AI 日报 · 2026-08-06

谷歌发布 Gemini 4 Carbon，在 Artificial Analysis 智能指数 5.0 上以 59 分登顶，首发输入价格 2 美元/百万 Token（为 Opus 5.5 的一半），并在多项基准上刷新 SOTA，优先向部分网络安全防御者开放。

据腾讯研究院 AI 速递（20261030）报道，谷歌推出新模型 Gemini 4 Carbon。该模型以 59 分位列 AA 智能指数 5.0 榜首，同时以低价策略进入市场，并在终端操作、图遍历、安全基准等任务上对标 Claude Opus 5.5。材料未说明模型参数规模、训练方式或发布时间线细节，相关部分待核实。

腾讯研究院（搜狐同步）

OpenAI 与美国心理学会（American Psychological Association, APA）宣布合作，旨在围绕青少年心理健康与负责任 AI 使用，推动基于证据的指导、资源与保障措施。

根据 OpenAI 官方页面的元数据，本次合作涉及 OpenAI 与 APA 双方，主题为“青少年心理健康与 AI”。官方表述为：推进负责任 AI 使用的循证指导、资源和保障措施。具体合作形式、启动时间、参与人员及详细条款暂未从材料中确认。

OpenAI

Artificial Analysis 于 2026 年 8 月 6 日发布 Intelligence Index v4.1.1，升级了评测模型并引入 𝜏³-Banking v1.0.1，整体模型排名基本不变，Claude Opus 5 仍以 63 分位居第一。

Artificial Analysis 宣布将 Artificial Analysis Intelligence Index 更新至 v4.1.1。这是一个小幅补丁版本，目的是在保持现有评测体系连续性的前提下，提高评分可靠性和与人类判断的一致性。所有公开模型结果已切换至 v4.1.1 口径。

artificialanalysis.ai

SpaceX上市后首份财报显示，2026年第二季度营收78亿美元、同比增长92%，AI支出却同比暴增2013%至158亿美元；投入产出比未达预期，盘后股价一度下跌约8%，引发市场对AI基础设施过度扩张的担忧。

腾讯研究院AI速递（20260806）报道，SpaceX公布上市后首份财报：二季度营收78亿美元，同比增长92%；AI业务营收增长约247%；净亏损同比收窄约46%。该季度资本支出达184亿美元，其中AI支出158亿美元，同比暴增2013%。投入产出比未达预期，盘后股价一度下跌约8%。马斯克计划全部采用英伟达硬件建设数据中心，今年算力超2吉瓦、明年底近10…

腾讯研究院（搜狐同步）

字节跳动推出原生音视频全双工大模型 SeedRealtime，采用统一架构融合音频、视频与文本，实现“边看、边听、边说”的实时交互；人工评测显示其对话节奏问题较级联模型减少一半，目前已上线。

据腾讯研究院AI速递（20260806）报道，字节跳动发布了原生音视频全双工大模型 SeedRealtime。该模型用统一架构融合音频、视频与文本，支持音视频联合理解、主动交互与流畅节奏，目前已上线。

腾讯研究院（搜狐同步）

京东开源JoyAI-Video-Edit实时视频编辑模型

腾讯研究院（搜狐同步）

OpenAI 在 ChatGPT 中推出了改进版 GPT-5.6 Sol，宣称其准确性和一致性有所提升，同时扩大了免费用户对 GPT-5.6 Luna 的访问范围，并开放不限量的日常聊天使用。

根据可获取的元数据，OpenAI 发布了一篇标题为“Improving GPT‑5.6 Sol in ChatGPT—and expanding access to GPT-5.6 Luna for free users”的公告，主要内容是 ChatGPT 产品更新：改进 GPT-5.6 Sol 模型，并扩展免费层用户对 GPT-5.6 Luna 的访问权…

OpenAI

据顶级市场投资人Gavin Baker透露，Ilya Sutskever创立的安全超级智能公司SSI将于本月（2026年8月）发布首个模型；该模型若实现持续学习与样本高效学习，或只需预训练约10万亿token便可在真实世界自主学习，使大规模训练算力需求出现断崖式下跌。

腾讯研究院AI速递20260806报道，顶级市场投资人Gavin Baker披露：Ilya Sutskever创立的SSI（Safe Superintelligence）将于本月发布首个模型。SSI聚焦持续学习与样本高效学习，并此前与英伟达合作获得Vera Rubin平台访问权，算力提升约10倍，为模型发布提供硬件支撑。

腾讯研究院（搜狐同步）

OpenAI Signals 的新数据显示，全球用户正在以多种方式使用 ChatGPT，并呈现出国家层面的采用情况、使用趋势和行为演变；具体数据细节待核实。

OpenAI 发布了一篇题为 *From asking to doing: How the world is putting ChatGPT to work* 的文章，基于 OpenAI Signals 数据，探讨全球范围内人们如何在实际工作与生活中使用 ChatGPT，尤其关注不同国家的采用特点和使用行为变化。

