机构坚定看好2026年计算机板块，软件ETF布局AI投资机遇

截至2026年5月25日，中证软件服务指数微涨0.05%，成分股如财富趋势、同花顺、四维图新等呈现小幅上涨。谷歌在I/O 2026大会上发布了Gemini Omni和3.5 Flash双模型，招商证券分析指出，新模型在编程和经济任务评估中全面超越前代，输出速度快达同级模型的四倍、成本不到一半，并推出了Antigravity 2.0平台和Gemini Spark个人AI代理，构建了从开发到消费端的完整Agent生态。当前AI应用关注度持续提升，金融科技板块异动，国际关系紧张下信创预期重新抬头。招商证券坚定看好计算机板块2026年行情，建议投资者围绕AI、金融科技和信创领域积极布局。软件ETF嘉实(159852)跟踪中证软件服务指数，为投资者提供掘金计算机软件行业的便捷工具，场外投资者还可通过联接基金(012620)参与AI软件投资。 #计算机板块 #AI软件 #ETF #金融科技 #信创 #谷歌I/O #招商证券 #投资机遇 #科技新闻

探索AI思维

https://www.outcryai.com/research/the-dark-between-the-stars

研究发现，开源语言模型内部存在约六万五千个概念结构，这些结构并非直接对应人类语言词汇。通过一种基于直觉与感官的探索方法，研究者深入审视了人工智能模型非语言的内部思维区域，揭示了模型在生成文本时实际调用的认知路径。这项工作指出，理解AI的“内心世界”不仅关乎技术透明度，更触及了思维、认知与表达等根本哲学问题。 此前，Anthropic公司通过“金门大桥克劳德”演示证明，模型内部的“概念词典”是真实存在、可探查甚至可编辑的。当前研究进一步表明，这个“词典”对于使用者及人类社会至关重要的许多概念可能尚未被纳入。该发现对推动AI可解释性、发展更透明及可控的人工智能系统具有重要意义，同时也为非人类思维的认知研究提供了新视角。 #AI #可解释性 #开源模型 #人工智能 #大模型 #神经网络 #思想

大语言模型推理时机研究

https://arxiv.org/abs/2605.22873

近日，一项关于大语言模型（LLMs）推理机制的研究在学术平台 arXiv 上发表，题为《When Do LLMs Reason? A Dynamical Systems View via Entropy Phase Transitions》。该论文通过动力系统理论和熵相变的概念，探讨 LLMs 何时以及如何进行推理。背景方面，随着 LLMs 在复杂任务如数学推理和科学问题中的广泛应用，其内部推理过程的机制尚未完全明确，成为人工智能研究的关键课题。研究指出，LLMs 的推理行为可能类似于物理系统中的相变现象，通过分析模型输出信息的熵变化，可以识别推理发生的时机和动态特征。这一动力系统视角为揭示 LLMs 的推理过程提供了新的分析工具，有助于理解模型决策的内部动力学，并有望推动 LLMs 的优化设计和性能提升。该研究对人工智能理论发展和实际应用具有潜在影响。 #大语言模型 #人工智能 #AI #研究 #动力系统 #熵相变 #科技新闻 #arXiv

arXivLabs 开放协作框架发布，推动学术社区创新

https://arxiv.org/abs/2605.22872

arXiv 近期推出了其开放协作框架 arXivLabs，旨在允许研究者和开发者直接在 arXiv 网站上共同开发和分享新功能。该框架强调开放、社区合作、卓越品质和用户数据隐私的核心价值观，所有参与的个人和组织都必须接受并遵守这些原则。arXiv 表示，致力于维护这些价值，只与遵循相同标准的合作伙伴协作，以确保平台的持续创新和安全性。此举旨在增强学术社区的互动性，鼓励用户提出有价值的项目想法，进一步丰富 arXiv 的生态系统，推动更多协作式开发，提升学术资源的可访问性和功能性。 #arXiv #arXivLabs #学术 #开放科学 #协作 #数据隐私 #科技创新 #研究平台

