本文从最小最大（minimax）理论出发，证明基于似然的深度神经网络（DNN）估计器在同时存在乘性散斑噪声和加性高斯噪声时，非参数回归的估计误差上界与下界匹配，且收敛速率与仅有加性高斯噪声的情况相同（对数因子除外），表明乘性散斑噪声并未从本质上增加估计的统计难度。
值得关注：首次为深度学习散斑去噪提供了严格的统计极限理论，填补了该领域的关键理论空白。 揭示乘性散斑噪声虽使回归函数不再可识别，但基于似然的估计方法可达到与加性噪声相当的统计效率。 为实际相干成像系统中深度学习去斑方法的设计提供了理论指导。
利用录音元数据（如地点和时间）作为辅助监督信号，可以显著提升生物声学基础模型的物种识别性能及其对真实世界被动声学监测场景中物种分布偏移和声学域偏移的泛化能力。
值得关注：现有生物声学基础模型主要针对声音特征进行优化，忽略了公民科学平台中低成本、高覆盖的元数据信息。 本研究证明元数据能够提供超出声音本身的额外监督，帮助模型理解物种的生态位和时间模式，从而更鲁棒地应对野外部署时常见的数据偏…
M⁴World 是一个能够同时生成未来环视视频流和同步 LiDAR 点云的多视角多模态驾驶世界模型，支持用户在个体物体级别进行交互式操控，并可稳定输出长达分钟级的流式预测。
值得关注：本工作首次同时实现了 **物体级别的交互式操控** 与 **分钟级长时间稳定的环视视频+LiDAR 联合生成**，并提出了配套的自动化可控性评估体系。它弥补了此前驾驶世界模型在精细控制和长程稳定性上的短板，推动仿真数据…
本文提出将李雅普诺夫特征指数（LCE）作为强化学习中的密集奖励信号，使智能体在倒立摆的竖直运动稳定任务中不仅复现了经典的Kapitza摆振荡模式，还发现了更优的阻尼方案——将摆锤完全固定在严格竖直位置（静止稳摆），超出了Kapitza摆原本的动态稳定范围。
值得关注：**理论贡献**：首次（待核实）将LCE作为RL密集奖励，将混沌指标用于控制问题，提供了物理启发的稠密信号设计范例； **实际价值**：证明RL不仅能复现已知物理规律，还能发现人类尚未明确发现的控制策略（静态稳定），体…
本文提出一种基于平方Wasserstein距离来衡量非高斯性的新ICA算法OT-ICA，证明最大化数据投影与标准正态分布之间的Wasserstein距离等价于恢复独立成分，在模拟数据和实际应用（EEG伪影去除、计量经济价格发现）中均优于传统代理方法。
值得关注：为ICA提供了一种新的、理论严谨的非高斯性度量方式，避免了传统代理函数的近似误差。 该方法无需预设源信号的分布类型，扩展了ICA在真实场景（如生物信号、金融数据）中的适用性。 将最优传输理论与独立成分分析联系起来，为后…
Lighthouse RL 提出一种基于“灯塔”（lighthouses）的策略性重置策略，能够大幅提升模拟电路尺寸优化中强化学习的样本效率与泛化能力，在多个基准测试中实现 100% 成功率与最高 1.72 倍加速。
值得关注：该工作针对模拟电路自动化设计中的样本效率瓶颈，提出了一种简单但有效的重置机制。与已有相关卡片（如 OptiAgent 关注运筹学建模，C-RASP 关注 Transformer 理论，SOAP/Muon 关注 MLIP…
Leveraging unlabelled data for generalizable neural population decoding
本文提出一种名为 CSFS（Cluster‑based Sequential Feature Selection）的聚类包装式特征选择方法，能在不牺牲预测精度的前提下，将风能/太阳能功率预测的特征选择计算成本平均降低 21%。所有结论均基于摘要，因无法获取全文而需待核实。
值得关注：在可再生能源占比持续增长的背景下，高效、自动化的特征选择能直接降低模型训练与部署的计算开销，有利于大规模、多场站的预测系统落地。本文通过两项文献综述系统指出了当前特征选择方法的不足，并提供了可复用的开源工具。
Hindcast通过冻结Reddit历史快照并设置每个市场的时间截止点，消除了LLM预测评估中因训练数据泄漏和检索结果泄漏导致的“事后知识”偏差，从而更真实地衡量模型的预测能力。
值得关注：首次系统性地识别并封堵了LLM预测评估中的两条关键泄漏路径（训练数据时间偏移与事后检索），使“预见力”评估名副其实。 相比传统回测，Hindcast设计保证了新模型在旧数据集上重新评估时不会过时，解决了基准测试的“保质…
利用10米分辨率卫星影像和机器学习绘制的欧洲湿地地图显示，湿地高度碎片化（27–33%面积位于<25公顷的斑块中），人类活动影响约20%的湿地面积，且各国对欧盟自然恢复法（NRL）的恢复承诺存在显著不均。