OpenAI

FDE（Forward Deployed Engineer，前线部署工程师）模式兴起的核心原因，是 AI 落地的矛盾正从“模型能不能做”转向“组织怎么用”；其本质不是新岗位，而是一种把前线经验沉淀为可复用资产的交付模式，从而显著降低下一个同类客户的交付成本。

腾讯研究院发布报告《前线共创，双向赋能：FDE 模式行业观察与实践》，首次系统分析 FDE 模式为什么在当下爆发、解决了什么问题、能否规模化，以及中国市场的特殊路径。报告指出，大模型能力每季度都在跃升，但超过 60% 的企业 AI 试点仍停留在实验阶段；瓶颈不在 Demo 演示，而在于系统对接、权限梳理、流程改造、合规审计、组织适应，以及客户是否想清楚“到…

腾讯研究院（搜狐同步）

Cohere and the University of Waterloo launch partnership to strengthen Canada’s AI talent pipeline

Cohere 博客

马斯克认为源代码正变成“下一个汇编”，主张让AI直接生成高效的二进制文件，彻底摒弃源代码；但《代码整洁之道》作者Bob大叔、UML之父Grady Booch等业界元老集体反驳，指出只要需要精确、可重复地描述意图，就仍属于编程语言。

腾讯研究院AI速递20260806报道，马斯克在X上发文称，源代码正变成下一个汇编语言，下一步应彻底摒弃源代码、让AI直接生成高效的二进制文件。该观点引发软件工程界多位元老反对。争论的核心在于：编译器是确定性翻译，而AI是概率性生成；人类能否信任一套自己看不懂的工程体系，成为根本问题。

腾讯研究院（搜狐同步）

智能体正从“能聊天”走向“能干活”，执行权从人转向智能体；企业管理的成本结构、组织设计、绩效评估与安全治理都需要因此重构。

本文作者刘琼（腾讯研究院，首发于《企业管理》杂志）观察2026年前后的智能体浪潮：开源智能体平台OpenClaw上线两个月，GitHub星标数超过Linux内核；Mac Mini因被大量购买用于运行OpenClaw而断货；中国每日AI运算量从2024年初约1000亿Token增至2026年3月约140万亿Token，两年增长1400倍。文章认为这不是单纯效…

腾讯研究院（搜狐同步）

腾讯混元Hy3模型已接入创意智能体Miora，作为“画布背后的思考模型”理解需求并统筹图像、视频、3D和界面设计；Miora借此更擅长把模糊中文需求拆解为完整品牌视觉项目并规划多交付物，减少返工与成本。

这条信息来自“腾讯研究院AI速递 20260806”中的生成式AI新闻。报道称，腾讯混元Hy3正式接入创意智能体Miora，定位为“画布背后的思考模型”，负责理解需求并统筹图像、视频、3D与界面设计。同时公布的Hy3技术要点包括MoE架构、总参数295B、单次激活21B、最大支持256K上下文。官方评测称，部分能力可达两至五倍参数旗舰模型水平。

腾讯研究院（搜狐同步）

Claude Code创始人Boris Cherny提出“一人军队”概念：未来最高效的开发者更像CEO，带领数十个AI Agent把产品从想法做到上线；工程实现不再是瓶颈，好想法与推向市场的能力成为新的稀缺资源。

腾讯研究院AI速递（2026-08-06）援引观点称，Claude Code创始人Boris Cherny认为，AI Agent将彻底改变软件开发的组织方式。最高效的开发者不再是亲写代码的程序员，而是像CEO一样统筹多个Agent，完成从想法到产品的全过程。他同时指出，仅在编辑器中增加AI按钮不足以提升生产力，Anthropic通过逐个清理瓶颈，使人均代码…

腾讯研究院（搜狐同步）

UQ-Loc 通过在 LightLoc 架构上增加各向异性高斯协方差头，让 LiDAR 场景坐标回归（SCR）模型输出逐体素的不确定性，从而在提升 6-DoF 定位精度的同时给出良好校准的协方差估计。

LiDAR 场景坐标回归（SCR）直接将点云映射到 3D 场景坐标，无需显式地图检索即可实现精确的 6-DoF 定位。但现有方法只输出确定性预测，丢弃了可能有助于鲁棒性和下游决策的偶然不确定性（aleatoric uncertainty）。UQ-Loc 旨在显式建模这种不确定性，并将其用于定位求解流程。

arXiv 论文

TYTAN 将符号化的数据库分析与 LLM 语义推断结合，并只在证据不足时向用户追问，从而自动从关系数据中构建分析语义模式；在摘要报告的评测中，覆盖率和检索指令可执行率均达到 100%（1,678/1,678），语义角色与参考模式的一致性为 92–100%。

