MR2-ByteTrack：面向AI增强型嵌入式视觉传感器节点的基于CNN和Transformer的视频目标检测

MR2-ByteTrack采用多分辨率推理和重新评分算法，在MCU上实现实时视频目标检测，能耗最高降低55%。

Ghosted Layers: Unconstrained Activation Alignment for Recovering Layer-Pruned LLMs

DrugSAGE：用于高效前沿药物发现的自我进化智能体经验

DrugSAGE通过跨任务记忆复用经验，在33个分子性质预测任务中排名第一，零测试搜索下超基线10-30%，实现高效前沿药物发现。

面向智能编码系统的运行时结构化任务分解

运行时结构化任务分解仅重试失败子任务，重试成本较单体系统降低51.7%，较静态分解降低73.2%。

随机时延下机器人遥操作的残差强化学习

提出残差强化学习框架，结合LSTM状态估计，应对随机延迟，实现鲁棒稳定遥操作。

RIDE：基于Retinex先验的解耦方法用于揭露隐蔽物体

RIDE利用Retinex同质分解与可区分性差距定理，通过任务驱动解耦实现隐蔽物体高效分割。

GRLO: 从零开始在开放式环境中实现可泛化强化学习

GRLO仅用5K提示和22.7GPU小时，将模型平均性能从24.1提升至63.1，数据量和算力分别减少46倍和68倍。

基于混合大语言模型的机器人任务调度智能框架

使用双LLM代理优化建筑机器人任务调度，平衡效率与资源，实时适应现场变化。

面向模式约束临床信息抽取的检索增强大语言模型

提出模块化RAG管道，结合模式约束提示与二次审计，最佳配置达80.36% F1，检索增强一致提升性能。

差分隐私模体保持的多模态哈希

通过度裁剪与噪声镜像下降生成差分隐私合成图，蒸馏保留拓扑模体，跨模态哈希性能达非私有的92.5%。

在利益冲突下学习

ML系统与用户利益冲突，现有方案缺乏激励。本文提出博弈论框架，最大化有益信息并最小化偏见操纵。

SkiP：何时跳过何时精炼以实现高效机器人操作

SkiP通过动作重标记动态跳过冗余步骤并精炼关键动作，减少15–40%执行步骤且成功率不降。

分布式学习中的数据归因脆弱性研究

分布式学习数据归因脆弱，单一攻击可大幅提高自身归因值而保持模型效用，揭示新攻击面。

RoPE在长上下文中无法区分位置和标记（被证明）

证明RoPE在长上下文中失去位置和令牌区分能力，局部性与一致性消失，调整超参数也无法兼得。

PrismQuant: 面向高斯混合源的率失真最优矢量量化

提出PrismQuant，仅需分量标签成本，全局反向注水分配比特，逼近理论率失真界，模型小巧性能优异。

DiffVAS：部分可观测环境下的扩散引导视觉主动搜索

DiffVAS利用扩散模型重建区域，结合强化学习规划，在部分可观测环境中同时搜索多样目标，效果显著。

神经点形式

提出神经点形式（NPFs），利用拉普拉斯技术建模点云微分形式，证明一致性，提供可解释几何特征。

DeltaPrompts：逃离多模态蒸馏中的零Delta陷阱

揭示零Delta陷阱，提出基于答案散度的提示筛选，构建200k高散度数据集DeltaPrompts，提升多模态蒸馏效果。

基于结构噪声初始化与引导的无调参指令视频编辑

提出无调参指令视频编辑框架，通过结构噪声初始化和引导机制提升内容一致性及视觉效果，性能领先。

具有学习可靠性的过程奖励

BetaPRM同时预测步骤成功率及其可靠性，基于此提出ACA自适应分配计算，减少33.57%token并提升准确率。

通过智能体程序分析检测多语言微服务中的权限提升

Neo结合大语言模型与程序分析，检测微服务权限提升漏洞，发现24个零日漏洞，精度81%、召回85%。

潜在视频预测有助于学习更好的世界模型

潜在预测模型在特征判别、鲁棒性、遮挡和时间方向等维度均优于其他模型，证明其作为世界模型的优势。

使用词嵌入技术的领域无关游戏抽象

提出基于词嵌入的领域无关游戏抽象方法，将动作向量化并聚类，实验有效但未超越专用算法。

极低数据细粒度图像分类中预训练目标至关重要：一项基于骨干网络控制的研究

极低数据FGVC中，监督与对比预训练线性可分最强，MAE非线性更优，DINOv3表现差，建议根据分类器类型选目标。

运营商控制的6G：从连接基础设施到可保障数字服务

6G必须转向运营商主导，通过控制契约和保障经济实现可保障数字服务，Rakuten Mobile已验证可行性。

