提出一種整合深度學習與統計的框架，用於全網路基因-環境關聯分析，以葉脈架構為表型。該框架利用EDTER模型從RGB影像提取葉脈網路，結合DiffusionEdge和BSDS500構建標註資料庫，並透過SSCCA進行變數選擇和關聯建模。在楊樹資料集中識別出三個顯著的基因-地理互動作用。

該論文提出了一種名為分級大語言模型（GLLMs）的代數框架，透過為Transformer表示空間引入分級，並傳播誘導的加權標量作用，在保持表達能力、計算複雜度和推理成本的同時，擴充套件了分級神經網路和分級Transformer到自迴歸語言模型。幾何上，分級的好處由Kempf-Ness泛函表示，最優分級由兩個矩對映的重合點給出，而普通Transformer作為邊界上的半穩定各向同性點。此外，對於分層目標，證明了分級先驗與無分級先驗之間的極小極大分離。

本文提出“可訪問性可塑性”概念，認為神經網路不僅可以透過改變計算能力來適應，還可以透過重組現有計算之間的互動和參與來適應。在序列學習任務中，這種方法的適應性修改減少了能力變化，同時保持了任務效能。

提出QFedPolyp，一種結合量化感知訓練與低精度模型通訊的聯邦學習框架，用於協作式息肉分割。在多個資料集上，8位量化通訊將傳輸成本降低約4倍，同時保持競爭性分割精度，推理速度提升高達1.5倍，適用於即時臨床部署。

一種名為ProGPO的新方法，透過在組內所有軌跡都失敗時利用首次訪問觀測覆蓋率來分配優勢，解決了基於組的策略最佳化中的取樣不平衡問題，從而提升了長週期任務的效能。

現有的大語言模型自適應推理方法通常依賴隱藏狀態相似性或啟用幅度等啟發式規則來丟棄冗餘模組，但這些基於相關性的指標難以捕捉對語義準確性至關重要的非線性結構計算。CausalGate提出了一種干預引導框架，透過隔離子層並衡量輸出歸零對最終logit分佈的KL散度影響，建立結構重要性層級，再將其蒸餾為靜態輕量級標量門，實現零執行時開銷的高效推理。在多個模型和基準上的實驗表明，CausalGate顯著優於現有動態路由方法。

提出CORVUS，一種新型軌跡架構，透過解耦檔案讀取操作與觀察結果，維護同步檔案登錄檔，顯著減少LLM編碼智慧體的冗餘令牌和推理迴圈，同時保持透過率。

Semalith v1.4是一個184M引數的DeBERTa-v3-base分類器，能夠在單次前向傳播中同時進行提示注入、一般危害和金融服務監管合規的三軸安全分類。在22個基準測試中，它以44倍更少的引數在提示注入檢測上全面超越Llama-Guard-3-8B，並在208個良性代理提示上實現零誤報率。

本文提出一種基於多臂老虎機的損失感知特徵圖剪枝框架，透過將每個特徵圖視為一個臂，臨時遮蔽並評估損失變化，從而在保持精度的前提下減少冗餘特徵圖和計算量。實驗表明，UCB1和Thompson Sampling方法在多個資料集上效能優於貪心剪枝和基於幅度的剪枝，且與未剪枝模型統計上相當。

本文提出ScenarioGeneratorAgent管線，透過合成生成基於標準、證據充分的工業場景，擴充套件現有基準AssetOpsBench。新增智慧電網變壓器資產類別及四種IEC診斷工具，並採用最佳化策略實現8倍加速，同時保持場景質量。

SF-AMS透過效用驅動的生存機制和複合重要性評分，動態建模記憶單元的重要性，解決了LLM代理中長上下文依賴導致的推理效能下降問題。在LoCoMo和LongMemEval-s基準測試中，該方法在多種推理任務上顯著超越現有基線，最高F1提升達9.65。

本文提出了一種名為程式蒸餾的替代方案，用於解決LLM作為評估者的高成本、高延遲和不透明問題。透過將LLM的決策邏輯蒸餾為程式委員會，實現了透明、可編輯且無API成本的評估。系統PAJAMA進一步結合了程式法官的聯合裁決和低置信度回退機制，在多個資料集上達到13B規模LLM法官的效能，並在RewardBench上以極低的API成本取得了更好的獎勵模型效果。

MIITA是一種專為資源受限環境下小語言模型（SLM）設計的持續學習框架，透過儲存緊湊的修正方向原型並在推理時基於語義和不確定性線索檢索，實現無破壞性的知識複用，有效緩解災難性遺忘。實驗表明，在固定記憶體預算下，MIITA能持續提升最終效能並減少遺忘。

DeepLens診斷代理透過五階段流程（結構化臨床提取、循證檢索、約束候選生成、證據三角驗證和可審計決策），將小型醫療推理模型JSL Medical Small 7B v2的效能提升至60.14%的診斷準確率，超越許多前沿模型，同時成本更低。該工作流設計使診斷推理在不確定性下仍能可靠執行，並提供了可追溯的中間結果以支援高 stakes 應用場景。

