AI 日报 · 2026-09-04

Meta 发布新旗舰 Muse Spark 1.3，在 Artificial Analysis 指数获得 62 分，排名仅次于 Claude Fable 5.1 与 Opus 5，发布数小时即反超 Gemini 3.8 Flash；该模型主打长上下文与编程，API 定价与前代持平，并低于 DeepSeek-V4-Pro 高峰期价格。

根据腾讯研究院AI速递（20260904）简报，Meta 推出新一代旗舰模型 Muse Spark 1.3，并被视为“指数榜反超 Gemini”的进展。该速递将 Muse Spark 1.3 放在生成式 AI 模型竞争的头条位置，强调其评测分数、定价和后续开源计划。

腾讯研究院（搜狐同步）

腾讯WorkBuddy已正式登陆银河麒麟操作系统与统信UOS，并同步上架openKylin与deepin社区软件商店；适配目标为原生级运行，由此覆盖鸿蒙、银河麒麟、统信UOS等主流国产操作系统阵营。

据“腾讯研究院AI速递 20260904”报道，腾讯WorkBuddy正式登陆银河麒麟操作系统与统信UOS，并上架其应用商店，同时上架openKylin与deepin社区软件商店。报道强调，适配并非简单代码迁移，而是围绕系统登录联动、设备互联交互、智能技能调用、任务成果预览等链路定制打磨，达成原生级运行。

腾讯研究院（搜狐同步）

腾讯WorkBuddy开放平台上线，首批亮相9款联名智能硬件、30多个行业应用与超100家生态伙伴；已接入超30个品牌、十余种硬件品类，围绕“听、看、记、聊、协”五类触点，一次接入打通硬件、App、PC与Web多端，并推出Buddy应用入口、开放Skill、Expert、Connector三类能力。

据“腾讯研究院AI速递 20260904”中的条目，腾讯WorkBuddy开放平台同步完成了三件事：

腾讯研究院（搜狐同步）

Artificial Analysis 于 2026 年 9 月 4 日发布 Intelligence Index v4.2，新增 AA-Briefcase 和 GDP.pdf 两类更接近真实工作场景的评测，移除已饱和的 GPQA Diamond，并将私有 held-out 测试集权重提升至 40%，以降低“刷榜”空间。

Intelligence Index v4 于 2026 年 1 月发布，距今已 8 个月。团队原本为保持榜单稳定而暂缓更新，但近几周前沿模型迭代很快，因此决定先推出 v4.2 作为过渡版本。v4.2 同时也是 v5 的部分能力提前落地，后续还会有更多增量发布。

artificialanalysis.ai

据腾讯研究院AI速递转述，奥特曼承认过去一年因浏览器、Sora 等支线项目分心导致“主线掉队”，现聚焦通用智能，并推进 ChatGPT 与 Codex 合并为统一入口；OpenAI 则因对齐与安全防护未跟上能力跃升而推迟一项前沿强化学习训练，并称推迟 IPO 可保留“暂停权”。

本卡片只梳理该速递中与奥特曼/OpenAI 相关的部分：

腾讯研究院（搜狐同步）

据腾讯研究院AI速递（20260904）报道，谷歌推出Gemini 3.8 Flash，这是六周内发布的第三款Flash系列模型；定价与3.7 Flash持平，每百万Token输入0.75美元、输出3.75美元。报道称其在DeepSWE v1.1长周期软件工程测试中超过多数更大规模前沿模型，HLE-Verified得分54.9%，并同步推出网络安全专用版G…

本卡片围绕一则二手速递信息：谷歌发布Gemini 3.8 Flash。速递摘要包含四个关键点：发布节奏、定价、软件工程评测成绩、网络安全专用版发布。原文未提供谷歌官方博客、模型卡或第三方复现链接。

腾讯研究院（搜狐同步）

AFAC2026（第四届AFAC金融智能创新大赛）总决赛于2026年8月末在上海举行，赛事覆盖全球5027支队伍、近2万名选手；主办方在总决赛上宣布开源“AFAC百万金融智能数据集”。该数据集沉淀自2023至2025年的14道赛题，包含13万条评测样本、2000余份专业金融文档和130多个历届优胜方案，覆盖百亿级金融科技数据条目。

