AI 日报 · 2026-08-14

Optima 是 Artificial Analysis 推出的自定义基准构建工具，让用户将自己的任务/数据转化为可重复的基准，在最新模型上运行，并对质量、成本与耗时进行对比；标准化基准无法回答“哪个模型最适合我的具体场景”，Optima 试图填补这一空白。

根据 Artificial Analysis 官网页面，Optima 允许用户“自带数据集、代理轨迹或自己的代理”，通过“构建 -> 运行 -> 评分”三步建立面向自身业务场景的基准测试，并比较前沿模型在性能、成本和耗时上的表现。页面展示了示例“Contract Review Benchmark”（合同审查基准），用于评估模型审查供应商合同、标记风险与提取…

artificialanalysis.ai

Grok 4.6 在 Artificial Analysis 综合智能指数上拿到 61 分，追平 GPT-5.6 Sol，仅落后 Fable 5 一分；在 GDPVal、AA-Briefcase、Harvey LAB 等基准上反超 Fable 5，同时 API 价格保持不变。

据腾讯研究院 AI 速递（2026-08-14）报道，马斯克发布旗舰模型 Grok 4.6。该模型在 Artificial Analysis 综合智能指数中得 61 分，进入第一梯队，追平 GPT-5.6 Sol，仅落后 Fable 5 一分。在 GDPVal、AA-Briefcase、Harvey LAB 等基准上反超 Fable 5，法律场景以 22%…

腾讯研究院（搜狐同步）

dots.tts是一个20亿参数的全连续端到端自回归语音合成基座模型，跳过离散Token量化，直接在连续隐空间建模并还原波形，在Seed-TTS-Eval三个子集上平均内容准确度与说话人相似度达到SOTA，并支持流式输出与低延迟双流模式。

小红书dots团队与上海交大X-LANCE实验室联合开源了dots.tts，定位为可持续扩展的语音合成基座。与主流TTS路线不同，dots.tts不依赖离散语音Token的量化步骤，而是直接在连续隐空间执行逐块自回归建模，再还原为波形。项目采用Apache 2.0协议，开放六个检查点及训练、推理、微调、蒸馏全套代码。

腾讯研究院（搜狐同步）

腾讯WorkBuddy发布5.3.11版本，将资料库升级为AI原生知识管理空间，新增HTML、Markdown等格式支持，实现人与AI共同读写、协同编辑，并能用一句话搭建可存数据的“轻应用”。

本次更新来自腾讯研究院AI速递（2026-08-14），核心变化是将WorkBuddy资料库从传统文件管理升级为AI原生知识管理空间：除Word、Excel、PPT外，新增HTML、Markdown等格式，并强调“人与AI可共同读写协同编辑”。

腾讯研究院（搜狐同步）

Ilya旗下SSI首个模型曝光，主打测试时训练

腾讯研究院（搜狐同步）

Cohere 的硬件感知动态投机解码（DSD）根据批大小（BS）等硬件约束动态选择草稿 token 数 K，在保留标准投机解码低 batch 加速的同时，避免固定 K 在大 batch 的 compute-bound 场景下变慢；在 Command A（Dense）上，DSD 在 BS 128/256 比固定 K SD 快约 23%，在 Command A…

LLM 推理通常一次生成一个 token；标准投机解码（SD）用小模型草拟多个 token，再由目标大模型在一个时间步内验证，每步可接受多个 token，从而加速。 SD 利用 GPU 计算与内存带宽的权衡：小 batch 时推理受 memory bandwidth 限制，大 batch 时受 compute 限制。现代 GPU 计算单元通常比内存带宽快约…

Cohere 博客

2026年8月14日，智谱发布开源模型GLM-5.3，主打Coding与安全两大能力。据量子位报道，它在多项主流基准上为排名最高的开源模型，编程与智能体能力接近Claude Fable 5，并成为“最强开源安全模型”。

