良性过拟合在扩散模型中不会发生

一篇来自arXiv的论文《良性过拟合在扩散模型中不会发生》指出，在图像生成领域的扩散模型训练中，广泛存在的"良性过拟合"现象并不适用。研究团队通过理论分析和实验验证表明，扩散模型在过拟合训练数据后，会显著降低生成样本的多样性和质量，而非像传统观点认为的那样对性能影响微弱。该发现对理解深度学习中的过拟合行为具有重要意义，并可能影响未来扩散模型的训练策略和正则化方法设计。 #扩散模型 #过拟合 #机器学习 #AI #论文 #arXiv

CORA 提出 SVD 低秩适配新方法，提升模型微调稳定性

来自北京大学等机构的研究者提出了一种名为 CORA（逐切片正交旋转）的方法，旨在改进基于奇异值分解的低秩适配技术。在模型微调过程中，CORA 通过引入逐切片相干正交旋转，解决了 SVD 分解后权重矩阵的秩退化问题，有效提升了低秩适配的稳定性与收敛速度。实验表明，该方法在多个自然语言处理基准任务上取得了优于 LoRA 等现有方案的效果。 #人工智能 #机器学习 #模型微调 #低秩适配 #SVD

HAS-Bench 发布：可配置人类参与下的 LLM 智能体系统评估框架

由 Yaozu Wu 等 14 位作者提出的 HAS-Bench 基准，旨在评估基于大语言模型的人类-智能体系统在可配置人类参与下的表现。该框架允许研究人员灵活调整人类参与程度与方式，从而更真实地模拟人机协作场景。HAS-Bench 通过多种任务设计，系统衡量 LLM 智能体在理解人类指令、适应人类行为变化中的推理能力与可靠性。该研究已在 arXiv 预印本平台发布，相关代码与数据将陆续开放，为未来人机协同 AI 系统的标准化评估提供重要参考。 #LLM #AI #智能体 #人机协作 #基准测试 #arXiv #科研

Agentic SABRE：面向自适应勒索软件检测的不确定性感知神经符号多智能体框架

一篇题为“Agentic SABRE: An Uncertainty-Aware Neuro-Symbolic Multi-Agent Framework for Adaptive Ransomware Detection”的学术论文于2026年7月5日提交至arXiv预印本平台。该论文由Henry Kabuye等人提出，旨在解决勒索软件检测中的自适应性和不确定性挑战。研究团队设计了一种新型神经符号多智能体框架，将深度学习与符号推理相结合，使系统能够在不明确标记的训练数据下，动态识别和应对不断演变的勒索软件攻击。该框架通过引入不确定性量化机制，提升了检测的鲁棒性和可靠性，为网络安全领域提供了创新思路。目前论文已开放HTML预览及TeX源码，并可通过NASA ADS、Google Scholar等工具获取学术引用。 #AI安全 #勒索软件 #多智能体 #神经符号系统 #网络安全 #arXiv #学术论文

法律判决预测中的捷径学习

一项最新研究表明，法律判决预测模型存在“捷径学习”现象，即模型倾向于依赖数据中的表面线索而非实质性法律逻辑进行判决。研究团队基于英国雇佣法庭的大量案例进行了实证分析，发现模型在预测案件结果时，过度关注如原告性别、案件类型等非核心特征，而忽视了法律条文与事实的深层关联。这种偏差可能导致预测结果与实际判决存在显著差异，影响司法公正与可信度。该研究强调，当前法律人工智能系统需警惕此类学习偏差，建议在模型训练中引入更多法律领域知识或调整数据平衡性，以提升预测的准确性与公平性。 #法律AI #捷径学习 #判决预测 #司法公正 #机器学习

面向进度与可靠性的智能体强化学习组策略优化

该研究提出一种名为“面向进度与可靠性的组策略优化”的新方法，用于智能体强化学习。传统智能体学习常面临进展缓慢或可靠性不足的平衡难题，新算法通过同时优化任务完成进度与动作可靠性，显著提升了智能体在复杂环境中的学习效率和稳定性。实验表明，该方法在多种基准任务上均优于现有强化学习算法，为智能体系统的实际部署提供了更可靠的解决方案。 #AI #强化学习 #智能体 #组策略优化 #机器学习

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

生物控制启示

一篇题为《Biological Motifs for Agentic Control》的学术论文通过arXiv预印本平台发布，该研究聚焦于挖掘生物系统中的控制模式，为人工智能中的智能体控制提供新思路。论文探讨了如何借鉴生物体在复杂环境中的决策与调控机制，设计更高效、鲁棒的智能体控制系统。这一跨学科研究有望推动人工智能在自主导航、多智能体协作等领域的应用发展，为构建具有生物适应性的AI系统提供理论基础。 #人工智能 #智能体控制 #生物启发 #跨学科研究 #arXiv论文

