针对慢性阻塞性肺疾病急性加重（AECOPD）症状变化快、临床数据存在延迟的问题，本文提出一种仅依赖日常家用呼吸机呼吸道数据的“时间感知Transformer”预测模型，在多项分类任务上声称优于传统方法，可用于家庭场景下的AECOPD及时预警。
值得关注：AECOPD是慢阻肺病程中的关键事件，早期干预可显著改善预后；现有模型常受限于临床数据延迟，无法捕捉快速变化。 该研究将预测场景转移到家庭呼吸机数据，直接面向实时、低延迟监测需求，是一种与“临床数据驱动”不同的技术路线…
当机器学习系统用校准集的分位数设定阈值时（如共形预测、弃答门控、安全过滤），如果校准样本因共享提示、文档或推理链而具有聚类相关性，实际可靠性会远低于表观样本量；论文证明阈值场景需要一种不同于传统平均场景的“设计效应”修正，且有效样本量随阈值位置变化。
值得关注：该结果直接冲击依赖校准集分位数设定阈值的AI系统：非独立校准数据会让声称的覆盖率、拦截率或参考区间失真。与已有“有限样本覆盖审计”相关卡片关注的认证与学习理论设计不同，本条从聚类相关数据出发，指出平均覆盖率视角会掩盖单…
海岸线和水面几何可作为 GPS 拒止环境下自主水面船定位的可靠全局参考：利用 LiDAR 或单目图像提取海岸线结构，再与卫星海岸线地图配准，可恢复位置、航向并抑制长期漂移。
值得关注：为 GPS 拒止环境下的水面自主航行提供不依赖外部无线电或卫星信号的定位思路。 将“海岸线”这一自然结构转化为可配准的几何约束，可能推动低成本单目视觉方案在近岸无人船上的应用。 零样本基础模型用于海岸线提取，说明视觉基…
SPARCL 提出解析持续学习在旧类上发生漂移的根源是“谱干扰”（spectral interference），并通过将自相关矩阵分解为高能核心与残差、只更新残差块的闭式更新，在冻结 ViT-B/16 协议下显著缩小了经典解析学习器与强表示匹配器在多个基准上的表现差距。
值得关注：这项工作把持续学习中的“遗忘”归因从优化过程（梯度覆盖）转向数据谱特性，为解析持续学习提供了新的理论视角与闭式更新方法。同时，它与特征去相关方法互补，可能推动无示例类增量学习在更多现实场景中的实用化。
E²-TTT 通过封闭式状态转移，在分块级并行训练中保留逐 token 更新动态的时间结构，从而在 1.3B 参数规模上与此前 TTT 和混合注意力基线表现相当，并在“大海捞针”passkey测试中于 8 倍训练上下文长度下保持超过 90% 的准确率，同时训练吞吐量可与高效分块方法匹配。
值得关注：长上下文模型通常需要在“更精细的逐 token 更新”和“硬件友好的分块并行”之间做取舍。E²-TTT 给出了一个理论路径：在固定近似下，分块状态转移可以精确复现逐 token 递推的状态，而不是只能做近似替代。 与已…
Re$^3$Cap: Retrieval-Guided Refinement for Image Captioning Enhancement via Reinforcement Learning
在无任务的短窗口 `argmax` 不动点读出上，提示与模型的交互以完整幅度出现——九 token 条件即可大幅改变不动点比例、改变结构类别并重排模型——但所有尝试分解它的因素（前缀长度、散文/标记、通用方向、双向性、指令抵抗性、注意力汇聚）均失败；解释单位是“提示-模型对”。
值得关注：本文提供了第一个不依赖任务精度的结构性证据，表明提示-模型交互是条件分布层面的深层现象，而非任务层伪影。同时，它系统性地否定了若干看似合理的简化分解（单调前缀长度、散文/标记二分、普适方向、双向性、指令抵抗性、注意力汇…
