該論文提出一種 capability-aware 共享控制框架：由視覺語言模型（VLM）推斷人類意圖並給出語義意圖置信度，同時由視覺-語言-動作（VLA）策略生成自主動作，並從隨機動作軌跡的離散度與區域性不穩定性線上估計 VLA 能力置信度。透過 sigmoid 對映將貝葉斯濾波後的意圖置信度與 VLA 能力置信度結合，非線性仲裁機器人控制權。12 名參與者實驗顯示該方法任務成功率達 92%，高於手動遙操作（83%）、僅意圖仲裁（44%）和固定等權混合（10%），並提升控制友好度、降低控制權加權分歧。

HOTICE 是一個面向雜亂環境的全身人形機器人物體運輸學習框架。它提出 Humanoid-Object Decoupled Potential Fields，將機器人本體與搬運物體的避障引導聯合編碼；並設計上下身解耦的雙智慧體強化學習架構，透過共享狀態觀測與獎勵維持全身協調。訓練上採用專家到通用蒸餾，把多個特權教師策略壓縮為單一可部署學生策略。研究在 MuJoCo 模擬和真實 Unitree G1 人形機器人上驗證，顯示其能運輸不同形狀物體、泛化到未見雜亂場景，並取得較強的 sim2real 表現。

研究者提出 PROACT 框架，把對人類協作行為的預測融入柔順全身控制，使機器人在與人共同搬運重物時既能高效移動物體，又能順應使用者的施力。在 108 次真實世界試驗中，該方法顯著降低了互動做功與任務完成時間。

GINIO 是一個面向神經慣性里程計的 SO(3) 等變介面，確保學習到的運動測量在任意 IMU 安裝旋轉下按向量與二階張量規律變換。它透過 Last-Frame Alignment 實現感測器座標系訓練，並分離 IMU 偏置等區域性狀態，在 TLIO、NanoBench 和 Fetch 上取得顯著 ATE 改善，包括無需重訓練的物理重安裝魯棒性。

研究者提出JAMB，一種在共享Transformer中聯合去噪雙臂動作與未來3D點軌跡的擴散策略。透過將多模態表示統一到共享時空座標系，動作與運動假設可在去噪過程中相互修正。在RoboTwin 2.0的16項模擬任務中，JAMB平均成功率達83.4%，比最強基線高23.9個百分點；在三個真實機器人任務上，分別比僅動作策略和輔助幾何預測方法高50.0和21.2個百分點，並對雜亂場景和分佈外背景表現出更強泛化能力。

一篇新的 arXiv 論文提出用強化學習自動生成機器人助手的多模態互動策略，基於人類資料訓練的模擬器和簡單高層獎勵函式。真實場景人類研究顯示可用性高、任務完成有效，為手工設計互動管理器提供可擴充套件且可解釋的替代方案。

該論文放棄長期沿用的"平坦海底"近似，改用多檢視幾何方法，形式化並證明了一個雙檢視約束：同一共享特徵必須落在球面與平面交線上的一段軌跡內。作者透過蒙特卡洛模擬刻畫了該歧義軌跡的長度規律，並給出面向水面船隻與水下潛航器的測量規劃建議。

本文針對修剪螺旋麵軟臂提出一種分離截面本構律，修正傳統 Cosserat 杆模型在跨截面求和剛度假設下的誤差。該方法分別在各螺旋域的區域性座標系中評估其本構響應並回拉至主幹，結合稀疏融合力學描述域間相對運動帶來的額外柔順性，得到強各向異性的等效截面剛度。模型嵌入幾何精確動態 Cosserat 框架，採用 GVS 離散與肌腱驅動，在 103 組實測構型上取得約 7% 的歸一化位置誤差，單次全臂求解約 0.3 秒（單核 CPU），支援快速規劃、狀態與負載估計以及形態-控制協同設計。

一篇已被 IEEE Transactions on Systems, Man, and Cybernetics: Systems 接收的論文，提出用深度強化學習讓移動機器人在陪伴行人時動態調整自身跟蹤位置，並融合模型預測路徑積分控制與控制障礙函式來兼顧精準跟隨、避障與安全。室內外真實場景實驗顯示，該方法將任務成功率與跟蹤精度分別至少提升 24% 與 47%，並能在行人速度最高 1.7 m/s 的情況下靈活伴行、提升人的舒適度。

這篇 arXiv 論文提出 DTV-INR，將座標驅動的隱式神經表示（SIREN）與基於結構張量的各向異性全變差正則項結合，把連續到離散的採集過程建模為不適定逆問題。作者在 H^1(Ω) 中證明了變分解的適定性，並用交替投影最佳化演算法解耦網路引數與自適應張量場更新。在臨床腦部 MRI 與生物醫學透射電鏡資料上，方法在連續非整數上取樣下取得最高 +5.05 dB 的 PSNR 提升，並展現對噪聲的良好魯棒性。

