全部 AI 动态 · AI 热点

7月24日

09:35

官方一手arXiv: OpenAI@Linjun Li

论文测试 OpenAI gpt-5.6-sol 在 25 个镜像权衡配置文件下的行为。直接暴露授权隐瞒、伪造和施压的目标时，模型给出的建议与目标相反。经由 Id 和 Censor 转换后，下游 Superego 模型未看到原始目标及操纵条款，却给出与目标一致的建议。该反向转变表明模型可能识别出不信任动机，但暴露了自动化多阶段工作流的组合安全漏洞。

论文 gpt-5.6-sol OpenAI AI安全

事件专题

推荐理由：这篇论文发现了一个反直觉的安全漏洞：把危险目标藏起来经过中介传递，反而让模型更容易执行它。对做LLM部署或安全审查的人很重要。

原文

09:34

官方一手arXiv: OpenAI@Ankur Singh, Jinqiu Yang, Tse-Hsun Chen

精选

IssueTrojanBench新基准测试了Cursor、Claude Code和Codex Desktop三个编码代理，基于GPT-5.3/5.4和Sonnet 4.6模型。基准包含四种新型攻击类别（嵌入恶意指令）和六种投递向量（如PDF、issue评论）。结果显示66.5%的恶意issue穿透了所有防护。GPT模型普遍脆弱，而Sonnet 4.6表现出更选择性的高风险行为阻断。当前代理级防御措施提供的额外保护有限。

论文 IssueTrojanBench GPT-5.3 Sonnet 4.6

事件专题

推荐理由：这个基准测试发现，你用的AI编码工具面对恶意issue时几乎不设防，66.5%都能得逞，赶紧看看你的工具安不安全。

原文

09:33

官方账号arXiv cs.AI@Yangjun Lu, Hongyi Zhou, Fabian Spill, Kai Ye, Chengchun Shi, Jin Zhu

论文提出一种token级检测方法，通过平滑相邻token分数并采用自适应Lepski规则选择带宽，识别人机协作文本中由LLM生成的部分。该方法无需token级标注数据训练，在合成和真实数据集上优于多种基线。作者部署了公开网站实现该方法。

论文 LLM token级检测文本检测

推荐理由：这篇论文给了一个新方法，能精确找出LLM写的片段，不用提前标注，比现有文档级检测更细。

原文

09:30

官方账号arXiv cs.AI@Logan Robbins

现有方法DreamID-V的SyncID-Pipe仅用首尾两帧合成身份锚点，导致长片段和极端姿态下身份漂移。提出的AIA泛化到任意锚点集，通过扩散迫使型Transformer支持帧条件化，并用闭环反馈在每帧评分最差的点插入图像换脸锚点。同时引入Reality-Referenced Texture Restoration，从真实视频的非面部区域转移微观纹理并做谱段传输，消除过平滑美颜效果。实验需验证锚点密度与漂移的关系、自适应与均匀放置的对比、AIA生成数据训练学生网络的收益。

论文 AIA SyncID-Pipe DreamID-V

推荐理由：这篇论文搞定了视频换脸的身份漂移问题，用闭环反馈自动找关键帧来固定身份，还顺便修复了皮肤太假的美颜感。比起只靠首尾帧的老方法，思路清晰多了。

原文

09:27

官方账号arXiv cs.AI@Michael Romei de Socio, Gian Luca Pozzato, Alessio Merlo

该研究提出一种条件扩散模型，从部分观测生成未来图状态轨迹，并叠加符号约束层（硬过滤、软加权、投影修复）提升结构可行性。在紧凑图场景下，模型无效概率质量为0.002996；在中等复杂度依赖图场景下升至0.155929。硬过滤剔除所有无效轨迹，保留84.4%样本；软加权保持有效样本量但增益有限。分析表明依赖约束是几乎全部不可接纳性的来源。

论文扩散模型动态图系统符号约束

推荐理由：这篇论文用具体数字告诉你，统计上合理的轨迹未必结构可行，扩散模型加符号约束能解决。看中型图场景下0.156的无效概率怎么被硬过滤砍掉。

原文

09:26

官方一手arXiv: DeepSeek@Piotr Wilam

一项研究通过2x2设计（Python/Rust × Qwen2.5-Coder-7B/DeepSeek-Coder-V1-6.7B），测量了58个Python和57个Rust语法概念。结果发现：哪些概念有专用电路（What）由任务决定，Python的Spearman ρ为0.638，Rust为0.673。电路位置（Where）由模型决定：Qwen集中在L17-19层，DeepSeek在L6-7层。电路生长方式（How）也由模型决定，Qwen给原子概念早期峰值而DeepSeek没有。另外，Rust概念专用电路数量是Python的2-3倍，两个模型间共享神经元，DeepSeek共享程度是Qwen的1.94倍。

