研究人員提出FLASH策略，利用勒讓德多項式軌跡表示和稀疏時間取樣實現單步推理，在五個模擬和兩個真實世界的操作任務中達到92%以上的成功率，推理時間僅31.4毫秒，比擴散策略快175倍。

該研究提出了一種利用大語言模型（LLM）最佳化建築機器人任務排程的智慧框架。系統透過自然語言處理介面與建築專業人員互動，並即時適應突發工地情況。框架採用雙LLM代理架構：生成器（GPT-4）和監督器（Gemma 3/Llama 4/Mistral 7b），以提供更精確的任務計劃。評估結果顯示，LLM在建築機器人操作任務中具有關鍵作用。

本文提出一種混合控制框架——延遲魯棒強化學習，透過整合LSTM狀態估計器與殘差強化學習策略，有效應對遙操作中的隨機通訊延遲。在Franka Panda機器人上的實驗表明，該方法在高方差隨機延遲下仍能實現穩定魯棒的遙操作，顯著優於現有基線。

本研究提出了一種視覺引導方法，幫助自主無人機在樹上找到理想的棲息位置。透過影像處理演算法（包括機器學習、影像分割和二值形態學）評估樹枝的寬度、坡度和曲率，而非僅識別最近的樹枝。在超過10,000張城市樹木影像的資料集上，該方法對76%的可行目標成功生成結果。未來將結合深度感知和姿態感測器資料進一步提升。

本文提出一種基於擴散的視覺運動控制策略，用於解決機器人開啟重型自閉門並透過的複雜任務。該策略透過端到端學習實現移動基座與雙臂的緊密協調，在長時域任務中表現出高成功率和魯棒性。

本文介紹了HoloMotion-1，一種用於零樣本全身運動跟蹤的人形運動基礎模型。其關鍵創新在於利用大規模混合運動語料庫擴充套件控制策略訓練，其中從現實影片中重建的運動提供了主要多樣性來源，而精心策劃的動作捕捉和內部運動資料提供了更高質量的監督和部署導向覆蓋。該模型整合了大容量時間建模、稀疏啟用的混合專家Transformer和KV快取推理以實現即時控制，以及序列級訓練策略。實驗表明，HoloMotion-1在多種未見過的運動基準上表現穩健，顯著提高了跟蹤精度，並可直接轉移到真實人形機器人上，無需任務特定微調。

PhysBrain 1.0是一種新方法，將大規模人類自我中心影片轉換為結構化物理常識知識，用於改善機器人的理解和控制。透過提取場景元素、空間動態和深度感知關係，訓練視覺語言模型，然後將其適應到機器人策略中。該方法在多個具身AI基準測試中達到最先進水平，尤其在域外任務中表現出色。

PanoWorld是一種全景影片世界模型，能從單張影像和描述生成幾何一致的360°影片。它透過深度一致性損失和軌跡一致性損失增強幾何約束，並引入PanoGeo資料集，在保持視覺真實感的同時顯著提升了幾何一致性，適用於具身AI的空間理解需求。

ChangeFlow 是一種基於潛在整流流的生成式遙感變化檢測框架，透過將變化掩碼合成建模為潛在空間中的整流流，解決了傳統判別式方法無法處理區域級標註模糊性的問題。它採用輕量條件訊號和隨機取樣整合，在四個基準上平均 F1 達到 80.4%，優於先前方法且推理速度相當。

本文提出了一種用於群卷積神經網路（GCNN）的特徵空間取樣方法，透過用特徵相似性選擇的代表樣本替換幾何密集取樣，從而將幾何解析度與記憶體和計算成本解耦。實驗表明，粗粒度的特徵空間取樣能很好地保持分類精度，顯著加速等變3D分類器的訓練。

Minerva-Ego是一個新的基準測試，用於評估複雜自我中心視覺推理，包含多步驟多模態問題和密集標註的推理軌跡。實驗表明，當前最先進的模型與人類效能仍有較大差距，而加入“何時何地”的提示可顯著提升效能。

