Zyphra AI釋出了ZAYA1-8B，一款僅有7.6億活躍引數的小型混合專家（MoE）語言模型，但在數學和程式設計基準測試中擊敗了多個體量更大的開源模型。該模型採用MoE++架構，包含壓縮卷積注意力（CCA）、MLP路由器和PID控制器偏置平衡等創新，並引入了馬爾可夫遞迴自聚合（Markovian RSA）測試時計算方法，在HMMT'25上超越Claude 4.5 Sonnet，逼近DeepSeek-V3.2。模型完全在AMD Instinct MI300硬體上訓練，並以Apache 2.0許可釋出。

五家主要出版商和一位暢銷書作者對Meta及其創始人馬克·扎克伯格提起集體訴訟，指控該公司在訓練生成式AI平臺Llama時，使用了數百萬本非法盜版的書籍和文章，侵犯了版權。

高盛兩份報告揭示AI基礎設施投入巨大但回報率低，企業因害怕錯過（FOMO）而非理性投資持續加碼，輝達成為主要受益者。

Blink是一個AI搜尋引擎，能夠提供帶來源的搜尋結果。

隨著AI推理成為核心工作負載，傳統TCO指標如每美元FLOPS已不適用。輝達提出每Token成本才是衡量AI基礎設施經濟效益的關鍵指標，並展示了Blackwell平臺相比Hopper在Token產出和成本上的巨大優勢。

本文提出一種觸覺增強的兩階段方法，結合模仿學習和強化學習，用於高精度裝配中的緊密公差插入任務。第一階段透過模仿學習學習抓取並接近目標區域的策略；第二階段透過強化學習執行插入並在接觸互動中實現故障恢復。透過引入觸覺組取樣和觸覺評論家，提升了插入效能並保持低接觸力。在0.05毫米的最嚴苛間隙下，成功率達67%，最大接觸力降低60%，扭矩降低44%。

ReflectDrive-2是一種掩碼離散擴散規劃器，用於自動駕駛，將軌跡表示為離散令牌，透過並行掩碼解碼生成。它引入AutoEdit實現原地軌跡修正，並採用兩階段訓練：結構感知擾動監督學習與強化學習微調。全展開RL顯著提升編-修耦合效能，在NAVSIM上達到91.0 PDMS（僅相機輸入），延遲31.8毫秒。

研究人員提出一種主動接觸感知方法，透過機器人施加資訊收集運動並感知人體施加的力來推斷接觸狀態，從而實現魯棒的機器人向人類物體交接。該方法使用貝葉斯線性模型區分牢固抓握和偶然觸碰，在實驗中達到97.5%的成功率，遠超兩種常見基線方法。

一種新的多階段全身模型預測控制方法用於雙足行走，在近端使用詳細模型，在遠端使用簡化模型，降低計算複雜度同時保持效能，並在模擬中於HyPer-2機器人上驗證。

研究人員開發了一種貝葉斯框架，用於驗證合成預碰撞場景在實際評估駕駛自動化系統安全性方面的等效性。該方法使用基於分箱的統計量來比較資料集，克服了傳統顯著性檢驗的侷限性。一項關於追尾碰撞的案例研究證明了其有效性。

HDFlow是一種新穎的分層規劃框架，結合了擴散模型和整流流模型的優勢。高層擴散規劃器在潛在空間中生成戰略性子目標，低層整流流規劃器利用常微分方程生成平滑密集的軌跡。在四項傢俱組裝任務和多個長時域基準測試中，HDFlow顯著優於現有方法。該論文已被ICML 2026接收為Spotlight。

針對低推力交會中燃料最優控制的敏感性問題，本文提出一種緊密耦合的估計與引導架構，透過導航置信度動態調節同倫引數，結合多調諧因子（MTF）卡爾曼濾波，顯著降低終端脫靶量至亞米級，同時保持計算效率。

研究人員提出了一種腹腔鏡持鏡機器人控制方法，將位置、力/扭矩和影像等多模態術中訊號統一為等效力旋量表示，並透過任務優先順序方案實現合規操作和自主器械跟蹤，同時保持遠端運動中心約束。在手術模型和活豬實驗中驗證了有效性。

本文提出了一種條件潛在流匹配方法，用於可擴充套件且逼真的安全關鍵場景生成。該方法透過分佈匹配將標稱場景轉換為安全關鍵滾動，並結合模擬與真實資料生成多樣化的資料驅動場景。實驗表明，該方法能更一致且逼真地生成新穎的安全關鍵場景，為自動駕駛系統訓練和基準測試提供有力工具。

本文提出了一種將人類提供的安全規則與操作員語義偏好整合到自主機器人導航中的架構，透過將自然語言規則轉換為訊號時序邏輯（STL）規範，並利用視覺語言模型（VLM）進行零樣本場景理解，實現非結構化戶外環境中的安全導航。

針對現有多模態大語言模型在多子圖多步推理上的不足，研究人員提出HierVA框架，透過分層結構和聯合影像-文本工作上下文管理，結合縮放工具限制視覺上下文，在CharXiv推理子集上取得顯著改進。

