Anthropic 的 Claude Fable 5 给出了一个简洁反例，证明了广义三维雅可比猜想不成立。该结果显示 AI 已具备真正的数学创造力，但二维情形的核心问题仍未解决。
值得关注：**数学史转折**：这是大型语言模型首次独立攻克一个长期未决的重大数学猜想，标志着 AI 从“解题工具”向“数学创造者”的跨越。 **对张益唐的呼应**：张益唐曾因导师坚持相信雅可比猜想而虚耗七年，如今 AI 用简单反…
一目科技完成E轮超10亿元融资，估值突破100亿元，其仿生视触觉传感器厚度小于3毫米、90%触觉核心指标达类人水准，并构建了“数据采集—算法编码—多模态大模型”三层方案，正从产品供应商向行业标准定义者转型。
值得关注：填补了具身智能行业中“机器人会推理却不会动手”的触觉感知空白——此前行业关注度集中在“本体硬件”与“大脑大模型”两端，触觉是100%机器人公司的刚需但技术难度最高。 从“做产品”到“定标准”的商业逻辑升维，通过开源数据…
NVIDIA Vera CPU 的 Olympus 核心通过深度乱序执行、神经分支预测、空间多线程等创新，将单线程性能提升至 AI 工厂级，从而加速智能体 AI 中不规则、分支重、延迟敏感的软件路径。
值得关注：智能体 AI 和多代理工作负载正成为 AI 工厂的核心模式，而 CPU 端的性能瓶颈日益凸显。Vera CPU 展示了为这类工作负载从头设计的 CPU 应具备的特性——强调单线程强度、延迟可预测性以及不规则访问模式的处…
NVIDIA Rubin GPU通过晶体管架构、内存子系统（HBM4）和计算效率的全面提升，为智能体AI工作负载提供了相比Blackwell高达10倍的每单位能源吞吐量，该GPU是Vera Rubin平台的核心，旨在将数据中心重塑为单一计算单元，以应对智能体推理对低延迟、高吞吐和长上下文处理的需求。
值得关注：Rubin GPU是NVIDIA为应对智能体AI时代算力需求而设计的下一代核心硬件。其架构优化不再单纯追求峰值计算，而是深入解决智能体推理中特有的长上下文、低延迟、高吞吐和高效扩展瓶颈。该平台将整个数据中心视为单一计算…
2026年第二季度，通用Agent正式从对话工具进入真实工作流，夺回软件入口并深入垂直行业，但随后的Tokenmaxxing运动因成本高、无效Token占比大（约90%）、组织复核瓶颈而失败，催生出Multi-Agent、自进化AI、Loop Engineering和模型路由等新方向，同时就业、安全、信息污染和认知缴械等负面效应开始显现。
值得关注：标志着Agent从演示阶段进入真实生产环境，行业核心矛盾从“能不能干活”转为“如何高效落地”。 Tokenmaxxing的失败揭示了系统瓶颈——组织审核速度远跟不上AI生成速度，倒逼Multi-Agent、自进化AI和…
PSDA 是一种专为无监督域适应中分布匹配损失（如 CORAL 和 MMD）设计的随机方差缩减技术，通过跨域和域内配对采样形成“四元组”，有效降低小批量优化中的梯度方差，从而提升目标域精度。
值得关注：首次为 CORAL 和 MMD 损失设计了专门的方差缩减技术，突破了经典 SVR 对有限和结构的要求。 相比已有 ARROW 方法（面向流式数据），PSDA 适用于常规离线（非流式）小批量训练，填补了批量学习场景下的方差缩减空白。
生成式AI（以ChatGPT、Perplexity、Gemini为代表）已成长为学术图书馆资源的新兴发现渠道；集成链接引用功能后，AI带来的流量显著增长，且用户主要访问位于机构知识库中的开放获取电子学位论文。
值得关注：首次系统性地量化了生成式AI在学术图书馆资源发现中的实际影响，而不仅仅是理论讨论。 揭示了AI检索机制对开放获取资源的结构化优势：有良好元数据和稳定链接的开放资源更易被AI“表面化”（surfaced）。 为图书馆管理…
自然语言自编码器通过重构得分评估解释忠实性，但该测试对单个虚假声明不敏感，即使高重构得分也无法保证每个声明为真。本文提出RECAP方法，通过共训练线性解码头使指定内部内容可独立验证，显著提升对对抗性谎言的检测能力（AUC 0.95 vs 基线0.51）。
值得关注：揭示了当前主流解释忠实性评估方法（重构测试）的根本漏洞：只检查整体语义而忽略细节虚假。 提供了实用的解决方案：通过共训练线性解码头，建立独立于解释器的验证通道，使内部状态可被探针独立检查，而不仅仅依赖模型生成的文字描述…
本文首次将基于虚拟现实（VR）的上半身遥操作与强化学习（RL）的下半身平衡运动控制栈从全尺寸人形机器人迁移到小型人形机器人 ROBOTIS OP3 上，实现了 0.45 m/s 的独立于手臂运动的行走，并在 10 分钟内完成约 5 m 距离的远程搬运任务。
值得关注：与已有相关卡片（如 REGRIND 灵巧操作、ergoCub 协作优化）不同，本卡片聚焦于“小型人形机器人的远程全面控制”，是首次将 VR+RL 的远程移动-操作全栈集成到非全尺寸平台。 增量信息：现有全尺寸方案（如 …
Condition Dropout（ConD）是一种简单的持续训练范式，通过在预训练 RGB-D 模型上冻结原始编码器、复制编码器并用零初始化特征注入，随机模拟完整、RGB-缺失和深度-缺失的输入，显著提升缺失模态下的分割鲁棒性，且在完整模态下性能略有提升。
