M2Retinexformer是一種新型多模態低光影像增強框架，在Retinexformer基礎上融入深度、亮度和語義資訊，透過漸進式精煉管道和自適應門控機制提升效能。在LOL、SID、SMID和SDSD基準上優於現有方法。

大型視覺模型（LVM）透過將時間序列資料渲染為影像進行預測，但存在光譜和結構差距。SSDA提出雙重適應方法，包括頻譜幅度對齊器（SMA）和結構引導的低秩適應（SG-LoRA），在七個基準測試中優於基於LVM和LLM的基線。

現有訓練無關的GUI定位方法通常需要多次推理（如迭代裁剪或候選聚合）來識別目標元素，但每次前向傳播仍獨立處理指令和視覺佈局，缺乏視覺令牌間的漸進互動。本文揭示VLM中GUI定位遵循兩階段正規化：預填充階段決定候選UI元素，解碼階段僅進行座標微調。預填充是關鍵步驟，候選選擇錯誤無法在解碼中有效糾正。據此提出Re-Prefill，一種無需訓練的方法，引入注意力引導的第二預填充階段以最佳化目標選擇。在4種VLM和5個基準上的實驗顯示一致改進，ScreenSpot-Pro上提升達4.3%。

提出一種新正規化，將美學影像裁剪重構為多模態推理任務，透過“分析-提案-決策”過程啟用視覺語言模型在美學方面的分析和理解能力，並結合專家偏好對齊模組，使裁剪結果與人類專家一致。實驗證明該方法優於現有技術。

隨著特徵尺寸縮小到奈米級，將電路圖案從掩模精確轉移到矽片變得更加困難。光學鄰近校正（OPC）用於確保圖案保真度和可製造性。現有生成式掩模最佳化模型無法捕捉從目標佈局到掩模圖案的幾何變換，導致質量次優。本文提出MorphOPC，一種多尺度分層模型，透過神經形態模組學習這些變換。實驗表明，MorphOPC在邊緣OPC和ILT基準上優於現有方法，實現更高列印保真度和更低製造成本。

Scale-Gest提出一種執行時自適應手勢檢測框架，透過擴充套件tiny-YOLO架構家族、引入裝置校準的ACE（精度-複雜度-能量）配置檔案以及輕量級執行時控制器，在電池供電裝置上實現高效手勢檢測。相比單一檢測器，每幀能耗降低4倍（從6.9mJ降至1.6mJ），同時保持事件級F1分數0.8-0.9和平均延遲6ms。該工作還引入了時間標註的駕駛員模擬手勢資料集DSG-18。

本文提出FPILOT框架，一種受模型預測控制啟發的推理時最佳化方法，允許強化學習交易代理在交易時利用價格預測動態調整策略，無需重新訓練。在TradeMaster DJ30基準測試中，FPILOT在多個策略上一致提升了總回報和風險調整後收益指標，且隨著預測質量提高而改進。

提出MOPD框架，利用學生的多個生成軌跡（包括成功和失敗的）構建更有效的教師訊號，優於標準線上策略蒸餾方法。實驗表明，混合成功-失敗上下文能更好地對齊教師分數與驗證器獎勵，帶來更忠實、例項自適應的監督。

本文提出嵌入時態邏輯（ETL），一種直接在學習到的嵌入空間中進行監控的時態邏輯。ETL透過觀測嵌入與參考觀測匯出的目標嵌入之間的距離定義謂詞，捕捉高階感知概念。結合時態運算元，ETL可表達時序擴充套件和順序感知行為。實驗表明，ETL在多種操作環境中與真實語義高度一致，準確監控時序組合行為。

研究者首次為使用小批次SGD和梯度裁剪訓練的Kolmogorov-Arnold網路建立了總體風險界限，涵蓋了非私有SGD以及具有獨立和時間相關高斯擾動的差分隱私SGD。該工作引入了一種新的分析路線，用於非凸場景下的相關噪聲差分隱私訓練，實現了比先前工作更尖銳的界限。

本文研究了AI輔助決策中，AI置信度與人類置信度之間的對齊程度如何影響學習最優決策的複雜性。透過將問題建模為雙臂線上上下文學習問題，作者推導了遺憾下界，並證明完美對齊可以降低學習複雜度。實驗結果表明理論結果對對齊偏差具有魯棒性。

OceanCBM 是首個用於海洋動力系統時空預測和機械解釋的概念瓶頸模型。它透過混合監督預測混合層熱含量（海洋熱浪的關鍵前兆），利用來自地球物理流體動力學的預設概念和一個“自由”概念作為中間層，實現了可解釋且物理一致的表示，同時保持預測效能。

多模態圖學習（MGL）在整合多樣模態資訊與結構化上下文方面展現出重要價值，但現實世界中的圖常因資料共享限制而孤立，且模態經常不完整。現有方法在聯邦場景下存在不足：集中式MGL忽略聯邦中的知識共享與泛化，聯邦MGL主要針對非圖資料。本文提出FedMPO，透過拓撲感知跨模態生成、缺失感知專家路由和可靠性感知聚合，分別解決區域性生成依賴不足、全域性聚合可靠性不平衡的問題。在6個資料集上的3個任務中，FedMPO在高度缺失和非獨立同分佈設定下效能提升達4.10%和5.65%。

隨機神經網路(RdNNs)透過凍結隨機權重實現高效的無反向傳播訓練，但傳統隨機初始化忽略了特徵間的依賴關係。CAWI提出了一種基於Copula的權重初始化方法，能夠保留特徵依賴性，在83個基準測試和兩個醫學資料集上顯著提升了預測效能。

