OpenAI 模型与 Codex 工作流将上线 Google Cloud
OpenAI 宣布与 Google Cloud 合作，将旗下前沿模型和 Codex 工作流引入 Gemini 的 Model Garden。相关能力将通过 Google Cloud Marketplace 正式提供给用户。
推荐理由：原文给出了两家厂商的合作渠道，读者可以了解前沿模型与开发工作流在多云环境下的接入选项。
全部AI 动态
全部动态
今日 73 条OpenAI News精选AI 评分7777 Google AI BlogAI 评分4949 Google 发布 e-Conomy SEA 报告：东南亚数字经济规模将达 3680 亿美元
Google、淡马锡与贝恩联合发布的第 11 期 e-Conomy SEA 报告显示，生成式 AI 的广泛应用正推动东南亚数字经济 GMV 同比增长 17% 达到 $368B。目前该地区已有 2.43 亿人使用生成式 AI，普及速度是移动互联网的 4 倍，且 75% 的用户愿意让 AI Agent 自主比价并代为下单。报告预计在智能体商业推动下，未来 5 年该区域 AI 使用量将激增 60 倍。
NVIDIA BlogAI 评分4848 欧洲领军企业采用 NVIDIA Vera CPU 构建本地基础设施
Nebius、Nscale 与 Verda 等欧洲 AI 云服务商正采用 NVIDIA Vera CPU 构建新一代基础设施，以加速智能体计算中的信息检索与代码执行。
NVIDIA Blog精选AI 评分6969 NVIDIA 扩展开源 Agent Toolkit，推出 Agent Knowledge Foundation 与 Kumo 模型家族
NVIDIA 扩展开源工具包 Agent Toolkit，推出涵盖数据工具、开放模型与运行环境的企业智能体全栈方案。
推荐理由：原文梳理了企业智能体从数据接入到安全运行的技术栈，有助于工程团队评估落地架构。
NVIDIA BlogAI 评分4343 NVIDIA 机密计算扩展支持机密裸机部署
NVIDIA 扩展其机密计算（NVIDIA Confidential Computing）技术，推出新部署选项机密裸机（Confidential Bare Metal），让前沿模型构建者能在第三方专用基础设施上安全运行敏感工作负载。
NVIDIA BlogAI 评分4646 欧洲工业领袖借助 NVIDIA 重塑工程与制造流程
欧洲工业企业正全面采用 NVIDIA CUDA-X、Omniverse 以及 Cosmos 与 Nemotron 开源模型重塑工程与制造，NVIDIA 工厂运营蓝图（FOX）也已在 GitHub 提供抢先体验。
NVIDIA BlogAI 评分5151 NVIDIA 欧洲云合作伙伴扩展算力生态，推进主权计算与安全 AI Agent
NVIDIA 宣布欧洲多国云合作伙伴正在加速扩展区域 AI 算力基础设施，依托新一代硬件支持主权 AI 计算、开源生态以及安全 AI Agent 部署。
NVIDIA Blog精选AI 评分6262 Google Cloud 与 NVIDIA 宣布 Vera Rubin 云基础设施 A5X 实例下月全面可用
Google Cloud 与 NVIDIA 宣布基于 NVIDIA Vera Rubin 架构的 A5X 实例将于下月正式全面可用，面向大规模强化学习和智能体推理负载，并计划拓展至欧洲。
推荐理由：原文给出了 Rubin NVL72 机架在云端的软硬件集成与多站点部署规划，有助于读者了解前沿强化学习所需的工程算力演进。
NVIDIA Blog精选AI 评分7373 NVIDIA 扩展本地 AI 硬件与软件生态：发布 DGX Spark 64GB 并推出多款本地模型支持