智谱在DeepSeek V4 Pro正式版、Grok 4.6发布后不久推出GLM-5.3。文章称，在Coding方面，GLM-5.3比GLM-5.2明显提升，能完成长时间自主规划、3D场景制作和可交付的模拟游戏；在安全方面，GLM-5.3在CyberGym白盒代码审查中得分84.5%，高于GLM-5.2的77.2%，并略高于Mythos 5和GPT-5.6…

量子位

2026年8月，SpaceX以600亿美元完成对AI编程工具公司Cursor的收购，Cursor不再作为独立公司存在，其品牌与业务并入SpaceXAI；这被描述为“史上最大规模创业公司收购案例”，也标志着AI应用“绝对中立时代”的结束。

据新智元报道，2026年4月SpaceX与Cursor签署的协议中包含一项条款：SpaceX要么花100亿美元继续合作，要么以600亿美元整体收购Cursor。马斯克选择了后者。6月SpaceX宣布执行收购，8月16日官方正式确认交易完成。

新智元

Cursor 已被 SpaceX 正式收购，收购流程自 2026 年 4 月与 SpaceXAI 合作启动后完成；双方将利用全球最大 GPU 集群，开发更强且更经济的模型。

2026 年 8 月 14 日，Cursor 官方博客宣布，Cursor 正式被 SpaceX 收购。该收购始于 2026 年 4 月，当时 Cursor 宣布与 SpaceXAI 合作以加速模型训练。收购完成后，Cursor 将获得 SpaceX 全球最大 GPU 集群的访问权限，用于构建更强大且运行成本更低的模型。作为合作的早期成果，Cursor 已于…

Cursor 博客

未来 Claude 模型生成的文本将包含一种对读者不可见、不影响质量/价格、且不携带用户身份信息的“文本水印”。Anthropic 表示，这是为了遵守欧盟《人工智能法案》（EU AI Act）的要求；检测方只能推断“Claude 参与生成的可能性”，不能证明文本一定由 Claude 或人类单独完成。

2026年8月14日，Anthropic 发布文章解释其文本水印技术。 文章称，未来 Claude 模型会在生成文本中加入水印；Anthropic 与多家主要 AI 提供商一起实施这一改变，以符合 EU AI Act。 自2026年8月2日起，欧盟要求服务其市场的 AI 提供商对 AI 生成内容进行标记。 Anthropic 于2026年7月签署欧盟《AI…

Anthropic 博客

腾讯混元3D团队推出开放世界生成框架WorldClaw，用户输入一句文本即可生成可自由探索、可继续编辑的大规模3D世界；生成过程采用由粗到细的Agentic方式，由多Agent协作完成规划、生成与自动修正。

一份AI行业速递报道，腾讯混元3D团队推出了开放世界生成框架WorldClaw。与“文本生成单个3D模型”不同，WorldClaw面向“整个3D世界”的生成，强调可自由探索和可继续编辑，并展示了海盗岛屿、沙漠战场等案例。WorldClaw的具体发布时间、官方公告等细节在速递中未展开，待核实。

腾讯研究院（搜狐同步）

谷歌Pixel 11系列是一次“硬件半代升级”：四款机型全系256GB起步，平均涨价约100美元；新增的HiLight呼吸灯、Gemini Intelligence等AI功能与Gemini深度绑定，但媒体评价其“类智能体能力提升有限”，Pixel似乎正从独立智能手机沦为Gemini的物理容器。

根据发布会前解禁的上手信息，谷歌Pixel 11系列共四款：标准版、Pro、Pro XL和Pro Fold。全系存储起步为256GB。价格方面，基础款899美元，Pro和Pro XL分别为1099美元和1299美元，Pro Fold达到1899美元，平均上涨约100美元。多家媒体将其评为“半代升级”。

