AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
8月11日
12:38
12:38官方账号arXiv cs.LG@Samaneh Rezaeimanesh, Mohsen Behradfar, Mohammad Fili, Guiping Hu
Child Mind Institute使用Helios腕戴设备收集数据，结合惯性测量单元、热电堆传感器和飞行时间传感器，捕捉运动、热感和距离信息。研究团队开发了结合卷积神经网络和门控循环单元的深度学习框架，并加入模态专用自编码器和晚期融合分类器。该框架在二元检测中F1分数达0.985，AUC为0.997，九类分类中宏平均F1为0.700，AUC为0.963。Shapley解释显示飞行时间和惯性模态主导判别力，层级聚类表明误分类主要由手势解剖区域驱动。研究证明多模态融合可实现准确、客观、连续的行为监测，为可穿戴辅助心理健康诊断奠定基础。
论文多模态融合可穿戴设备深度学习
推荐理由：这个研究用腕带传感器加深度学习，检测拔毛、抠皮这类小动作，F1到0.985，比单模态准多了，对心理健康监测挺有参考价值。
原文
12:35
12:35官方账号arXiv cs.LG@Mind Lab, :, Vin Bo, Asher Cai, Jingwei Cao, Song Cao, Vic Cao, Amelia Chen, Andrew Chen, Kaijie Chen, Cleon Cheng, Steven Chiang, Kaixuan Fan, Hera Feng, Huan Feng, Arthur Fu, Jun Gao, Pyke Han, Nolan Ho, Ori Hong, Hailee Hou, Piers Hua, Charles Huang, Miles Jiang, Nora Jiang, Yuyi Jiang, Qiuyu Jin, Fancy Kong, Kuss Koo, Jaron Lee, Andrew Lei, Alexy Li, Dawn Li, Lucian Li, Ray Li, Ricardo Li, Smith Li, Theo Li, Allen Lin, Elliot Lin, Fan Lin, Chen Ling, Kairus Liu, Kieran Liu, Logan Liu, Neo Liu, Xiang Liu, Yuxin Lu, Maeve Luo, Pony Ma, Verity Niu, Cole Qiao, Guian Qiu, Vince Qu, Sentry, Niko Song, Vincent Wang, Bo Wu, Rio Yang, Evelyn Ye, Fiona Ye, Ina Ye, Regis Ye, Josh Ying, Atlas Zeng, Danney Zeng, Salmon Zhan, Anya Zhang, Di Zhang, Mia Zhang, Sueky Zhang, Wei Zhao, Ada Zhou, Adrian Zhou, Yuhua Zhou, Juno Zhu, Murphy Zhuang
Macaron-V1是面向体验智能的开源智能体-模型家族，支持部署后持续学习。旗舰版Macaron-V1-Venti基于744B的GLM-5.2底座，搭配聊天、智能体、编程和GenUI四个LoRA适配器。Macaron-V1-Tall基于Qwen3.6（50B）设计，用于本地部署。系统采用模型-框架协同设计和递归自我改进循环，包含UI4A组件原生GenUI框架和智能体RL框架MindForge。在Personal Intelligence、GenUI和通用能力基准上进行了评估。
AI模型Macaron-V1Mixture-of-LoRAGLM-5.2
推荐理由：想了解怎么让模型部署后还能继续学？Macaron-V1用LoRA组合和递归改进做到了，744B大模型加四个专家LoRA，还开源。
原文
12:34
11:57
11:57官方账号arXiv cs.AI@Oluwanifemi Bamgbose, Simon Rosen, Jash Shah, Lindsay Devon Brin, Hoang H Nguyen, Anke Koelzer, Rachel Hansen, Tara Bogavelli, Fanny Riols
