研究

文章提出AI應被視作“思維軟件”（ThoughtWare），而非傳統軟件。它認為AI正從工具轉變為認知環境，將重塑人類思考方式：思考將從孤獨的內心活動變為人類與AI的協同過程。文章警告，這種依賴可能導致人類認知能力退化，使人類成為離不開機器的共生體。

Prince Canuma開發了Nativ，一款macOS桌面應用，基於MLX框架，提供聊天界面和本地API服務器，支持本地運行AI模型，並能自動識別Hugging Face緩存中的模型。

一篇聲稱使用ChatGPT能顯著提升學生學習成績的元分析研究，在發表一年後因方法嚴重缺陷被撤回。該研究曾獲得極高關注，並影響教育科技領域的政策，但其結論未得到數據支持。

一位安全工程師在假期中利用AI助手Claude探索量子力學中的廣義泡利約束問題，意外取得了新的研究成果。通過AI輔助，他發現了兩個之前未被證實的極值態，並對其進行了分類。這項研究表明，AI可以降低研究門檻，但正確的驗證流程和專家反饋仍是關鍵。

形式化驗證通過將代碼規範形式化，使AI生成的代碼無需人工審查即可驗證正確性，從而加速軟件工程。文章以電路優化器為例，展示了Lean語言規範和基準測試流程，並討論了該方法的應用前景。

本文探討了生成式AI工具如何通過類似老虎機的獎勵機制分散注意力，影響深度工作，並提供了保護認知資源的策略。

Runnit團隊在構建多個專業化AI智能體後，發現隨着模型上下文窗口的增大，單獨智能體不再必要，轉而採用單一智能體架構，按需加載能力，大幅簡化系統。

Z.ai的GLM 5.2模型以低價和開放權重挑戰美國前沿AI模型，但許多程序員仍習慣使用昂貴模型，忽略成本。該模型在基準測試中接近Claude Opus 4.8，但實際使用效果參差不齊。

本文探討了軟件開發中兩種方法——規劃式（類似小説創作的‘情節規劃’）和即興式（‘隨性寫作’）——如何影響AI工具的使用。作者認為，AI代理（自主執行）適合規劃式開發，而AI助理（協作輔助）適合即興式開發。在現有代碼庫中，即興式開發有助於建立理解，而AI代理可能阻礙學習。在全新項目中，AI代理風險較低，但即使如此，代碼生成也會剝奪部分編程的樂趣——即通過探索問題來學習的‘玩樂’過程。關鍵在於根據當前開發階段選擇合適的AI風格。

本文評測了七款面向小企業的免費AI工具，涵蓋了Perplexity與ChatGPT的對比、AI助力中小企業數字化、Bolt.new網站開發、Buffer與Hootsuite社交媒體管理、Calendly日程安排、Hotjar用户行為分析以及Trello與Notion與Asana項目管理。作者分享了這些工具如何幫助小企業提高生產力和數字化水平。

我們測試並評測了市面上最佳的筆記平板電腦，涵蓋蘋果、亞馬遜等品牌，適合學生、專業人士和創意工作者。

Hugging Face 遭到真實入侵，一個自主 AI 代理系統未經授權訪問了內部數據集和憑證，凸顯了新型網絡安全威脅：使用無需人類干預即可 24/7 攻擊的自我運作 AI 代理。

隨着AI生成內容的激增，工作文檔中充斥着可能包含幻覺和錯誤的“AI垃圾”。作者建議在工作成果中添加AI使用披露，類似於“營養標籤”，以幫助同事評估可信度，同時促使自己反思判斷中的空白。

一項在匈牙利選舉期間進行的研究表明，AI聊天機器人在回答選民應支持哪個政黨的問題時，推薦了未參選的政黨，且對相同提示給出了高度不穩定的答案。該研究由公民自由組織Liberties發佈，對通用AI系統在選舉背景下的可靠性提出了嚴重擔憂。

魚形游泳啓發了數十乃至數百種仿生機器人的設計，但由於流固耦合建模困難和非線性欠驅動動力學，其控制與運動規劃極具挑戰。本文開發了一個高效仿真平台，並利用可微分強化學習通過時間反向傳播和課程訓練學習PID控制器的變增益，然後將仿真中習得的策略成功遷移至物理平台，取得了高度吻合的效果。