腾讯研究院（搜狐同步）

DeepSeek上线V4 Pro正式版，强Agent能力

腾讯研究院（搜狐同步）

谷歌DeepMind团队在Nature发表观点文章，提出用“自主性、效能、目标复杂度、泛化”四个维度刻画AI Agent，取代“是否为Agent”的二元分类，并指出“更强的Agent不一定需要更多治理”，关键在于能力类型对应的治理方式。

现有AI Agent讨论常陷入“是否为Agent”的简单二分，但真实系统中的Agent能力差异巨大，且同一模型在不同部署环境中的风险可能完全不同。谷歌DeepMind团队试图建立一种更细致的共同语言，用于描述Agent的核心属性，从而支撑技术审计、权限管理、责任分配和监管分级。

腾讯研究院（搜狐同步）

阿里首次开源Max级旗舰模型Qwen3.8-2.4T-A95B权重，总参数2.4万亿、每Token激活950亿，主打长周期自主智能体任务；在PaperBench、OSWorld-Verified、CAD基准上超过Fable 5，但在TerminalBench、SWE-bench Pro等任务上仍落后于GPT-5.6 Sol与Fable 5。

腾讯研究院AI速递（20260814）报道，阿里首次开源Max级旗舰模型，开放Qwen3.8-2.4T-A95B权重。 该模型与Grok 4.6、DeepSeek V4 Pro同夜发布，当晚的大模型发布均突出Agent能力。 命名中的“2.4T-A95B”表示总参数2.4万亿、每Token激活950亿；材料未明确说明具体架构细节。

腾讯研究院（搜狐同步）

直接偏好优化（DPO）可以把一个无监督的结构条件蛋白语言模型（ESM-IF1）对齐到实验稳定性数据，得到 ProteinDPO。它在稳定性打分上优于无监督原版和监督微调（SFT）版，且能推广到大型复合物结合亲和力预测及流感血凝素三聚体稳定化。

无监督蛋白质生成模型可以在没有任务特定标签的情况下预测功能，但通常不如任务专用模型。作者将这种现象归因于“对齐差距”（alignment gap）：无监督训练学到的规则与用户关心的功能不一致。

nature.com

YOPO 在不改变冻结大语言模型权重的前提下，用一个小型残差重构网络解决“引导写入”与“充分性判读”互相干扰的问题，使模型在单次前向传播中既能回答也能弃权；在 Qwen2.5 1.5B 的 alphaNLI 上，三路准确率从冻结基线的 0.375 提升到 0.798，并超过需要两次前向传播的参照方案。

论文认为，冻结语言模型在推理任务上有两个相互关联的弱点：一是没有充分使用自身残差流中已经编码的证据；二是当输入信息不足以回答时不能识别，从而产生“编造式回答”（confabulation）。 已有两条研究路线分别作用于同一条残差流： 条件引导探针（conditional steering probe）在中段层写入残差流，提升冻结主干的推理准确率； 零样本充…

arXiv 论文

Wyvern 是一个面向“有据可依（grounded）多模态技术报告”自动生成的多智能体框架。作者报告它生成的图表信息量更高、报告更有用，并在引文召回率和精确率上显著超过基线；但当前可获取材料仅为摘要，系统细节和评测过程待核实。

背景：作者认为在 AI 驱动的创新时代，知识增长速度快，人类难以跟上；生成模型虽越来越多用于内容合成，但常常缺乏信息依据（grounding）。 问题：如何自动生成既包含多模态内容（图像、表格、文本），又能提供支撑参考文献、且内容经过依据校验的技术报告。 提议：Wyvern 多智能体框架，将报告生成与内容 grounding 结合，并引入“论断自动修订（c…

arXiv 论文

Universal Thermodynamic Interatomic Potentials for Crystalline Materials

arXiv 论文

UMPIRE-Net: Unrolled Magnitude-Phase Regularization Network for Accelerated MRI

arXiv 论文

Twin 系统在测试时让前沿编码智能体编写一个可执行世界模型，通过“数字孪生”回放验证和反例修复来玩规则未知的网格游戏，在 ARC-AGI-3 上通关 179/183 关（97.8%），并将同一基础模型在基准上的得分从 7.8% 提升到 93.3%。