从自然语言查询接口到自动报告生成，数据分析工具都需要一个关于数据的“语义层”描述：数据涉及哪些真实世界实体、哪些列是度量或标识符、表之间如何连接成分析单元。

arXiv 论文

TS-RAG 提出了一种将检索增强生成（RAG）用于时间序列预测的新框架，通过专门的 reference tokens 融合输入序列与检索到的相似序列，并在多个真实世界预测基准上宣称取得了一致的先进性能（具体数值待核实）。

尽管基于 Transformer 的深度学习模型在时间序列预测中表现亮眼，但 RAG 在该领域的应用仍然有限。RAG 在大型语言模型中已被证明能通过引入相关外部信息增强能力，因此研究者想验证：检索相似时间序列作为参考，是否也能提升时间序列预测的准确性？然而，大多数时间序列模型受限于训练数据规模小、参数规模小，缺乏大语言模型那样的生成能力，简单地把参考序列拼…

arXiv 论文

TrajDebug 提出一种按“错误生命周期”追踪 LLM 智能体长轨迹的新框架，通过区分局部错误与真正导致最终失败的关键错误，在多个智能体基准上取得最优总体性能，并配套构建了 486 条人工标注的失败轨迹基准 TrajErrBench。

LLM 智能体在复杂领域表现强大，但长轨迹中容易出现级联错误且难以调试。关键错误检测的目标是定位失败轨迹中“导致最终失败的最早错误步骤”。该任务面临两大挑战：第一，长轨迹中判断某一步是否出错的证据可能分散在相距很远的指令、观察和上下文中；第二，失败轨迹往往包含多个局部错误，但它们对最终失败的影响不同，只有其中一部分真正对失败负责。

arXiv 论文

Nimblemind多智能体系统（nMAS）能够在心力衰竭电子健康记录（EHR）数据上自动生成可审计、可追溯的特征，使HFrEF表型分型的held-out AUROC从0.895提升到0.963，HFpEF从0.870提升到0.910。

EHR特征工程是临床研究和AI开发的主要瓶颈，约占数据科学家工作量的39-45%。心力衰竭影响约670万美国成年人，其EHR数据分散、碎片化，需要结合疾病特异性和基于指南的临床推理，因此特征工程尤其困难。现有基于规则和基于大语言模型（LLM）的方法只能部分自动化，且可维护性和证据可追溯性有限。本研究提出并评估了一个自动化的心力衰竭特征工程流水线。

arXiv 论文

本文发布了一个专家验证的孟加拉手语（BdSL）图像数据集 RSBdSL38，并提出了一个仅 298,470 参数的轻量注意力卷积网络。该模型从零训练在 RSBdSL38 上达到 96.37% 准确率（五种子均值 95.72% ± 0.54%），性能接近九种 ImageNet 预训练高效架构的最优水平，但参数量和计算量低一个数量级以上；量化后可在普通智能手机…

孟加拉国聋人和听障人士主要使用孟加拉手语（BdSL）交流。若能在个人设备上自动识别 BdSL，有望扩大教育与服务的可及性。现有系统使用的数据集多来自受控环境、缺乏专家验证，且依赖重量级预训练骨干网络，不适合端侧部署。本文构建了专家验证的 RSBdSL38 数据集，并提出一个轻量级从零训练的注意力卷积模型，以弥合基准性能与实际部署之间的差距。

arXiv 论文

本研究提出并外部验证了一个基于 Mask R-CNN 的牙齿定位与编号模型（TLNM），仅用智能手机拍摄的口腔照片即可实现牙齿级别的检测、编号和分割；在内部测试集和独立外部数据集上均取得较高性能，且以开源容器化 API 形式提供推理管线。

口腔健康问题影响全球数十亿人，但专业牙科护理的成本和可及性限制了预防性口腔保健的推广。已有研究多依赖临床级放射影像或口内相机图像，普通公众无法用于自我筛查。本文针对这一缺口，开发并验证一个可使用消费级智能手机照片进行牙齿定位、编号和分割的模型。

arXiv 论文

GEM-3 提出了一种可配置时间步长的概率全球天气预测模型，用同一套权重在推理时选择不同时间步长，从而在短期精细预报与长期误差累积之间取得平衡。

现有机器学习天气预报模型依赖预先固定自回归时间步长（如 1–6 小时或 24 小时）。较短时间步长能精细刻画日循环内的大气动力学，但在给定预报时效内会累积更多误差；较长时间步长能减少误差累积，却限制了日以下尺度高可预报性的短期预报可用性。GEM-3 旨在通过显式多时间步推断来解决这一权衡。

arXiv 论文

SG-TULA 是一种直接使用次梯度并借助驯化（taming）技巧的显式 Langevin 采样算法，适用于势能同时非光滑、具有超线性梯度增长且非凸的目标分布；它在 Wasserstein-2 距离下给出非渐近收敛界，并在 GPT-2 谱系语言模型的正则化预训练势能上验证了假设，其坐标式增强变体在以预训练任务对比微调后的 AdamW 与 Muon 时具有竞…

