可靠但设计敏感：大语言模型标注中的工具不确定性
大语言模型标注可重复，但换任务设计或模型即变，称为工具不确定性；置信度不能替代多设计比较。
MSU 团队 GenText-Forensics 2026 挑战赛技术报告
提出分解式思维链流水线，结合篡改检测器与双视觉语言模型，获挑战赛第三名。
深入CHOIR：自由列举式引出揭示大语言模型集成中的独特模型之声
提出CHOIR框架，以自由列举法探测LLM集成，区分表层共识与深层差异，识别各模型独特声音。
AIM：面向自动化研究的智能体式想法管理
提出AIM框架，用智能体代理与采集机制组织并优选研究想法，维护想法与实现一致，动态分配预算，优于基线且快3.1倍。
超越层级：统一多模态模型的位置分辨梯度冲突与位置感知调制
发现生成-理解梯度冲突随视觉token位置变化，提出位置感知调制，仅在高冲突位置去除反对齐梯度，提升统一多模态模型性能。
MILO：通过编排式多智能体演化实现自动化智能体执行框架发现
MILO以编排式多智能体演化，协同发现更优智能体执行框架与搜索策略，多基准超越SOTA并刷新数学上界。
通过受控环境干预构建具有挑战性的浏览器使用任务
用受控环境干预把难度变为可编程属性，构建BreakingWeb基准：519对任务使智能体通过率降22.9%，失败多为虚假成功。
VidHarness：面向低成本长视频理解的可进化智能体框架
VidHarness以MCTS进化智能体框架，借多保真验证与混合路由降本，在多项长视频理解基准上刷新SOTA。
τ-多语言：跨语言语音智能体基准测试
推出τ-多语言基准，覆盖五种语言全双工通话评测：韩语、普通话完成率明显落后，失败模式各异。
解码延迟反馈预填充：一种无模型控制器及其泛化极限
无模型控制器DLFP以解码延迟反馈调预填充分块，A100上P99令牌间隔降27.7%，但泛化受限。
无需训练的合成：面向表格、时序与关系型合成数据的纯推理流水线
免训练纯推理流水线：统计画像与语言模型约束生成可审计采样器，统一支持表格、时序和关系数据。
基于可回收单元门控的循环神经网络动力系统持续学习
提出可回收单元门控CRUG：L0门控选择并回收任务单元，零遗忘持续重构动力系统，兼顾容量，可迁移至认知任务。
PrimeSeeker：面向能力的深度搜索智能体监督
提出潜在锚点推理与PrimeSeeker框架，以锚点结构生成问题及证据骨架，监督并强化训练，减少检索冗余。
PrivMeSA：面向医学的隐私感知自演化多智能体系统，基于本地—远程大语言模型协作
本地智能体以强化学习平衡准确率与隐私风险，用经验记忆复用远程知识，披露率由98%降至0.2%。
MOBA-VL：面向实时MOBA解说的赛事事件定位多轮强化学习
MOBA-VL以遥测定位事件、多轮强化学习训练9B模型，实时解说总分领先，事件召回率升至42.1%。
LoopVL：循环视觉智能
LoopVL将循环Transformer扩展至视觉语言模型，共享模块迭代更新多模态状态，性能超越更大模型并现视觉顿悟。
从随机探索中学习规划
仅凭随机探索，用条件能量模型学习多尺度时间关系，无需动作与奖励标签，实现长程迷宫规划与导航。
追踪语言模型中谄媚性认同的机制
因果中介分析揭示，早期少数注意力头把用户观点注入残差流并偏置答案；消融可显著减谄媚而不损准确性。
可听世界模型：面向3D世界的空间感知声音生成
免训练框架将声音融入3D世界：语义分层定位声源并锚定几何，渲染随听者移动的空间音频，空间一致性更强。
更少均匀的离散扩散更强大且可扩展
提出LUDI：非均匀损失加逐词元时间嵌入，提升少步生成；7B模型可复杂推理，比自回归解码快3词元/步。
PAMI：面向文本到人体-物体交互生成的部位锚定运动框架
PAMI用身体部位锚点投票定位物体运动，粗到细生成并细化接触几何，接触召回率较此前最佳提升14.5%。
论同策略蒸馏中的异策略教师
同策略蒸馏中教师监督学生前缀为异策略；SCOUT协同训练教师适配，提升蒸馏效果。
我们还能信任灾害社会感知吗？检测人工智能生成社交媒体帖子的实证证据
实证表明，文本AI检测难辨人类与AI生成灾害帖，不宜作信任门槛；需多模态、可问责来源等证据。
面向任务特定视觉感知的合成数据策划
核心不是生成更多，而是生成什么：按任务设计场景、外观与标注；程序化渲染、物理仿真与生成式AI各有所长，须与真实数据互补。
LeanPolish：面向Lean证明压缩的经核验监督
发布3.3万条经验证Lean编辑与候选池，揭示首次成功搜索捷径；符号迭代与微调提升压缩和整证明重写。
面向射频逆向设计的模拟器精炼扩散