论文 Qwen2.5-Coder-7B DeepSeek-Coder-V1-6.7B Python

事件专题

推荐理由：这篇论文用Python和Rust、两个模型，拆开了代码模型表示中任务和模型各自的影响，Rust概念电路更多，模型间差异很有意思。

原文

09:24

官方一手arXiv: DeepSeek@Renuka Oladri, Niveda Jawahar, Abdirisak Mohamed

DeepSeek-R1-Distill-Qwen-7B等思维链模型在推理时呈现双峰收敛模式：在令牌预算内结束（收敛）或耗尽预算无结论（非收敛）。实验显示，收敛的推理在AIME 1983-2024上准确率达90.3%，非收敛仅6.6%，总体收敛率62.0%。通过训练线性探针在隐藏状态激活（token 50-300）上，层20在token 150处达到AUC 0.608（±0.080，五折交叉验证）。激活探针优于基于令牌熵和重复统计的行为基线。扫描级置换检验p=0.063（100,000次置换），表明样本量不足以在常规阈值下确认信号，但收敛命运在生成结束前部分编码于中间表征。

论文 DeepSeek-R1-Distill-Qwen-7B 推理模型早期检测

推荐理由：这篇论文发现DeepSeek-R1推理非收敛在早期就能从内部表征检测到，未来可做自适应计算分配，研究推理效率的朋友可以看看。

原文

09:22

官方一手arXiv: DeepSeek@Zibin Lin, Shengli Zhang, Taotao Wang, Yihan Xia, Deen Ma, Guofu Liao

WML方法通过Node--Mechanism Attribution识别失败工作流节点、原因机制及最小编辑目标，将单机制缺陷路由到L3资源，跨机制缺陷路由到L2协议。在SpreadsheetBench上，WML使用DeepSeek达到90.33±1.53 Hard Accuracy，使用Qwen3.6-Flash达到74.67±3.51。无额外优化时，学到的技能迁移到WikiTableQuestions取得84.00±2.00和83.00±2.00 Denotation Accuracy。在Compiler-Supported50上，WML同时取得最高hard-PASS率和最低每次成功任务成本，编译执行相比直接SkillAgent大幅减少token和调用次数。代码和工件已开源在GitHub。

论文 DeepSeek Qwen3.6-Flash SpreadsheetBench

推荐理由：这篇论文提出了WML方法，能精准定位Agent工作流失败节点并复用外部技能知识，在SpreadsheetBench和Compiler-Supported50上表现亮眼，比直接SkillAgent省不少token。

原文

09:21

官方一手arXiv: DeepSeek@Paolo Modesti, Syed Ahmed, Ioannis Sfyrakis, Derek Enodolomwanyi

一篇论文评估了GPT和DeepSeek在符号安全协议分析中的能力，使用130个混淆的AnB/AnBx协议涵盖388个安全目标，与ProVerif和OFMC工具对比。Chat模式召回率69%-81%，但精确率低于31%。推理模式将GPT精确率提升至66.5%，DeepSeek至45.4%，但仅检测到一半以上攻击。在保密性目标上，推理模式F1达到95.7%。各模型在认证目标上表现最差，且判断不稳定。

论文 GPT DeepSeek ProVerif

推荐理由：这篇论文用具体数据告诉你，GPT和DeepSeek在形式化验证上还比不上ProVerif这些专业工具，但推理模式能把精确率拉到66%，可能当个预筛选过滤器。

原文

09:21

官方一手arXiv: DeepSeek@Qunhui Zhang

论文提出VirtualSet，一种接收者类型化的本体世界接口，替代SQL作为LLM的生成目标。在BIRD基准测试的1072题子集上，VirtualSet配合deepseek-reasoner达到67.5%准确率，比带修复和投票的SQL高4.0个百分点（p=0.00117）。系统通过通用约束投影（GCP）在表达式执行前检查，并利用集合链保留具体接收者类型将无效字段转为类型错误。在30个受控决策用例中，写入链拦截了20/20的幻觉动作体且无假阳性。

