研究提出 Turing 大语言模型（LLM，Large Language Model） 后训练方案，将校准多教师同策略蒸馏（C-MOPD）与动态路由混合专家（混合专家（MoE，Mixture of Experts））执行路径结合，在 Turing-20B-A2B 上四领域归一化整合得分达 0.9988，每个领域保留至少 90.16% 的专家增益。
研究者提出分层协作生成流网络（HCG，Hierarchical Cooperative GFlowNets），通过共享分类器动态划分搜索空间，让排名靠前的模型探索全空间、靠后的模型转向未被覆盖区域，避免多个采样器塌缩到同一高奖励区。该方法还给出归一化加权聚合规则，并证明在给定假设下可恢复目标奖励比例分布。在多模态分布、序列生成、组合优化和生物序列设计实验中，HCG 提升了模式覆盖与目标逼近效果。
研究提出苏格拉底引导策略优化（苏格拉底式引导策略优化（SOPO，Socratic Guided Policy Optimization），Socratic Guided Policy Optimization），一种多轮强化学习框架，通过教师模型在 rollout 中提供间接提示来引导推理轨迹，缓解难例奖励稀疏问题。
研究者提出 帕累托自适应压缩（PACE，Pareto-Adaptive Compression for Efficient Native MLLMs）。
研究提出 DRL-DCO 算法，用基于深度确定性策略梯度（DDPG，Deep Deterministic Policy Gradient）的演员-评论家智能体统一调度差分进化（DE，Differential Evolution）与 CMA-ES 的搜索过程，动态分配探索与利用算力。
作者围绕一个冻结的长寿调优 1.7B 模型开展三项预注册研究，检验评测框架（harness，指包裹模型、负责调用与解析输出的评测流程）带来的增益是否超过固定答案。
研究者提出混合神经求解器HyCO，先用强化学习（RL，Reinforcement Learning）求解器构建解的前缀，再自适应切换到条件扩散模型（DM，Diffusion Model）完成剩余决策。理论分析证明该混合结构期望遗憾严格低于任一单独骨干，且存在唯一最优切换步；实验在多个基准上取得一致提升。代码与检查点已公开，论文被NeurIPS 2026接收。
ReBRAC-v2 通过直接训练精确似然的归一化流 actor，并结合分类残差评论家、分阶段优化和多样本推理，在 OGBench 十个类别上平均得分 74.8，高于次优方法的 52.3，并在八个类别中排名第一。
CogBattery 在 13 个认知范式的文本改编任务上评测了 54 个开放权重语言模型，并与各原始研究中的人类数据对照。模型和人类一样对 n-back 诱饵更敏感，但在普通非目标上误报远多于人类，多数模型的置信度区分正误的能力弱于人类，且无论分类是否准确都倾向选择同一赌注。研究还发现模型得分可归结为两个维度，其中一个与规模密切相关，但更大的模型并不总是更接近人类。
一项研究用大偏差理论求解稠密联想记忆（dense associative memory）的自由能泛函，给出多项式交互与 Log-Sum-Exponential（LSE）激活下随温度变化的表达式，并得到大量极限下的无序平均基态能量景观。该框架揭示高阶稠密网络的记忆检索依赖初始状态，并给出 LSE 模型的精确无误阈值。
研究用冻结特征探针在 IntPhys2 和 Minimal Video Pairs（MVP）上对比 V-JEPA、VideoMAE 与 LTX-Video 三种预训练范式的直觉物理编码能力。
研究者提出一种基于分布的最优传输方法，用于匹配跨层稀疏自编码器（SAE，Sparse Autoencoder）特征并自动将大型特征电路压缩为可解释的超级节点。该方法把每个特征表示为激活加权分布而非单一解码向量，通过投影到共享参考空间并用 Wasserstein 距离比较，实验表现优于解码向量和基于大语言模型的基线。
一篇 31 页论文提出自我改进智能体的相对可计算性理论，用显式的获取与完成契约把“学会求解器”和“认证其已脱离教师”分开。对已知有限维布尔特征语言，带守卫的协议可在保证以最优教师调用次数完成的同时允许修改查询提议者，所得求解器无需教师即可回答所有输入。核心障碍在于完成规格无法从任意全程序中被基线有效过程统一提取，即使只有一个特征维度或两个候选描述。
