Saidzoda-Tajik-E5-Large 是基于 560M 参数 multilingual-e5-large-instruct 微调的塔吉克语文本嵌入模型。该模型在 235,140 个问答对上训练，使未见法律和税务文档检索的 top-10 命中率分别提升至 93.6% 与 94.5%。在同风格测试中，其表现追平 5 倍参数规模的 Giga-Embeddings-3B，且保留了俄语与英语能力。
研究团队推出针对无中心编排器的多智能体代码协作基准 ParallACT，专门测试多个 AI 智能体在共享代码库中处理互补与冲突任务的表现。测试显示并行多智能体表现远逊于集中式单智能体，在冲突任务中 Claude Code 搭配 Claude Opus 4.8 的成功率从 62% 骤降至 16%；仅告知同伴存在或开放通信通道难以有效弥合性能差距，并伴随额外的 token 成本。
一项针对 DisasterBench 结构化工作流规划的测试时推理审计发现，名义树搜索并未带来实际自适应收益，独立采样即可复现其候选发现。多数投票在 10-19% 的任务中未选出已发现的正确工作流，且工具规范感知验证器推翻的正确决策多于其修复数量。研究建议将推理流水线按候选发现、结构验证与最终选择三个阶段分别进行审计。
研究人员提出通过局部轮廓曲线量化降维映射局部保真度 L（k=10）与全局保真度 G 的方法，并推出对比两种降维映射的 LG 反转检验。该方法在 12 个数据集共 156 个映射（最高 1.38M 点）上验证，G 与既有全局得分一致性达 0.89 和 0.96；在含 100 万段落的 AI 智能体记忆中，两类映射在 150,000 段落处交叉（p = 2.6e-5）。
研究人员提出基于计算理论的形式语法透镜基准，以区分语言模型在不同测试时推理水平下的计算能力。评测显示，GPT-5.5 及 GPT-5.5-Pro-Medium、-High 和 -XHigh 的数据接受率逐步提升，分别为 16%、40%、43% 与 52%。研究还发现，随着测试时计算量增加，模型输出与人类回答的分歧扩大，暴露出模型能力与对齐之间的潜在冲突。
研究者提出一种基于三角标准矛盾的一阶逻辑自动定理生成（ATG）构造性框架，通过构建极小不可满足子句集，实现定理无需独立证明即可“构造即正确”。该研究在已有 $\Delta_1$ 生成器基础上拓展出 $\Delta_2$ 至 $\Delta_8$ 等 7 种方法，构建了包含 8 种方法的生成体系，并已开源发布 $\Delta_1$ 至 $\Delta_4$ 四个生成器。
研究提出评估政策变迁推理的双轴政策蕴涵基准 DAPE，包含 1,000 对中国政府政策指令的专家标注数据集。14 款开源模型和 4 款前沿 API 旗舰模型零样本评测均表现不佳，最佳模型 Cohen's $\kappa$ 仅约 0.29，远低于人类上限 0.53。经 LoRA SFT 微调的千问（Qwen3-14B）取得 $\kappa = 0.524$，成功追平人类一致性上限（0.527）。
研究人员提出计算脑影像生成式基础模型 BrainGFM，基于约 130 万张 MRI 和 CT 切片预训练，通过可重构先验支持数据合成与图像重建。该模型在 48 个下游任务中提升了分割与分类表现，并在涵盖 4,796 名中风患者的多中心临床验证中得到证实。人机协作测试中，BrainGFM 辅助使放射科医生中风亚型平均诊断准确率相对提升 14%。
研究团队推出针对中国 A 股连续交易的实时决策审计基准 AStockArena，评估 13 款开源与闭源模型在 3,198 次序列决策中的表现。该基准通过涵盖执行可追溯性、证据充分性与金融元认知的 8 项检查审计交易动作，发现在 1,070 个交易点中 72.99% 存在审计缺陷，模型级缺陷率介于 52.2% 至 91.2% 之间。