研究问题：如何在游戏规则与目标都隐藏的情况下，仅靠模拟和交互自动构建一个可用的世界模型，完成持续学习任务（如 ARC-AGI-3 游戏）。 传统做法是为每个任务手工设计定制世界模型；Twin 则希望自动构造世界模型，而不是针对每个游戏单独设计。 每个游戏都隐藏规则和目标，Twin 只从仿真与交互中构建出这些规则与目标。

arXiv 论文

知识编辑虽被寄望于低成本更新大语言模型，但现有方法把模型当作可独立修改的“模块化知识库”，忽视了知识之间的相互依赖；未来应转向考虑演绎闭合、模型信念与上下文依赖的“有原则”编辑方法。

本文是发表于 *Nature Machine Intelligence* 的 Perspective（观点文章），发表于 2026 年 8 月 14 日。作者指出，大语言模型日益具备多步演绎、因果推断等复杂推理能力，而现有知识编辑技术大多将事实视为可独立修改的条目，导致编辑后的知识可能与模型既有推理链条冲突，产生“混乱的涟漪效应”。文章呼吁知识编辑必须尊重…

nature.com

这篇发表于 *Nature Machine Intelligence* 的综述文章认为，计算机听觉正从传统任务范式走向以大语言模型（LLM）为核心的“通用听觉智能”，关键路径是将音频理解、音频生成、语音交互和音视频融合统一纳入基础模型框架。

本文是一篇 Review Article，在线发表于 2026 年 8 月 14 日。 研究问题：如何让机器像人一样自然地“听”和“说”？如何把音频模态嵌入大语言模型，使系统具备更深层的声音语义理解、更自然的音频生成，以及更像人类的语音交互能力？ 综述聚焦四个关键领域：音频理解、音频生成、基于语音的交互、音视频联合理解。

nature.com

The Past and Future of AI Scientists

arXiv 论文

The Dynamics of Intelligence Explosions

arXiv 论文

在冻结图像嵌入（如CLIP）的风格分类任务中，改用“艺术家隔离”评估协议后，5-NN风格准确率从0.87降至0.77，且下降极度不均衡；这表明此前报告的高准确率有一部分来自对画家个体的识别，而非真正的艺术风格理解。

研究问题：CLIP等冻结视觉嵌入被越来越多用于按艺术史风格对绘画分类，且报告准确率很高。本文追问：这种准确率究竟反映了模型对“风格”的理解，还是对“个体画家”的识别？

arXiv 论文

根据候选摘要，该工作主张把“从多个来源中得出结论”拆成“解释每个来源”和“聚合各解释”两个独立环节，并固定二者之间的证据元组接口，比把所有来源拼接进一个提示更合理；摘要给出的一个实例中，该方法达到 0.921 AUPRC，而手工基线为 0.805（待核实）。

根据候选摘要，论文针对一类常见做法：想让语言模型根据很多来源得出结论时，通常把所有来源拼接成一个长提示。作者认为这混淆了两种需求不同的操作：

arXiv 论文

在PM2.5监测数据有限且源域与目标域分布不一致的条件下，保留目标域专属分支、并允许源编码器在目标域监督下进行适应的双编码器迁移框架，能够比仅用本地数据或直接迁移取得更好的短时预报性能，并降低负迁移风险。

短时PM2.5预报在目标域观测数据不足时面临两难：只使用本地数据训练的模型难以捕捉复杂时间动态，而直接迁移源域模型又可能因源域与目标域统计特性不同而产生负迁移。该研究针对这一问题，提出了一种“移位感知”的迁移学习框架。

arXiv 论文

SheetCompass 提出用层次化关系图显式建模工作簿内和工作簿间的结构关系，并用记忆驱动智能体进行电子表格推理与自动化，避免传统方法把多维表格结构“压扁”成字符串而丢失关键语义。

