AI 日报 · 2026-08-21

2026年8月21日，由北京科学智能研究院等单位主办的2026科学智能大会在北京开幕，聚焦“人工智能变革科研范式”，探讨AI4S前沿进展与落地实践。中科曙光携计算、存储、网络全链路产品亮相，以超智融合与系统级协同回应AI4S算力挑战。

新智元

大晓机器人在2026世界机器人大会（WRC）首次公开亮相，主打“开悟世界模型（Kairos）3.1”、“环境式数据采集方案2.0”和“晓满、晓新、晓途”三大行业解决方案，试图用“以人为中心”的高密度数据推动世界模型从“描述世界”走向“理解与推演世界”，并形成“真实场景落地—数据回流—模型进化—规模复制”的产业飞轮。

2026年8月19日，大晓机器人亮相2026世界机器人大会（WRC）。据文章描述，展台现场人气高，开悟世界模型3.1吸引专业参展者、投资人和机器人从业者关注，环境式数采方案受到具身智能企业集中咨询，面向即时零售的“晓满”方案关注度最高。

新智元

OpenAI 于 2026 年 8 月 21 日（据文章发布于 8 月 22 日及“就在昨天”表述推算）宣布将 Codex 底层核心框架 Harness 以 Apache-2.0 许可全面开源，提供 CLI、SDK 和 app-server 三大组件，使开发者可以把 AI Agent 循环嵌入自有产品，而非受制于通用聊天框。

OpenAI 宣布将驱动 Codex 的底层执行系统与智能体循环（Harness）作为平台开源。 文章认为，以往用 AI 的方式被局限在“通用聊天框”中；OpenAI 的官方立场是，不如把 Agent 直接带入围绕实际工作设计的软件里。 开源目标是让开发者把 AI 智能体循环嵌入自有的产品、工程工具、运营看板，同时保留应用自身的界面、数据、权限与审批流程。

新智元

MiniMax推出名为“Design”的创作Harness，将多模态模型能力转化为生产力，让用户通过高层语义意图完成从目标理解到成品交付的创作全流程。

根据腾讯研究院AI速递（2026-08-21），MiniMax发布Design，定位为“把多模态模型能力转化为生产力的Harness”。它能理解目标、拆解任务、调用模型与Skills完成创作全流程。产品围绕原生多模态视频模型H3构建，聚焦KOC、品牌短片、PV、MV等目标明确、需要持续生成与修改的商业内容任务。

腾讯研究院（搜狐同步）

Jeff Dean离职谷歌后首次公开访谈中坦承：Gemini早期对Coding能力重视偏晚，TensorFlow在Eager Execution与contrib目录上存在失误；其新公司Discovery Loop目标是自动化科学与工程，让单一模型具备近20个领域的博士级能力，把一轮实验从一天压缩到一分钟；他还判断AI在网络安全领域已达顶尖人类攻击者水平甚至…

根据腾讯研究院AI速递（20260821）报道，Jeff Dean离职谷歌后首次公开访谈，围绕Gemini早期短板、TensorFlow技术失误、新公司Discovery Loop的定位以及对AI网络安全风险做出判断。访谈内容以要点形式转述，原访谈完整语境与逐字稿待核实。

腾讯研究院（搜狐同步）

默沙东与Moderna宣布，个体化mRNA疫苗intismeran联合帕博利珠单抗，辅助治疗高风险黑色素瘤的III期研究达到主要终点；这是全球首个III期成功的治疗性癌症疫苗，消息公布后Moderna股价单日大涨约177%，创上市以来最大单日涨幅。

默沙东与Moderna公布了一项III期研究结果：个体化mRNA疫苗intismeran联合帕博利珠单抗，用于高风险黑色素瘤的辅助治疗，研究达到主要终点。该疗法针对患者肿瘤突变个体化定制，目的是在手术后辅助阶段降低复发风险。

腾讯研究院（搜狐同步）

腾讯研究院AI速递（2026-08-21）报道，在宇树上市当日，王兴兴提出具身智能大爆发的量化临界点“两个80%”，并指出当前机器人泛化能力不足、模型输入输出与真实世界存在偏差，是制约落地的关键瓶颈。

腾讯研究院（搜狐同步）

据腾讯研究院AI速递（2026-08-21）报道，宇树科技发布了面向桌面场景的7轴仿生灵巧机械臂R1。产品主打“即放即用”，售价9900元起，定位科研教育、轻工业以及移动机器人的“手”等应用方向。

