AI 日报 · 2026-07-31

当前 LLM 智能体在自动化假设检验中常因微妙的统计推断错误而得出错误结论；论文提出 P-Bench 基准和经强化学习训练的 Fisher-R1 模型，将单次试验成功率相对提升 21% 以上，表明基于已验证统计奖励的强化学习可显著提高智能体的统计推理可靠性。

可靠假设检验是许多实证科学结论的基础。LLM 智能体越来越多地被用于自动化这一过程——它们可以检查数据集、生成代码并端到端地完成分析。然而，现有智能体经常在分析代码执行正确的情况下仍犯下微妙的推断错误，导致最终结论不正确。已有基准很少评估报告出的 p 值在给定数据假设下是否统计有效，因此无法捕捉这类失败模式。

arXiv 论文

OpenAI 发布文章阐述其如何通过安全、安保、透明度和来源验证等实践，支持欧洲负责任人工智能治理，并表示将在欧盟《人工智能法案》推进过程中持续开展工作。由于原文未能抓取，具体内容与表述有待核实。

本文是 OpenAI 官网发布的一篇面向欧洲地区的政策与治理说明，主题为“Advancing responsible AI across Europe”。文章可能围绕 OpenAI 在欧洲的人工智能治理立场、实践承诺以及与欧盟监管框架的对接展开。具体论述细节未知，待核实。

OpenAI

腾讯文档在WorkBuddy中上线“人机双写”能力，用户通过语音或文字指令即可直接修改文档原文；科大讯飞智能交互数字人平台升级，首发单张照片即可生成实时交互虚拟分身的超拟人技术。

2026年7月31日（材料日期），腾讯文档将“人机双写”能力集成至WorkBuddy，实现用户对AI说出需求后直接落笔到原文，支持Word、Excel、PPT、Markdown等格式，覆盖论文标书排版、周报总结、数据透视分析、PPT优化等场景。用户选中内容后告诉AI如何修改，即可在原位置完成调整。

腾讯研究院（搜狐同步）

待核实（因原始页面未能抓取正文，无法基于材料确认具体结论）。

根据来源元数据，Univé 与 OpenAI 合作，借助 ChatGPT Enterprise 构建 AI-ready workforce（AI 就绪劳动力），其方法包括领导力、负责任的治理与员工主导的创新。具体事件时间、合作内容与实施细节待核实。

OpenAI

翁荔在从Thinking Machines裸辞仅48小时后重返OpenAI，将亲自带队研发「递归自我改进」（RSI），即用AI研发AI，加速下一代模型的设计、训练与评估。

翁荔2018年入职OpenAI，曾参与机械手复原魔方、组建安全团队并升任安全研究副总裁。 她因病从Thinking Machines裸辞，仅48小时后重返OpenAI，领导聚焦「递归自我改进」（RSI）的新团队。 RSI契合OpenAI打造全自动AI研究员的北极星战略与分阶段时间表。 此外，Thinky六位联创中已有四位离开，三位回归OpenAI。

腾讯研究院（搜狐同步）

OpenAI 开源了代码安全工具 Codex Security，可自动发现、验证并修复代码库漏洞，上线 30 天扫描超 120 万次提交，但调用大模型成本较高，单次扫描花费约 13 美元。

2026 年 7 月 31 日，据腾讯研究院 AI 速递报道，OpenAI 再次开源，发布了代码安全工具 Codex Security。该工具包含 CLI 与 Type SDK，宣称三行命令即可跑通全流程。

腾讯研究院（搜狐同步）

马斯克预测AI将在5年内超过人类智能总和，10年内步入超级智能时代；数字智能与机器人结合将带来物质极大充裕的准无限经济，到2036年金钱或不再重要，工作变成类似园艺的可选项；但他也坦言AI存在10%-20%的毁灭风险。

马斯克接受《经济学人》访谈，系统阐述了对AI奇点临近与文明终局的判断。访谈还涉及中美算力博弈、Starlink的地缘影响，以及他对欧洲移民与文明的争议观点。马斯克自称预测常遭遇不被理解的“卡珊德拉效应”。

