本文提出FADA，一種用於人形機器人控制的少樣本域自適應框架，透過動力學對齊在少量目標域資料下實現高效適應。

本文提出了一種名為LMKF SLAM的新方法，透過應用簡單指南針和有效變換將非線性狀態空間模型轉化為線性模型，從而解決了擴充套件卡爾曼濾波（EKF）在同時定位與地圖構建（SLAM）中的發散問題。實驗表明，LMKF SLAM在精度、收斂性和計算複雜度上顯著優於現有方法，且對感測器不確定性和引數變化更穩定。

本研究探討了在多人群組人機協作中機器人主動性的影響。透過一個協作密室逃脫實驗，比較了反應式（僅在被呼叫時回應）和主動式（持續監聽、自主貢獻、定期重新發起互動）兩種互動模型。結果顯示，主動模型顯著增加了互動頻率，而反應模型在整體成功率上更高（92.86% vs 71.42%）。效果因使用者先前的LLM經驗、機器人經驗和性格特質而異。

本文提出了一種診斷協議，用於研究被動物件狀態世界模型中事件條件化的潛在物理結構。透過平衡的資料集（包含自由運動、碰撞和遮擋事件），評估了多種模型。結果表明，隱藏狀態支援事件機制讀取，事件上下文系統地重新加權運動學、接觸和物件永久性場，且場對齊的方向對預測具有功能敏感性。

RoboGaze是一種無需訓練的多智慧體VLM框架，用於對生成的機器人操作影片進行結構化、可解釋的評估。它採用三階段流水線，輸出基於新穎分類法的本地化故障報告，在多種基準測試中大幅超越零樣本基線。

數字孿生技術在自動駕駛中面臨高計算和通訊開銷的問題。本文提出一種查詢驅動的數字孿生架構，允許數字孿生根據模擬結果主動從車輛請求所需環境資料，並設計了跨時間步漸進查詢機制。模擬表明，與傳統方法相比，該方法將規劃位置誤差降低24%，通訊開銷減少40%。

一項新研究引入基於梯度的審計框架，評估LLM管理的社交機器人在不同文化背景下的道德權衡行為。研究發現，這些機器人在優先決策中存在文化不對稱的梯度追蹤失敗，西方語言決策的校準質量幾乎是中文和日文的兩倍，而多數優先的高確定性往往抹去跨文化梯度。該研究呼籲在部署前進行多語言、多元化的審計。

研究人員提出JIP-2框架，利用GPU加速的物理引擎和深度學習方法，從倒塌的塊體影像預測原始結構，類似於解Jenga遊戲。該模型在450個模擬場景中訓練，可生成3D重建影片，有望應用於烏斯馬爾瑪雅遺址的考古復原。

本文提出了一種無需訓練的過渡感知最佳N取樣方案，用於預訓練的胸部X光報告生成器。該方法透過將報告拆分為句子並嵌入向量，利用集合間距離編碼前後變化，並透過餘弦距離評分候選。在多個視覺-語言生成器上評估，該方法優於隨機選擇，尤其在印象部分提升最大。

RADIANT-PET是一個新穎的推理增強框架，它將高靈敏度體素級分割模型與基於大語言模型（LLM）的病變級別裁決相結合，用於PET/CT成像中的準確病變分割。透過形態學描述和臨床報告上下文，LLM可區分真正的病變與生理性假陽性，並利用組相對策略最佳化（GRPO）進行強化學習微調。在AutoPET和OSU測試集上，該方法顯著優於純影像基線，尤其在整合放射學報告時提升最大。

本文提出一種名為“少類保真度”的XAI評估指標變體，專用於真實條件下類數較少的CNN分類器。該方法透過生成分佈內、引發不確定性的擾動來準確測量XAI方法的忠實度，並與人類中心的物件定位和分割指標進行比較。在醫學和自然影像應用中，該方法揭示了領域、資料整理和XAI方案選擇之間的複雜關聯。

本文提出Topo4Vec框架，透過拓撲錯誤模擬和空間表示學習自動評估地理空間向量資料質量，在重疊建築和道路網路錯誤檢測中分別達到0.99和0.60的準確率。

該論文提出了一種兩階段流水線，用於從廣播影片中定位足球比賽中的球員動作。首先，軌跡感知動作檢測器（TAAD）利用時間變換器生成每個球員的動作得分；然後，去噪序列轉導（DST）變換器將遊戲狀態特徵和TAAD得分轉換為結構化事件序列。透過引入空間優先的注意力排序和加權事件融合整合（含一致性過濾），該系統在SoccerNet 2026挑戰賽中將Macro-F1從48.6提升至58.94。

本研究提出了一種事後溯源框架，無需修改生成過程或輸出，即可檢測影像自迴歸模型（IAR）生成影像中的特徵模式，從而可靠地將生成影像與其源模型關聯。該方法適用於已釋出的無水印影像或未整合水印的模型，有助於防止虛假資訊傳播、欺詐檢測和有害內容溯源。實驗表明該方法在多種IAR上有效，並被ICLR 2026接收。

提出一種無需任何標註的駕駛場景複雜度檢測方法，利用聯合嵌入預測架構（JEPA）對結構化代理狀態資料進行訓練，透過時間預測誤差作為複雜度評分。在nuPlan mini資料集上驗證，該方法能有效區分複雜場景（如無保護轉彎、人行橫道互動、行人靠近）和簡單場景（如車道跟隨、靜止交通），異常檢測平均精度達0.512。

提出一種全無監督的時空特徵融合框架，利用記憶增強自編碼器從多感測器IMU資料中提取特徵，在DaLiAc和PAMAP2資料集上分別達到96.6%和98.4%的準確率，優於監督和無監督基線方法。