电子表格广泛用于组织、分析和操作半结构化数据，但大语言模型（LLM）在自动化地理解真实工作簿时仍面临困难。真实工作簿通常包含：

arXiv 论文

根据 arXiv 摘要，Rollplex 是一个面向视觉语言模型（VLM）强化学习后训练的运行时系统。它把 reference scoring 和 actor training 中的前缀计算移入 rollout 解码窗口，并通过阶段感知内存管理与张量并行感知的权重共享，在保持同步 on-policy 更新的同时，在 32 块 H800 GPU 上比串行共置…

视觉语言模型（VLM）为具身智能体提供从视觉观测和语言指令中推理并行动的能力；强化学习（RL）后训练利用任务反馈增强这种能力。然而，当前 on-policy RL 运行时通常把 rollout、reference scoring、actor training 作为严格串行的阶段执行。

arXiv 论文

RecipeNet 是一种针对配方数据的层次化 Transformer 架构，通过在步骤内编码字段级交互、跨步骤建模顺序依赖，在多个配方数据集和任务上稳定优于现有表格学习模型；其具体性能提升幅度需待核实。

材料合成、药物配方、工业制造等领域的“配方数据”由有序步骤序列构成，每一步包含异构结构化字段。现有表格学习方法通常把此类结构展平成固定 schema，难以捕捉层次化字段交互和过程依赖。RecipeNet 旨在解决这一建模缺口。

arXiv 论文

在“让公众投票”的道德AI偏好收集流程中，开发者对特征范围、投票者样本和问题表述的选择会影响最终聚合偏好，因此投票式对齐无法仅靠聚合保证公平与透明；至少每个阶段都应被审计并披露。

随着AI越来越多地参与社会中的道德决策，一种主流回应是“道德偏好 elicitation”（moral preference elicitation）：研究者请参与者对假设道德困境投票，再用聚合后的偏好训练AI策略。论文指出，在投票发生之前，开发者已经通过三个关键选择塑造了整个过程：特征范围（feature scoping）、投票者抽样（voter sam…

arXiv 论文

PACE-Bench 是一个基于模拟器的物理适配评测基准，通过 144 个“源环境→突变目标环境”的代码演化任务检验自进化智能体在物理规则变化后的恢复能力；当前最强方法也只能解决约三分之一的全量任务，表明该基准远未饱和，且机制重设计是核心瓶颈。

自进化智能体能够从交互经验中改进未来行为，但现有评测通常假设执行条件固定，未测试条件变化后的恢复能力。为填补这一空白，研究者提出 PACE-Bench，要求智能体在源环境中成功的代码设计失效后，利用诊断性沙箱反馈在有限尝试预算内将代码迭代适配到新的目标物理环境。

arXiv 论文

该论文提出用数据驱动的替代模型从OD需求直接近似均衡交通弧流量，以缓解道路养护调度中反复求解均衡分配模型的计算瓶颈，并在新泽西州纽瓦克地区的真实交通数据上验证了可行性。

道路网络层面的养护规划需要在通行能力下降的情况下反复评估均衡交通流。成熟的均衡交通分配模型虽然准确，但重复求解计算开销过大，难以嵌入养护调度优化问题中。

arXiv 论文

本文在非参数分布时序差分学习框架下证明，基于单条马尔可夫轨迹估计回报分布时，Polyak-Ruppert 平均估计量的根号 T 误差弱收敛到 Cramér 空间中的中心高斯随机元；条件自助法也有同一极限。该结果支撑方差、CVaR、期望短缺、expectiles 等光滑泛函，以及由 CDF 方程刻画的分位数等非光滑泛函的在线推断。