NVIDIA 在 GTC Berlin 集中展示本地 AI 硬件全线进展，涵盖面向 PC 智能体的 RTX Spark、面向开发者的 DGX Spark 以及面向企业的 DGX Station。
推荐理由：原文公布了面向个人与企业的多档本地算力方案与适配模型，有助于开发者评估将智能体完整下沉至本地运行的技术可行性。
NVIDIA Blog精选AI 评分7373 黄仁勋 GTC Berlin 发布 DSX POD 模块化数据中心与 OpenShell 智能体安全架构
NVIDIA 创始人兼 CEO 黄仁勋在 GTC Berlin 主题演讲中发布了模块化数据中心参考设计 DSX POD，以及面向智能体安全的 NVIDIA OpenShell 参考架构。
推荐理由：原文集中呈现了从模块化硬件部署到智能体安全沙箱的完整基础设施方案，有助于了解端到端落地路径。
NVIDIA Blog精选AI 评分8181 NVIDIA 扩展开源模型矩阵，发布 Nemotron 3.5、Kumo 等多领域模型
NVIDIA 扩展了覆盖语言、结构化数据、机器人、生物学和量子计算的开源模型家族，推出 Nemotron 3.5 Super VL、Nemotron 3.5 Bolt、Kumo 及 Cosmos 3.5 等多领域基础模型。
推荐理由：文章系统梳理了覆盖语言、物理模拟与生物计算等领域的开源模型矩阵，读者可借此了解不同垂直业务场景下的模型选型与落地路径。
arXiv quant-phAI 评分1414 具 Kerr 非线性的各向异性 Dicke 量子电池中的稳定储能与相变研究
研究人员探讨了具有 Kerr 非线性的各向异性 Dicke 量子电池中相变对充电过程的影响。研究发现，在多重近似简并区域之外，稳定储能主要受遍历-非遍历相变控制，而在该区域内则由一阶和二阶耗散相变主导。研究还结合强化学习优化了量子电池的充电过程，为基于内禀相变行为调控与提升量子电池性能提供了可行路径。
arXiv quant-phAI 评分2323 动态量子网络中的并发纠缠提纯调度研究
针对动态量子网络中多请求竞争链路容量与量子存储的问题，研究团队提出了基于混合整数线性规划（MILP）以及 DQN、PPO 和 SAC 的强化学习（RL）纠缠提纯调度器。
arXiv stat.MLAI 评分2929 基于 McKean-Vlasov FBSDE 的软路径定律约束生成动力学学习框架
研究人员提出了一个结合软定律约束与路径相关监督的统一框架，用于从分布观测和离散轨迹中学习随机动力学。该方法将任务形式化为离散路径相关的 McKean-Vlasov 控制问题，其最优化系统表现为带有条件伴随跳跃的 McKean-Vlasov 前向-后向随机微分方程（FBSDE），并配备了因果表征的神经求解器。
arXiv stat.MLAI 评分2727 针对带对抗性污染的异方差广义线性多臂老虎机的高效近似最优算法
研究者提出 HCW-GLB-OMD 算法，用于解决带对抗性污染的异方差广义线性老虎机问题。该算法将基于在线镜像下降（OMD）的估计器与基于 Hessian 矩阵的置信权重相结合。
arXiv stat.MLAI 评分3535 用于时间序列预测的鲁棒残差修正框架 CRC：通过选择性部署降低预测误差
研究者提出了时间序列预测的鲁棒残差修正框架 CRC，将混合修正器与验证集校准的选择性部署规则结合。该方法采用保守的岭回归基底加条件非线性细化，仅在留出集证据表明可降低误差时才应用修正，避免弱信号下的过拟合。在标准长序列基准测试中，CRC 改善了多数数据集的平均 MSE 和 MAE，并在 Traffic 数据集上实现了超过 20% 的相对 MSE 降低。
arXiv stat.MLAI 评分3636 Wasserstein 鲁棒分类误差：代理损失不对齐与分布攻击
研究证明只有当损失函数为 0-1 损失的正倍数加标签相关偏移时，按 WDRO 风险排序才等价于按鲁棒准确率排序；在交叉熵等损失下，具备完美鲁棒准确率的假设反而可能承受更高 WDRO 风险。
