Agentao：面向工具使用型LLM代理的受治理本地优先运行时
提出受治理的本地优先运行时，以权限和显式执行轨迹约束工具型代理，提升可审计性与可控性。
具身消歧的主动感知
提出主动感知框架，结合视觉语言模型，通过主动观察收集证据，决定继续观察、询问或选择，实现具身目标消歧。
潜空间思考，语言解释：自解释潜推理
提出SELR：通过答案损失和CoT损失联合训练，实现高效且自解释的潜推理，无需外部解码器。
语言服务器能为编码智能体节省Token吗？一种测量方法论与初步研究
经测量，LSP语义检索通常不省Token，仅特定任务和模型有利；建议按任务类自适应路由。
基于幅值专家掩码的混合专家模型深度感知敏感性分析
混合专家模型层敏感性随深度变化：浅中层脆弱，深层耐掩码；聚焦深层可在压缩同时保持质量。
Kolmogorov-Arnold网络用于空间独立的多光谱土地分类
评估KAN在Landsat8土地分类中的性能，参数少且可解释性强，精度匹配随机森林并优于多层感知机。
LLM服务的一年：工作负载演变、缓存与负载均衡
基于一年生产轨迹，揭示大语言模型服务负载演变与用户交互，并发布完整数据集。
Jais 2：一个以阿拉伯语为中心的开源大语言模型家族
Jais 2是阿拉伯语中心开源大模型家族，含70B参数最大模型，性能领先，高效且开放。
AI评估应该与人类合作
当前AI评估聚焦超人类自主性能，误导发展；应转向人机协作评估，使AI补充人类能力，带来更好社会结果。
大型语言模型中涌现出模块化认知架构
大语言模型显现类似人脑的模块化认知结构，提示模块化可能是智能系统的基本属性。
不要声称面向基准的优化能提升通用编程能力——多样化评估必不可少
针对少数基准的优化不代表通用编码能力，跨任务迁移差，需多样化评测与持续基准维护。
ChartProbe：基于感知、定位与简单推理的视觉推理诊断研究
提出ChartProbe诊断框架，证明仅训练感知、定位等基础技能即可显著提升复杂图表推理，无需复杂推理数据。
EEG-PRISM：基于生理学基础的EEG基础模型预测可解释性
EEG-PRISM将预测归因映射至频域与源域，频谱恢复近完美，癫痫定位50%准确，自闭症标志物定位准确。
CAST：面向零样本分类器扩展的闭式解析语义迁移
提出无需训练和图像的闭式语义迁移，经权重注入扩展零样本分类器，推导语义外推残差，性能媲美少样本法。
稳定误校准：大模型高置信错误的新视角
高置信错误常被视为推理脆弱，但研究发现其可能稳定误校准：在扰动下保持自信错误。结合输出审计与内部探针，自批评提示降低敏感性，但高置信错误未必更敏感。
稳健XGBoosting回归
研究XGBoost回归稳健性，受离群点影响，提出MM-XGBoost两阶段法，采用M/S/τ损失，平衡稳健与精度。
PROVE：基于可验证证据的无训练提示恢复
提出无训练黑盒提示反演攻击，用可验证场景描述重构提示，优于现有方法，可审计且无需训练。
多相扩散：面向高对比度尖锐界面多相物理系统的扩散生成建模
提出多相扩散模型，结合守恒通量残差、双射表示与雅可比预条件似然，解决高对比度尖锐界面生成难题，优于七个基线。
衡量语言模型代理的跨任务行为一致性
提出行为一致性度量，揭示跨任务与任务内一致性可分离，且与成功率无关。
Hard Cases, Bad Labels: Testing Error Exposure and Error Location in Uncertainty Sampling Under Bounded Label Noise
不确定性采样在干净数据上提升学习曲线1.09-1.77个百分点；其鲁棒性因数据集、噪声和评估指标而异，错误位置无普遍额外惩罚。
通过激活引导剪枝实现跨模型规模的无训练知识迁移
提出激活引导剪枝（APM），无需显式语义对齐，将大模型功能模块注入小模型，在16项基准上平均准确率从55.5%提升至60.6%。
基于语义感知偏差估计的大型音频语言模型公平性度量
提出语义感知混合效应回归框架，控制语义与说话人混淆，用模型自身语义嵌入，减少虚假公平发现，稳健估计亚组差异。
鲁棒双模型协作随机向量功能链接网络
提出核风险敏感均值p次方RVFL模型，抗噪声离群，协作学习增强鲁棒性，基准测试优于基线。
IterCOMP：面向多跳问答的推理感知自适应提示压缩
本文提出一种无需训练的迭代压缩方法，通过分解证据与生成追问，减少令牌并提升多跳问答的准确性。
跨学科误解生成、放大与检测的分类与建模：从语用学到AI智能体
将误解分为产生、放大、检测/修复三层，跨九领域归纳十一种失效模式，对应八个分析层，并形式化建模。
GRPO超越英语：非英语与多语言环境下的大规模研究