研究问题：固定策略下，如何从单一马尔可夫轨迹在线推断回报分布的函数泛函，而不只做点估计？文章关注分布时序差分学习中的统计推断，特别是 Polyak-Ruppert 平均估计器和 bootstrap 的渐近性质。

arXiv 论文

Power Sampling 虽然能让语言模型把更多概率质量放到“正确轨迹”上，但在下游推理任务中反而可能让结果更差；论文将其归因于“剂量失配”与“覆盖失配”，并提出一种保留支撑集、控制分布变形的修复方法，在相同预算下可逆转损失并超过标准多样本推理。

论文研究 Power Sampling 作为一种“无验证器”的推理时增强方法为何会失效。作者发现一个反直觉现象：Power Sampling 能驱动更多概率质量走向正确生成轨迹，却同时损害其本应增强的下游推理性。以 self-consistency 作为代表性下游方法时，准确率下降最多可达 18.5 个百分点。

arXiv 论文

交互式游戏世界模型通常直接在像素或潜空间中对视觉观测做自回归生成，导致姿态、几何、遮挡等结构化属性被迫由同一条生成序列隐式维护。长程生成中，这些潜在世界属性的误差不断累积，使一致性和可控性变得脆弱。Marionette 提出显式建模不断演化的世界状态，把精确几何计算交给固定、零参数的渲染器，从而将神经网络从隐式几何推理中解放出来。

arXiv 论文

MagnifiQ 提出一种利用预训练文本到图像扩散模型（如 SDXL）进行高分辨率图像修复的框架，通过将自注意力替换为卷积、渐进式放大和多阶段局部文本引导，在 4K 分辨率下以可扩展的计算成本实现更清晰、更连贯的修复结果。

研究问题：从退化输入恢复高分辨率图像（尤其 4K）时，需要同时保持全局结构一致性和恢复细粒度局部细节；直接使用基于扩散模型的修复方法计算昂贵，且容易出现重复或不一致纹理。

arXiv 论文

LP-NAS 将可微神经架构搜索中的架构更新方向建模为线性规划问题，利用验证损失梯度与训练损失 Hessian 构造更新方向；在 DARTS 搜索空间上得到 S-LP-DARTS 和 R-LP-DARTS 两个变体，在早期搜索迭代中比标准 DARTS 收敛更快、验证性能更高（具体数值待核实）。

神经架构搜索（NAS）旨在自动化设计神经网络结构，减少对人工经验的依赖。可微 NAS 因相对传统 NAS 更高效、更准确而受到关注，其将架构搜索空间松弛到连续域，从而可以引入连续优化思想。本文提出一种基于数学规划的框架 LP-NAS，适用于多种连续搜索空间，试图在保持模型参数最优性的同时提升泛化能力。

arXiv 论文

论文提出学习式转移（Learning-to-Transition, L2T）框架，将大规模、高阶MIMO检测建模为完整符号向量上的随机转移序列，并用信道耦合Transformer学习转移策略，从而同时支持硬输出检测和面向信道译码的软输出迭代检测。

该论文是 arXiv 预印本，作者为 Yubo Zhang、Yiyao Liu、Xiaodong Wang，于 2026-08-14 发布，分类为 cs.IT 与 cs.AI。

arXiv 论文

本文提出 optstop，一种基于精度的自适应停止框架，将大语言模型（LLM）评估视为序贯测量问题：在不确定性高的地方继续采样，在估计已经足够精确或稳定时停止，从而在保持总体结论不变的情况下大幅减少测试次数。

LLM 评估通常使用固定的采样预算，即对每个测试项进行相同次数的重复测试，即使某些项的估计已经非常精确。作者认为这是一种计算浪费，并提出一个问题：能否根据不确定性动态分配评估计算，而不是按固定重复次数？

arXiv 论文

现有摘要评估指标未能有效衡量摘要对特定读者的信息满意度；许多流行指标（包括强 LLM-as-judge 指标）在基本信息内容扰动测试中表现不佳，且与传统指标一样与人类判断的一致性较差。

