本文提出了一種視覺-語言程式推理（VL-PR）框架，用於機器人輔助血管內介入手術中的自主導絲導航。該框架整合多模態大語言模型作為程式推理模組，透過即時視覺觀察推斷高層次的導航上下文，並動態調整獎勵元件的權重，實現上下文感知的獎勵適應。實驗表明，該方法在物理機器人平臺上優於靜態獎勵方法，提高了任務可靠性和導航效率。

ViTL框架利用大語言模型將自然語言命令編譯為線性時序邏輯公式，再轉換為確定性有限自動機以協調多通道價值地圖，並在導航層面引入方向評分，使機器人能夠零樣本完成多目標、帶時序約束的自然語言導航任務。在HM3D資料集上的實驗驗證了其有效性。

本文認為，儘管視覺-語言-動作（VLA）模型在機器人操作基準上表現不斷提升，但當前評估指標無法區分語義泛化和物理泛化，因此不能證明其具備物理推理能力。作者提出透過引入控制變數的評估設計來分別測量這兩種泛化能力。

本文提出一種基於儲物櫃的卡車-無人機聯合配送路徑規劃問題（LTDRP-PDNF），目標是最小化車隊運營成本。採用深度強化學習方法，分為兩階段：先求解卡車路徑，再協調無人機路徑。實驗表明該方法優於傳統元啟發式演算法，計算時間短。

本研究構建了一個約27,000句對的阿拉伯語-俄語混合平行語料庫，涵蓋科學摘要和通用領域文本。透過微調三個多語言模型（mT5-base、NLLB-200、Qwen2.5-7B），發現Qwen2.5-7B模型在QLoRA（秩8）下表現最佳，BLEU達23.15，較零樣本基線提升4.36。少樣本提示未改善效能，表明需領域特定微調。該工作降低了科學文本的語言障礙，促進阿拉伯語和俄語研究者之間的知識交流，助力可持續發展目標（SDG 9和17）。

該研究針對孟加拉語事件檢測系統在真實噪聲環境下的魯棒性進行評估，引入了包含9,979個標註句子、40個事件子型別的基準資料集，涵蓋清潔文本、ASR轉錄和拼寫錯誤文本。實驗結果揭示了編碼器與解碼器架構之間的權衡：編碼器模型在清潔文本上表現更好但噪聲下效能顯著下降，而解碼器大型語言模型（LLM）則更為穩健。指令微調中嵌入標註指南能提高噪聲文本基線效能，但降噪效果不一致。模型擴充套件持續提升解碼器LLM的魯棒性，而混合訓練則有效縮小了魯棒性差距，尤其有益於編碼器架構。

本研究提出一個框架，透過多維度、人類對齊的評估來驅動治療性回應生成。第一階段引入TheraJudge，一個基於人類標註資料透過偏好最佳化訓練的開源治療性評估器，能在7個心理維度上提供可靠判斷。第二階段引入TheraAgent，透過協調的最佳化過程（包括批評者、教練和治療師角色）將評估訊號轉化為有針對性的回應修訂。實驗表明，TheraJudge與臨床醫生評分高度一致（ICC=0.87-0.95），超越監督基線和強大的閉源評估器；TheraAgent在盲評中將治療質量提升0.43分（5分制），低質量回應改善2.45分，恢復率達94%。

本研究提交至SemEval-2026任務9，旨在檢測多語言、多文化、多事件的線上極化現象。作者採用基於Transformer的模型（英語用RoBERTa-base，斯瓦希里語用AfroXLMR-base），結合類別加權損失函式處理嚴重標籤不平衡，並透過逐標籤閾值調優最佳化多標籤分類。在測試集上，任務1的F1宏觀分數英語為0.7901，斯瓦希里語為0.7910；任務2分別為0.4615和0.4808；任務3分別為0.4791和0.5830，在排行榜上表現有競爭力。錯誤分析顯示模型在非人化檢測和共情缺失方面存在困難。

本研究提出Outcome Reward Models (ORMs)作為學習語義評分函式，用於Text-to-SQL的測試時驗證。引入GradeSQL框架，透過自動化候選生成和執行標籤訓練ORMs，無需手動標註。在BIRD和Spider基準測試中，ORM選擇優於執行優先Best-of-N和多數投票，分別提升4.33%和2.10%。實驗表明ORM可擴充套件且對複雜查詢改進更大。