腾讯研究院（搜狐同步）

OpenAI 于 2026 年 7 月 31 日宣布 GPT-5.6 API 大幅降价：入门款 Luna 输入价格降 80%、输出价格降 80%，Terra 降价 20%，旗舰 Sol 保持原价但新增 Fast mode；官方称降价源于 GPT-5.6 Sol 参与优化自身生产系统、效率提升。

据量子位报道，OpenAI 自 2026 年 7 月 31 日起调整 GPT-5.6 三款模型的 API 价格。此前 GPT-5.6 刚发布并推出 Sol、Terra、Luna 三档，这次是发布后的首次价格调整。其中 Luna 价格“打骨折”，Terra 小幅下调，Sol 原价但增加“加速不加价”的 Fast mode 选项。OpenAI 表示，降价后 L…

量子位

在NVIDIA GPU上，提升长上下文推理性能的关键是围绕注意力算子做模型架构协同设计：decode阶段应尽量提高GQA的group size（G），head dimension选128或256；prefill时间主要由序列长度决定，与G关系不大。

NVIDIA技术博客于2026年7月31日发文，分析dense attention中group size（每个KV头对应的query头数）、head dimension和sequence length对prefill（计算密集）与decode（访存密集）两个阶段的影响，试图将模型架构设计选择与GPU执行特征对齐，从而在不牺牲准确性的前提下提升吞吐和交互性。…

NVIDIA 博客

Claude Code之父Boris建议每六个月删掉Claude.md、skills与hooks，用消融实验逐行加回，以减少“产品悬余”、给模型“解缚”；据材料，Opus 5已借此思路精简超过80%的系统提示词。

这是腾讯研究院AI速递（20260731）报道的一条行业观点。核心问题是：产品配置和预设边界是否正在压制模型本身的能力？Boris提出，模型能力往往超出产品设计的外壳，用户和开发者应该周期性为模型“解开缰绳”。

腾讯研究院（搜狐同步）

OpenAI 提出以“全栈方法”（full-stack approach）推动先进 AI 变得更强大、更便宜、更广泛有用；具体技术细节与发布内容待核实。

该页面标题为“Building abundant intelligence”，候选摘要将其描述为一种全栈方法，目标是让高级 AI 更强大、更实惠、更易用。由于未能抓取正文，具体是产品发布、技术报告还是战略声明，待核实。

OpenAI

谷歌DeepMind的AlphaFold明星团队已解散，诺奖得主John Jumper及两名核心成员转投Anthropic；谷歌转而押注以Gemini为底座的统一科研平台，但此前“小团队长周期单点攻坚”的模式能否被平台化取代仍存疑问。

据金融时报报道，谷歌DeepMind曾打造AlphaFold的独立团队已不再存在，成员被分流到Gemini、基因组、酶设计等多个项目。AlphaFold 2负责人、2024年诺贝尔化学奖得主John Jumper以及两位核心成员已转投Anthropic。最初在AlphaFold论文上署名的DeepMind员工中，近四分之一已经离开。

腾讯研究院（搜狐同步）

蔡浩宇旗下AI公司Anuttacon出现重大转向：多个项目暂停或停运，资源集中押注Agent方向，蔡浩宇本人领英身份变为“独立大模型与智能体开发者”。

据量子位报道，2026年7月前后，Anuttacon公司动态引发关注： 蔡浩宇更新领英，Anuttacon工作经历停在2026年7月，新身份为“独立大模型与智能体开发者”。 Anuttacon旗下项目陆续停运或暂停，团队成员相继离开。 公司资源分配大幅调整，接近九成计算资源集中到LLM方向，团队从游戏内容生成转向以Agent为核心的系统能力建设。

量子位

Cursor通过将开发环境视为以代理为用户的独立产品，构建了 `anydev` CLI、`Cursor Cloud MCP` 及 `Cloud Doctor` 自动化工具，使云代理从2025年12月贡献约1/10的合并PR，增长到如今贡献超过一半，成为主力代码贡献者。