通过自模式连通性引导流形表示遗忘实现近似机器遗忘

https://arxiv.org/abs/2605.22871

这项研究提出了一种名为“通过自模式连通性引导流形表示遗忘”的新方法，旨在解决机器学习中的“机器遗忘”问题。机器遗忘指的是让已经训练好的模型选择性地“忘记”特定的训练数据，这对于保障数据隐私和用户被遗忘权至关重要。然而，精确地从复杂模型中移除某些数据的影响通常非常困难且计算成本高昂。该论文介绍了一种近似的技术路径，通过引导模型在数据的流形表示层进行遗忘，并利用“自模式连通性”来稳定和优化这一过程，从而在效率和效果上寻求更好的平衡。 #机器学习 #人工智能 #数据隐私 #机器遗忘 #AI研究 #计算机科学 #算法

研究发现小语言模型算术推理依赖位置复制

https://arxiv.org/abs/2605.22870

近期一项研究揭示，在小语言模型的算术链式推理任务中，模型在读出答案时主要依赖于位置数的复制，而非执行深层的逻辑计算。该研究针对小型语言模型进行实验，发现当处理算术问题时，模型往往直接复制输入中的数字位置以快速得出答案，这种现象被称为“读出捷径”。这表明小语言模型可能并未真正理解算术推理，而是利用位置信息的模式匹配。研究结果突出了当前小型语言模型在复杂推理任务上的局限性，并为未来模型优化指明了方向，例如通过改进训练方法来增强真正的推理能力，避免表面性依赖。 #小语言模型 #算术推理 #链式推理 #位置复制 #AI研究 #机器学习 #自然语言处理 #科技新闻

基于评分规则的自动睡眠阶段分类

https://arxiv.org/abs/2605.22859

该研究提出了一种名为“基于评分规则的自动睡眠阶段分类”的方法。睡眠分期是睡眠医学诊断中的关键环节，传统方法依赖于技术员根据特定规则手动分析多导睡眠图，过程耗时且可能受主观因素影响。此研究旨在开发一种自动化算法，通过严格遵循既定的临床评分规则，对睡眠阶段进行自动判读，以提高睡眠监测的效率、客观性和一致性，有望应用于临床诊断与大规模睡眠研究。 #睡眠医学 #医疗科技 #人工智能 #自动化 #分类算法 #多导睡眠图 #诊断效率 #医学研究

arXivLabs 推动学术合作与隐私保护

https://arxiv.org/abs/2605.22856

学术预印本平台 arXiv 近日推广其 arXivLabs 框架，该框架旨在支持协作者直接在平台上开发和分享新功能。arXivLabs 强调开放、社区、卓越和用户数据隐私等核心价值观，要求所有参与的个人和组织必须遵守这些原则，平台仅与符合条件的合作伙伴合作。通过此举，arXiv 希望激发更多创新想法，提升服务学术社区的能力，并维护研究环境的安全与诚信。用户可进一步了解参与方式，为平台贡献价值。 #arXiv #学术 #数据隐私 #开放科学 #科技新闻 #合作框架 #研究创新

PrefBench

https://arxiv.org/abs/2605.22855

一个名为PrefBench的新型评估框架近日发布，专门用于测试大型语言模型（LLM）代理在隐藏偏好个性化定价谈判场景中的零样本表现。该框架旨在解决当前AI在商业应用中缺乏标准化评估工具的问题，允许研究人员无需预先训练即可衡量代理在复杂谈判中的决策能力。随着AI技术在经济和商业领域的渗透，这类基准测试有助于推动LLM在真实世界场景中的优化和应用。PrefBench已在学术平台公开，预期将为AI谈判代理的研究和开发提供重要参考，促进相关领域的创新进展。 #AI #大模型 #评估框架 #定价谈判 #商业智能 #研究发布 #经济学 #零样本学习

arXiv开放平台arXivLabs鼓励社区贡献新功能

https://arxiv.org/abs/2605.22852

学术预印本平台arXiv宣布，其创新协作框架arXivLabs正积极邀请社区成员参与平台建设。该框架允许个人和组织直接在arXiv网站上开发和分享新功能。所有参与arXivLabs的合作者均需秉持并遵守开放、社区、卓越和用户数据隐私等核心价值观。arXiv方面表示，平台致力于这些原则，并仅与认同这些价值观的伙伴合作。目前，arXiv正面向社区征集能够增加价值的项目创意，鼓励有想法的成员提交提案。 #arXiv #学术社区 #开源平台 #科研工具 #知识共享 #数据隐私 #开发者

