該研究從Argoverse 2資料集中提取1219次持續減速事件，透過19維運動學特徵和K-means聚類發現四種穩定模式：預期性軟減速（62.8%）、反應性接近（30.6%）、剎車式急動（4.8%）和異常類（1.8%）。僅配對年齡顯示出中等效應（ε²=0.085），場景幾何和弱勢道路使用者接近度影響可忽略。早期事件分類器在1.0秒時達到宏F1=0.758，場景上下文貢獻+0.059 F1。模式在中速駕駛中不變（ARI=0.817），但在低速時依賴速度範圍（ARI=0.166）。

本文提出了一種在SE(3)李群上開發的不變擴充套件卡爾曼濾波器(IEKF)，用於序列剛體機械臂的狀態估計。透過利用運動學方程的群仿射性質，線性化誤差動力學變得自治，使得黎卡提方程能精確控制真實誤差協方差。濾波器採用物理分離的噪聲模型，獨立處理陀螺儀和加速度計通道，並設計為模組化的每連桿IEKF鏈，計算成本與連桿數成線性關係。透過李代數李雅普諾夫函式證明了均方指數最終有界性，數值結果驗證了方法的有效性。

研究人員開發了FLYNN，這是一種基於果蠅完整腦連線組的迴圈神經網路，用於視覺導航。相比傳統網路，FLYNN在面對分佈外資料和感官丟失時表現出更強的魯棒性，即使在完全失明的情況下仍能執行。

本文提出GPAC架構，一種四層分層控制系統，使多架四旋翼無人機無需中央協調或交換狀態即可協同運輸纜索懸掛載荷。關鍵創新在於隱式協調，每架無人機透過區域性纜索測量獨立估計其有效載荷分擔，同時結合幾何控制、抗擺調節、風乾擾觀測器、基於並行學習的質量估計（無需持續激勵）以及優先順序排序的控制障礙函式安全濾波器。模擬顯示平均跟蹤均方根誤差為33.8釐米，計算成本低。

服務機器人在搜尋家庭物品時依賴於空間先驗知識來降低搜尋成本，但物品的位置可能因居民特徵而異。收集特定特徵的縱向居家軌跡具有侵入性且難以擴充套件。本文研究了何時個性化有幫助，並提出了PerSim——一種剛性門控混合策略，結合了特徵條件先驗和人群頻率基線，僅在放置行為多變時進行個性化。透過人類校準的模擬流程生成並驗證了不同家庭佈局中的物品放置轉換，並訓練了一個預測器，輸入連續的大五人格向量以輸出房間級先驗和房間內共現線索。一項統一的使用者研究（N=200）表明，合成轉換在行為上合理，並且個性化主要適用於低剛性物品，而人群頻率基線對普遍放置的物品仍然有效。離線測試顯示在未見過的連續特徵向量上效能優於最近離散配置匹配。在家庭數字孿生中，PerSim透過結合房間訪問努力和房間內線索檢查降低了預期搜尋成本。

針對視覺-語言-動作系統在空間關係理解上的不足，研究者提出了EmbodimentSemantic資料集與基準。該資料集透過物體-關係-物體三元組顯式表示空間結構，包含真實世界和模擬兩個部分，並驗證了場景圖對下游控制任務的提升作用。實驗表明當前模型雖能預測合理關係，但難以精確處理深度和視角依賴的空間結構。

MG-SpaIR是一種無需訓練資料的框架，能從單個受混合退化（模糊、下采樣、噪聲、缺失畫素）汙染的觀測中恢復乾淨影像。它基於隱式神經表示，引入多級粗到細殘差層次結構逐步最佳化重建，並透過顯式稀疏近端正則化抑制偽影。實驗表明，其效能優於Deep Image Prior。

提出一種利用合成資料訓練即時裝配步驟識別視覺系統的方案，僅需CAD模型和簡單步驟描述，一小時內可完成部署，在真實裝配案例中達到92.4%準確率，大幅降低資料採整合本。

研究人員提出了DeCoDe技術，透過將小樣本影像分類分解為成對比較，使現成的多模態大語言模型無需額外訓練即可成為強大的小樣本分類器。該方法在十二個資料集上顯著優於現有方法，程式碼已開源。