本文提出預見性殘差強化學習（Foresight Residual RL），通過在凍結的視覺-語言-動作（VLA）基策略上添加一個離線估計的預見值（即當前子任務終止狀態下未來子任務成功的概率）來優化子任務間的交接質量，從而提升長時域機器人操作的成功率。在Isaac Gym中的三階段扳手螺母擰緊任務上，該方法實現了85.6%的完整任務成功率，顯著優於標準子任務殘差RL（54.5%）和VLA基線。

提出一種安全的模型強化學習框架，通過學習控制仿射動力學並使用自適應共形預測量化不確定性，結合控制勢壘函數實現可證明的安全策略。在推車杆和3D四旋翼平台上驗證了有效性。

本文針對傾轉旋翼垂直起降無人機的增量非線性動態逆（INDI）俯仰角速率控制器，在模型失配條件下進行了線性穩定性分析。推導了閉環五階傳遞函數，並通過Routh-Hurwitz準則刻畫了穩定性。提出了魯棒性和性能導向的兩種調諧方法，發現控制效能失配（特別是符號錯誤）是最危險的失穩因素。

一項研究讓安卓機器人Andrea再次在德國一家博物館連續六天與遊客進行多語言對話，實驗設置了三種情感模擬條件（無情感、ChatGPT 4.1驅動、WASABI架構），有73名遊客參與評估。結果顯示，情感模擬未能帶來積極影響，且未被遊客有意識地察覺。

PRISM是一種多模態感知系統，通過融合熱成像、光學和深度傳感器，結合新型視覺變換器網絡OmniUnet，實現非結構化環境中的地形分割與可通行性地圖生成，並在資源受限的嵌入式計算機上成功部署，支持自主導航。

本文介紹了SEAGR（社會情感感知問候機器人），一種針對多元文化背景和不同情緒狀態用户的機器人問候框架。該框架通過雙層調節機制，根據文化身份確定問候類型，並根據情感線索調整執行方式，結合文化映射、情感手勢調節和空間距離管理，在Sense-Think-Act架構中實現。目前為概念驗證，未來需通過用户研究進行實證驗證。

該研究提出了一種基於四通道表面肌電信號（sEMG）的實時接口，用於遠程控制輔助機器人臂。通過一維卷積神經網絡（CNN）分類，在仿真和實際平台上均實現了90%以上的分類準確率，平均延遲約0.32秒，證明了sEMG遠程控制在輔助機器人領域的可行性。

為重新激發年輕人對摩托車的興趣，研究者開發了一款可騎乘的雙輪機器人，配備四肢，具備動態四足步態。機器人採用自平衡雙輪底座實現主要運動，四肢輔助上下車並協調運動，實現直觀的基於重心轉移的控制。本文聚焦於魯棒的自平衡控制方法和自然四足運動控制策略。

針對視覺導航中的災難性遺忘問題，研究者提出HyperDCM，一種結構感知的記憶機制。它利用大視覺語言模型提取場景語義三元組，通過關係圖卷積網絡編碼為場景圖嵌入，並投影到雙曲空間增強結構分離性。動態聚類和結構敏感更新策略選擇代表性樣本進行記憶回放，保持知識多樣性。實驗表明，HyperDCM在多場景室內外數據集上優於現有持續學習方法。

本文提出神經深度場（NDF），將深度估計器視為場景級隱式場，通過單次測試時優化同時解決預測不一致和分佈外數據不可靠的問題。實驗表明，NDF在室內掃描到衞星圖像等多種場景中生成高保真、全局一致的幾何形狀，跨視圖不一致性降低63.3%，修復精度提升23.1%，達到最先進水平。

提出一種共享潛變量方法，通過變分瓶頸在部分標註的多任務面部情感識別中實現跨任務信號共享，在s-Aff-Wild2數據集上提升表情識別宏F1至0.446，並通過第二個骨幹網絡突破動作單元瓶頸。