研究发现非英语GRPO训练母语推理与英语差距小，跨语言迁移强，但特定语言可能引发其他语言退化，需广泛评估。
保留什么，何处适应：持续妇科图像分割中遗忘的深度分析
持续妇科图像分割中，遗忘取决于更新发生在编码器-解码器的深度位置，浅层编码器与解码器训练会加剧遗忘。
CLAIR-Fin：面向跨模态金融问答的对抗式多智能体声明级验证与自适应辩论框架
提出九智能体框架，按类型验证金融声明，对抗式辩论，先审查后终审，忠实度升至0.889，拒答5.4%问题。
注定永远重新标注：ImageNet的故事
重新标注ImageNet验证集，发现约12%标签错误、33.3%多标签、3.8%无目标，新标注提升准确率，问题具结构性。
对撞机实验中可解释异常检测的对比学习
ORCA框架利用对比学习嵌入与自编码器进行对撞机异常检测，提升灵敏度，并通过模板拟合实现可解释性与信号量化。
MedPlex：深度视觉-语言协同适应实现临床落地的医学分割
MedPlex提出双向融合与层级概念对齐，让文本引导贯穿编码器，在CT/MR多器官及肿瘤分割上达到最优。
TeachMateGPT：面向科学课程材料的多智能体知识锚定教学评估生成框架
TeachMateGPT以多智能体与分层知识库生成科学评估，通过分阶段闭环和源验证，将忠实度提至0.96、相关性提至0.89。
查询知道该遗忘什么：线性注意力的第二擦除方向
线性注意长上下文状态干扰损害检索。提出查询导出的第二擦除方向，与键正交，抵消沿查询的旧状态，提升检索，可用上下文约翻倍。
从BERT到前沿智能体：语言模型八年进步、能力-成本曲线崩塌与任务定向模型的兴起
八年从简单模型到智能体，编码能力年增六倍，成本骤降；专用模型分领域领先；高级采样与置信排序显著提升任务效果。
ASSERT：面向生成式人工智能审计的测量流水线
审计生成式AI时，测量选择显著影响报告率，ASSERT通过规范驱动流水线关联结果与测量，便于归因差异。
当词汇变化造成误导：用传统指标与基于大语言模型的指标重新思考动态主题模型评估
动态主题模型评估中，传统一致性不可靠，LLM语义相似度更准，建议结合两者并关注词汇变化。
脓毒症治疗依从性如何？专家引导的神经符号管道生成临床依从性洞见
专家引导管道结合语言模型归一化与模糊推理，评估脓毒症指南依从性，发现抗生素时机最薄弱。
推理中数据选择的能力依赖性效应
推理微调中，高似然数据利于小模型快速提升，低似然数据利于大模型长期训练，选择需视模型容量与算力而定。
XSA-MAD：跨模态语义对齐的变形攻击检测方法
提出XSA-MAD跨模态框架，分解变形为四属性并语义对齐，增强泛化性，GAN攻击EER达2.92%。
SemPlan：面向企业数据基于大语言模型查询的结构化语义规划基准测试
双语基准含1800例，比较四类架构，正确率均低（约22-26%），A3最高但各有取舍，无统一最优。
内部动作映射的校准测试：无全局仿射闭合的状态信号
内部动作映射在无全局仿射闭包时，状态可用性与可复用映射分离；测试显示单步拟合有效但组合失败。
整数不在场证明：INT8量化LLM推理中跨内核分歧的定位
INT8内核互换导致输出分歧，源于缩放与舍入而非精确累加器；探针干预可恢复逐位一致。
OpenBelief-Nav：保留证据的物体记忆用于开放词汇语言引导导航
提出保留证据的物体记忆，融合观察短语为对象信念，提升开放词汇导航的目标确认与成功率。
基于执行可验证监督的强化学习引导小众多语言代码翻译
提出用执行结果监督的强化学习训练多语言翻译，扩展种子程序，训练奖励模型，优化600语言对，引入新基准，显著提升小众语言翻译质量。
RGBX-Next：迈向基于G缓冲区的真实感生成渲染
提出RGBX-Next，将扩散Transformer微调为基于G-buffer的正反向生成渲染器，实现高质量生成渲染与本征分解。
基于缩放假设的无标签智能体学习框架能力评估
提出无标签评估学习框架法：以教师稀疏纠偏学生，用学生向教师收敛程度评分，验证其可代理无标签时真实提升。
基于深度学习药物-靶标结合亲和力预测的最新进展
综述深度学习预测药物-靶标结合亲和力方法，分析基准数据集与评估指标，指出数据偏差、冷启动等局限，提出改进方向。
联邦提示学习：统一框架、实证分析与未来方向
综述联邦提示学习：整合联邦学习与大语言模型，解析其动机、特性、权衡、安全隐私挑战及防御机制，并展望未来方向。
算法设计与医师责任
责任规则导致医生对弱势群体AI使用先降后升；强制算法同等精度反而损害两组。
你的概率JEPA其实是个隐马尔可夫模型：联合嵌入预测学习的状态空间解读
证明概率JEPA等价于隐马尔可夫模型，提出MCJEPA实现精确状态转移，为时序JEPA提供状态空间解释。