本研究透過實驗評估了Transformer語言模型在學習“不可能”語言時的表現，發現模型在語法敏感性上僅出現逐漸退化，但在生成能力上表現出顯著缺陷，這為解釋為何人類無法習得這些語言提供了新視角。

一篇新論文提出ACE框架，透過控制精度差異來更公平地比較不同大語言模型的校準效能，發現許多先前報告的校準優勢在精度控制後大幅減弱，甚至排名反轉。

本文提出一種利用生成式AI代理作為行為引擎的框架，用於黑盒審計個性化演算法。透過在2024年美國大選後對X平臺部署1120個代理的案例研究，發現演算法推送相比時間線推送放大了有毒、極化、政治化和右傾內容，且放大程度因使用者意識形態而異。反事實分析顯示，人口統計訊號對內容推送的影響依賴於使用者角色。

Indi-RomCoM基準涵蓋七項指令遵循任務、四種印度語言和三種混合強度，系統評估LLM在羅馬化程式碼混合指令上的表現。實驗發現，所有模型在混合指令上均表現不佳，且效能隨混合密度增加而下降；推理任務退化程度低於檢測任務。

研究發現，在AI代理路由中，僅需基於誤報和漏報案例進行一次LLM重寫即可最佳化技能描述，達到與手動調優相近的效果，同時將每個技能的工程耗時從120分鐘降至3.8分鐘，實現32倍的加速。

機率降尺度是大氣科學和氣候建模中的關鍵任務，通常採用均值-殘差框架。然而，該方法在現實應用中常產生有偏和欠分散的集合。研究表明，根本原因是殘差目標指定錯誤：訓練時的殘差分佈與測試時因降尺度偏差而需要的分佈系統性地不同。為此，提出ReMatch（殘差分佈匹配），透過低維PCA空間中的最優傳輸對齊訓練殘差分佈至測試狀態。在合成基準和真實HRRR-ERA5風場降尺度任務上，ReMatch顯著減少了欠分散，改進了校準，並優於多種強基線。

本文提出深度梯度增強框架，透過沿深度維度變換最佳化器更新來利用層間結構關係。其中梯度平滑方法直接作用於任意基最佳化器（如SGD、Adam、Muon）的塊更新，計算開銷小，在語言模型預訓練、推理後訓練、擴散模型和視覺Transformer中均一致提升最佳化與泛化效能，並促進更有結構的表示演化。

本文提出了GRPO訓練動力學的第一性原理降階模型，將經驗性的單指數飽和律重新解釋為過阻尼極限，並引入了慣性項以描述慢啟動階段。模型提供了與可獨立測量量相關的預測，包括群大小不變性、重新整理間隔的穩定性閾值以及過阻尼到振盪的轉變。實驗表明，封閉形式軌跡在三個模型和兩個群大小上對訓練獎勵的擬合R²≥0.91，群大小不變性在獎勵曲線和八個數學基準的分佈外轉移上均成立。此外，模型提供了診斷獎勵曲線混淆的失敗模式（獎勵駭客、優勢退化、策略集中和動力學不穩定性）的方法。

本文提出了一種名為“過程側車”的兩係數編輯方法，用於在語言模型的安全訓練階段之後撤銷已學習的狀態。該方法透過估計AdamW最佳化過程，實現了二階精度的記憶撤銷，並在三個模型上優於樸素任務算術方法。

ReactionAtlas是一種基於機器學習的方法，能夠從少量種子分子出發，無需手工規則即可自動構建化學反應網路。該方法結合生成模型和機器學習力場，成功發現了約47,000個反應和12,000種化合物，精確度接近DFT級別，為化學起源研究提供了新工具。

層級全域性注意力（HGA）是一種即插即用的替代方案，用於預訓練長上下文Transformer中的密集因果注意力。它無需重新訓練或校準，即可在單個RTX 5090上實現64K token上下文，透過分層路由大幅降低GPU記憶體佔用，且質量損失極小。