研究问题：如何从势能（potential）同时满足非光滑、超线性梯度增长、非凸的分布中高效采样。 传统 Langevin 类算法的非渐近分析通常依赖光滑性；当势能非光滑时，常见做法是引入计算代价高的光滑化步骤。本文提出绕过光滑化程序的次梯度方法。 目标包括：获得显式的、所有常数随维度和逆温度跟踪的非渐近收敛界，并为相应优化问题提供超额风险（excess r…

arXiv 论文

视频语言模型在看似简单的视频事件计数任务上存在系统性时间推理失败：即便是低频事件，模型也可能完全无法可靠计数；提高采样率可以提升最终答案的分数，却无法带来忠实的事件级恢复。

真实世界视频基准虽然覆盖广，但固定片段将事件数量、频率、持续时间和视觉复杂度纠缠在一起，难以隔离失败原因；已有程序化基准虽有更好控制，但只对最终答案评分，没有根据可执行的真值轨迹来审计模型报告的事件。

arXiv 论文

“用图像思考”让多模态大模型调用裁剪/缩放等视觉工具来“看图”，但因果审计发现：即使聚合准确率有提升，视觉工具使用在大范围 rollout 中并不因果有效；提升集中在少数校准良好的轨迹上，因此存在“视觉工具使用的幻觉”。

研究问题：模型调用视觉工具后返回的观测证据，是否真的因果地影响了最终答案？ 背景：已有“thinking-with-images”模型使用工具后，相对直接推理往往只有边际甚至负收益，而 token 成本高得多；模型还可能反复裁剪无关区域，并在直接推理能答对的问题上失败。

arXiv 论文

将工具调用从“原生 JSON 调用”改为“程序化工具调用（Programmatic Tool Calling, PTC）”，在 BFCL v4 基准上对 14 个语言模型的评测中，多数情况下能匹配甚至超越原有基线，并在并行与上下文退化条件下表现更稳定；但部分细节因未能抓取论文正文而待核实。

本文系统评估了“工具即代码”这一范式：让模型通过代码（而非固定 JSON）来调用外部工具，从而把工具调用扩展为可自然链式组合、并行执行的脚本。研究问题主要有两个：

arXiv 论文

Surv-IPTB 提出了一种基于注意力机制的框架，将生存数据中的个体治疗获益概率（IPTB）估计转化为二元分类问题，并在非线性合成数据集上相比传统 meta-learner 基线表现更稳健。

在生存分析中，医生需要知道“某个具体患者接受治疗后，生存时间是否比不接受治疗更长”。传统方法通常估计平均或条件平均治疗效果，难以直接给出个体层面的概率。该研究提出 Surv-IPTB，直接估计个体在治疗 vs 对照下获得更长生存时间的概率。

arXiv 论文

本文提出一个强化学习框架，在持久图（Persistence Diagram, PD）空间上定义可控制的随机动力学，使持久图可以通过拓扑感知的局部编辑逐步演化，并能在保留主要拓扑结构的同时降低图的复杂度。

Stochastic Dynamics on Persistence Diagram Space via Reinforcement Learning

arXiv 论文

本文提出一种向量自回归滑动平均（VARMA）模型估计框架，使每次优化迭代的成本与序列长度 \(T\) 无关，从而将基于似然的VARMA估计推广到实践者此前只能使用VAR模型的中等维度问题。

传统上，VARMA模型在中高维度下不实用，原因包括：似然非凸、参数化仅等价类可识别、每次评估都需要遍历整个序列。但滑动平均项可以用少量参数捕捉纯自回归需要很多滞后才能表达的动态。本文旨在移除这一计算障碍。

arXiv 论文

RxnCLF 是一个基于“浓缩反应图”（Condensed Reaction Graph, CRG）的自监督对比学习反应基础模型，在 170 万条 Pistachio 反应数据上预训练，能够在多个反应产率预测基准上优于图基与序列基线，并学习到具有变换感知性和化学可解释性的反应表示。

反应产率预测仍然面临两个主要困难：标注数据稀缺，以及反应空间组合规模巨大且分布稀疏。现有的字符串、指纹和图基反应编码只能部分捕捉化学变换，对于复杂底物的反应，预测准确率受限。RxnCLF 旨在通过自监督对比学习框架，让模型学习更完整的“化学变换”结构，从而改进反应性的预测。

arXiv 论文

本文提出 RRC（Ranking-based Reward Construction），通过从相对偏好排序中构造奖励信号，解决生成式奖励模型与现有强化学习标量打分范式之间的不匹配，从而显著提升生成式奖励模型在 LLM 强化学习中的训练效果。

近年来奖励建模正从判别式奖励模型（discriminative reward models）转向生成式奖励模型（generative reward models）。生成式奖励模型虽然擅长对回答进行排序，但在强化学习中的潜力尚未充分发挥。作者分析认为，原因是生成式奖励建模的比较性本质与现有 RL 算法采用的标量打分（scalar scoring）范式之间存在…

arXiv 论文

RP-OPSD 提出用“推理支点”来引导同策略自蒸馏：先区分目标语言推理中的“表面文本”与“推理支点”，再用教师视图在有/无英文参考解时的分布偏移来定位这些关键决策，从而在数学推理基准上优于强多语言推理基线和已有 OPSD 变体。

