KathaTrace是一種與生成器無關的協議，用於診斷視覺敘事中的語義軌跡崩潰，即場景間語義連線丟失。研究者構建了KathaBench-25K資料集，包含5000個經典敘事，定義了語義軌跡差距（STG）指標。實驗顯示現有生成器的STG高達23.5±1.3。Semantic Compass利用KathaTrace訊號進行後生成修復，改善故事板選擇。

提出CPG-PAD框架，透過模型級概念引導的提示學習提升呈現攻擊檢測的跨域泛化能力。利用可解釋AI自動發現攻擊相關視覺概念，並注入提示空間，在九個基準資料集上取得最先進效能。

AnchorSplat是一種全新的3D原生細化正規化，直接在3D結構上執行，避免了傳統3D-2D-3D管線的昂貴最佳化開銷。它透過點錨機制保證幾何一致性，並用單次乘法替代迭代加密，無需原始多檢視影像。實驗表明，其吞吐量比最佳化方法快10^5倍，且在多種資料分佈上具有魯棒的零樣本泛化能力。

TurnNat是一個基於似然的框架，用於自動評估雙人對話中的話輪轉換自然性。它透過因果預測模型計算未來語音活動的負對數似然來量化時序異常，並在擾動基準上驗證了有效性。

RuleChef是一個利用大語言模型（LLM）為自然語言處理任務（如文本分類、命名實體識別、關係抽取）生成可執行規則的框架。它基於任務描述和標註示例生成規則，並透過額外示例和人類反饋迭代改進。LLM僅在訓練階段使用，最終產生快速、確定且可檢查的規則系統。初步評估在分類和NER任務上進行，並開源釋出。

Office Comprehension Bench (OCB) 是首個公開基準，用於評估大型語言模型在Word、Excel和PowerPoint原生檔案格式上的理解能力。它包括兩個測試軌道：檔案保真度問答和領域問答。即使最先進的系統在預設推理模式下也僅達到約59.3%的準確率，提升思考深度效果有限，而升級產品層級能帶來適度改善。研究團隊已釋出資料集、評估工具和排行榜。

研究人員提出RAGP，一種新的提示壓縮方法，將文本建模為多重圖，並利用萊維遊走進行高效剪枝。在LongBench上以4倍壓縮比平均得分49.3，優於現有基於LLM的方法。

該論文揭示了基於計數的F1指標在評估LLM錯誤檢測時可能因提示框架而產生顯著虛高（稱為F1膨脹），並引入ErrorBench壓力測試協議。實驗表明，錨定提示可導致高達0.79的F1膨脹，建議評估應避免預置錯誤計數並報告跨度感知指標。

最新研究發現，BPE分詞會將安全關鍵詞拆分為子詞單元，導致大語言模型的安全對齊機制失效。攻擊方法可在80-100%的拒絕提示上翻轉首個令牌的拒絕觸發，其中48%產生有害輸出。防禦嘗試中，DPO無法穩定關閉攻擊成功率，SFT雖然有效但導致全域性拒絕率上升。研究引入了Conv-Benign診斷方法以區分選擇性修復與全域性崩潰。

本文提出SPARCLE，一種說話人感知的字母表示模型，透過對比學習將字母與對應的Wav2Vec2聲學表示對齊，同時考慮說話人身份。該模型可在低資源場景下替代傳統的音素到文本（G2P）系統，將詞錯誤率降低一半。

本文提出Kara，一種滑動視窗KV快取壓縮方法，透過僅在最近生成的上下文上操作並進行解碼時壓縮，利用雙向注意力機制評分和選擇資訊性KV對，並設計Token2Chunk模組靈活保留重要語義資訊。實驗表明，Kara和基於vLLM的推理框架KvLLM顯著降低了KV快取記憶體使用並提高了輸出吞吐量。

本文提出一種基於溯源分析的框架，用於檢測大型語言模型代理在呼叫工具時是否與使用者意圖對齊。研究者開發的ProvenanceGuard流水線在工具執行前分析三種型別的對齊偏差，在Agent-SafetyBench和WorkBench基準測試中，將錯誤率從42.9%降至1.8%和從32.1%降至17.3%，同時將對齊軌跡的干預負擔從30.5%降至12.8%。

TokenScope 是一款面向解碼器型 LLM 的互動式可解釋性工具，能在程式碼生成過程中提供詞元級度量、注意力模式和結構資訊，支援詞元替換、反事實分支和基於抽象語法樹的程式碼感知聚合。

本文提出了一種利用影像和事故報告等多模態資料進行鐵路道口安全評估的AI系統原型，透過視覺語言模型實現風險分類和安全評分，效能接近專家水平。

研究提出NightVision攻擊，即使在僅返回單個logit且無法偏置logit的受限API下，也能以較低誤差率推斷大型語言模型的隱藏維度、深度和引數數量。

趙志林的新專著提出了一個統一的、面向證明的現代深度學習理論，連線了經典的近似、最佳化和泛化與現代主題如過引數化、Transformer、上下文學習、縮放定律和湧現。

