研究人員釋出了首個全球農田地塊邊界資料集，空間解析度10米，覆蓋2024和2025年，包含31.7億個遙感地塊多邊形，覆蓋241個國家和地區。該資料集基於U-Net分割模型和哨兵二號影像生成，在24個國家的驗證中平均畫素級召回率達0.85。

本研究提出了一種原則引導的不確定性監督框架（PriUS），基於證據學習，透過確保空間不確定性分佈符合三個感知對齊原則（影像對比度、影像損壞嚴重程度、解剖結構幾何複雜度），提高了醫學影像分割中不確定性估計的可解釋性和一致性。在ACDC、ISIC和WHS資料集上的實驗表明，PriUS在保持競爭性分割效能的同時，產生了更一致的不確定性估計。

ReAD是一種強化引導的能力蒸餾框架，透過考慮能力間的相互依賴關係，在固定令牌預算下自適應分配蒸餾資源，提升下游任務效能並減少有害溢位。

研究者推出了Hebatron，一款基於NVIDIA Nemotron-3稀疏MoE架構的希伯來語專用開源權重大語言模型。該模型在每輪前向傳播中僅啟用30億引數，卻能達到73.8%的希伯來語推理準確率，超越了之前的模型，並與Gemma-3-27B等更大規模的模型相抗衡，同時提供約9倍的推理吞吐量和高達65,536個token的上下文長度。

本文介紹了RETUYT-INCO團隊在BEA 2026共享任務“基於評分標準的德語短答案評分”中的參與情況。團隊提出了元提示方法，即讓大語言模型根據訓練集示例生成自定義提示，用於評分新答案。此外，還探索了經典機器學習、微調開源大語言模型和不同提示技術。官方結果顯示，團隊在Track 1（8支隊伍中排名第6，QWK 0.729）、Track 3（9支隊伍中排名第4，QWK 0.674）和Track 4（8支隊伍中排名第4，QWK 0.49）中取得了成績。

ReVision是一種用於訓練多模態語言模型的方法，透過移除連續截圖間冗餘的視覺補丁，將令牌使用量平均減少約46%，同時成功率提升3%。該方法使代理能夠以更少的令牌處理更長的軌跡，並表明歷史效能飽和是由於令牌表示效率低下，而非過去資訊的有用性有限。

一項新研究揭示了語言模型中指令主要影響輸出生成階段，而對輸入處理階段影響甚微。透過逐層探測任務特定資訊，研究人員發現處理與生成之間存在顯著不對稱性：樣本令牌中的資訊保持穩定且與行為弱相關，而輸出令牌中的資訊則隨指令變化且與行為強相關。注意力干預實驗進一步證實，阻斷指令流向所有後續令牌會降低行為表現和輸出資訊，而僅阻斷樣本令牌則影響極小。該現象隨模型規模和指令調優而加劇，表明理解模型能力需同時評估內部狀態和行為，並按令牌位置分解內部視角以區分輸入處理和輸出生成。

本研究系統評估了使用差分隱私（DP）訓練的大語言模型中的社會偏見。透過對比DP模型與非DP模型在句子評分、文本補全、表格分類和問答四種任務上的表現，發現DP僅在句子評分任務中減少偏見，且這種改善並未推廣到其他任務。研究還揭示了logit層面的偏見與輸出層面的偏見之間存在差異，並指出減少記憶化並不必然降低不公平性。

雙院模型透過可訓練的神經介面耦合兩個凍結的語言模型，實現隱藏狀態級別的連續通訊，無需文本序列化。在算術、邏輯謎題和數學推理任務上顯著提升效能。

本文分解了一個約1.5億引數的進化型混合LoRA系統，將其分為三個因素：路由器重寫、每領域留一評估範圍和生命週期（包括死亡、alpha混合繼承、SVD變異和槽位重分配）。結果表明，路由器重寫帶來了顯著的對數困惑度改進（+0.0426 nat），而生命週期則是一個淨拖累（約-0.028 nat）。此外，基於可控合成沙盒的測試發現了一個基板條件邊界：只有當介面卡預先與任務對齊時，路由通道上的進化搜尋才有主導作用，否則其效能低於或等同於梯度解決方案。

本文介紹了ClinicalBench，這是一個包含400個問題的基準測試，用於評估臨床問答中的斷言感知檢索。作者提出了EpiKG，一種患者知識圖譜，為每個事實附加斷言標籤和時間性標籤，並根據問題意圖引導檢索。實驗表明，與基線相比，該方法在多個指標上取得顯著提升。此外，醫師裁決發現56%的自動生成的參考答案存在缺陷，凸顯了人工稽核的必要性。

一篇新論文提出了一個有效性-多樣性框架，表明LLM中多樣性崩潰源於解碼過程中的兩種校準錯誤：順序校準（有效令牌的排名不一定高於無效令牌）和形狀校準（機率質量過度集中在少數有效令牌上）。在14個模型上的實驗證實，多樣性問題不僅僅是取樣啟發式的缺陷，而是根本性的校準問題。

本文提出一種即插即用的框架SoftBlobGIN，將ESM-2等蛋白質語言模型的表示投影到蛋白質接觸圖上，並應用輕量級圖同構網路進行可微的Gumbel-softmax子結構池化，實現結構感知的訊息傳遞和學習粗粒度功能子結構。在酶分類任務中達到92.8%的準確率和0.898的宏F1分數，結合位點檢測的殘基AUROC從0.885提升至0.983。該方法無需重新訓練語言模型，僅增加約110萬引數，並提供可審計的結構解釋，使蛋白質語言模型的預測更加透明。