arXiv stat.MLAI 评分2626 临床预测模型效用评估：决策曲线分析与成本曲线的比较
决策曲线与成本曲线是评估临床预测模型在不同决策阈值下净收益与损失的两种方法，研究证明决策曲线与名为 Brier 曲线的特定成本曲线密切相关。在任意给定阈值下，决策曲线所用的净收益与 Brier 曲线所用的 Brier 损失始终会选出相同的最优模型。论文还提出以上包络决策曲线展示通过重新校准可获得的最大净收益。
arXiv stat.MLAI 评分3636 《联邦学习：从理论到实践》（Federated Learning: From Theory to Practice）新书发布预印本
《联邦学习：从理论到实践》新书预印本上线 arXiv，全书共 252 pages，系统介绍如何构建保护隐私且可扩展的联邦学习系统。该书重点聚焦个性化联邦学习，通过网络带权边编码设备间的任务相似度与通信链路，并将个性化模型训练构建为广义全变差最小化（GTVMin）分布式优化问题。内容面向学生、工程师与研究人员，兼顾图学习与优化理论的数学基础与实践应用。
arXiv stat.MLAI 评分3030 权重空间学习实现可验证少样本迁移学习
研究人员提出一种基于权重空间学习的迁移学习方法，通过生成 PEFT 参数分布为少样本下游任务提供可验证的理论泛化保证。该方法利用扩散模型从上游任务学习 PEFT 参数分布，并在下游数据中通过采样与评估筛选出似然最高的参数。相比神经网络权重典型的连续假设空间，将假设限制在有限样本内能提供更紧的风险认证。
arXiv stat.MLAI 评分3232 利用人类评估挑选前 k 项最优目标：自适应结合评分与成对比较
研究者提出一种自适应算法，通过结合评分与成对比较两种人类评估形式，在有限预算下从候选池中选出前 k 项最优目标。该算法前期利用评分快速筛选，随后通过具有前瞻性的代理目标策略结合成对比较细化排序，并在后期自适应切换至近视策略。理论证明该决策规则具备渐近一致性，模拟实验表明其性能优于现有基准。
arXiv stat.MLAI 评分3434 基于比例包容边际效应（PRIME）衡量变量重要性
研究人员提出一种名为比例包容边际效应（PRIME）的新度量方法，用于衡量统计学与机器学习中的变量重要性。该方法利用新型无模型变量选择技术识别活跃变量，并仅将其纳入计算，克服了比例边际效应（PME）计算成本高且仅适用于确定性模型的局限。测试函数和真实数据集分析表明，PRIME 能准确可靠地从含噪声的输入输出数据中量化变量重要性。
arXiv stat.MLAI 评分3434 基于锚点-正样本-负样本显式耦合的多边缘逆最优传输对比学习
研究人员提出多边缘逆最优传输对比学习方法 Neg-MMIOT-CL，通过设计三元组基础代价将多边缘最优传输全局耦合集中在锚点-正样本-负样本三元组上，有效缓解了传统方法因缺少负样本导致的维度坍塌问题。团队还证明了该方法在特定代价下可呈现神经元坍塌现象，并推出计算效率更高的替代方案 Neg-IOT-CL-PushPull。合成与真实数据集实验表明，该方法性能显著优于现有基于最优传输的对比学习方法。
arXiv stat.MLAI 评分3333 基于 |D| 维稀疏地标嵌入的非 CND 距离度量通用核框架
研究人员提出稀疏地标嵌入（SLE）核框架，通过以全部 |D| 个训练点为中心的紧支撑隆起函数将输入映射为稀疏特征向量，彻底消除了高斯过程等核方法对条件负定（CND）距离的依赖。该方法在任意距离度量下均可证明保持半正定性（PSD），并具备通用逼近能力与计算可控的良态条件。实验显示，SLE 核在使用测地线距离和 Wasserstein 距离时的预测精度与不确定性量化均匹敌或大幅超越领域特定基准。