該研究提出了一種新的安全強化學習方法，透過執行時保障（RTA）層和Lyapunov穩定性理論，讓智慧體在保證安全的同時，自適應地決定何時傳送控制訊號，從而顯著降低通訊頻率。在倒立擺、小車-杆和平面四旋翼飛行器上，該方法比Lyapunov觸發基線實現了1.45到3.51倍的平均取樣間隔提升。固定頻率的LQR控制器在同一平均速率下不穩定，表明自適應時序而非低平均速率是實現安全稀疏控制的關鍵。該方法還支援偏好調節，並以2/11的訓練成本重建完整的權衡曲線，且對質量變化和擾動具有魯棒性。

研究者提出狀態中心決策過程（SDP），這是一種執行時框架，允許智慧體透過承諾自然語言謂詞，從原始文本環境中構建類似MDP的結構。SDP在五個基準測試上取得了最佳的無訓練結果，並提供了認證軌跡以支援高階分析。

多智慧體辯論在提升大語言模型推理方面存在結構侷限。CHAL框架將辯論視為可廢止領域中的信念最佳化引擎，採用圖結構信念表示與梯度驅動的動態機制，並引入認知價值系統作為超引數。實驗表明該方法在可解釋性和通用性上具有優勢。

本文研究了推理動作中知識庫更新的關鍵任務——進展（progression）。進展通常需要二階邏輯，但透過限制知識庫或動作效果，可識別出一階邏輯的特殊情況。作者利用情境演算框架，證明了在合理假設下，區域性效應、正規和迴圈動作這三類表達力遞增的動作類，其一階進展僅呈多項式增長。此外，當知識庫屬於可判定片段（如二變數一階邏輯或帶常數的全稱理論）時，進展仍保持在同一片段內，保證了可判定性和實際應用性。

REVELIO框架系統性地發現視覺-語言模型（VLM）在自動駕駛和室內機器人等安全關鍵應用中的可解釋故障模式，透過多樣性波束搜尋和高斯過程Thompson取樣組合搜尋，識別出弱空間定位、忽略障礙物等漏洞。

arXiv新研究提出BenchJack，一種自動化紅隊系統，用於審計AI智慧體基準測試中的獎勵駭客漏洞。作者從歷史事件中歸納出八類缺陷模式，並用BenchJack在10個流行基準測試中發現了219個不同缺陷。迭代的生成對抗管道可在三輪內將可破解任務率從接近100%降至10%以下，成功修補WebArena和OSWorld。研究表明評估流程缺乏對抗性思維，主動審計有助於縮小安全差距。

多智慧體強化學習在現實應用中需要遵循外部自然語言指令，但指令可能打斷正在進行的宏動作並導致價值估計不一致。本文提出宏動作價值校正（MAVIC）方法，透過校正指令邊界處的貝爾曼備份，實現一致的策略價值估計。實驗表明，MAVIC在複雜合作環境中能有效平衡指令遵循與基礎任務效能。

本文提出VeGAS框架，透過在推理時取樣候選動作並利用生成式驗證器選擇最可靠動作，顯著提升了基於多模態大模型的具身智慧體在複雜環境中的魯棒性和泛化能力，在Habitat和ALFRED基準上最高獲得36%的相對效能提升。

過去三週，GPT 5.5釋出後，AI工程師對Codex的支援增加，而Anthropic調整了Claude的定價策略，為訂閱使用者提供API信用額度，但被部分使用者視為'地毯式撤除'。同時，OpenAI推出企業遷移優惠。文章還涵蓋了代理基礎設施、模型訓練效率、企業AI定價競爭、自主科學與網路安全等多個領域的最新動態。

Agent FM是一款本地開源Mac應用，旨在即時監聽多個AI編碼代理（如Claude Code和Codex）的執行狀態，幫助開發者減少上下文切換，及時掌握代理的進度、阻塞、錯誤和決策。支援自帶金鑰模式的語音播報，免費且開源。

該圖表揭示了AI模型在釋出後因更新而可能出現的效能下降（“nerf”），資料來自LMSYS Arena的眾包人類評估，展示了各主要實驗室旗艦模型隨時間變化的ELO分數。

Notion推出開發者平臺，允許開發人員使用CLI、Workers、資料庫同步、Webhook觸發器、MCP和外部代理API在Notion基礎設施上構建應用，將工作區轉變為代理平臺。

Enjo 幫助中心利用人工智慧自動構建幫助中心，並能從團隊中學習，不斷最佳化。

Honeycomb 創始人兼 CTO Charity Majors 在播客中探討了程式碼生成成本趨近於零時發生的變化，強調可觀測性成為事實來源，優秀產品依賴品味，快速反饋迴圈讓團隊在不破壞系統前提下快速交付。她還談及工程團隊需用商業價值語言溝通，以及技術創始人如何建立公共影響力。

一項針對349名科技工作者的調查顯示，AI工具使其工作價值中位數提升1.4-2倍，速度提升3倍。受訪者估計2025年3月價值提升1.3倍，2026年3月2倍，預計2027年3月2.5倍。研究區分了“價值”和“速度”增益，並指出調查結果可能被高估，需謹慎解讀。

Lokuma 釋出 Agentic Website Builder 2.0，使用者可透過設計代理（design agent）來設計、構建和執行網站，實現網站建立的智慧化和自動化。