值得关注：首次以10米分辨率系统揭示欧洲湿地碎片化的真实程度（此前粗分辨率产品低估小斑块）。 直接服务于欧盟自然恢复法（2024/1991）的执行，为各国设定量化恢复目标提供科学依据。 所涉碳损失估算（5 Gt CO₂-eq）突…
本文以传统游戏引擎的“动作‑状态‑观测”循环为组织视角，系统分析了交互世界模型在玩家动作控制、游戏状态动态、状态‑观测持久性和实时交互生成四个维度的研究现状，并发布了超过90小时的《黑神话：悟空》游戏数据集，推动状态感知的游戏世界建模。
值得关注：为视频生成模型与游戏引擎的交叉领域提供了清晰的视角，强调显式游戏状态的重要性，区别于仅依赖像素预测的纯生成方法。 发布的《黑神话：悟空》数据集包含了传统游戏引擎中的地面真值状态，填补了先前工作缺乏结构化游戏状态的空白（…
Enabling local neural operators to perform equation-free system-level analysis
Earthquaker-AI 将基于 Lego WeDo2 的机器人模拟与基于检索增强生成（RAG）的对话助手相结合，通过分年级的量规评估实现小学生地震安全知识的渐进式学习，实验显示高准确率与低幻觉率。
值得关注：将RAG应用于小学安全教育领域，提供了可落地的人工智能教育案例。 通过量规设计实现学习进度的差异化评估，适应不同认知发展阶段。 与既有相关卡片（DynaKRAG、FormalAnalyticGeo等）不同，本工作聚焦教…
大多数GitHub项目对智能体编码工具的采纳仍处于早期，中位数项目在三个月内仅生成1–2个智能体PR；密集采纳集中在少数项目，且人机协作以单人监督模式为主。
值得关注：**首次项目级别实证：** 此前研究多聚焦PR级别的效果，该工作将视角上移至项目组织层面，揭示了采用模式的结构性特征。 **实践指导价值：** 指出小型项目可能更容易试验智能体工具，而大型项目需要更复杂的监督流程；为工…
在持续学习场景下，只有内置回归控制（regression control）的智能体优化方法才能使优化增益在新任务上持续累积；否则，要么负迁移，要么无法在新一轮优化中继续提升。
值得关注：揭示了现有智能体优化评估范式的根本缺陷：一次性基准测试高估了方法的实际部署价值。 提出了“优化增益复合性”这一新评估维度，为智能体终身学习的优化器设计提供了方向性证据。 与既有知识卡片（如 GaP 多智能体框架、VLA…
DeltaMerge-LowRes 提出将语言适应和任务适应解耦学习，然后在权重空间中用四种规则组合；其中新提出的跨轴 TIES（cross-axis TIES）规则在低资源摘要和问答任务上显著优于仅使用任务增量，稀疏感知合并可降低分类校准误差 36% 而保持宏 F1 持平。
值得关注：提供了一种灵活的低资源适应范式：无需昂贵的联合微调，通过分离学习语言知识和任务知识并在权重空间组合即可获得可观性能提升，尤其对缺乏标注数据的非洲语言等低资源场景具有实用价值。
本文提出 Deep Interaction 方法，允许用户直接编辑语言模型的多步推理回复中的错误部分，并将编辑后的思维链提炼为提示，从而引导模型沿正确路径推理。相比基线方法，在 STEM 推理任务上纠正成功率提升超 25%，token 用量减少约 40%。
值得关注：现有大语言模型的交互纠错效率低、成本高，Deep Interaction 首次实现了“定点编辑+蒸馏引导”的轻量级纠错方案，既保留了模型的正确推理能力，又让用户能以低开销修正错误。它是“可交互推理”方向的一个实用进步。
Constraint-Aware Counterfactual Editing for Aspect-Based Sentiment Analysis
CF-Net 通过显式建模跨模态不一致性并引入说话人归一化与确定性加权，在 ABAW 2026 挑战赛的 BAH 数据集上实现了矛盾/犹豫识别的领先性能，Macro F1 达 0.7364（AP=0.7492）。
值得关注：现有情感识别工作多关注典型情感（如快乐、悲伤），而忽略矛盾/犹豫这类更微妙的心理状态。CF-Net 首次系统性地将跨模态不一致显式建模为一个可学习的模块，并针对 AH 的模糊性设计了辅助确定性头，是对多模态情感理解领域的补充。
本文提出RAG系统**PAT（Pragmatic Auto-Translator）**，通过整篇文档和可比语料库上下文引导LLM进行语用重述翻译，初步验证LLM可以逐渐脱离句子级翻译范式，但重述效果尚不稳定，需要进一步改进。
值得关注：**打破范式**：传统机器翻译以句子为独立单元，忽视语篇连贯性与语用规范。本文首次系统探索利用LLM的整篇文档理解能力进行**语用重述**翻译。 **增量信息**：相比已有相关卡片（如实时句子级手语翻译、搜索生成边界等…