Cursor团队在决定为云代理提供独立计算机以测试代码更改后，发现代理在自有单仓库（monorepo）中运行效率低下。他们意识到开发环境本身就是一个产品，其用户是代理而非人类。为此，团队系统性地解决了环境适配、接口简化、自愈与持续改进等问题，最终让云代理能够端到端测试更改并产生可信结果，进而被工程师信任并大量采用。

Cursor 博客

OpenAI总裁Brockman称，ChatGPT桌面端未来将实现“零标签页”，ChatGPT与Codex合并后的界面混乱只是过渡；OpenAI的定位不是超级应用，而是AI操作系统，Agent正从回答问题转向主动执行任务。

在2026年7月31日的腾讯研究院AI速递中，OpenAI总裁Brockman对ChatGPT桌面端与Codex合并后的产品状态和战略方向作出说明。他称界面暂时混乱只是过渡，未来将实现零标签页；年底“Work”标签可能融入ChatGPT。他还谈到OpenAI的定位、硬件设备家族、语音交互、Agent演进，并回应了Hugging Face安全事件与临时聊天隐…

腾讯研究院（搜狐同步）

马斯克发布Grok语音模型，登智能体测评榜首

腾讯研究院（搜狐同步）

通过访问控制、沙箱化执行、默认拒绝网络出口和秘密隔离等确定性架构控制，可显著降低企业AI代理被利用的风险，而基于提示或LLM判断的防御不可靠。

NVIDIA AI红队在过去六个月内评估了多个AI代理（从简单交互编码工具到始终在线的自主数字助理），发现无论使用何种框架，重复出现的四个关键失败模式：缺乏对代理本身的访问控制、代理工具允许任意代码执行、无网络出口控制、秘密在代理环境中以明文暴露。基于提示的防御和LLM-as-a-judge模式在面对社会工程、青蛙煮水攻击和通过合法工作流转移注意力时均被可…

NVIDIA 博客

在模仿学习中，让学习者沿自身轨迹与专家进行在线交互，可以放宽其表示条件：不再需要精确表示专家策略，只需能表示专家价值函数；作者据此提出交互式在线策略算法 OVI，并在理论和实验上显示优于行为克隆、DAgger 等基线。

模仿学习（IL）通过演示训练智能体复现专家行为，用于机器人、语言模型训练等场景。标准行为克隆（BC）在学习者不能完美表示专家策略时（例如蒸馏中常见的情况）会出现复合误差和性能瓶颈。已有经验认为两种干预手段有效：一是沿学习者自身轨迹交互式查询专家，二是在生成策略前先估计价值函数，而不是直接拟合专家的完整动作分布。

arXiv 论文

WCM 通过让评论家（Critic）在估计价值的同时显式预测未来潜在状态，解决了视觉-语言-动作（VLA）模型强化学习后训练中评论家表征缺乏时间动态结构的问题，在仿真和真实机器人操作任务上均取得领先效果。

VLA 模型的强化学习（RL）后训练在机器人操作中展现出很大潜力。其中基于评论家的方法依赖价值估计器，但现有价值估计器主要基于单帧观测或单帧 VLM 主干特征，与机器人控制的部分可观测性存在根本性不匹配。简单地把观测历史拼接到评论家中，会在高维视觉空间中带来指数级复杂度，并且纯标量回报回归无法提供足够的跨时间动态监督。作者将根因归结为“状态近似问题”：没有…

arXiv 论文

TraceViT 通过将循环视觉推理模型的中间迭代过程约束为“语义单调的变换链”，并配合任务参考与对象工作区接地，在 ARC-AGI-1 上达到 67.8% 的 pass@2，在 ARC-AGI-2 上达到 24.3%；受控消融表明，迹监督只有在与接地配对时才有益。