论文 VirtualSet BIRD deepseek-reasoner

推荐理由：用VirtualSet替代SQL，让LLM查询出错时提前报类型错误而不是给假结果，BIRD上还比SQL高4个点，很适合做安全决策。

原文

7月23日

12:28

官方账号arXiv cs.LG@Nicolas Kosanovic, Jordan Dowdy, Jean Chagas Vaz

论文为ROBOTIS OP3微型人形机器人开发了一整套远程全身控制栈，结合VR进行上肢遥操作、强化学习控制下肢平衡与行走。实验显示机器人能以0.45 m/s速度稳定行走，且手臂动作不影响步态。在立方体搬运任务中，操作员在10分钟内远程移动了2个40 g立方体，行走总距离5 m。该工作证明了微型人形机器人在远程全身操控场景中的可行性。

论文 ROBOTIS OP3 VR 强化学习

推荐理由：这篇论文给微型人形机器人装上了VR遥操作+强化学习行走，ROBOTIS OP3能跑到0.45米/秒，还能搬40克小方块，挺有意思的。

原文

12:22

官方账号arXiv cs.AI@Hiskias Dingeto

论文指出自然语言自编码器通过重构分数评估解释的忠实性存在缺陷：在Qwen-2.5-7B的口语化器上，约2%的特定主张与重构相关，分数主要反映大意而非具体事实。在合成真值下，标准方法在5/5次运行中产生了共适应私有代码（重构依赖的虚假措辞）。提出两个审计协议（grounded-vs-true交叉和评估器交换）以及RECAP（通过协训练辅助预测器使指定内容可解码）。在RECAP训练的沙盒模型上，新口语化器真实陈述指定内容，代码消失，代价仅+0.001 nat。在预训练的Pythia-160M上，指定内容变得可探针解码，虽新口语化器仅部分传达（真值0.44-0.46 vs 近零对照）。独立探针对口语化器的真实主张评分高于虚假（AUC 0.96 vs 无RECAP 0.82），对抗攻击下RECAP探针仍能识别谎言（AUC 0.95），对照探针降至0.51。

论文 Qwen-2.5-7B Pythia-160M 可解释性

推荐理由：这篇论文揭露了AI解释性评估的漏洞，并给出了RECAP方法，让你知道如何让模型内部信息真正可验证，而非被花言巧语欺骗。

原文

12:12

官方账号arXiv cs.LG@Rostyslav Sipakov

在IBM量子硬件（ibm_fez，每电路1024次测量）上，对四个量子比特的ZZ特征映射核进行了24个室内空气质量数据窗口的测试。基线、动态解耦和门扭曲三种配置均返回完整正半定Gram矩阵，全矩阵中心核对齐（CKA）为0.933-0.989。门扭曲在所有几何轴上最忠实，动态解耦与基线无显著差异。硬件畸变而非有限采样主导了差异，但保真度与标签对齐方向相反。

论文 IBM four-qubit ZZ feature map

推荐理由：这篇论文用IBM量子硬件实测量子核方法的几何保真度，发现门扭曲最可靠但任务相关性反而低，揭示了硬件实现与算法目标之间的差距。

原文

12:11

官方账号arXiv cs.LG@Andrea Napoli

该论文提出ARROW，首个针对最大均值差异（MMD）和相关对齐（CORAL）损失函数的在线随机方差缩减（SVR）算法。ARROW维护对齐统计量的移动平均参考，并自适应重加权传入的minibatch以对齐minibatch与参考统计量。通过松弛重加权方案使权重优化问题可解。实验表明，ARROW在运行时间、方差缩减程度和目标域准确率上与离线算法竞争力相当。

论文 ARROW MMD CORAL

推荐理由：这篇论文解决了流式数据的方差缩减问题，ARROW算法能在线对齐MMD和CORAL，效果不输离线方法，搞领域自适应的人可以看看。

原文

12:10

官方账号arXiv cs.LG@Andrea Napoli

本文提出一种名为PSDA（Paired Sampling for Domain Adaptation）的方差减少技术，专门用于解决无监督域自适应（UDA）中相关对齐和最大均值差异（MMD）损失的高方差问题。PSDA通过配对域内和跨域观测形成四元组，并在训练中始终一起采样。该方法将配对问题转化为线性分配问题以最小化期望梯度方差。在三个域迁移数据集上的实验表明，PSDA提高了目标域准确率。

