手语生成要把书面句子变成连续打手语动作，既要决定表达哪些词，又要还原手形、轨迹和身体配合。此前的姿态生成系统和只做重建的动作分词器把这两件事混在同一套表示里，生成器缺少一个与文本对齐的中间目标。SRVQ用单个残差量化器搭出层级：第一层码本在文本与注释级监督下编码手语内容，后续残差层补足运动细节，再由语义生成器和运动学生成器依次预测。在CSL-Daily与Phoenix-2014T上，完整变体的检索R@1分别为82.31和70.25，比SOKE的51.96和24.14高出30.35和46.11个百分点。
高势垒的顺反异构反应中，committor（给定构型先到产物而非反应物的概率）几乎是一个阶跃函数，只在过渡态附近狭窄区间取中间值。研究者把AIMMD路径采样与符号回归结合，在真空中的N-视黄叉赖氨酸和对香豆酸阴离子上从无偏分子动力学轨迹学到committor，并蒸馏成闭式解析式。四个绕反应双键的proper二面角必须非线性耦合，才能重现过渡路径集合中的S形分步路径，而最小自由能路径是一条直线。
在人为植入已知信号的模拟世界里，Claude Opus 5.5、GPT-6.1 Sol、GPT-6.1 Terra 与 Qwen3-32B 被要求判断一个预测模型能否跑赢静态基准。改用高斯冲击去掉重采样伪影后，三个商业模型在110个无信号世界里宣称可预测的比例分别为34%、16%和44%，均高于名义5%；把误报率对齐后，带多重检验校正的样本内检验识别弱信号的能力与最好的智能体相当。
当传感器故障沿图边成片扩散、观测值传播失效时，PEMix改用图的全局结构表示来条件化缺失特征的分布，在TADPOLE上把宏F1曲线面积从0.7469提到0.8243。
该工作为节点分类中的认知不确定性提出首个统计框架，包含信息增长实验协议与一致性判据，并借助投影图数据生成过程保证嵌套图来自同一过程；分析表明图证据深度学习（EDL）方法在总体最优处保留非消失的认知不确定性、且其认知与偶然不确定性由超参数外部调节，从而不满足一致性，而图自助集成（GB-Ens）通过图重采样与随机训练同时刻画数据与过程不确定性，在相同协议下表现出超越标准深度集成的认知不确定性收缩。
该工作提出一种无需攀岩专项训练的方法，直接使用冻结的Sapiens姿态基础模型的指尖与脚趾关键点，结合逐帧与标注支点的邻近判定、逐肢互斥和短时持续性规则来检测攀岩者使用了哪些支点及何时使用；在The Way Up数据集（22段视频、10名运动员、两条路线）上，留出划分的事件F1为90.2%，留一参与者交叉验证为89.8%，全部22段视频在任意时间重叠下为79.9%，脚点表现最佳（整体F1 89.8%，留出96.6%），并在相同协议下于每个时间阈值上超过对YOLOv8-pose与ViTPose流程的复现，且严格计时下优势扩大；消融显示稠密基础特征变化门控与身体部位分割均带来负面影响，而由自动预测计算的
这篇综述系统梳理了将物理先验嵌入机器人学习的方法，提出统一分类法，把已有工作按物理嵌入位置分为物理引导的输入/数据/表示、物理编码的模型架构、物理信息训练损失三类，并据此回顾了机器人动力学学习、轨迹规划与预测、控制与估计方法及开源软件生态，指出物理编码架构占已综述方法的71%、物理引导占16%、物理信息占13%，仅4%的工作组合了两种以上嵌入路线。
已读完全部报道