研究

Chat Thing推出免费工具，模拟AI代理访问网站的方式，从访问、引用、交易三个层级评估就绪度，并提供具体修复建议。

Neko Health 已获得7亿美元的C轮融资，在美国推出其AI驱动的预防性健康筛查服务，首先在纽约开设诊所。该公司结合全身扫描、血液检测和临床医生审查。

Glad-AI-Tor是一个基于真实用户投票的AI工具排名平台，覆盖语音、大语言模型、图像、视频、编程和音乐六大领域，共75款工具，188个投票。排名完全由大众决定，不可购买。

VaultCharts是一款免费的桌面交易应用，结合了图表工具与AI助手。它支持多种AI模型，以本地优先为特点，用户可以在有或没有AI辅助的情况下分析市场。

一种新的最小单圈时间规划框架，融合了对状态扰动和参数不确定性的鲁棒性，通过模型预测控制器在模拟FSAE赛车上验证了其有效性。

本文提出利用气压计辅助进行姿态估计，通过气压高度测量提供垂直运动补充信息，增强非线性观测器在SE(3)上的性能。设计了两种观测器：确定性Riccati观测器与互补滤波器级联，保证几乎全局渐近稳定；以及统一框架下基于SO(3)×R2的非线性观测器，保证局部指数稳定。仿真和实际飞行数据验证了该方法在最小感知配置下的有效性和可靠性。

WANDA是一种从单个演示生成合成数据的引擎，用于训练开放世界移动操作策略。它通过重建背景和交互轨迹、重新排列配置、应用纠正状态扩展以及在不同3D世界中合成轨迹，实现了长程鲁棒性、空间泛化和跨环境泛化，并支持跨具身数据生成。

本文提出了一种名为HRO的层级房间到物体框架，利用大型语言模型（LLM）实现零样本目标导航。与现有方法不同，HRO模仿人类从房间到物体的层级空间认知，引导智能体由粗到细地探索未知环境并定位目标物体。实验结果表明，HRO在Gibson和HM3D数据集上取得了更高的成功率和更好的泛化能力。

提出一种基于ROS-Unity的多模态遥操作架构，利用3D高斯泼溅技术生成无遮挡的外部视角，并通过躯干振动触觉套装提供直观的接近提示。在30名受试者参与的实验中，该框架在严重通信延迟下表现出显著的性能优势，fNIRS结果显示其能维持操作者的执行控制能力，避免认知负荷过载。

研究人员提出了一个层次贝叶斯生成模型，将恐怖谷效应转化为数学设计变量。该模型通过四类变量（偏离预测机器人类别均值、跨模态人类相似性不一致、预测不确定性、观测不确定性）解释类别模糊和感知不匹配导致的亲和力下降。实验表明，增加观测不确定性可减弱中间相似度下的熟悉度下降，而低预测不确定性则提升机器人外观的评分。该框架为算法评估和优化人形机器人外观与行为提供了计算基础。

随着触觉界面在可穿戴设备和日常环境中的普及，对柔软、轻薄、静音且节能的执行器需求日益增长。高压静电执行器（HVEA）通过高压和超低电流产生电场力，提供了一种快速、安静、低功耗的替代方案。本文综述了四类主要HVEA：静电可切换粘合剂、介电弹性体执行器、软电液执行器和电动泵，分析了它们的触觉输出机制、带宽、力密度和可扩展性，并讨论了人体工程学改进、制造简化和自感知集成等设计挑战与未来研究方向。

本文报道了一项关于环境监测中自主无人机覆盖最大化路径规划的系统性文献综述。该综述遵循PRISMA 2020框架，检索了Scopus和Web of Science中2015年至2026年的研究，重点关注路径规划、覆盖路径规划和信息路径规划。初步分析显示，现有研究集中于覆盖导向、多无人机协调和能量感知优化，而对天气、不确定性和障碍环境的关注较少，且多数研究依赖仿真验证。

提出一种鲁棒的偏振感知可微分路径追踪方法，通过路径重放与局部缓存实现无偏梯度估计，有效处理偏振算子的秩亏问题，拓展了逆向渲染在复杂场景中的应用。

本文提出了AffectFlow-DINO，一种用于第11届ABAW挑战赛的多任务学习系统。它通过条件整流流头部模型来模拟自然场景下面部行为的固有歧义，实现不确定性感知的一对多预测。系统联合估计连续效价-唤醒度、分类八种面部表情并检测十二个动作单元。实验表明，整流流解码持续改进确定性预测，后验阈值校准有效恢复罕见类别的性能，最终模型显著超越官方基线。

