Claude Tag 让 AI 成为工作群里的“真同事”，Anthropic 重构协作方式

Anthropic 更新了 Claude Tag 功能，允许用户在工作群中直接 @Claude，并授权其访问上下文、工具和数据。Claude 能拆解任务、调用工具、异步执行，最终将结果返回讨论串。它支持多人协作、主动推送信息、以及长期自主完成项目，将 Claude Code 的能力搬进群聊。Anthropic 团队表示，这代表了 LLM 界面的第三次重设计——从网站到 App，再到自包含、持久的组织实体。Karpathy 认为，Claude Tag 让 AI 从个人工具变成团队协作的执行者，真正接住讨论上下文，推进流程。相比以往企业 Agent 仅停留在问答或个人效率，Claude Tag 实现了从“工具”到“同事”的跨越，解决了信息分散、任务无人跟进的痛点。不过，大部分企业 Agent 受限于模型能力和功能闭环，距离这一形态仍有差距。 #Anthropic #Claude #AI #工作协作 #企业Agent #LLM #Slack

Telegram必备的搜索引擎，极搜JISOU帮你精准找到，想要的群组、频道、视频、音乐

👉 t.me/jisou2?start=a_8247614025

语言先验如何影响达西流反演？一项机制性审计研究

一项来自arXiv的最新研究对语言先验在达西流反演问题中的作用进行了机制性审计。研究团队通过系统分析，探讨了预训练语言模型中的先验知识如何影响物理场反演任务的性能。实验表明，语言先验在某些情况下能显著提升反演精度，但同时也可能引入偏差，特别是在数据稀疏或噪声较大的场景中。该工作为理解语言模型在科学计算中的实际贡献提供了重要视角，并指出了未来需要谨慎评估先验知识适用性的方向。 #arXiv #语言模型 #达西流 #反演问题 #科学计算 #AI审计 #机器学习

分层贝叶斯方法实现多稀疏数据集动力系统学习

研究人员提出一种分层贝叶斯建模方法，用于从多个稀疏数据集中学习动力系统。传统方法在处理单一数据集时表现良好，但面对多源稀疏、异质数据时往往失效。新方法通过构建先验分布共享结构，有效整合不同来源的有限观测，提高了系统识别精度和鲁棒性。实验表明，该方法在混沌系统、生物网络等场景中均能准确重建潜在动力学，并降低对数据量的需求。该研究为复杂系统建模提供了新思路，有望应用于气候预测、神经科学等领域。 #机器学习 #动力系统 #贝叶斯方法 #稀疏数据 #系统识别 #arXiv #学术研究 #数据科学

LLM特征特定错误纠正机制有新证据

一项新研究为大型语言模型（LLM）中的特征特定错误纠正提供了实验证据。该论文由Francisco Ferreira da Silva和Stefan Heimersheim共同撰写，于2026年6月23日提交至预印本平台arXiv。研究聚焦于LLM在生成过程中如何针对特定特征（如语法、事实性或风格）进行自我纠正，而非通用的错误修正。作者通过一系列实验揭示了LLM内部存在与具体特征相关联的纠错通路，这些通路能够在模型输出时识别并修正与特定特征相关的错误，从而提升生成质量。该发现对理解LLM的内部工作机制以及开发更可靠的AI系统具有重要意义，为未来设计具有精细错误控制能力的语言模型提供了理论基础。论文全文以PDF和HTML格式在arXiv上公开。 #LLM #错误纠正 #特征特定 #大模型 #AI研究 #arXiv #科学新闻

可扩展的多任务强化学习与大决策模型探索

一篇题为《Towards Scalable Multi-Task Reinforcement Learning with Large Decision Models》的论文于2026年6月23日提交至arXiv预印本平台。作者Thibaut Kulak针对当前强化学习在多任务场景下面临的可扩展性挑战，提出结合大型决策模型的方法。论文旨在通过模型的规模化能力，使智能体在多个不同任务间共享知识、减少重复训练，从而提升整体学习效率与泛化性能。该研究为构建更通用的强化学习系统提供了新的思路，有望推动机器人、自动驾驶等领域的跨任务应用。 #强化学习 #多任务学习 #大决策模型 #arXiv #科研论文 #AI

