該論文提出了一種基於因果推理的引數化控制屏障函式方法，用於解決多車互動中的安全控制問題。透過將因果推斷嵌入到引數化CBF中，該方法能夠顯式推理車輛間的相互影響，克服了現有方法中難以確定因果關係或過度保守的缺陷。基於學習到的因果關係引數化CBF，自適應安全控制器允許自車根據對周圍車輛行為的預期做出安全反應，並在多種互動密集場景中顯著提升了任務效率。該工作已被ICRA 2026接收。

RGB框架將預訓練的強化學習策略作為取樣先驗，結合模型預測路徑積分（MPPI）線上最佳化，無需重新訓練即可實現人形機器人的全身魯棒控制。在Unitree G1模擬中達到280Hz控制率，任務精度顯著提升。

AeroCast是一個機率性軌跡預測框架，結合了Transformer編碼器和混合密度網路，用於預測未來三維位移的高斯混合分佈。在混合真實與合成的四旋翼飛行器資料集上，相比基線方法，平均位移誤差和最終位移誤差降低了約50%，每個樣本推理時間僅0.1毫秒，支援機載即時部署。

一種新型室內協同物體導航資料集及框架SurveilNav，透過整合主動相機排程、聯合2D/3D地圖、基於視覺語言模型的價值估計和協同目標驗證，克服了單機器人感知範圍有限和固定攝像頭盲區的侷限。在HM3D資料集上的實驗表明，該方法在探索效率和導航成功率上均達到最優水平，有望應用於大規模搜尋、家庭環境和救援任務。

提出ADM-Fusion，一種端到端深度學習多感測器融合方法，採用自適應感測器混合專家框架和內容感知路由，動態分配感測器權重，並分離平移和旋轉分支，透過跨任務注意力機制實現資訊共享。在CARLA-LOC模擬資料集訓練並在KITTI真實資料微調，展示了模擬到現實的有效遷移，在退化條件下保持魯棒性。

本研究提出了一種用於多IMU鉸接剛體系統的擴充套件位姿估計的不變卡爾曼濾波方法。透過引入相對L擴充套件位姿這一李群表示，並結合迭代不變擴充套件卡爾曼濾波（IterIEKF），該方法有效處理了關節運動學約束，在UR5e機器人和人體腿部驗證中，均方根誤差降低至少50%。

一種名為潛序列最佳化（LSO）的新方法，透過最佳化行為基礎模型中的潛變數序列，實現了精確的物理模擬運動追蹤，並在真實人形機器人上得到驗證。

大多數視覺-語言-動作（VLA）模型是反應式的，僅根據當前指令和觀測預測下一步動作，難以應對部署時的環境變化。本文提出反射式VLA，透過上下文中的觀測-動作-後果三元組來調節決策，從而暴露部署特定的動作-效果對映。在LIBERO等基準測試中，反射式VLA在分佈偏移下平均成功率提升5.4和4.2個百分點，消融實驗表明動作後果而非額外上下文長度是關鍵。

本文提出一種新的神經網路量化方法，透過學習量化感知的線性路徑來尋找低損失子空間的中點，從而在不使用直通估計器或顯式離散化的情況下實現與量化感知訓練相當的效能。

本研究評估了多模態大語言模型（MLLM）在輔助AI任務中的表現，包括貨幣識別、場景文本問答和多語言視覺內容閱讀。研究者構建了NetraLink系統，使用頭戴式GoPro採集真實世界第一人稱資料，並建立了相應基準測試。結果揭示了當前MLLM在視覺感知和語言互動方面的優勢與侷限。

視覺故事生成要求影像序列與敘述提示對齊且角色外觀一致。現有免訓練方法依賴結構化提示（每句重複完整描述），不符合自然敘述。FreeStory透過實體引導的特徵複用，在自由形式提示下保持角色一致性，並引入FreeStoryBench基準，在單/多角色故事中均達到領先水平。