Abstraction and Reasoning Corpus（ARC）要求模型从少量输入-输出示例中推断未见的变换，并将其应用到新的网格上。循环视觉推理器会在多次迭代中逐步修正预测，但传统训练只约束最终输出，中间迭代的修正过程没有任何监督信号。本文提出：中间修正应当逐步跟随真实变换，而不是只检查终点是否正确。

arXiv 论文

该论文提出一种无需干净RGB监督的3D感知RGB-NIR低光成像方法，通过将极嘈杂的RGB观测与近红外（NIR）线索在3D空间中隐式融合，恢复出干净RGB图像，并能在不同噪声水平下泛化。

低光成像仍具挑战性。已有研究尝试融合近红外（NIR）与含噪RGB来改善低光增强效果，但多数方法依赖精心配对的训练数据，在不同场景下的鲁棒性有限。本文提出新视角：引入3D感知神经建模来处理RGB-NIR低光成像问题。

arXiv 论文

持续学习（CL）系统中的分布外（OOD）检测性能会随任务增加而下降（称为 OOD 遗忘，OODF），但该下降与“旧任务分类准确率”仅呈弱负相关，说明其机制相对独立；论文提出的免训练后处理方法 TOOD 通过对数几率（logit）的任务级能量分解和基于回放缓冲区的重校准，可在多数设置下改善 OOD 检测。

持续学习通常关注“学新任务不忘旧任务”，但系统能否识别来自已学任务分布之外的输入（即 OOD 检测）同样重要，却较少被研究。本文研究持续学习过程中 OOD 检测性能动态变化的原因，提出“OOD 遗忘（OODF）”这一现象，并分析其内在机制与缓解方法。

arXiv 论文

TokTier 提出一种“有状态”的 tokenization 服务：不每次从头全量分词，而是只重算追加位置附近的小窗口，并用稳定边界检查保证输出的 token ID 与全量参考分词完全一致，从而在 coding agent 类长会话场景显著降低首 token 延迟。

LLM serving 系统会对 prompt 的 KV 状态做缓存，但大多数前端仍在每次调用时对完整请求文本重新 tokenization。 这个问题对 coding agent 尤其严重：智能体每执行完一个小工具结果，就会重新提交很长的多轮 transcript；即便只是末尾追加少量字符，也可能改变前一序列末尾的 token 边界，导致复用困难。 摘要…

arXiv 论文

该论文提出“苏格拉底测试”的理论基础：一种自动化、计算机中介的对话式评估方法，用动态评估和渐进式脚手架来量化学生的最近发展区（ZPD），并以非补偿性的加法式评分体系取代传统的惩罚性扣分模式。

论文指出两类传统评估的缺陷：

arXiv 论文

在参数高效微调（PEFT）中，将单一共享LoRA改为“自动任务分组 + 任务排序 + 独立QLoRA”的多策略优化路径组织方式，可以在相同可训练参数量下提升性能；论文报告在TRACE基准上达到44.78的最好成绩（待核实）。

PEFT通常使用单个共享LoRA适配大语言模型，但面对异构任务序列时，共享优化空间容易产生干扰，导致迁移效果差和灾难性遗忘。 已有改进思路主要是增加适配器参数容量或组合多个适配器，但大多仍依赖同一条共享优化路径。 本论文提出一种优化路径组织框架，通过自动任务分组与任务排序，在固定参数预算下构建多策略PEFT架构。

arXiv 论文

Sycophancy Undermines Epistemic Vigilance in Cooperative Vision-Language Tasks

arXiv 论文

SignMuon 将 Muon 更新逐元素取符号，压缩到每参数 1 bit，是在极低通信预算下运行矩阵感知优化器的一种最直接方式；它在实践中优于 SignSGD，但即使在线性函数上也可能上升。把符号放在 LMO 之前或两侧并不能普遍修复该问题；误差反馈只有作用在梯度上时才带来标准非凸收敛率。更反直觉的是，实验中理论上会发散的 sign-after-LMO…