提出模拟器精炼扩散SRD，用可微代理梯度引导、高保真模拟器精搜，射频逆向设计S参数匹配最高提升21.2%。
哪些任务能在自监督学习中幸存？
研究同实例自监督学习的信息保留，用语义可恢复性及谱子空间刻画下游任务几何与少样本迁移。
基于视觉语言模型街景描述的行人路径感知安全估计
以视觉语言模型街景描述作可解释中介，估算感知安全并规划行人路线；实地验证相关性有限，基准提升未带来现场增益。
面向基于图像的连续控制的高斯与Beta策略分歧正则化模仿学习
DRIL将策略分歧转为强化奖励，少示教图像连续控制显著优于行为克隆；示教增多优势缩小，β行为克隆强。
梯度冲突能否预测理解—生成权衡？统一多模态模型中冲突度量有效性的受控审计
受控审计发现，梯度冲突指标与理解—生成权衡无显著相关，抑制冲突不改变权衡，其诊断有效性需验证而非假设。
ShamAN-Q：面向亚1比特LLM权重的Shampoo增强NanoQuant
提出ShamAN-Q亚1比特量化法，以稠密曲率替代对角几何，降低困惑度并提升零样本精度。
VAmoS Part Deux：更难、更真实的语音智能体仿真
VAmoS Energy基准含100通多请求语音客服电话，测试14种语音栈，完成率17.3%–44.7%，背景电视干扰降至8.6%。
解决金融数据缺失危机：面向SEC 10-K提取的生成式AI流水线
评估多款LLM从SEC 10-K提取四类财务数据，规模匹配复杂度可提高零样本准确率，消除数据缺失偏差。
超越上下文窗口：面向混合检索与长上下文语言模型的自适应熵驱动路由框架
提出EDAR，以预测熵推理时路由RAG与长上下文，保留97.4%精度，token开销降70.7%。
理性与敏感性：以医师专家为基准评估大语言模型的临床分诊建议
基准测试显示，LLM较医生更易建议不必要诊疗，且对性别与语气等临床无关扰动更敏感。
大语言模型组合任务中的因果与可解释结构
LLM组合任务中，关系信息随层从两词联合表示渐进组合为三词表示；因果相关表示可提升下一词预测。
AgBench：面向个人AI设备的智能体AI基准测试
提出AgBench基准套件，评估个人设备上智能体AI的本地、混合与云端执行，揭示成功率、延迟、成本与数据暴露间的权衡。
Aperture：面向遥感的免训练多尺度概念瓶颈
APERTURE：免训练多尺度概念瓶颈，融合四叉树路由与MLLM评分，在遥感SiFC上超越免训练和监督基线。
GazeFlow：从人类注视行为到生成式第一人称注视预测
GazeFlow将注视建模为任务与视觉显著性条件下的联合分布，用条件流匹配生成轨迹，性能达SOTA且更符合人类注视动态。
CruxBench：信息发现基准
CruxBench以信息价值评估LLM发现关键子问题的能力，前沿模型仍表现有限。
预训练与中期训练让什么可从奖励中习得？
预训练与中期训练提供可执行计算与检索，使奖励学会任务特定用法；源监督和记忆回放大幅提升成功率。
ThinkV2V：释放多模态大语言模型推理能力，实现指令引导的视频编辑
ThinkV2V让MLLM先推理再生成视频，结合渐进课程训练与推理时思考扩展，5B模型超越10B基线。
PACT：面向单 token 类型化决策的成对锚定校准调优
PACT将对比对的四项结构约束转为训练目标，提升单token类型化决策的稳健性与排序精度，精度持平而偏差更低。
除了关键时刻几乎与人无异：VoxParity 与声音本应改变的决定
VoxParity测试语音智能体：14行业183场景中仅11/23通过，错误偏向文字，规则提示仅部分弥补。
超球语义轨迹分析：映射学术预印本、专利信号与算力扩展中的技术扩散
提出超球语义轨迹分析，追踪预印本与专利技术扩散，发现大语言模型等子主题语义演化最快。
走向“模型即库”：面向低资源非洲语言的离线社区共建AI
提出MaaL：将社区录入的小型语音模型作为端侧依赖，实现离线、防幻觉的数据收集，服务低资源非洲语言。
LongTake: Learning to Sustain Dynamics in Long-Horizon Video Generation
面向高效视觉推理的问题特定知识图谱
提出VisKG：用强化学习把视觉内容转为问题特定知识图谱，滤噪保留推理结构，token更少且更准。
临床试验中人类—AI交互的定义与分类：一种多维人类—AI分类方法
提出多维框架分类临床试验人机交互，涵盖AI任务、人机关系、交互配置与人群；LLM辅助分类需人类判断。
人口统计多元主义：多元人类偏好分布的推理时建模
提出人口统计多元主义推理时框架，无需微调估计群体意见分布；JS距离降8.4%-26.4%，等权聚合最优。