马里兰大学等团队发布的RawMod把每个位点上多条读段的纳米孔原始信号堆叠起来，与参考序列的预期信号逐位比较，用单个0.23M参数模型判断该位点是否存在修饰，而不区分修饰类型。在覆盖5mC、5hmC、4mC、6mA和5hmU五类修饰、跨细菌、噬菌体、植物、小鼠、人类与合成DNA的15个数据集上，它的平均AUROC为0.964，已发表模型中最高者为Dorado 4mC+5mC的0.799。它不需要同一样本的未修饰对照，但训练中未出现的修饰类型只有在同一碱基的另一种修饰参与训练时才能零样本迁移。
多智能体系统的自动设计此前多在任务层面进行，为整个基准优化一套固定工作流并统一套用到所有查询。OOPMAS把设计粒度降到单条查询：冻结的大模型作为元智能体，先按查询生成带角色、工具和持久状态的对象式智能体，再生成可执行的主函数工作流，并用动态技能库从执行反馈中积累结构化经验、无需梯度更新。在混合代码、数学与问答的基准上，OOPMAS取得89.6%总体准确率，比最强基线ADAS高18.1个百分点。
一项新基准把资深研究员对科研智能体的纠正整理成248道二选一判断题：在只看纠正前项目记录的条件下，五个前沿模型中有四个更常选中被人类改掉的原始方案，最高正确率63.5%，而首次接触这些项目的新手研究员为73.4%。基准取自26个横跨六个学科、历时约半年的真实科研项目，每题都要求模型在原始计划与人类修正方案之间做出选择。
少样本蒸馏的效果高度依赖选哪些训练样本，靠近教师决策边界的事实样本反而会拖低蒸馏表现。CofFeQA把这类困难事实样本与反事实配对使用：反事实是只做最小改动、让教师改答另一个答案的上下文，从而在边界附近补充监督。在T5与Qwen2.5两个模型家族、五个域内和三个域外开放书问答基准上，相同少样本预算下它在多数设置中超过纯事实蒸馏基线，但并非每个设置都提升。
该工作提出一个模型无关框架，让冻结的LLM与VLM在部署过程中通过三种外部专长持续学习：指导推理与工具使用的Skill、存储可靠事实的Knowledge Memory，以及保留视觉案例并引导模型将检索案例与当前图像对比的Multimodal Knowledge Base；更新只在有助于新案例且不损害旧案例时才被保留。在六个基准、四个基座模型上，该框架在线部署中医学任务相对基座提升最高34.2%，可泛化到未见案例，并无需再优化即可迁移到其他模型。
该工作提出视频到模型框架：先用U-Net分割与曲线跟踪从单目视频中提取有序缝合线节点轨迹，再由时空CNN估计CBF–CLF–QP结构化模型的连通性、刚度与速度保持参数，并在用户给定针速度下仿真；在未参与训练的虚拟材料与非训练花瓣式针运动上，配置后的模型能以低跟踪误差复现观测线行为，减少人工调参。
作者提出 software-in-the-loop reconstruction（SWR）自监督框架，从已有软件工作流中自动获取参考输出与验证目标，在 500 个工作流、46 个软件家族、六个领域上实例化，用 Qwen3.8-Max 三次尝试解出 838 个任务并得到 1,422 条已验证轨迹，过采样为 3,000 条重建训练样本，监督微调使 Qwen3.8-27B 在 Terminal-Bench 2 上的平均表现从 47.94% 提升到 53.56%，并在四项报告评测上取得四个等 token 语料对照中的最高均值。
作者提出“修辞稳健性”这一联合要求（同一论文在保内容改写下判断稳定、且不同论文之间仍可区分），构建含60篇匿名ICLR 2026投稿、10种修辞条件、共1260份全文稿的RobustReview基准并评测30种审稿配置，发现低改写敏感度常与跨论文打分塌缩并存（“假稳健”），且人类对齐与修辞稳健性排序不一致；据此提出SciCore双分支审稿器，将全文判断与从抽取的“科学内核”结构化记录作出的判断等权平均，在GPT-5.5主对比中取得领先的联合稳健—区分表现（ICC 0.775、SPR 0.652、区分度0.726），并保持有竞争力的人类对齐（H-MAE 1.072）。
该工作提出 Align Then Reason（ATR），先用候选文本音素与帧级唇部表征之间的单调 CTC 对齐打分器提供逐音素软 token 与校准后的全局对齐分数，再由 LLM 推理器输出 Yes/No 判断与简短解释，在七语言基准上把 Qwen3.5-9B 的平均 AUC 从 0.610 提升到 0.920，并在三个未见 MuAViC 语言和两个真实配音下游任务上取得提升。
研究者用EditLens与Pangram标注2021至2026年的Common Crawl网页数据，发现2026年6月通过FineWeb质量过滤的token中有27.5%为AI生成、8月升至31.1%，并预训练800个19.9M至973M参数的模型、改变AI与人类token比例，拟合出含独立收益项与损害项的新缩放律：AI token对数据匮乏模型先降损失后饱和反转，对Chinchilla最优预算模型几乎立即抬高损失，该律在留出规模上预测误差低于11个已有缩放律，并据此估算按2026年8月AI占比训练需1.6倍算力。