XAI 相关 AI 资讯

8月21日

08:36

Suhail@Suhail

推文指出，OpenAI、Anthropic、XAI 等模型公司没有护城河。Cursor、Windsurf 等集成开发环境（IDE）也没有护城河。Cognition、Factory、LangChain 等工具框架同样缺乏护城河。Replit、Lovable、Bolt 等应用构建工具也没有护城河。Harvey、Abridge、OpenEvidence 等包装器公司也没有护城河。Together、Fireworks、Groq 等推理服务提供商也没有护城河。Sierra、Decagon、ElevenLabs 等语音层公司也没有护城河。Scale、Surge、Mercor 等数据标注公司也没有护城河。Baseten、Modal、Railway 等人工智能基础设施公司也没有护城河。CoreWeave、Lambda、Crusoe 等新型云服务公司也没有护城河。Runway、Higgsfield、Suno 等生成式媒体公司也没有护城河。

行业 OpenAI Anthropic XAI

事件专题

推荐理由：推文作者说，除了风投公司，AI 领域里几乎所有公司，从模型到工具再到基础设施，都没有护城河。

原文

8月7日

12:21

官方账号arXiv cs.AI@Jerzy Stefanowski

该论文指出可解释人工智能（XAI）在评估不足方面的局限性，并以DetoxAI图像识别系统为例说明偏见检测与概念遗忘中的问题。论文展示了一种人工地面评估图像分类解释方法的具体案例，并探讨了在概念漂移下适应解释的方法。作者还分享了为概念漂移问题调整反事实解释的经验，并讨论了数据、模型与解释共同演化带来的追踪挑战。该文已收录于IJCAI-ECAI 2026的EASi研讨会论文集，由Springer CCIS第3107卷出版。

论文 XAI DetoxAI 概念漂移

推荐理由：XAI评估怎么做才靠谱？这篇论文用DetoxAI和概念漂移案例讲清了不足和应对思路，适合搞模型解释的人读。

原文

8月3日

09:48

官方账号arXiv cs.LG@Christian Oliva, Luis F. Lago-Fernández

arXiv 论文提出EPC评分，这是对Explainability-Performance Coefficient的扩展，用模型无关方式量化解释质量，显式平衡特征选择稀疏性与模型性能保持。研究在表格、文本、图像三种模态上做了实证验证，发现EPC能揭示网络激活、数据维度和解释器性能之间的操作依赖。作者将EPC与独立人类解释对比，证明更高EPC评分与人类词汇情感判断及空间视觉注释有强一致性。

论文 EPC 可解释性 XAI

推荐理由：这篇论文给可解释性打分提出了一个新指标EPC，不挑模型，而且拿人类判断验证过，做XAI研究的可以看。

原文

7月28日

12:12

官方账号arXiv cs.AI@Zhenhan Gao, Marvin Muñoz Barón, Umm-e Habiba, Daniel Graziotin, Stefan Wagner

一篇针对34名程序员的用户研究发现，在AI代码审查中提供详细解释（条件A）获得最高信任评分（3.99/5），但仅提供审查反馈（条件B）反而获得最高同意率（89.22%），说明更多解释会促使开发者更频繁地质疑AI建议。无解释（条件C）的信任和同意率均最低。解释程度并未显著影响审查耗时。该研究为设计可信的AI代码审查系统提供了实证依据。

论文 LLMs Code Review XAI

推荐理由：这篇论文告诉你：给AI代码审查加解释，反而可能让人更不听话。详细解释信任高但同意率低，这结论挺反直觉的。

原文

7月13日

10:29

官方账号arXiv cs.AI@Jan Gronewald, Andreas Emrich, Nijat Mehdiyev

本文针对城市矿产预拆除评估中可辩护性需求，提出知识图谱（KG）与可解释AI（XAI）互补解释框架。基于IS资源传统，归纳四种KG-XAI集成模式：Lifting、Constraining、Typing、Revising，每种模式解锁不同的可辩护性属性。以防火门示例展示了基于W3C Linked Building Data栈和估值扩展的具体应用，论述为何单一资源无法满足监管审计要求。

论文 Knowledge Graphs XAI 可解释AI

推荐理由：这篇论文把知识图谱和可解释AI怎么配合讲清楚了，还给出了四种具体集成模式，干城市矿产评估的可以看看。

原文

7月8日

10:16

官方账号arXiv cs.AI@Marcelo Arenas, Pablo Barceló, Diego Bustamante, Jose Caraball, María Alejandra Schild, Bernardo Subercaseaux

论文提出ExplAIner查询语言，可统一表达溯因、对比、特征和距离等多种解释查询。它基于FOIL语言扩展，解决了FOIL无法表达最优性解释查询且决策树评估复杂的问题。ExplAIner的查询评估属于布尔层次结构，对确定性可分解布尔电路可在多项式时间内完成。引入优化片段Opt-FOIL，可通过固定次数SAT求解器调用计算最小解释。

论文 ExplAIner FOIL 可解释AI

推荐理由：这篇论文提出了一种新查询语言ExplAIner，能统一处理各种模型解释查询，还证明计算效率高，对做形式化XAI的人很有用。

原文

6月30日

11:53

官方账号arXiv cs.LG@Nick Oh, Helen Jin

本文指出，后验解释方法常用于解释科学机器学习模型，但仅凭模型可靠（预测匹配结果）和解释忠实（解释匹配模型）不足以证明模型揭示了现象的真实结构。文章强调，两者均未验证模型的工作机制是否与现象本身一致。作者认为，要支持关于现象结构的声明，还需依赖外部佐证，而非仅靠解释链。

论文后验解释可解释性科学模型

推荐理由：这篇论文点出一个关键漏洞：模型准、解释对，不等于模型真懂现象。做AI科学发现的人必看。

原文

6月28日

21:39

小互@imxiaohu

71°

马斯克透露Grok 4.5基于1.5T参数的V9基础模型，并在补充训练中加入了Cursor数据。该模型已在SpaceX和Tesla进入早期测试阶段。初步评估显示其性能接近甚至可能超过Anthropic的Opus模型。马斯克还表示强化学习持续提升模型性能，今年将每月发布完全从头训练的新模型。

AI模型 Grok 4.5 马斯克 XAI

事件专题

推荐理由：马斯克刚发了Grok 4.5，基于1.5T参数的V9模型，还加了Cursor数据，测试阶段就快超过Opus了，值得关注。

原文

6月18日

10:33

官方账号arXiv cs.LG@Antoine Pesenti, Aidan O'Sullivan

该论文使用深度学习（DNN）结合可解释AI（XAI）技术，分析欧洲39个竞价区的电价决定因素。通过SHAP方法和扩展的SSHAP聚合框架量化特征贡献。研究发现太阳能等可再生能源在电价形成中作用突出，尽管其发电占比低；天然气价格仍是主导且一致的驱动因素；跨区域互联显著影响价格动态。论文还构建了一个合成全欧洲统一电力市场的反事实场景。

论文 XAI SHAP DNN

推荐理由：这篇论文用XAI方法拆解了欧洲39个地区的电价驱动力，告诉你太阳能比想象中更重要、天然气还是老大，还模拟了全欧统一电价会怎样。

原文