Wan-Streamer 是一個原生流式、端到端的互動基礎模型，專為低延遲、全雙工信視聽互動設計。它在一個Transformer中統一建模語言、音訊和影片的輸入輸出，使用塊因果注意力實現增量流式，無需依賴外部模組。模型側響應延遲約200毫秒，總互動延遲約550毫秒，支援亞秒級雙工信視聽通訊。

Chorus II 提出一種跨請求稀疏性重用框架，透過複用歷史請求的稀疏注意力掩碼來避免線上掩碼預測，可選的特徵重用和引導增強進一步保持生成質量，實現2.16倍加速。

Yuvion VL是一系列專為內容和AI安全設計的多模態大語言模型，透過將安全性視為對抗性和多模態問題，構建了圍繞對抗魯棒性的完整管道。其資料構建採用自動化對抗感知合成與多階段質量控制；訓練採用三階段流程，包括風險概念跨模態對齊的繼續預訓練、生產級安全任務的指令後訓練以及增強可解釋性的推理後訓練。創新性地引入困惑-對比微調框架，透過挖掘模型特定困惑並構建多影像對比組，強制區分細粒度視覺語義元素。同時推出YVRE基準集，包含多樣化的安全評估。實驗表明Yuvion VL-32B在安全效能上領先於同類開源和閉源模型，同時保持通用能力。

本文提出了一種噪聲感知邊界增強生成學習（NBGL）框架，用於超聲散斑抑制。該框架由散斑抑制分支和邊界增強分支組成，並引入噪聲感知互動權重生成（NIWG）模組，透過3D拉普拉斯濾波和中位數絕對偏差估計自適應調節噪聲水平。在141個3D經陰道超聲資料集上的實驗表明，NBGL在六個噪聲級別上均優於現有方法。

本研究開發了一個涵蓋認知、情感和行為領域的自我汙名編碼本，並分析了Reddit上藥物使用者的帖子。結果顯示，自我汙名普遍存在，且行為指標往往先於核心指標出現，挑戰了傳統的漸進模型。

大語言模型在程式碼生成方面的進步引發了關於作者身份、評估完整性和軟體信任的擔憂。SemEval-2026任務13子任務A將檢測定義為對程式碼片段的二元分類，特別關注跨未見程式語言和領域的分佈外泛化。研究提出了一種SALSA風格的方法，即單次自迴歸大語言模型結構化分類，將每個類別對映到專用輸出標記，並訓練模型在結構化響應中發出單標記標籤。透過平衡取樣、引數高效微調和保守訓練，系統在官方排行榜上取得了OOD F1=0.789，大幅超越CodeBERT基線（F1=0.305）。

隨著學術投稿量的激增，傳統同行評審面臨可擴充套件性極限。該綜述系統分析了基於大語言模型（LLM）的科學同行評審，聚焦於評語生成與評分預測兩大核心功能。文章構建了包括提示工程、監督學習、檢索增強和對齊最佳化在內的建模方法分類體系，並綜合了現有基準的實證結果。除效能指標外，文章還揭示了提示注入、資料投毒、檢索漏洞和獎勵破解等魯棒性風險，這些風險可能使自動化評審流程遭受策略性操縱。從資料探勘視角，作者指出了主觀分歧建模和跨領域泛化等關鍵開放挑戰。該綜述將自動化同行評審重新定義為高風險、多目標的決策問題，為開發魯棒、透明且可信的AI輔助科學評估系統提供了路線圖。

一項新研究引入了一個包含32,534份真實GCSE模擬考試雙評分學生回答的資料集，涵蓋五個科目328道題，包括手寫內容。測試發現，現成的大型語言模型與考官評分的一致性非常高，頂級模型的一致性甚至超過考官之間的一致性。模型在主觀任務如英語作文評分以及處理複雜手寫數學試卷方面表現出色，且一致性不受模型大小顯著影響，為自動化評分提供了經濟有效的解決方案。