研究表明，大型語言模型（LLM）在基準測試中常獲高準確率，但當同一問題以不同但等價的方式表述時，其答案可能改變。研究涵蓋四個基準和13個模型，發現例項級行為不穩定，不匹配率超過23%。模型雖常有正確知識但檢索不一致，自釋義策略可部分恢復潛在知識並提升效能。

QFoldAgent是一個閉環多智慧體框架，用於5殘基四面體晶格摺疊。它透過設計智慧體提出序列條件懲罰、VQE量子經典管道最佳化哈密頓量，以及反饋智慧體基於能量景觀診斷和MolProbity驗證訊號改進懲罰，顯著降低中位RMSD並提高結構有效性。

SeT-Diff是首個面向計算節點遙測和時間序列的基礎模型，採用基於擴散的方法，透過感測器語義描述生成數字孿生，實現重建、插補、預測和虛擬感測等任務。在真實超級計算機資料集上，重建平均絕對誤差為0.047，熱推斷誤差為0.033，並具有零樣本排列穩定性。

本文提出C-VCE，一種將分類器直接構建到生成模型中的擴散框架，透過概念瓶頸層生成反事實影像，無需依賴外部噪聲魯棒分類器。C-VCE允許使用者在取樣過程中切換語義概念，並保持影像其他部分不變，同時新增正則化器平衡預測改變與原始相似性。在CelebA等基準測試中，C-VCE在翻轉率相當或更優的情況下，生成的反事實影像在視覺上更接近輸入且失真更小。

本文分析了 AMD 在 AI 加速器軟體方面取得的進展，從早期零成功可能到如今具備顯著成功機會，得益於領導層的變革、開源策略以及 Anthropic 和微軟等大客戶的支援。然而，AMD 仍面臨兩大風險：Helios 機架因設計問題量產緩慢，以及內部 GPU 叢集不足阻礙開發和測試。文章提供了對 AMD 管理層的具體建議，並詳細介紹了 MI455X 晶片和 Helios 機架架構。

Vela是一款AI驅動的招聘協調工具，幫助簡化招聘流程，提高效率。該產品在Product Hunt上釋出，提供討論和連結。

CharaLab是一個全面的AI角色創作平臺，支援從文本或參考照片生成高質量的AI角色影像和影片，並提供多種AI工具如影像增強、背景移除等。該平臺目前提供限時50%折扣，並有免費套餐，生成結果無水印。

_done 是一個為AI代理提供真實世界任務API的平臺，採用按使用付費模式，透過x402協議實現USDC微交易。它提供了多種API，包括網路查詢、域名檢查、資料解析等，旨在讓AI能夠自主完成需要外部資料的任務。

Velonus 是一款面向Python的AI原生DevSecOps工具，現已進入公測階段。它能夠並行執行多個安全掃描器，利用AI對發現的問題進行排序和分類，並自動生成修復程式碼的PR，極大簡化了安全漏洞的檢測與修復流程。

Genie One 是一款資料智慧、自主行動的 AI 協作者，能夠與現有業務系統整合，自動化重複性任務。本文介紹了四個實用用例：自動化業務報告、會議準備與跟進、知識工作與文件自動化、運營監控與警報。每個用例都包含分步說明，幫助使用者在幾分鐘內設定工作流程。

一名開發者利用Claude AI每天創作併發布一款新遊戲，第106天首次嘗試殭屍生存題材。他使用Claude Opus 5在一個小時內完成了遊戲製作，隨後外出休息。這是他連續第4個月每天釋出新遊戲，且從未間斷。

谷歌AI開發者論壇上的使用者發起了一項測試，旨在證明Google AI Studio不會刪除使用者的聊天記錄。該測試鼓勵使用者親自驗證，以增強透明度。

谷歌在其Gemini API中聲稱能夠區分JSON和PROMPT，但這一說法被認為具有誤導性。開發者社群指出，實際實現中兩者界限模糊，可能導致整合問題。

一位使用者指控谷歌非法保留客戶資料，並宣佈將對谷歌採取法律行動，相關事件在谷歌AI開發者論壇引發討論。

模擬技術正成為物理AI和機器人系統訓練的關鍵，透過大規模生成物理真實資料，克服真實世界資料收集的緩慢、昂貴和風險。文章概述了多種模擬引擎，包括MuJoCo、MuJoCo Warp、NVIDIA Isaac Sim和Isaac Lab，以及新推出的開源GPU加速物理引擎Newton，旨在為機器人學習提供可擴充套件、可微分的模擬。

Anthropic CEO Dario Amodei明確表示公司不主張禁止開放權重AI模型，而是提議對每個足夠強大的模型在釋出前進行強制性安全測試。這一立場引發行業關注，已有50家機構簽署支援開放權重的信件，而Anthropic和亞馬遜尚未加入。