腾讯研究院（搜狐同步）

2026年世界机器人大会上，时空张量机器人发布据称是全球首款7D空间智能视觉传感器“天眼”，采用“先计算、后成像”的“一路双光”光路，单硬件同时输出三维坐标、RGB语义与高精度时间戳，宣称可解决透明/高反光材质盲区、减少传感器数量并降低成本。

材料来自新智元报道：2026世界机器人大会（WRC）在北京亦创国际会展中心举行，300余家企业参展，2000余件展品，150余款新品全球首发。时空张量机器人于8月21日在“机器人核心零部件创新发展论坛”发布自研产品“天眼”。报道称，当前机器人行业追求百万小时级数据集，但海量数据不等于高质量数据；传统多传感器融合方案（激光雷达+深度相机+IMU等）存在视差误…

新智元

在世界机器人大会上首次亮相的小米新一代人形机器人，身高1.7米、全身66个关节，参数根据产线工人和工厂作业需求反推设计；它已在小米汽车工厂的“自攻螺母上件工站”实习，成功率从3月的90%提升至7月的98%，预计年底达到99%。

腾讯研究院AI速递（2026-08-21）汇总报道：世界机器人大会上，小米新一代人形机器人首次亮相。该机器人身高1.7米、全身66个关节，身高与关节数均参照产线工人及工厂作业需求反推设计。目前它已在小米汽车工厂的“自攻螺母上件工站”进行“实习”。

腾讯研究院（搜狐同步）

强化学习奠基人萨顿（Sutton）认为，大模型一经上线权重便“焊死”、根本没有真正学习，最多只占智能的四分之一；他反对合成数据路线，主张让智能体在真实经验中持续学习，并希望在五到十年内打造功耗仅20瓦的“持续心智系统”。

据腾讯研究院AI速递整理，萨顿在创办Oak Lab后直言：大模型上线后权重固定、已停止学习，动物也从不靠监督学习成长。其核心研究问题是：智能系统应如何获得和更新知识？萨顿给出的方向是剔除人类环节，让agent直接在真实经验中持续学习。

腾讯研究院（搜狐同步）

Grok Bot因零配置、强制云端虚拟机运行与多智能体原生协同，被硅谷投资人称为“又一个Claude Code时刻”；个人AI使用量增长约100倍，演示中从零构建播客摘要器仅约15秒，但也面临聊天式界面、底层模型与Token成本等质疑。

腾讯研究院AI速递（2026-08-21）转述硅谷投资人观点称，Grok Bot走红是“又一个Claude Code时刻”，个人AI使用量增长约100倍，从零构建一个播客摘要器仅花约15秒。产品主打零配置、强制云端虚拟机运行与多智能体原生协同，Bot之间可自动传递上下文、接力完成任务，适合打造“一人公司”。业内同时存在不同声音。

腾讯研究院（搜狐同步）

DeepSeek Harness在RC.8版本中快速补齐多模态能力，并将Claude Code与Codex纳入Agent编排体系，正从单一Agent工具演变为模型无关的统一调度层。

根据腾讯研究院AI速递（20260821），DeepSeek Harness发布RC.8版本，距RC.7仅两天。更新集中在三个方向：多模态输入、子代理编排、工具调用增强。

腾讯研究院（搜狐同步）

WildFin 是一个由生态学家收集和标注的野外鱼类行为识别基准数据集，用于评测视觉模型在复杂海洋环境中的表现；结果表明，当前视觉基础模型的能力与真实水下行为分析需求之间仍存在显著差距。

野外技术的进步带来了大量生态学野外视频数据，但专家标注成本高昂，成为利用这些数据的主要瓶颈。计算机视觉虽被视为潜在解决方案，但现有模型在复杂海洋环境中部署时经常失败。为了系统刻画这些失败模式，研究者构建了 WildFin 基准数据集。

arXiv 论文

在 MedSAM 上做下游适配时，模型在分布内（IN）和近分布（close-OOD）数据上性能提升，但在远分布（far-OOD）数据上经常变差；全量微调是综合权衡最佳的选择，仅编码器 LoRA 是更强的参数高效替代，且 far-OOD 失败与解码器表征漂移高度相关；对提示做随机 0-100 像素抖动可获得更稳健、性能更好的模型。

