該研究提出一種受類比電路差分放大器啟發的注意力機制AmpAttention，旨在抑制多視角機器人操控中的注意力漂移。基於此的RVAF模型在18個RLBench任務（249種變體）上達到最優平均成功率，同時訓練時間減少33.3%。擴充套件版本RVAF++結合SAM2影像編碼器，在高精度任務中表現突出，例如“插入銷釘”任務成功率達91%。論文已被IROS2026接收。

CLEAR提出了一種基於強化學習的閉環訓練系統，用於端到端自動駕駛。它從預訓練的VLA模型中學習殘差航點策略，並透過異構流水線擴充套件模擬環境，在CARLA longest6 v2和Bench2Drive上實現了最先進效能。

TACO是一個觸覺感知的世界模型驅動框架，用於接觸密集型操作中的可擴充套件VLA後訓練。它透過識別-想象-標記迴圈，將真實失敗轉化為想象的視覺-觸覺校正，從而提升策略效能。實驗表明，TACO相比基礎策略實現了44%的絕對成功率提升。

本文研究了金屬超聲波導作為分散式觸覺感測器的應用，透過單個近端換能器實現接觸定位、力估計和材料分類。實驗證明了力與反射/透射係數比的線性關係，以及利用反射能量分割槽進行材料分類的可行性。該技術有望簡化機器人觸覺系統的複雜性。

研究人員提出了MorphQuad，這是一種可變形四旋翼飛行器，透過兩軸雲臺獨立驅動四個旋翼系統，實現了任意方向的推力向量、全域性穩定性以及超強的機動性、操控性和魯棒性。該平臺展示了多圈旋轉、閥門操作、棲息和抗風乾擾等能力。

EVA-Client 是一個開源框架，用於在真實機器人上部署、收集資料和評估訓練好的操作策略。它位於策略伺服器與物理硬體之間，將策略迭代迴圈中的真實機器人階段統一到單個程式碼庫中。框架採用元件解耦架構，支援除錯、收集和評估工作流，並且每次評估執行同時作為資料收集，為下一輪訓練提供訓練就緒格式的完整軌跡。

本文系統研究了用於機器人策略評估的世界模型，提出了WMBench基準測試，基於324,000個模擬策略 rollout 和真實機器人執行資料，分析了7種影片世界模型和4種動作表示方案。核心發現包括：評估器質量主要取決於長時程、動作保真的一致性，而非短期視覺真實感；預訓練收益不僅來自資料規模，還需平衡通用世界知識與機器人特定可控性；架構選擇（如動作編碼、記憶設計）對與實際機器人行為的一致性有決定性影響。基於此，作者提出了實用設計路線圖並實現了GigaWorld-1模型，同時開源了程式碼、模型、資料集和工具包。

提出了一種視覺化分析框架，用於探索擴散模型中的注意力動態，整合定量測量與資料驅動的階段識別，在60提示基準測試中揭示了可解釋的模式，支援更有效的人機協作。

該研究提出一種基於離散潛在表示的熵編碼MS-VQ-VAE框架，在超低位元率（低於0.1 bpp）下顯著優於H.265。透過向量量化（VQ）碼本大小K的硬資訊上限和學習自迴歸先驗，利用碼本使用的冪律分佈，無需率懲罰調優即可實現極低位元速率。在UCF101資料集上，模型以0.043-0.064 bpp執行，位元率僅為H.264和H.265的幾分之一，同時感知質量（LPIPS）更高。

DH-Active是一種輕量級、無需訓練的幾何後端方法，將LiDAR視為度量標尺而非唯一深度來源。近場返回透過PnP錨定相對位姿，無有效深度返回的可視點則三角化。視差/重投影門在幾何條件不良時棄權，形成顯式空洞。核心前端在CPU上僅需1.11毫秒，比DINOv2-L GPU分支快約38倍。在TUM RGB-D和ARKitScenes基準上，恢復深度中值相對誤差為1.4%-6.7%，遠場候選覆蓋率達64.2%，誤差13.4%。

本研究提出了一種兩階段U-Net框架，用於高效預測真實城市形態下行人高度的平均風速。該模型利用UrbanTALES資料集訓練和評估，透過第一階段基礎U-Net（M1）逐塊預測風場，第二階段修復U-Net（M2）採用基於修補的細化方法消除塊邊界偽影。實驗表明，該框架能合理再現平均風速和空間變異性，但最大風速仍被低估。該模型為高解析度行人高度風速預測提供了一種高效靈活的替代方案。

該研究提出了一個決策框架，量化了在跨海洋棲息地遷移視覺系統時標註工作量與識別準確率之間的權衡。基準測試涵蓋五個資料集、三大洋和三個分類群（魚類、珊瑚、無脊椎動物）。研究發現，使用凍結的自監督基礎模型（DINOv2）結合線性分類器，每個物種僅需10-20張標註影像即可在新站點實現可靠識別，將標註工作量減少約一個數量級。

糖尿病足潰瘍(DFU)分割的深度學習模型在域內資料上常報告高準確率，但跨臨床來源的泛化能力尚未充分評估。本研究在嚴格的無洩漏協議下比較了U-Net、DeepLabV3+和SegFormer-B2三種架構，發現基於Transformer的SegFormer-B2在外部資料集上泛化最佳，而模型複雜性並不保證更好的泛化性。

在自動駕駛場景中，稀疏視角神經重建面臨挑戰。本文提出使用Depth Anything V2作為單目深度先驗，透過光度掩碼選擇性監督，提升Splatfacto模型的重建質量，PSNR從14.903提升至15.932，RMSE從0.542降至0.100，並表明增益來源於選擇可靠的低誤差區域。