Dustin是一種專為長上下文場景設計的稀疏驗證框架，透過結合草稿模型的預測訊號與目標模型的歷史注意力，僅對關鍵token進行驗證，顯著加速推測解碼中的KV快取載入瓶頸。在Qwen2.5-72B上，32k序列長度下自注意力加速27.85倍，端到端解碼加速9.17倍，精度損失可忽略。

arXiv最新研究揭示了語言模型中“檢測”與“控制”行為方向之間的幾何差異。研究發現，雖然模型可以完美檢測幻覺（AUC=1.0），但檢測方向與引起拒絕的方向餘弦僅為0.12，表明檢測不等於可控性。該差距在不同模型和規模中普遍存在，且源於預訓練階段。旋轉15度可部分緩解這一差距。

提出一種利用誤差感知TF-IDF檢索的框架來糾正ASR系統中的幻覺錯誤，在波斯語FLEURS資料集上顯著提升了詞錯誤率。

AgentOdyssey 是一個新穎的評估框架，透過程式化生成開放式文本遊戲來測試代理在持續學習環境中的能力。該框架挑戰了傳統機器學習假設，將學習與推理交織在整個部署過程中，並評估代理的世界知識獲取、情景記憶、探索能力、動作多樣性和模型成本。實驗表明，即使最強的代理也遠低於人類水平，其中短期記憶機制能顯著提升效能。

一項新研究表明，一群維基百科編輯者透過僅125次編輯，就能顯著影響大語言模型在動物福利話題上的行為。研究使用梯度歸因方法追蹤了這些編輯的影響，發現維基百科中動物福利相關的編輯內容在模型對相關查詢的響應中佔據主導地位。

針對自動語音識別（ASR）系統在命名實體、否定詞等關鍵語義標記上殘留的聲學相似性錯誤，研究人員提出G-SPIN框架，將聲學圖建模與上下文語言理解相結合，利用圖神經網路生成候選詞集，掩碼語言模型評分，最終由大語言模型重排序，實現輕量級、模組化的推理時糾錯。

MacroLens是一個全新的多工基準，涵蓋2021-2026年間4,416只美國小盤和微盤股。它整合價格、會計資料、宏觀經濟序列、SEC檔案和新聞，旨在解決金融時間序列評估中四大假設違反問題。基準包含七個任務、1,130個宏觀經濟事件，評估了19種方法，並進行了特徵消融實驗。

研究發現，全息記憶模型在知識圖譜零樣本組合查詢中表現不佳，其根源在於容量和干擾效應，而非繫結代數本身。

一篇新論文提出了一種監督強化學習（SRL）框架，用於協調分散式能源資源（DERs）。該方法先在演示資料上透過監督學習預訓練策略，然後透過離線和線上強化學習進行微調，即使在低質量資料下也能顯著優於基準方法。

該論文研究具有已知群對稱性的潛在世界模型的信任視界認證。透過分割共形乘法因子校準原始視界曲線，實驗表明準確等變性可將校準後的信任視界曲線沿群軌道傳輸，使得滾動誤差和信任視界在軌道上恆定。在2D和3D實驗中，等變模型在單校準區域內獲得安全且非空洞的軌道有效證書，而非等變基線需要額外代價。證書是保守的分佈審計，而非全域性可達性保證。

本研究探討了一個表示學習問題：物理世界模型在學習潛在表示後，守恆定律是否仍可被認證。作者提出“認證視野”的概念，即從可測量的模型缺陷出發，預先保證模擬軌跡在物理不變數水平集上保持的步數。核心創新在於認證物件是解碼後的物理不變數，而非學習到的潛在哈密頓量或標量見證。透過分解表示、讀出和潛在動力學缺陷的預算，並引入單調對齊橋，該框架在保守系統上進行了測試，發現不同的幾何先驗表現各異：硬規範辛結構在已知相座標下視野最長，但無法跨越學習圖表；而受控Lipschitz對齊的軟不變數在學習表示設定中表現良好。畫素認證可在讀出穩定的子管道中恢復，開普勒問題則暴露了幾何邊界。