KAIST团队推出四足机器人控制技术“DreamWaQ++”，在原有盲行能力基础上加入视觉与激光雷达感知，实现对复杂地形的主动识别、路径选择和越障行走。

研究团队在忆阻器中引入稳定的内置氧梯度，实现缓慢且可控的电导演化，并将其映射为强化学习中的自适应学习率，大幅提升学习效率与稳定性。

莱比锡大学团队首次证明，微米级合成微游动器可以依靠自身形状“感知”环境，在快速变化的复杂流体中实现无需传统传感器的自主导航，为体内靶向给药等医疗微机器人应用提供了新思路。

Together AI在首届AI Native Conf上披露其AI Native云的最新研究到生产进展，涵盖内核、强化学习与推理优化，并介绍公司客户与业务增长情况。

东京科学大学与产总研联合推出两款兼具日语能力与推理能力的大规模语言模型「GPT-OSS Swallow」「Qwen3 Swallow」，基于GPT-OSS与Qwen3改良，采用Apache 2.0开源并允许商用。

通过利用计算资源的空闲时间，研究人员实现了模型训练速度翻倍，同时保持了准确性。

Gradient称，Echo-2可将后期训练成本较传统云端强化学习方式降低最高80%，并支持在多样化硬件环境中分布式运行，以减少对集中式数据中心的依赖。

北京大学与上海人工智能实验室等团队利用强化学习与博弈论相结合的AI系统“PackingStar”，在25～31维等多个维度上刷新了接吻数问题的已知下界，并在13维合理结构及一般化接吻数上取得新突破。