VerifiedLab：利用已知探索未知
研究人员提出多智能体框架 VerifiedLab，将科研记录转化为主动系统以加速下游应用与未来趋势预测。系统由负责规划、计算证据、起草与可靠性核查的多角色 AI 科学家组成，通过扩展推理期验证计算对记录逐项核验与推理。在钙钛矿太阳能电池实验中，VerifiedLab 成功复现了已知物理趋势，并提前预测出一年后报道的器件。
全部AI 动态
全部动态
今日 7 条arXiv cs.AIAI 评分4343 arXiv cs.AIAI 评分4343 SciGame：让 AI 智能体在真实与反事实世界中展开科学发现博弈
研究者推出科学发现评测基准 SciGame，将科学文献转换为结构化卡片，并构建成对的原始及量纲一致的反事实环境。该基准包含经典定律的历史集合与模型知识截止期后的时序集合，支持候选引导识别与开放式发现两种评估设定。对 5 款前沿模型的测试表明，熟悉先验在规律改变时会削弱表现，还原精确符号形式仍是当前的核心瓶颈。
arXiv cs.AIAI 评分3737 超越低通动态：基于谐振神经元的频率选择性脉冲储备池 HRF-Res
研究人员提出脉冲储备池计算模型 HRF-Res，通过异构谐振（HRF）神经元替代传统 LIF 神经元，实现对输入频率的选择性响应。在涵盖时间序列、连续图像、音频脉冲与神经形态视觉的 10 项基准测试中，HRF-Res 达到脉冲储备池方法的 SOTA 准确率。该架构保留了事件驱动计算的高能效，能耗相比等效非脉冲振荡储备池最多降低 19x。
arXiv cs.AIAI 评分3636 FilingLoop：用于企业披露审查与修订的 LLM 智能体评测与演进框架
研究团队推出 FilingLoop，这是一个用于企业信息披露审查与修订的交互式评测基准与自进化 LLM 智能体框架。该基准基于美国 SEC 历史信函重构了 96 家公司的 380 个审查任务，并依据 6,099 条要求审计无根据声明与有害修订。在不更新模型权重的情况下，其演进机制将需求满足率从 24.28% 提升至 27.96%，全意见解决率提升至 20.75%，总成本仅增加 5.8%。
arXiv cs.AIAI 评分3535 多元冒犯性建模中的社会人口学特征剖析：适用场景及推理的作用
在 3 个多标注者数据集的 LLM 实验中，引入社会人口学信息在个体冒犯性预测上的收益微弱且不一致，但在群体和总体层面能带来清晰的预测提升。研究将判断显式分解为整体基线与群体特定偏差，发现对文本与人口特征交互进行显式推理能显著提高基线和偏差估计精度，效果明显优于单纯的条件输入。
arXiv cs.AIAI 评分3232 核验学习理论（Verification Learning Theory）：AI 辅助判断中的核验与保留过程模型
研究者提出核验学习理论（Verification Learning Theory，VLT），形式化分析了精准 AI 辅助在改善即时判断的同时，如何因减少练习而影响人类独立操作能力的保留。该模型将对 AI 可靠性的感知与证据核验挂钩，预测即使 AI 未实际出错，感知其存在缺陷也能通过促进核验来提升延期独立判断表现。但在核验已被强制要求并执行的场景下该优势会消失。
arXiv cs.AIAI 评分2626 何为食物相似性？印度菜的视觉表征与检索
一项研究基于扩展的 Khana 数据集与 7 种预训练视觉表征，评估了印度菜在卷积、Transformer、自监督及图文对齐模型中的图像检索与邻域结构。分析表明图像级邻域在不同表征间差异显著且常跨越菜品家族，聚合后的菜品级视觉结构与基于食谱计算的相似度关联较弱。结果证明食物相似度高度依赖表征形式与模态，仅靠识别性能无法充分刻画食物间的关联结构。
arXiv cs.AIAI 评分4545 Seq@K：在序列反馈下评估语言模型
研究人员提出评测协议 Seq@K，用于衡量大语言模型在每次失败获得反馈后能否在 K 次连续尝试内解决问题，以形式化评估模型从反馈中迭代修正的能力。在 7 个评测基准与 16 个前沿模型上的实验显示，Seq@K 呈现出与 Pass@K 显著不同的模型排名和 Pareto 前沿，并能有效刻画模型的纠错率与回答固执度等行为特征。
