苹果公司团队把腕部光电容积脉搏波（PPG，用绿光测皮下微血管血容量变化的信号）与餐食文字描述对齐，训练出营养PPG语言模型NPLM，检验被动采集的脉搏波形是否携带进食信息。在19,340名受试者的1,122,834条餐食描述上，近餐时段的PPG把餐食描述的对数似然推高到胜率0.69，而保留同一受试者与时段、只打乱餐食配对的对照为0.60，跨受试者打乱则落在0.50的随机水平。该信号在独立验证队列中不经再训练即可把餐后饱腹感预测的AUC从0.64提高到0.71，作者将其定位为对文字饮食记录的补充而非替代。
在固定特征分布、任意模型类的设定下，不可知学习（训练判别模型去逼近类内最优）与多准确度（训练生成模型使类内所有观察者都分不清真假标签）被证明在统计与计算复杂度上等价。此前只有从不可知学习到多准确度这一方向已知，反方向因单个多准确度预测器即使校准也无法超过随机猜测而悬置；新的归约反复调用多准确度预言机、按预测值分层并加权平均，最终得到既多准确又校准的预测器，从而完成不可知学习。
作者提出 MS-ECG-FM，一个以对比对齐方式同时对齐 ECG 机器报告、心内科报告、超声心动图、胸片和出院小结等多种临床文本的心电图基础模型；在覆盖 98 个标签的多数据集线性探针评测中，其宏平均 AUROC 达 93.6，高于 ECGFounder 的 91.5 与 MELP 的 91.2，并在结构心脏病等此前较弱的分组上明显改善，同时在单导联与减导联配置下保持领先。
该研究将多智能体系统中的同质化操作化为从众、极化与惯性三项指标，在代码生成、招聘与同行评审三类任务上评估，发现智能体交互会降低多样性并放大共享失败，且采样随机性与混合模型配置都无法缓解这些风险。
DeReAct 提出一种模块化智能体架构，把动作授权与完成判定从单一 LLM 策略中分离出来，交由 Critic 在执行前校验提议动作、由 Context Manager 重建环境支持的 State 并认证任务完成；在 GAIA 与 SWE-bench Verified 上，它对较弱 Brain 模型提升最大（Qwen3-Coder-480B 提升 6.5–7.0 分，Claude Sonnet 4.5 提升 4.2–5.2 分），随 Brain 能力增强增益递减，而在 Claude Opus 4.5 上 Pass@1 与 ReAct 相当但轨迹更具证据完整性与约束满足性。
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%。
已读完全部报道