本文提出一种向量自回归滑动平均（VARMA）模型估计框架，使每次优化迭代的成本与序列长度 \(T\) 无关，从而将基于似然的VARMA估计推广到实践者此前只能使用VAR模型的中等维度问题。
传统上，VARMA模型在中高维度下不实用，原因包括：似然非凸、参数化仅等价类可识别、每次评估都需要遍历整个序列。但滑动平均项可以用少量参数捕捉纯自回归需要很多滞后才能表达的动态。本文旨在移除这一计算障碍。
RxnCLF 是一个基于“浓缩反应图”（Condensed Reaction Graph, CRG）的自监督对比学习反应基础模型，在 170 万条 Pistachio 反应数据上预训练，能够在多个反应产率预测基准上优于图基与序列基线，并学习到具有变换感知性和化学可解释性的反应表示。
反应产率预测仍然面临两个主要困难：标注数据稀缺，以及反应空间组合规模巨大且分布稀疏。现有的字符串、指纹和图基反应编码只能部分捕捉化学变换，对于复杂底物的反应，预测准确率受限。RxnCLF 旨在通过自监督对比学习框架，让模型学习更完整的“化学变换”结构，从而改进反应性的预测。
本文提出 RRC（Ranking-based Reward Construction），通过从相对偏好排序中构造奖励信号，解决生成式奖励模型与现有强化学习标量打分范式之间的不匹配，从而显著提升生成式奖励模型在 LLM 强化学习中的训练效果。
近年来奖励建模正从判别式奖励模型（discriminative reward models）转向生成式奖励模型（generative reward models）。生成式奖励模型虽然擅长对回答进行排序，但在强化学习中的潜力尚未充分发挥。作者分析认为，原因是生成式奖励建模的比较性本质与现有 RL 算法采用的标量打分（scalar scoring）范式之间存在…
RP-OPSD 提出用“推理支点”来引导同策略自蒸馏：先区分目标语言推理中的“表面文本”与“推理支点”，再用教师视图在有/无英文参考解时的分布偏移来定位这些关键决策，从而在数学推理基准上优于强多语言推理基线和已有 OPSD 变体。
RP-OPSD: Reasoning-Pivot-Guided On-Policy Self-Distillation for Multilingual Reasoning Transfer
本文提出一个从人类演示中学习机器人运动轨迹的框架，生成的轨迹在21人用户评估中获得71.50/100的整体类人评分（SD=22.56），表明大多数轨迹被感知为“更像人类”；同时发布了包含3142条手写字母轨迹的开源数据集，作为可复现基准。
研究问题：机器人如何通过观察和模仿人类动态来发展运动技能，从而减少对显式编程的依赖？本文将“类人运动”视为人机信任与自然协作的关键因素，提出一个包含数据采集、概率轨迹学习和感知用户评估的完整学习框架。
该论文提出一个正式的机制设计模型，让经过验证的人类利益相关者通过“治理币”表达支持或拒绝，最终把净支持转换为受安全上限约束的计算预算授权，并借助硬件签名的计算许可证让治理决策自我执行。
学术预印本，发布于 2026-08-06，arXiv 主分类为 cs.GT，另涉及 cs.AI 与 cs.MA。 研究问题：已部署的 AI 智能体如何接受人类利益相关者的持续参与式治理，而不是只依赖部署者事前审查或事后追责。 核心主张：治理应通过“资源分配”控制 AI 智能体；计算预算是一种有效的治理杠杆，即 Safe AI 范式。
QuanTiMedAI结合智能体LLM进行临床特征选择与紧凑量子循环网络进行时序建模，在MIMIC-IV心脏骤停患者死亡预测任务上仅用605个参数取得AUROC 0.852，比当前最先进基线提升约2.9%。
