SwarmResearch 提出利用编码智能体进行开放式科学发现

一项名为 SwarmResearch 的新研究发表于 arXiv 预印本平台，提出了一种通过协调多个编码智能体来进行开放式科学发现的方法。该系统利用多个 AI 智能体协同工作，旨在自主探索和解决复杂问题，从而扩展科学研究的能力边界。论文作者展示了该方法在编程和算法发现等任务中的潜力，认为这种方式能够推动科研自动化和创新。 #AI #智能体 #科学研究 #自动化 #arXiv

自动化数据就绪度

一篇题为《面向科学人工智能的自动化数据就绪度》的论文在arXiv上发布。该论文由Sean R. Wilkinson等11位作者共同撰写，探讨了科学人工智能领域数据准备工作的自动化方法。研究关注如何提升数据质量与可用性，以支持更可靠的AI模型训练。文中还提供了PDF、HTML和TeX源码等完整文本链接，并支持文献引用、相关论文推荐等学术工具。这项研究得到了NASA ADS、Google Scholar和Semantic Scholar等学术平台的索引支持。 #学术论文 #科学AI #数据就绪 #机器学习 #arXiv

ASK in the Dark

近日，一篇题为《ASK in the Dark: Uncertainty-Gated LLM Assistance under Partial Observability》的学术论文在arXiv上发布。该研究由Juarez Monteiro等5位作者共同完成，提出了一种名为“ASK”的不确定性门控机制，旨在提升大语言模型在部分可观测环境下的辅助决策能力。传统LLM在面对信息不完整时容易出现错误或过度自信，而ASK框架通过动态评估模型自身的置信度，在不确定时主动暂停输出或请求澄清，从而显著提高回答的可靠性与安全性。该方法有望在自动驾驶、医疗诊断、金融风控等需要强鲁棒性的领域发挥关键作用。 #AI #大模型 #不确定性 #机器学习 #论文 #arXiv #LLM

内部多元主义与成对比较的局限性

来自 arXiv 预印本网站的信息显示，一篇题为《内部多元主义与成对比较的局限性》的学术论文由 Bailey Flanigan 和 Michelle Si 撰写，并于 2026 年 7 月 2 日提交。该研究聚焦于成对比较方法在多元环境中的内在限制，探讨了当决策群体内存在多种不同观点时，传统比较框架可能无法有效反映真实偏好或达成共识的问题。当前论文可在 arXiv 上以 PDF 或 HTML 形式查阅，并附有相关引文、代码与数据链接。 #内部多元主义 #成对比较 #论文 #研究方法 #决策理论

讯飞发布具身智能全模态技术报告，探索人机交互新范式

近日，科大讯飞团队在arXiv平台发布《iFLYTEK-Embodied-Omni Technical Report》技术报告。该报告详细阐述了讯飞在具身智能领域的全模态感知与交互技术，旨在实现机器人对物理世界更全面、自然的理解与操作。报告由张远等15位研究者共同完成，内容涉及多模态融合、环境感知、动作规划等核心模块，展示了讯飞在AI与机器人交叉领域的最新探索。这一工作为推进下一代智能机器人的自主交互能力提供了技术参考。 #科大讯飞 #具身智能 #全模态 #AI #机器人 #技术报告

时序网络上的去中心化联邦学习

该研究探讨了在时序网络环境下，去中心化联邦学习（DFL）中异质性的影响。论文由Arash Badie-Modiri等学者独立撰写，于2026年7月提交至arXiv。研究聚焦于非结构化网络节点间的协同学习，重点分析了节点计算能力、数据分布和网络拓扑等异质性因素对模型收敛和性能的制约。通过理论分析，揭示了去中心化环境中异质性如何通过时间序列传播并影响全局模型。该工作对边缘计算、社交网络分析及物联网等依赖分布式学习的场景具有参考价值，为设计更鲁棒的联邦学习协议提供了理论基础。 #联邦学习 #时序网络 #异质性 #去中心化学习 #机器学习 #AI #边缘计算

重新定义神经非线性为门控机制

一篇题为《》的研究论文在arXiv上发布，作者为Muhammad Sabih等人。该论文提出将传统神经网络中的非线性激活函数重新诠释为门控机制，旨在从新视角理解神经网络的运作原理。论文详细阐述了这一理论框架，并可能对深度学习模型的设计与优化产生影响。目前该论文已公开PDF与TeX源文件，供学术界查阅与引用。 #机器学习 #神经网络 #门控机制 #深度学习 #AI研究

CuBAS

一篇发表在arXiv上的研究论文提出了一种名为CuBAS的新型自适应采样方法，用于监督分类任务。该方法基于信息几何中的曲率概念，通过分析数据分布的几何特征，动态选择最有信息价值的样本进行标注，从而减少人工标注成本并提升分类器性能。实验表明，CuBAS在多个基准数据集上与传统随机采样和不确定性采样相比，能以更少的标注样本实现相当的分类准确率。该研究为主动学习领域提供了新的理论视角，尤其适用于数据标注成本高昂的场景。 #信息几何 #自适应采样 #监督分类 #主动学习 #机器学习 #arXiv #论文