arXiv论文提出首个维度级TTS元评估基准，将自然度拆解为10个语言学感知维度，包含860条由语言学家标注的语音样本。基准测试4个MOS预测器和4个Audio-LLM评判器后发现，MOS预测器仅反映声学信号质量，Audio-LLM评判器对特定提示有选择性检测且无法跨维度泛化。两类方法均不能可靠捕捉语言学结构化的语音错误。数据集、标注模式和评估代码已公开。
论文TTSMOSAudio-LLM
推荐理由：做TTS评测的可以看看，这篇把自然度拆成10个维度，实测发现MOS和Audio-LLM都测不全，还公开了数据集和代码。
原文
11:56
11:56官方账号arXiv cs.AI@Hunar Batra, Lachin Naghashyar, Ashkan Khakzar, Philip Torr, Christian Schroeder de Witt, Constantin Venhoff, Ronald Clark
MMDiff是一个多模态模型差分框架，通过训练多模态稀疏自编码器（SAE）来发现和控制多模态大模型（MLLM）的内部特征。该框架支持特征隔离、任务特定特征检测和特征级控制三种用途。研究团队在LLaVA-MORE、PaliGemma 2和InternVL3.5三个模型家族上训练了多模态SAE，并在视觉空间理解、多模态安全和OCR任务上进行了评估。移除MMDiff发现的特征可使空间任务性能平均下降12%、OCR下降17%，多模态安全攻击成功率降低24%，且不影响VQA性能。特征引导在空间和OCR任务上分别比标准单层引导基线平均提升+3.6%和+1.8%。
论文MMDiff多模态大模型稀疏自编码器
推荐理由：想搞懂多模态模型内部怎么运作？MMDiff能找出是哪些特征让模型变聪明，还能精准控制它们，安全性和效果都有数据支撑。
原文
11:55
11:55官方账号arXiv cs.AI@Laurens Samson, Iva Gornishka, Gossa Lô, Yuki M. Asano, Sennay Ghebreab
荷兰研究者提出“Grip on LLMs”评估框架，针对政府场景的荷兰语大模型。该框架涵盖事实性、诚实性、社会偏见、能耗、成本和训练数据透明度六个维度，测试了30多个多语言及荷兰语专用模型。结果显示没有模型在所有维度上表现最佳，高质量模型通常伴随更高能耗和成本，而偏见与两者无关。事实性和诚实性由不同属性决定，高事实性不意味着高诚实性。研究团队发布了面向非技术用户的公开模型概览。
论文Grip on LLMs荷兰语评估基准
推荐理由：荷兰政府项目组做的评估框架，测了30多个模型，告诉你哪个模型在事实性、能耗、成本上表现如何，选型时直接参考。
原文
11:54
11:54官方账号arXiv cs.AI@Alban Puech, Matteo Mazzonelli, Tamara R. Govindasamy, Mangaliso Mngomezulu, Héctor Maeso-García, Thomas Tolhurst, Javad Bayazi, Ali Moeini, Naomi Simumba, Celia Cintas, David Nelischer, Romeo Kienzler, Jonas Weiss, Anna Varbella, Florian Dörfler, Gabriela Hug, Martin Mevissen, Juan Bernabé-Moreno, François Mirallès, Hendrik F. Hamann, Etienne Vos, Thomas Brunschwiler
GENCO（几何神经校正优化器）是一个统一神经求解器，用于稳态输电网分析，涵盖潮流（PF）、最优潮流（OPF）和状态估计（SE）。在PFDelta和OPFData基准上，GENCO在大规模PF中比牛顿-拉夫逊法快30倍，同时匹配DC-PF的功率平衡残差。在OPF中，它比IPOPT快85倍，并提高了可行性和最优性。在SE中，GENCO对噪声和参数误差的鲁棒性优于加权最小二乘法。配套的开源GridFM开发框架和百万级数据集支持可复现的基准测试。
论文GENCOGridFM电力系统
推荐理由：电力系统工程师看过来：GENCO一个模型搞定潮流、最优潮流和状态估计，比传统求解器快几十倍，还开源了框架和数据集，想上手试试的别错过。
原文
11:53
11:53官方账号arXiv cs.AI@Derin Gezgin, Jim O'Connor, Tanner Goodwin, Gary B. Parker
DSLE是一个容器化平台，将《黑暗之魂：重制版》的22个Boss战作为Gymnasium风格基准。DSLE-5子集包含5个代表性Boss，用于评估随机策略、专家系统、进化基线和PPO/DQN智能体。专家系统和进化基线分别以63%和43%的胜率击败教程Boss，但其他方法均未击败其余Boss。PPO和DQN在教程Boss上胜率最高仅0.33%，其余为0%。研究通过生存时间和伤害量报告失败案例。