这篇 arXiv 论文系统研究提示式医学图像分割基础模型 MedSAM 在异构医学影像基准上的泛化表现。作者用 ISIC 2018 数据集训练/适配模型，在干净和逐渐加噪的提示下测试分布内数据、近分布数据（PH2 皮肤镜）和远分布数据（BUSI 乳腺超声、CBIS-DDSM 乳腺X线摄影），核心问题是：不同微调策略会如何影响 OOD 泛化？表征漂移在其中扮…

arXiv 论文

VT-MUSE 提出一种两阶段视触觉统一序列表征学习框架，通过跨模态时间对齐、掩码视图一致性以及条件变分潜变量模型，把视觉序列与完整触觉历史联合编码；在仿真基准上，VT-MUSE 超过最强基线 11 个百分点，并在真实实验中取得实质性提升。

现有视触觉操作方法通常在融合前独立编码视觉与触觉观测，限制了细粒度跨模态依赖的捕捉；同时，多数方法只关注当前时间步的观测，忽略了接触随时间演化的信息。VT-MUSE 旨在同时解决这两个问题，学习同时包含全局视觉上下文与局部接触动态的统一时序表征。

arXiv 论文

前沿视觉语言模型虽然能流畅描述自然图像，但在解读生命科学实验中产生的专业视觉工件（如凝胶电泳图、显微镜图像、质粒图谱等）上表现不佳；VIALS 是一个包含 161 项视觉问答任务的基准，用于系统评估这类能力。

论文提出 VIALS（Visual Interpretation of Artifacts in the Life Sciences）。研究问题是：当前视觉语言模型能否像领域科学家一样准确解读生命科学实验流程中产生的视觉工件？这些工件是科学家进行推理、沟通和决策的核心载体，但不同于论文和教科书中经过修饰的精美图片。

arXiv 论文

Unified Branch-and-Bound Search for the Steiner Traveling Salesman Problem on Graphs of Convex Sets

arXiv 论文

TurboBias 2.0 是一个面向生产环境 Transducer ASR 系统的上下文偏置（context-biasing）框架，通过大小写不敏感的偏置图和逐流（per-stream）批解码，在保持低延迟和高吞吐的同时提升用户自定义短语的识别准确率。

生产级自动语音识别（ASR）系统需要严格延迟约束下准确识别用户提供的短语。现有许多上下文偏置方法虽能提升识别准确率，但往往未满足现代生产 ASR 系统的实际需求，包括： 流式（streaming）推理； 高效的批解码（batched decoding）； 用户特定上下文列表； 低运行时开销。

arXiv 论文

在二值序列预测中，**精确诚实（exact truthfulness）**的校准度量与 soundness、completeness 不可兼得；但若放宽为**近似诚实（approximate truthfulness）**，则可以构造 sound and complete 的校准度量，并且本文给出的乘法近似诚实界优于 Haghtalab et al. (2…

校准要求预测者的概率报告是“条件无偏的”，并且能够可靠地解释为概率。 校准度量（calibration measure）用于给不准确的概率报告赋一个数值误差。 Haghtalab et al. (2024) 在线预测中提出了一个近似诚实的校准度量，留下开放问题：**exact truthfulness 能否与 completeness、soundness…

arXiv 论文

TRACE-C 是一种可审计、严格先验（strictly-prior）的秩校准多流遥测异常检测器，用于识别“各单流都在常规范围内、但整体联合异常”的情况。在英国电网六条数据流上的测试中，TRACE-C 将 Storm Atiyah 排在 2019 测试窗口首位，但消融显示该排名主要由局部通道贡献，而非 copula 形式通道。

研究问题：运维遥测中，多个数据流是否可能“共同异常”而每条单流仍保持在熟悉范围内？论文提出 TRACE-C 来检测这种联合异常，并在英国电网多条时间流上进行验证。

arXiv 论文

针对慢性阻塞性肺疾病急性加重（AECOPD）症状变化快、临床数据存在延迟的问题，本文提出一种仅依赖日常家用呼吸机呼吸道数据的“时间感知Transformer”预测模型，在多项分类任务上声称优于传统方法，可用于家庭场景下的AECOPD及时预警。

