本研究開發了一種粒度感知的腦電圖（EEG）特徵管道，將多尺度描述符組織為整體、區域和通道級別，並利用健康大腦網路（HBN）佇列預測四種精神病理學維度。結果顯示，基於樹的模型和粒度平衡特徵選擇在特定條件下相較於傳統方法有所改進，但效應量適中。視覺化揭示了維度特異性的空間和頻譜模式，與現有神經生理學知識大致一致。跨資料集檢查表明該選擇原則在協議變化下技術可行。

一種新的生成器無關方法，透過將類別分為同質和異質子集，從固定池中選擇最具資訊量的合成影像，以最多減少40%的樣本量提升下游任務效能。

該論文將聯邦學習應用於無人機網路中的目標檢測，使無人機能夠在保持原始航拍影像本地化和隱私的同時，協同訓練共享模型。使用Sherpa.ai聯邦學習平臺和KIIT-MiTA資料集，作者將聯邦學習與單無人機和集中式基線進行了比較。其最佳輕量級模型（YOLO26 nano）在[email protected]和[email protected]:0.95上相對於單無人機訓練分別提升了52.89%和67.80%，同時效能接近集中式訓練。結果表明，聯邦學習能夠在分散式無人機機群中實現可擴充套件、高效能且保護隱私的目標檢測。

GRAFT是一種針對文本到語音神經編解碼語言模型的逐詞發音調節機制。它透過從短語音樣本中提取參考發音，結合語音轉換技術，允許使用任意聲音的提示來控制目標單詞的發音，同時保持目標說話人的音色。在英語盲聽測試中，GRAFT在難詞發音上顯著優於其他系統，並在五種語言的客觀基準測試中將目標詞音素錯誤率降低了22-39%。

QuantFlow是一種結合倒序嵌入、雙向Mamba狀態空間解碼器、分位數迴歸和聯邦學習的機率預測框架。實驗表明，它在多個資料集上取得優異效能，並在非獨立同分布聯邦場景下保持準確率，同時揭示了在非規則流行病訊號和長期泛化方面的侷限性。

該研究提出了一種雙資料集基準評估框架，用於公平評估時間序列基礎模型（TSFMs）在電力價格預測中的表現。研究發現，TSFMs在零樣本預測中表現強勁，但嚴重依賴於協變數支援，且不一定超越專用領域方法。有趣的是，TSFMs與領域特定方法的簡單整合顯示出顯著潛力，表明兩種方法捕獲了互補的預測資訊。

本文指出，基於擾動的構造有效性審計本身存在脆弱性，其結論可能被讀者看不到的實現細節悄然操控。作者命名了五種管道失敗模式（F1-F5），並透過在兩個模型和五個安全基準上的自我審計進行了演示。在一個統一的六點盡職調查門控下，所有單元均未達到確認標準。該門控被定位為用於保證級證據的扣留與披露協議，補充而非替代經典的構造有效性證據。

該論文提出了一種基於滑動視窗的強化學習（SWRL）框架，用於解決具有複雜配套約束的柔性裝配流水車間排程問題。該方法將問題建模為異構圖馬爾可夫決策過程，並整合了滑動視窗過濾、時空圖編碼和動態動作對映模組。在家電製造企業的真實資料實驗中，SWRL相比經典排程規則和現有深度強化學習方法，顯著降低了延遲，並在不同資源配置下展現出魯棒性。

VERITAS 是一個領域無關的複製框架，基於 CLI 編碼代理，能自動提取論文宣告、執行方法並判斷結果，返回重要性加權的複製分數和修復日誌。在涵蓋電腦科學、社會科學、醫學和天體物理學的 65 篇論文評估中，VERITAS 在 CORE-Bench 和 ReplicationBench 上均達到最優效能。

大型語言模型（LLM）在安全性和有用性之間面臨挑戰。傳統的拒絕式對齊策略會拒絕敏感查詢，但可能無法滿足使用者合理需求。Oyster-II提出基於強化學習（RL）的建設性安全對齊框架，採用Zero-RL正規化和多階段RL策略，解決了Oyster-I中監督微調（SFT）方案的安全泛化不足和安全思維鏈過度泛化問題。在多個基準測試中，Oyster-II在安全維度上全面超越Qwen3-14B和Oyster-I，效能堪比Qwen3-Max和Qwen3.5-397B。

新基準測試MedCalc-Pro評估了大語言模型在複雜醫學計算中的表現，涵蓋多計算器、巢狀比例和模糊查詢。作者還提出了一個通用代理框架，在三種任務設定中均優於現有模型。

大型語言模型代理可以透過積累經驗來改進，但自由形式的文本記憶難以維護、驗證和重用。本文提出以物件為中心的環境建模（OCM），將經驗組織成可執行的物件中心環境模型。OCM維護兩個相連的程式碼庫：物件知識（用Python類定義環境實體和機制）和過程知識（記錄可重用的互動模式）。實驗表明，OCM在基準測試中取得最佳平均排名，並減少了無效動作。