心脏骤停是ICU中最致命的情况之一。尽管电子健康档案数据日益丰富，现有针对心脏骤停人群的死亡预测研究大多依赖入院早期的静态汇总特征，忽略了患者ICU住院期间生理状态随时间恶化或恢复的动态过程。为弥补这一局限，研究者提出QuanTiMedAI——一个由智能体AI引导的量子增强时间序列预测框架。
PRISM 提出一种无需生成对抗网络的流匹配（flow matching）框架，用“逐特征门控”替代全局噪声/引导，在非成对图像翻译中同时决定哪些内容要改变、哪些要保留，并在多个自然图像与生物医学基准上取得优于或接近对比方法的性能。
非成对图像到图像翻译在没有配对监督的情况下，需要针对每一张输入图像判断“改什么”和“保留什么”。许多基于扩散模型的非成对翻译器使用作用于整张图像的单一全局噪声或引导值来控制保留程度，无法区分应当保留的内容与需要改变的外观。PRISM 针对这一局限提出新的控制机制。
OTLesMix 利用 Wasserstein 重心和最优输运图合成具有更多样形状与位置的医学病灶图像，在三个脑病灶分割任务上将 Dice 分数相对无合成数据训练提升 2.9～6.6 个百分点，并超越现有基于混合（mix-based）的 SOTA 方法。
背景：深度学习推动了医学影像分割，数据增强是提升模型训练的重要手段，包括简单变换（空间操作、强度修改）和更高级的合成技术。 现有问题：多种基于混合真实样本的合成策略，生成的病灶在形状和位置上的变异性有限。 研究问题：如何生成更真实且更多样的病灶样本，以进一步改善分割模型训练？
仅利用模型自身多次生成的内部一致性，就能实现同策略自蒸馏：U-OPSD 在不使用地面真值、环境反馈或更大模型指导的情况下，用多数投票构造伪解并蒸馏到模型自己的最长错误补全前缀，在数学推理基准上与使用 ground truth 的 OPSD/GRPO 相当或更优。
OPD/OPSD 一类方法在 LLM 后训练中展现出很大潜力，但现有方法仍依赖外部监督，包括 ground-truth 信号、环境反馈或更大模型指导，因此算不上真正的“自我蒸馏”。本文提出 U-OPSD，研究是否只靠模型自身生成和内部一致性即可完成同策略自蒸馏。
NeSy-RAG 把检索增强生成（RAG）的中间推理步骤转化为可执行的 Prolog 查询，通过符号执行得到可追溯答案，并在 ShARC 基准上无需领域专属训练即以 61.1% 的准确率超过同模型 RAG 基线（42.8%）。
标准 RAG 虽然用外部文本语料为 LLM 提供知识，但推理过程仍不透明：中间步骤难以验证，无法可靠地归属到具体证据；同时，用户特定上下文的缺失很少被系统性地检测出来，容易导致不完整或错误回答。为此，作者提出模块化的神经符号 RAG 框架 NeSy-RAG。
MetaboLLM 通过持续预训练、监督微调和结构化检索，将代谢组学异构知识转化为可预测的代谢物图（MetaboLLM-GIN），在两个临床预测任务上取得最高 AUC，并优于未适配或未检索的大语言模型配置。
研究问题：代谢组学知识分散在异构资源中，难以转化为可用于患者级预测的表征。 事件/贡献：本文提出 MetaboLLM（代谢组学专用大语言模型），以及将其生成的生化描述转化为代谢物图的 MetaboLLM-GIN，用于可解释的患者级预测。
MASS 提出将视频世界模型中的“世界状态”与“视角渲染”显式解耦：由一个学习到的逻辑引擎维护全局权威共享状态，再由渲染引擎按需生成任意视角，从而在多人环境中同时提升状态准确性与跨视角一致性，并支持 1,024 个并发玩家滚动预测 10,000 步。
当前视频世界模型在多人环境中，往往把世界状态与依赖视角的视觉隐变量纠缠在一起，导致重复计算、视角不一致和扩展性差。MASS 受多人游戏架构启发，将世界动力学与视角渲染分离，试图解决上述问题。
大语言模型面对外部上下文时，目标不应只是“抵抗误导”，也不应“照单全收”，而是学会“选择性信任”。论文提出 MIST 基准、SC2W 指标和 SCOPE 方法，在降低误导性上下文导致答错率的同时，保留对可信上下文的合理利用。