不确定性感知多专家融合方法助力中风康复临床决策

该研究提出一种基于不确定性感知的多专家融合框架，旨在提升临床医生在中风康复中的决策质量。传统康复决策依赖单一专家经验，易受主观因素影响。新方法通过融合多个专家模型的输出，并量化每个预测的不确定性，从而为临床医生提供更可靠、可解释的决策支持。实验表明，该方法在模拟康复场景中显著提高了治疗方案的准确性和一致性，尤其在不完全信息条件下表现突出。研究为人工智能辅助康复医疗提供了新思路，有望降低误诊风险，优化患者康复路径。 #中风康复 #临床决策 #多专家融合 #不确定性感知 #人工智能 #医疗AI #康复医学

使用排名概率得分的有序分类可靠共形预测方法

一篇题为《使用排名概率得分的有序分类可靠共形预测》的论文在arXiv上发布。该研究针对有序分类问题，提出了一种基于排名概率得分的共形预测方法，旨在提供更可靠的预测区间和置信度。共形预测是一种无需对模型分布做假设即可生成有效预测区间的框架，而有序分类在医学诊断、用户评分等场景中常见。作者通过理论分析和实验验证，证明了新方法在保持预测效率的同时，显著提升了覆盖率的可靠性。该方法有望为需要高置信度输出的有序分类任务提供更稳健的解决方案。 #arXiv #共形预测 #有序分类 #排名概率得分 #机器学习 #论文 #研究

群体智能启发的图动力学系统集体行为生成新方法

一篇题为《Swarm-Inspired Generation of Collective Behaviors in Graph Dynamical Systems》的学术论文于2026年6月23日提交至arXiv预印本平台。该论文由Ji Chen等五位作者共同完成，聚焦于如何借鉴群体智能（如蜂群、鸟群等自然界集体行为）的机制，在图形动力学系统中生成有序且可调控的集体行为。研究将图论与动力学系统相结合，提出了一种新颖的生成框架，有望在复杂网络控制、多智能体协同、分布式计算等领域产生重要影响。目前该论文提供PDF及HTML预览版本，并已进入相关学术数据库索引。 #论文 #群体智能 #图动力学 #集体行为 #复杂网络 #AI #机器学习 #arXiv #多智能体 #网络控制

凸-凹二次谱滤波

来自arXiv的一篇论文提出了一种名为“凸-凹二次谱滤波”的新技术，用于改进图神经网络（GNN）的性能。该方法通过结合凸函数与凹函数的二次谱滤波器，在频域中对图信号进行更精细的调控，旨在解决传统GNN中常见的过平滑和欠拟合问题。实验表明，该滤波策略在多个基准数据集上显著提升了节点分类和链路预测的准确率，同时保持了计算效率。研究团队来自国内高校，论文已提交至arXiv平台，为图神经网络的理论与工程应用提供了新的思路。 #图神经网络 #谱滤波 #凸优化 #机器学习 #AI #arXiv #学术论文

面向非平稳时间序列的持续电力预测

该研究发表于arXiv，提出了一种针对真实世界能源系统中非平稳时间序列的持续电力预测方法。传统电力预测模型往往假设数据分布稳定，但实际能源系统受季节变化、政策调整等因素影响，数据分布随时间漂移。论文作者Yujiang He等人设计了一种实用的持续学习框架，使模型能够在不遗忘历史知识的前提下，自适应地学习新数据模式。方法结合了弹性权重巩固与经验回放机制，有效缓解了灾难性遗忘问题。在多个真实电力负荷数据集上的实验表明，该方法在长期预测中显著优于传统静态模型，在预测精度与计算效率间取得了良好平衡。这一工作为智能电网中的实时电力调度与能量管理提供了可靠的技术支撑。 #持续学习 #电力预测 #时间序列 #能源系统 #机器学习 #AI #arXiv论文