论文DSLEDark Souls强化学习
推荐理由：想测强化学习在硬核动作游戏里的极限？DSLE把黑暗之魂Boss战变成基准，PPO和DQN连教程Boss都打不过，看看专家系统怎么赢的。
原文
11:52
11:52官方账号arXiv cs.AI@Congfeng Cao, Pengyu Zhang, Jelke Bloem
本文系统研究了思维模式融合（TMF）训练中思考与非思考模式的数据比例和训练调度对数学推理的影响。作者构建了包含多种数据比例和三种训练调度的基准测试，发现增加非思考监督比例会降低思考模式准确率，两者存在不对称交互。不同训练调度可调节这种权衡，最优调度取决于数据比例。研究还量化了两种模式监督间的负相关，为TMF训练设计提供实践指导。代码和数据已在Fusion Bench开源。
论文TMF数学推理训练调度
推荐理由：想搞懂思考模式和非思考模式怎么配比训练？这篇论文用数学题做了系统实验，告诉你数据比例和调度怎么影响推理准确率，还开源了基准。
原文
11:51
11:51官方账号arXiv cs.AI@Björn Engdahl, Adrian Kosowski, Jan Chorowski, Zuzanna Stamirowska, Przemysław Uznański, Junlin Jiang, Rohan Phadke, Remigiusz Kinas, Richard Zhong
BDH-CQ 是一种结合上下文学习与循环潜在推理的推理模型，推理时输入持续更新模型记忆，并在高维潜在空间迭代计算，不输出中间推理过程。在 ARC-AGI-1 公开评测集上，150M 参数配置达到 29.5% pass@2，单任务推理成本仅 0.0007 美元。该结果突破了 ARC-AGI-1 此前报告的成本-准确率帕累托前沿，树立了新的基准成本效率标杆。研究还通过受控 ARC 干预实验，分析了模型从演示中学习的内容、应用推断变换的一致性及难点概念。
论文BDH-CQARC-AGI-1推理模型
推荐理由：这个模型用循环潜在推理做上下文学习，150M 参数在 ARC-AGI-1 上花 0.0007 美元就拿到 29.5% 的 pass@2，性价比直接刷新纪录，值得看看它怎么做到的。
原文
11:48
11:48官方账号arXiv cs.AI@Wanying Qu, Qinghua Mao, Yu Li, Jiyao Liu, Xin Zhang, Dadi Guo, Yanxu Zhu, Qingyu Liu, Leitao Yuan, Xi Lin, Shanfeng Zhu, Yanwei Fu, Jing Shao, Xia Hu, Dongrui Liu
SHE框架将智能体安全机制分解为系统提示、规则库、安全记忆和工具策略四个组件，每个组件有明确的安全职责。该框架通过归因引导的进化循环，将轨迹失败转化为结构化诊断，并学习组件特定的边界优化。在Agent-SafetyBench上，SHE相比静态SafeHarness将攻击成功率降低3.1倍，同时提升良性效用。进化后的安全机制在AgentHarm基准上泛化到未见风险，并无需额外进化即可跨智能体模型迁移。
论文SHELLM智能体AI安全
推荐理由：SHE把智能体安全从模型权重扩展到运行框架，分解成四个可独立进化的组件，实测攻击成功率降3.1倍，还能跨模型迁移，搞AI安全的值得看看。
原文
11:47
11:47官方账号arXiv cs.AI@Yapeng Liu, Yuanzhao Zhai, Bo Ding, Huaimin Wang, Lin Wang
arXiv 新论文提出能量结构潜在世界模型（ELWM），将能量和动量显式编码进潜状态，通过耗散和控制端口保证严格因果转换。基于 RGB-D 和惯性交互历史训练，ELWM 确保预测物理一致。配套的物理条件神经时间场（PC-NTF）通过 Eikonal 方程集成到到达时间场，生成导航策略。在跨场景评估中，PC-NTF 将 0.8 秒运动预测 NRMSE 从 0.36 降至 0.29，导航成功率从 81.3% 提升至 89.7%，SPL 从 0.64 升至 0.73，物理碰撞率从 12.1% 降至 5.8%。
论文ELWMPC-NTF运动规划
推荐理由：这篇论文把物理规律直接塞进潜空间，导航成功率涨了 8 个点，碰撞率砍半，做具身智能的值得看看。
原文
11:46