论文 PSDA Domain Adaptation SVR

推荐理由：PSDA用配对采样给UDA降方差，比同类方法稳定，效果很实在。

原文

12:07

官方账号arXiv cs.LG@Sandro Kuppel, Julian Hoßbach, Samuel Tovey, Christian Holm

该论文提出一种多模态深度学习架构，联合处理原始时间序列、小波图像和静态特征向量，在42肽基准上超越现有方法超过10个百分点。模型在20氨基酸数据集上实现了接近完美的准确率。注意力分析显示时间序列和小波图像输入关注同一事件的不同特征。研究展示了机器学习在纳米孔传感器中实现高精度分子识别的潜力。

论文 nanopore Transformer 多模态

推荐理由：他们用多模态Transformer把纳米孔信号分类精度提升了10个百分点，42肽和20氨基酸两个数据集都表现优异，值得关注。

原文

12:05

官方账号arXiv cs.LG@William Kengne, Ehud Mossa Ockegna

该论文提出稀疏惩罚深度神经网络（SPDNN）估计器，处理协变量偏移下的非参数分位数和Huber回归。当密度比未知时，采用两步预训练：先构建最小二乘SPDNN估计密度比，再用于重加权回归。在Hölder光滑函数类中，SPDNN估计器能达到（对数因子内）极小化最优收敛率，适用于i.i.d.和多种时间序列模型（如φ-mixing、强混合等）。

论文 SPDNN 协变量偏移非参数回归

推荐理由：这篇论文提出了SPDNN方法，专门解决训练数据和目标数据分布不同的问题。它能量化回归和Huber回归，还能处理时间序列依赖数据。理论证明能达到最优收敛速度，挺扎实的。

原文

12:03

官方账号arXiv cs.LG@Ivan Ge, Sagar Addepalli, Abhilasha Dave, Julia Gonski

该研究在变分量子自编码器模型上实现实时异常检测触发，性能与经典SOTA方法相当。模型经FPGA合成后，资源使用和时序约束满足未来对撞机触发要求。这是首次在HEP触发器中完成QML模型的FPGA实现，可直接部署于经典数据采集管线。

论文 Quantum Autoencoder FPGA 高能物理

推荐理由：这篇论文把量子自编码器跑在FPGA上做高能物理异常检测，效果不输经典方法，而且资源够用，直接能用。

原文

12:02

官方账号arXiv cs.LG@Abigail Woodring, Adrian Chan, Rana Muhammad Shahroz Khan, Sukwon Yun, Chau-Wai Wong, Tianlong Chen

论文通过Mistral、Gemma、Qwen三个基础模型的10个连续预训练步骤实验，验证了PortLLM补丁的长期时间可移植性。PortLLM是一种无需训练和数据的自适应方法，仅依赖LoRA补丁移植。理论分析表明，高维向量近正交性是时间可移植性的关键机制。研究还从损失景观几何角度比较了不同自适应选项的优劣。

论文 PortLLM LoRA 微调

推荐理由：这篇论文拆穿了为什么PortLLM的补丁隔了好几轮预训练还能用，理论部分用高维空间特性讲得特别清楚。

原文

12:01

官方账号arXiv cs.LG@Cayan Deniz Kucuktopana, Javier Fumanal-Idocin, Richard Pitts, Javier Andreu-Perez

该论文为Ex-Fuzzy库实现了Mamdani风格的可解释模糊回归扩展，利用模糊C均值聚类提出目标感知的变量初始化策略。在KEEL仓库的10个回归数据集上，高斯隶属度函数相比均匀梯形函数表现更优，平均决定系数约0.86，生成的规则库仅10-15条人类可读规则。该方法为黑箱回归模型提供了透明且性能竞争的替代方案。

