工业级搜索与推荐系统中，新内容（冷启动）因缺乏历史交互信号而难以获得曝光，同时系统对已有内容的偏向会扭曲模型预测。现有方案多局限于单阶段或单场景，缺乏跨漏斗的统一解法。本文提出 PinEqualizer，旨在解决以下问题： 如何在整个多阶段漏斗（召回、粗排、精排等）中协同处理冷启动与去偏？ 如何在不引入短期探索损失的前提下，提升模型对各类内容的预测准确性？…
值得关注：冷启动与系统偏差是推荐系统长期面临的挑战，PinEqualizer 首次在工业规模下实现了跨漏斗、跨场景的组合解决方案。 提供了短期实验与长期效果验证的可量化测量框架，降低了工业部署风险。 与既有相关工作相比，其增量贡…
通用音频基础模型（AST、CLAP）从物种发声嵌入中自动恢复了系统发育距离，相关性高达 r≈0.82，而手工设计的 MFCC 特征完全不相关；出人意料的是，针对鸟类训练的专用模型（BirdNET）和生物声学模型（BEATs-bio）的表现反而弱于通用模型，领域特定预训练并未带来优势。
值得关注：揭示了深度学习模型在无监督情况下“意外学到的”深层结构，与先前关于视觉-语言模型是否忠实的讨论（已有相关卡片）不同，这里关注的是模型嵌入空间是否隐含了未训练标签的知识。 挑战了“领域特定预训练必然更好”的直觉，对于高成…
本文提出将最优输运（OT）成像技术与深度协方差对齐（Deep CORAL）相结合，为工业控制阀粘滞检测提供了一种能够有效缓解模拟-真实域偏移、在基准测试中达到90%准确率与100%召回率的无监督域适应方法。
值得关注：本文是首次将最优输运图像表示与Deep CORAL域适应结合应用于工业控制阀粘滞检测任务。它提供了一种无需目标域标签即可从模拟数据迁移到真实场景的实用方案，对提升工业过程监控自动化水平具有潜在价值。与现有知识卡片中其他…
商业大语言模型对争议性科学主张的立场并非模型本身的稳定属性，而是部署配置（系统提示、安全层、接口路由、无声更新）的偶然产物；在测试的四个模型家族中，Grok 的 Fast 版本给出的伪科学可信度评分是其他模型的 2–5 倍，且该行为在无声补丁后发生逆转，同一模型标识符在不同接口上产生截然不同的输出。
值得关注：揭示了**商业 LLM 在争议性科学主张上的立场不透明且不稳定**，可能被无声地操纵或扭曲，对公共知识传播构成风险。 与已有相关卡片相比，本条聚焦于**部署配置对模型立场的影响**，而非模型内在的预测能力或偏差表征——…
该论文证明了在谱分离与非退化条件动作变异两个条件下，联合嵌入预测架构（JEPA）的全局最优解能够唯一（至多相差正交变换）识别高斯潜状态的受控世界模型，并揭示了有限动作覆盖带来的反事实预测代价。
值得关注：填补了受控世界模型可辨识性理论空白，为实际中判断所学模型是否捕获真实因果动态提供了可检验条件。 解释了行为策略覆盖不足时反事实预测性能下降的根本原因（误差比等于可辨识性边界的倒数）。 区别于已有世界模型部署工作（如Em…
MineValiCoder通过“测试用例质量挖掘+并行TDD优化+二部图互验证”的闭环框架，在无需人工测试用例的情况下，在HumanEval上实现Pass@1达96.34%，显著缓解LLM随机性导致的代码生成不可靠问题。
值得关注：现有自动化代码生成在仅有自然语言需求时无法生成可靠测试用例，且未能解决LLM随机性带来的反馈质量不一致问题。MineValiCoder首次将测试用例质量挖掘与代码-测试互验证相结合，形成闭环优化，在无需人工测试用例的前…
Learning to Prepare Molecular Ground States with Transformer Models
本文发现LoRA矩阵的条件数（最大与最小奇异值之比）与微调贡献正相关：条件数大的矩阵包含更丰富的方向信息，是性能提升的主要来源。基于此提出κ-LoRA，仅更新条件数排名前50%的矩阵，可在匹配标准LoRA准确率的前提下，将可训练参数减半，平均节省16.2%的微调时间并降低4.5%内存开销。
值得关注：首次从条件数角度揭示了LoRA矩阵的“重要性差异”，为选择性微调提供了可量化的依据。 与已有LoRA加速工作不同（如AdaLoRA基于敏感度剪枝），本文提出的是基于谱分析的新视角，更关注方向丰富性而非参数敏感性。 方法…
Bag-of-waves 是一种基于无监督学习的小型可解释脑电波形字典方法，在仅有少量数据（如16只小鼠）或大规模临床数据集上均能达到与深度模型及基础模型相当的分类性能，同时保持完全的可解释性。
值得关注：解决了传统脑电分析的两极困境：**预定义频谱特征**带有强偏置（固定什么信息有用），而**深度神经网络/基础模型**难以解释、需要大量数据和算力。 提供一种轻量、可解释、标签高效的替代方案，特别适用于数据稀缺的临床神经…