研究团队提出 DRBench 基准（14,573 道题、2,943 张图像，覆盖五类任务与三层递进推理）和 DRScaffold 监督微调框架，将监督目标拆成四个有因果顺序的阶段，无需改动模型架构即可让推理步骤与视觉实体对齐。
研究者提出基于 Tsallis q-对数的一族损失函数 J_Q，在强化学习可验证奖励（RLVR，Reinforcement Learning with Verifiable Rewards）与潜轨迹对数边际似然之间连续插值，并推导出无需标注推理过程和外部验证器的两种蒙特卡洛估计方法 GARL 与 PAFT。
Place-it-R1 是一个端到端视频物体插入框架，让多模态大语言模型（MLLM，Multimodal Large Language Model）分析目标环境、推断物体与场景的交互，并判断插入位置在物理上是否合理。
研究者提出条件可加局部模型（CALMs，Conditionally Additive Local Models），在保持接近广义可加模型（GAMs，Generalized Additive Models）可解释性的同时，精度接近 GA²Ms。
研究者提出一种恢复式屏蔽框架，让强化学习在未知非线性连续系统中具备可证明的安全下界。该方法用高斯过程（GP，Gaussian Process）量化不确定性以预测安全约束违反，仅在必要时切换到备份策略恢复安全轨迹，并借助内部模型采样实现无限制探索与样本高效学习。在多个连续控制环境中，该方法表现出较强性能并严格满足安全约束。
研究发现，大型视觉语言模型（LVLM，Large Vision-Language Model）经强化微调（RFT，Reinforcement Fine-Tuning）生成的多模态思维链（MCoT，Multimodal Chain-of-Thought）中，视觉信息即使答案正确也常不准确，干扰视觉内容后预测几乎不变。
研究提出完全离线的贝叶斯基于模型强化学习方法 SOReL，通过学习动力学后验、用预测不确定性估计策略价值，实现全程离线的超参数选择；TOReL 则把该调参框架扩展到任意无模型与基于模型的离线强化学习算法。作者给出遗憾分析，证明贝叶斯离线强化学习在标准正则条件下达到极小极大最优参数速率。
研究者提出 LLINBO（LLM-in-the-Loop Bayesian Optimization）框架，包裹现有基于大语言模型（LLM，Large Language Model）的贝叶斯优化方法，判断何时采纳模型建议、何时回退到经典贝叶斯优化。
研究团队提出 AnytimeReasoner 框架，把完整思考过程截断到从先验分布采样的 token 预算内，让模型为每段截断思考总结答案以接受验证，从而在强化学习中获得可验证的稠密奖励。
研究提出 TintCF 机制，通过生成融合全局偏好与时间模式的时间感知用户/物品嵌入向量（embedding），并采用重加权邻接矩阵（Tint-A）和重加权损失函数（Tint-L）两种策略识别并修正噪声交互。在四个真实数据集上的实验显示，时间信息确实有助于找出并纠正噪声边，提升推荐模型对隐式反馈噪声和恶意交互的鲁棒性。代码已公开。
论文提出代数世界模型（AWM，Algebraic World Model），把与陌生环境的交互转化为可形式化推理的显式数学模型。AWM 先探索环境并生成可执行的 Python 假设，再按观测不断测试和修正，随后把假设整理成带类型的对象与共享规则，用范畴论引导的变换简化结构，最终在 Lean 4 中形式化以证明可达性与不可达性。
研究者提出强化对抗学习（RAL，Reinforced Adversarial Learning），用共同训练的 大语言模型（LLM，Large Language Model） 评判模型把参考答案变成推理大模型在线后训练的唯一奖励。
MuSID-KD 通过分层候选分布对齐（HCDA，Hierarchical Candidate Distribution Alignment）和排序影响引导的分层蒸馏（RIGD，Ranking Impact Guided Levelwise Distillation），改进语义 ID（SID）生成式推荐中多 token 解码的知识蒸馏效果。