本文提出JITOMA框架，通过即时按需记忆激活解决传统3D场景图构建中的感知饱和问题。该框架利用任务热图过滤观测、大型语言模型按需唤醒相关锚点，显著降低计算开销，并在长时域任务切换中保持稳定性能。同时发布JITOMA-Bench评估基准。

提出了一种结合主动学习和双损失优化的人机协同知识获取框架，用于腹腔镜视频中的器械分割标注。该方法利用基础模型生成时序一致的类激活图，通过弱监督损失和图像级掩膜损失训练，迭代提出伪掩膜引导专家修正。最终将标注工作量减少50%，无需初始密集像素标注，提升可扩展性。

静态深度伪造检测器在真实场景中性能急剧下降（AUC降幅达45-50%），因其训练一次后无法应对不断进化的生成技术。BitMind Forensics (BMF) 通过Bittensor SN34的开放对抗竞赛持续更新训练数据，在19个公开数据集上展现出优异性能，包括对真实世界扰动（如JPEG压缩、下采样）的鲁棒性，以及在时间推移中持续提升的检测能力。

一项新研究系统比较了自监督学习中的两种训练范式：预训练后微调（PFT）和联合训练（JT），发现JT在数据效率和低标签设置下表现更优，而PFT在专门领域更可靠。

MGFace是一种创新的掩码门控人脸识别管道，通过预测查询人脸是否佩戴面罩，有条件地路由相似度计算：对未遮挡人脸使用全局嵌入匹配，对戴口罩人脸激活掩码感知的局部区域重排序。该方法在扩展LFW-Mask数据集上，利用FaceNet骨干网络达到80%以上识别准确率，使用ArcFace骨干网络超过90%，相比基于EMD的重排序方法，查询时间减少约20倍。

提出了一种基于Transformer掩码自编码器的无监督钢表面缺陷识别方法。在预训练中随机掩码75%的图像块，轻量级解码器从可见的25%重构掩码区域，并联合训练辅助缺陷定位目标。解码器达到SSIM 0.92、MSE 0.47，聚类后对六类缺陷的匈牙利匹配准确率达91.3%。

Boogu-Image-0.1是一个开源统一多模态理解与生成模型家族，包含Base、Turbo、Edit和Edit-Turbo变体。它在高品质文本到图像生成、快速推理、基于指令的编辑以及双语文本渲染方面表现出色。尽管计算预算有限，但通过模型理解、数据质量和训练流程的针对性改进以及推理时扩展，其性能可媲美甚至超越其他开源模型，接近领先的闭源系统。该模型仅使用2.0862亿张独特图像，基础模型理论训练成本约40万美元。

一种名为C-Norm的新方法通过归一化TCT图像中的细胞分布，解决了AI在宫颈癌筛查中表现不佳的问题。该方法将异常和正常细胞解耦并重新合成，实现均匀分布，然后使用YOLOv12与DINOv3的混合架构进行检测。实验表明，该方法达到了最先进的性能。

本文提出Samba，一种混合曼巴架构，用于视听导航。它采用自适应选择的曼巴状态编码器（M-SE）替代传统GRU进行时间聚合，并构建音频曼巴编码器（AME）以克服卷积算子在全时频依赖捕捉上的局限。在Matterport3D数据集上，导航成功率提升11.3%，在Replica数据集上表现更优。该工作以更低计算成本实现更强具身表征，为视听导航范式演进提供了稳健技术路径。

针对现实交通数据中的异质性空间关联和非线性时间动态，现有方法聚焦于图、注意力和分解架构，而忽略了底层非线性函数逼近器的作用。STKAN通过引入泰勒多项式Kolmogorov-Arnold网络模块到空间和时间令牌混合中，首先利用可学习的软节点组分配机制构建高层次空间表示，进行组级空间混合，然后在压缩序列上建模时间依赖，并辅以空间和时间自注意力层捕捉长程交互。在五个交通预测基准上，STKAN取得了竞争性表现，且优于基于MLP的变体，表明非线性函数逼近器设计可作为架构设计的有力补充。

知识追踪（KT）旨在通过建模学生历史交互中的动态知识状态来预测其未来表现。现有方法通常将原始交互序列视为统一行为过程，忽略了学习行为的阶段性。本文提出相位感知知识追踪（PAKT），将学生交互分解为能力和熟练度阶段，并设计多分支Transformer联合捕获阶段特定和整体知识状态。在六个基准数据集上，PAKT最大AUC提升1.33%，平均提升0.82%。

