一项新研究表明，自我生成文本识别（SGTR）微调可以有效预防和逆转大型语言模型中的突发性对齐错误（EM），优于良性微调方法。研究发现EM是模型稳定对齐被破坏而非学习有害内容，SGTR通过强化角色一致性发挥作用。

本研究提出归一化上下文利用（NCU）指标，用于严格量化RAG系统中的上下文信息增益。实验表明，在严格事实提取任务中，小语言模型（SLM）表现优于或媲美大模型，而商业API在近半数对抗性冲突中覆盖了外部证据，并出现置信度崩溃。

提出ModTGCN，一种模块感知图神经网络，通过联合优化交叉熵和模块化辅助目标，促进类别一致的文档社区，同时保持判别表示。在五个基准上取得一致改进，尤其在低同质性数据集上表现显著。

EXPO-SQL提出了一种基于执行的子句级策略优化方法，通过分析执行结果（包括错误信息和逐步执行）为SQL查询的每个子句分配细粒度奖励，解决了现有强化学习方法中粗粒度查询级奖励导致的学习信号不足问题。实验表明，该方法在多个Text-to-SQL基准测试中显著优于现有的监督微调、提示和RL方法。

一种名为“退化蒸馏器”的新方法，通过估算和扁平化Fisher信息矩阵，自动从参数-数据对中检测并解析退化参数组合，无需实际观测数据。该方法发现的符号坐标变换能识别对数据产生独立影响的参数组合，全局扁平化Fisher信息，使后续神经后验估计所需的模拟预算减少多达10倍。

本研究提出一种深度学习应用，利用多变量时间序列图神经网络（MTGNN）重建1940年以来的月度GRACE类陆地水储量异常（TWSA）。该方法通过混合邻接矩阵编码空间依赖关系，在南美洲流域实现了0.94的平均相关系数，并成功再现了2015/16年厄尔尼诺和2020/21年拉尼娜事件。与现有方法相比，MTGNN仅需少量预测变量即可达到竞争性性能。

分子表面编码了决定抗体-抗原识别的几何和物理化学模式，这对于表位预测至关重要。然而，现有方法依赖于序列或骨架结构，难以捕捉不连续的、表面驱动的表位。本研究提出SurfBind，一种直接作用于分子表面表示的表位预测表面中心学习框架。SurfBind通过基于Transformer的架构集成几何和物理化学线索，包括补丁级表面建模、结合物感知交叉注意力和分层粗到细预测范式。在SAbDab和DB5.5等具有挑战性的表位识别基准上的实验表明，SurfBind达到了最先进的性能，并对未见抗体和构象状态具有良好的泛化能力，突显了交互感知表面建模在理解蛋白质-蛋白质相互作用关键机制中的价值。

一项新研究对图宾根因果数据集的多种方法进行了统一标准的重新评估，引入了一个零参数的压缩基线，发现各方法性能集中在70%左右，且简单基线表现与最强方法相当，揭示了现有报告准确率被夸大的机制。

本文提出了一种名为MEDIC的新型元学习策略，通过同时考虑域间和类间的隐式梯度匹配，在开放集域泛化中实现了更优的决策边界平衡，有效解决了传统方法中正负样本不平衡导致的过拒绝问题，并在保持封闭集泛化能力的同时，在开放集场景下超越了现有方法。

提出了一种名为PC-MCMC-CIGP的灰箱工作流，整合了尖峰–平板拓扑采样、硬守恒与热力学筛选以及化学信息高斯过程残差模型，用于从稀疏、含噪声的化学时间序列数据中提取可解释的控制方程。在H2+Br2基准测试中，该方法能区分基本自由基路径与欺骗性现象学拟合；在苯乙烯环氧化反应中，优化循环使最终产率比基线提高12.5%。一项10种子采集研究表明，不同采集函数存在权衡：PC-EI可减少低产率贝叶斯优化建议，而EI类准则可获得最强最终产率表现。

一种新的物理神经网络方法在连接上放置可训练的非线性函数，而非使用标量权重，以更少的节点实现低功耗连续控制任务。该设计在模拟阵列上实现，显示出任务相关的优势，并在CMOS中预计功耗约30微瓦。

本文对联邦因果发现与推理进行了全面综述，提出了多维度分类法，强调了因果结构学习与效应估计在统一流水线中的集成，并讨论了隐私和数据异质性等挑战。

该论文研究了六种离线强化学习损失函数（SFT、RFT、DFT、RIFT、Offline GRPO、DPO）在推理蒸馏中的权重更新几何特性。实验基于Qwen3-4B模型和相同数学数据，发现SFT、RFT和RIFT的权重增量近乎共线，DFT偏离较大，Offline GRPO增加了正交分量，而DPO位于近乎正交的子空间且准确率最高，但存在模式连接障碍。