研究提出 Terminal-RSI，交替对已验证轨迹做递归自我重写（RSR）与继承评论家的递归策略精炼（RPR），从 Qwen3.8-27B 基座经五阶段训练得到 Terminal-RSI-27B。
一项研究审计了生产级对话分析系统中置信度分数的设计，在 BIRD dev 的 1,534 道题上由 GPT-5.1 每题采样五次作答，该分数区分对错的能力较弱（AUROC 0.624），并会扣留 35.7% 的正确答案。
研究提出 WeFair，按人类反馈反映个性化意图的直接程度分级，用示范、偏好、验证三阶段训练 2B 查询改写模型。离线实验中 WeFair-2B 在整体准确率和意图保持上优于强基线，微信短视频搜索线上 A/B 测试显示有效视频观看率相对提升 2.593%、查询改写率相对下降 2.350%。该模型已部署于日均处理超 1 亿次查询的微信短视频搜索系统。
研究者提出 ReState，一个把多模态推理从按预设阶段分别训练改为在共享状态空间中动态转移的统一迭代推理框架，包含统一推理状态建模（URSM）与闭环推理状态学习（CRSL）两部分。
Chien-Ping Lu 发布论文《Verification and Self-Improvement in Agentic 人工智能（AI，Artificial Intelligence）: Foundations and Limits》，提出用显式支持接口和转录接口扩展任务相对验证，以区分搜索增益与可接受任务覆盖的变化。
研究团队用多个物体旋转数据集微调 Google DeepMind 的 Gemma-4 模型，发现微调后的混合专家（MoE，Mixture of Experts）版本在预测旋转轴和角度上明显优于通用版本，并显著改善无显式坐标系下的 2D 角度估计。实验还显示，可识别物体并未提升角度检测精度，具有明显线性特征的物体表现更好。
研究提出一种神经符号元策略，在部分可观测强化学习中学习在每个决策点选用哪种符号记忆启发式，执行仍保持符号化。该方法在 RoomKG 的时序知识图谱记忆环境中运行，隐藏状态与观测用资源描述框架（RDF，Resource Description Framework）图表示，记忆带时序 RDF 三元组标注，并通过问答、探索、遗忘三个价值头组成可适应且可检查的控制器。
研究者提出 Physics-Audited Agentic SciML（PA-SciML）框架，把大语言模型智能体与物理审计结合，在候选搜索前固定叠加性、边界条件和因果性等物理契约，并在无参考解情况下对预测场做对抗性检验。
研究者提出生成式递归推理模型（GRAM，Generative Recursive reAsoning Models），将原本确定性的递归潜在推理改为随机潜在轨迹，支持多条假设、多种解法以及按递归深度和并行轨迹采样扩展推理计算。GRAM 用摊销变分推断训练，在结构化推理和多解约束满足任务上优于确定性循环与递归基线，并具备无条件生成能力。
研究者提出时间审查微调（TCFT，Temporal Critique Fine-Tuning）框架，训练大语言模型在给定查询、时间截止点和候选回答时识别截止点之后的信息泄漏并判断回答是否时间上可接受。
ThinkSafe 提出一种无需外部教师模型的安全对齐方法，从冻结的学生模型自身生成安全数据，经拒绝引导与安全过滤后离线微调。在 DeepSeek-R1-Distill 和 Qwen3 上，该方法显著提升安全性且推理性能保持竞争力；在 Qwen3-0.6B 上，其安全性和推理表现与 GRPO 相当，但包含数据生成在内的实际耗时约为后者的七分之一。
arXiv 管理员撤下了 Ax-Prover 论文，理由是未达到该站研究内容质量标准，目前无 PDF 可看。
研究者提出一种面向非线性实数算术可满足性模理论（SMT-NRA，Satisfiability Modulo the Theory of Nonlinear Real Arithmetic）的混合求解框架，将新提出的二维单元跳跃局部搜索框架 2D-LS 与 MCSAT、OpenCAD 结合，通过信息交换提升搜索效率。
作者提出名为 Zyphra Hierarchical Attention（ZHA）的稀疏注意力方法，用分层树状索引器在 KV 缓存上递归压缩键摘要，使包含路由与最终注意力的总成本随序列长度次线性增长，整体呈次平方但超线性扩展。