arXiv cs.AIAI 评分3535 面向测序方案理解的 AI 智能体评测与改进
研究团队推出文档基准 LibStructBench，用于评估 AI 智能体精确重构测序文库结构与分子工作流程的能力。评测显示前沿智能体在分子状态表征和工作流连通性等精确重构上依然不可靠，且更换底层大语言模型比更换智能体框架带来更大的平均性能差异。此外，自主积累程序规则未能在留出集上带来平均分子工作流的提升。
arXiv cs.AIAI 评分4141 通过 PoPLi 检测 AI 智能体间的隐蔽勾结
研究提出 PoPLi 行为测试方法，通过在保持语义时改变消息措辞，对比涉事与非涉事 AI 智能体的行为变化来检测私有暗号通道。在模拟市场实验中，存在暗号时 PoPLi 值为 0.48 至 0.59，无暗号时为 -0.10 至 -0.01，克服了纯文本监控器的漏报与误报问题。该方法主要检测私有通道，无法识别单纯依赖激励或语义传达的勾结。
arXiv cs.AIAI 评分4444 评估 AI 智能体合成智能合约时的意图丢失
一项针对智能体智能合约合成的新研究设计了基于交易重放执行的评估方法，发现常规 AI 裁判与分析工具会漏检明显的逻辑错误。研究据此提出需求引出优先（elicitation-first）架构，证实写代码前向用户主动提问澄清的效果远优于事后审查或打补丁。团队已开源相关评测工具、600 个任务及全部评测结果。
arXiv cs.AIAI 评分4343 本体能捕获什么？人工策展、LLM 生成与数据派生本体作为知识图谱 LLM Agent 检验器的评估
一项研究对比评估了人工策展、LLM 生成及数据派生三种本体作为知识图谱 LLM Agent 检验器的表现。实验涵盖开源与闭源 Agent、公开图谱及近 $10^{9}$ 三元组的私有图谱，发现策展本体易与自身数据发生矛盾。在 UniProt 上，策展本体误报的正确答案多于其他两种本体，对真实 Agent 回答的报错精度仅略高于随机标记。
arXiv cs.AI精选AI 评分6060 WebAnything：利用真实网页构建可扩展 Web Agent 环境的全自动框架
研究人员推出 WebAnything 全自动框架，能够直接从真实 URL 重构出可执行且可重置的网页环境，无需人工针对单站点进行开发与维护。系统通过 Explorer-Builder 收集浏览器状态并结合独立验证器指导修复，共构建了涵盖 14 个领域、53 个类别的 244 个网站环境及 12,984 个任务。
推荐理由：原文提供了从真实网页全自动构建可执行训练环境的方案，读者可以据此了解探索与验证解耦对降低智能体数据构建成本的实际收益。
arXiv cs.AIAI 评分4747 OpenFrontiers：开放研究问题集合与科学再发现评测基准
研究团队推出 OpenFrontiers，包含 12,151 个开放研究问题的语料库以及 200 个经 Lean 4 形式化核验的数学问题评测基准。该基准在沙箱中通过双检查器核验证明，并在闭卷、冻结检索和联网条件下测试了 7 个 LLM 智能体。结果显示闭卷再发现极少，HQ-50 的 40 个已解问题中最多解决 7 个，联网成功则主要源于检索已发表题解。
arXiv cs.AIAI 评分4545 ThinkJev：面向校准类型化决策的任意预算单次思考方法
ThinkJev 提出了一种基于单一混合思考模型的快慢双系统，无需额外训练即可为大语言模型的闭集类型化决策动态分配思考预算。在 5% 目标错误率设定下，Qwen3.5-27B 让快系统直接处理 24.5% 的决策（实际错误率 3.9%），其余任务在置信时提前停止思考，仅消耗 72% 思考 token 达到 81.6% 准确率，相关代码已公开。
arXiv cs.AIAI 评分2828 用于模型标定的摊销局部后验推理及其在海洋湍流封闭中的应用