该论文提出一个以读者为中心的摘要评估维度：**信息满意度（Information Satisfaction）**。大多数摘要评估工作关注通用摘要质量（如 ROUGE、BERTScore）或具体属性（如可读性、事实性），但这些指标难以衡量摘要对某个具体用户的实际效用。论文指出，查询式摘要（query-focused summarization）只能部分覆盖用…

arXiv 论文

本文把大语言模型应用中的“跨会话任务交接”形式化为“任务相关的上下文学习状态”的传递，并提出在满足外生性条件时，预测等价性可以刻画最粗的确定性充分交接，同时给出固定长度的比特需求与一种三部分交接记录方案。

大语言模型应用可能因以下原因需要把任务放到新会话中继续处理：

arXiv 论文

GhostPoint 提出一种面向 LiDAR 三维目标检测的自监督表示学习框架，通过显式生成遮挡/未观测区域的潜在特征来缓解现有自监督方法只约束可见表面的“可见表面偏差”，在 nuScenes 和 Waymo 上达到当前最优性能，尤其在稀疏扫描和标签有限时提升显著。

三维目标检测是自动驾驶中基于 LiDAR 点云的核心问题。近期自监督学习（SSL）虽然能够进行可扩展的预训练，并很好地迁移到语义分割、全景分割等逐点任务，但对三维目标检测的迁移仍然较弱。作者分析发现，大多数现有 SSL 目标只在可见表面上测得的 LiDAR 返回上定义损失，遮挡和未观测区域完全不受约束。这种“可见表面偏差”或许足以支持逐点预测，但三维检测需…

arXiv 论文

本文提出“生成驱动推断”（GPI）框架，利用辅助生成模型输出的分布值信息（如单细胞基因组学中的预测扰动响应），在不依赖其完全正确的前提下，提升对分布值参数（如 Wasserstein 重心）的统计推断效率。

现代生成模型越来越多地输出分布值结果，例如预测细胞对遗传扰动的响应。这些预测虽有价值，但存在误差。问题在于：如何利用这些不完美的辅助预测，改进基于真实标注数据的推断，而不是简单地把生成输出当作真值？

arXiv 论文

本文提出用主动推理中的**期望自由能（Expected Free Energy, EFE）**作为统一准则，让机器人在预算受限的信息性路径规划中同时实现“精确建图”与“高效寻优”，并在仿真中优于仅关注信息论指标的基线方法。

火星探测等任务中，自主机器人在未知环境中寻找高价值区域（如水源）时，需要同时满足两个目标：构建准确的信息地图，以及快速定位最有价值的区域；同时，每一步行驶和每次测量都有成本。经典方法往往只侧重“信息寻求”或“奖励寻求”之一，难以兼顾。本文研究的问题是：能否用统一的感知-行动准则来平衡这些目标。

arXiv 论文

本文提出一个统一框架，用“风险知情安全包络”（hazard-informed safety envelopes）将系统化危险分析与运行时强制机制衔接起来，以应对城市多样化区域中异构机器人系统与人-机器人交互带来的安全挑战。（待核实：框架的具体实现效果与实证结果需查看全文。）

研究背景：异构机器人系统正在城市各类区域部署，复杂的人-机器人交互使安全成为关键挑战。 研究问题：如何将系统化危险分析与运行时执行/强制结合起来，而不是把安全当作孤立在单个软件模块内部的静态约束。 本文路线：提出一种跨层安全转换过程，覆盖符号、空间、动态世界模型，并形成可对接物理AI运行时 harness 的安全包络表示。

arXiv 论文

本文提出一个统一的“路径空间（path-space）”视角，将扩散模型后训练中看似不同的两类强化学习算法——逆向轨迹法和前向匹配法——归结为同一个策略梯度原则，并指出它们之间的经验差异主要来自方差缩减，而非强化学习原理的不同。