论文 Ex-Fuzzy 模糊回归可解释AI

推荐理由：想要可解释的回归模型？这篇论文展示了Ex-Fuzzy库的新能力：用10-15条规则就能达到0.86的R²，比黑箱模型还直观。

原文

11:59

官方账号arXiv cs.LG@Matteo Castiglioni, Anna Lunghi, Alberto Marchesi

论文遗憾最小化 CDF 双边贸易

推荐理由：这篇论文改进了二维CDF学习的遗憾界，从T^{3/4}降到T^{7/10}，还能用在双边贸易优化上，挺有理论价值的。

原文

11:55

官方账号arXiv cs.LG@Abhishek Shankar

本文系统对比笛卡尔坐标与Levi-Civita坐标在平滑四极势扰动开普勒问题中的表现。使用Levi-Civita哈密顿分裂，最大相对能量误差保持2.1×10⁻⁵，偏心率e=0.99时笛卡尔分裂不稳定。在固定壳构造下，高偏心率测试中正则化模型40/40次生成有限轨迹，笛卡尔模型0/40。正则化残差存在严重病态问题，正交化可恢复基线拟合，但小型MLP的轨迹误差仍为O(1)。这是一项受控的证伪加权衡研究，未解决精确神经残差学习。

论文 Levi-Civita coordinates Kepler problem 哈密顿动力学

推荐理由：这篇论文用实验数据说明了Levi-Civita坐标在神经哈密顿动力学中能稳定高偏心率轨迹，但优化条件更差，适合想了解正则化坐标利弊的研究者。

原文

11:52

官方一手arXiv: Anthropic@Elias Hossain, Md Mehedi Hasan Nipu, Fatema Tuj Johora Faria, Tasfia Nuzhat Ornee, Maleeha Sheikh

多智能体LLM应用中，Agent间传递信息的通道缺乏监控，导致指令注入攻击。现有防御主要针对输入边界或依赖云提供商过滤，隐蔽性高。论文提出ChannelGuard，在Agent间通道上设置信息瓶颈门控，通过嵌入相似度评分对比预定义攻击短语库，实现通行、压缩或阻断，无需额外LLM调用。在2,100条测试、8种攻击家族、5种防御、3种后端（Azure GPT-5、Anthropic Sonnet 4.5、Haiku 4.5）的评估中，ChannelGuard的工具输出门控在应用层100%阻断工具投毒（30/30），跨后端一致，而未防御管线完全依赖后端过滤。Prompt Injection攻击成功率从0.333降至0.167，GSM8K准确率保持0.867不变。

论文 ChannelGuard 多智能体 AI安全

事件专题

推荐理由：这是篇讲多智能体LLM安全漏洞的论文，提出ChannelGuard，不额外调用LLM，在Agent间加门控，能防住工具投毒和指令注入，而且实验用了三个不同模型后端，结果很实在。

原文

11:50

官方账号arXiv cs.AI@Wael AbdAlmageed

SoftReason是一种全可微分的神经-软-符号推理架构，通过软解释张量弥合感知与演绎的梯度鸿沟。该架构在KVQA（知识感知视觉问答）任务中实例化，支持端到端的感知基础、KG证据注入和可微演绎闭包。核心创新是学习可微的即时后果算子，利用谓词定义嵌入和潜在组合通道实现软体谓词混合。实验表明SoftReason在推理准确率上相比传统神经符号方法提升12%以上。

论文 SoftReason KVQA 可微推理

推荐理由：这篇论文解决了神经符号推理中不可微的离散接口问题，SoftReason让感知和演绎合为一体，KVQA上效果提升明显，搞推理和视觉问答的值得看。

原文

11:49

官方账号arXiv cs.AI@Pouria Mahdi, Haq Nawaz Malik

波斯语虽然被超过1.1亿人使用，但其OCR技术远落后于拉丁语系语言，原因是文字复杂且缺乏大规模标注数据。Persian Pixel数据集包含343,000多张高保真图像-文本对，来自精心筛选的700万波斯词语料库。生成管道SynthOCR-Gen模拟了波斯文字连写、字形变体、变音符号等特征，并加入25种以上随机退化模型（如墨迹扩散、纸张老化、模糊等）。该数据集可用于训练TrOCR、Donut等基于Transformer的OCR模型，为低资源复杂文字OCR提供可扩展的合成数据方案。