11:46官方账号arXiv cs.AI@Abraham Gonzalez, Raghav Gupta, Akanksha Jain, Hanna Alam, Alexander Novikov, Po-Sen Huang, Matej Balog, Marvin Eisenberger, Sergey Shirobokov, Ngân Vũ, Hank Levy, Borivoje Nikolić, Sagar Karandikar, Martin Dixon, Parthasarathy Ranganathan
ArchAgent v2 将自动化微架构搜索扩展到多级数据预取。它引入级联进化搜索，按缓存层级依次进化和冻结预取器，并加入硬件可实现性反馈回路，在进化过程中实时估算硬件规模。在 DPC4 规则下，ArchAgent v2 自动设计的三级预取器比人工设计的冠军方案表现更好，几何平均 IPC 较基线提升 3.8%，较前冠军 BertiGO 提升 0.3%。在低带宽单核配置下，其性能提升达 4.6%，而 BertiGO 仅为 2.6%。
论文ArchAgentDPC4数据预取
推荐理由：AI 自动设计芯片预取器，居然跑赢了 DPC4 冠军方案，单核低带宽下提速 4.6%，搞硬件架构的值得看看。
原文
11:45
11:45官方账号arXiv cs.AI@Diandian Zhang, Tingyu Song, Lin Fu, Zheyuan Yang, Yilun Zhao
Sci-VBench 是一个评估科学领域视频生成的新基准，包含 1,253 个专家标注示例，覆盖 60 个主题和四个学科。该基准要求模型生成具有科学推理和知识基础的视频，而非仅表面视觉合理性。研究显示，非专家评估者和 MLLM-as-Judge 系统与专家判断有较高一致性。对 16 个模型的测试发现，自动感知质量分数相近，但提示接地和科学因果正确性差异显著，且专有模型与开源模型差距明显。这表明视觉真实性的进步尚未转化为对科学和因果动态的可靠建模。
论文Sci-VBench视频生成科学推理
推荐理由：想知道视频生成模型在科学推理上有多靠谱？这个新基准测了 16 个模型，发现视觉好看不等于科学正确，专有和开源差距不小。
原文
11:44
11:44官方账号arXiv cs.AI@Alexander Panfilov, David Schmotz, Ilia Shumailov, Luca Beurer-Kellner, Joachim Schaeffer, Ameya Prabhu, Jonas Geiping, Maksym Andriushchenko
精选76°
Anthropic、OpenAI和Google等主流LLM提供商将推理轨迹加密后返回客户端，但研究发现这些加密块在会话、用户和模型间可互换。攻击者将加密轨迹注入同提供商的较弱模型，可强制其明文输出推理内容，无需直接越狱更强模型。通过解码315,320个推理块，研究者恢复了367个PII和182个凭证。该漏洞还支持隐形提示注入，可污染智能体部署。论文提出加密和系统级缓解措施。
论文推理模型AI安全Anthropic
事件专题
推荐理由：这篇论文揭露了Anthropic、OpenAI和Google推理加密的漏洞，能跨模型解密，还挖出大量隐私数据，搞AI安全的必看。
原文
11:43
11:43官方账号arXiv cs.AI@Mahvish Nagda, Jihyeon Lee, Matthew Thompson, Chunjong Park, Tim Strother, Valentin Liévin, Roma Ruparel, Akshay Goel, Teya Bergamaschi, Suhana Bedi, Meet Shah, Pavel Dubov, Liviu Panait, Toshiyuki Fukuzawa, Sam Schmidgall, Craig Schiff, Joseph Xu, Aliya Rysbek, Yana Lunts, Jan Freyberg, Rebecca Hemengway, Sunny Virmani, David Racz, Carey Radebaugh, Joëlle Barral, Kavi Goel, Dale R. Webster, Katherine Chou, Avinatan Hassidim, Yossi Matias, James Manyika, Gregory Wayne, Tao Tu, Yun Liu, Ethan Goh, Christina Chen, Ryutaro Tanno, Po-Hsuan Cameron Chen, Mike Schaekermann, Anil Palepu