用于模型标定的摊销局部后验推理方法通过上下文邻近度加权观测似然，并结合条件归一化流逼近局部后验族，以解决模型偏差和上下文不确定性。在 Branin-Hoo 孪生实验中，局部化推理相比全局后验降低了综合预测误差；在单柱海洋模型的 k-$\epsilon$ 湍流封闭应用中，该方法相比确定性与全局后验标定进一步降低了温度和纬向流速误差。
arXiv cs.AIAI 评分3535 LRMoE：面向显存受限节点的高效 MoE 训练需求端负载重校准
LRMoE 是一种显存感知的 MoE 训练系统，通过在前向规划保留配额并在反向传播时重校准负载需求，解决显存受限节点的计算与通信瓶颈。系统通过容量感知路由与物理压缩减小通信载荷，有效降低反向通信、计算量和缓冲区显存开销。
橘鸦AI早报AI 评分3434 橘鸦AI早报：Apple 智能在中国接入千问，Anthropic 调整 Claude 订阅方案
苹果宣布首批 Apple 智能将于 12 月在中国推出并接入千问，Anthropic 则将 Claude 高阶订阅更名为 Max 与 Ultra 并逐步取消已验证 Ultra 账户的 5 小时限制。同时，商汤开源具备 90 亿参数的多模态模型 SenseNova-Loop-9B-Preview，OpenCode Go 也为 DeepSeek V4.1 Flash 提供每月 100 美元额度。
AWS Machine Learning BlogAI 评分5656 面向 FinOps 与平台团队的 Amazon Bedrock 端到端成本管理指南
AWS 发布面向 FinOps 和平台工程团队的 Amazon Bedrock 成本管理指南，提出涵盖归因、观测、强制执行、默认项优化和持续运营的五阶段闭环模型。方案重点针对智能体架构的高上下文与多轮调用特征，详细阐述了通过 IAM 会话标签与 CUR 2.0 解决共享角色归因盲区、利用 CloudWatch 注入请求元数据，以及借助 Prompt 缓存和模型智能路由降低推理成本的工程实践。
OpenAI NewsAI 评分3535 OpenAI：合理使用使所有人受益
OpenAI 分享了创作者、学者、无障碍倡导者以及法律专家等提交的法庭辩护状摘要，阐明合理使用原则如何支持 AI 训练与创新。
AWS Machine Learning BlogAI 评分4747 借助 Amazon Bedrock AgentCore runtime 实时预览编码智能体构建的 Web 应用
Amazon Bedrock AgentCore runtime 推出 Session endpoints 功能，支持用户在编码智能体构建 Web 应用时直接通过浏览器进行实时预览与热重载。
OpenAI News精选AI 评分6161 OpenAI 宣布将遵循通用 robots.txt 信号以表达网站 AI 训练偏好
OpenAI 宣布将遵循通用的 robots.txt 信号，以协助网站运营者向所有参与该机制的服务商统一传达 AI 训练偏好。
推荐理由：网站运营者可借此了解通用的网页控制规范，评估如何更便捷地统一管理各服务商的训练数据采集。
Cloudflare BlogAI 评分2626 Cloudflare 追踪 eMudhra 弱密钥的利用与修补进展
针对证书机构 eMudhra 泄漏 8 个极弱密钥事件，Cloudflare 披露了其利用与修补追踪进展。Cloudflare 已在数小时内修补 Pingora 等系统拒绝这些弱密钥，并利用 AI 分析排查了代码资产。日志监测显示全网已出现约 22,000 次弱密钥握手尝试，虽存在公开数小时内伪造证书的行为，但暂无拦截连接的证据。
AWS Machine Learning BlogAI 评分3232 在 AWS GovCloud (US) 中配置 ChatGPT 桌面应用连接 Amazon Bedrock
ChatGPT 桌面应用现支持在 AWS GovCloud (US) 的 Amazon Bedrock 上运行，模型推理请求可路由至 us-gov-west-1 的 Amazon Bedrock Mantle 端点。
AWS Machine Learning BlogAI 评分4848 Worldwide Express 如何利用 Amazon Bedrock 实现货运异常自动化处理