论文研究 Muon（一种矩阵感知优化器）在低比特通信约束下的符号压缩。核心问题包括：

arXiv 论文

视觉生成中，收敛后的扩散损失并不随自然语言提示的 token 数量缩放，而是随提示中“结构化语言”的数量缩放：与白盒似然度量 GPG 近似线性下降，与黑盒属性度量 ED 呈幂律下降。

本文研究视觉生成中“文本条件”的经验缩放性质。传统上，扩散损失被认为难以随自然语言提示的 token 数呈现稳定缩放规律，因此这类性质很少被直接测量。作者发现，若将语言提示中的“结构化程度”作为变量，则扩散损失表现出清晰的缩放行为。

arXiv 论文

研究问题：KV 缓存压缩对高效长上下文推理至关重要。已有驱逐类方法会永久丢弃未选中 token，导致这些 token 对注意力的总贡献被整体移除；合并类替代方法虽保留更多信息，但可能扰动本应保持精确的保留 key/value。 核心观察：缓存驱逐所遗漏的信息，可以形式化为 softmax 注意力分子和分母中的残差统计量。 事件信息：论文《ResKV: Re…

arXiv 论文

RayViT 通过向预训练 ViT 注入以 Plücker 射线图表示的相机几何信息，使视觉模仿学习策略在相机扰动下显著更鲁棒。

视觉模仿学习让机器人直接从图像习得视觉运动技能，但 RGB 观测缺少显式几何线索，导致策略在相机位姿变化时表现脆弱。本文提出 Ray-conditioned Vision Transformer Encoder（RayViT），在预训练 ViT 骨干中注入相机几何信息，以提升对视角扰动的鲁棒性。

arXiv 论文

QASP 提出一种查询自适应的向量搜索策略：通过一次前馈回归预测每条查询的完整召回进展曲线，再按任意召回目标导出搜索策略，从而在不反复调用模型的情况下降低召回波动和计算成本。

传统向量搜索常使用固定搜索参数，导致不同查询的召回率差异较大；而按平均召回率评估会掩盖这种逐查询差异。QASP 旨在解决“如何在控制计算成本的同时，对每条查询都稳定达到目标召回率”这一核心问题。

arXiv 论文

OASIS 提出了一种面向单张图像手部虚拟化身重建的 3D 高斯泼溅（3D Gaussian Splatting）框架，通过“几何对齐的视觉证据令牌”和“可见性条件点-图像注意力”处理严重自遮挡，并引入“Feature-on-Mesh”表示建模手部非刚性形变，在视觉保真度和效率上优于现有基线，同时支持文本生成化身与纹理编辑等下游应用。

单图 3D 手部化身重建本质上是病态问题：单个视角下视觉证据有限，手部存在严重自遮挡，且高度关节化的手部具有复杂的姿态依赖形变。 现有方法多依赖隐式 NeRF 风格表示，体积拟合计算开销大，且难以保留手部细粒度细节。 OASIS 旨在用 3DGS 实现单图手部化身重建，兼顾质量与效率。

arXiv 论文

MOT-SR 是一个面向符号回归的LLM框架，通过外部分析工具提取结构先验，并用动态Pareto前沿进行多目标优化；在40个标准任务和极端质量比旋进（EMRI）轨道建模中，相比现有符号回归方法在准确性、泛化性和效率上表现更优。

符号回归（Symbolic Regression, SR）旨在从观测数据中发现解析方程，是科学建模的核心任务。 现有基于大语言模型（LLM）的方法有两个局限：一是缺乏数据分析机制来揭示变量依赖，导致方程发现效率不高；二是大多只用拟合误差作为单一目标，忽视结构复杂度和泛化性，容易过早收敛到局部最优，限制了对方程空间的探索。 论文提出 MOT-SR（Multi…

arXiv 论文

LEMUR 提出了一个无需预定义奖励函数的多目标强化学习框架：它从多个人的偏好反馈中同时学习策略和多个目标各自的奖励模型，从而在竞争性目标之间进行平衡，并在多种基准多目标任务上取得了优于基线方法的表现。