研究人員提出了一種結合稀疏隨機投影和多項邏輯迴歸的機器學習方法，用於DNA甲基化資料的中樞神經系統腫瘤分類。在參考佇列中達到96%準確率，在獨立臨床佇列中達到86%（91類）和93%（家族級），較現有技術提升4-5個百分點，具有臨床意義。

IonSense-QKG 為公共鋰離子電池資料集新增量子相關後設資料，並引入量子就緒評分，幫助研究者選擇適用於混合量子-經典機器學習的資料庫。該框架支援基於查詢的發現，為資料驅動的量子電池分析提供可復現的基礎。

本研究系統刻畫了多探針網格演算法在高維空間中的效能，發現其在GloVe嵌入上表現出獨特的維度縮放交叉現象，與其他方法相比具有恆定維度指數、近線性查詢縮放和更低索引成本的優勢，對高效Transformer架構設計具有指導意義。

本文提出一種基於領域知識的圖卷積網路方法，透過引入PRQST關鍵點作為領域知識，並利用雙流有向圖建模心電週期內和週期間的複雜關係。在首屆中國心電圖智慧競賽資料集上，該方法整體平均F1分數達88.1%，罕見類別平均F1分數為76.3%，均優於現有最先進模型。

本文研究程式設計示例系統的對抗性魯棒性，提出一種新攻擊模式：對手觀察合成器並選擇最有害的示例進行破壞。作者形式化了有限版本空間下的最壞情況破壞，實現了精確搜尋和啟發式搜尋，並引入版本空間分割槽聚合（VPA）防禦。實驗表明，低裕度任務存在隨機噪聲評估忽略的對抗魯棒性維度，而VPA僅在清潔語義保持分割槽投票裕度時有效，這在現實任務中常失敗。

本文提出I²RiMA網路，透過在每個頻率點獨立構建空間協方差矩陣並對映到SPD切空間，結合頻率聚類聚合和幀間注意力模組，有效提升了跨被試腦電圖壓力檢測的準確性。在三個資料集上達到82.78%的平衡準確率，且引數量僅1.60M。

該研究提出了一種多層Q矩陣嵌入神經網路（M-QCDNet），將認知診斷模型的結構可解釋性與深度學習神經網路相結合。M-QCDNet使用Q矩陣作為結構先驗來組織專案-技能關係，確保潛在掌握特徵可解釋且符合認知理論，並透過帶L2懲罰的損失函式平衡預測效能和結構對齊。還開發了可解釋對齊指標來量化預測技能啟用與專案級技能的對應程度。M-QCDNet在課堂實踐中具有實際益處，能夠早期發現學習困難並支援基於掌握的干預。透過將診斷有效性嵌入模型設計，M-QCDNet彌合了心理測量透明性與神經靈活性之間的鴻溝，推進了可解釋、公平且可操作的AI認知診斷。

提出程式性記憶蒸餾（PMD）方法，利用強化學習中跨回合的失敗模式、成功策略等資訊，構建三層抽象的記憶，並透過記憶條件的自我教師蒸餾到策略中，在多個基準上超越現有方法。

該研究審計了MedAgentBench v1/v2，發現41.7%的靜默完成上限，並構建了MAB-v3（508個任務，8.9%上限）。使用Qwen3-8B訓練揭示了兩個結構性障礙：能力上限和格式知識障礙。純強化學習達到18.2%的pass@1，而基於規則的SFT為34.1%，差距完全歸因於這些障礙。研究提出了決策/格式知識/查詢分類法來預測強化學習的可學習性。

本研究探索使用可驗證獎勵的強化學習（RLVR）在特定企業SaaS工作流中訓練小語言模型，以解決傳統下一個詞預測的侷限性。在模擬Jira和Confluence API的五種合成環境中，RL訓練的模型在四個非退化場景中平均獎勵從0.35-0.92提升至0.95-1.00，尤其是在Confluence頁面建立任務中從0.35提升至1.00。但手動設計可驗證獎勵難以擴充套件，且存在獎勵飽和問題。

研究團隊將混合專家擴散語言模型DiffusionGemma-26B應用於醫學視覺問答，並與其自迴歸版本Gemma-4-26B對比。擴散模型在所有指標上匹配或超越自迴歸模型，解碼速度快3.5-4.4倍，且具備任意順序填充能力，特別適合放射科醫生互動式起草報告，而自迴歸模型在此任務上表現不佳。

CreativityNeuro是一種無需資料的方法，透過對比權重引導增大大語言模型的發散思維，在多項創造力測試中將效能提升多達14個人類百分位點，並顯著減少模式崩潰。

本文提出了一種難度路由服務控制架構，用於自主客服代理在執行退款、取消等操作任務時，透過輕量級路由器將複雜請求分流至升級工作流，集中進行衝突感知溝通和寫前重新考慮，從而在保持常規服務高效的同時防止操作錯誤。在零售和航空任務上的評估顯示，該方法能顯著提升可靠性，且改進並非來自無差別的互動擴充套件。

針對大型複雜程式碼庫摘要難題，研究人員提出Agent4cs多智慧體框架，採用自底向上的方式，透過摘要、關鍵詞提取和質量保證三個智慧體協同工作，在7個前沿模型上平均提升語義一致性8%，關鍵詞覆蓋率最高提升38%。