面向大模型路由的关联感知上下文赌博机算法

一篇发表于arXiv的论文提出了一种名为“关联感知上下文赌博机”的新方法，用于优化大语言模型的路由选择。该方法通过引入替代奖励机制，在多个大模型之间动态分配查询任务，以平衡性能与成本。研究团队利用上下文信息捕捉不同模型之间的相关性，从而更高效地选择最合适的模型处理特定请求。实验结果表明，该算法在降低推理延迟和计算开销的同时，保持了较高的任务完成质量。这项研究为大规模部署大语言模型提供了实用的路由策略，有望提升多模型系统的整体效率。 #大模型 #路由算法 #机器学习 #AI #论文 #arXiv

模型无关图提示学习实现晶体性质预测

一篇题为《Model Agnostic Graph Prompt Learning for Crystal Property Prediction》的学术论文于2026年7月9日提交至arXiv预印本平台。该研究由Shrimon Mukherjee等四位作者共同完成，提出了一种模型无关的图提示学习方法，用于晶体性质预测。论文通过图神经网络与提示学习相结合，旨在提升晶体材料性质预测的准确性和泛化能力，无需针对特定模型进行大量调整。该方法有望加速新材料发现过程，在材料科学和计算化学领域具有重要应用价值。目前，论文已提供PDF、HTML及TeX源码等全文链接，并支持引用导出和多种学术工具集成。 #晶体性质预测 #图提示学习 #模型无关 #材料科学 #AI #arXiv #学术论文

大语言模型激活稀疏化新方法

来自arXiv的一篇论文提出了一种名为“敏感度感知阈值与令牌路由”的新方法，用于大语言模型的激活稀疏化。该方法通过评估不同激活值对模型输出的敏感度，动态调整阈值，并设计令牌路由机制，以在保持模型性能的同时显著减少计算开销。实验表明，该技术能有效降低推理过程中的内存占用和延迟，为部署更高效的大语言模型提供了新思路。研究团队来自学术界，论文已提交至arXiv预印本平台。 #大语言模型 #激活稀疏化 #AI #机器学习 #arXiv #论文 #计算优化

组不变谱嵌入新方法研究获进展

一篇题为《组不变谱嵌入》的研究论文已在预印本平台arXiv提交，作者包括Yeari Vigder等六人。该论文提出了一种新的谱嵌入方法，旨在保持数据在群组变换下的不变性，有望提升对复杂数据结构的分析与表示能力。研究内容涉及计算机科学、数学与统计学交叉领域，目前已提供PDF、HTML及TeX源文件供学术同仁查阅，并关联了多种文献工具与数据资源。 #组不变谱嵌入 #谱嵌入 #arXiv #机器学习 #数学 #统计学 #数据科学 #学术研究

AlphaZero 在稀疏奖励游戏中的表现限制与辅助监督研究

一项关于AlphaZero在稀疏奖励游戏中表现限制的研究论文已提交至arXiv。研究人员通过实验发现，AlphaZero在奖励极其稀疏的环境中，其学习效率和策略优化能力受到显著限制，难以通过纯粹自对弈获得有效进步。为克服这一瓶颈，论文提出引入辅助监督信号的方法，即在稀疏奖励基础上增加中间目标或次级奖励，以引导模型更高效地探索和掌握游戏策略。实验证明，这种辅助监督能明显提升AlphaZero在稀疏奖励场景下的表现，为强化学习在实际复杂问题中的应用提供了新的思路。 #AlphaZero #强化学习 #稀疏奖励 #AI研究 #机器学习

联邦低秩Koopman学习：物联网系统中的多变量时间序列异常检测新方法

该研究提出了一种名为联邦低秩Koopman学习的方法，专门用于物联网系统中的多变量时间序列异常检测。该方法结合了Koopman算子理论与联邦学习框架，通过低秩近似有效地处理高维、非线性时间序列数据，同时保护用户数据隐私。论文由Tung-Anh Nguyen等七位作者共同撰写，于2026年7月9日提交至arXiv预印本平台。该方法在多个物联网数据集上的实验结果表明，能够显著提升异常检测的准确性和效率，尤其适用于分布式、资源受限的物联网环境。研究还提供了相关代码和数据支持，以促进学术界的进一步验证和应用。 #联邦学习 #Koopman算子 #物联网 #异常检测 #时间序列 #机器学习 #AI