VS Code团队携手OpenAI优化GPT

2026年7月6日，VS Code团队发文介绍与OpenAI合作的两周实验成果。该实验旨在通过调整GPT-5.5在VS Code编码工具中的系统提示词，让代理减少不必要的探索行为，更快做出有效编辑。实验发现，GPT-5.5在编码过程中经常花费大量标记用于搜索、重读和对比路径，导致响应变慢且费用增加。团队设计了两种提示优化方案：方案A增加一条简洁提醒，指导代理从具体锚点出发，仅收集必要上下文，避免广泛搜索；方案B则添加更多结构性约束。在每25%流量的分组实测中，优化后的代理在保持输出质量的同时，显著提升标记效率，用户等待时间和费用双双下降。这一改进对按使用量计费的场景尤为关键。 #VS Code #GPT-5.5 #提示工程 #AI编程 #标记效率 #OpenAI #代码代理

利用贝叶斯优化建模节能强化学习的帕累托前沿

该研究提出一种基于贝叶斯优化的样本高效帕累托前沿建模方法，用于解决节能强化学习中的多目标优化问题。传统方法需要大量试验来权衡能耗与性能，而新方法通过主动学习策略，能在较少样本下构建准确的帕累托前沿。实验表明，该方法在多个基准任务中显著降低了样本复杂度，同时保持了与全采样方法相当的优化精度。这一技术为资源受限场景下的智能系统节能设计提供了新思路，尤其适用于机器人、嵌入式设备等对能耗敏感的领域。 #贝叶斯优化 #帕累托前沿 #节能强化学习 #样本高效 #多目标优化 #人工智能 #机器学习

轨迹跟踪的预期强化学习方法

在一篇提交至arXiv的论文中，研究人员提出了一种名为“预期强化学习”的新方法，用于解决轨迹跟踪问题。该方法结合了强化学习的决策能力与对未来状态的预测，旨在提升机器人在复杂环境中的运动控制精度。论文基于2026年发布的研究成果，通过建模系统中的预期行为，使智能体能够更高效地学习并跟踪目标轨迹。这一进展有望在自动驾驶、机器人导航等领域产生重要影响，为动态环境下的实时控制提供理论支持。 #强化学习 #轨迹跟踪 #机器人 #人工智能 #机器学习 #自动驾驶 #arXiv论文

ACPO

来自arXiv的一篇研究论文提出了名为ACPO（自适应信用策略优化）的新方法，通过细粒度代理熵来优化强化学习中的信用分配。该论文由Zijun Xie、Yuyang You等学者共同完成，探讨了如何利用自适应机制改进策略优化过程，提升学习效率。ACPO方法在训练中动态调整信用分配，避免了传统方法的局限性，为强化学习领域提供了新的思路。尽管论文尚未正式注册DOI，但已可通过arXiv平台获取全文，并支持HTML、TeX源码等方式浏览。相关代码、数据及媒体资源可通过多个外部工具链接访问，如alphaXiv、Hugging Face等，便于研究者复现与进一步探索。 #ACPO #强化学习 #信用分配 #论文 #arXiv #AI

物理信息神经网络赋能单自由度直升机安全强化学习

来自萨尔茨堡应用科学大学的研究团队提出了一种融合物理信息神经网络与强化学习的安全控制方案，旨在解决单自由度直升机系统的安全约束问题。该论文发表于arXiv平台，作者包括Georg Schäfer、Jakob Rehrl和Stefan Huber。该方法通过在强化学习框架中嵌入物理信息神经网络，使智能体能够在不违反系统物理限制的前提下学习最优控制策略。实验结果表明，与传统强化学习方法相比，该混合框架在直升机悬停和轨迹跟踪任务中显著降低了安全违规率，同时保持了优秀的控制性能。研究团队指出，这种将物理先验知识与数据驱动的强化学习相结合的方法，为复杂动态系统的安全控制提供了新思路，尤其在航空航天等对安全性要求极高的领域具有重要应用价值。 #强化学习 #物理信息神经网络 #安全控制 #直升机系统 #人工智能 #航空航天 #控制理论 #机器学习

从神经网络权重中读取对称性

一篇题为《Observable- and Positional-Encoding-Dependent Symmetry Readout from Neural Network Weights》的最新研究论文已在arXiv上发布。该工作由Naoya Chiba等人完成，主要探讨了如何从神经网络权重中提取与可观测和位置编码相关的对称性信息。研究提出了一种新的方法，用于分析神经网络内部权重结构中所蕴含的对称性，特别关注了这些对称性如何依赖于具体的可观测对象和位置编码方案。该论文的PDF和HTML版本均可访问，并提供TeX源码。研究有望为理解神经网络内部表征机制提供新视角，对于推动深度学习模型的可解释性研究具有重要意义。 #arXiv #神经网络 #对称性 #位置编码 #深度学习 #论文