研究人员提出 LLM 在环 CT 标注框架 Taurus，其主动脉标注主要指标追平了基于 Claude Opus 5.5 的自由形态编码智能体。Taurus 结合自动化流程、规则平滑与模型单选题式纠错，单例标注成本仅为 $1.22，不足自由形态智能体 $2.71 的一半。测试表明其竞争力主要源自框架自动化设计，能推动医学专家从手动绘制标签转向核对审查。
多智能体环境下的 LLM 对话虽然连贯且富有创意，但难以复现人类在幽默即兴创作中自发口语互动的关键特征。分析显示 LLM 生成的交互倾向于表现出强烈的礼貌与正面评价，缺乏人类幽默即兴中丰富多样的态度范围。该研究结合自动化语言度量与系统功能语言学（SFL）人工标注，揭示了当前 LLM 建模对话幽默的优势与局限。
OmniPiano 是一个灵巧操作评测基准，支持 1 至 5 只 Shadow Hand，并在统一钢琴演奏任务中涵盖标准、鲁棒、安全与多智能体强化学习。该基准提供至少 912 种任务设置与 36 种基线算法，并引入基于 LLM 的智能体；评测显示 SOTA 强化学习算法与前沿 LLM 智能体在演奏任务上仍表现吃力。代码、数据集及演示均已公开。
一项新研究提出利用轨迹引导大语言模型进行故事生成的框架，通过学习人类作品中的读者动态改善叙事体验。该方法先训练小型 LLM 将未来读者反应预测为低维轨迹，再由能力更强的大型现成 LLM 依此轨迹生成相应故事片段。测试表明，该框架将基于轨迹的人类故事保真度提升了 12%-35%，同时基本保持了故事连贯性。
RE-SciVQA 通过上下文相关检索增强与 LoRA 轻量微调优化科学视觉问答。在 SciVQA 基准上，该方法取得 73.9% 的 ROUGE-1 F1 分数，大幅超越 UniChart（14.7%）与 ChartGemma（6.9%），相比标准 RAG 基线实现 14.3% 的整体增益。针对闭口无限视觉问题，采用图表数字化替代合成说明带来了 18.5% 的提升。
研究人员应用流形感知扩散（MAD）框架，在空间转录组学中实现了跨组学细胞核图像条件编辑，可针对性修改单一特征组并保留另一组。在 CosMx SMI 肾脏组织足细胞评估中，MAD 在病理组学编辑上取得 MAE=0.6636 和 FID=25.19，优于对比基线。模拟实验证实其 VAE 组件比 CCDM 更好地保持了跨组独立性。
研究团队提出 ResMem，通过让 LLM 离线阅读检索文本并学习加性 logit 残差，将检索知识蒸馏为参数化记忆，避免了在线检索成本与海量表征存储。在维基百科子集上，该方法将存储保留需求降低 94.7%，并在 5 个问答数据集上将平均 token F1 从 32.83% 提升至 34.48%。其破坏原有正确答案的情况比 kNN 方案减少 21%，代码与模型权重已开源。
研究表明多轮工具调用智能体若直接将结构化数据灌入上下文重写，保真度会随表格规模扩大而迅速崩溃，而采用确定性过滤与侧通道交付的架构准确率可达 92.3%。
研究人员推出针对长程用户交互的移动 GUI Agent 评测基准 MemU-Bench，包含基于 29 条长轨迹构建的 118 个模糊任务。评测显示缺少用户历史时，表现最优的 Gemini-3.1-Pro SPL 仅为 16.4%，端到端 Agent 低于 5%。配套提出的免训练框架 AppMem 通过构建应用记忆库，使 GPT-5.5 的 SPL 从 15.7% 提升至 66.9%。
研究提出 NURESA 神经层架构，通过持久单元内记忆将计算与存储分离，支持在无需重训或访问原始数据的情况下实现模型间零样本能力转移。在 MLP、GPT-2 和 Qwen2.5 上的测试显示，该架构还能有效防止模型微调时的领域损失。数百万至数十亿参数规模的 Transformer 模型仅需约 1 分钟即可完成转移，且生成文件比原模型小几个数量级。