71°
谷歌研究团队推出AMIE（Video），一个基于Gemini的多智能体系统，支持低延迟对话、临床推理和实时视听感知。在包含30名初级保健医生、15名患者演员和100个临床场景的随机OSCE研究中，AMIE（Video）在病史采集、诊断、管理和体格检查方面与医生评分相当或更优。患者演员更偏好AMIE的病情评估和解释方式，但医生在建立融洽关系和伙伴关系上更受青睐。模态消融显示，患者更偏好视频界面而非纯文本聊天。研究指出在精细解剖精度、细微情感表达和高频动作方面仍有局限。
论文AMIEGemini医疗AI
推荐理由：谷歌把医疗AI做到视频问诊了，AMIE视频版在100个临床场景里和真人医生打平甚至更好，患者还更喜欢它的解释方式，想看看AI看病到底行不行可以读这篇。
原文
11:42
11:42官方账号arXiv cs.AI@Rohan Bhagra, Mahantesh Halapannavar, Uddhav Bhattarai
该论文提出在机器人规划与执行之间加入LLM驱动的验证层，评估动作的可行性。采用LLM-as-a-Judge集成，结合多模型链式推理与专家输出合成，类似专家混合与自一致性方法。该层作为中间件，在计划到达MCP服务器前进行门控，支持批准、拒绝或升级人工审查。系统在批准/升级/拒绝类别上达到近85%的精确度，对对抗性攻击的遏制率达97%。错误主要出现在升级边界，接受与拒绝任务间的误差可忽略。
论文Agentic HarnessesLLM-as-a-Judge机器人自主性
推荐理由：这篇论文给机器人规划加了个AI裁判，能拦下不安全或不合规的动作，对抗攻击遏制率97%，做机器人安全的值得看看。
原文
11:41
11:41官方账号arXiv cs.AI@Yifeng He, Jicheng Wang, Yinzhe Zhao, Jiachen Liu, Hao Chen
arXiv 论文提出自主研究智能体的 generate-and-rank 范式忽略了稀疏反馈问题。研究者认为其控制循环与灰盒模糊测试器一致，需在每次实验暴露廉价密集的认知进步信号。该信号应指导下一步干预，使智能体搜索而非重复采样，最终验证仍需保护性证据避免自适应复用。论文提出测试候选信号预测验证进步、反馈导向搜索比重复采样单位成本更多验证发现、保护性验证减少假发现。
论文自主研究模糊测试反馈架构
推荐理由：这篇论文把自主研究比作模糊测试，点出反馈架构才是瓶颈，不是生成。想搞懂 AI 科研智能体该往哪走，值得一看。
原文
11:40
11:39
11:39官方账号arXiv cs.AI@Zichao Yu, Chengzhi Yu, Shengze Xu, Yujin Han, Bingqing Jiang, Xu Wang, Difan Zou
精选
在线策略蒸馏（OPD）是LLM后训练的核心环节，但存在退化一致性问题：学生通过重复循环获得与教师近乎完美的token一致，但整体回答有缺陷。论文将焦点转向师生不匹配，发现不匹配token分为学生多余和学生缺失两类。提出的TIDE方法采用有界Hellinger整形抑制多余token，并通过教师top-K注入恢复缺失token的概率质量。在Qwen3多个师生对上的数学推理基准中，TIDE优于标准OPD及近期基线，在强不匹配场景下Avg@8从6.9%提升至20.3%，平均响应长度缩短3.6倍。
论文TIDE在线蒸馏Qwen3
推荐理由：这篇论文讲了个反直觉的事：蒸馏时师生token一致反而可能有害。TIDE方法在数学推理上把准确率从6.9%拉到20.3%，还让回答短了3.6倍，值得做LLM后训练的人看看。
原文
11:38
11:37
11:36
11:36官方账号arXiv cs.AI@Haoyu Yang, Meixing Shi, Zengjie Chen, Haoran Sun, Haitao Leng, Xiaoming Shi, Yuxiang Cai, Yankai Jiang
MedPixel是一个统一的医学像素-语言模型，通过共享的语言-掩码接口连接临床语言、视觉推理与像素级定位。研究团队构建了MedPLG-440K数据集，包含约44万个像素-语言任务样本，通过临床驱动的合成流程生成，无需外部LLM标注。模型采用联合多任务监督微调和像素级偏好优化训练，后者利用真实掩码作为离线验证器，从掩码质量推导响应偏好。MedPixel支持显式定位、隐式推理、空间交互、可解释分割和医学VQA等任务，在像素级预测和响应生成上均表现强劲，并具备对零样本外部基准和模糊空间提示的鲁棒性。