該研究利用公開鞋外底印痕資料集，比較CNN遷移學習與傳統特徵分類在二分類性別推斷中的表現。採用按鞋劃分的訓練/測試集以減少重複掃描導致的資料洩漏；微調CNN整體表現最佳，並優於僅用手工特徵的傳統分類器，凍結核特徵方法則計算成本更低。探索性分析顯示低維CNN表示與頻率閾值比、影像對比度及小波統計量相關，但實際應用前仍需獨立樣本和案件型印痕驗證。

MirrorDistill 是一種用於低光影像增強的照明感知潛在蒸餾框架。它在訓練階段透過特徵映象連線低光域與乾淨域，在推理階段僅保留輕量級學生編碼器-解碼器。該方法在 LOL-v2-Real 上取得優於當前最佳方法的結果，同時計算複雜度（GMACs）最低，並在 LOL-v1 與 LOL-v2-Synthetic 上保持競爭力。

研究提出三維殘差小波擴散模型，透過無損小波重引數化、殘差移位與域隨機化三項設計，在單塊GPU上實現全腦擴散取樣，為0.064T超低場MRI生成逐體素不確定性圖，並在認知障礙試點佇列中保留與疾病相關的萎縮。

RULER 是一種基於例項感知評分規則的獎勵方法，用於強化學習訓練文本到 SVG 生成模型。它用視覺語言模型對六項評分規則逐項打分，替代遷移性差的 CLIP、Aesthetic 等標量指標，並在 MMSVG-Illustration 與 MMSVG-Icon 上把評分從 0.432/0.395 提升到 0.693/0.683，無需配對 SVG 真值或人類偏好標籤。

ImIR 用源自退化影像本身的連續影像指令替代文本提示，為預訓練影像編輯模型提供條件；僅需在單張 GPU 上訓練約三小時的一個介面卡，即可覆蓋六項修復任務，並支援無需退化標籤的任務無關修復。

arXiv 上新發布的論文提出 Segment-Snap 框架，透過部件與把手的物理關聯，把可動部件分割、運動約束與可操作區域預測耦合起來。在 Articulate3D 驗證集上，把手引導使運動門控 AP 從 13.74% 提升到 40.98%，完整上下文下把手 AP 達到 30.99%。

arXiv 新論文提出一種質量約束的影像編碼方案：在保證人類觀察質量達到預設可接受水平後，把剩餘位元速率用於提升機器視覺任務表現。作者將聯合壓縮—分割訓練重構為約束最佳化問題，並設計絕對函式與雙線性函式兩種懲罰項；實驗顯示，在相同任務效能下，相比無約束聯合率—失真—任務最佳化和簡單率—失真基線，BD-rate 分別降低 22.82% 和 29.81%，且未增加複雜度。

arXiv 新論文提出 SPARC，一種利用超畫素在增強影像檢視之間建立區域對應關係的區域級對比學習框架。它在影像級目標之外聯合最佳化區域級對比目標，在語義分割上最高提升 9.79 mIoU，在目標檢測上最高提升 4.88 AP，優於 MoCo-v2 和 DenseCL。

arXiv 綜述論文《深度偽造與合成媒體：生成、檢測與治理》系統梳理深度偽造的生成模型、檢測方法與治理框架，指出跨生成器泛化是核心難題，並主張以取證檢測、密碼學溯源和監管問責形成多層防禦。

安全對齊的大語言模型常出現過度拒絕，錯誤地拒絕良性但涉及安全主題的指令。該論文從Transformer注意力內部的路由衝突切入，發現稀疏的“超敏感安全頭”在Hard-Safe提示上誤觸發，導致高熵路由衝突；作者提出免訓練的語義路由校準（SRC），在推理時抑制這些安全頭，並配合雙分支logits融合，在儘量保留安全效能的同時緩解過度拒絕。論文被EMNLP 2026主會接收，共33頁、13張圖。

一篇新 arXiv 論文聯合研究線上策略蒸餾（OPD）中的提示廣度和響應生成策略重新整理，發現兩者存在 4.07 個百分點的互動效應：在響應凍結時增加提示會降低準確率，而在每次更新重新整理時則會提高準確率；兩種教師模型下的比較還顯示結論會隨推理預算反轉。

