多变量时间序列异常检测长期依赖重建残差，但残差只说明一段观测能被还原，不说明各通道之间是否仍像正常时那样互相解释。CLOSURE 把可重建性与跨通道一致性拆成两个各自用正常数据训练的预测任务：一路用离散正常基记忆条件化的扩散重建器打分，另一路让每个通道只由其余通道预测，再用正常数据校准把两路分数合成。在 SMD、MSL、SMAP、SWaT、PSM 五个公开基准上，其 Aff-F1 均高于所列方法，其中 SMD 为 88.13。
香港城市大学等团队发布TriStageHLA，把HLA-I表位发现拆成肽段初筛、等位基因特异结合预测和免疫原性预测三个串联模块。在留出的免疫原性数据上，免疫原性模块AUROC为81.4%、AUPRC为73.8%，高于ImmuneApp的70.7%/63.6%和BigMHC-IM的60.1%/51.5%；结合模块在BA/EL合并评估上AUROC为96.2%、AUPRC为95.2%。在30万条人蛋白组背景肽的模拟筛选中，初筛保留82.4%的真实候选肽并丢弃87%的背景肽。
Best-of-N 推理按代理奖励挑最高分候选，预算越大越只读取奖励分布的极端尾部，因此平均排序指标看不出部署风险。研究把 BoN 值写成条件真实奖励在提示内分数分位上的 Beta 加权积分，说明 BoN 只依赖分数排名，且只有尾部校准曲线下弯时才会下降。在公开候选池上，负的尾部超额集中在代码生成任务，交叉拟合的尾部统计量能预测预算上限在留出数据上是否带来收益，效果与排序准确率相当。
结直肠癌术后是否复发，此前主要靠淋巴血管侵犯、神经侵犯、肿瘤出芽和Ki-67等常规病理指标判断。AlphaFISH把无需测序的纳米探针生物芯片与Transformer模型结合，在149例结直肠活检样本上同时读取41个宿主转录本和51个细菌属，并在术后一年随访的28例患者中以AUC 0.81预测复发或转移，而常规临床指标组合的AUC为0.45。该结果来自未经同行评审的预印本，样本规模有限。
大面积触觉传感过去要靠密集排布传感单元并逐条布线，面积和分辨率一放大，连线与成本就跟着涨。研究团队把一条蛇形走线的电磁表面波传输线铺在柔性聚酰亚胺上，从两端注入7至13 GHz扫频信号，用双端口反射谱编码接触位置，再由多分支多层感知机解出坐标。两个面积相差一个数量级的原型（5×5与16×18厘米）超分辨因子均超过10000，小面积原型二维定位均方根误差0.368毫米，大面积原型为1.209毫米。
智能体工作流的选择被改写成上下文老虎机问题：在五个基准上平均分达到81.37%，MATH上训练阶段token开销至少降低40.55%。
胸片解读智能体X-Ragent把“要不要找证据”和“测量能不能用”拆成两条路径：策略只在需要时调用局部放大、解剖定位和知识检索工具，而心胸比等定量测量由独立的有效性门控决定是否进入推理。训练分两步，先用7,715条结构化诊断轨迹做智能体监督微调，再用带准确率门控的GRPO优化，过程奖励只作用于答对的轨迹。在完全未参与训练的ChestAgentBench上，准确率从最强基线的63.1%升到71.7%，七个解读能力全部提升。
该工作提出任务进度蒸馏（TPD），在离线条件下把教师演示中的每个动作与一个简短任务阶段标签配对，学生通过联合打分可行动作与阶段对来选择动作；在ALFWorld上，1.7B学生用404条演示在TPD或仅动作监督下均达到72.4%平均未见任务成功率，而用受限动作选择的推理训练学生为48.3%；显式阶段在200条演示时把成功率从48.0%提升到67.7%，演示增多后仅动作监督追平，两者在808条时均达76.9%。
该工作提出 ProsaBuddy，一个基于 LLM 的智能体系统，采用带 Prosa 代码库检索的 ReAct 循环、Rocq 工具访问与可选人工提示，并通过子目标委派架构把引理拆分为子目标分派给子智能体证明，在取自实时调度文献的小型基准上显著优于现有基于 LLM 的 Rocq 自动证明智能体系统与通用编码智能体 OpenCode。
该工作针对多模态大模型（MLLM）幻觉问题提出不确定性量化方法 Causal-Invariant Masking（CIM），通过测量原始预测与因果聚焦视图下预测之间的语义偏移来分解不确定性类型，并给出核心指标 Semantic Divergence 及理论证据说明其收敛于模型对非因果相关性敏感度的方差，同时提出快速几何代理指标 Expected Embedding Drift（EED），实验显示方法在多个基准上达到 state-of-the-art，EED 在性能可比的情况下加速近 50%。