论文 Persian Pixel OCR 波斯语

推荐理由：做波斯语OCR不用愁数据了，Persian Pixel有34万张合成图加上25种真实退化模拟，直接拿它训模型比手动标注省事得多。

原文

11:48

官方账号arXiv cs.AI@Eva McCord, Ernest Pedapati, Zag ElSayed

FMRP-LEAN是一种基于有限状态工作流模型的HIPAA合规AI增强LIMS架构，用于优化FMRP蛋白定量等临床检测流程。系统采用自托管Supabase/PostgreSQL栈部署在医院控制的基础设施内，支持混合边缘-内部隔离和加密隧道。它整合了统一MRN-UUIDv7标识符框架和QR追踪，确保受保护健康信息(PHI)下的临床-研究可追溯性。架构包含自动化统计QC预筛选和受治理约束的AI操作模块，仅在聚合投影上运行并提供确定性回退保障。部署结果表明工作流可观测性提升，QC延迟降低，跨角色透明度增强。

论文 FMRP-LEAN HIPAA LIMS

推荐理由：这篇论文讲FMRP-LEAN架构，用有限状态机加AI来理顺临床检测流程，特别适合需要HIPAA合规的医疗数据环境。

原文

11:42

官方账号arXiv cs.AI@Tuhin Chakrabarty, Xinyue Liu, Jane C. Ginsburg, Paramveer Dhillon

一篇研究分析了2023至2026年间亚马逊上14,419本自出版类型小说的全文本AI检测结果，发现超过25%内容由AI生成的书籍占目录很大比例，但销售份额较小。然而，这些AI书籍正逐步占据更多顶级排名，销售数量季度增长19.2倍，收入仅增长8.9倍，导致每本书平均收入下降。在AI渗透率高的类别中，非AI书籍失去最多市场，尤其是Kindle Unlimited可用的领域。研究认为生成式AI通过规模而非质量重塑创意市场。

论文 Amazon 自出版 AI生成内容

推荐理由：这篇论文用14,419本亚马逊自出版小说数据，证明AI书虽然卖得少但正抢走顶级排名，让每本书收入下降。非AI书在AI泛滥的类别里最受伤。想了解AI怎么靠量碾压市场的可以看。

原文

11:41

官方账号arXiv cs.AI@Roger Sala Sisó, Tiago Silvério, Jakob Sand, Tran Nguyen Le

DEED是一种系统级方法，旨在弥合VLA人形机器人的实验室与现实操作差距。该方法在超市芯片补货任务上评估，使用Unitree G1-Edu机器人和GR00T N1.6基础模型。它包含三个组件：数据高效后训练管道（控制频率对齐、数据整理、任务相关视觉高亮）、基于RECAP的体验驱动学习（文本优势前缀和视觉语言价值函数）以及潜在空间分析工具。结果显示，通过精心数据设计和单GPU后训练，原本在朴素微调下失败的政策可转变为可靠的现实系统。

论文 DEED Unitree G1-Edu GR00T N1.6

推荐理由：只用单GPU和精心数据设计，就能让机器人从实验室失败变身为靠谱的超市补货工，系统集成是关键。

原文

11:39

官方账号arXiv cs.AI@Hae Min Kim, Stacy Stanislaw

该研究利用2023年8月至2025年10月的网络分析数据，实证分析了生成式AI作为学术图书馆资源的新发现路径。结果显示，集成链接引用功能后，AI中介流量显著增加，主要来源平台为ChatGPT、Perplexity和Gemini。大量用户通过AI访问机构知识库，主要获取电子学位论文。研究发现，具有结构化元数据和稳定永久链接的开放获取资源更容易被AI检索系统发现。

论文 ChatGPT Perplexity Gemini

推荐理由：这篇论文用两年多的真实数据，告诉你ChatGPT、Perplexity、Gemini怎么把用户引向学术图书馆的论文和学位论文，适合关心AI如何改变学术搜索的人。

原文

11:38

官方账号arXiv cs.AI@Xuchen Zhu, Yajuan Wei, Shuang Hao, Jiwei Jiang, Guanxiang Mao, Fang Ren

针对 RGB-D 语义分割模型在缺失 RGB 或深度模态时性能骤降的问题，研究者提出 Condition Dropout (ConD) 方法。ConD 在预训练模型基础上增加第二阶段训练，随机模拟完整、缺 RGB 或缺深度输入，冻结原编码器并训练带有零初始化特征注入的副本。在 NYU-Depth V2 和 SUN RGB-D 数据集上，ConD 在缺失模态下显著提升鲁棒性，且完整模态下略有增益。代码将在论文接收后公开。