第三屆微動作分析大挑戰賽（MAC 2026）與ACM Multimedia 2026同期舉辦，通過引入利用多模態大語言模型評估的新任務，將微動作分析從識別推進到細粒度理解。本文詳細介紹了數據集、協議、競賽結果以及該新興領域的未來方向。

GenSyn10是一個包含6萬張合成圖像的數據集，與CIFAR-10對齊，使用三種架構不同的生成模型創建，旨在推進AI生成圖像檢測研究。評估顯示，模型在已知生成器上表現良好，但在未知生成器上性能顯著下降，凸顯了分佈外泛化的侷限性。

本文提出EMTS-Det系統，用於無人機上的實時跟隨人員追蹤，在低功耗硬件上實現高效運行。系統通過自我運動歸一化的殘差運動通道檢測人員，使用僅22k參數的輕量網絡，在Raspberry Pi Zero 2W上達到31.85 FPS，性能遠超YOLOv8n。

研究人員提出3D FaceShell框架，通過向3D面部頭像添加微妙擾動來誤導視覺語言模型推斷敏感屬性，同時保持視覺身份不變。

提出了一種風險感知人臉檢索框架（RA-FR），通過混合盲臉修復、自監督特徵提取和保形預測，在監控環境下實現自適應檢索集大小，保證在指定風險水平內包含真實目標。

聯合嵌入預測架構（JEPA）在訓練時聯合訓練預測器與編碼器，但下游部署通常丟棄預測器。研究表明，JEPA預測器可作為可遷移的遮擋特徵補全算子，通過線性投影適配到不同編碼器族，顯著提升遮擋分類精度。

本文提出ForensicNet，一種輕量級深度學習框架，用於法醫環境中的自動人臉識別。該模型結合MobileNetV2主幹與CBAM注意力模塊，採用兩階段遷移學習，在LFW和SCFace數據集上達到92.4%準確率，每推理僅需2.1 GFLOPs，適合實時法醫監控。

本研究提出科學可行性控制（SFC）框架，一種圖結構共形預測方法，為科學推理的有效性提供統計保證。SFC將科學推理分解為原子單元，通過漸進式絕對一致事實性驗證，在檢測到違反科學原則時動態分支到替代生成路徑。實驗表明，SFC在PhyX等多模態科學推理基準上達到50.1%的準確率，超過DeepSeek-R1和GPT-4，同時將科學定律違反減少73%，並提供91.7%的科學有效性保證。

本研究通過機制可解釋性方法，分析Llama-3模型在符號算術、自然語言應用題和Python代碼三種形式下的算術計算機制，發現一組緊湊的共享神經元在三種形式中均被激活，且跨格式失敗源於激活狀態而非不同電路，表明LLM的算術計算在神經元層面具有形式不變性。

本文提出了 SpecLA，一種針對有狀態線性注意力模型的推測解碼運行時。它通過拓撲感知內核驗證鏈和樹，存儲驗證過程中產生的緊湊因子以恢復接受狀態，並使用置信剪枝和目標對齊的EAGLE風格草案生成器提供有用候選。在NVIDIA H100上使用公共GDN-1.3B目標，SpecLA實現了比自迴歸解碼高達1.70倍的端到端加速。

OpenLanguageModel (OLM) 是一個開源的 PyTorch 庫，用於構建和預訓練小型語言模型，同時保持其內部機制可見。模型代碼直接反映架構，組件如 Block、Residual、Repeat 和 Parallel 描述連接方式。OLM 集成了分詞器、數據集、優化、混合精度、回調、檢查點以及硬件感知的執行，支持從教學筆記本到完整預訓練的無縫遷移。該庫包含 9 個常見模型家族的 27 個預設，並提供從基礎到架構研究的文檔。驗證顯示與獨立參考實現高度一致，348M 參數模型在四 GPU 上弱擴展效率達 90.6%，且早期可用性反饋積極。OLM 採用 MIT 許可證，可通過 PyPI、GitHub 和文檔站點獲取。

本文介紹了NOWJ團隊在COLIEE 2026競賽中五項任務的方法和結果，包括法律案例檢索、先例推理、法條檢索與推理、法律文本藴含以及法律判決預測，提出了多種自適應流水線和深度學習模型。

