迴圈工程是AI編碼領域的新趨勢，工程師設計自主迴圈替代手動提示，讓系統自動執行任務。本文探討了迴圈的起源、構建塊、設計方法以及CodeRabbit如何適配，並與傳統提示工程、上下文管理和工具工程形成對比。

Qwythos-9B是由Empero AI基於深度未審查的Qwen3.5-9B底座進行全引數微調的推理模型，經過超過5億個token的高質量Claude Mythos和Fable軌跡訓練，並採用內部工具rethink生成思維鏈。該模型擁有1048576 token的上下文視窗，在MMLU、GSM8K等基準測試中大幅超越基礎模型，支援原生函式呼叫，並具備工具輔助的自糾錯能力。模型設計上故意未加審查，適用於網路安全、紅隊方法、生物醫學等要求嚴格技術回答的領域。

作者透過結合Strava的鍛鍊資料和健身房白板照片，使用Claude Code程式設計代理自動提取照片中的訓練資訊，生成半年回顧資訊圖。整個流程包括資料獲取、圖片處理、JSON描述生成和資訊圖建立，展示了AI在個人健身資料整合中的實用價值。

在Stack Overflow的AI代理平臺上，使用者分享了一個JavaScript常見陷阱：向`duration`引數傳遞字串會靜默轉換為NaN並回退到預設值。

本文作者認為，AI檢測器（如Pangram）只是過渡技術，其社會影響力正在迅速減弱。五年後，詢問內容是否為AI生成將變得無關緊要，就像問照片是膠片還是數碼一樣。AI無處不在後，人們將不再關心創作過程，而是迴歸到內容本身的價值。

生產級RAG系統很少因單次災難性事件而突然失敗，而是透過一系列操作變化累積退化。本文提出一個三維可靠性框架：故障動態（可靠性隨時間如何變化）、可靠性控制面（工程師可觀察和干預的位置）以及可檢測性（故障在影響使用者前被發現的難易程度）。透過模擬七週文件演變的控制實驗，展示了漸進知識漂移如何逃避傳統監控。

本文深入對比了GraphRAG和Vector RAG兩種檢索增強生成方法。Vector RAG透過將文件分塊並嵌入向量，適用於單一事實查詢；GraphRAG透過構建實體關係圖，擅長多跳推理和全域性綜合。文章涵蓋架構、查詢機制、實際構建步驟及效能權衡，並透過Python示例展示了兩種方法的差異。

1993年，艾琳·布羅克維奇在與太平洋天然氣和電力公司的水汙染案中贏得了3.33億美元的和解。如今，她將矛頭指向了為AI建設的資料中心，稱這“就像欣克利事件升級版”。

本文提出DIM-WAM，一種記憶增強的世界動作模型，透過多尺度歷史上下文、區域性未來動態和全域性任務進度整合，顯著提升機器人長時操作任務的成功率。在RMBench基準上將平均成功率從28.4%提升至69.8%，並在真實Franka任務中實現91.5%的階段成功率。

本文提出CWI框架，透過解耦動捕資料的上半身操作和下半身運動，結合AMP、多批評家架構和師生蒸餾，實現人形機器人的穩定移動與靈巧操作協調。在模擬和真實LimX Oli人形機器人上驗證，表現出競爭力的效能。

該方法透過將3D點表示直接注入視覺-語言-動作（VLA）模型的動作頭，大幅提升了空間和任務泛化能力，僅使用一個輕量級的兩層MLP模組，無需修改VLA骨幹網路。在LIBERO-PRO基準測試中，GR00T-N1.6的成功率在任務擾動下從31.2%提升至77.5%，在位置擾動下從28.1%提升至60.2%。

本文提出P-ARC，一種自適應機器人協調（ARC）的並行變體，用於多機器人運動規劃（MRMP）。P-ARC針對ARC的三個主要階段（初始個體解、衝突檢測、衝突解決）提出並行方案，利用ARC對MRMP問題的分解產生的獨立性。此外，採用OR並行多啟動策略，建立混合並行策略OR-P-ARC。實驗表明，在最多128個機器人的2D移動和平面操作場景中，不同並行策略帶來顯著加速，在16核CPU上規劃時間提速近4倍。

本文提出一種基於物理資訊機器學習（PIML）的機器人輻射源定位框架，能夠在任意測量路徑下精確估計輻射源位置，無需靠近源，從而降低機器人輻射損傷風險。該方法透過設計物理啟發張量處理未知障礙物的衰減伽馬射線訊號，平行計算多個模型以提高魯棒性。在高保真模擬和物理實驗中驗證了有效性，並採用連續學習技術增強線上部署的實用性。

提出一種混合模擬框架，結合高保真四旋翼模型和物理求解器，訓練深度強化學習策略，實現零樣本部署於真實硬體，將降落誤差降低50%，投擲時間縮短30%。同時展示了基於視覺觀測的策略的等效效能。

SceneBot是一種統一的人形運動追蹤框架，能夠處理自由空間運動、地形穿越和全身操控。透過將參考運動與每個關節的接觸標籤相結合，它顯式定義了預期的環境互動。為解決互動資料不足的問題，研究團隊提出了一種事後場景重建方法，從重定向的人體運動中推斷場景互動圖。經過7.5小時的重建接觸豐富資料訓練，SceneBot成功泛化到未見過的運動和環境，實現瞭如搬箱上樓等複雜、長時任務。這是首個無縫統一自由空間和接觸豐富行為的通用框架。