现实世界中的强化学习任务往往涉及多个相互竞争的目标（例如性能与效率），但很难为每个目标都设计一个明确的标量奖励函数。 已有的多目标强化学习（MORL）通常假设每个目标都有可用的奖励函数，这继承了单目标强化学习中的奖励工程难题。 偏好反馈强化学习（PbRL）可以不依赖预定义奖励函数，但大多数研究停留在单目标设定下。 LEMUR 试图弥合这一空白：在多目标任务…

arXiv 论文

HierDoc 将多页文档视觉问答中的证据获取建模为“先选页、再从页内选语义区域”的两阶段集合预测，通过在页面与区域两个粒度上分别优化策略，显著优于仅选页面的系统。

多页文档视觉问答需要在页面和区域两级定位稀疏证据。现有方法要么偏重页面选择（区域操作仅作导航），要么假设相关页面已给定而偏重区域选择，导致两个粒度脱节。HierDoc 提出将二者统一为连续的两阶段证据决策。

arXiv 论文

GQ-FSL 提出在联邦分割学习中同时引入随机量化与不对称精度配置，在满足目标精度的前提下最小化系统总能耗，论文声称其能效优于量化联邦学习和全精度联邦分割学习。

在无线边缘部署先进深度神经网络（DNN）时，移动设备的能量和资源限制是严重瓶颈。联邦分割学习（FSL）通过将部分计算负载卸载到边缘服务器来缓解设备的计算压力，但设备与服务器之间持续交换切分层数据和子模型，仍会带来可观的能量消耗。GQ-FSL 旨在解决这一通信与能耗瓶颈，并系统刻画精度、能耗与全局收敛之间的权衡。

arXiv 论文

FriendBench 论文摘要指出：在从 20 秒双人对话片段推断“熟人还是陌生人”的任务上，最佳多模态大模型与人类总体的准确率在每种模态下统计上不可区分；但人类在两个答案类别上保持均衡，而最强模型系统性地倾向于回答“陌生人”——这被归因于有效先验的差异，而非判别能力的高低。

FriendBench: Benchmarking Dyadic Familiarity Inference in Humans and Multimodal Large Language Models

arXiv 论文

本文提出一种“冻结—然后选择”（freeze-then-select）的偏微分方程（PDE）发现策略：先用结构化场适配器从稀疏观测中重构连续场，再在冻结场后通过稳定性验证弱选择（SVWS）选出正确的微分项；在六个稀疏 MDBench 场景中，该方法取得了最高的精确支持恢复率。

从稀疏观测中发现 PDE，需要同时完成两件事：重构连续场，以及从候选微分项中选出正确的项。作者分析了耦合神经 PDE 发现中的优化路径，发现存在三种行为：

arXiv 论文

FlexComposer 将生成式视频合成统一为“轨迹引导的条件生成”任务，在不依赖显式 3D 重建或额外可学习适配器的前提下，同时支持静态图像和预动画动态素材的插入，并在视觉质量、时间一致性和轨迹遵循度上声称超越现有方法。

生成式视频合成（generative video compositing）指将外部资产无缝插入现有视频序列中，是内容创作和视觉特效的重要环节。现有方法存在“控制—保真度”权衡：

arXiv 论文

FibVLA 通过对数回溯采样与斐波那契递归推理相结合的方式，在不重新训练大规模视觉编码器的前提下，实现兼顾长上下文时序感知与推理效率的视觉-语言-动作模型，实验显示可提升动作平滑度、成功率及实时响应性（具体数值与实验细节待核实）。

视觉-语言-动作模型（VLA）利用多模态认知推理物理世界动作，是具身智能的通用解决方案。 传统 VLA 主要聚焦当前数字认知，虽然已有工作通过捕获时序信息增强推理能力，但编码长上下文历史会导致效率下降。 FibVLA 旨在解决“捕获时序信息”与“保持推理效率”之间的矛盾。

arXiv 论文

ExtractBench 是目前已知首个同时评估“值准确率、大规模记录完整性、证据溯源性和实测成本”的 schema-guided extraction（模式引导抽取）基准；在该基准上，LlamaExtract Agentic Plus 在全部三项指标上排名第一，准确率与 coding agents 相当，但成本大幅更低。