超球风格优化器（如MuonH）在大规模训练中的优势并非来自其固有更优的更新方向，而主要源于有效步长的演化差异；恒定的角速度并不能消除学习率调度的难题，精心设计的调度仍是发挥其潜力的关键。
值得关注：现有研究多将超球优化器的成功归因于其归一化机制带来的方向稳定性，本文通过理论推导与隔离实验首次系统质疑了这一假设，揭示了有效步长演化的关键作用。这不仅深化了对优化器内部机制的理解，也为实际训练中的调度设计提供了可操作的指导。
grapheme-kit 是一个开源 Python 库，它将词法距离、相似度和评估指标从 Unicode 码点层面提升至字素簇（grapheme cluster）层面，从而更忠实地评估泰米尔语、僧伽罗语等复杂书写系统的 OCR 与 NLP 任务。
值得关注：填补了现有文本评估工具在复杂脚本上的空白：大多数主流库（如 textdistance、python-levenshtein）仅支持码点级计算。 为低资源语言（泰米尔语、僧伽罗语）提供更公平的评估基础，避免因 Unico…
Graph-Based Correlation Matrix Generation: A Convex Optimization Approach
本文探索将可解释性技术应用于强化学习（RL）算法，以辅助空中交通管制（ATC）决策，并初步使用显著性图（saliency map）分析影响智能体决策的关键输入特征（待核实具体实验结果）。
值得关注：在安全关键系统中，AI 可解释性是从实验室走向实际部署的必要前提。 本文是少数直接将可解释技术与强化学习结合用于空管避障决策的研究之一（待核实是否存在同类工作对比）。 与现有卡片（如 CompactionRL、多智能体…
本研究提出一个无需视频荧光成像、仅凭患者报告结局（PRO）和结构化临床变量即可预测头颈癌（HNC）幸存者吞咽障碍风险的两阶段堆叠模型，并证明单个MDADI条目比总分或综合评分包含更多预测信息。
值得关注：该研究填补了从PRO到临床干预决策之间的实践框架空白，使低成本、可扩展的吞咽障碍筛查成为可能，尤其适用于资源有限或无法频繁进行影像检查的随访场景。与既有脉络的关系：本文聚焦于头颈癌特异性结局（吞咽困难）的预测，而非通用…
本文主张企业 AI 智能体的权限应遵循动态最小权限原则（作为预防机制而非检测机制），设计了一个包含角色上限、任务上下文分类器和策略组合禁止的三源权限架构，并贡献了一个 600 条合成任务提示数据集用于评估该架构。
值得关注：该工作将权限管理从静态授权转向动态预防，填补了企业 AI 智能体安全中“最小权限原则”在实践层面的缺失。其合成数据构建方法也可用于其他安全策略的自动优化。
Deformable Triangle Splatting: Flexible Primitives for Real-Time Radiance Field Rendering
本文提出一种无需额外求解器运行的数据增强策略（k-邻域收集中间迭代），并推导基于Rademacher复杂度的泛化界，理论揭示了该策略在减少数值昂贵参数优化问题训练数据需求方面的优势。
值得关注：直接针对数据稀缺这一实际痛点，提出一种**零额外计算代价**的数据增强方法，具有强实用性。 提供了理论支撑（Rademacher复杂度泛化界），而不仅是经验性技巧，为后续算法设计提供了分析框架。 与DDDAS和GLEN…
待核实。根据作者所述，CausalForge 是一个以 Lean 证明助手为底层的自动化因果推断理论框架，通过机器验证的证明取代不可靠的大模型评审，试图解决自动化研究中伪论文检测率低的问题。
值得关注：因果推断是人工智能和科学发现的核心领域，其理论发展往往依赖严谨的逻辑推导。CausalForge 提供了一条通过形式化验证自动化该过程的新路径。 与已有工作（Bad Scientist 2025）相比，CausalFo…
CARA是一个内在可解释的时空碰撞预测框架，通过从事故叙述中提取领域相关的风险概念，并将其组织为动态概念轨迹来直接引导空间注意力和时间注意力，在提升预测准确率和预警及时性的同时，提供稀疏且语义可解释的风险证据。
值得关注：不同于以往事后解释或静态概念方法，CARA首次实现了动态驾驶场景中概念引导的注意力和预测的耦合。 提供了可验证的风险推理链，对于自动驾驶系统的事故归因、调试和监管认证具有潜在价值。 与已有相关卡片中的框架不同，本工作聚…
Beyond Negative-Ridge Endpoints: Mixed-Sign Spectral Regularization via Negative-Shifted Gradient Descent