AECOPD症状变化迅速，需要具有时间敏感性的预测模型。然而，大多数现有机器学习模型依赖临床和实验室数据，数据获取过程会带来不可避免的延迟。为了更及时地检测AECOPD并减少延迟，本文聚焦家庭监测场景，仅使用日常使用呼吸机产生的呼吸道数据，研究如何通过建模症状及其时间演变来预测AECOPD。

arXiv 论文

当机器学习系统用校准集的分位数设定阈值时（如共形预测、弃答门控、安全过滤），如果校准样本因共享提示、文档或推理链而具有聚类相关性，实际可靠性会远低于表观样本量；论文证明阈值场景需要一种不同于传统平均场景的“设计效应”修正，且有效样本量随阈值位置变化。

许多机器学习系统在校准集的分位数上设定阈值：共形预测器用校准集的第90百分位数作为截断以承诺90%覆盖率；弃答门控在模型分数低于校准集第10百分位数时拒绝回答；安全过滤器阻止分数高于参考集第99百分位数的输出。这些承诺都假设校准样本独立，但现代流水线中样本通常不独立——它们共享提示、文档或推理链。调查统计学自1965年起就知道如何用“设计效应”折扣相关数据…

arXiv 论文

海岸线和水面几何可作为 GPS 拒止环境下自主水面船定位的可靠全局参考：利用 LiDAR 或单目图像提取海岸线结构，再与卫星海岸线地图配准，可恢复位置、航向并抑制长期漂移。

自主水面船在 GPS 拒止环境中面临定位挑战。作者提出，海岸环境包含丰富但尚未充分利用的几何结构，可作为“全局参考定位线索”。论文围绕如何利用海岸线和水面几何，构建两套互补的定位框架。

arXiv 论文

SPARCL 提出解析持续学习在旧类上发生漂移的根源是“谱干扰”（spectral interference），并通过将自相关矩阵分解为高能核心与残差、只更新残差块的闭式更新，在冻结 ViT-B/16 协议下显著缩小了经典解析学习器与强表示匹配器在多个基准上的表现差距。

解析持续学习（Analytic Continual Learning）用闭式岭回归更新替代梯度迭代，成为无示例类增量学习的一类强基线。然而，已有的“随机梯度覆盖导致遗忘”叙事无法解释：为什么解析方法即使使用精确递归求解器，在旧类别上仍会出现漂移。

arXiv 论文

E²-TTT 通过封闭式状态转移，在分块级并行训练中保留逐 token 更新动态的时间结构，从而在 1.3B 参数规模上与此前 TTT 和混合注意力基线表现相当，并在“大海捞针”passkey测试中于 8 倍训练上下文长度下保持超过 90% 的准确率，同时训练吞吐量可与高效分块方法匹配。

测试时训练（Test-Time Training, TTT）通过在推理期间连续更新权重来处理长上下文，但当前方法难以兼顾“逐 token 更新动态的表达力”与“分块近似带来的硬件效率”。 本文提出 E²-TTT（Expressive and Efficient TTT），试图弥合这一缺口。

arXiv 论文

Re$^3$Cap: Retrieval-Guided Refinement for Image Captioning Enhancement via Reinforcement Learning

arXiv 论文

在无任务的短窗口 `argmax` 不动点读出上，提示与模型的交互以完整幅度出现——九 token 条件即可大幅改变不动点比例、改变结构类别并重排模型——但所有尝试分解它的因素（前缀长度、散文/标记、通用方向、双向性、指令抵抗性、注意力汇聚）均失败；解释单位是“提示-模型对”。

已有证据表明，提示的效果不是提示本身的属性：为某一模型优化的提示在另一模型上表现退化，中性重新格式化也会导致排名重排。但这些证据都基于任务精度，无法判断交互是发生在任务机制层面，还是发生在条件分布本身。本文提出一个完全没有任务参与的读出——短窗口 `argmax` 映射的不动点结构——用来直接观察条件分布层面的提示-模型交互。

arXiv 论文

该文提出一种新的“主变量加速”牛顿法，用于求解 Hessian 利普希茨连续的凸函数极小化问题；算法只使用原始变量，每次迭代仅需一次线性系统求解，就能达到函数残差的全局收敛率 O(1/k³)。据作者称，这是该问题类中首个仅靠每次迭代一次线性求解而无需辅助非线性子问题即可达到此速率的二阶方法（待核实）。