RP-OPSD: Reasoning-Pivot-Guided On-Policy Self-Distillation for Multilingual Reasoning Transfer

arXiv 论文

本文提出一个从人类演示中学习机器人运动轨迹的框架，生成的轨迹在21人用户评估中获得71.50/100的整体类人评分（SD=22.56），表明大多数轨迹被感知为“更像人类”；同时发布了包含3142条手写字母轨迹的开源数据集，作为可复现基准。

研究问题：机器人如何通过观察和模仿人类动态来发展运动技能，从而减少对显式编程的依赖？本文将“类人运动”视为人机信任与自然协作的关键因素，提出一个包含数据采集、概率轨迹学习和感知用户评估的完整学习框架。

arXiv 论文

该论文提出一个正式的机制设计模型，让经过验证的人类利益相关者通过“治理币”表达支持或拒绝，最终把净支持转换为受安全上限约束的计算预算授权，并借助硬件签名的计算许可证让治理决策自我执行。

学术预印本，发布于 2026-08-06，arXiv 主分类为 cs.GT，另涉及 cs.AI 与 cs.MA。 研究问题：已部署的 AI 智能体如何接受人类利益相关者的持续参与式治理，而不是只依赖部署者事前审查或事后追责。 核心主张：治理应通过“资源分配”控制 AI 智能体；计算预算是一种有效的治理杠杆，即 Safe AI 范式。

arXiv 论文

QuanTiMedAI结合智能体LLM进行临床特征选择与紧凑量子循环网络进行时序建模，在MIMIC-IV心脏骤停患者死亡预测任务上仅用605个参数取得AUROC 0.852，比当前最先进基线提升约2.9%。

心脏骤停是ICU中最致命的情况之一。尽管电子健康档案数据日益丰富，现有针对心脏骤停人群的死亡预测研究大多依赖入院早期的静态汇总特征，忽略了患者ICU住院期间生理状态随时间恶化或恢复的动态过程。为弥补这一局限，研究者提出QuanTiMedAI——一个由智能体AI引导的量子增强时间序列预测框架。

arXiv 论文

PRISM 提出一种无需生成对抗网络的流匹配（flow matching）框架，用“逐特征门控”替代全局噪声/引导，在非成对图像翻译中同时决定哪些内容要改变、哪些要保留，并在多个自然图像与生物医学基准上取得优于或接近对比方法的性能。

非成对图像到图像翻译在没有配对监督的情况下，需要针对每一张输入图像判断“改什么”和“保留什么”。许多基于扩散模型的非成对翻译器使用作用于整张图像的单一全局噪声或引导值来控制保留程度，无法区分应当保留的内容与需要改变的外观。PRISM 针对这一局限提出新的控制机制。

arXiv 论文

OTLesMix 利用 Wasserstein 重心和最优输运图合成具有更多样形状与位置的医学病灶图像，在三个脑病灶分割任务上将 Dice 分数相对无合成数据训练提升 2.9～6.6 个百分点，并超越现有基于混合（mix-based）的 SOTA 方法。

背景：深度学习推动了医学影像分割，数据增强是提升模型训练的重要手段，包括简单变换（空间操作、强度修改）和更高级的合成技术。 现有问题：多种基于混合真实样本的合成策略，生成的病灶在形状和位置上的变异性有限。 研究问题：如何生成更真实且更多样的病灶样本，以进一步改善分割模型训练？

arXiv 论文

仅利用模型自身多次生成的内部一致性，就能实现同策略自蒸馏：U-OPSD 在不使用地面真值、环境反馈或更大模型指导的情况下，用多数投票构造伪解并蒸馏到模型自己的最长错误补全前缀，在数学推理基准上与使用 ground truth 的 OPSD/GRPO 相当或更优。

OPD/OPSD 一类方法在 LLM 后训练中展现出很大潜力，但现有方法仍依赖外部监督，包括 ground-truth 信号、环境反馈或更大模型指导，因此算不上真正的“自我蒸馏”。本文提出 U-OPSD，研究是否只靠模型自身生成和内部一致性即可完成同策略自蒸馏。

arXiv 论文

NeSy-RAG 把检索增强生成（RAG）的中间推理步骤转化为可执行的 Prolog 查询，通过符号执行得到可追溯答案，并在 ShARC 基准上无需领域专属训练即以 61.1% 的准确率超过同模型 RAG 基线（42.8%）。

标准 RAG 虽然用外部文本语料为 LLM 提供知识，但推理过程仍不透明：中间步骤难以验证，无法可靠地归属到具体证据；同时，用户特定上下文的缺失很少被系统性地检测出来，容易导致不完整或错误回答。为此，作者提出模块化的神经符号 RAG 框架 NeSy-RAG。

arXiv 论文

MetaboLLM 通过持续预训练、监督微调和结构化检索，将代谢组学异构知识转化为可预测的代谢物图（MetaboLLM-GIN），在两个临床预测任务上取得最高 AUC，并优于未适配或未检索的大语言模型配置。