CTF4Nuclear：核裂变与核聚变模型的通用任务框架

提出核工程ML评估框架CTF，含多数据集和12项指标，基准测试揭示局限，旨在标准化提升可重复性。

AstraFlow：面向数据流的智能体大语言模型强化学习

AstraFlow通过解耦组件实现数据流控制，支持多策略、弹性异构跨区域RL，训练加速2.7倍且精度不变。

基于通用视界模型的离线强化学习

提出通用视界模型直接预测任意视界未来，配合缩尾分布稳定训练，显著提升离线强化学习性能。

面向多类别互补标签学习的有偏转移矩阵方法

通过设计有偏生成过程限制互补标签子集，提出BICL框架，实现多类别CLL中7倍准确率提升。

少量GPU，海量规模：PrismLLM实现忠实的大语言模型训练模拟

PrismLLM用不到1%的GPU忠实模拟大规模LLM训练，迭代时间误差仅0.58%，内存误差<0.01%。

反馈世界模型实现扩散策略的精确引导

推理时在线更新反馈状态，修正预测误差，减少76.4%，提升分布外任务成功率30%。

TFZ-Tree：一种面向资源受限设备的超轻量级波形分类框架

提出超轻量级波形分类框架TFZ-Tree，基于时频特征与Z检验树，在十种6G波形上达99.5%准确率，延迟<4ms。

面向群体归因的交互感知影响函数

提出交互感知影响函数，加入二阶交互项捕捉样例间协同效应，实验超越一阶方法。

中文标题：逻辑斯蒂固定点的尖锐谱阈值

中文摘要：发现软最大反馈系统稳定性的精确谱阈值，超越经典理论，扩展了可证稳定的边界。

VAGS: 用于图像编辑与生成的速率自适应引导尺度

提出无需训练的VAGS，通过速度场余弦相似度动态调整引导强度，提升图像编辑与生成的结构保真度。

α-TCAV：一种基于概念激活向量进行测试的统一框架

α-TCAV用平滑函数替代指示函数，解决CAV不稳定性，提供调参指导，建议将全预算用于单个CAV。

VLMs追踪而不跟踪：视觉路径跟随失败诊断

VLMs路径跟随常因局部相似干扰丢失目标路径，且规模扩大、推理或指令等标准补救均无效。

H-Mem：一种通过混合结构实现智能体记忆演化与检索的新型记忆机制

H-Mem通过混合结构（树与知识图谱）建模记忆演化与高效检索，在问答任务上达到最优性能。

ASRU：融合激活引导与强化遗忘的多模态大语言模型遗忘方法

ASRU通过激活引导和强化遗忘优化生成质量，提升遗忘效果与模型效用平衡。

连接硅与海马体：代数学确定性记忆"VaCoAl"作为Vector-HaSH和TEM的底层结构

VaCoAl代数学确定性超维记忆架构，提供位精确随机投影替代，代数解释多跳衰减，连接神经科学与工程。

DecomPose: 解耦类别级6D物体姿态估计中的跨类别优化冲突

提出DecomPose框架，通过难度感知梯度解耦与稳定性非对称分支，缓解跨类别优化冲突，提升6D姿态估计性能。

GRASP：学习在多人物非语言交互中立足社会推理

GRASP数据集含29万QA对，覆盖注视与手势事件，提出SGR奖励信号，提升多人物非语言交互理解。

UAM：VLA训练遗忘问题的双流视角

UAM通过双流架构分离语义与控制，保留VLM超95%多模态能力，无需冻结权重即实现高任务成功率。

观点：在标注流水线中，早期质量保证比后期验证更具成本效益

呼吁标注流水线优先早期质量保证（左移原则），比后期验证成本效益更高，可大幅降低错误率和成本。

海马-内嗅皮层启发的世界模型中的结构抽象与泛化

提出脑启发层次模型，通过逆模型和路径整合实现结构抽象与泛化，用于视觉预测和知识重用。

腿式机械臂的动态拾放学习

提出分层强化学习框架，实现动态拾放，仿真成功率86%，实物73%，负载达1.3kg，耗时4.06秒。

基于心脏模式引导的双向融合用于半监督心电图分割

提出CardioMix框架，用心脏模式引导双向CutMix，增强标注与未标注数据交互，提升半监督心电图分割性能。

DiLA: 解耦潜动作世界模型

DiLA通过内容-结构解耦，协同潜动作学习，兼顾高抽象与高保真生成，实现高质量视频建模与动作迁移。

BiomedAP：一种视觉引导的双锚点框架与门控跨模态融合，实现稳健的医学视觉-语言适配

提出视觉引导双锚框架与门控跨模态融合，增强医学VLM对提示扰动的鲁棒性，少样本精度领先。

CompactQE：通过小型开源权重LLM实现可解释的翻译质量评估

小型开源LLM单次提示即可同时输出质量分数、错误注释、纠正及后编辑，性能媲美大型专有LLM，超越传统指标。