这场赛事被材料称为“金融AI创新年度风向标”和“下一代金融技术的试炼场”。 联合发起阵容包括上海市科学技术委员会、中国计算机学会、北京大学、蚂蚁集团、GFTN全球金融与技术网络、真格基金、中国银行等30多家机构；其中2026年发起机构为33家，并首次新增GFTN。 与此类算法竞赛不同，AFAC赛题并非在固定数据集上刷高指标，而是把金融产业正在面临的“真问题…

量子位

a16z合伙人谈AI销售：该选灯塔策略还是圈地策略

腾讯研究院（搜狐同步）

英伟达宣布以129.303亿美元（约合人民币868亿元）收购开源社区平台 Hugging Face，并承诺维持开放定位，继续支持多云与多加速器，开发者无需绑定英伟达 GPU。

2026-09-04 发布的“腾讯研究院AI速递”报道，英伟达宣布以129.303亿美元收购 Hugging Face。黄仁勋称其为“最重要的开放模型社区之一”，原话具体措辞待核实。 交易是否已完成交割、采用何种出资方式、是否需监管审批等细节，材料未披露，待核实。

腾讯研究院（搜狐同步）

NVIDIA NemoClaw 示例实现了一个“记忆驱动 Chief of Staff 智能体”：用 Markdown 形式的 self model（自模型）保存人物、项目、优先级等工作知识，用 SQLite 账本保存判断与审计记录，并用 NVIDIA OpenShell 做运行时沙箱治理。该设计在 Agent Memory Benchmark 上将整体准…

企业工作流中充满消息、决策、项目和随时间变化的待办事项。如果一个 AI 智能体没有这些历史背景，就必须在真正产生贡献前先“重建上下文”。 本文核心问题是：如何为智能体提供长期、可维护、可治理的记忆，而不是仅仅增加存储空间或聊天历史。 作者基于 NVIDIA NemoClaw 构建了一个示例：记忆驱动型 Chief of Staff 智能体。其经验结论是，有…

NVIDIA 博客

WorldSculpt 研究的问题是：如何从有定位/多视角观测的视频输入中，把包含数百个物体的杂乱三维场景生成为一组放在统一世界坐标系里的独立物体网格。它的核心做法是让一个强大的单物体 3D 生成先验（以 Pixal3D 为基础）接受多视角观测条件，且模型只在单物体的 canonical space 上微调，不需要场景级训练，就能泛化到严重遮挡的大场景。

该论文针对的是“组合式 3D 场景生成/重建”任务：

arXiv 论文

在明确告知“评语和分数由 ChatGPT 生成”后，学生仍然将 AI 的评价分为两个层面：AI 反馈适合用于表层修改，但最终评分与成绩判断的权威应属于人类教师。也就是说，“反馈是否有用”和“谁有权评价我”是两种被学生分别对待的判断。

背景：生成式 AI 越来越多地被用于高校写作反馈，但已有研究多关注 AI 反馈是否提升写作成绩，或学生是否认为它“有用”。 研究问题：当学生明确知道分数和反馈不是由人类教师而是由 AI 系统产生时，他们会如何理解、解释和回应这种评估？ 本研究属于质性教学探究，发生在真实课堂情境中，而不是大规模问卷或实验室实验。

arXiv 论文

在LLM反编译评测中，“输出能重新编译并通过自带输入/输出测试”并不等于保留原函数行为；作者提出的Decompile-Diverge用模糊测试语料做行为比对，发现通过全部自带测试的候选中仍有4.9%与原始行为不一致，单一系统最高达13%。

反编译是从已编译机器码恢复高层源代码的过程，是漏洞检测、恶意软件分析等安全任务的基础。 传统反编译器如Ghidra、Hex-Rays会把无法解析的部分暴露为可见占位符，且经常输出无法编译或无法执行的伪代码。 LLM反编译器则能生成干净、地道的C代码，目前评测几乎只看“可重编译性”和“可重执行性”：输出能否构建，并跑过其自带输入/输出测试。 研究问题：这些指…

arXiv 论文

视觉运动模仿策略在操作阶段或任务状态变化时可能“看错该看的视觉目标”：视觉相似的干扰物或容器会导致抓取/放置选错对象，但底层操作技能本身可以保持完整；显式改善目标选择能显著恢复跨策略范式的鲁棒性。