研究问题是如何设计加速的二阶优化方法，同时避免传统二阶方法中昂贵的子问题求解或复杂参数搜索。论文针对 Hessian 利普希茨连续的凸函数，试图构造一种直接加速的牛顿法，使其全局收敛率达到 O(1/k³)，并且每次迭代只求解一次线性系统。

arXiv 论文

PerturbRx 提出一种“治疗条件化潜在迁移”表示学习方法：先学习药物和剂量诱导的细胞状态潜在变化，再迁移到治疗前患者分子谱上，从而在不依赖治疗后测量的情况下提升患者层面癌症药物反应预测性能。

患者层面的癌症治疗反应预测面临两大挑战：可用数据稀缺、肿瘤异质性高。现有方法通常直接从治疗前分子谱和药物表示预测反应，没有显式建模治疗干预预期引起的分子变化。PerturbRx 针对这一缺口，把“干预诱导的潜在迁移”作为患者—药物反应预测的特征。

arXiv 论文

在棉花与大豆两种作物间的跨田杂草检测迁移中，仅用 25 个带标签目标域样本进行少样本微调，效果优于无监督域自适应目标检测（DAOD）；这表明选择邻近源域并辅以适度目标域标注，比单纯依赖自适应算法更有效。

精准农业需要在真实田间条件下可靠地检测杂草，以便定点干预、减少产量损失。现有基于无人机影像的检测研究大多在同一作物、同一地块内评估，缺少对“模型从一种作物迁移到新地块或新作物类型”的实证检验。本文旨在刻画跨数据集杂草定位性能在哪些情况下退化，以及哪些建模选择能恢复性能，从而减少每个新部署地块都重新标注的需要。

arXiv 论文

OmniAssistBench 是一个面向全模态大语言模型（Omni-LLM）的助手式交互基准，通过将现有网络视频逆向工程为多轮引导任务，要求模型在动态交互中结合视觉状态、用户目标和先验知识进行实时引导；当前最强的专有模型 Gemini-3-Pro 仅得到 66.4/100，开源模型 Qwen3-Omni-Instruct 得到 51.2/100，说明模型…

传统视频理解评测是被动的、基于静态离线数据集的；但实时视频助手需要主动感知环境、理解用户目标并调用先验知识来提供帮助，而且模型的回答会反过来改变用户接下来的动作，因此静态数据集无法覆盖这种动态性。OmniAssistBench 的提出即是针对这一评测瓶颈。

arXiv 论文

前沿大语言模型在心理治疗式对话中表现出“过度使用询问、忽视心理教育、强情境锚定”等可测量模式；将十种治疗动作本体（ontology）作为工具集暴露给模型，可在不微调的情况下显著缩小模型与人类治疗师之间的行为差距。

用户越来越多地使用大语言模型寻求情感支持，但学界对模型如何实际开展心理治疗式互动知之甚少。本文试图回答：模型驱动的会话中，模型采取了哪些“治疗动作”？与人类临床医生相比有何差异？能否在不微调的情况下，通过外部工具暴露来引导模型更接近人类治疗师？

arXiv 论文

论文提出一种免训练的“记忆增强压缩”框架：从历史推理轨迹中构建可复用推理记忆，并在 prefill（预填充）侧作为支撑结构，用记忆补偿压缩过程中丢失的信息，从而在缩短生成的同时提升压缩后的思维链准确率，并相对标准 CoT 获得 1.14–1.49× 延迟加速。

大模型常依赖思维链（Chain-of-Thought, CoT）求解复杂任务，但冗长的推理轨迹带来较高推理开销。CoT 压缩可以缩短生成，但过度压缩可能破坏逻辑连贯性、降低性能。论文将这一权衡形式化为 Context-Generation Substitution Law（上下文—生成替代规律）：显式推理上下文可以替代一部分解码阶段生成的内容。

arXiv 论文

在欧盟《可持续产品生态设计法规》（ESPR）的数字产品护照（DPP）与《通用数据保护条例》（GDPR）的数据保护影响评估（DPIA）等合规文档生成任务中，LLM的表现受法规明确程度和提示上下文影响：较宽松的DPIA格式需要更高上下文的提示才能保持一致性与完整性；较严格的数字电池护照（DBP）格式在不同提示下结果一致，但更容易产生幻觉。