該研究使用可解釋的機器學習方法，從QSM和fMRI特徵預測帕金森病運動嚴重程度，最佳模型解釋了45.4%的變異，75%的預測誤差在5分以內。

影片多模態大語言模型在全域性語義理解上取得進展，但在區域性時空感知上仍存在不足。本文提出DELTAVID框架，將跨影片找不同轉化為可訓練的感知訊號，並配套構建DELTAVID-10K資料集和DELTAVID-Bench基準。實驗表明，該方法不僅顯著提升跨影片差異理解能力，還將學到的區域性證據推理遷移到多個通用影片理解基準中，推動模型從粗粒度語義理解走向細粒度時空證據推理。

VulcanVoxel是一種透過3D佔用場掩碼自編碼器學習空間可供性的方法，用於機器人在雜亂織物箱中為刀片插入騰出空間。該方法在10,000個真實倉庫儲存片段上訓練，無需人工標註，Top-5覆蓋率達到0.89，優於基於姿態的基線（0.71）。蒸餾後的學生模型可在30毫秒內完成RGB到體素的推理。

跨語言檢索增強生成（RAG）常面臨英語證據導致的語言漂移和不可靠證據使用問題。本文提出TR-RAG，一種教師正則化強化學習方案，結合獎勵最佳化和學生路徑上的線上蒸餾，並引入獎勵分解，在多個基準上顯著提升語言一致性和證據正確性。

大語言模型在CBT理論考試中表現優異（準確率高達96%），但在實際對話中的應用效果不佳。新提出的協議槓桿力（F）指標顯示，即使採用多鏈思維提示，對模型行為的影響也極小（低於1.5%），模型仍偏向於驗證與反思。

本文提出PraMem方法，透過預先實踐長曆史序列構建經驗記憶，以解決大語言模型在長期行為預測中的潛在模式歸納和認知偏差問題。實驗表明該方法優於先前方法。

提出一種多模態框架，同時提高自動語音識別（ASR）和方言識別（DID）效能。在八種印度語言的33個方言上，DID準確率達81.63%，詞錯誤率17.73%。

大型語言模型作為半開放文本遊戲環境中的自主裁判時，容易受到一種被稱為“修辭注入”的新型攻擊。攻擊者利用偽邏輯推理和權威強制等敘事技巧，繞過裁決規則。研究者提出了基於桌遊機制的CoC-Seduce基準，透過三個前沿模型生成5376個對抗樣本，測試了20個目標裁判。結果顯示，模型規模和推理機制並不能可靠地保證裁決魯棒性，且跨文化設定揭示了系統性的知識差距。

Gemma 4 是 Gemma 系列的新一代開源多模態語言模型，採用密集和混合專家架構，引數規模從 2.3B 到 31B。該模型整合了改進的視覺和音訊編碼器，其中 12B 模型採用統一的無編碼器架構，可直接處理原始音訊和影像塊。此外，Gemma 4 引入了思考模式，能在響應前生成推理軌跡，並在推理速度、記憶體和計算效率以及長上下文能力方面有所提升。在 STEM、多模態和長上下文基準測試中表現優異，可與更大的前沿開放模型相媲美。

一種新方法利用文本到語音（TTS）技術為低資源語言盧森堡語生成口語問答（SQA）訓練資料。透過翻譯現有文本問答對、合成語音，並使用引數高效的模型（凍結Whisper編碼器和LoRA介面卡）進行訓練，該方法優於單一TTS源。多源TTS資料和語音設計提高了效能，且無參考TTS質量分數不能可靠預測問答準確率。

研究人員提出了一種基於可驗證獎勵的強化學習（RLVR）方法，用於將音訊語言模型適應程式碼切換語音識別。僅使用10%的資料，RLVR在Qwen2-Audio上跨越10個語言對達到了全資料集監督微調的效能，且增益零樣本遷移到人類錄音的程式碼切換語料庫。

本文提出一個多語言多模態框架，融合XLM-RoBERTa、CLIP、多頭注意力機制以及諷刺和地理空間後設資料，在包含138,256條孟加拉語和英語樣本的資料集上達到98%的測試準確率，用於早期檢測虛假新聞和暴力傾向。

本文提出了一種新方法（FCPA），透過頻率校正的生成器-驗證器一致性訓練，顯著提升大語言模型的一致性和效能。

該研究探討了訓練人工智慧在低風險場景下表現出的風險規避行為是否能夠泛化到極高風險場景，作為應對AI對齊失敗的一種安全措施。作者引入了RiskAverseOOD基準測試，並初步實驗表明，透過多種方法（如SFT、DPO、啟用引導）訓練的Qwen3-8B模型，在高風險下選擇安全“合作”選項的比例從基線2%提升至70%（SFT和tie訓練）、52%（DPO）和39%（啟用引導）。風險規避行為跨越98個數量級部分泛化，但一致性仍不足以作為可靠的安全機制。

高效能電動汽車動力系統的熱行為預測因內部溫度難以觀測及從實驗室到賽道的領域偏移而極具挑戰。本文應用共形預測，結合加權整合批次預測區間（EnbPI），以改善協變數偏移下的覆蓋效能。該方法在真實電池資料上將覆蓋率從70.13%恢復至72.42%，並在F1遙測資料上作為無監督診斷進行測試。

LiNO是一種基於第二代小波提升方案的多解析度神經運算元，能夠從資料中學習多尺度分解，並分別在粗尺度和方向細節係數上演化，實現尺度感知的物理建模。在達西流、泊松方程、艾倫-卡恩方程、可壓縮納維-斯托克斯方程和格雷-斯科特反應擴散系統等基準測試中，LiNO表現出優於現有神經運算元的效能。