论文MedPixel医学图像分割视觉语言模型
推荐理由：医学图像分割和语言模型终于打通了，MedPixel一个模型搞定定位加问答，还自带44万样本的数据集，搞医学AI的值得看看。
原文
11:26
11:26官方账号arXiv cs.AI@Ghanshyam Verma, Simanta Sarkar, Devishree Pillai, Hotaka Shiokawa, Yourong Xu, Fiona Veazey, Peter Hubbert, Hui Su, Paul Buitelaar
KGCaRe是一种混合方法，结合神经检索与符号推理，通过多提示提取策略从文档构建知识图谱并存入图数据库，同时将文档嵌入向量库。它采用LLM引导的迭代图遍历提取相关三元组，并在初始遍历不足时利用线索实体再次遍历。在Mistral、Mixtral、GPT-3.5和GPT-4o等多个LLM上，KGCaRe在两个复杂条件问答数据集上持续优于Vanilla LLM、Vanilla RAG、Think-on-Graph等基线。该方法已公开软件管道。
论文KGCaRe知识图谱RAG
推荐理由：KGCaRe把知识图谱和RAG结合，复杂条件问答比普通RAG更准，多个模型上都赢了，代码也开源了。
原文
11:24
11:24官方账号arXiv cs.AI@Pinzhen Chen, Koel Dutta Chowdhury, Xiaoya Xu, David Tan, Doreen Osmelak, Ona de Gibert, Ariun-Erdene Tumurchuluun, Ashok Urlana, Fedor Sizov, Hale Sirin, Jesujoba Alabi, Karrar Talib Abed, Mateusz Klimaszewski, Nikolay Bogoychev, Niyati Bafna, Patricia Schmidtova, Preksha Manjunath Shanbhag, Sherrie Shen, Vilem Zouhar, Vivek Iyer, Yasser Hamidullah, Yusser Al Ghussin, Zheng Zhao
Cultivar 是一个基于 FLORES 的本地化翻译基准，用于评估模型在特定地区文化语境下的翻译能力。该基准通过源语言对比设计，将未本地化版本与本地化版本配对，以检测数据污染和本地化鲁棒性。研究对 32 个开源权重模型进行测试，发现机器翻译专用模型鲁棒性较差，部分模型可能过拟合 FLORES，且模型普遍更擅长翻译美国内容而非其他地区内容。
论文CultivarFLORES翻译基准
推荐理由：想测翻译模型有没有背答案？Cultivar 用本地化对照来抓数据污染，32 个开源模型跑下来，发现 MT 专用模型反而更脆，美国内容翻译得最好。
原文
11:18
11:18官方账号arXiv cs.AI@Puyu Zeng, Simeng Qin, Jingzhi Li, Ju Jia, Zheli Liu, Xiaojun Jia
精选
ColluSkill是一种针对LLM智能体技能扫描器的对抗性攻击框架，通过将恶意意图分解为多个独立包装的技能子负载，利用上下文依赖和工件传递在运行时组合成有害工作流。实验显示，在六个代表性技能扫描器上，ColluSkill平均攻击成功率达96.0%，显著优于单技能和多技能攻击基线。为防御此类攻击，研究者提出ChainGuard，一种上下文感知的技能链扫描器，通过重建跨技能依赖和工件流将攻击成功率降至22.5%，同时允许99.5%良性工作流通过。该研究揭示了现有技能扫描器仅检查单个技能的安全盲区，强调链级安全分析对智能体技能生态系统的重要性。
论文ColluSkillChainGuard智能体安全
推荐理由：这篇论文讲了一个新攻击思路：把恶意技能拆成多个看似无害的小技能，组合起来就能绕过扫描器。还给了防御方案ChainGuard，做智能体安全的人值得看看。
原文
11:17
11:17官方账号arXiv cs.AI@Hasan Mahmud, Khawaja Abaid Ullah, Mohammad Javad Khojasteh, Jamison Heard, Prabu David
该论文检验了LLM作为社交评判者的有效性，基于10个心理和关系构念构建了3层人格画像（社交吸引、混合、不吸引）。研究1中，34个LLM对12个画像进行3次重复评分，表现出高稳定性和一致的3层排序。研究2通过6对匹配姓名和代词及仅代词测试，未发现性别呈现的显著影响。研究3中198名人类参与者的评分复现了3层结构，但LLM对吸引画像评分更积极、对不吸引画像更消极。