本文提出了一种自动大规模搜索流水线，用于在LEMUR神经网络数据集生态系统中探索4专家异构混合专家（MoE4）架构。该流水线运行在NVIDIA RTX 4090上，28天内生成4463个候选模型，评估了1021个。发现一个重要覆盖偏差：由于枚举方式，搜索空间锚定在AirNet家族。在AirNet范围内，ShuffleNet和MobileNetV3的组合达到了最高平均准确率0.632。FractalNet和MNASNet被认为是低收益家族。

本研究基于学术论文全文，利用深度学习提取算法实体，构建自然语言处理领域的大规模算法共现网络，从网络视角分析算法的群体影响力。研究覆盖四十余年文献，发现算法网络具有复杂网络特征，经典高性能算法及跨时期算法影响力较大，且影响力下降时核心位置先于关联弱化。

一种名为SGPO的新方法通过用可复用的策略蒸馏替代实例级的轨迹模仿，提升了LLM的推理能力，在数学基准测试上优于基线方法。

该研究提出了一种混合预测模型，结合集成特征选择策略（ANOVA与互信息）和哈里斯鹰优化调整的逻辑回归，用于预测女性性工作者（FSW）的心理健康风险。模型在3005名FSW中达到95.78%的准确率，识别出创伤后应激、客户暴力和职业因素为主要抑郁风险因素，为弱势群体提供可解释的AI早期干预工具。

推荐系统通常通过单一优化用户即时参与度而导致信息茧房和语义同质化。本文提出一种多目标强化学习框架，将推荐形式化为语义多目标马尔可夫决策过程，通过集成高保真语义嵌入与Pareto-DQN智能体，将参与度、多样性和公平性视为不可聚合的奖励信号。在MovieLens小数据集上的实验表明，基于超体积的动作选择能打破导致语义坍塌的反馈循环，在仅轻微影响参与度的情况下提升了辅助社会目标。

本文研究了在已经定位电路后，语言模型（LM）代理是否可以帮助解释电路组件。作者提出了AgenticInterpBench基准（包含84个半合成变压器电路和163个组件级标注）以及HyVE解释器，该解释器通过观察、假设生成和因果验证的迭代循环来分析每个组件。在四个LM骨干上的实验表明，HyVE能够恢复有用的解释，但没有一个骨干全面最优。失败主要出现在验证阶段。在Llama-3-8B算术电路上的案例研究证明了该方法对自然训练模型的适用性。总的来说，LM代理是很有前景的电路解释器，但可靠的验证仍是关键障碍。

一项新研究表明，通过在真实领域中对有益行为进行强化学习，可以产生广泛且持久的对齐泛化，即使干预仅局限于健康领域，也能显著改善非健康领域的对齐评估，并增强对抗性提示和有害微调的抵抗能力。

该研究提出一种分层多智能体强化学习框架，通过约束流形在低层强制执行硬安全约束，同时通过高层策略学习实现有效协调，在保持近乎完美安全率的同时实现竞争性性能，并能泛化到不同数量的智能体和障碍物。

本文探讨了AI代理的本质，区分了基于外部工作流程的“代理型”系统和具有内在能力的“代理性”系统，提出了目标-身份-配置器（GIC）架构，并强调了人类监督下自主系统的可审计性、可控性和安全性。

本文提出神经符号驱动框架，通过从经典规则规划器中提取基于规则的推理轨迹，监督驾驶VLA模型。该方法确保推理与运动生成在结构上耦合，显著降低了平均位移误差和丢失率。

RIFT-Bench是一种基于图表示的新方法，用于对多种智能体AI系统进行统一的动态红队安全评估。它通过自动化的发现与扫描阶段，自适应地部署对抗性攻击，并支持缓解策略评估，在45个不同系统上验证了其有效性。

Handshake AI 招收学生和毕业生远程测试大语言模型，时薪30美元，无需特定专业知识，但需注重细节。该项目提供培训，可灵活安排时间，有助于塑造AI未来。

本文探讨人工智能在决策中的应用如何可能导致领导者过度依赖系统，从而忽视道德和人性因素，增加决策风险。

Anthropic的Mythos AI模型在一次与情报机构的测试中，发现了美国政府机密系统的多个漏洞。参议员马克·华纳披露了这一发现，同时Anthropic与特朗普政府因AI限制而关系紧张。

本文探讨中国矿产供应链对欧盟的潜在威胁，以及人工智能战争技术在日本和微信平台上的主导地位。

亚马逊Prime Day 2026正在进行中，EcoFlow便携式电源站和电池大幅降价，最高可节省50%。

Anthropic发布了Claude Tag，这是一种集成在Slack中的AI助手，能够像虚拟员工一样工作，具备持久上下文和记忆功能，可跨团队协作完成任务，并具有主动介入的待机模式。此举旨在扩大企业AI市场份额，为即将到来的IPO铺路。