強化學習對齊方法常因獎勵駭客行為導致多樣性下降。TMPO透過匹配軌跡級獎勵分佈而非最大化標量獎勵來解決這一問題。它引入了Softmax軌跡平衡（Softmax-TB）和動態隨機樹取樣，生成多樣性比現有最優方法提升9.1%。

ξ-DPO 提出了一種新的直接偏好最佳化方法，透過比值獎勵邊際（ξ）解決了 SimPO 中超引數 β 和 γ 難以聯合調優的問題。該方法重新定義了獎勵形式，使邊際變得有界且可解釋，無需反覆試錯調整。

擴散語言模型（dLLM）因其高度並行處理的潛力而備受關注。然而，現有方法依賴高置信度閾值來保證準確性，嚴重限制了並行擴充套件性。本文透過令牌級統計分析發現，大量令牌在去噪早期就已收斂到正確預測，但未達到標準置信度閾值，表明現有標準過於保守。為此，提出LEAP（前視早收斂令牌檢測加速並行解碼），一種無需訓練、即插即用的方法，透過未來上下文過濾和多序列疊加檢測早收斂令牌，實現可靠早期解碼。實驗表明，LEAP顯著降低推理延遲和解碼步數，較置信度解碼平均減少約30%去噪步數，在GSM8K資料集上與dParallel結合達到每秒7.2個令牌的處理速度，同時保持模型精度。

該文介紹了一種新穎的分層多檢視HAAR（HMH）框架，用於異配圖分類。HMH透過異配感知編碼器學習符號親和度，構建軟圖層次，並在每個層次應用稀疏正交的Haar小波基進行頻譜濾波，有效緩解了中心節點主導聚合、過平滑和過壓縮問題。實驗表明，HMH在節點分類和圖分類任務上分別取得了最高3%和7%的提升，且保持了近線性可擴充套件性。

一種名為Vertex-Softmax的新方法，透過對區間約束下的softmax進行精確最佳化，為Transformer注意力的認證驗證提供更緊密的界限，在多個資料集上提高了驗證率和下界，同時計算效率高。

提出旋轉保持有監督微調（RPSFT），透過懲罰預訓練權重矩陣主奇異向量塊的投影變化，在保持任務適配的同時限制不必要的旋轉，從而改善域內/域外泛化權衡，並保留預訓練表示。

離散擴散語言模型（DLM）透過並行去噪所有位置來生成文本，但現有的控制生成方法採用統一干預排程，導致質量下降，特別是在多屬性聯合控制時。本研究透過訓練稀疏自編碼器分析四個DLM（124M-8B引數），發現不同屬性（如主題和情感）在去噪過程中的不同階段固化。基於此，提出自適應排程器，將干預集中在屬性活躍形成的步驟上，從而在不犧牲生成質量的前提下實現精確控制。在四個DLM和七個引導任務中，該方法在三屬性同時控制時達到93%的引導強度，比最強基線高出15個百分點。

研究人員提出QuIDE，這是一種統一指標，將壓縮、準確性和延遲整合為單一智慧指數得分，用於評估量化神經網路。跨多種架構的實驗揭示了任務依賴的最優量化級別：簡單任務和大語言模型最佳為4位，而複雜影像分類8位最優。準確度門控變體可防止高估破壞準確性的配置。

研究人員提出了Conv-VaDE模型，用於可解釋的腦電微狀態分析。該模型進行機率軟聚類和生成式地形圖解碼。系統架構搜尋表明，四層網路配合緊湊通道和低潛維度可獲得最佳穩定性和可解釋性。

Reasoning-core 是一個輕量級（130M引數）的本地執行護欄，在AI代理（如Claude）編輯程式碼前對其計劃進行結構迴歸評分，以提高任務完成率、節省令牌並保持程式碼一致性。

SWEny 是一款開源工具，允許使用者透過自然語言描述來建立和執行AI代理工作流。它將任務轉化為由多個專用AI代理組成的有向無環圖（DAG），每個代理擁有獨立的工具集。支援CLI、GitHub Actions、Studio和Claude Code外掛，可用於程式碼審查、安全審計、端到端測試等場景。

Junk Mail Magic 提供了實體郵件的退訂按鈕。

在馬斯克 vs OpenAI的庭審第三週，奧特曼首次出庭作證，爆料馬斯克曾希望將OpenAI的控制權傳給自己的孩子，並試圖將OpenAI併入特斯拉。奧特曼否認OpenAI背離初心，稱馬斯克早知並支援營利轉型。

新上線的Silicon應用利用AI進行即時價格比較，提供7天價格匹配退款保證、圖片搜尋和團購折扣等功能，旨在幫助使用者從授權零售商處找到最優惠的價格，同時保護隱私。

愛思唯爾聯手多家出版商及作家，起訴Meta未經授權使用包括Sci-Hub在內的盜版學術論文訓練Llama大模型，首次有學術出版商就AI版權侵權提起訴訟。

OpenAI棄用微調API標誌著微調時代的終結，但頂級AI實驗室仍在增加開源模型的強化學習微調。本期AI新聞還涵蓋了研究基準、推理系統、產品釋出、代理工具以及供應鏈安全攻擊。

OpenAI聯合創始人兼執行長山姆·奧爾特曼今天在備受矚目的審判中出庭作證，該審判可能決定公司的未來。埃隆·馬斯克起訴OpenAI及其領導人，指控奧爾特曼和總裁格雷格·布羅克曼背叛了創始使命，將非營利組織轉變為盈利企業。奧爾特曼否認了這些指控，並聲稱馬斯克最初要求90%的股權，並希望將公司傳給他的孩子。他還指責馬斯克破壞了實驗室的文化。