該論文提出 AIBuildAI-2.5，一個用 LLM 智慧體執行樹搜尋的自主 AI 模型構建系統。它用“評判器＋選擇器”的 LLM 引導樹搜尋替代按已執行獎勵排序的蒙特卡洛式搜尋，並加入資源感知排程器與按任務難度分派的模型路由器，以改善搜尋決策、提升硬體利用率並壓低推理成本。系統在 MLE-Bench 上以 73.3% 的獎牌率排名第一，並在 AIRS-Bench 的六項自主 AI 研究任務上超過強基線。

研究者提出 Peerify 流水線，用於驗證同行評審意見是否得到稿件證據支援，並構建了來自 NeurIPS 2024 和 ICLR 2024 的 800 條論斷基準。自動標註在受審計論斷上與人工共識一致率達 90.3%，而現成蘊含模型宏平均 F1 低於 0.24。

這項研究把歐洲央行和美聯儲的新聞釋出會視為有結構的敘事，而非單純的資訊釋出。作者沿貨幣政策立場、經濟前景和不確定性三個維度為每場釋出會構建“情感弧線”，用以檢驗情感在整篇宣告中的走向與強調方式是否攜帶政策訊號。結果表明，弧線形態在預測政策利率變動方面穩健優於基於詞典的平均語調基準；弧線特徵還會影響專業預測者對通脹預期的修正幅度以及彼此之間的分歧程度，說明存在獨立於直接政策訊號的“接收方效應”。作者據此認為，溝通設計——政策語言在宣告中的排序與強調——是政策訊號的一階特徵，而非二階修飾。

QMSum缺少標準評分器，導致查詢聚焦會議摘要結果難以比較。本文在統一實現下對15個系統重新評分或生成，發現一個已公開的406M Fusion-in-Decoder專用模型從受限長輸入切換到2000詞檢索片段時ROUGE-1下降6.30，但在該片段機制上微調後可恢復損失。測試集上該模型得36.33 ROUGE-1，本文1.2B系統為35.41，差值95%區間為[-0.27, +2.22]，統計上無法區分；更小系統引數約為三分之一、峰值推理記憶體不到一半。固定的1.2B基礎模型中，片段微調帶來5.29提升，用2000個檢索詞替換前4500個轉錄詞在測試集提升1.55、驗證集提升0.29。在單一簡潔提示和參考重疊評分器下，406M專用模型至少超過五個專有託管模型6.2 ROUGE-1，但輸出長度與缺少人工或事實性評估限制了該排序。結論僅限QMSum與自動指標。

一篇新論文探討歷時詞嵌入能否從現代高資源語言遷移到古梵語。作者構建了覆蓋四個經典時期的270萬詞元語料，用神經位元組級連聲拆分器和詞形還原器恢復詞邊界，並按時期訓練嵌入。在21項可測試的語義變遷中，19項方向與文獻學考證一致（符號檢驗 p=0.00011）。

一篇新論文檢驗了開放權重語言模型在數值等價改寫下的答案一致性：在 3,600 道精確有理數問題和 8,600 條提示上，五個模型的正準準確率高達 0.969–0.996，但同一等值軌道的正確率與不變性降至約 0.85–0.98。研究指出，部分所謂推理失敗其實來自評測器的數字語法未覆蓋乘法形式的科學計數法；Mistral Small 4 則在單位換算上出現相差整十次冪的系統性錯誤。另有 9,000 次呼叫實驗顯示，表示共識並未優於複述共識，反而產生更多誤報。

作者獨自用純 Rust 完成約 0.4B 引數、孟加拉語優先的語言模型端到端預訓練，租用 GPU 花費 164 美元。論文更重要的貢獻是給出 Candle 與 Burn 作為訓練後端的失敗分類，並提出可捕獲六類靜默失敗的梯度流驗證方法；作者結論是 Rust 目前還不足以勝任訓練，但適合端側推理服務。

一篇新論文以 TF-IDF 加線性分類器為測量工具，對 ISOT/Kaggle「Fake and Real News」語料庫做可復現審計，發現其超過 0.98 的準確率與 F1 主要來自後設資料、來源標籤和重複文件等捷徑，而非對新聞真實性的判別能力；在主題不重疊的設定下效能大幅下降，遷移到獨立基準 LIAR 後更是接近隨機水平。

這篇 arXiv 論文指出，擴散模型的資料點遺忘評測通常只看刪除剛完成的那一刻，忽略了多次刪除請求連續作用於同一模型時的累積效應。作者識別出“順序重現”這一失敗模式：樣本在刪除後一度被判定為已遺忘，卻在後續針對其他目標的刪除操作後重新回到被記憶的狀態，且無需重新使用被刪資料或對抗性微調。為刻畫該現象，論文提出目標級評測協議，並發現會重現的目標在刪除後呈現更尖銳的區域性去噪損失幾何。