该文提出一种新的“主变量加速”牛顿法，用于求解 Hessian 利普希茨连续的凸函数极小化问题；算法只使用原始变量，每次迭代仅需一次线性系统求解，就能达到函数残差的全局收敛率 O(1/k³)。据作者称，这是该问题类中首个仅靠每次迭代一次线性求解而无需辅助非线性子问题即可达到此速率的二阶方法（待核实）。
值得关注：现有二阶优化方法常因每步需要求解复杂的正则化子问题或进行额外搜索而代价高昂。本文试图在不需要这些额外机制的情况下，仅靠一次线性求解和预定参数就获得 O(1/k³) 的加速收敛率，这为加速二阶方法提供了更简洁的理论构造。…
PerturbRx 提出一种“治疗条件化潜在迁移”表示学习方法：先学习药物和剂量诱导的细胞状态潜在变化，再迁移到治疗前患者分子谱上，从而在不依赖治疗后测量的情况下提升患者层面癌症药物反应预测性能。
值得关注：将单细胞扰动数据（如对照 vs 处理）与患者反应预测桥接起来，提供了一种可迁移的干预表示学习思路。 与已有相关卡片中的 CoxRTL 相比，CoxRTL 关注协变量偏移下的生存预测迁移学习，而 PerturbRx 是“…
在棉花与大豆两种作物间的跨田杂草检测迁移中，仅用 25 个带标签目标域样本进行少样本微调，效果优于无监督域自适应目标检测（DAOD）；这表明选择邻近源域并辅以适度目标域标注，比单纯依赖自适应算法更有效。
值得关注：为“模型能否跨作物/跨地块泛化”提供了直接证据，填补了以往只在单一作物和地块内评估的空白。 提示实际部署时不必追求算法复杂性，优先考虑收集少量目标域标注可能更高效。 与已有知识卡片涉及的主题（VLA 模型、缺陷检测挑战…
OmniAssistBench 是一个面向全模态大语言模型（Omni-LLM）的助手式交互基准，通过将现有网络视频逆向工程为多轮引导任务，要求模型在动态交互中结合视觉状态、用户目标和先验知识进行实时引导；当前最强的专有模型 Gemini-3-Pro 仅得到 66.4/100，开源模型 Qwen3-Omni-Instruct 得到 51.2/100，说明模型…
值得关注：该基准针对的是 Omni-LLM 评测中静态离线数据无法覆盖动态交互的瓶颈，把关注点从“被动理解视频”转向“主动引导用户完成任务”。它给出了一种可操作的评测框架，并用 100 分制的统一分数比较专有与开源模型，便于后续…
前沿大语言模型在心理治疗式对话中表现出“过度使用询问、忽视心理教育、强情境锚定”等可测量模式；将十种治疗动作本体（ontology）作为工具集暴露给模型，可在不微调的情况下显著缩小模型与人类治疗师之间的行为差距。
值得关注：本文提出了一个可测量、可比较的“治疗动作”词汇表，使 LLM 的心理治疗行为不再只是笼统印象，而能被系统刻画和干预。 与只关注模型训练/压缩的技术路线不同，本条展示了在推理期通过工具暴露来引导模型行为的方式，属于无需微…
论文提出一种免训练的“记忆增强压缩”框架：从历史推理轨迹中构建可复用推理记忆，并在 prefill（预填充）侧作为支撑结构，用记忆补偿压缩过程中丢失的信息，从而在缩短生成的同时提升压缩后的思维链准确率，并相对标准 CoT 获得 1.14–1.49× 延迟加速。
值得关注：不同于“单纯压缩生成长度”的做法，该工作尝试把可复用推理知识放到 prefill 侧，减少 decode 侧生成量，提供了一条兼顾效率与准确率的思路。 提出“上下文—生成替代规律”，把压缩与准确率之间的权衡上升为可进一…
在欧盟《可持续产品生态设计法规》（ESPR）的数字产品护照（DPP）与《通用数据保护条例》（GDPR）的数据保护影响评估（DPIA）等合规文档生成任务中，LLM的表现受法规明确程度和提示上下文影响：较宽松的DPIA格式需要更高上下文的提示才能保持一致性与完整性；较严格的数字电池护照（DBP）格式在不同提示下结果一致，但更容易产生幻觉。