研究团队提出 Circuit Oracle，为现成 LLM 配备多智能体框架与专用技能，通过工具调用读取归因图以回答关于目标模型的自然语言安全问题。在伪特征检测任务中，其准确率达到 78.2 ± 2.4% 并优于单层特征排序基线；但在隐藏知识引出和 50 个提示词的拒绝抑制越狱任务中表现参半，且后者仅在允许 5 次尝试取最优时超过均值差基线。
AuroraWorld 提出面向机器人操作的结构化 4D 世界建模，用于从外视点视频生成自我中心视点视频。自我中心观察能捕捉对视觉运动策略学习关键的接触交互与状态变化，但硬件部署与采集成本高昂。针对大幅视角转换、严重遮挡及复杂物体交互下难以保证物理一致性的问题，该研究为策略学习提供了可扩展的数据生成方案。
arXiv 论文对 11 款主流商业 AI 文本人性化改写工具进行事实审计，发现它们在 35%–65% 的文档中篡改或丢失了数字、日期、人名、机构名或引用片段。
在固定权重模型中跨 Prompt 复用实体替换响应时，隐层状态注入在 0.5-1B 的 Qwen 与 Llama 上分别消除了 45% 和 49% 的未改变错误。Gemma-2-2B 在恢复 BOS token 协议后错误消除率达 58%-68%，但更大 checkpoint 与 chat 格式会出现依赖性失效，非 chat 格式下隐层复用优势仅为 0.2-0.9 nats。
该综述系统梳理了 100 多篇基于大语言模型的 Text-to-SQL 研究，涵盖 ReFoRCE、Snowflake Arctic-Text2SQL-R1 及 XiYan-SQL 等系统。文章将技术划分为上下文学习、微调、智能体编排、RAG 和强化学习五大范式，指出其推动了 Spider、Spider 2.0 与 BIRD 等基准的执行准确率刷新 SOTA。
研究团队组织 16 位酷儿社区成员开展参与式审计，运用 4Cs 危害分类法对 4 个案例贯穿 AI 生命周期进行审查。审计发现针对酷儿群体的抹除与歧视等危害根源在问题定义和数据收集阶段，并揭示了榨取弱势群体价值且缺乏救济途径的契约机制。该研究证实，基于社区的审计能有效发现常规技术聚合评估易遗漏的特定身份危害。
多智能体框架 PatchScout 通过信息觅食机制平衡局部挖掘与自适应块切换，解决长程主题网络数据收集难题。在 4 个真实网络主题实验中，PatchScout 在采集量和域名覆盖率上均显著优于遍历式方法与搜索增强推理智能体基线。在应用社会科学场景中，该框架成功发现 102 个此前未识别的实体，有效扩充了现有主题数据集。
研究提出指称对齐方法 GAVAGAI，通过平衡最优传输将实词与视觉区域对齐，提升婴儿规模视觉语言模型的词图绑定能力。该方法通过引入 NOTHING 列过滤不可见词并施加区域容量约束，仅需约 8 次 Sinkhorn 迭代。在 SAYCam 语料库上，该损失使模型图词准确率从 32.4% 提升至 48.7%，定位 IoU 从 0.18 增至 0.38。
研究人员在 5 个大推理模型上对早期停止（early-stopping）方法的效率与可靠性展开实证审计，并提出 TITE 指标跨目标衡量相对 token 效率。实验表明，模型在较晚退出位置的正确率可能出现异常下降，且部分正确早停输出的支持性推理质量偏弱，甚至在强制终止后仍存在推理延续倾向。相关代码实现已开源。
大语言模型在谈判中执行相同人设提示词时存在显著跨语言行为差异。在 Gemini 3.6 Flash 的 432 场谈判测试中，韩语达成协议率为 77.3%，显著高于英语的 52.5%，主因是韩语卖家让步更多且礼貌缓和策略更频繁（11.7% vs. 3.6%）。使用 Qwen3.7 Flash 复现亦得出一致趋势，韩语达成率高出 13.9 个百分点。
研究人员提出一种面向在线零售的后验采样 AI 智能体，通过在每个周期从精确后验分布中抽样，联合决策赞助搜索广告出价与捆绑折扣策略。在模拟在线花店评测中，该智能体取得最低平均遗憾值，在弱势市场经历 500 个销售季仅损失单季收入的 12% 至 23%，且平均约 3 个销售季即可跳出停止出价的次优陷阱。