值得关注：填补了 RGB-D 语义分割在实际部署中传感器缺失场景的空白，直接提升了系统的可靠性。 方法简单（仅额外训练阶段），不改变网络结构，便于集成到现有预训练模型。 与已有相关卡片无重叠，本条卡片聚焦于缺失模态鲁棒性这一特定问题。
PortLLM 的 LoRA 补丁在连续预训练的多步更新中依然保持时间可移植性，其根本原因是高维向量之间的近正交性。
值得关注：验证了零成本复用 LoRA 补丁的长期可行性，对工业界大规模模型持续迭代部署具有直接价值。 提供了从高维几何理解模型更新后参数迁移的直观框架，可启发更多免训练适配设计。 本卡片是对“PortLLM 只验证短期可移植”这…
视觉语言模型（VLM）对图像和问题（文本）的呈现顺序存在系统性的性能差异（图像先于文本时准确率更高），但通过一种简单的、非对称的测试时训练方法可以消除这一差距，甚至提升基线性能。
值得关注：揭示了VLM一个之前未被充分认识但可重复的脆弱点——模态顺序，且该弱点可通过极简单的测试时自适应方法修复，门槛低、实用性强。 与已有知识卡片相比，本文关注的是**顺序**这一输入格式维度，而非**预算约束下的模型选择*…
Statevector-Referenced Geometry Survival of a Four-Qubit ZZ Quantum Kernel on IBM Quantum Hardware: A Fixed-Subset Diagnostic Across Three Execution Configurations
值得关注：明确区分了实现保真度（implementation fidelity）和任务相关性（task relevance）两个独立轴，指出硬件量子机器学习研究应同时报告两者。 揭示了当前量子核方法在真实硬件上的一个关键矛盾：误…
本文提出了一种基于Clopper-Pearson置信区间和潜在空间特征探索的框架，能够为任意提示下LLM生成有害输出的概率计算严格且可靠的下界，首次实现了对LLM安全性的形式化统计认证。
值得关注：与已有卡片（如选择性披露水印、预算感知模型选择）不同，本文聚焦于**安全性认证**本身，而非部署或隐私控制。 首次提供了**可证明的、严格的下界**，而非经验性估计，使LLM安全评估从“启发式”迈向“数学保证”。
SoftReason 提出了一种完全可微的神经-软符号演绎推理架构，通过将演绎状态表示为张量并设计可微的即时推论算子，弥合了感知（高维数据）与符号推理（知识图谱规则）之间的梯度断层，首次实现端到端可训练的知识感知视觉问答。
值得关注：SoftReason 区别于以往的神经符号方法（如使用离散逻辑编程或硬注意力），通过完全可微的设计使得感知和推理可以联合端到端训练，无需人工设计中间符号特征或近似梯度。这为将符号知识（如知识图谱规则）融入深度学习提供了…
Self-supervision drives representational convergence in medical foundation models more than clinical supervision
Self Gradient Forcing (SGF) 通过两遍训练策略，在不展开完整序列反向传播的前提下，恢复自回归视频扩散模型中未来帧损失对历史上下文编码的梯度监督，使仅用5秒训练窗口就能外推至数分钟的长视频，在主体身份、背景/布局一致性和时间稳定性上显著优于现有 Self Forcing 方法。
值得关注：首次明确指出并解决了自回归视频扩散训练中未来帧损失无法监督历史上下文编码的梯度间隙问题，为长视频外推提供了更有效的训练范式。 与已有 Self Forcing 方法相比，SGF 在不增加额外架构（如额外记忆模块、时空注…
PyroDash 通过让小语言模型（SLM）在生成过程中按 token 发出控制令牌，自主决定是否向大语言模型（LLM）卸载部分推理，可在数学推理基准上以更低总成本实现接近甚至超过纯 LLM 推理的准确率。
值得关注：提供了 **token 级** 的精细卸载粒度，与已有查询级模型选择方法（如预算感知重采样/重路由）不同，能在更细粒度上优化成本与质量。 无需修改 LLM 或依赖外部路由器，部署简单，易于与现有 SLM 模型结合。 通…
PG-KINN 将 Kolmogorov-Arnold Network（KAN）作为试验空间，配合紧支撑分段多项式测试空间，通过 Petrov-Galerkin 弱形式集成物理信息，在裂纹奇异性、超弹性、逆参数识别等力学基准上一致优于传统 MLP 及现有 KAN 强/能量/逆形式方法（PIKAN）。
值得关注：首次在物理信息框架中系统引入 Petrov-Galerkin 弱形式与 KAN 试验空间的组合，打破了此前仅关注 MLP 或 KAN+强形式的范式。 解决了现有 KAN 物理信息方法在非自伴算子和逆问题上的失效缺陷，扩…
Persian Pixel: A large-scale synthetic OCR dataset for Persian language