本文提出了一種多模態概念驗證管道，結合LiDAR、可見光-熱成像融合和合成孔徑成像（AOS），用於森林冠層下的人類檢測。YOLOv5在FLIR資料集上微調後平均精度約0.83，為無人機搜尋救援和監視系統提供了基線。

COPRA是一種新型的影片異常檢測框架，透過為每個影片片段生成特定的引數更新，動態調整凍結的視覺-語言模型，解決了訓練與推理之間的資料分佈和模型配置不匹配問題。在標準基準測試中，COPRA在域內和跨域場景下均優於靜態基線方法，並泛化到影片問答和密集描述等未見任務。

本文提出深度預對齊（DPA）架構，用小型視覺語言模型替代標準ViT編碼器作為感知器，確保視覺特徵與目標大語言模型的文本空間深度對齊。在4B引數規模下，DPA在8個多模態基準測試中平均領先1.9個百分點，在32B規模下差距擴大至3.0個百分點。此外，DPA減少了32.9%的語言能力遺忘，並不同LLM家族中表現一致。

ReactiveGWM是一種新的反應式遊戲世界模型，能夠合成玩家與NPC之間的動態互動。它透過解耦玩家控制與NPC行為，利用擴散骨幹網路的加性偏置注入玩家動作，並透過交叉注意力模組實現高階NPC響應（如進攻、控制、防禦）。這些模組學習遊戲無關的互動邏輯，支援零樣本策略遷移，可直接插入不同遊戲的現成世界模型中，無需領域特定重新訓練。在《街頭霸王》遊戲上的評估表明，ReactiveGWM在保持精細玩家可控性的同時，實現了魯棒的、與提示一致的NPC策略遵循。

驚異性理論認為單詞的處理難度由其上下文可預測性決定，但語言模型（LM）的驚異性在花園路徑句等句法歧義研究中系統性地低估了人類遇到的困難。本研究測試了“解析多樣性不匹配假說”：LM可能比人類同時考慮更多不同的句子解釋。透過迴圈神經網路文法（RNNG）和詞同步束搜尋，改變用於計算單詞驚異性的同時解析數量，發現減少同時解析確實增加了預測的花園路徑效應幅度，但遠不足以捕捉人類效應的全部幅度，表明該假說無法解釋LM驚異性和人類句子處理之間的差異。

該研究分析了六種不同的大型語言模型架構在十二類認知任務中的神經啟用模式，發現數學推理任務在所有架構中均產生最高的注意力熵，而解碼器模型的稀疏度顯著高於編碼器模型。研究結果為模型選擇與最佳化提供了關鍵見解。

大型語言模型個性化通常適應使用者偏好和風格，但未考慮使用者在不同專業領域評估能力的差異。這可能導致專業領域漂移，即使用者在自己無法可靠評估的領域依賴AI生成推理。本文提出能力條件化支架，一種將專業知識劃分為強、混合、弱三個領域，並根據結構化能力檔案調節干預行為的框架。初步評估表明，該框架能產生一致的能力檔案調節干預行為，包括檔案切換下的類別反轉和混合領域風險區域的選啟用。研究發現，能力感知支架可以在風格個性化之外支援更可靠的專業人機協作。

本研究開發了Eskwai for Students，一個基於檢索增強生成（RAG）的生成式AI助手，旨在幫助迦納法律專業學生進行法律教育。該系統依託包含超過1.2萬條判例法和1400條立法的資料庫，在30個月內對3100名學生進行了部署，處理了3.2萬次查詢。研究評估了AI的有用性，並揭示了學生查詢的型別及其引發的倫理問題。

針對撒哈拉以南非洲師生比例高、合格教師短缺的問題，研究團隊開發了基於WhatsApp的AI教學助手Adesua。該系統整合教科書和33年國家考試題目，利用生成式AI提供問答和自動評估。在迦納的6個月試點中，56名活躍使用者給予AI答案93.75%的幫助率評分，顯示出在資源受限環境中提供個性化學習支援的潛力。