全球站点天气预报（GSWF）对局部和极端天气预测至关重要。现有方法过度依赖短期模式，难以捕捉混沌天气动态，尤其在部分观测条件下。为此，本文提出三轴状态空间模型（TSSM），结合历史增强的时间-变量-历史范式，通过周期对齐的历史数据弥补时间回溯窗口之外的长程、大尺度周期和全窗口天气模式。TSSM将历史样本堆叠为周期对齐批次，利用时间和历史观测支持因果预测，并通过时间、变量和历史扫描捕获轴向上的时间依赖、变量相关性和历史演化。该结构层次共享，可建模从季节性到极端事件，并缓解历史模式间的错位。TSSM在最大站点天气数据集Weather-5K上达到SOTA，准确率和极端事件指标分别提升10%和61%，在人工参与数据集中取得95%最佳或次佳结果。在长周期和迭代预测中优势更显著，240小时预测提升37.5%，48小时×5迭代设置下提升高达103.5%。此外，在高达80%观测缺失的情况下，TSSM仍保持>90%性能，而基线低于43%，展示了在全球原位观测网络中可靠GSWF的鲁棒性和实用潜力。

该研究将何时调用大语言模型（LLM）的问题形式化为基于风险的序列停止问题，并证明了六个理论结果，包括最小事件间隔时间、阈值策略的最优性以及遗憾界。在涡扇退化数据上的实验表明，异常得分驱动的风险函数在Pareto AUC上比基线方法高出一个数量级。

针对参数分解（PD）在大模型上计算成本高的问题，研究者提出定向参数分解（tPD），通过引入高秩“全能”组件仅处理目标输入，从而高效识别特定计算电路。实验表明，tPD在4块Transformer上仅用7%的浮点运算量即可提取CSS子模型，并在12块Transformer上精准消融和重写记忆序列，副作用极小。论文被ICML 2026可解释性研讨会接收。

本文提出一个框架，用于分析机器学习模型丢弃的信息，特别是那些输入数据具有李群对称性的模型。通过定义“零纤维”和“稳定子”概念，作者量化了模型对群作用的不可见性，并利用Peter-Weyl定理给出紧凑群的谱特征刻画。该框架在分子性质预测（SO(3)群）和球面图像分类（Möbius群）上进行了实验验证，展示了在数据遮蔽、模型指纹识别和隐私保护计算中的应用。其计算效率高，仅需几次梯度计算即可估计零纤维元素。

联邦学习（FL）为分布式异构数据源上的隐私保护协作模型训练提供了关键范式，但无法解决模型黑箱问题。可解释人工智能（XAI）则提升透明度与信任。二者融合催生了联邦可解释人工智能（FedXAI）范式。本文系统综述了FedXAI，展示了可解释性如何从事后工具转变为FL生命周期的核心组件，并提出了分类法，涵盖方法、评估实践及开放挑战。

提出了一种轻量级训练策略，通过解耦特征提取与分类器优化，大幅减少训练时间和能耗，在多种架构和医学数据集上仅牺牲微小的准确率。

本文通过一个1-3-3-1多层感知机和初值问题y'(t)+y(t)=0, y(0)=1，详细追踪了PyTorch自动微分引擎在物理信息神经网络训练中的完整计算流程，包括前向计算图构建、反向传播计算22个参数梯度，以及通过create_graph=True实现基于物理残差的正确微分的图上图机制。所有伴随值均与Tahimi（2026）的手工推导核对，将P/Q敏感性框架与PyTorch的向量-雅可比积联系起来。

一种名为Mycelium的新系统通过连接研究人员和AI代理在共享工作空间中，自动将观察结果和假设路由给相关团队成员，实现网络智能。在生物多组学研究中，它将局部发现转化为跨专家机制约束和实验设计。

cayleyR是一个R语言包，利用凯莱图中的循环交集检测来解决排列谜题。核心算法采用迭代双向搜索，从初始和目标排列状态生成随机操作序列，寻找连接路径。该包专为TopSpin(n,k)谜题设计，结合C++哈希索引状态存储和可选的Vulkan GPU加速，已在CRAN上发布。

来自arXiv的一份技术报告介绍了Oracle Agent Memory，这是一个基于Oracle数据库构建的数据库原生内存系统，专为长期运行的AI代理设计。该系统在LongMemEval上达到了93.8%的准确率，同时相比扁平历史基线减少了约10.7倍的令牌使用量。系统解决了内存生命周期、具有作用域控制的分层架构，以及结合任务准确性和内存特定指标的评估方法。

小型语言模型在零样本分子属性预测中表现不佳，因为它们忽略了图拓扑信息。本文提出了一种上下文增强提示框架，通过图神经网络工具提供预测提示和解释性子图，在MUTAG和Tox21数据集上实现了高达74%的相对改进，但仍与专用GNN模型存在差距。