值得关注：现有研究多集中在LLM生成合规文档的可行性，本文直接检验了法规模糊性和数据提取指令对生成结果的实际影响，填补了“LLM辅助合规文档生成在工业真实约束下质量与一致性”的研究空白。其发现对监管科技（RegTech）具有直接…
EnSI-RAG 提出了一种不依赖查询的实体中心索引，将长文档中的证据按“实体-类型-语义类别-值”组织，使检索增强生成（RAG）在跨实体、多跳长文档问答中比既有分块检索方式平均准确率提升 6.62 分（在 Loong 和 Oolong 上的平均准确率为 78.24；具体基线设置待核实）。
值得关注：与已有“分块+嵌入相似度”的 RAG 检索范式不同，EnSI-RAG 把实体结构作为检索入口，为长文档多跳问答提供了一种可解释、可追溯的证据组织方式。 相对于已有相关卡片：HierDoc 关注文档视觉问答的页面-区域证…
条件流匹配中的插值调度不必预先固定：通过一次短试运行记录每个时间步的损失难度，把调度设成该难度分布的分位数函数，能自动让模型在速度场最难学的时间段停留更久，且几乎不增加训练开销。
值得关注：插值调度以往常被当作一个固定先验或超参数。本文把它变成从模型自身难度分布导出的自适应对象，提供了“先探测困难、再分配时间”的训练路径设计思路。仅约 2% 的额外开销和单一超参数，使它容易集成到现有条件流匹配流程中；其在…
ConceptTS 提出一种用大语言模型（LLM）生成命名概念和自动标注规则的多变量时间序列预测框架，在保持与强黑盒基线相当精度的同时，通过概念瓶颈提供可读、可干预的预测解释。
值得关注：这是已有相关卡片中较少覆盖的新增方向：将 LLM 与概念瓶颈结合，专门用于多变量时间序列预测的可解释性。 对比已有“RMISC”语料库工作强调数据规模与零样本泛化，或“ClinPRISM”强调计算效率，ConceptT…
CLEAR 通过轻量级隐藏状态门控动态控制安全低秩适配器的激活强度，在冻结主干模型的前提下降低有害回应率，同时减少全局安全调优（如 SFT、标准 LoRA）带来的效用损失。
值得关注：现有安全对齐多面临“越安全越笨”的权衡，CLEAR 提示了一条不需要大规模改动主干模型的路径。 增量信息：不同于已有知识卡片中的 PACR-Video、AURORA-LM 等工作，本条聚焦于 LLM 安全对齐中的效用保…
现有大语言模型（LLM）在专利起草的单个子任务上虽有进展，但在“直接根据早期、非正式、去法律化的发明人披露，生成完整且法律连贯的专利申请”这一现实核心任务上仍明显不足；本文提出 Dis2Pat 数据集与 Patent-MAF 多智能体框架，后者在评测中持续优于开源模型，并与大型闭源模型保持竞争力。
值得关注：本研究聚焦于从早期发明人披露到完整专利申请的端到端生成，比以往假设后期、结构化输入的研究更贴近真实专利撰写流程。 增量信息在于：明确指出现有专利起草评测忽略了“披露到专利”这一现实缺口，并通过多智能体本地部署方案验证了…
AUSO 提出一种渐进式、动作级（action-level）的技能学习与利用统一优化方法，让技能先作为可学习知识、再支持能力形成、最终只在能改善单个动作决策时才被调用，从而在 ALFWorld、WebShop 和 SearchQA 上一致提升智能体性能与分布外泛化能力。
值得关注：现有方法大多把技能当作静态模块或简单二选一（内化 vs. 利用），AUSO 首次在动作级别统一技能的内化与利用，并显式建模技能随策略成熟的动态角色。 相比“任务级成功率”的粗粒度选择，动作级信息信号可避免“技能对部分动…