企业工作流越来越多地依赖 agent 完成**模式引导抽取**：给定一份文档和用户自定义 schema，agent 需要忠实遵循 schema，生成正确输出，并附带源证据作为 grounding 元数据。但已有评测缺乏同时覆盖抽取准确性、记录完整性、grounding 和成本的标准。ExtractBench 提出并落地了这一评测框架。

arXiv 论文

在AI生成图像检测中，热力图作为证据需要经过因果检验；该研究显示，压缩历史而非合成本身主导朴素评估，并且通过“检测器盲对照”仍不等于获得忠实解释——作者明确表示没有展示出任何忠实解释。

市场评论照片是平台退款依据，而生成模型将伪造一张“证据照片”的成本降到了接近零。因此，平台需要检测AI生成图像，并让检测结果附带可理解的证据（热力图）。本文围绕两个问题：检测器本身有多可靠？归因热力图是否真正提供了可靠证据？

arXiv 论文

在迭代学习模型中，当不同意义的出现频率不均匀时，高频意义可以像自然语言中观察到的那样“逃脱”统辖低频意义的语法压力；但如果频率结构施加在意义的部分组件而非整体意义向量上，语言将无法跨代稳定传递。

本文研究语言演化中的组合性（compositionality）如何受意义频率分布的影响。此前迭代学习模型的关键发现是：语言经过一代代学习者的“学习瓶颈”被反复传递后，组合性会自发涌现。本文进一步追问：当某些意义比其他意义频繁得多时，这种组合性会如何改变？

arXiv 论文

DynoDINO 针对多相增强CT（CECT）病灶分割提出统一框架：先进行切片级对齐，再用多相融合模型增强跨相位时序相关性，并在 LiTS、PLC-CECT、WAW-TACE 等数据集上改善边界勾画与结构保真度（具体量化指标待核实）。

多相增强CT（CECT）通过多个采集阶段捕捉病灶随时间变化的增强模式，是局灶性病变诊断的重要依据。但造影剂增强动力学信息分布在不同相位，且解剖结构不一致、呼吸运动、采集不完整会造成相位间错位或时序信息中断。传统分割框架通常逐相位独立处理，或只做简单融合，时序推理能力有限。

arXiv 论文

DungeonBench 是一个面向《龙与地下城》战斗场景的规则密集战术推理基准，目前前沿语言模型策略在单场遭遇战中常能获胜，但在跨遭遇战的连续“一日”场景中暴露出资源预算、休息时机和规则意识上的明显不足。

现有游戏与模拟器基准虽然能把决策转化为可测量的结果，但许多基准对“规则密集的战术推理”测试不足。DungeonBench 专门考察模型在几何、时机、资源、目标与规则交互同时起作用时能否做出高质量选择。

arXiv 论文

本文首次系统研究严格差分隐私约束下的多变量密度模态恢复问题，提出均值漂移启发的DP-GRAMS方法，并证明其模态估计误差在极小极大意义下接近最优（仅差对数因子）。

密度模态（density modes）是对多峰分布的局部化、可解释的概括，但现有估计方法缺乏严格的差分隐私保障。本文研究在局部光滑性、曲率和分离条件下，如何从私有数据中高概率恢复多变量分布的所有总体模态，并给出可推广到回归与聚类的隐私模态学习方法。

arXiv 论文

FDD-ON 是一个模块化、可扩展的本体，用于形式化表示变风量（VAV）暖通空调（HVAC）系统的组件、故障类型、症状状态、故障影响及相关属性；论文称，在公开 VAV HVAC 系统数据集上的评估表明，它能作为可扩展、透明、可互操作的故障检测与诊断（FDD）解决方案的语义基础。