該研究揭示了確定性少步生成在連續影像潛在變數上成功，但在連續文本潛在變數上失敗的根本原因：幾何限制而非訓練或規模問題。平滑的確定性對映無法在尖銳的分類讀出前解決離散分支選擇，因此失敗由解碼器尖銳度決定，而非傳輸精度。論文提出了兩個診斷指標DABI和CCI，並證明了兩種逃逸機制：分類承諾和隨機再注入。

大型語言模型（LLM）在眾多工中表現出色，但其針對具體例項的解決方案往往缺乏結構一致性，難以可靠部署。MetaFlow將工作流生成視為元學習問題，透過兩階段訓練：先對合成工作流資料進行監督微調，再基於可驗證獎勵進行強化學習，使模型學會組合解決策略。在問答、程式碼生成和數學推理基準測試中，MetaFlow在域內任務上達到與最先進基線相當的效能，並在域外任務和新型運算元集上展現出卓越的零樣本泛化能力。

本研究利用NHANES 2003-2006資料，構建了包含1,381名成年人的加速度計心臟代謝基準，評估了三種表格學習方法（嶺迴歸、XGBoost和TabPFN v2）預測糖化血紅蛋白、甘油三酯和C反應蛋白的效能。TabPFN v2整體表現最佳，但甘油三酯預測能力有限。同時，透過分割共形預測評估了預測區間的覆蓋公平性，發現總體覆蓋達標，但亞組間存在差異。

本文提出一種名為MCO-PDE的競爭最佳化框架，能夠從多個資料集聯合發現共享的偏微分方程，解決了單資料集方法在觀測受限時的侷限性，並透過軟競爭加權機制動態評估資料可信度，融合最少50個觀測值即可高精度恢復經典方程。

AgRefactor是一種基於LLM的多代理工作流，用於將軟體重構為HLS相容程式碼。它結合了自我進化記憶系統和自動化重構工具，在9/11個基準上優於或持平現有方法，並實現了高達6.51倍的加速。

本文形式化了基於Huber汙染模型的LLM陪審團，並證明即使只有一個評委以LLM典型方式（模式崩潰、諂媚、安全拒絕）產生偏差，任何正汙染都會導致PoLL產生無界偏差。透過將陪審團共識視為經典魯棒均值估計，作者提出RoPoLL，用幾何中位數替換聚合函式，實現了最優有限樣本崩潰點1/2。實驗表明，在13個開源評委（4B-675B）、三個獎勵模型基準和四種腐敗機制（高達50%）下，RoPoLL在每一種有偏腐敗型別上都優於PoLL：在匹配計算量的跨維度攻擊上提升約19%，在重尾拜占庭對手上提升數個數量級。一個38B引數的3評委RoPoLL委員會在30%雙模隨機腐敗下，在HelpSteer-2上以18倍引數優勢超越Mistral-Large-3（675B）1.31倍。

本文提出HASTE，一種分層多智慧體系統，將跨競賽知識組織為全域性、領域和競賽特定三個層級，透過LLM驅動的抽象促進層級間學習。在MLE-Bench Lite基準測試中，HASTE使用Claude Sonnet 4.6達到77.3%的獎牌率，熱啟動相比冷啟動減少52%的改進迭代次數，表明更好的知識組織可以部分替代模型強度和計算預算。

一項新研究探索了基於大型語言模型的多智慧體系統在法律推理任務中的應用，提出了兩種受法庭程式和辯論啟發的新型框架。實驗表明，多智慧體方法在整體效能上與單一大模型相當，但能產生顯著不同的答案，甚至能解決基線模型無法處理的問題，尤其適合需要多角度批判性思考的場景。

傳統智慧體假設使用者具有明確偏好，但現實中使用者常缺乏領域知識。本文提出CoPref模型與CoShop基準，發現前沿模型在5輪互動後準確率不超過56%，失敗原因在於未能幫助使用者擴充套件對自身需求的認識。

該研究提出了LearnStop，一種無需隱藏狀態的檢查點停止器，用於推理語言模型。實驗表明，在自由形式的數學任務上，學習多特徵停止優於簡單的標量退出策略，但在多項選擇和極難任務上，標量規則更具競爭力。主要發現是當許多問題在預算耗盡前已正確但缺乏可靠標量訊號時，學習停止有用。