论文LLM社交吸引力人格画像
推荐理由：想知道AI能不能当靠谱的社交裁判？这篇用34个模型和198个人类实测对比，结论挺有意思。
原文
11:16
11:16官方账号arXiv cs.AI@Nathan Godey, Yoav Artzi
精选
Matryoshka训练框架将500M、1.5B和3B三个子模型堆叠进单一嵌套架构，端到端训练。相比独立训练基线，该套件在基准性能和困惑度上持平，但训练计算量减少36%。嵌套结构天然支持投机解码，吞吐量提升14-26%。论文还消融了关键架构选择，为构建强Matryoshka套件提供指导。
论文Matryoshka语言模型训练效率
推荐理由：想省训练算力又不想掉性能？这个嵌套训练法把三个模型塞一个架构里，直接省36%算力，还顺带加速推理，值得一看。
原文
11:15
11:15官方账号arXiv cs.AI@Kevin Murphy
Model Discovery Agent (MDA) 将大语言模型作为候选结构提议器，与序贯蒙特卡洛、模拟推断和价值信息等贝叶斯方法结合，用于从少量干预实验中学习因果机制模型。MDA 在 M-open 设定下运行，当真实模型超出假设类时，预测检查会触发提议器扩展假设空间。在物理、化学和生物学三个基准上，MDA 实现了数据高效的模型学习和可靠的干预预测，创下新 SOTA。
论文Model Discovery Agent贝叶斯实验设计因果模型
推荐理由：想用最少实验搞清楚因果机制？MDA 把 LLM 和贝叶斯结合，自动设计实验、发现模型，物理化学生物三领域都刷新了纪录。
原文
11:13
11:11
11:11官方账号arXiv cs.LG@Fan Yang, Nan Chen, Yijie Dong, Yuchen Zhang, Wei Zhang
AirFlow 是一个面向空气质量预测的污染物感知双流框架，针对不同污染物通道在周期性和分布漂移上的差异，设计了统计引导的归一化路由机制，根据24小时自相关和分布漂移为每种污染物选择归一化路径。其分层双流状态模型结合多尺度状态空间传播与可学习响应系数，通过门控双向交叉注意力交换信息并自适应融合表示。在多个城市真实数据上的实验中，AirFlow 在36项指标对比中取得34项最优，相比最先进基线将均方根误差最多降低11.11%。该模型仅需0.0483M参数和0.0215G FLOPs，在保持高预测精度的同时计算开销极低。
论文AirFlow空气质量预测多尺度状态模型
推荐理由：空气质量预测的新方法，AirFlow 用双流结构分别处理不同污染物的变化节奏，36项指标赢34项，参数还不到5万，轻量又准。
原文
11:10
11:10官方账号arXiv cs.LG@Akash Gogineni, Nagur Shareef Shaik, Aasrith Mandava, Adnan Masood, Dong Hye Ye
C²A是一种新的分类头，将池化视为对学习到的每类空间注意力图的期望，为每种疾病生成局部描述符。它通过从经验标签共现初始化的可学习图耦合这些描述符，并用单次残差消息传递在相关发现间共享证据。在CheXpert上，C²A的宏平均AUROC达到0.895，优于先进上下文门控基线。增益集中在共现度高且空间证据模糊的类别上，如肺不张比GCG高出1.5个百分点，且仅增加一个线性投影和C×C边矩阵的开销。
论文C²ACheXpert多标签分类
推荐理由：胸片多标签分类老问题，C²A用共现先验加注意力，CheXpert上0.895 AUROC，比GCG强，开销还小，值得搞医学影像的看看。
原文
11:09
11:09官方账号arXiv cs.LG@Ange-Clément Akazan, Ineza Remy Mugenga, Abebe Geletu, Jean Medard Ngnotchouye, Issa Karambal
ReliableNet 提出一种新的训练方法，直接约束模型同时自信且预测错误的联合概率（JCW），使其低于用户设定的风险预算 α。该方法将问题建模为机会约束的经验风险最小化，并用保守光滑内近似保证可行性。在四个表格和两个图像数据集上，ReliableNet 是唯一在所有分布内数据集和随机种子下满足 JCW 预算的方法。在多种分布偏移下，它取得最低的经验 JCW，同时保持较高的准确率和校准性能。
论文ReliableNet可信分类机会约束
推荐理由：想减少模型自信犯错？ReliableNet 直接约束这种错误率，比校准和选择性预测更稳，测试里表现最好。
原文
11:08
11:07