基于激活几何的无监督特征挖掘方法论文发布

近日，一篇题为《基于激活几何的无监督特征挖掘》的论文被提交至arXiv平台，并被2026年国际机器学习大会（ICML 2026）的“智能体AI故障模式”研讨会接收。该研究由Amit LeVi等人完成，提出了一种全新的无监督特征挖掘方法，通过分析神经网络内部激活层的几何结构来提取关键特征，无需依赖标注数据。这一方法有望在深度学习可解释性、模型压缩及安全性评估等领域发挥重要作用，尤其为理解智能体AI系统的内部工作机制提供了新工具。论文提供了PDF及HTML全文、TeX源码，并关联了多种文献引用与代码工具，供学术界进一步研究与复现。 #论文 #无监督学习 #特征挖掘 #激活几何 #ICML #AI研究 #机器学习

Agentic IoT 论文提出面向智能体互联网的新架构与应用

arXiv 平台收录了一篇题为《Agentic IoT: Architectures, Applications, and Challenges Toward the Internet of Agents》的学术论文。该论文由 Rümeysa Hilal Sevinç 等三位作者共同撰写，正式提交于 2026 年 7 月 5 日。文章深入探讨了面向智能体互联网的物联网架构、应用场景及当前面临的关键挑战，提出了 Agentic IoT 的演进方向。论文可在 arXiv 平台获取 PDF 全文及 HTML 实验版，作者信息、参考文献和引用工具均已集成。此次研究为物联网向智能体协同演进的未来提供了系统性的理论框架与技术路径分析。 #arXiv #物联网 #智能体 #AgenticIoT #人工智能 #学术论文 #技术架构 #互联网

基于聚类的框架识别资本市场可疑交易模式

一篇题为《基于聚类的框架识别资本市场可疑交易模式》的论文由Asif Zaman及其合作者共同提交至arXiv预印本平台。该研究提出了一种利用聚类分析方法，从资本市场交易数据中识别异常交易模式的框架。论文核心在于通过无监督学习技术，自动发现可能预示市场操纵或欺诈行为的可疑交易集群，从而辅助监管机构提升监控效率。该框架的潜在应用包括增强对洗售交易、虚假申报等违规行为的检测能力。论文于2026年7月5日提交，目前提供PDF全文及HTML实验版浏览。 #金融科技 #机器学习 #异常检测 #资本市场 #市场监管 #论文 #AI

语言模型控制搜索引导符号方程发现

研究人员提出一种新方法，利用语言模型指导符号方程发现过程，通过控制搜索空间来提高发现效率。该方法结合了语言模型的语义理解能力与符号回归的搜索机制，能够在复杂数据中自动识别关键变量关系，并生成简洁的数学表达式。与传统穷举搜索相比，这种方法显著减少了计算成本，同时保持了发现方程的可解释性。研究团队在多个科学数据集上验证了该方法的有效性，表明其在物理、生物等领域的潜在应用价值。 #语言模型 #符号回归 #方程发现 #AI #机器学习 #科学研究

《Forethought：基于神经符号原始编程的可验证推理》论文发布

来自 arXiv 的预印本论文《Forethought: Verifiable Reasoning from Neurosymbolic Primitive Programming》于 2026 年 7 月发布，作者包括 Vishvesh Bhat 等。该研究探索了通过神经符号原始编程实现可验证推理的新方法，旨在结合神经网络的学习能力与符号系统的精确逻辑，解决传统 AI 推理中难以验证与解释的痛点。论文提供 PDF、HTML 及 TeX 源码等多种访问格式，并关联了引文、代码、数据及实验工具，同时通过 arXivLabs 与社区协作平台连接。研究成果有望推动可解释 AI 和可靠推理系统的发展。 #神经符号 #可验证推理 #AI #机器学习 #论文 #arXiv #编程

PLACEMEM

近期，一篇题为《PLACEMEM: Toward a Compute-Aware Memory Plane for Lifelong Agents》的研究论文在arXiv平台提交。该论文由Sukanta Ganguly等人撰写，提出了一种名为PLACEMEM的新型计算感知记忆平面架构，旨在解决终身智能体在持续学习过程中的记忆管理问题。研究关注如何让智能体在长期运行中高效利用计算资源，通过智能分配和检索记忆来提升学习与决策效率。该工作目前处于提交审核阶段，尚未正式发布DOI，但已提供PDF和HTML版本供学术社区参考。 #人工智能 #机器学习 #终身学习 #记忆管理 #计算感知 #arXiv #智能体