本研究探討人類在詞彙量受限（最小250個高頻詞）時如何生成語言，並與基於大語言模型的貪心取樣和全域性最優取樣演算法進行比較。結果顯示人類行為更接近貪心取樣，但熟練者會回溯修正；在高約束下，人類傾向於使用語義較輕的詞彙。研究對資源理性認知、心理語言學、二語交流和語言障礙有重要啟示。

研究者從1.007億份烏克蘭法院判決中提取了5.02億條引用連結，構建了首個大規模法律引用圖。該圖揭示了司法引用結構能無監督地編碼法律領域邊界，並以近乎完美的準確率預測未來立法重要性。主要發現包括：度分佈遵循冪律；共引投影上的社群檢測自動恢復了民法、刑法、行政法和商法等法律領域邊界；引用特徵以AUC=0.9984預測前1000篇重要文章。該本體被用於LLM輔助法律分析的工作流記憶系統。

話語關係（如因果、讓步）是計算語言學和語用學的重要課題，但跨語言研究面臨資料複雜和介面缺乏的挑戰。DiscoExplorer 是一個開源的本地執行網頁介面，整合了 DISRPT 共享任務中 16 種語言的話語關係資料集，提供查詢語言、搜尋和視覺化功能，旨在簡化多語言話語關係的分析。

一項新研究利用130,486段來自106部小說的翻譯段落，分析了文學翻譯中流暢性與忠實度的關係。研究發現，無論是人工翻譯還是Google翻譯，段落長度與兩者之間存在一致的負相關，暗示了流暢性與忠實度之間的權衡。

OP-Mix是一種統一的資料混合演算法，適用於整個語言模型訓練生命週期，能以極低的計算量實現接近最優的混合策略。它利用低秩介面卡模擬候選混合，無需單獨的代理模型。

研究人員提出了分組查詢潛在注意力（GQLA），這是對DeepSeek多頭潛在注意力（MLA）的改進，在不重新訓練的情況下提供兩種硬體自適應的解碼路徑。該方法能在H100和H20 GPU上實現高效推理，幷包含TransGQLA用於轉換預訓練的GQA模型。

該研究探討了生成式軌跡模型的隱私評估問題。儘管生成對抗網路（GANs）、變分自編碼器（VAEs）和擴散模型等生成模型常被認為能保護隱私，但研究表明這一假設不成立。研究者確定了適用於軌跡生成任務的隱私評估實證方法，發現當前評估存在顯著缺口，並透過針對代表性模型的成員推理攻擊展示了隱私風險的存在。

本文提出轉錄組藥物設計（TBDD）作為生成式逆問題，透過條件擴散模型設計分子以實現期望的轉錄組狀態轉換。作者提出CURE框架，包含轉錄組擾動功能特徵提取器（TFE），用於跨模態對齊和異質性感知聚合，在標準測試和零樣本基因抑制劑設計中表現優異。

本文提出Logic-GNN，一種神經符號框架，將臨床記錄視為由潛在邏輯遊戲支配的“私人語言”，透過整合時序圖神經網路和圖柯爾莫哥洛夫複雜度歸納符號語法，將異常定義為導致臨床圖最小描述長度顯著擴充套件的“語法違規”。在Sina System資料集（超過200萬條記錄）上，Logic-GNN達到了0.94的F1分數，在區分危及生命的醫學異常和資料損壞方面比最先進的基線方法高出12%，並引入自愈機制以即時維護資料完整性。

MuteBench是一個新基準，用於評估在兩種常見感測器故障模式（模態缺失和模態內缺失）下多模態融合架構的魯棒性，覆蓋7個臨床領域的9個資料集、6種融合架構和125,000個樣本。研究發現，架構族是魯棒性的最強預測因子，通道獨立模型在模態缺失時表現良好但對模態內缺失敏感，而課程模態丟失只能在訓練時最大丟失率內提供保護。