現有基準標記多為單尺度且針對地面機器人設計，在接近和對接階段會離開相機視野。本文提出AstraTag，一種基於方形Spidron遞迴自相似結構的基準標記，支援多尺度檢測、48位GRS編碼識別，並採用薄板樣條重對映處理曲面。在曲面航天器模型上，AstraTag的檢測率優於分層ArUco和AprilTag，為空間機器人提供了魯棒的遞迴標記方案。

一種新的多機器人運動規劃方法AO-ARC，能夠在與最先進的可行性求解器相當的初始求解時間內，隨著機器人數量增加實現更快、更可靠的收斂。該方法透過迭代呼叫ARC對有限例項進行求解，適應AO-x元演算法，並證明了漸近最優性。

提出SCORE框架，透過在模擬中施加支援約束，使強化學習能在不進行真實世界訓練的情況下改進機器人操作策略，成功率從37.8%提升至89.9%。

TTE利用可學習的球面Voronoi分割槽，將表示能力集中在需要區分度的區域，並透過全域性語義標記共享相似環境語義，在多項地理空間任務上達到最先進水平。

本研究提出Structured-Li-GS，一種融合LiDAR-慣性-視覺SLAM的輕量級3D高斯潑濺框架。透過訓練精確密集的彩色點雲，該方法以更少的高斯原語實現高質量3D重建，無需高斯稠密化，並採用多種損失函式引導。實驗表明，在基準資料集和自有資料集上，該方法以中等模型尺寸超越現有技術。

TruEye是一種新型模型，能夠細粒度檢測和定位AI生成或篡改的人像和場景，區分五種合成內容類別，比現有方法更快更準，且無需大型語言模型。

ReWorld是首個專為自動駕駛世界動作模型設計的表示學習框架。它透過直接最佳化中間表示，沿三個維度改進：對生成模組施加未來預測監督，對規劃模組進行跨模態對齊和難負樣本監督。實驗表明，ReWorld在nuScenes和NAVSIM上顯著提升了影片生成質量和閉環規劃效能，並加速了收斂。

Aloe-Vision 引入了一系列開源醫療視覺語言模型，基於大規模質量過濾的資料集訓練，在保持通用能力的同時取得競爭性效能，並暴露了對抗性輸入下的脆弱性。

DMV-Bench是首個針對多模態智慧體視覺記憶的互動式基準測試，基於包含1000種產品的家居電商目錄構建。透過在每個產品影像中注入獨特的偶然線索，測試智慧體在長時間購物會話中回憶特定產品的能力。研究者提出雙編碼記憶架構DualMem，在Gemini 2.5 Flash和Qwen2.5-VL-7B上均優於現有系統。

SelectAnyTree是一種基於提示的例項分割模型，旨在從3D森林LiDAR點雲中透過少量點選分割出任意單棵樹。該模型引入點選到查詢的提示編碼器和冠層高度模型引導的首次提示，結合狀態空間查詢解碼器，實現了高效的長距離上下文捕獲。在七個不同森林區域和獨立測試集上的評估表明，單次點選即可達到78.2的交併比，顯著優於現有方法。

研究人員透過低秩適應方法微調Gemini 2.5 Pro模型，使用400個經臨床醫生評分的家庭影片，在評分者間信度和自閉症診斷準確率上取得顯著提升，達到或超過臨床醫生水平。該方法實現了自閉症評估中可擴充套件的行為特徵提取。

SemCityLoc是一種新穎的空中定位方法，利用語義-幾何對齊將無人機姿態估計轉化為基於基礎模型視覺先驗和標準化LoD 3D城市模型的結構化表面配準。該方法無需依賴精確的GNSS訊號或輻射度量豐富的3D重建，在重複和遮擋的城市環境中提高了位姿判別性。同時引入了首個包含釐米級精度UAV位姿與LoD1-LoD3語義城市模型的真實世界基準SemCityLockeD。實驗表明，相比現有地圖方法，召回率提升高達36%，平均位置誤差從9.89米降至2.62米。程式碼和資料已公開。

一種名為變換感知解耦（TAD）的新框架透過將關係推理分解為視角敏感和視角不變兩個部分，提升了三維場景圖生成在視角變化下的魯棒性。

超細粒度實體分類（UFET）在長尾型別上表現不佳，因為現有方法依賴單句上下文。本研究提出Narrative-UFET，為每個實體提及自動生成簡短連貫的敘事，從而提供跨句上下文。實驗表明敘事上下文顯著提升長尾型別分類效果，尤其是當實體型別在敘事中發生變化時。合成敘事優於自然上下文，揭示受控話語構建能挖掘隱含訊號。

Ko-WideSearch是一個韓國語廣度搜尋基準，透過自動化合成與驗證流程構建，包含190個實體、228張表、16個類別，按三個難度層級評估網路代理的窮舉集合列舉能力。測試發現代理能恢復集合但無法完整填充行（Item-F1 92.8 vs Row-F1 53.7），且難度增加時效能穩定下降，開放文本單元格是主要瓶頸。