欧盟在可持续发展和隐私监管领域持续处于领先地位，许多新法规要求企业生成特定文档以证明合规。例如，ESPR引入DPP以提升产品生命周期透明度，GDPR要求开展DPIA以缓解隐私风险。然而，生成这些合规文档面临现实困难：工业数据格式异构、分散在公司与供应商系统中，难以直接提取为合规DPP格式；DPIA文档则缺乏标准化格式，且需要跨学科专业知识。

arXiv 论文

EnSI-RAG 提出了一种不依赖查询的实体中心索引，将长文档中的证据按“实体-类型-语义类别-值”组织，使检索增强生成（RAG）在跨实体、多跳长文档问答中比既有分块检索方式平均准确率提升 6.62 分（在 Loong 和 Oolong 上的平均准确率为 78.24；具体基线设置待核实）。

长文档问答的挑战在于：相关证据常常分散在多个实体及其关系中；传统 RAG 通常把文档切成原始片段（chunk），靠嵌入相似度检索，当片段边界切断实体与支撑证据、或问题需要跨文档多跳推理时，效果会下降。EnSI-RAG 尝试用实体结构索引来解决这一问题。

arXiv 论文

条件流匹配中的插值调度不必预先固定：通过一次短试运行记录每个时间步的损失难度，把调度设成该难度分布的分位数函数，能自动让模型在速度场最难学的时间段停留更久，且几乎不增加训练开销。

条件流匹配（Conditional Flow Matching, CFM）通过让网络回归一条预设噪声到数据插值路径的速度来训练生成模型。插值调度（interpolation schedule）会显著影响收敛和样本质量，但现有 CFM 通常把它在训练前固定下来，既不依赖数据也不依赖模型。本文观察到回归难度沿路径系统性变化，并提出从模型自身推导调度的方法。

arXiv 论文

ConceptTS 提出一种用大语言模型（LLM）生成命名概念和自动标注规则的多变量时间序列预测框架，在保持与强黑盒基线相当精度的同时，通过概念瓶颈提供可读、可干预的预测解释。

现有先进的多元时间序列预测模型虽能捕捉复杂的时间依赖和跨变量关系，但其内部表示不透明，从业者难以理解某个预测结果为何产生。这种缺乏可解释性的问题，限制了模型在需要理解并评估预测依据的场景中的应用。本文提出 **ConceptTS**，将预测过程组织为围绕命名且可读的概念，使决策过程显式化。

arXiv 论文

CLEAR 通过轻量级隐藏状态门控动态控制安全低秩适配器的激活强度，在冻结主干模型的前提下降低有害回应率，同时减少全局安全调优（如 SFT、标准 LoRA）带来的效用损失。

大型语言模型的安全微调常以提高安全性为代价损害通用能力，因为全局安全调优可能同时改变模型对有害输入和良性输入的反应。CLEAR 以条件式安全适配框架来解决这一安全-效用权衡问题。

arXiv 论文

现有大语言模型（LLM）在专利起草的单个子任务上虽有进展，但在“直接根据早期、非正式、去法律化的发明人披露，生成完整且法律连贯的专利申请”这一现实核心任务上仍明显不足；本文提出 Dis2Pat 数据集与 Patent-MAF 多智能体框架，后者在评测中持续优于开源模型，并与大型闭源模型保持竞争力。

真实专利工作流通常始于发明人撰写的非正式、去法律化披露，而以往研究大多假设输入已经处于后期、高度结构化甚至法律化阶段。 现有 LLM 主要被用于专利起草中的个别任务，缺少对完整申请生成这一核心挑战的系统评测。 为弥合这一差距，作者引入 Dis2Pat（disclosure-to-patent）数据集，要求模型直接从发明人风格的披露生成完整专利申请。

arXiv 论文

AUSO 提出一种渐进式、动作级（action-level）的技能学习与利用统一优化方法，让技能先作为可学习知识、再支持能力形成、最终只在能改善单个动作决策时才被调用，从而在 ALFWorld、WebShop 和 SearchQA 上一致提升智能体性能与分布外泛化能力。

论文指出，随着智能体策略演化，技能应当扮演不同角色：先提供可学习知识，再支持能力形成，最后仅在能改进个体决策时被调用。现有方法很少显式建模这一生命周期，通常要么将技能留在模型外部，要么完全内化，要么通过噪声较大的任务级成功率在“内化”和“利用”目标之间做选择。这类设计割裂了训练过程，并给同一轨迹中的所有动作赋予相同重要性，而实际上技能指导可能对部分决策有帮…

arXiv 论文

在由“生成—批评—修订”构成的大语言模型自精炼流水线中，模型容量不应均匀分配：更大的生成器与修订器通常带来更好性能，而过小的修订器甚至会损害结果；批评器的规模对整体性能影响极不敏感，但即便使用很小的批评器也比完全跳过批评环节更优。