11:07官方账号arXiv cs.LG@Nagur Shareef Shaik, Jeongwoo Park, Yeong-Jin Kim, Jaeuk Jung, Hyunjung Oh, Dong Hye Ye
视网膜眼底图像常同时存在多种病理，但标准深度学习分类器对所有图像施加静态相同计算。研究者提出新架构，结合引导上下文门控空间注意力和稀疏路由专家混合模块，实现可解释的数据驱动分解。专家分配显著依赖疾病，健康状态和形态学上不同的病理隔离到专属专家。在五类患者分离的5折交叉验证中，模型达到0.912±0.008宏AUC和0.653±0.014宏F1。Grad-CAM++和t-SNE可视化证实专家路由与局部病灶对齐，并将共病案例映射到其组成簇之间。
论文视网膜MoE稀疏路由
推荐理由：这篇论文用稀疏MoE做视网膜多病分类，专家分配能对应具体病灶，宏AUC到0.912，搞医学影像的可以看看。
原文
11:06
11:06官方账号arXiv cs.LG@Jakub Kacper Szeląg, Aydin Abadi, Mohammad Naseri
该论文提出去中心化问题，指计算机通信系统中缺乏普遍接受的定义。作者引入基于图的本体论，将去中心化定义为关系性和主体特定属性，并区分于分布。提出两个新指标：Void Tolerance和Imperviousness，用于评估系统。提供浏览器实现，可自动分类和计算任意系统的指标。在联邦学习和区块链架构上的实例验证显示一致、可比较的评估结果。
论文去中心化本体论联邦学习
推荐理由：这篇论文给去中心化下了个清晰定义，还搞了两个新指标，能自动算系统去中心化程度。搞联邦学习或区块链的可以看看，比之前那些模糊说法靠谱。
原文
11:04
11:04官方账号arXiv cs.LG@Xinyi Xu, Bingnan Xiao, Shuang Qin, Gang Feng, Tony Q. S. Quek
联邦学习中的LoRA微调通常将更新矩阵分解为A和B两个因子。本文通过最小二乘代理模型分析发现，共享A保留本地B（Share-A/Local-B）要求客户端更新矩阵共享输入侧秩r空间，而共享B保留本地A（Share-B/Local-A）则要求共享输出侧秩r空间，两种策略投影残差不同。据此提出FedAS-LoRA，在训练前用Rank-Aware Shared-Subspace Sufficiency（RSS）指标评估共享子空间充分性，自动选择共享侧。实验覆盖不同任务、数据分布、LoRA秩和参与率设置，验证了RSS有效性和FedAS-LoRA的优越性能。
论文LoRA联邦学习FedAS-LoRA
推荐理由：联邦学习调LoRA的朋友看这篇，它告诉你A和B该共享哪个，还给了个训练前就能算的指标，省得瞎试。
原文
11:03
11:03官方账号arXiv cs.LG@Mona Furukawa, Sai Hyne, Daniel R. McGowan, Bartłomiej W. Papież
该研究利用深度学习基于PET/CT影像预测非小细胞肺癌的EGFR、TP53和KRAS基因突变。实验采用英国新型放射基因组学队列，比较成对多标签学习与单基因分类的效果。联合预测KRAS和TP53将AUC从0.58提升至0.64（KRAS）和从0.69提升至0.71（TP53）。EGFR/KRAS对中仅EGFR受益，而EGFR/TP53对无改善。结果表明多标签学习的有效性取决于特定突变组合，提示需采用突变特异性建模策略。
论文PET/CTNSCLC多标签学习
推荐理由：想用影像预测基因突变？这篇论文告诉你多标签学习不是万能药，KRAS和TP53联合预测能提AUC，但EGFR组合就没用，得看突变配对。
原文
11:02
11:02官方账号arXiv cs.LG@Yu Liu, Jan Kronqvist, Fabricio Oliveira
arXiv 上发布了一篇论文，探讨在数学优化问题中使用输入凸神经网络（ICNN）替代传统前馈神经网络（FNN）作为代理模型。ICNN 的凸结构在混合整数规划（MIP）中能产生更紧的线性规划（LP）松弛，有时甚至无整数间隙。论文提出了一种基于分支定界的算法，直接在输入变量上分支，并在特定条件下于根节点终止。在人道主义食品援助、油井路线和葡萄酒调配的案例研究中，ICNN 代理在求解时间和可扩展性上优于 FNN。
论文ICNN输入凸神经网络混合整数规划
推荐理由：这篇论文给做优化的人提了个新思路：用 ICNN 当代理模型，比传统 ReLU 网络算得快，还更稳。
原文
11:01

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」）。