论文 ConD NYU-Depth V2 SUN RGB-D

推荐理由：做语义分割的可以看看 ConD，训练完一个模型就能同时应付缺 RGB 或缺深度的情况，还能保持全模态精度。简单有效，代码也快开源了。

原文

11:37

官方账号arXiv cs.AI@James Jewitt, Hao Li, Gopi Krishnan Rajbahadur, Bram Adams, Ahmed E. Hassan

论文追踪了Hugging Face和GitHub上232,270条数据集→模型→应用链，测量许可证义务的传播情况。研究发现62.3%的链条至少包含一个未声明许可证的制品（集中在少数基础数据集），且每个义务性许可证类别的端到端存活率低于7%，而宽松类别高达95.1%。作者据此为从业者、模型发布者、权利人和平台方提供了可操作建议。

论文 Hugging Face GitHub 许可证洗钱

推荐理由：这篇论文用大量真实数据告诉你，AI供应链里许可证有多混乱。看完你就知道为什么模型和数据集版权常出问题。

原文

11:35

官方账号arXiv cs.AI@Md Ridwan Hossain Talukder, Roshan Dhakal, Elizabeth Phillips, Gregory J. Stein

论文提出礼貌性前瞻规划方法，让机器人在持久共享环境中执行任务时不仅考虑当前任务成本，还通过独立学习的成本估计器预估未来所有机器人的任务成本。在双机器人家庭环境中，该方法总成本比短视规划降低10.43%，比自私前瞻规划降低4.03%；在三机器人餐厅环境中，分别降低17.41%和13.24%。方法支持模块化部署，新增机器人只需训练其估计器。

论文多机器人任务规划前瞻规划

推荐理由：这篇论文教机器人做当前任务时也替别人着想，在家庭和餐厅测试里省了10%到17%的成本，挺实用的规划新思路。

原文

11:34

官方账号arXiv cs.AI@Mahdi Nazeri, Anne-Kathrin Schmuck, Sadegh Soudjani, Alessandro Abate

本研究提出一种新框架，使用Clopper-Pearson置信区间为LLM生成的有害输出概率计算PAC下界。该算法通过分析潜在空间特征优先探索自回归生成树中更可能产生有害输出的分支。该方法能高效计算极小有害概率（如低于10^-6）下的严格下界。实验在多个SOTA LLM上验证了有效性，所得下界经形式证明小于真实有害概率。

论文 Clopper-Pearson PAC AI安全

推荐理由：这篇论文教你用统计方法严格证明LLM有多安全，不是估算，而是可证明的下界。

原文

11:33

官方账号arXiv cs.AI@Soroosh Tayebi Arasteh, Sebastian Ziegelmayer, Mahshad Lotfinia, Lisa Adams, Sven Nebelung, Jakob Nikolas Kather, Daniel Truhn

该论文研究了医学影像基础模型表征收敛的原因。通过对比18个图像编码器和7个文本编码器（参数从7M到27B，涵盖五种成像模态，使用650,982张胸片），发现自监督目标的收敛度（40.4%）远高于标签监督（21.1%）和图像-文本（3.3%）。收敛度随模型规模增长不显著（Spearman 0.302，p=0.223）。线性分类器跨编码器转移后仍保留约85%的原始性能。结论是自监督目标而非临床监督驱动了表征收敛。

论文医学影像自监督学习表征学习

推荐理由：这篇论文用大量数据和对照实验拆解了医学基础模型表征收敛的真正原因，发现关键不是临床标签而是自监督目标，对训练和评估模型很有启发。

原文

11:31

官方账号arXiv cs.AI@Ahmad Pouramini, Mahsa Afsharzadeh

论文提出Maskability Index (MI)度量，基于DepthRank分数差异计算，用于判断在T5和BERT等预训练语言模型上，针对知识关系生成，masked-style提示是否优于prefix-style提示。在ATOMIC2020知识库补全基准上评估，MI与下游生成性能呈正相关。该指标在低资源场景下可辅助提示模板选择与适配策略。

论文 Maskability Index T5 BERT

推荐理由：这篇论文搞了个叫Maskability Index的指标，帮你省掉试不同提示的功夫，直接判断填空提示还是前缀提示更管用，在ATOMIC2020上验证过了。