arXiv stat.MLAI 评分2727 ARISE：用于小样本生物医学组学特征选择的自适应残差知情稳定性集成方法
研究人员提出用于小样本分子分类的特征选择框架 ARISE，结合了相关性信号、类别平衡稳定性评估、残差冗余控制与多分类成对覆盖。在 5 个分子数据集与 21 万次留出评估中，ARISE 在全部 15 组数据集与指标组合中均位列第一。
arXiv stat.MLAI 评分2525 灵活密度聚类的可扩展后验不确定性量化方法
研究提出将基于密度的聚类与鞅后验分布相结合，实现了可扩展的贝叶斯式聚类不确定性量化。该方法通过模型得分函数驱动的完全并行化预测重采样评估密度不确定性，可直接适配归一化流等现代可微密度估计器。在图像与单细胞 RNA 测序数据实验中，该方法在单张 GPU 上数分钟内即可完成计算，并有效恢复有意义的聚类结构。
arXiv stat.MLAI 评分2828 FLEXI-Haz：超越比例风险假设的半参数深度生存推断
研究人员提出了针对右截尾数据的半参数深度神经网络模型 FLEXI-Haz，在对数风险中将可解释的线性部分与时间和调整协变量的灵活函数相结合，允许非比例冗余效应并保留可解释的回归参数。在正则条件下，该模型实现了回归参数的根号 n 一致、渐近正态且半参数有效估计，并能为个体生存概率构建渐近有效的逐点置信区间。模拟与 Rotterdam 乳腺癌数据分析表明，在时变冗余效应下其偏差更低且覆盖率更优。
arXiv stat.MLAI 评分2626 时间序列的贝叶斯非参数动态聚类方法
研究人员提出一种通过在未知数量的线性动态体制间切换来建模无限时间序列聚类演变的方法。该方法将分层狄利克雷过程作为切换线性动态系统参数的先验，并结合高斯过程先验建模各聚类内部的振幅与时间对齐变化，以避免聚类非必要扩散。团队构建了适用于离线与在线场景的变分下界优化推理，并在公开心电图数据库的案例中验证了其有效性。
arXiv stat.MLAI 评分2626 迁移学习中源数据与目标数据的综合价值研究
针对带标签目标数据的监督迁移学习，一项理论研究揭示了收敛速率的二分现象：即最优速率仅由单侧数据决定的“弱迁移”机制，以及结合源数据与目标数据互补信息以实现更快收敛的“强迁移”机制。研究提出了弱/强迁移模数来刻画两类分布关系，并设计出一种无需先验分布知识即可在各机制下保持近乎最优的通用算法。
arXiv stat.MLAI 评分3131 从熵视角看 AI 弹性、极简数据学习与最优控制
研究提出从熵优化视角量化对抗算法，以数学准则证明对抗攻击的全局最优性与唯一性，并构建出能生成最优训练数据点的自攻击学习算法。该算法仅需极少训练数据即可训练复杂系统中的最优控制，且在水动力学和生物医学的真实及合成问题中，模型复杂度大幅降低。其预测性能与复杂度表现超越了提升随机森林、深度神经网络及基于 Transformer 架构的基础模型。
arXiv stat.MLAI 评分3939 用于逻辑与规划任务的候选集扩散模型 Binary Discrete Diffusion
研究者提出了 Binary Discrete Diffusion，一种将每个位置的噪声状态表示为二进制候选 token 集合的连续时间离散扩散模型。该方法通过增删候选集合逐步损失和恢复信息，使扩散状态能显式表达部分未确定的不确定性。
arXiv stat.MLAI 评分2828 神经网络模型更偏好其子模型吗？
研究通过几何框架探讨了神经网络模型是否会偏好其子模型，即损失函数的局部极小值是否落在子模型中。研究表明浅层多层感知机中含未激活隐藏神经元的子网络绝不会被偏好，并给出了深层多层感知机不偏好此类子网络的条件；对于 lightning 自注意力机制，低秩子模型通常也不被偏好。结果指出除少数位于模型边界的特例外，模型对子模型的偏好无法仅通过模型几何结构解释，必须归因于训练动态等其他因素。
arXiv stat.MLAI 评分3030 用于图信号生成的稳定滤波器研究