本文综述了自我改进型自主代理的研究进展，提出了一个系统级框架，将现代代理视为基础模型与操作支架（包括提示、记忆、工具和控制逻辑）的耦合。在此框架下，自我改进被形式化为一种自我驱动的更新算子，可更新模型参数或支架组件。文章按更新目标和驱动信号对现有工作进行分类，并讨论了应用、评估以及未来方向。

本文提出了一种基于贝尔纳普类型内涵一阶逻辑（IFOL_B）的概率扩展神经符号通用人工智能（AGI）框架。通过引入尼尔森概率结构，该框架能够为当前未知的语句计算概率，并利用全局和局部对称变换保持知识库和逻辑推理的一致性。概率密度函数的计算基于香农最大信息熵，并由神经网络实现。

大型语言模型生成的思维链推理看似逻辑严谨，但实际上可能并未真正依赖其所述的前提。本文提出一种干预式基础审计方法，通过替换单个前提中的目标谓词，重新运行模型，并检查推理步骤的标准化结论是否改变，从而在步骤级别测试前提依赖。在ProntoQA基准测试中，该方法在检测证明树依赖方面的F1分数达到0.806，显著优于自一致性基线。此外，66%的正确解决问题中存在至少一个对齐步骤对直接证明树依赖不敏感，揭示了“答案正确但推理错误”的信号。

研究人员提出SPINE，一种智能体框架，可自动调试和部署双臂机器人，减少专家校准依赖。测试中，SPINE提高了成功率并缩短了遥操作时间。

本文介绍OriginBlame，一个记录级和令牌级的数据溯源系统，能够精确地将数据删除请求映射到具体的训练记录，避免大规模过度删除。在219,555个维基百科页面上的评估显示，记录级溯源将过度删除从101倍降低到1.3倍，同时引入的吞吐量开销仅为1.3-4.0%（HuggingFace）和2.1-19.0%（Datatrove）。在17亿参数模型上，基于溯源的遗忘集比随机基线提高了42%的遗忘效果。

MIT与多家机构的研究人员开发了一种名为GIFT的自动化框架，能够帮助视觉语言模型更准确、更高效地生成CAD程序，从而将二维设计转化为三维模型。该方法通过分析模型自身的错误来生成改进数据，大幅降低了计算成本，为快速原型制作和工程设计提供了有力工具。

服务组织面临近乎零停机需求与维护能力之间的结构性错配。通过异常检测、规范性指导和运营转型，AI帮助技术人员在故障发生前采取行动，提升首次修复率，减少停机成本。

米拉·穆拉蒂创立的Thinking Machines Lab今日发布了其首个基础模型Inkling，这是一款完全开放权重的巨型模型，拥有9750亿参数（混合专家架构，活跃参数410亿）。该模型经过45万亿token的文本、图像、音频和视频训练，原生支持多模态输入但仅输出文本。Inkling旨在填补西方开源AI生态的空白，提供中国模型的替代方案。它具备'思考努力'控制和不确定性标记功能，可减少幻觉。开发者可通过Tinker API进行微调。Thinking Machines计划通过Tinker平台收费，而非按API调用计费，这可能颠覆当前主流AI商业模式。该模型在九个月内完成开发，使用英伟达GB300 NVL72系统训练。

根据VentureBeat Pulse Research对101家企业的调查，企业代理编排正在向模型提供商平台集中，Anthropic的Claude以40%的使用率领先。然而，大多数部署的“代理”仍是简单的聊天机器人包装，真正的多步骤编排工作流仅占少数。企业预计到2026年底采用混合控制平面以避免供应商锁定，但实时成本控制仍不成熟。

一篇论文探讨了人工智能投资的投机性质及其是否构成泡沫。

AWS Marketplace 新增了人工智能辅助的产品列表功能，帮助独立软件供应商和咨询合作伙伴利用现有数字资产创建全面的产品列表。该功能可优化列表并减少手动数据输入。AI代理的兴起推动了这一发展，代理类别在不到一年内从900个合作伙伴增长到3400多个。AWS Marketplace 和合作伙伴服务副总裁 Matt Yanchyshyn 讨论了代理化部署如何改变企业构建和扩展AI的方式。

反对AI数据中心建设成为美国政治的主要议题，但这可能分散了对AI公司权力和财富集中的真正关注。文章指出，数据中心建设虽带来环境和经济压力，但AI公司真正的目标是控制整个行业。作者主张通过监管、征税和推动公共AI来限制企业权力。

麻省理工学院媒体实验室助理教授Pat Pataranutaporn介绍了一种新界面，让普通用户能在聊天机器人开口之前窥见其神经网络内部。

Murph是一款AI健康助手，通过连接可穿戴设备、血液检查等数据，帮助用户进行自我实验、建立习惯、参与群组挑战，并提供个性化的健康洞察。它支持开源自托管，注重隐私，月费8美元。