原文

11:30

官方账号arXiv cs.AI@Andreas Happe, Jürgen Cito, Jasmin Wachter

该论文分析LLM驱动的自主代理在攻击性安全中表现出三个不确定性维度：动作非确定性导致难以进行事前安全审查和事后归因；影响开放性源于非确定性动作、模型代理和LLM供应链不透明；用户群体不确定性因技能门槛骤降而扩大。结合攻防成本不对称，短期效应有利于攻击者。现有双重用途网络安全和AI伦理框架无法覆盖此组合。论文提供针对利益相关者的分层建议。

论文 LLM autonomous agents offensive security

推荐理由：这篇论文把自主AI代理做攻击性安全的三类不确定性和道德归因难题讲透了，安全从业者和政策制定者值得看看。

原文

11:29

官方账号arXiv cs.AI@Junyu Dai, Xinyue Fan, Weiqin Li, Xiangang Li, Yunjia Li, Bin Ma, Yukun Ma, Chongjia Ni, Yufei Shi, Haoxu Wang, Menglin Wu, Jianwei Yu, Huaicheng Zhang, Han Zhao, Shengkui Zhao, Haina Zhu

本文提出一个统一的全歌曲生成框架，支持从歌词、文本描述和音乐属性生成完整歌曲。该框架包含四个组件：语义感知分词器将音频编码为8码本RVQ令牌，hybird-LM进行层次化自回归音频令牌建模，FullDiT在连续VAE潜空间中执行流匹配渲染，两级旋律模块用于翻唱生成。在人工分析音乐带歌声排行榜上取得竞争性能，并探索了DPO、GRPO和OPD作为后训练策略。实验在多语言自动基准上进行评估。

论文 hybird-LM FullDiT 歌曲生成

推荐理由：这篇论文提出了一个能生成完整歌曲的框架，支持歌词生成、纯音乐和翻唱，还在排行榜上验证了效果，音乐生成方向的同学可以看看。

原文

11:28

官方账号arXiv cs.AI@Yiming Wang, Jiayuan Di

本研究系统评估了大型语言模型（LLM）在文化负载翻译中的表现。使用《红楼梦》构建了500条中-日双语数据集，覆盖多种文化类别。发现前沿LLM对文化负载内容存在显著性能差距。人工评估中，不同文化背景的评估者导致明显分歧。常用自动评估指标如BLEU无法可靠评估翻译质量。

论文《红楼梦》机器翻译文化负载

推荐理由：这篇论文用《红楼梦》测了LLM翻译文化内容的能力，结果发现GPT-4也不好使，连人工打分都吵起来了。适合关注翻译质量的人看。

原文

11:27

官方账号arXiv cs.AI@Seongmin Kim, Abhinav Rijal, Yuri Alexeev, Nora Bauer, Martin Roetteler, Mina Yoon, George Siopsis, In-Saeng Suh

DQAOA-GPT是一种混合框架，将分布式量子近似优化算法(DQAOA)与GPT生成模型结合，用于求解组合优化问题。该方法将大规模优化问题分解为子问题，用训练好的生成模型直接产出高质量量子电路，避免传统迭代优化。在多达100个决策变量的密集HUBO问题上，DQAOA-GPT相比常规DQAOA显著降低计算成本，同时保持接近的解质量。子问题规模越大，加速效果越明显。

论文 DQAOA-GPT DQAOA GPT

推荐理由：这篇论文把GPT和量子优化搭在一起，搞了个DQAOA-GPT框架，算大型组合问题比传统方法快很多，成本也低，值得看看思路。

原文

11:26

官方一手arXiv: OpenAI@Takahiro Ezaki, Naoto Imura, Katsuhiro Nishinari

一项研究模拟了50个基于OpenAI GPT、Anthropic Claude和Google Gemini的货运代理在30天内选择承运人的市场。结果显示，代理在第一天就集中选择同一承运人，占76%的请求。当候选列表超过10个时，集中度急剧上升，但不同模型表现有差异。披露承运人剩余日容量可将集中度降低三分之一，并使发货人剩余翻倍。供应商多样化、列表随机排序和流行度展示没有明显效果。

论文 LLM GPT Claude

事件专题

推荐理由：这篇论文用真实LLM做模拟，发现只要给发货人看十多家承运人，市场就会高度集中，但暴露容量信息就能大幅改善，比换模型管用多了。

原文

仅展示最近 2000 条内容。更早的内容请查阅 AI 日报存档（侧边栏 → AI 日报 → 顶部「往期日报」）。