GeoISF是一種新穎的大規模LiDAR到影像地理定位管道，透過構建基於WordNet的例項語義森林，增強時間語義表示和區分能力，有效彌合點雲與衛星影像之間的模態差距，在KITTI資料集上R@10指標比並行方法提升13.22倍。

一項新研究評估了手語識別（SLR）模型對手語音韻特徵的感知能力，發現模型展現出湧現的音韻敏感性，但存在架構權衡：基於姿態的模型對手形對比敏感，而基於畫素的模型更好地捕捉位置變化。

大型語言模型（LLM）在文本編碼中可能與人類標註者一致，但可靠性並不保證構念效度。本文提出“粒度校準”方法，將構念分解為子句級元件，透過提取性證據測試並顯式規則組合結果，從而揭示編碼過程而非僅輸出，驗證從與標註者評分轉向證明模型真實執行於理論指定的構念。

arXiv最新論文提出SEAD方法，利用熵作為統一探針，在三個尺度上解決線上策略蒸餾（OPD）中教師監督質量隨學生能力變化的問題，包括令牌分割槽、KL散度退火和課程學習，在OLMo-3模型上實現了平均準確率提升4.8%。

研究比較了稀疏自注意力中四種設定深度方向alpha的方法，發現靜態每層交錯排程在困惑度上優於固定和學習方法，且所有稀疏變體可外推至訓練長度四倍，而密集基線崩潰。

本文介紹了一種新型稀疏自編碼器——輪次平均SAE，它透過重構整輪對話的平均模型啟用，將每輪對話表示為固定數量的特徵，從而解決標準SAE在長上下文中特徵數量線性增長的問題。實驗表明，輪次平均特徵比逐詞特徵更完整地描述單輪對話的高層特徵，並簡化了歸因圖等下游應用。

研究人員透過在美國法院意見資料上進一步預訓練ModernBERT，提升了其在法律領域的效能。實驗表明，儘管ModernBERT的預訓練資料量是原始BERT的500倍，但領域適應仍帶來顯著改進，且從零預訓練不如在現有檢查點上繼續預訓練。模型支援長達8192個token的序列，可用於法律文本的嵌入或排序。所有檢查點已公開。該成果將發表於ICAIL 2026。

該研究引入了包含240次學生-患者培訓互動的法語OSCE對話資料集，並基於此構建了一個可控的LLM管道，用於生成合成OSCE對話。該管道整合檢索基礎和反思迴圈等模組元件，確保患者保真度、連貫性和真實性。此外，還提出了一個多級評估框架，使用LLM作為評判器評估患者模擬質量、學生表現和語言質量。實驗表明，可控性模組通常改善了患者保真度和學生評估一致性。最後，實現了一個互動式原型，學生可與虛擬患者練習並獲得自動反饋。

本研究採用發展視角，追蹤Olmo2和Pythia語言模型在多個訓練階段中心理狀態推理行為的模式及前提條件。研究發現，錯誤信念任務（FBT）的超越隨機水平表現依賴於模型規模和足夠的訓練量，在預訓練後期出現，並透過後訓練干預（SFT、DPO）得到最大提升。然而，FBT表現脆弱，非事實動詞的使用會增加錯誤信念歸因。情境建模能力通常先於並優於FBT，但在某些方面出現不一致性。結果表明，大型訓練充分的模型能夠發展出部分一致的情境模型，但仍表現出驚人的脆弱性。

本文提出了一種從阿拉伯語-英語Al-Mawrid詞典的機器可讀版本中自動提取詞彙資訊的方法。該方法結合n-gram分析和關鍵詞索引（KWIC）分析發現形態、句法或語義模式，並透過手工規則進行資訊抽取。實驗表明，該方法在所有資訊型別上精度高，同義詞召回率高，其他資訊召回率低。研究發現Al-Mawrid詞典含有大量派生詞、同義詞、領域標籤和上下位關係。

經典的語言識別極限正規化將學習建模為對抗者與學習者之間的遊戲。新的語言生成極限框架要求學習者生成有效的、未見過的目標語言字串。本文引入了精確度的新概念，將問題重述為經典的召回率-精確度權衡。關鍵貢獻是分析了並非最終有效的學習者：允許無限多的錯誤，只要其頻率趨於零，從而保持精確度為1。這種放寬可以在對抗者永久保留大部分目標語言時嚴格提高召回率。還研究了新穎性約束的連續放寬。結果朝著更現實的生成模型邁進，其中偶爾的錯誤和重複是不可避免的，但速率可控。

該研究展示了情感效價如何影響兒童識別記憶的順序依賴結構：正確回憶一系列帶有情感色彩的玩具不僅取決於玩具本身的情感效價，還取決於它前後玩具的效價。傳統心理模型準確率較低，而引入效價的經典張量網路模型達到了77.98%的準確率，顯示了量子啟發方法在建模順序依賴現象（如情感記憶）中的價值。此外，該研究提出了一種新穎的、用於探索兒童情感時間記憶的真實世界工具。

本文提出一種端到端智慧體管道，結合深度時間序列預測、變分異常檢測和LLM推理，為辦公樓裝置級能源監控生成可操作的維護建議。系統使用混合SSA-LSTM預測模型和每裝置LSTM VAE注意機制檢測異常，並透過三階段LangChain管道（上下文、診斷、報告智慧體）生成診斷，配備動態檢索減少上下文開銷。在16個場景的基準測試中，最佳後端得分90.4/100，本地7B模型透過所有場景。

一篇新論文將奇異學習理論應用於深度單項網路，表明臨界點對應於子網路，從而為神經網路傾向於更簡單函式的隱式偏差提供了數學解釋。