NL-PAC：LLM监督中的规范模糊性与认证极小风险下限

一项名为NL-PAC的研究论文探讨了在大语言模型（LLM）作为监督者时，规范模糊性带来的认证风险问题。该研究由Berkay Anahtarci等人提交至arXiv，提出了一种新的理论框架，用于分析LLM在监督任务中因规范不明确而导致的性能下限。研究指出，当LLM被用于解释或执行模糊指令时，其输出可能偏离预期目标，从而产生认证风险。NL-PAC方法通过数学建模，为这种风险提供了可量化的认证边界，有助于在安全关键应用中评估LLM的可靠性。该工作为理解LLM在复杂监督场景中的局限性提供了理论依据。 #LLM #AI安全 #规范模糊性 #认证风险 #机器学习 #arXiv #人工智能

Eluna：基于智能体LLM的仓库自动化系统，实现推理与任务执行

一篇题为《Eluna: An Agentic LLM System for Automating Warehouse Operations with Reasoning and Task Execution》的学术论文近日在arXiv上发布。该论文由Ning Liu等14位作者共同完成，提出了一种名为Eluna的智能体大语言模型系统，旨在通过推理与任务执行实现仓库运营自动化。Eluna系统利用LLM的推理能力，能够自主规划、决策并执行仓库中的复杂操作，如货物分拣、路径优化和库存管理等。该系统通过将自然语言指令转化为具体行动，显著提升了仓库作业的效率和灵活性。论文详细介绍了Eluna的架构设计、推理机制以及在模拟环境中的测试结果，展示了其在减少人工干预、提高准确性方面的潜力。该研究为物流和仓储行业的智能化转型提供了新的技术路径。 #LLM #仓库自动化 #智能体 #AI #物流 #论文 #arXiv

FairSelect 论文提出系统性评估多层级交叉算法公平性

一篇名为《FairSelect：多层级与交叉算法公平性的系统性评估》的研究论文在 arXiv 上发布。该论文由 Nicholas Souligne 等人撰写，主要关注算法公平性评估中的多层级和交叉性问题。研究提出了一种名为 FairSelect 的系统性方法，旨在更全面地评估和衡量算法在不同群体及交叉维度上的公平表现，以应对传统单一维度评估的局限性。论文目前已公开 PDF 版本，并提供了引用工具与相关资源链接。 #算法公平 #人工智能 #交叉性 #评估方法 #arXiv #学术论文

可读 Transformer 的训练、阅读与编辑方法获 arXiv 收录

马克·奥金斯基于 2026 年 7 月 9 日提交了一篇题为《训练、阅读与编辑可读 Transformer》的论文，目前已被 arXiv 收录。该研究聚焦于提升 Transformer 模型的可解释性，提出了训练、阅读和编辑可读 Transformer 的方法，旨在让研究人员更清晰地理解模型的内部工作机制。论文提供了完整的 PDF、HTML 及 TeX 源码，并支持多种参考文献导出与实验工具集成。这项工作有望推动 AI 模型透明度的研究，使开发者能够更有效地调试和优化大模型。 #AI #机器学习 #Transformer #可解释性 #论文 #arXiv #模型优化

TSRouter：面向时间序列推理的动态模态

来自arXiv的最新论文提出了一种名为TSRouter的新框架，旨在解决时间序列推理中模态与模型动态选择的问题。该方法通过智能路由机制，根据输入数据特征自动选择最合适的模态和模型组合，从而提升推理性能。研究团队在多个基准数据集上进行了实验验证，结果表明TSRouter能够有效适应不同时间序列场景，在保持计算效率的同时显著提高推理准确性。该工作为时间序列分析领域提供了一种灵活且高效的解决方案，有望应用于金融预测、气象分析等实际场景。 #时间序列 #AI推理 #动态选择 #机器学习 #论文 #arXiv #TSRouter

BlockServe 提出块粒度连续批处理，提升扩散 LLM 服务吞吐量

来自 arXiv 的一篇预印本文章提出了 BlockServe，一种用于高吞吐量扩散大语言模型服务的新型批处理系统。该系统采用块粒度连续批处理策略，旨在解决扩散 LLM 在推理过程中因动态计算和可变长度序列导致的低效问题。通过将计算分解为更细粒度的块，并动态调度到 GPU 资源上，BlockServe 能够显著提高资源利用率和系统吞吐量。实验结果表明，相比现有方法，BlockServe 在保持低延迟的同时，吞吐量得到了大幅提升，为大模型的高效部署提供了新思路。 #AI #大模型 #DiffusionLLM #批处理 #系统优化