视觉运动模仿策略在训练分布覆盖的视觉条件下可以表现良好，但一旦引入视觉相似的物体或容器，就可能失败。 作者将这一现象定义为“条件性视觉接地”问题：成功控制所需要的视觉目标并不是固定的，而是随操作阶段变化；在更复杂的任务中，还会随观察到的任务状态变化。 核心研究问题是：视觉运动模仿策略究竟在“哪一个阶段”和“哪一种视觉相似性”下出现目标选择错误？

arXiv 论文

WearableQA 是一个针对大语言模型（LLM）在真实用户长期可穿戴数据上进行健康推理的基准，包含来自 200 名真实用户、每人最长 500 天日常测量的数据所构造的 4,084 道 10 选 1 多选题；评测 14 个模型后，准确率从 19.6% 到 72.9% 不等，多数模型低于 60%，说明该基准远未被解决。

可穿戴感知技术已能持续监测生理与行为信号，但现有基准很少评估 AI 系统是否能够对一个真实用户的纵向可穿戴记录进行推理。WearableQA 旨在填补这一空白，通过真实世界数据构造多选题，考察模型能否综合可穿戴时间序列、血液生物标志物和人口统计信息进行健康层面的推理。

arXiv 论文

作者提出一种基于 Hessian 的变分延拓方法：将周期轨道候选参数化为傅里叶级数，把轨道对物理微分方程的偏离定义为损失函数，并借助自动微分来自动化数值延拓过程；该方法无需积分器，并利用损失曲面的“平坦方向”（零特征值方向）确定延拓方向。作为演示，作者对双摆系统从不动点出发的周期振荡族进行了完整延拓，并报告找到了一类此前文献中缺失的周期轨道。

论文 arXiv ID: 2609.05337v1。 作者：Leo Yao, Ziming Liu, Max Tegmark。 提交/更新日期：2026-09-04T16:42:51Z（待核实最终发表状态）。 主要类别：cs.LG；交叉分类：math-ph、nlin.CD、physics.class-ph。 研究问题：如何更自动化地数值延拓动力系统中的周期…

arXiv 论文

UniMate 是一个面向任意骨骼拓扑的文本驱动角色动作生成基础模型。输入“已绑定3D资产 + 文本提示”，即可输出关节运动；推理时无需逐骨架微调，也不需要测试时优化。

近来自动绑定技术已能规模化产出可直接使用的3D资产，但生成驱动这些资产的运动仍是瓶颈。现有学习式动画器受骨骼拓扑限制：依赖类别特定模板，或在推理时需要逐骨架微调和参考动作。UniMate 旨在用同一个统一模型解决“任意骨架 + 文本”的动画生成问题。

arXiv 论文

现有视觉-语言-行动（VLA）模型能执行短程操作技能，但在需要持续任务状态、依赖感知推理、条件判断和可靠锚定的长时程流程中仍不稳定；该论文（arXiv:2609.05369v1）提出一种神经符号框架，将 VLA 控制与显式任务图、多模态过程记忆结合，并引入伪注视演示线索来辅助策略微调与推理。摘要层面未给出实验结果，实际效果待核实。

VLA 模型擅长短程操作技能，但处理长时程任务时的典型短板是：需要持续追踪任务状态、理解动作间的依赖关系、根据条件做分支决策，并可靠地将语言/视觉信息锚定到具体物体和位置。 作者围绕这些问题，研究一种“神经符号过程推理”框架：用显式结构来表达操作流程，而不是让模型完全隐含地推断下一步。 该研究定位为“初步研究”，重点考察框架在两类长时程操作领域的可行性：工…

arXiv 论文

这项研究提出一个“Think-Verify-Revise”闭环神经符号框架：视觉语言模型（VLM）负责提出候选一阶逻辑（FOL）规则，动态逻辑张量网络（D-LTN）负责可微验证并反馈修正；在 ViSudo-PC 基准的四个视觉域上，系统仅用 3 个带标注视觉样例即可归纳出有效的数独约束规则，AUC 达到或优于 NeuPSL、LTN 等既有方法。

