速報
多模態模型「忘記」技術調查：跨視覺、語言與音訊的安全刪除
隨著視覺語言模型（VLM）、對話模型（DM）、大型語言模型（LLM）與音訊生成模型（AFM）在各領域的廣泛應用，這些多模態基礎模型往往會不自覺地保留訓練資料中的敏感、受版權保護、偏見或不安全的跨模態關聯。因知識分布於共享表徵，刪除請求或政策更新後的重新訓練成本高昂，且精準遺忘困難。
速報
速報
IdeaGene-Bench：新型科學譜系推理與生成基準
科學研究常需在前人基礎上演化。IdeaGene-Bench 以 Idea Genome 物件與 GenomeDiff 描述論文譜系，提供 1,961 條金標準追蹤與六種演化動態。測試顯示大型語言模型在譜系推理上僅有 27.3% 精確度，且結構化資訊會重排系統表現。
速報
主動提升理論：慢思考大型語言模型的數學框架與感知機制
本篇論文屬於認知功能第一原理模型系列，提出一套「主動提升」的數學框架，用以描述思考與感知的過程。研究從可觀測與潛在空間的機率分布提升與投影出發，旨在以神經網路等簡單函數族表示複雜資料分布。作者定義了活化抽樣潛在序列、以最大速率降低不確定性的內在驅動，進而推導出包含慢思考模型的靜態理論子空間。
速報
回饋操控正則化 (FMR)：提升強化學習模仿政策對齊度
近年強化學習研究將焦點移向對齊，確保智慧體的行為符合人類價值。研究者提出「回饋操控正則化」(Feedback Manipulation Regularization, FMR)，一種與演算法無關的方法，將評估回饋作為校正訊號，改進模仿學習政策的對齊表現。
速報
OpenAI 停止 Atlas 瀏覽器，將 AI 瀏覽功能移植至 ChatGPT 桌面版與 Chrome 擴充套件
OpenAI 宣布終止自去年十月推出的 Atlas AI 瀏覽器，改為把其代理式瀏覽功能分散到 ChatGPT 桌面應用與 Chrome 擴充套件。此舉顯示公司將 AI 輔助瀏覽視為功能層面，而非獨立平台，並與 Google 的 Gemini Side Panel 直接競爭。
速報
Meta推出Muse Spark 1.1：新一代AI程式碼模型正式開放API
Meta在重新進軍AI領域後，於本週推出升級版的Muse Spark 1.1模型，並透過全新Meta Model API向美國開發者提供公測。新模型在程式碼生成、錯誤偵測與修復、以及多模態感知方面較第一代有顯著提升，並支援跨應用的代理工作流程。Meta同時提供每帳號20美元的免費點數，讓開發者能在Meta AI App與網站上即時體驗。
速報
ORCAID：斜決策樹抽取連續動作強化學習可解釋政策
可解釋性是強化學習的重要挑戰，尤其在連續動作空間中更難以抽取易讀的策略。研究團隊提出 ORCAID，一種在混合連續‑離散環境下，利用斜決策樹與局部線性模型，將深度強化學習代理人的政策轉換為規則式表示的方法。核心流程包括隨機初始化、局部微調與向後刪除的三階段切割搜尋，最後合併相鄰葉節點以產出簡潔規則。
速報
多因素評分框架揭示大型語言模型的優勢與盲點
大型語言模型在語言任務上表現亮眼，但傳統評估方式往往只看單一面向，難以完整衡量模型的回應品質。研究提出一套結合正確性、簡潔性、事實一致性、可讀性與連貫性的多因素評分模型，並配合圖形使用者介面讓結果一目了然。以 TruthfulQA 資料集測試，主流模型在推理任務上取得最高 0.6104 的綜合分數，卻在處理複雜事實與模糊情境時仍顯不足。
速報
SmartHomeSecure：結合程式分析與受限生成式 AI 的智慧家庭設定自動修復系統
智慧家庭設定檔常因 YAML 語法或語意錯誤導致自動化失效。研究提出 SmartHomeSecure，先用程式分析偵測錯誤，再以受限提示引導大型語言模型完成最小化修復。實驗顯示三種模型皆能 100% 偵測錯誤，修復成功率最高達 93%。此方法證明結合領域分析與受限 AI 能提升設定可靠性。
速報
視覺語言動作模型 (VLA) 整合機器人視覺、語言與控制的最新綜述
本篇綜述彙整了 2017 至 2026 年間 183 篇關於視覺語言動作 (VLA) 模型的研究，聚焦於其在雙手協調操作與無人機導航控制兩大應用場域的發展。文章闡述了 VLA 的架構設計、訓練流程、動作表示方式，並說明雙手機械手臂與多旋翼機在協同控制、延遲與載重限制下的挑戰。
速報
Lipschitz 限制的 SSD：提升物件偵測對抗韌性
研究指出，物件偵測在安全關鍵系統易受對抗擾動影響。研究者提出Lipschitz限制的SSD架構LipSSD，僅調整單一超參數即可平衡精度與韌性。實驗顯示，在PascalVOC上，結合對抗訓練的LipSSD在未見攻擊下mAP提升最高15點，且於LARD與KITTI等資料集保持乾淨表現。
速報
相對測量新範式：模型自發挑戰打造可擴展智慧評分系統
傳統以人類為基準的智慧基準已趨於飽和，難以評估超越人類的人工智慧能力。研究提出以相對測量為核心的新評估框架，讓模型自行產生公開挑戰，區分其他系統，並藉此聚合成對抗式心智測量等級。