语言模型越来越依赖外部信号来生成答案，例如检索结果、工具输出或用户附加上下文。一条误导性上下文，就可能让原本正确的回答变成错误。常见的对策是训练模型抵抗这类信号，但这可能让模型无视所有上下文——表面鲁棒，实则无法利用值得信任的信息。本文将问题重新定义为“选择性信任”（selective trust）。
作者提出一种新的纵向数据分析单位——Latent Memory Table（潜在记忆表）：它不是普通编码器输出，而是一张可存储、查询、分析与复用的统计表；作者用六个属性组成的综合质量指数 \(Q\) 来论证这张表应当被当作与主成分得分、随机效应估计、预测概率同级的统计对象。
本文针对纵向运动员监测数据，研究如何从“最近的纵向历史”中提取有限维记忆状态。 核心主张：科学贡献不在于编码器，而在于把收集到的记忆状态构建成一张 Latent Memory Table。 这张表通过“记忆算子”将带掩码的窗口化历史映射为有限维状态，并在保留不确定性的情况下汇总这些状态。
在尼日利亚移动购物应用中，人工智能（AI）被广泛部署，但平台对其使用方式的透明度有限，削弱了用户对数字技术的知情与控制，构成个人数字主权挑战。
尼日利亚电子商务移动应用的使用正在扩张，带来机遇的同时也引发欺诈、用户对数字技术控制力下降等风险。本研究聚焦于尼日利亚移动应用中的AI如何影响数字主权，并以“平台透明度”作为衡量用户意识与控制权的关键指标。
现有实用性检查不足以证明合成临床基准的结构现实性；应将基准修订视为“效用约束下的现实性提升”，在保持运营效用下限的同时显式优化现实性。
面向企业 AI 代理的合成临床基准即使通过现有效用检查，仍可能结构上不现实，在医疗隐私敏感场景中尤难获取运营数据。论文研究如何在不断已有下游效用检查的前提下改进这类基准。
在有限结果空间的条件查询假设检验中，两个分布类可被可靠区分，当且仅当它们的成对条件概率存在“正分离”（positive separation）。若分离为零，则任何有限查询预算下的最坏情况最优误差恰好是 $1/2$。预先固定查询的非自适应测试，可以用 $O(N^2(T+\log(1/\rho)))$ 次成对查询，在总变差距离 $\rho$ 内模拟任意 $T$…
论文研究模型评估中的一种选择：评估者可以在一开始固定所有测试，也可以根据之前得到的响应来选择后续测试。作者在一个有限结果空间 $\mathcal{X}$（$|\mathcal{X}|=N$）上的条件查询模型中研究这一选择。
该研究尝试用“基因组语言模型”对噬菌体进行生成式设计；因未能获取论文正文，具体方法与结论均待核实。
本卡片基于 Science 期刊元数据生成：文章标题为 *Generative design of bacteriophages with genome language models*，发表于 Science 第 393 卷第 6811 期（2026 年 8 月）。研究问题可初步概括为：如何把语言模型方法用于基因组序列，从而设计具有预期功能的噬菌体。具体…
本文提出“全子式数字孪生网络（HDT-Nets）”框架，将数字孪生从被动镜像物理资产转变为主动推理的智能体，并利用无线网络的感知与通信能力，为物理AI提供实时协同推断与决策的概念方案（该框架为提案，实际效果待核实）。
现有AI工具（包括深度学习、生成式AI）嵌入机器人、车辆等物理系统时仍会失效，根源在于难以在不确定性和未知场景下维持可靠世界模型，也无法进行长时程规划。 无线网络有望通过泛在感知与通信来编排“物理智能”，但当前网络架构主要优化吞吐量、时延和可靠性，无法支持物理AI所需的实时协调和共享时空上下文。 为此，论文提出HDT-Nets框架，试图让网络中的全子式数字…