AI 侵蚀研究

一篇题为《我们还有什么？第二次反学术界AI退化运动》的论文在arXiv平台发布，作者为Claudio Novelli和Luciano Floridi。该文针对AI对科研质量的侵蚀提出系统性批判，呼吁建立“第二次学术抵抗运动”。论文指出，生成式AI在自动化论文写作、数据造假和学术评审机械化等方面正破坏研究真实性，导致论证浅薄化、知识碎片化。作者强调，若不及时规范AI使用边界，学术界的严谨性与创造力将被工具理性取代。该研究已引起多个学术社区对AI伦理框架的再思考。 #AI伦理 #学术造假 #科研退化 #二次反智 #生成式AI #论文发表 #学术规范 #技术批判

基于噪声感知合成数据，可解释AI框架用于筛查孟加拉国儿童受虐相关创伤

近日，一篇题为《基于可解释人工智能筛查孟加拉国儿童受虐相关创伤：在噪声感知合成数据上评估的免训练多模态框架》的论文提交至arXiv预印本平台。该研究由Salma Hoque Talukdar Koli等人完成，提出了一种无需训练的、可解释的多模态人工智能框架，旨在筛查孟加拉国儿童因虐待导致的创伤。研究团队通过在噪声感知的合成数据上评估该框架的性能，探索其在现实复杂环境下的应用潜力。该框架强调可解释性，有助于增强对模型决策的信任，为儿童心理创伤的早期筛查提供了新的技术路径。目前论文全文可通过PDF等格式获取。 #人工智能 #可解释AI #儿童安全 #创伤筛查 #深度学习 #多模态 #孟加拉国 #arXiv

基于在线线性规划的大模型服务多目标路由研究

一项新研究提出基于在线线性规划的LLM服务多目标路由方法。该技术旨在优化大语言模型在多用户并发请求下的路由决策，平衡延迟、成本与服务质量。传统路由算法难以同时满足多目标需求，而新方法通过在线学习动态调整策略，在保证模型响应速度的同时降低计算资源消耗。实验表明，该方案能有效提升集群吞吐量并减少令牌生成时延。研究团队指出，该方法对大规模AI服务部署具有实践价值，可应对动态负载变化。 #大模型 #路由算法 #在线优化 #AI服务 #多目标决策 #机器学习 #系统性能

Harness-Aware Self-Evolving 论文

该论文提出一种名为“Harness-Aware Self-Evolving”的自我进化框架，核心创新在于让模型权重、训练框架（Harness）及任务解法三者实现同步协同进化。传统方法通常仅优化模型参数或任务方案，而该研究将训练框架本身也作为可进化的实体，使其能根据模型状态动态调整优化策略。实验表明，这种三方联动机制能使模型在连续学习过程中更高效地适应新任务，同时保持对旧知识的稳固性。该方法有望在持续学习、自适应AI及复杂任务求解等领域产生重要影响，为构建真正具备自我学习能力的智能系统提供了新思路。 #AI #机器学习 #持续学习 #论文 #协同进化 #自我进化

使用确定性真实数据评估长文本生成中的大模型不确定性

近日，一篇由Ido Amit等人提交的学术论文《Evaluating LLM Uncertainty in Long-Form Generation Using Deterministic Ground Truth》在arXiv平台发布。该研究聚焦于评估大型语言模型（LLM）在长文本生成任务中的不确定性，提出了一种利用确定性真实数据作为基准的新方法。通过对比模型输出与预设的准确参考，研究人员旨在量化LLM在生成连贯、复杂长文时的置信度与可靠性。这一工作为改善模型生成质量、减少幻觉提供了可测量的评价路径，对提升AI系统在学术、写作等场景的实用价值具有重要意义。 #LLM #大模型 #不确定性评估 #长文本生成 #AI研究 #自然语言处理 #arXiv论文

Aureka AI 开源药物发现引擎实现折叠、推理与规模化

Aureka AI 团队在arXiv预印本平台发表论文，介绍其开源药物发现引擎OpenDDE。该引擎整合了蛋白质折叠预测、分子推理和规模化计算三大核心能力，旨在加速药物研发流程。研究人员展示了系统在分子模拟、靶点识别和先导化合物优化上的应用，所有代码与数据已开源发布，供学术界与工业界使用。这一项目体现了AI在生物医药领域的突破，有望降低药物开发成本并缩短周期。 #药物发现 #AI #开源 #AurekaAI #生物医药 #arXiv #蛋白质折叠 #分子推理

交叉多模态推理作为统一决策过程的新框架

来自 arXiv 的最新论文提出了一种将交叉多模态推理桥接为统一决策过程的新方法。该研究由 Zican Hu 等 12 位作者共同完成，旨在解决多模态信息处理中推理碎片化的问题。论文提出将文本、图像等多种模态信息整合到一个统一的决策框架中，从而提升模型在复杂任务中的综合推理能力。研究结果显示，这一方法在多个基准测试中表现出显著优势，为多模态人工智能系统的发展提供了新的思路。论文已通过 arXiv 平台发布，并提供了 HTML 版本和 TeX 源码供研究者参考。 #多模态推理 #统一决策 #人工智能 #论文 #arXiv