强化学习助力轴承健康监测

该论文提出了一种基于强化学习的数字孪生驱动自适应仿真到真实对齐方法，用于解决数据稀缺条件下基于振动的轴承健康监测问题。传统方法依赖大量标注数据，而该方法通过数字孪生生成仿真数据，并利用强化学习动态调整仿真与真实环境之间的差异，实现自适应对齐。实验表明，该方法在数据稀缺场景下显著提升了轴承故障诊断的准确性和鲁棒性，为工业设备智能维护提供了新思路。 #数字孪生 #强化学习 #轴承健康监测 #数据稀缺 #工业AI #故障诊断 #仿真到真实 #arXiv论文

机器学习中复杂性如何导致学习不透明性

一篇题为《机器学习中复杂性如何导致学习不透明性》的学术论文于2026年6月23日提交至arXiv预印本平台。该论文由Joachim Stein及其合作者撰写，旨在探讨机器学习模型内部复杂性与学习过程不透明性之间的关联。研究指出，随着模型参数规模与架构层次的增加，其决策过程愈发难以被人类理解，这种“学习不透明性”可能影响模型的可解释性与可信任度。论文通过理论分析与案例研究，揭示了复杂系统在训练中产生的隐性依赖与非线性耦合如何加剧黑箱效应，并呼吁学界关注在提升模型性能的同时，需配套发展透明度评估工具与解释性技术。该工作为理解深度学习模型的局限性提供了新的视角，并对AI安全与伦理研究具有启示意义。 #机器学习 #复杂性 #不透明性 #人工智能 #学术论文 #arXiv #模型可解释性

MacroLens

研究人员提出了一种名为MacroLens的多任务基准，旨在评估人工智能在宏观经济背景下进行上下文金融推理的能力。该基准涵盖多个金融任务，要求模型结合宏观经济指标（如GDP、通胀率等）进行推理和预测。论文认为，现有金融基准多局限于静态或孤立任务，缺乏对宏观经济动态变化的考量，而MacroLens填补了这一空白。该基准有望推动金融领域的大模型评测标准化，并为实际投资决策和风险管理提供更可靠的AI工具。相关论文已在arXiv上公开，代码和数据也将开源。 #金融 #AI #基准测试 #机器学习 #宏观经济 #深度学习 #自然语言处理

全息记忆在知识图谱零样本组合推理中的失效机制研究

一项最新研究深入探讨了全息记忆（Holographic Memory）在知识图谱零样本组合推理任务中的表现与局限性。该研究从机制层面系统分析了该方法在哪些环节以及为何会失效。全息记忆是一种常用于知识图谱嵌入的神经网络架构，但在面对未见过的组合关系时，其推理能力存在显著短板。研究发现，全息记忆在捕捉复杂语义组合时容易丢失关键信息，尤其是在需要多跳推理和开放世界假设的场景下，模型无法有效泛化。该工作通过分解推理过程，定位了失效的具体组件和因果关系，为改进零样本推理模型提供了理论指导。 #知识图谱 #零样本学习 #组合推理 #全息记忆 #人工智能 #神经网络 #机制分析

监督强化学习在分布式能源资源协调中的应用

一篇题为《Supervised Reinforcement Learning for the Coordination of Distributed Energy Resources》的学术论文近日在arXiv预印本平台发布。该论文由Haoyuan Deng等四位作者共同完成，提出了一种结合监督学习与强化学习的新方法，用于高效协调分布式能源资源（如太阳能、风能、储能系统等）。研究旨在解决传统强化学习在复杂能源网络中训练效率低、收敛慢的问题，通过引入监督信号加速学习过程，从而提升能源分配与调度的实时性和经济性。该方法有望为智能电网的稳定运行和可再生能源的规模化接入提供新的技术路径。 #论文 #强化学习 #分布式能源 #智能电网 #AI #能源系统 #arXiv