研究人员针对结合图滤波器与图神经网络的连续时间生成模型，提出了用于图信号生成的稳定滤波器设计框架。该研究推导了量化图扰动对生成信号分布影响的 Wasserstein 稳定性界限，并提供了一类兼具可证明稳定性与信号平滑平衡的多项式滤波器。合成图与真实 fMRI 信号的实验表明，该方法在保持生成性能的同时增强了结构稳定性。
arXiv stat.MLAI 评分3636 合成数据训练何时能在理论上保证有效？
研究探讨了在共享条件标签分布下，使用合成数据训练的二分类器能否成功迁移至真实数据分布。理论表明，当真实分布超出合成数据范围时，合成数据风险无法单独控制真实误差，对抗分类器在合成域误差仅 0.5% 却在真实域达到 99.25% 误差；但在 Lipschitz 条件下仍可恢复迁移误差界。
arXiv stat.MLAI 评分2727 多分类中的最优聚合
该研究将分类器聚合理论推广至多分类场景，证明了在 0/1 损失下最优聚合收敛率与类别数 K 无关。在此损失下，ERM 聚合在模型选择中达到速率最优，在凸聚合中仅相差 sqrt(ln(K)) 因子。针对多项逻辑损失下凸包内正常聚合率随 K 恶化的局限，提出的非正常概率混合聚合恢复了与 K 无关的最优收敛率。
arXiv stat.MLAI 评分3131 在线保形预测在数据流中的实际优势
研究对比了四种序列保形回归方法与加权全保形基准在数据流中的经验覆盖率、区间宽度和计算成本。实验在合成分布偏移与四个真实数据流中表明，同时调整回归模型和保形阈值能显著改善漂移下的覆盖率与宽度权衡。其中分位数追踪方法单步仅需 $O(p^2)$ 时间和内存，且与流长度无关，但在突变后覆盖率可能出现退化。
arXiv stat.MLAI 评分3434 经验去噪器的隐私核算
针对扩散模型采样阶段的隐私损失，研究者构建了免训练的裁剪经验去噪器，通过显式计算单步敏感度实现差分隐私核算。研究发现隐私损失在语义内容形成的关键窗口期急剧上升，据此设计了前段采用私有经验去噪、后段切换至公开神经去噪的混合采样器。CIFAR-10 和 CelebA-64 实验表明，采样时策略同样直接影响扩散模型的隐私性。
arXiv stat.MLAI 评分3131 Pattern Intelligence：基于无监督聚类与 LLM 解读的医疗拒付与少付模式发现系统
研究人员提出了已投入实际部署的系统 Pattern Intelligence，通过无监督方式识别医疗收入周期管理中的系统性拒付与少付模式。该系统将索赔映射为 130 维向量并基于 HDBSCAN 聚类裁定行为，再由大语言模型将聚类中心转化为包含主要程序与失效模式的分析报告。在涵盖约 10K 与 157K 索赔的生产租户评估中，研究发现约三分之一至二分之一的高金额拒付属于无法聚类的长尾问题。
arXiv stat.MLAI 评分2626 用于多视角多队列数据整合的二维增强缩减秩回归方法 BARRR
研究人员提出了用于多视角多队列数据整合的二维增强缩减秩回归（baRRR）方法，填补了现有双维度整合多为无监督且忽略协变量信息的空白。该方法能同时对协变量相关与无关效应进行建模，并在两个维度上分解全局、部分共享和个体层面的效应。仿真实验与 TCGA 癌症数据应用表明，该方法在信号恢复、结果预测及缺失数据填补方面均具备显著优势。
arXiv stat.MLAI 评分2525 用于空间与时空点过程模型的分治神经贝叶斯估计框架
研究者提出了用于空间与时空点过程模型的分治神经贝叶斯估计框架，以解决似然推断计算受限及训练开销大的问题。该方法直接基于原始点模式实现，在时空域分区上采用 Transformer 架构，并通过注意力机制最优组合局部提取的统计摘要。实验表明其具备更优的可扩展性，在科德角湾鲸鱼呼叫数据分析中，训练后的估计器以可忽略的计算成本输出了参数估计与可信区间。