空间转录组分析长期依赖细胞分割，而分割边界和转录本归属容易出错；无分割方法虽绕开这一步，却往往需要外部单细胞参考或预设细胞类型数。SSAF-T把无分割的细胞类型判定与分割连成一条链：先由智能体CeLLMan依据文献知识图谱和标记基因给聚类贴标签，再把标签铺满整张组织图，并用这张图约束以细胞核为种子的分水岭分割。在Visium HD小鼠小肠、Stereo-seq小鼠脑、Xenium小鼠肾和MERFISH小鼠肝等公开数据上，其细胞类型分布与组织解剖一致，分割结果与Baysor、Cellpose可比，且运行更快。
GPUMAP把UMAP的降维流程拆成插入、更新、嵌入三类可交错执行的操作，在消费级GPU上边算边给出中间投影，使百万点规模的数据不必等全部计算结束才能查看。在HIGGS的500万点数据上，顺序执行的RAPIDS UMAP要到50.4秒才给出第一张投影，GPUMAP在8.42秒就产出可检查的中间结果并持续细化；代价是总运行时间约为顺序执行的1.6倍。
该工作提出免训练的 Relevant Evidence Decoding（RED），用逐点互信息把音视频联合预测拆分为音频、视频与残差交互三部分，并通过仅问题推理判断所需证据类型后只增强对应贡献；在三个音视频幻觉基准与三个 AV-LLM 上，RED 相对标准解码最高提升 CMM 7%、AVHBench 6.3%、SVHalluc 3.8%，平均首 token 时间约为标准解码的 1.5 倍。
该工作提出 Unlearning Depth Score（UDS），先用保留模型基线定位编码目标知识的层，再通过激活修补在 0-1 尺度上度量遗忘模型抹除了多少该知识，并在覆盖 8 种方法、150 个已遗忘模型的元评估中与 20 项指标比较，报告 UDS 具有最高的忠实度与稳健性，案例研究显示它能揭示被表征漂移所掩盖、观测类指标看不到的残余知识，且擦除深度随提示类型变化。
BoundInk 是一个以书写者为条件的在线手写生成框架，把相邻字符之间的边界（连笔、间距、对齐）作为显式生成目标，用 bigram 滑窗 Transformer 建模前字到当前字的局部转移并配合句级上下文门控注入，同时提出 Connectivity and Spacing Metrics（CSM）直接评估连笔连续性与字符/词间距；在三套基准匹配设置下改善全部适用的边界质量指标，归一化 DTW 降低 17.6–47.8%，盲人评中在 78.0–82.6% 的有效逐准则判断中被偏好。
该研究提出 OncoAgent，一个由大语言模型驱动的指南感知 AI 智能体框架，把自由文本临床指南解析为工具调用计划并执行，从而在无需任何专家标注训练数据的情况下生成三维靶区；在 40 例中段胸段食管癌计划 CT（32 例训练、8 例测试）上，其零样本 CTV Dice 为 0.842、PTV Dice 为 0.880，与全监督 nnU-Net（GTV Prior）的 0.862 和 0.893 在主指标上无统计学显著差异，并在双盲医师评分中于指南依从性、修改工作量和临床可接受性三项均高于该监督基线。
该工作通过实证分析指出基于点积的自注意力存在“相似性偏置”，会系统性忽视对目标预测有因果贡献的异质物品关系，并提出 PRISM 模块，用 K 个视角透镜在 Affinity View 与 Contrast View 两种互补视角下校准注意力，在七个真实基准上持续优于现有基线。
已读完全部报道