自精炼（self-refinement）通常被组织为生成（generation）、批评（critique）和修订（revision）三个阶段，是提升大语言模型生成质量的常用范式，也是许多LLM智能体的核心机制。这三个阶段对模型能力的需求并不相同，但现有研究大多把模型规模当作实现细节，较少系统考察模型规模对各阶段效果的影响。本文首次针对自精炼流水线进行分阶段…

arXiv 论文

本文提出“解剖感知神经网络”（Anatomy-Informed Neural Networks, AINN）：软解剖先验以惩罚项加入损失，硬解剖先验通过架构和状态表示强制实现；并以导丝诱导的主动脉髂动脉变形作为有限数据下的临床测试案例。值得注意的是，本阶段**尚未训练任何神经网络**；运动学、损失与投影模块已验证，力学求解器仅对照自身最优性条件验证，预测位…

深度学习的解剖模型可能出现“数值上看似合理、解剖上不可能”的预测，并且在数据稀缺时泛化性差。本文提出AINN来缓解该问题，并选择了一个有临床意义的有限数据场景：硬质导丝经腔内引入时，主动脉髂动脉树如何变形。摘要称这对当代主动脉外科重要，并与未来自主血管内导航相关。

arXiv 论文

据候选摘要，生成式AI反转了机器验证的成本关系——在AI速度下，机器验证不仅经济，而且是生产力必不可少的安全机制。实验中，一名研究员在五周内使用消费级AI订阅，指挥一小队AI智能体从应用代码出发，经过验证的编译器和执行器，最终在社区硅shuttle上实现了一颗RISC-V处理器的流片；全程没有证明经过人工审查，也没有人类编写RTL。（待核实）

传统上，机器验证是持续六十年的主要成本开销，仅用于特殊工件。本文提出，生成式AI将这一关系反转：验证成为“不可腐败的裁判”，使一个人可以安全地大规模指挥自主机器工作。具体研究问题、实验设计待核实。

arXiv 论文

AdaptedKG 提出一种不修改推荐骨干模型、只在训练时离线利用知识图谱（KG）关系证据来评估交互“可信度”的行为去噪方法，通过保留/丢弃历史交互和重加权训练损失，在标准序列推荐器及多种行为去噪序列推荐器上取得提升。

序列推荐根据用户历史交互预测下一个物品，但真实日志中混杂持久偏好、临时需求、探索行为和偶发操作，部分交互会扭曲历史表征或提供不可靠监督。已有去噪方法主要依赖共现、顺序或模型预测，缺少物品间关系的显式证据。知识图谱能够提供这类证据，但物品流行度、图度数、覆盖不均和广泛共享实体可能虚增连通性，使可靠性估计产生偏差。AdaptedKG 正是针对这一问题提出校准后…

arXiv 论文

在短观测定价面板中，估计误差的变异主要来自“跨设计”成分而非同一价格轨迹内的抽样波动；基线模拟中，梯度提升规格下这一跨设计成分占估计误差方差的97.6%，而仅基于单条已实现轨迹的面板内重抽样无法识别该成分。

短观测定价面板可能包含大量观测，却只提供少量不同的价格变动。论文研究这种“观测多、有效变动少”的稀疏定价机制对统计推断的影响，区分两类不确定性：给定一条已实现价格轨迹条件下的不确定性，以及同一价格过程产生的不同替代轨迹之间估计误差的变异。

arXiv 论文

在基于视觉语言模型（VLM）的免训练视频异常检测中，把模型生成的文本答案直接当作异常分数会丢失片段间的相对排序；改用答案分布计算概率读出，能在所有测试的基准和指标上稳定提升 AUROC/AP，平均提升 5–13 个百分点。

免训练视频异常检测（VAD）可以通过让 VLM 回答关于视频片段的问题来实现。但 VAD 基准要求为每个片段输出一个标量异常分数，并用 AUROC 或 AP 评估排名质量。论文指出，VLM 检测器必须明确一个“答案接口”：答案尺度决定允许的答案集合，读出规则将模型输出分布映射为分数。这个接口本身会改变被评估的排名，因此属于检测器的一部分，而不是格式细节。

arXiv 论文