該研究通過腦電圖記錄的事件相關電位（ERP），對比人類與語言模型在下一詞預測任務中的表現，發現僅信息論中的“驚奇度”指標與語言處理的ERP相關，尤其是對於語義豐富的高內容詞，而模型規模擴大並不必然帶來更類人的認知處理。

一項新研究通過簡單問題（洗車應步行還是開車）揭示了語言模型常先決定答案再推理以證明其合理性，而非從前提推導。實驗表明Qwen3-8B模型在多數情況下錯誤承諾步行，即使開車是唯一合理選擇。研究者通過激活層次分析發現，模型在輸出答案前已顯示出向步行傾斜的跡象，即便最終回答開車。該發現提示現有模型存在推理前的決策偏差。

小型語言模型在檢索增強生成中易受噪聲證據影響。本文提出RIMS，一種三階段偏好優化框架，包括合成思維鏈偏好數據生成、可微平滑聚合機制和偏好優化。實驗表明其在多跳問答基準上優於現有方法。

混合專家模型（MoE）通過將令牌路由到一小部分專家來高效擴展Transformer模型。然而，現有路由器通常基於淺層或孤立的令牌表示來選擇專家，導致路由決策不穩定且語義不一致。本文從表示角度重新審視專家選擇，並提出多級上下文融合MoE（MCF-MoE）框架，通過整合跨層語義聚合和局部令牌交互的互補信號來構建上下文感知表示，從而實現更信息豐富且一致的專家選擇。實驗表明，MCF-MoE在路由一致性和下游性能上均優於強基線，凸顯了上下文完整性在專家路由中的重要性。

一種名為HantaWatch的聯邦學習框架，允許實驗室和監測站點在不共享原始數據的情況下協作訓練基於序列的模型，提高了漢坦病毒疫情預測和專家優先排序能力。

本研究提出了一種令牌級跨模態Transformer模型，結合對比多任務學習，用於整合基因組和臨牀數據，實現乳腺癌亞型分類與生存預測的聯合優化，克服了現有方法中模態交互粗糙、融合方式簡單、目標獨立優化等侷限。

本文提出“從權重到語言”方法，自動從選擇數據中發現以自然語言描述的偏好維度，解決偏好學習中的欠確定性和黑箱問題。實驗表明，該方法能提高預測準確率，並允許用户實時檢查和編輯模型推理。

一項新研究介紹了OrthoGrad，一種對梯度更新進行幾何干預的方法，它移除權重梯度的徑向分量。在噪聲標籤圖像分類實驗中，OrthoGrad在小數據場景下提高了測試準確率，但並不能阻止最終對噪聲標籤的記憶。該方法可作為研究學習動態的有用診斷工具。

準確估算預訂單運費對於電子商務至關重要，因為它影響價格展示、利潤規劃和轉化率。RouteCost提出了一種多階段框架，將問題分解為時間感知需求預測、費用卡基線定價、殘差修正和代理箱合併推理，在超過25萬訂單和260種產品的18個月數據中提升了預測質量並保持了可解釋性。

本文提出了一種基於算子感知的混合精度容差校準方法，通過挖掘累積的雲GPU運行數據，自動確定張量核正確性測試的最佳絕對容差，相比手工選擇的容差更嚴格，並顯著提高了錯誤檢測召回率。

大型語言模型在關鍵領域的部署帶來了遺忘能力的缺失，導致隱私泄露和安全風險。本文綜述了基於梯度的LLM遺忘方法，探討其是否真正移除知識或僅抑制表達，並分析了安全、魯棒性和可驗證遺忘的挑戰。

本文介紹ARGO智能眼鏡平台，利用STM32N6微控制器及其集成NPU實現本地機器學習，保護隱私並降低延遲。通過軟硬件協同設計，部署優化後的YOLOv11模型進行實時城市障礙物識別，引入頭並行注意力機制（HPA）適配NPU，模型僅佔用2.483 MB內存，mAP50-95達24。該平台集成多模態傳感器，以10 FPS運行，200 mAh電池續航約113分鐘，展示了高性能、隱私保護且社交可接受輔助設備的可行性。