研究人员提出基于 Qwen3-8B 的长上下文智能体 MEMENTO，通过微调事后笔记轨迹并结合强化学习，训练模型在固定上下文窗口中自主进行信息压缩与管理。在包含高达 2.5M tokens 图书的四个问答基准测试中，MEMENTO 上下文占用始终不超过 20K tokens，将基座准确率从 36.9% 提升至 67.8%。
研究提出广义稀疏模糊聚类（GSFC）框架，通过在模糊目标函数中引入连续稀疏惩罚，实现对真实聚类数量的自动估计。该方法采用原对偶二分搜索将微小隶属度精确驱动为零以动态剪枝冗余聚类，并引入虚拟噪声槽隔离异常值。测试表明，GSFC 在 UCI 葡萄酒与高光谱图像等基准及线段检测任务中显著超越传统模糊聚类基准。
针对多模态嵌入模型研究各自割裂的现状，一项新综述提出了全模态嵌入的统一演进框架与路线图。在对比学习与 Transformer 架构等驱动下，跨模态嵌入正走向收敛，论文为此提炼出覆盖度、可比性与组合性三项递进能力。实现统一的路径则依次对应拓展覆盖度的变换、实现可比性的对齐，以及终极面向组合性的联合嵌入。
新研究针对特征分布未知的混合在线学习，证明有限 VC 维 $d$ 即可实现对数大小为 $O(d\log T+\log(1/\delta))$ 的紧致随机序列精确覆盖，匹配最坏情况理论下界。该方法引入局部立方体权重进行非均匀分割，首次为未知 i.i.d. 特征的通用 VC 分区实现了 $O((d+1)\log T)$ 的紧致期望对数损失遗憾，并提供了平面仿射半空间的多项式时间实现。
研究人员提出一种基于滤子有向单纯复形（DSCs）的拓扑表征方法，用于揭示人工神经网络内部的高阶因果依赖。该方法将神经网络视为结构因果模型，利用反事实消融测试特定输入语境下神经元群体间的因果关联。在二维象限分类的多层感知机（MLP）验证中，DSCs 成功复原了预设特征路径，为研究分布式特征表征与多义性提供了新框架。
开源基准 PeptSol 汇集了 1388 条人工整理的保护多肽溶解度测量数据，涵盖 84 个亲本序列和 101 个受保护结构，用于评估液相多肽合成相关的分子表征能力。在 7 个冻结分子编码器的评测中，二元溶解度预测的最佳 macro-F1 达到 0.843，三分类任务达到 0.614。测试显示目前尚无基础模型能持续击败化学指纹结合显式分子描述符的基准线。
研究团队提出 lift-project SDE，通过在观测坐标基础上引入少数隐藏坐标从未配对快照中学习动力学，突破了传统单坐标演化模型在负滞后协方差下的理论误差下限。在 Duffing 与摆振子系统测试中，该方法仅需一个隐藏坐标即可将滞后协方差误差相比最强基线分别降低 2.4 倍和 6.6 倍，是唯一低于该误差下限的模型。
研究人员提出用于离线生物序列设计的不确定性感知质量多样性优化框架 POME。该方法利用基础模型作为先验，引导搜索进入合理的生物学区域，实现在不确定性下的稳健探索。在三项序列设计任务中，POME 相比离线 QD 和 MBO 基准全面提升表现，在两项任务中取得最佳性能，并保持高多样性与新颖性。
研究提出一种基于拓扑不变性简化的方法，利用离散莫尔斯图提取轨迹密度景观中的路径与环路结构，无需预先划分离散状态即可直接识别行为转换。在大鼠行为数据集的 3 个特征空间测试中，该方法在保持相当覆盖率的同时携带了更多转换信息，聚类更紧凑且减少了对时间规整的依赖，验证了行为转换具有跨特征空间的拓扑一致性。
针对流体与波等粗粒度动力系统预测，研究发现标准扩散模型和随机插值存在显著分布误差，而级联短程预测能大幅降低湍流与波的误差。然而在直接预测易于学习（如被动标量的高斯情况）时级联反而有害，其最优深度取决于未解析尺度与观测尺度的耦合强度。团队已公开发布相关数据集，作为首个具有真值条件集成的概率预测基准。