基于角色感知聚类的异构图压缩方法研究

研究人员提出一种名为“基于角色感知聚类的异构图压缩”新方法。该研究针对大规模异构图的压缩问题，通过分析图中节点的不同角色特征与聚类关系，旨在保留关键结构信息的同时显著降低图数据规模。论文详细阐述了新算法如何有效识别异构图中节点在语义和结构上的角色差异，并据此进行智能聚类与压缩。实验结果表明，该方法在多个数据集上相较现有基线方法，在保持较高的下游任务性能的同时，实现了更优的压缩率。相关论文已提交至arXiv平台，为图数据的高效存储与处理提供了新的解决思路。 #异构图 #图压缩 #聚类算法 #角色感知 #arXiv #人工智能 #图神经网络 #数据压缩

Stacked LoRA 助力运动想象脑电解码，实现个体适应

一项来自 arXiv 的新研究提出 Stacked LoRA 方法，用于构建个体自适应的运动想象脑电图（EEG）基础模型。该技术通过堆叠低秩适配器（LoRA）实现对不同受试者脑电特征的差异学习，在保留预训练模型通用知识的同时，有效提升模型对新个体的适应能力。实验表明，该方法在运动想象解码任务中显著优于传统微调策略。研究团队来自 Aymen Sarhane 等四位学者，相关论文发表于 2026 年 7 月。这一进展为脑机接口领域的个体差异化建模提供了新思路，有望推动运动想象解码在临床和辅助技术中的应用。 #脑机接口 #脑电图 #运动想象 #深度学习 #LoRA #arXiv #神经科学

STELLA: 高效传感器

一篇发表于arXiv的预印本论文提出了名为STELLA的新框架，旨在实现高效的传感器到大型语言模型（LLM）翻译，以支持设备端的人体活动识别。该方法通过将传感器数据转换为LLM可理解的格式，从而在无需网络传输的情况下，在本地设备上完成复杂的人体动作分析。研究团队展示了STELLA在减少延迟、保护隐私方面的潜力，为可穿戴设备和智能家居场景下的实时活动监测提供了新的技术路径。该论文由Nirhoshan Sivaroopan等人提交，并于2026年7月初发布。 #arXiv #STELLA #传感器 #大模型 #人体活动识别 #设备端AI #隐私保护

鲁棒性与不确定性融合

近期，来自研究团队的论文《鲁棒性与不确定性相遇：面向稳健选择性分类的证据对抗训练》发布于arXiv平台。该研究提出了一种新型框架，旨在解决机器学习模型在面对对抗性攻击时，如何同时保证分类的准确性与选择性的问题。通过将证据深度学习与对抗训练相结合，该方法能够有效量化预测不确定性，并提升模型在不可靠输入下的拒绝能力。实验结果表明，该方案在多种标准数据集上显著增强了模型的鲁棒性，特别是在回避错误分类的同时保持了较高的正确率。这一工作为构建更安全可靠的AI系统提供了新的技术路径，尤其适用于对风险敏感的应用场景，如自动驾驶、医疗诊断等。 #论文 #机器学习 #对抗训练 #鲁棒性 #AI安全 #分类模型 #不确定性

谱系重整

近日，一篇关于谱系重整技术的论文在arXiv预印本平台发布。该研究由Zhilong Zhang等八位作者共同完成，提出了一种名为“Spectral Rewiring”的方法，旨在解决深度学习模型在探索、净化及模型融合中的关键问题。论文详细阐述了如何通过谱系结构重整，提升模型对数据潜在特征的捕捉能力，并优化模型间知识迁移的效率。该方法在理论分析与实验验证中均展现出潜力，为机器学习和人工智能领域的模型优化提供了新思路。目前，论文已开放PDF及HTML版本供学界审阅，并附有BibTeX引用格式及多种学术工具链接，如Google Scholar和Semantic Scholar，便于研究人员深入探讨。 #arXiv #深度学习 #谱系重整 #模型融合 #AI #论文

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

LACE-SVD：利用累积误差修正的损失感知SVD方法用于大模型压缩

一篇题为《LACE-SVD: Loss-Aware SVD with Cumulative Error Correction for LLM Compression》的研究论文近日在arXiv上发布。该方法针对大型语言模型（LLM）压缩这一关键挑战，提出了一种创新的奇异值分解（SVD）技术。核心在于通过“损失感知”机制在压缩过程中优先保留对模型输出影响最大的成分，并引入“累积误差修正”策略，逐层补偿因压缩导致的精度损失。实验表明，LACE-SVD在实现显著模型压缩的同时，能有效维持甚至提升下游任务的性能，为资源受限场景下部署大型语言模型提供了新的高效解决方案。 #LLM #模型压缩 #SVD #AI #机器学习 #论文 #arXiv