研究问题：代谢组学知识分散在异构资源中，难以转化为可用于患者级预测的表征。 事件/贡献：本文提出 MetaboLLM（代谢组学专用大语言模型），以及将其生成的生化描述转化为代谢物图的 MetaboLLM-GIN，用于可解释的患者级预测。

arXiv 论文

MASS 提出将视频世界模型中的“世界状态”与“视角渲染”显式解耦：由一个学习到的逻辑引擎维护全局权威共享状态，再由渲染引擎按需生成任意视角，从而在多人环境中同时提升状态准确性与跨视角一致性，并支持 1,024 个并发玩家滚动预测 10,000 步。

当前视频世界模型在多人环境中，往往把世界状态与依赖视角的视觉隐变量纠缠在一起，导致重复计算、视角不一致和扩展性差。MASS 受多人游戏架构启发，将世界动力学与视角渲染分离，试图解决上述问题。

arXiv 论文

大语言模型面对外部上下文时，目标不应只是“抵抗误导”，也不应“照单全收”，而是学会“选择性信任”。论文提出 MIST 基准、SC2W 指标和 SCOPE 方法，在降低误导性上下文导致答错率的同时，保留对可信上下文的合理利用。

语言模型越来越依赖外部信号来生成答案，例如检索结果、工具输出或用户附加上下文。一条误导性上下文，就可能让原本正确的回答变成错误。常见的对策是训练模型抵抗这类信号，但这可能让模型无视所有上下文——表面鲁棒，实则无法利用值得信任的信息。本文将问题重新定义为“选择性信任”（selective trust）。

arXiv 论文

作者提出一种新的纵向数据分析单位——Latent Memory Table（潜在记忆表）：它不是普通编码器输出，而是一张可存储、查询、分析与复用的统计表；作者用六个属性组成的综合质量指数 \(Q\) 来论证这张表应当被当作与主成分得分、随机效应估计、预测概率同级的统计对象。

本文针对纵向运动员监测数据，研究如何从“最近的纵向历史”中提取有限维记忆状态。 核心主张：科学贡献不在于编码器，而在于把收集到的记忆状态构建成一张 Latent Memory Table。 这张表通过“记忆算子”将带掩码的窗口化历史映射为有限维状态，并在保留不确定性的情况下汇总这些状态。

arXiv 论文

在尼日利亚移动购物应用中，人工智能（AI）被广泛部署，但平台对其使用方式的透明度有限，削弱了用户对数字技术的知情与控制，构成个人数字主权挑战。

尼日利亚电子商务移动应用的使用正在扩张，带来机遇的同时也引发欺诈、用户对数字技术控制力下降等风险。本研究聚焦于尼日利亚移动应用中的AI如何影响数字主权，并以“平台透明度”作为衡量用户意识与控制权的关键指标。

arXiv 论文

现有实用性检查不足以证明合成临床基准的结构现实性；应将基准修订视为“效用约束下的现实性提升”，在保持运营效用下限的同时显式优化现实性。

面向企业 AI 代理的合成临床基准即使通过现有效用检查，仍可能结构上不现实，在医疗隐私敏感场景中尤难获取运营数据。论文研究如何在不断已有下游效用检查的前提下改进这类基准。

arXiv 论文

在有限结果空间的条件查询假设检验中，两个分布类可被可靠区分，当且仅当它们的成对条件概率存在“正分离”（positive separation）。若分离为零，则任何有限查询预算下的最坏情况最优误差恰好是 $1/2$。预先固定查询的非自适应测试，可以用 $O(N^2(T+\log(1/\rho)))$ 次成对查询，在总变差距离 $\rho$ 内模拟任意 $T$…

论文研究模型评估中的一种选择：评估者可以在一开始固定所有测试，也可以根据之前得到的响应来选择后续测试。作者在一个有限结果空间 $\mathcal{X}$（$|\mathcal{X}|=N$）上的条件查询模型中研究这一选择。

arXiv 论文

该研究尝试用“基因组语言模型”对噬菌体进行生成式设计；因未能获取论文正文，具体方法与结论均待核实。

本卡片基于 Science 期刊元数据生成：文章标题为 *Generative design of bacteriophages with genome language models*，发表于 Science 第 393 卷第 6811 期（2026 年 8 月）。研究问题可初步概括为：如何把语言模型方法用于基因组序列，从而设计具有预期功能的噬菌体。具体…

science.org

本文提出“全子式数字孪生网络（HDT-Nets）”框架，将数字孪生从被动镜像物理资产转变为主动推理的智能体，并利用无线网络的感知与通信能力，为物理AI提供实时协同推断与决策的概念方案（该框架为提案，实际效果待核实）。