该研究针对暖通空调系统故障检测与诊断（FDD）技术部署中领域知识结构缺失的问题。FDD 对提升系统可靠性、能效和维护有效性至关重要，但实际部署需要结构化领域知识来桥接异构数据源、多样设备类型和不同诊断输出。当前 FDD 领域存在数据可解释性与互操作性不足，形成信息孤岛，阻碍了数字孪生 FDD 框架和 AI 驱动的维护决策系统等应用。为此，论文提出 FDD…

arXiv 论文

在由随机微分方程（SDE）描述的扩散环境多臂老虎机问题中，采用 logit 参数化的策略梯度更新，在任意常数学习率下几乎必然收敛到最优臂；当常数学习率低于某个与时间无关的阈值时，非渐近遗憾上界为 $O(\log T)$。

该研究面向连续时间强化学习框架下的多臂老虎机问题，环境由扩散过程（SDE）刻画。核心问题是：策略梯度算法在此类扩散环境中能否收敛到最优臂，以及其累积遗憾如何受学习率和环境参数影响。

arXiv 论文

CoDe-SSM 通过将聚合上下文与聚类残差显式解耦，在超高清（UHD）图像恢复中兼顾跨区域上下文共享与局部细节保持，在五个 UHD 基准和五种退化类型上取得质量提升，同时保持理想效率（具体性能数据待核实）。

UHD 图像恢复需要平衡两类信息：空间上反复出现的退化线索（可聚合共享）与局部化的精细结构（如边缘、纹理，不能被共享聚合充分表达）。现有方法常用下采样、窗口划分或聚类 token 剪枝来控制高分辨率带来的计算成本，但大多没有显式保留那些难以被共享聚合表征的细节。该论文提出 CoDe-SSM，用两条独立通路分别处理聚合上下文和聚类残差，以解决上述问题。

arXiv 论文

CENDRe 是一种面向时间序列 CNN 的概念抽取方法，能够自动确定概念数量，并在时间域和频率域中同时定位驱动模型预测的概念；在真实轴承故障数据上，它提取出故障诊断中常被关注的频带证据。

CNN 被广泛用于时间序列分类，但在关键领域部署时，需要理解驱动预测的时间模式和频谱模式。概念抽取（Concept Extraction, CE）通过分析模型隐空间中的表示来识别这些模式。论文指出，现有时间序列 CE 方法存在三个局限：

arXiv 论文

现有 LLM 智能体在“读实验证据、调下一步超参数”的序贯优化任务上已表现出可测量的实验优化能力，但在持续迭代细化、复杂日志诊断以及稳定逼近参考性能方面仍存在明显不足。

随着 LLM 从代码补全系统演变为自主科学智能体，如何评估其“做实验”的能力变得越来越重要。已有基准大多关注静态代码生成、论文复现或最终答案正确性，并未直接检验智能体能否解读实验证据，并据此做出后续超参数决策。

arXiv 论文

本研究提出一种模型无关的可解释性评估指标——EPC 分数，并通过表格、文本和图像三种模态的实验表明：EPC 分数越高，越能与人类基于词汇情感判断和空间视觉标注的解释相一致。

深度学习模型在高风险领域的快速应用，使可信赖的可解释人工智能（XAI）成为迫切需求。然而，客观评估解释的保真度、以及让 XAI 指标与人类中心的理解对齐，仍是关键开放挑战。该研究针对这一问题，提出了 EPC 分数的扩展版本，并对其进行人类中心的实证验证。

arXiv 论文

LlamaIndex 将自身定位为“Agentic Document Processing”（代理式文档处理）框架，通过一系列文档解析、提取、分类和自动化工具，支撑起面向复杂文档工作流的 AI 代理生态系统。

LlamaIndex 官方博客以“Agentic Document Workflows”为主要分类标签之一，并持续发布相关博文。 核心观点：传统的 RAG（检索增强生成）框架无法覆盖文档处理全链条，LlamaIndex 的进化方向是构建能够自主执行多步骤文档任务的 AI 代理工作流。 研究问题：如何将文档解析（LlamaParse/LiteParse）、实…

LlamaIndex 博客