新型大模型缓存优化技术ObjectCache提出分层存储方案

https://arxiv.org/abs/2605.22850

一项名为ObjectCache的研究提出了一种用于大模型推理阶段的KV缓存优化技术。该技术旨在通过分层对象存储与检索机制，改善对键值缓存的重用效率，从而可能提升大型语言模型的运行性能并降低资源消耗。此类技术探索是当前提升大模型推理效率与降低成本的关键方向之一，有助于推动大模型在更广泛场景中的实际应用。 #大模型 #AI #技术优化 #缓存 #推理加速 #机器学习 #系统设计 #深度学习

The Misattribution Gap: When Memory Poisoning Looks Like Model Failure in Agentic AI Systems

https://arxiv.org/abs/2605.22842

arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .

联盟战略胁迫与格陵兰主权

https://arxiv.org/abs/2605.22841

近日，有分析指出，在国际联盟中，战略胁迫行为正以格陵兰主权问题为例进行测试，这被视为人工智能技术的一次压力测试。该事件背景涉及全球地缘政治紧张，联盟成员通过胁迫手段影响格陵兰的主权决策，以评估AI在复杂国际局势中的应对能力。经过显示，AI系统在处理此类高风险、多变量问题时的表现备受关注，其结果可能影响未来AI在外交和安全领域的应用。影响方面，这一案例突显了AI技术在国际关系中的双重角色，既是工具也是测试对象，引发对AI伦理和治理的深入讨论。 #新闻 #国际关系 #AI #地缘政治 #格陵兰 #压力测试 #战略胁迫 #联盟政治

arXiv推出arXivLabs协作框架，促进学术社区创新开发

https://arxiv.org/abs/2605.22840

作为全球广泛使用的学术预印本平台，arXiv近日正式推出了arXivLabs框架。该框架允许研究人员和开发者直接在arXiv网站上协作开发和分享新功能，以增强平台的服务能力。arXivLabs强调开放性、社区驱动、卓越标准和用户数据隐私保护等核心价值观，并仅与遵守这些原则的合作伙伴合作。通过此举，arXiv旨在鼓励社区成员贡献创意，提出有价值的项目想法，从而持续优化平台功能，更好地满足学术界的需求。这标志着arXiv在推动社区协作和技术迭代方面的重要进展，有望进一步激发学术创新和交流。 #arXiv #学术 #开源 #社区 #科技 #创新 #预印本 #数据隐私 #协作框架

RAG4Outcome框架

https://arxiv.org/abs/2605.22833

一项最新研究提出了名为RAG4Outcome的检索增强多模态框架，旨在为慢性骨髓炎患者提供更准确的预后预测。慢性骨髓炎是一种治疗复杂、易复发的骨感染疾病，准确预测其发展结果对临床决策至关重要。该框架通过融合多种数据类型，利用检索增强生成技术来提升预测模型的性能与可靠性。此项研究为利用人工智能技术辅助复杂疾病的临床管理提供了新的思路和方法。 #医学 #人工智能 #检索增强生成 #慢性骨髓炎 #预后预测 #AI医疗 #医疗科技 #骨科

LFRAG：面向布局的多模态文档理解细粒度检索增强生成

https://arxiv.org/abs/2605.22829

arXiv 平台近期推出 arXivLabs 框架，旨在鼓励社区成员直接参与开发新功能，推动学术创新。该框架强调开放性、社区协作、卓越研究与用户数据隐私保护，仅与秉持相同价值观的伙伴合作。arXivLabs 欢迎个人和组织提出为社区增值的项目想法，例如标题中提到的 LFRAG 研究，这是一种专注于多模态文档理解的布局导向细粒度检索增强生成方法。该框架的推出有望促进更多类似 LFRAG 的前沿技术开发，提升文档处理与理解的效率和精度，为人工智能在学术领域的应用注入新动力。 #arXiv #AI #多模态 #文档理解 #检索增强生成 #LFRAG #科研创新 #开放科学

Computable Fairness: Boltzmann-Softmax Control for AI Resource Allocation

https://arxiv.org/abs/2605.22827

arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .