWE-bench上所有小效果檢測的噪聲底線。研究團隊釋出了包含驗證環境、確定性補丁和預註冊假設的工具。

本文提出了一種混合搜尋框架，結合湯普森取樣與並行自迴避行走，以有效分配低自相關二進位制序列（LABS）問題中的計算資源。該方法模型化為多臂老虎機，動態優先處理有前景的搜尋空間分割槽，在35個序列長度上取得了新的最佳結果，並獲得了因子超過8.0的最長序列。