Worldwide Express 联合 AWS 基于 Amazon Bedrock 构建多智能体 AI 系统，上线 6 个月使货运账单活跃异常减少 75%，回款周期缩短 4 周。该方案带来 1000 万美元一次性自由现金流注入并实现每年节省 100 万美元。系统通过发票匹配、价格差异和附加费验证 3 个智能体协同分析，在准确率超过 99% 后开启批量审批。
OpenAI NewsAI 评分4545 OpenAI 社区安全报告与青少年新保护措施
OpenAI 正在通过扩大安全防护措施和实施更早干预，全面加强 ChatGPT 中的防暴力机制。此外，OpenAI 还承诺开展公共安全报告，并针对青少年推出新的安全保护举措。
arXiv cs.LGAI 评分4444 Multi-Token Prediction 的正确实现方式
研究人员针对多 Token 预测（MTP）训练中的梯度干扰缺陷，提出了无额外参数开销的 Soft-MTP。该方法利用梯度恢复技巧仅反向传播有益的 KL 自蒸馏信号，无缝兼容 DeepSeek 与 Meta 架构。在 167M 至 1.2B 参数规模下，Soft-MTP 带来了更低的困惑度和更快的投机解码，并在 1.2B 微调后提升了数学与代码推理能力。
arXiv cs.LGAI 评分4444 多智能体 Kernel 优化循环适配新型 AI 加速器案例研究
研究人员构建了一种多智能体优化循环，并在 FuriosaAI RNGD NPU 上历时 12 天优化了 Gemma-4-12B 的三个解码算子。该循环通过自主建立 Rust DSL 文档知识、运行微基准测试与编译器合法性检查，结合设计树搜索探索算子实现。最终内核相比官方 baseline 取得 9.293x 几何平均加速比，相关提示词与测试工具均已开源。
arXiv cs.LGAI 评分4545 量化在语言模型预训练损失激增中的作用
大语言模型预训练后期的致命损失激增（time-bomb spikes）由 LM head 中快速增长的量化误差引发，降低数值精度会加速该不稳定现象。在 LM head 上将 AdamW 优化器替换为带动量的 SGD，可有效抑制 logit 增长，进而通过减少有限精度误差显著提升长周期预训练的稳定性。
arXiv cs.LGAI 评分3535 NAGO：基于流匹配的噪声感知生成算子
研究人员提出基于流匹配的噪声感知生成算子 NAGO，用于在函数空间高效采样随机偏微分方程（SPDE）的不变量测度。该方法通过将源测度作为设计变量并优化协方差匹配，在 Matern 场消融实验中将高精度 RK4 步数从约 30 步降至 3-5 步，使神经 ODE 评估次数减少 6-10x。在三个代表性随机场基准上，NAGO 显著提升了少步谱精度与物理统计表现。
arXiv cs.LGAI 评分3434 一种混合物理信息全纯神经网络（HPIHNN）方法
研究人员提出混合物理信息全纯神经网络（HPIHNN）框架，将解分解为谱方法计算的特解与仅在边界训练的 PIHNN 齐次解，用于求解非齐次偏微分方程。该方法免去对复杂几何划分网格，已成功应用于非齐次 Poisson、Stokes、双调和、线弹性和 Helmholtz 方程。数值实验表明，HPIHNN 相比标准 PINN 通常可取得更低的误差与更短的训练时间。
arXiv cs.LGAI 评分4747 ParaTTT：实现深层记忆测试时训练（TTT）层的并行化
研究人员提出 ParaTTT（PTTT）算法，通过迭代优化内循环梯度轨迹，实现了任意深度非线性记忆测试时训练（TTT）层的并行化。在 4K context 下经过两次迭代，其内循环轨迹评估速度比 TTT-MLP 快 32x，340M 模型整体训练提速 4.9x。在 340M 和 1.3B 规模下，其模型表现匹配或超越 Gated DeltaNet 及 Mamba-2，且召回能力更优。
arXiv cs.LGAI 评分3434 存在未测量混杂时的可迁移离线强化学习