本文提出SegFS，一種雙流快慢框架，用於開放詞彙影片例項分割（OV-VIS）。透過在稀疏關鍵幀上使用開放詞彙物件模型預測例項表示，並將這些表示投影回主幹特徵空間以調節輕量級快速網路，SegFS在不犧牲準確性的情況下顯著提高了效率。快速分支的延遲比面向移動的MOBIUS模型低14倍，同時保持具有競爭力的分割效能。

本文提出PixelEyes，一種多輪視覺推理代理，透過解耦推理與感知來解決多模態大模型在目標定位中反覆失敗的問題。引入掩碼引導視覺搜尋和語義區域廣度優先搜尋，構建PixelEyes-6K資料集和Pinpoint-Bench基準，實驗表明現有模型仍有較大提升空間。

城市級視覺地點識別（VPR）旨在透過將查詢影像與地理標記資料庫匹配來確定其地理位置。然而，現有方法忽略了城市資料集中存在的嚴重長尾問題，導致模型偏向影像豐富的區域，而忽視稀疏覆蓋區域。本文系統性地描述了這一不平衡挑戰，並提出了分佈感知地點識別（DAPR）框架，這是一種與模型無關的即插即用框架，能夠重新平衡頭部和尾部類別的梯度貢獻。在分類-檢索流水線中，DAPR應用多尺度距離搜尋機制來計算每類分佈的緊湊性，在檢索階段提供補充增益。在SF-XL基準上，該框架在測試集v1和v2上分別比之前的分類-檢索基線提升了18.3%和6.7%。作為即插即用模組，它在SF-XL、MSLS和Pitts30k上的代表性VPR方法中均取得了一致的改進。

本文提出了一種無需額外訓練的證據注入框架，透過利用MedSAM獲取的感興趣區域先驗，重新校準視覺感知軌跡並錨定文本推理軌跡，從而系統性地減輕醫療多模態大模型在臨床問答和放射學報告生成中的幻覺問題。在多個模型和資料集上的實驗表明，該方法能顯著提升閉式問答準確率（最高提升約6%）並減少開放式幻覺（約35%）。

提出DiSIINet，基於擴散隱式模型統一醫學影像增強與分割，透過共生資訊互動模組實現特徵級動態資訊交換，在多模態資料集上顯著提升效能。

提出了一種新的多尺度層注意力（MSLA）方法，用於改善甲骨文（OBI）識別。該方法顯式建模多尺度和跨層特徵互動，從而更準確地捕捉甲骨文的細粒度細節。實驗表明，MSLA在大型資料集上持續優於現有注意力機制，同時保持計算效率。

SLIM-RL是一種新的強化學習方法，用於擴散大語言模型（dLLMs）。它透過τ預算解碼器限制每步的承諾風險，並採用無跡隨機掩碼目標與方差降低技術，避免了TraceRL方法中昂貴的軌跡切分。在SDAR-4B上，SLIM-RL僅用0.46倍的訓練樣本就達到了與TraceRL相當的MATH500準確率，在數學和程式碼基準測試上均優於TraceRL。

本研究應用機器學習管道分析619個印加奇普（結繩記事裝置），透過無監督聚類發現三個結構組，監督分類達到86% F1分數，並透過SHAP識別出繩索捻向為帝國風格的關鍵區分特徵。研究還揭示了殖民時期博物館收藏的結構印記，並獨立驗證了聖谷奇普的半族結構。

ALEE是一個新的評估框架，利用抽象意義表示（AMR）生成英語最小對，並配以目標語言翻譯，從而實現對任意語言中文本嵌入模型的細粒度診斷。研究覆蓋275多種語言和多個嵌入模型，發現不同語言、文本長度和語言現象間效能差異顯著。

本文系統審計了現有的知識型視覺問答（KB-VQA）基準測試，發現其普遍存在答案缺失或矛盾、問題表述模糊以及視覺場景過於簡單等缺陷，導致準確率指標失真。作者提出了審計-修復協議和多重實體增強協議來修正這些問題，並驗證了修正後模型效能排名的顯著變化。

一項新研究發現，醫療大語言模型的幻覺可透過簡單探針以較高準確率檢測（AUROC 0.77-0.86），但檢測訊號在神經元中分佈冗餘且分散，即使識別出相關神經元也無法透過干預有效糾正幻覺，揭示了可讀性與可控性之間的顯著差距。