本文提出自適應置信閾值選擇方法，最佳化自動駕駛多工分類，並引入IUST-XAI-AD資料集（958張帶人工標註的影像），用於跨文化可解釋性評估。

本文介紹了一個包含約34,700張高解析度影像的資料集，記錄了11根Dyneema SK75/78 HMPE繩索在迴圈疲勞下的完整退化過程。繩索在60 kN至280 kN的七個軸向載荷下測試至失效，疲勞壽命從695次迴圈到8340次迴圈不等。每固定次數的滑輪迴圈後，沿繩索不同橫截面位置拍攝十張影像，標註了迴圈次數，可直接計算剩餘使用壽命。該資料集旨在支援RUL迴歸、損傷進展建模、異常檢測和負載條件預測等機器學習任務，為視覺監測和預測演算法提供基準。

研究人員提出了一種物理引導的混合模式解混（PGRU）方法，該方法透過從可觀測的物理特徵中估計每個畫素的標量，僅在必要時啟用非線性混合，從而克服了線性混合模型在多散射情況下的侷限性。實驗表明，該方法在多個資料集上優於基線方法，物理一致性超過0.90。

本文提出一個機率深度學習框架，透過聯合利用Sentinel-2光學和Sentinel-1 SAR觀測資料，在任意過去或未來日期生成光學影像，實現Sentinel-2時間序列的稠密化與預測。該框架關注生成影像的不確定性，在稀疏且時間不對齊的時間序列上展示了有效的稠密化和預測能力。

隱式神經表示（INR）在醫學成像中透過物理資訊無監督學習展現出強大潛力。傳統方法為每個受試者從頭訓練網路，效率低且成像質量欠佳。最近基於初始化的方法注入人口先驗，但依賴高質量影像且微調時易災難性遺忘。本研究提出DisINR框架，顯式解耦共享表示和受試者特定表示。它引入共享編碼器-解碼器對和受試者特定編碼器，透過可微前向模型從有限原始測量中預訓練共享模組，無需預獲取高質量影像。測試時僅最佳化受試者特定編碼器，共享對保持凍結，有效保留先驗。在三個典型醫學成像任務上，DisINR在重建精度和效率上顯著優於現有方法。

研究表明，將深度學習直接應用於科學成像（如紅外成像）會導致效能下降，甚至模型崩潰，因為深度學習的簡單性偏好與科學資料的高維特性不匹配。

提出一種拓撲約束量化nnUNet框架，用於高效且解剖學精確的3D牙齒分割。該方法在量化感知訓練中引入新型牙齒特異性拓撲損失，保持牙齒數量、鄰接關係和空腔完整性等關鍵解剖結構，同時維持計算效率。採用8位量化nnUNet骨幹，透過動態校準最小化推理精度損失。拓撲損失結合連通分量分析、鄰接一致性和空洞檢測懲罰，確保解剖保真度。實驗表明，該方法顯著減少拓撲錯誤，在牙科CBCT掃描上實現臨床可行的分割，並保留整數推理的硬體效率，適用於資源受限的臨床環境。

本文提出MuCALD-SplitFed，一種結合因果表示學習和潛在擴散的多工分割聯邦學習框架，旨在解決醫療影像分割中跨機構任務不一致和隱私洩露問題。實驗表明，該方法在分割效能上持續提升，同時有效減少資訊洩露，優於現有先進方法。

一項研究評估了五種多模態大語言模型（MLLMs）在皮膚科的真實世界表現，發現基準測試成績高估了實際臨床能力。在包含5,811例病例和46,405張臨床影像的真實醫院諮詢佇列中，最佳開放權重模型的top-3診斷準確率僅為13.35%（僅影像），加入臨床背景後提升至28.75%。GPT-4.1表現更好但仍有限：僅影像24.65%，加入背景38.93%。模型對不完整或錯誤的諮詢背景高度敏感。嚴重程度分診的敏感性超過60%，但不足以可靠地部署於臨床。

研究提出一種自提示框架，使小語言模型能夠自動生成、驗證和最佳化實體提取提示。在1200份牙科病歷註釋上測試，經過DPO後Qwen2.5-14B-Instruct達到micro/macro F1分別為0.864/0.837，表明該方法可擴充套件用於本地部署的隱私敏感臨床資訊提取。

大型語言模型在多語言任務中表現優異，但在低資源非洲語言上的翻譯能力尚未被系統評估。Nsanku基準測試評估了19個模型對43種迦納語言與英語的零樣本翻譯效能，發現現有模型在準確性和一致性上均不足，無法大規模可靠使用。

一項研究透過系統實驗探究了詞彙重疊對多語言神經機器翻譯中知識遷移的影響，發現領域匹配和語言關聯性比聯合詞彙表更為重要。

arXiv:2605.04180v1釋出了一項研究，提出了MedFabric資料集和EtHER檢測器，用於解決醫療大語言模型中的虛構問題。MedFabric透過資料中心管道生成語法和風格一致但事實有細微偏差的詞級虛構，而EtHER透過文本到表格分解、詞掩碼填充和混合句對評估來增強事實一致性。實驗結果顯示，MedFabric在詞級虛構基準測試上比現有最優檢測器效能提升超過15%，為醫療領域提供了一套可靠的事實檢測框架。

本研究評估了六種大型語言模型（LLM）在奈及利亞和喀麥隆衝突事件分類中的表現，發現開放權重模型存在顯著的虛假非法化偏見，而領域適應模型雖在方向上中立，但仍有基於行動者的選擇偏見。研究認為當前模型不適合無監督部署，呼籲進行公平性微調、對抗魯棒性評估和人機協同監督。