强化学习（RL）后训练是让扩散模型对齐人类偏好或任务特定奖励的直接方式。然而，现有扩散模型RL算法较为零散：逆向轨迹方法依赖离散化的似然比，前向匹配方法则在奖励标注的加噪版本 rollout 样本上训练。本文试图回答：这些不同的损失函数是否源于同一个基本原理？它们之间的差距本质是什么？

arXiv 论文

本文把神经架构搜索（NAS）建模为双层优化问题，并用连续松弛替代离散的神经元级和激活级选择，提出 NAS-NG、NAS-MA、NAS-NGMA 三种方法；在 MNIST 和 CIFAR-10 上，这些方法能以较少参数取得有竞争力或更好的预测精度。

NAS 天然可被视为双层优化：上层用验证集性能优化架构，下层用训练损失训练网络参数。 NAS 的主要瓶颈是计算开销大，来自离散架构决策、搜索空间指数级增长，以及候选架构训练成本高。 本文希望建立一个适用于 MLP、CNN、RNN、Transformer 等多种架构类型的通用 NAS 框架，寻找紧凑且性能强的架构。

arXiv 论文

该研究提出了一种不确定性感知的深度学习框架，用于推断旧石器时代晚期手印模创作者的生物学性别；框架显式地对不确定性进行建模、传播和聚合，使不确定性成为考古推断中可测量的组成部分。

Decoding the Past: An Uncertainty-Aware Deep Learning Framework for Sex Attribution in Prehistoric Hand Stencils

arXiv 论文

CytoBERT 是一个公开可用、开源、开放权重的细胞计量（Cytometry）数据基础模型，在包含 15 个人类数据集、超过 5000 万个细胞的语料上以自监督方式预训练；摘要称，微调后进行样本级分类，可证明跨异质细胞计量数据集的迁移学习是可行的。

细胞计量技术测量单细胞的复杂特征，例如免疫细胞计数和蛋白表达，在免疫学研究与临床场景中广泛使用。 然而，由于实验方案和检测特征选择不同，细胞计量数据高度异质且缺少统一标准，导致机器学习方法难以跨研究应用和迁移。 虽然基础模型的进展可能缓解这些问题，但该领域中相关基础模型仍然稀缺。CytoBERT 正是针对这一空白提出的模型。

arXiv 论文

CPI-Bench: A Comprehensive,Practical and Intelligent Benchmark for Real-World Image Editing

arXiv 论文

本文提出 sMuon（small Muon），通过线性化和最小二乘近似求解低秩设定下的松弛 Muon 目标，仅用矩阵乘法实现，使 Muon 优化器能够用于 LoRA 等低秩微调，并在 SFT 和 ReLoRA 预训练实验中取得中等性能改进。

Muon 优化器在预训练神经网络时相比其他优化器有明显优势，但在参数高效微调中较少使用。一个潜在原因是：最常用的 PEFT 方法 LoRA 与 Muon 不能自然结合，因为在低秩参数化下，无法在数学上对权重更新进行正交化。本文针对该问题提出近似方案。

arXiv 论文

通过直接偏好优化（DPO），用实验稳定性数据对齐预训练蛋白质语言模型，得到的 ProteinDPO 能够对蛋白质序列进行热稳定性评分和生成；在 H5N1 流感血凝素上大幅提升热稳定性，同时保留抗体识别能力。

研究问题：如何让蛋白质生成模型不只学会“像天然蛋白”，还能偏好实验数据支持的更稳定、更可用的蛋白序列？

nature.com

一场为期3个月的Kaggle挑战赛表明，机器学习粒子拾取算法在处理实验性冷冻电子断层扫描（cryoET）数据时能够超越现有最先进软件，并提供了用于未来工具基准测试的关键参考资源。

粒子拾取（particle picking）是冷冻电子断层扫描（cryoET）数据处理中的主要瓶颈，阻碍了常规原位结构解析。为促进新算法开发，研究团队在Kaggle平台上举办了一场挑战赛，要求参赛者在数百张实验断层扫描图中标注五种分子物种。该竞赛成功吸引了来自76个国家的1131名参与者，共提交约28,000个解决方案。

nature.com