研究人員針對土耳其語和阿拉伯語建立了包含六個主題的仇恨言論資料集，並開發了基於BERT的模型，用於分類、強度預測、目標識別和跨度檢測，以應對線上仇恨言論。

一項研究透過人類專家評分，評估前沿大語言模型在阿拉伯文化和社會語言學知識上的表現。該交叉評估框架測試模型在埃及和伊拉克阿拉伯語上的表現，發現GPT-5.4是最可靠的評判者，而隱含的文化推理仍然是主要挑戰。

一篇在ACL 2026 BigPicture研討會上發表的論文提出透過引導向量和基於潛在空間的模型校準器來利用語言模型內部表徵，從而增強對模型行為的控制能力並評估輸出的可信度。

大型語言模型在創意寫作中面臨二元困境：要麼進行安全的表面編輯，要麼進行破壞性的無控制情節擴充套件。研究人員提出Loom框架，基於敘事學中故事與話語的區分，透過三層流水線和意圖中心符號學思維鏈實現精準控制，在保持事件結構完整性的同時提升描述強度。評估表明Loom成功解決了這一基本矛盾，在事實完整性和描述強度上均優於現有基線。

本文對Beckmann & Butlin (2026)關於LLM個體化的本體論框架提出質疑，認為其繼承了未論證的跨體制共指假設。透過Qwen3-4B-Instruct和Mistral-7B-Instruct-v0.2上的個性拓撲實驗，作者展示了四個經驗性楔子，共同削弱該假設，並提出體制索引個體化：表徵內容的身份單位是（載體，體制）對，而非僅載體。

聯邦學習在頻寬上面臨雙重瓶頸：模型大小限制了引數平均方法的合併頻率，而類別數量使得每個探針的軟標籤蒸餾在大詞彙量下變得不可行。TallyTrain透過僅傳輸每個參與者的argmax類別索引，將類別軸的通訊量壓縮到⌈log2C⌉位元，其中C是輸出類別數。實驗表明，在非獨立同分布訓練下，硬標籤多數投票能有效過濾噪聲，而軟標籤平均會放大噪聲。TallyTrain在標準基準上匹配或超越軟標籤蒸餾，同時通訊量降低多達三個數量級。此外，結合稀疏引數合併的頻寬橋接變體在Pareto曲線上優於FedAvg、FedProx和FedDF。

基於伊辛模型的熱力學計算裝置在低功耗AI推理和邊緣計算中展現出巨大潛力，但針對此類硬體的大規模模型訓練方法仍然有限。本研究將高溫吉布斯取樣伊辛系統的時間平均行為與神經網路推理的理論對應關係轉化為一種可擴充套件的、純反向傳播的演算法，用於訓練深度卷積網路在伊辛機硬體上進行熱力學推理。在CIFAR-10和CIFAR-100資料集上，模型分別達到94.9%和76.0%的準確率。此外，還開發了推理成本與精度之間關係的數學理論，並給出了最優推理排程演算法。最後討論了硬體開發的影響和高溫熱力學AI模型的未來。

本研究提出一種基於可驗證獎勵的強化學習方法，用於訓練校準的機率預測模型。透過引入無標籤獎勵（基於歷史結果的狀態條件經驗勝率）和梯度遮蔽技術，解決了直接獎勵真實結果導致的校準退化問題。在NFL比賽勝率預測測試中，7B引數模型僅使用該獎勵訓練，無需人工標籤或監督微調，即達到了博彩市場的校準水平，並優於零樣本前沿模型。

引數高效微調（PEFT）通常在固定基（空間域或傅立葉域）中重新引數化權重更新。本文提出分數傅立葉專家混合（Fractional-Fourier Mixture of Experts），每個專傢俱有可學習的分數傅立葉階數，可在空間域和傅立葉域之間連續插值。透過將token路由到不同階數的專家，模型可將低秩更新置於最緊湊的域中，且專家間自然去相關，減少干擾並提升多工組合。該計算方法開銷小，在多個基準上優於現有方法。

本文提出了EVOTS，一種用於多變數時間序列預測的進化神經架構搜尋框架。它採用模組化基因組表示和修復機制，自動發現任務自適應的Transformer類模型。在ETT系列資料集上的實驗表明，該框架能在實際計算約束下找到效能優異的架構。