视觉推理任务要求系统同时完成两件事：感知视觉内容，以及施加形式化关系约束。论文指出，纯神经网络和纯符号方法单独处理这类任务都有不足。该研究提出一种神经符号（Neuro-Symbolic）框架，将视觉语言模型的自动规则归纳能力与可微逻辑张量网络的形式验证能力结合起来。

arXiv 论文

BUGSTONE-E2E 提出一种端到端框架，能够从已知 CVE 的修复提交中提取检测规则，形成“轻量扫描 + LLM 审查 + 运行时验证”的漏斗式流程，并在真实程序上产出具有运行时证据的漏洞发现。

公共漏洞数据库收集了已知软件缺陷的丰富信息，包括弱点类型、受影响组件和相关补丁。修复提交（fixing commits）精确记录了移除漏洞的代码变更。但这些记录主要是为人工检视而编写的，难以被自动化系统直接复用，因此同类不安全写法仍可能存在于其他没有 CVE 公告的代码中，大量检测知识被闲置。BUGSTONE-E2E 正是为了把 CVE 补丁历史转化为可执…

arXiv 论文

生产环境常假设“能承担某个角色的智能体就可以替换”，但本研究表明：把同一基础模型、同一任务上独立形成的 LLM 智能体跨队对调，任务分数上的代价很小，团队每单位进展所需通信量却会提高 16%–63%；在 Hanabi 中，换来的智能体甚至比没有经验的智能体更“贵”，这可能是因为它带着与前队友形成的旧惯例进入新团队。

研究问题：多智能体系统经常需要替换某个角色成员，但“会做这个角色的智能体”是否等于“能融入这个团队的智能体”？

arXiv 论文

本手册介绍了一个开放工具包，其核心构造是“bridge form”（桥接形式）：让同一个词形在多个学科领域中保持词形不变、但含义不同，从而受控测量Transformer语言模型在深层表示中是否会按上下文对同一词的不同出现进行“个体化”区分；该手册只说明方法与实现，不报告任何特定模型上的实证结果。

Transformer语言模型在嵌入层为每个词类型分配一个单一的、上下文无关的向量，但人们普遍认为在其后续层中，模型会将同一词的不同出现按上下文区分开来。为清晰检验这一信念，需要一种构造：将词形固定，同时让上下文和目标含义在受控、有标注的方式下变化。该工具包围绕这一构造建立，并给出了从语料获取到表示分析的完整技术流程。

arXiv 论文

本文提出一种完全自监督的对比学习框架，直接使用 IPA 转写的原始词表学习词汇表示，不需要同源词标注、序列比对或额外专家输入；据此推断包含 3,399 个语言变体的全球语言谱系树，计算时间仅为标准笔记本 GPU 上的数分钟，其拓扑与 Glottolog 参考树之间的广义四元组距离（GQD）达到与多个基线相当的水平。

计算谱系学已成为历史语言学的重要工具，但在全球规模应用中受两个主要限制：基于特征的方法需要大量人工标注同源词（cognacy judgments）；大规模数据集上的推断计算成本高昂。 研究问题：能否绕过人工标注，从原始 IPA 词表中以自监督方式学习词汇表示，并利用这些表示推导语言距离、进而重建大规模谱系树？ 本文提出并验证了这样一个框架。

arXiv 论文

据作者称，本文提出首个可扩展的端到端自动化孢粉检测流程，可将单张全玻片图像中化石孢粉的检测时间从人工常需数天缩短至自动化分析不足一小时，并在检测基准上达到 AP@50 = 0.879。

Scalable Detection of Fossil Palynomorphs in Multifocal Digital Microscopy Images

arXiv 论文

视觉语言模型（VLM）被用作机器人学习的奖励函数时，普遍缺乏释义不变性：仅改写指令，就足以显著改变同一轨迹的预测进度，甚至让完全相同的机器人行为在“失败”与“成功”之间翻转。