SwarmResearch 是一種編排器-子代理架構，透過全域性上下文指導搜尋代理種群，在開放式最佳化任務中優於現有方法。

研究人員推出了REDI，這是一個開源框架，透過統一的五階段管道（攝取、預處理、轉換、結構化、輸出）自動將大規模科學資料集轉化為人工智慧就緒資料。它包含可追溯性、可復現性以及代理可呼叫技能部署。配套工具SetGo可自動化FAIR合規性和目錄釋出。在氣候、蛋白質組學、材料科學和核聚變領域進行了評估，顯示出近乎理想的並行擴充套件能力，並識別出檔案I/O為主要成本。

本文提出ASK+方法，透過為小語言模型提供軌跡感知上下文和結構化思維鏈推理，顯著提升了部分可觀測環境下強化學習代理的效能。實驗表明，ASK+在DoorKey、FourRooms等任務中超越基線，且提示設計比模型規模更重要。

成對比較常用於學習人們對決策規則的偏好，但本文指出它基於兩個強假設：區域性比較能反映全域性偏好，且人能果斷回答。在內部多元主義（個體根據多種權威優先順序評估規則）下，這些假設可能失效。全域性優先事項（如比例性）無法透過區域性比較捕捉，且優先順序衝突會導致行為扭曲。允許報告猶豫可減少查詢次數，併為直接引出優先順序的方法指明方向。

訊飛具身全模態是一個統一的多模態基礎模型，聯合建模視覺（影片和影像）、語言和動作。它採用大腦-小腦協作架構：視覺語言模型和影片生成模型充當高階大腦進行理解和規劃，動作生成模型充當低階小腦執行動作。該模型透過四階段訓練策略在包含人類演示、機器人互動和通用影像文本資料的綜合性資料集上訓練。

社交媒體正將AI眼鏡等監控技術包裝成時尚潮流，從而淡化其隱私風險，使騷擾和非自願拍攝行為正常化。本文以Alexa Chung釋出Ring安防攝像頭穿搭照為例，揭示了這一趨勢的隱患。

大學越來越多地使用AI檢測工具來識別學生作業中是否使用生成式AI，但研究表明這些工具存在高誤報率，甚至將人類寫的文章誤判為AI生成，引發公平性擔憂。

Panoptes 是一個開源工具，用於監控 AI 代理的操作，記錄所有工具呼叫、檔案讀取和 shell 命令，並提供可查詢的審計追蹤和策略執行功能。

Stitch 是一款開源、本地執行的AI桌面應用，整合記憶、會議記錄、日程管理、自動化、郵件處理等功能。支援多種AI模型及本地模型，無需建立賬戶，所有資料本地儲存，確保隱私安全。

本文透過計算機架構的視角，分析AI程式設計代理（如Claude Code、Cursor）的執行機制，指出其本質與CPU的取指-譯碼-執行週期無異。文章剖析了在本地執行代理的三大瓶頸：計算資源不足、無法持續線上、環境異構與汙染。隨後討論了OpenClaw等自託管方案的短暫熱潮及其侷限，最後論證雲原生代理是必然趨勢，能實現從筆記型電腦的2-3個代理到雲端1000+的規模躍遷，並帶來15倍的投資回報率。

Artificial Analysis 與 Zapier 合作推出 AutomationBench-AA 排行榜，測試 AI 模型在真實 SaaS 工作流中的自動化能力。該基準包含 657 個任務，覆蓋多個業務領域。Claude Fable 5 以 48.6% 的得分領先，Gemini 3.5 Flash 在成本效益上表現突出。所有模型均出現防護欄違規，金融任務難度最高。

Kickbacks CLI 是 Kickbacks.ai 的終端和Mac選單欄伴侶，方便使用者快速訪問和使用AI服務。

Foundation 是一個開源的全棧框架，透過單一合約架構、Hermes 熱平面和零複製通訊，彌合硬體速度與軟體棧之間的差距，為 AI 代理和人類開發者提供高效能、確定性協作環境。

pi_agent_rust 是 Pi Agent 的 Rust 完全移植版，即時啟動、穩定流式輸出、記憶體佔用低，並提供擴充套件系統和多種執行模式，解決現有 AI 編碼助手的效能瓶頸。

Millfolio是一個在Mac上執行的本地優先AI工具，透過將程式傳送到資料而非將資料傳送到模型來保護隱私。它使用Mojo構建後端，利用本地模型索引檔案，並透過前沿模型（Claude）編寫查詢程式，該程式只訪問脫敏的模式資訊。

本教程介紹如何構建一個端到端的自主AI合作科學家工作流程，用於發現針對非小細胞肺癌中C797S奧希替尼耐藥突變的新一代EGFR抑制劑。流程包括透過ChEMBL和UniProt解析靶點、挖掘IC50資料並轉換為pIC50資料集、使用RDKit標準化分子、計算摩根指紋、訓練基於骨架分割的隨機森林QSAR模型、使用SHAP解釋活性驅動因素，以及透過BRICS片段重組生成並篩選新型候選分子。

作者以個人經歷反思AI的操縱性，指出AI系統雖有用但存在偏見，可能無意中成為西方文明衰落的推手。

Meta正在測試一款名為Pocket的社交應用，使用者無需程式設計即可建立、分享和發現AI生成的迷你遊戲（稱為“gizmos”）。該應用目前處於Google Play的封閉測試階段，合作平臺包括Facebook、Instagram和WhatsApp的交叉推廣。