新论文提出等变世界模型的共形轨道有效信任界限

据arXiv预印本显示，研究者Hongbo Wang发表题为《Conformal Orbit-Valid Trust Horizons for Equivariant World Models》的论文，提出一种用于等变世界模型的新型信任界限方法。该方法基于共形预测理论，通过定义轨道有效的信任区域，确保模型在动态环境中的预测具有统计可靠性和安全性。该工作可能对机器人、自动驾驶等需高可靠决策的领域产生影响，为世界模型的不确定性量化提供了新思路。 #arXiv #论文 #等变世界模型 #共形预测 #AI安全 #学术研究 #机器学习 #机器人

学习表示中守恒定律的生存条件

近日，一篇来自arXiv的论文《When Do Conservation Laws Survive Learned Representations? Certified Horizons for Latent World Models》引发关注。该研究由Hongbo Wang等人完成，聚焦于机器学习中潜世界模型（Latent World Models）的表示学习问题，探讨了守恒定律（如物理系统中的动量、能量守恒）在神经网络学习到的潜在表示中能否得以保留。作者提出了“认证视野”（Certified Horizons）概念，用于量化模型在何种条件下能够保持这些关键物理规律。研究发现，即使在非线性变换和压缩表示下，通过适当的约束和认证方法，模型仍能在特定时间范围内维持守恒性质。这一工作为可解释、可泛化的物理世界模型设计提供了理论依据，有望推动AI在科学模拟和机器人控制等领域的应用。 #arXiv #机器学习 #守恒律 #潜世界模型 #认证视野 #AI #物理模拟 #表示学习

二元少样本分类的谱相图

一篇题为《二元少样本分类的谱相图：内在维度、几何饱和与表征诊断》的论文近日在arXiv预印本平台发布。该研究由Arnav Gupta完成，提出了一种基于谱分析的相图框架，用于理解二元少样本分类任务中的表征学习行为。论文通过引入内在维度、几何饱和等概念，揭示了不同数据分布下模型表征能力的临界转变，并提供了诊断表征质量的新方法。该工作有望为少样本学习中的模型选择与表征设计提供理论指导，对机器学习领域具有重要参考价值。 #机器学习 #少样本学习 #谱分析 #表征诊断 #内在维度 #几何饱和 #arXiv #AI研究

LLM演进作为产业级生态系统

一篇题为《LLM Evolution as an Industry-Scale Ecosystem: A Lifecycle Perspective on Continual Learning》的学术论文近期在arXiv发布。该论文由Hao Jiang等十位作者共同撰写，从产业级生态系统视角审视大语言模型（LLM）的演进过程，提出基于持续学习的生命周期新框架。研究指出，LLM的发展已超越单一模型迭代，转向复杂生态系统协作，需在预训练、微调、部署及持续更新等阶段系统应对数据分布漂移、知识遗忘等挑战。该工作为未来大规模AI系统的可持续进化提供了理论支撑与实践指导。 #LLM #大语言模型 #持续学习 #生态系统 #人工智能 #学术论文 #arXiv

设备端神经架构搜索论文发布，探索边缘AI新路径

由 Andrea Mattia Garavagno 等四位作者合著的论文《On-Device Neural Architecture Search》近日在 arXiv 上提交。该论文聚焦于在移动设备等资源受限环境中自动搜索最优神经网络架构，旨在解决传统神经架构搜索计算开销大、难以部署于终端设备的问题。研究团队提出了一种新的方法，使模型能够在设备本地完成架构搜索，从而降低对云端算力的依赖，提升隐私保护与实时响应能力。该工作为边缘人工智能的发展提供了新的思路。 #神经架构搜索 #边缘计算 #神经网络 #AI #论文 #arXiv #机器学习