VLM 越来越多地被用来为机器人学习提供奖励信号，但这一角色要求模型具备 paraphrase invariance：对于语义等价的目标描述，同一条轨迹应获得相同的奖励。该论文研究当前 VLM 奖励模型是否满足这一性质，并系统测量了“释义诱导的不稳定”（paraphrase-induced instability）现象。

arXiv 论文

RISE 提出一种不借助外部教师、不依赖特权条件的自蒸馏路线：利用模型自身 RLVR 训练轨迹中“当前 checkpoint 与滞后锚点（trailing anchor）之间的参数/输出位移”，外推出一个合成教师，将稀疏的结果奖励转化为稠密的逐 token 监督，从而让学生模型在“RLVR 定方向、蒸馏定细节”的循环中递归改进。

RISE: Recursive Improvement via Self-Extrapolating Policy Distillation

arXiv 论文

RegionFed 是一种完全在梯度层面运行的“架构稳健”联邦学习框架，专门解决跨地域零售搜索场景中的数据异构与模型个性化问题；它能在现代 Transformer 上避免参数级个性化联邦学习方法低于 10% 准确率的崩溃现象，并在三个公开数据集和四种架构上达到接近集中式训练的性能，同时提供差分隐私保证。

RegionFed: Federated Learning for Personalized Query Understanding in Heterogeneous Retail Environments

arXiv 论文

本文研究“每个智能体只看部分数据、只把自己的预测向前传”的网络化信息聚合模型，将线性回归超额均方误差（excess MSE）的已知上、下界 gap 闭合为：在 $M$-覆盖路径上，深度达到 $M^2$ 之前误差基本为常数阶，之后为 $\Theta(M^2/D)$；作者还将这一最优速率推广到 logistic 分类。

该工作建立在 Kearns, Roth, and Ryu（SODA'26）的模型之上，刻画了 Agentic AI 中一个核心模式：智能体各自只能看到部分特征，并且只把自身结论继续向后传递，而不是传递原始数据。

arXiv 论文

大语言模型在给出推荐或判断时往往会列出“影响最大的三个因素”，但这些解释与模型真实决策行为只有中等的统计相关性；用“必要性”和“充分性”作为行为标准检验后，发现“前三因素”含有一定信息，却不可靠地等同于真正影响最强的三个因素。

Necessary or Sufficient? Evaluating LLM Explanations With Behavioural Evidence

arXiv 论文

大型语言模型（LLM）在分子性质基准上的高准确率，可能并非来自真正的预测能力，而是来自对已发表数值的“逐字检索”；作者审计了22个前沿模型后发现，这种记忆性检索较普遍但高度依赖具体数据集，并且增加推理水平反而使检索更容易被触发。

论文针对的是LLM评估中的一个隐患：当模型在分子性质回归基准上作答时，准确率无法区分“模型真的预测出了数值”和“模型只是背诵出了论文中已发表的数值”。为此，研究在12个分子性质回归基准上对22个前沿LLM进行了审计，专门检测模型是否以“逐字检索”（verbatim retrieval）的方式输出了已发布数值。

arXiv 论文

MEOX（Multimodal Earth Observation with eXperts）是一个总参数仅 3.115M 的多模态掩码自编码器，面向地球观测中的异构传感器与缺失观测问题；它在多个 GEO-Bench 下游任务上取得强迁移表现，并在 EuroSAT 224 像素平均准确率、cashew 分割 mIoU 等结果上超过文中所报告的 CSMoE…

地球观测表征学习近来需要同时处理异构传感器、不同分辨率、缺失观测等复杂情况，许多方法依赖更大的架构。MEOX 提出的问题是：能否用紧凑参数规模、混合专家式结构化设计，实现传感器灵活且可迁移的地球观测表征学习？

arXiv 论文

LLM-Driven Algorithm Design for Quantum Circuit Synthesis based on Binary Decision Diagrams

arXiv 论文

将 Hessian-Balanced 自适应块剪枝（H-BAC）、量化和注意力知识蒸馏组合成一个 ViT 压缩流程，可在辣椒病害分类任务中把模型从 327.42 MB 压缩到 6.01 MB（约 54.5 倍体积缩减），同时保持约 95.13% 的精度；但同等最终尺寸下直接训练的 INT8 小模型也能达到 94.87%，因此复杂压缩流程在该数据集上的增量价…

Lightweight Vision Transformer Compression for On-Device Plant Disease Detection in Resource-Constrained Agricultural Field Conditions

arXiv 论文

“简化后的法律条款是否仍然表达原含义”这一评估题，现有“相同对需得最高分、无关对需得最低分”的检验方式存在漏洞：它让词汇重叠与法律效力同步变化，导致任何“token重叠的单调函数”都能通过检验。论文提出一种分离诊断（dissociation），即保持表面形式基本不变但翻转法律效力；结果显示，主流的词嵌入与 BERTScore 指标对这类翻转几乎无感知，而唯…

研究问题：法律文本简化后，如何知道简化条款仍然“说了原条款要说的内容”？ 传统有效性检验的缺陷：仅要求“完全相同的一对”得分最高、“完全无关的一对”得分最低，不足以证明指标在测量法律含义保持。因为该要求会使词汇重叠和法律效力朝同一方向移动，许多基于词面重叠的单调函数都能满足。 论文的解决思路：构造一种“分离”测试项——表面形式几乎不变，但法律效力发生反转；…

arXiv 论文

在一项包含300例心肌病患者的本地队列研究中，基于正常ECG训练的β-VAE重建误差（DTW误差）在12个导联中的10个显示出LGE阳性/阴性的显著差异，且可作为分类特征（Logistic Regression下AUC 0.643）；但单独使用浅层β-VAE潜变量表示的分类效果（AUC 0.577）低于ECG基础模型ECGx.AI特征（AUC 0.686）。

心脏磁共振LGE是心肌瘢痕的关键标志，但可及性有限，因此需要探索常规ECG筛查的可行性。本研究试图回答：基于β-VAE的ECG表示和重建误差，能否帮助区分LGE+与LGE-的心肌病患者？

arXiv 论文

对2023年至2026年3月间66篇同行评审研究的系统综述显示，大型语言模型（LLM）在暖通空调（HVAC）运行中的现有证据仅支持其作为“语义层/工作流层”或人类参与下的辅助工具，而非自主控制器；目前没有任何研究报告持续的实际运营部署，也没有研究被评为“现阶段可直接用于行业”。

建筑自动化系统虽产生丰富的传感器数据，但由于点位命名异质、元数据缺失和文档碎片化，长期处于“数据丰富、洞察贫乏”的状态。该综述试图回答：LLM究竟能在HVAC运行中做什么？已有研究到达何种证据水平？LLM离行业部署还有多远？在“LLM决策”与“物理HVAC决策”之间，责任边界应如何划分？

arXiv 论文

How to Speculate about Uncertainty in Agentic Coding? A Draft-Model Gate Method

arXiv 论文

使用四流mHC残差通路的DeepSeek-V4-Flash，在训练后只实现了架构提供的部分灵活性：典型的注意力/FFN站点实际上约使用两个流，残差混合主要发生在早期层；将晚期混合器替换为恒等映射几乎不影响性能，说明晚期残差混合的测量收益很小。

Hyper-Connections及其流形约束变体mHC将残差通路从单一流扩展为n个流，但训练后的模型如何利用这种容量仍不清楚。该论文针对DeepSeek-V4-Flash的四流残差通路，研究三个问题：各模块在多大范围上读取和写入多个流？残差通路在流之间混合得有多强？不同流是否携带可区分方向的表征？

arXiv 论文

GUT 提出用有向无环图（DAG）覆盖大语言模型推理链的所有潜在分支，以图复杂度近似推理空间复杂度来量化不确定性，并通过将负不确定性作为强化学习奖励函数来降低不确定性；在 4 个 LLM 和 5 个数据集上验证了有效性。

大语言模型在推理时即使面对相同提示，也常在每个推理步骤产生大量发散分支，其中一些分支会形成明显不可信甚至无意义的推理链和结果。论文将这种现象称为 LLM 的“推理不确定性”，并提出 GUT（Graph-complexity-based UncerTainty）方法进行量化与优化。

arXiv 论文

计算机视觉可解释AI（XAI）经过十余年发展已拥有成熟方法工具箱，但领域几乎未回答方法最初想回答的问题——模型本身有多可解释、随模型演进是否在进步；本文主张将研究重心从“方法”转向“模型”。

标题：From Interpretability Methods to Interpretable Models 作者：Julien Colin, Nuria Oliver, Thomas Serre 发布/更新：2026-09-04 arXiv ID：2609.05399v1 主要类别：cs.CV；相关类别：cs.CV, cs.HC 研究问题：XAI领域…

arXiv 论文

在2024年特刊之后仅两年，Nature Methods再次推出“AI嵌入生物学”专题，显示人工智能已渗透到生物学研究的几乎所有角落；当前关键问题已从“AI能否用于生物学”转向如何建立基础模型的评估基准、社区标准与透明性，并确保高质量真实实验数据持续供给。

这篇社论是Nature Methods 2026年9月“Embedding AI in biology — part 2”专题的导言。两年前（2024年）该刊曾出版AI在生物学中的特刊；两年后，AI不仅覆盖更多生物学科，还影响了科学方法本身和科学出版。本期汇集多篇专家撰写的Perspective、Review与Comment，讨论AI如何转变生物学多个领域…

nature.com

本文提出 Embedded Graph Flows（EGF），一种不依赖固定 one-hot 类别编码的图生成模型，通过学习节点与无向边类别的连续嵌入，将高斯噪声流式地转换为离散图结构；在 QM9 与 ZINC250k 分子基准上取得了有竞争力的结果，并在 QM9 四个指标上优于所比较的 DiGress 和 GruM 基线（待核实，基于摘要）。

类别图生成（categorical graph generation）需要同时选择节点类型和边类型，使它们构成连贯结构，并且不能依赖节点顺序。现有许多图生成器把类别编码为固定的 one-hot 向量，这相当于在类别空间中强加了一种“所有类别等距”的人为几何结构，可能不自然地限制生成过程。作者针对这一问题，提出将类别嵌入为可学习的连续向量，再通过生成模型学习…

arXiv 论文

在合适的层分布、时间调度与优化器超参数组合下，层dropout（stochastic depth）不应被排除在大规模LLM预训练配方之外：它能在相同训练FLOPs下实现更低损失，或在固定训练步数下节省最多约25%训练FLOPs，并支持最高约1.5倍推理加速。

背景：层dropout又称随机深度（stochastic depth），在语言与视觉Transformer中曾被证明可以加快训练、提升精度，并对零样本层剪枝具有稳健性。 问题：随着模型和数据集规模扩大，dropout尤其层dropout在LLM预训练配方中基本消失；虽有先前工作报道dropout会损害精度，但缺乏综合研究量化这种影响，更未提出缓解方法。 研…

arXiv 论文

模型升级后，Agent 即使保留原有记忆存储，也可能“遗忘”或“记错”：不同记忆编码方式对模型更换的敏感度差异很大。固定模式知识图谱迁移稳定，自然语言压缩笔记表现出强烈模型耦合；若额外保留原始历史，修复效果明显更好。

模型升级是常规操作，但记忆迁移并不常规。论文针对 Agent 系统在模型升级后可能出现的记忆失效问题展开受控研究：新模型可能以不同方式解读旧笔记，混合 embedding 版本可能破坏检索，缺少原始证据时记忆修复也可能失败。

arXiv 论文

该论文提出一种“LLM 当教师、轻量模型当学生、产品类型做测试时适配”的两级框架：第一级将 LLM 对升级换购推荐的推理蒸馏成只依赖商品嵌入的紧凑分类器；第二级按产品类型用少量示例训练轻量适配器，进一步校准决策边界。摘要报告，在人工标注基准上，推理蒸馏学生达到 AUC 0.924，加入 PT-TTT 后提升至 0.941；在 100K 对代理目录上，比直接…

“Trade-up recommendation”（升级换购推荐）要判断的是：在顾客已有购买意向时，哪些更高品质的替代品既能保留其核心购买意图，又能提供升级利益。LLM 能够推理这类语义差异，但直接让 LLM 在数百万甚至数亿商品对上逐一做生成式判断，在算力、延迟和成本上不可行。

arXiv 论文

Diffusion TV 是一个将扩散模型“去噪生成”过程转化为实体互动的 AI 艺术装置：观众通过操纵改装后的 CRT 电视天线，实时改变 AI 生成图像与声音的清晰度，由此在肉身操作层面亲历扩散模型逐步消除噪声的生成过程。

该作品属于人机交互（cs.HC）与人工智能交叉领域的互动 AI 艺术装置。它不采用抽象的技术讲解，而是让观众通过调整电视天线和旋钮，控制生成内容从噪声状态走向清晰状态，从而体验生成式 AI 背后“去噪”这一核心逻辑。

arXiv 论文

SMART 是一个面向 ML 系统性能建模的“AI-native”符号化性能建模库。它的主分支几乎不存放代码，而是一份由自包含自然语言“设计文档”组成的有向无环图（DAG）。版本更新时，AI 编码子代理仅从这些设计文档重新生成实现，从而让“设计文档”而非“代码”成为长期演化的持久工件。

论文指出：机器学习性能建模是长期软件工程的“特殊艰难地形”，今天抽象层中隐含的假设，往往被明天的模型与系统推翻，导致性能建模框架需要不断重构。与此同时，AI 编码智能体已经足够快且强，以至于“重新生成整个库”可能比“继续修补既有技术债”更便宜。SMART 可以理解为对这一判断的实现与验证。

arXiv 论文

CONTINUITY: Security-Context Contracts for Composable LLM Agent Controls

arXiv 论文

基于参考的自动评测方法不应只按聚合分数选优劣；本文提出“行为正确性假设”，用受控变换规定评测器应有的评分变化，发现没有评测器满足全部假设，且聚合分数相近的评测器可以表现出很不相同的行为剖面。

自动评测方法在自然语言生成系统评估中很关键，但既有元评测通常只关心评测结果与人类判断或基准标签的一致程度，无法揭示评测器在受控条件下的内部行为。此文提出一个补充框架，从“行为正确性假设”的角度评估基于参考的自动评测方法。

arXiv 论文

目前对生物医学基础模型的全面测评方法论仍不成熟；这篇 Nature Methods Perspective 提出，不能只把基础模型当作普通预测任务来“跑排行榜”，而需要重新思考其可证伪性、可验证性与实际效用，并依靠科学社区建立更稳健、更有意义的评测规范。

本文是 **Perspective（观点/评论文章）**，不是原创实验或新基准数据集。 研究问题：计算生物学方法开发强调“透明评估、可重复性、泛化性和可复制性”（transparent evaluation and proof of reproducibility, generalization and replicability）。但对于基础模型，这种评…

nature.com

论文提出“AI4CDS”五阶段方法论框架，主张在计算设计科学（CDS）中让AI扩展问题与设计搜索空间，同时由研究者保留领域落地、可采纳性、验证与科学判断的责任；并以“ChildRiskGuard”系统展示了该框架在短视频儿童不适内容检测中的可行性。

AI 不仅改变了信息系统研究者设计什么，也改变了设计研究如何进行。但现有文献对“AI 积极参与问题定义、资源构建、设计搜索、评估和知识抽象”时的计算设计科学方法，缺乏系统指导。为此，论文开发 AI for Computational Design Science（AI4CDS）框架，并通过一个可解释的短视频儿童安全监测系统 ChildRiskGuard 进…

arXiv 论文

AdaGate-DF 提出一种基于图像质量线索进行门控路由的深度伪造检测框架，通过“双多出口”系统让高质量图像更早退出以节省计算；在 Celeb-DF 上达到 AUC 0.9370，在 384×384 输入下达到 AUC 0.9708，同时保持较低推断延迟。

现有深度伪造检测模型通常依赖高质量输入、固定推理路径和高开销架构，难以部署到低分辨率与资源受限环境。该论文提出 AdaGate-DF，探讨如何在输入质量变化和算力受限的条件下，兼顾检测性能、不确定性感知预测与计算效率。

arXiv 论文

IIns-GAN 是一种面向无线感知的深度生成模型，用生成对抗网络合成带标签的无线信号；在公开 UWB 数据集上，生成信号的物理特征接近真实测量，并能用于距离估计、环境识别等模型训练任务。

无线感知模型的性能评估和训练依赖大量带位置相关标签的无线信号，但实测数据的采集与标注成本很高。传统合成方法通常依赖环境模型，需要大量超参数调节，且保真度不足以支撑完整模型训练。为此，研究者提出基于深度学习的 Inter-Instance Generative Adversarial Networks（IIns-GAN），用于生成具有真实感的带标签无线信号。

arXiv 论文