现有AI工具（包括深度学习、生成式AI）嵌入机器人、车辆等物理系统时仍会失效，根源在于难以在不确定性和未知场景下维持可靠世界模型，也无法进行长时程规划。 无线网络有望通过泛在感知与通信来编排“物理智能”，但当前网络架构主要优化吞吐量、时延和可靠性，无法支持物理AI所需的实时协调和共享时空上下文。 为此，论文提出HDT-Nets框架，试图让网络中的全子式数字…

arXiv 论文

根据 arXiv 摘要，EmoWorld 在冻结的流匹配视频扩散 Transformer（Video DiT）中，将视频生成里的全局氛围、情绪语义线索和时间演化解耦，并通过 VAS/SAS/TAS 三种机制实现可控情感视频生成。在 Wan2.2 上，VAS 使目标情绪对齐提升 19%、时间波动代理指标下降 48%；SAS 使目标情绪对齐提升 37%、检测到…

摘要指出，情绪会影响观众如何理解一个场景，但现有视频生成模型往往把“全局氛围”“带情绪含义的语义线索”和“时间进展”纠缠在同一个文本条件中，难以独立控制。EmoWorld 提出在冻结的 Video DiT 内解耦这些因素：准备阶段提取层相关的情感方向和可复用线索库；推理阶段通过视觉氛围、语义情感和时间情感三条路径分别控制生成。

arXiv 论文

在FLAIR影像上先做超分辨率再分割白质高信号（WMH）时，主要风险是**抹除小的真实病灶**而非幻构出不存在的病灶；这种抹除随模拟层厚增加而加重，但所有重建方法仍比原始厚层扫描更有利于病灶检出；其中ECLARE表现最好，多对比隐式神经表示（INR）并不优于三次插值。

临床上FLAIR常以厚层采集，面内分辨率尚可但穿层分辨率差。超分辨率（SR）常用于把各向异性扫描重建为各向同性体积。但SR是否在WMH分割前保留病灶内容未知：模型可能抹除小的真实病灶，也可能幻构出本来没有的病灶。本研究系统评估这一问题。

arXiv 论文

本文提出深度引导的检测器 DG-Det 和通用后处理流程，通过融合深度线索、多尺度 RGB-D 交叉注意力、显式遮挡预测与跨帧去重，在拥挤和遮挡场景的视频目标计数任务上，相比现有基线将 MAE 降低 62.01%，RMSE 也一致改善；同时发布了一个带深度信息和多类别标注的 RGB-D 视频目标计数数据集。

研究问题：在拥挤场景中进行视频目标计数，即根据给定文本或视觉提示，稳健地统计某一目标类别的所有实例。 现有方法主要依赖 RGB 信息，在拥挤和遮挡条件下区分能力不足。 本文思路：引入深度信息以增强空间理解，并设计统一去重框架解决跨帧重复计数问题。

arXiv 论文

DASH 提出在标准同策略自蒸馏（OPSD）的逐 token 监督中引入“散度自适应传播门”，根据局部散度相对序列均值的偏差动态调整反向多步聚合，从而在不增加任何 teacher/student 前向计算的情况下，在 3 个数学推理基准、3 个模型规模上一致优于 vanilla OPSD。

带可验证奖励的强化学习（RLVR）能提升大模型推理能力，但奖励信号通常是序列级的、稀疏的。OPSD 通过查询特权教师模型，在 student 访问过的前缀上提供稠密的 token 级分布监督，缓解了信号稀疏问题。

arXiv 论文

根据论文摘要，本文指出可解释人工智能（XAI）在“解释方法的评估”方面存在不足，并通过DetoxAI图像识别系统、人类基础评估示例，以及应对概念漂移的反事实解释适配等案例加以说明，最后强调需要追踪数据、模型和解释的共同演化。由于未获取正文，具体结论细节待核实。

研究问题：如何评估解释方法？现有评估是否充分？在涉及概念漂移的演化数据场景下，解释方法如何调整和验证？ 论文以DetoxAI图像识别系统为案例，展示XAI评估不足的问题，该系统用于偏见检测和概念遗忘（具体机制待核实）。 随后给出一个“人类基础评估”（human-grounded evaluation）的实例，用于评估解释图像分类的方法（评估任务和指标待核实…

arXiv 论文

CalibForge 提出用“求解器相对的可学习区”来合成终端任务：通过对抗性求解器校准，让候选任务既可执行可验证，又对训练中的智能体具有适当挑战性，最终构建 5,431 个校准终端任务，并在 Terminal-Bench 2.0 等基准上显著提升模型性能。