新研究提出一种因果校正可迁移性框架，结合工具变量与代理变量等方法，解决存在领域差异与未测量混杂时的离线强化学习难题。针对混杂情境老虎机与混杂马尔可夫决策过程，该研究分别构建了 CAT-CCB 和 CAT-CMDP 算法，在有界有限维线性类下取得 $\widetilde{\mathcal O}(N^{-1/2})$ 次优界保证。数值实验证明了该框架从多源异质混杂数据中学习目标域策略的有效性。
arXiv cs.LGAI 评分2929 强污染对抗线性老虎机实现近极小化极大最优遗憾界
研究者提出 CRW-FTRL 算法，解决了强污染对抗线性老虎机此前未决的统计最优速率问题。该算法采用半径加权熵正则化与归一化核估计，在 $d$ 维 $K$ 动作空间高概率取得 $\tilde O(\sqrt{dT\log K} + dC)$ 遗憾界。用于紧凑动作集离散化可达 $\tilde O(d\sqrt{T} + dC)$ 遗憾界，在对数因子内匹配无污染速率与 $\Omega(dC)$ 下界。
arXiv cs.LGAI 评分3535 变分结果驱动的离线强化学习方法 StBR
研究者提出面向离线强化学习的结构化行为正则化方法（StBR），通过策略引发的状态结果分布而非单纯匹配动作分布来约束策略。该方法引入闭式隐空间散度作为真实结果分布散度的理论有界替代，在动态敏感区域自适应收紧行为约束，有效防止偏离离线数据集。实验表明，StBR 在多个离线强化学习基准上取得了优异性能。
arXiv cs.LGAI 评分3636 HotPOT：面向大规模 PDE 预训练的异构物理专家算子 Transformer
HotPOT 是一种面向大规模 PDE 预训练的算子 Transformer，采用共享编码器结合异构神经-数值专家来建模方程演化。在 5 个 PDE 族和 6 种设定下，HotPOT 在微调前后的全部 24 组同规模对比中均优于 MoE-POT，rollout 误差平均降低 50.7%。其 17M 模型超越了更大规模的 MoE-POT，且性能优势可延伸至未见物理条件下的零样本预测。
arXiv cs.LGAI 评分4040 RainCheck：基于机器学习与历史气象数据的孟加拉国降雨预测研究
新研究基于孟加拉国 35 个气象站 618,650 个站点日数据评估降雨预测，发现随机划分测试集严重夸大了模型能力。测试显示气候态基线对强降雨月分类准确率达 88.4%（AUC 0.950），时间划分下无机器学习模型能比其提升超 0.8 个百分点。滞后降雨特征对次日预测仅获 0.074 的微弱 Brier 技能得分且预测期超 2 天后失效；团队已开源防泄漏评测代码。
arXiv cs.LGAI 评分3434 面向叠层成像扩散后验采样的渐进耦合方法
研究提出用于叠层成像的渐进耦合后验采样（PCPS）方法，利用扩散模型先验补偿减少扫描重叠带来的物理约束损失。该方法在高不确定性下广泛探索解空间，并在细化阶段保持更强的扩散引导一致性。在真实 X 射线叠层成像数据测试中，PCPS 相比传统迭代方法和现有扩散后验采样器持续提升了重建精度，在低重叠度下表现尤为显著。
arXiv cs.LGAI 评分3030 平均退火马尔可夫链达到张量 PCA 算法阈值（第二部分：朗之万动力学）
球面朗之万动力学在结合退火与遍历平均后，能够从均匀随机初始化出发，在多项式时间内达到张量 PCA 的算法阈值并实现强恢复。张量 PCA 存在已知的信息计算鸿沟，此前马尔可夫链等局部算法被认为需要显著更高的信噪比且逊于全局算法。该成果证明局部马尔可夫链在无信息冷启动下同样能够达到算法阈值。
arXiv cs.LGAI 评分3434 Convex-SKM-Net：面向神经网络凸约束满足的低延迟块半空间校正
Convex-SKM-Net 提出一种凸约束满足层，利用残差与次梯度构建线性化半空间，并采用固定深度对偶 PGD 实现快速推理。实验显示其在 SOC-MPC 和凸 QCQP 基准上推理速度分别提升最高 144.3x 和 7.7x，测试输出均满足 10^-3 可行性容差。联合学习正定 mobility 还将仿射任务平均差距降低 22.4%，QCQP 平均目标差距仅为 0.012%。