训练终端智能体需要可执行且可验证的任务，但“可求解”不等于“适合学习”。现有的可执行性验证只保证任务可行，无法揭示任务在给定求解器设置下对学习过程是否具有适当难度。CalibForge 针对这一问题，提出利用求解器的已验证行为来反向修订候选任务，从而自动合成“可学习”的终端任务。

arXiv 论文

本文提出并检验了用概念激活向量（CAVs）分析两类基于Transformer的L2口语自动评分系统内部是否存在对第一语言（L1）、年龄等无关属性的偏差；发现概念的可恢复性与敏感性依赖模型表示和架构，稀疏自编码器（SAEs）虽提高了概念的线性可恢复性，但会削弱原始激活空间中的敏感性。

自动口语评估系统越来越多地用于高风险场景，例如给第二语言（L2）学习者的口语测试打分。关键诉求是：分数应取决于口语水平，而不是母语（L1）、年龄等与能力无关的属性。基于Transformer的基础模型提高了这类评分器的准确率，但其黑盒表征使公平性和可解释性分析更困难。本文研究的问题是：如何检测并区分神经网络口语评分模型内部是否编码了不想要的“概念”，以及这…

arXiv 论文

在表格密集的长文档（如财务报告、审计报告、监管申报）中，基于“文本分块 → 嵌入 → Top-K 近邻”的 RAG 设计会结构性丢失单位与表头上下文；本文提出的 READ 用三种确定性操作替代黑盒检索，在 51 个已验证问题上达到 58.8% 准确率，显著高于稠密检索的 15.7%（Holm 校正后 p=2×10⁻⁵）；但 BM25 与 READ 在统计上…

长文档检索增强生成（RAG）的主流设计是：切分文本、对块做嵌入、返回查询的 Top-K 近邻。 本文认为，对财务报表、审计报告、监管申报等文档，这一设计在结构上不可靠。 在一份 780 页的政府财务报告中，86.8% 的内容行是表格行；大量近乎相同的数字同时出现在同一个嵌入空间中。 数字的单位通常来自其上方中位数 13 行处的表头；分块边界常常把数字与其单…

arXiv 论文

任务型对话智能体（task-oriented conversational agents）的评估结果是否可信，取决于 benchmark 本身是否可靠；本文提出一个无需参考标准（reference-free）的框架，用 LLM 作为裁判，从“一致性、复杂度、策略覆盖度”三个维度评估 benchmark 质量，并提供可操作的弱点诊断。

现状：任务型对话智能体通常使用人工整理或自动生成的 benchmark 来评估，但 benchmark 本身的质量很少被评估。 问题：低质量 benchmark 可能包含不一致的任务、过于简单的场景、有限的策略覆盖，从而导致对智能体的评估不可靠。 目标：提出一种系统评估 benchmark 质量的方法，而不是只评测智能体本身。

arXiv 论文

GB/T-Bench 是首个面向国家标准文件结构化审查的基准，实验显示最强 LLM 与专家仍有显著差距；提出的多智能体框架 GB/T-Reviewer 可将最佳审查得分从 0.3280 提升至 0.5094。

国家标准文件（如中国 GB/T 标准）篇幅长、结构高度规范，且受范围、术语、规范性表述和章节一致性等显式规则约束，是评测 LLM 处理规则密集型文档审查的代表性场景。 现有基准多关注领域知识与问答，忽略了对专业文档的内在质量审查；这类审查高度依赖人类专家，成本高且难以规模化。 为了弥补这一空白，作者构建了 GB/T-Bench，并提出了增强审查能力的 GB…

arXiv 论文

BaKron: Efficient Quantization with Kronecker-Factored Hessians

arXiv 论文

AV-AIVAT 将方差缩减工具 AIVAT 与随时有效置信序列（CSs）结合，使两个智能体的强弱比较可以在“证据已经足够”的那一刻合法停止；在 95% 名义水平、目标精度 ±1 大盲注、使用渐近置信序列（AsympCS）时，原始收益所需的中位对局数是 AIVAT 校正后收益的 74 倍。

比较两个智能体谁更强，通常要靠多局博弈让技能差异压过运气噪声。每局博弈都有金钱、模型推理或专家时间成本，而且所需局数事先未知。

arXiv 论文

研究问题：在 agnostic PAC 设定中，二分类假设类 \(H\subseteq\{-1,+1\}^X\) 的 VC 维为 \(d\ge1\)，目标是从 \(n\) 个 i.i.d. 样本中输出 \(\widehat h\)，使其风险 \(L(\widehat h)\) 尽量接近 \(H\) 内最优风险 \(L^*=\min_{h\in H}L(h)…

arXiv 论文

本文提出一个六维分类法，用机制、目标、数据需求、持久性、结构范围和模型类型六大维度统一描述与比较训练后适应（post-training adaptation）技术，为AI治理中的模型变更追踪提供共同词汇表。

训练后适应已成为现代机器学习实践的核心，包含重训练、微调、参数高效适应、对齐、检索增强、模型编辑、遗忘、校准和多模态指令微调等。然而，相关文献在技术族、模型类别和部署场景之间高度碎片化，导致不同方法难以比较，训练后模型究竟被如何修改也缺少统一描述。该综述旨在整合这些文献，提出一个系统的分类框架。

arXiv 论文