SafeExplorer：一种用于带恢复干预强化学习的无偏策略梯度算法

该论文提出SafeExplorer，一种针对强化学习中安全恢复干预机制的无偏策略梯度算法。研究聚焦于智能体在探索过程中可能进入不安全状态时，通过恢复干预措施确保安全，同时避免因干预导致的策略梯度偏差问题。传统方法在处理干预时会出现策略梯度估计失真，而SafeExplorer通过理论推导证明了其无偏性，并在多个连续控制任务中验证了该方法在保持安全约束的同时，实现了与无干预基准相当的样本效率与最终性能。实验表明，该算法在确保系统安全的前提下有效提升了学习稳定性。 #强化学习 #安全约束 #策略梯度 #人工智能 #机器学习 #算法

机器学习代理模型助力电力通信网络关键组件排序

一篇发表于arXiv的论文提出了一种机器学习代理模型，用于评估相互依赖的电力与通信网络中组件的关键性排序。该研究由Sohini Roy等人完成，旨在解决传统方法在复杂网络分析中计算成本高昂的问题。通过构建代理模型，研究团队能够快速识别出对网络稳定性影响最大的关键组件，从而为基础设施的脆弱性评估和优化维护提供支持。该方法有望提升电网与通信网协同运行的可靠性，减少因组件故障导致的连锁风险。 #机器学习 #电力网络 #通信网络 #关键性排序 #基础设施 #代理模型 #arXiv #论文

面向缺失数据处理的模式感知图神经网络

研究人员提出了一种名为"模式感知图神经网络"的新方法，专门用于处理数据缺失问题。该模型通过捕捉数据中隐藏的模式和结构信息，在图神经网络框架下有效应对不完整数据带来的挑战。实验表明，该方法在多个基准数据集上表现优异，能够显著提升缺失数据场景下的预测准确性和鲁棒性。相关论文已在arXiv预印本平台发布，作者来自国际知名研究机构，为数据挖掘和机器学习领域提供了新的解决思路。 #图神经网络 #缺失数据处理 #模式识别 #机器学习 #人工智能 #arXiv #数据科学

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

激活引导对抗后缀

一篇即将发布的arXiv预印本论文揭示了针对大语言模型安全机制的潜在攻击方法。该研究由Ege Çakar等人完成，提出了一种名为“激活引导对抗后缀”的技术，通过优化目标的激活表示来绕过模型的拒绝回答机制。研究重点分析了模型内部拒绝行为的几何结构，发现通过精心设计的对抗性后缀可以操纵模型的安全表示。这项发现对当前AI安全防线提出了新的挑战，表明仅依赖表面微调的安全对齐可能被针对性输入所突破。论文已在2026年7月提交至arXiv平台，并提供了完整的HTML和PDF预览版本，同时附带BibTeX引用数据及多种学术工具链接。 #AI安全 #对抗攻击 #大模型 #机器学习 #arXiv #研究论文 #激活引导 #安全对齐

线性表征是如何学习的？抽象动力学的精确解

一项发表在arXiv上的研究深入探讨了神经网络中线性表征的学习机制。作者William W. Yang等人提出了抽象动力学的精确解，揭示了在深度学习中，模型如何逐步形成对概念的线性抽象表示。该理论通过数学推导，描述了从底层特征到高层抽象表征的演化过程，为理解神经网络内部的信息压缩和特征提取提供了严谨的理论框架。这一发现有助于解释为何神经网络能高效学习并泛化，对推动可解释AI发展具有重要意义。 #人工智能 #神经网络 #深度学习 #线性表征 #抽象动力学 #可解释AI #机器学习

Prompt-Driven Exploration

一篇题为《Prompt-Driven Exploration》的学术论文于2026年7月9日提交至arXiv预印本平台（DOI待注册）。该研究由Sunshine Jiang等八位作者共同完成，探讨通过提示机制引导智能体进行高效探索的新方法。论文详细介绍了如何在复杂环境中，利用自然语言提示作为探索策略的一部分，以提升智能体的决策效率和自主学习能力。目前该论文提供PDF、HTML及TeX源码等多种格式访问，并关联了BibTeX引用、Google Scholar、Semantic Scholar等学术搜索工具。此外，论文还集成了arXivLabs实验项目，支持相关研究推荐和社区协作。 #AI #机器学习 #探索策略 #提示学习 #学术论文 #arXiv #智能体

利用中等非结构化稀疏权重矩阵加速大语言模型GPU推理

一篇来自arXiv的论文提出了一种新方法，旨在通过利用中等非结构化稀疏权重矩阵来加速大语言模型在GPU上的推理速度。该研究由Tao Lu等作者完成，论文详细探讨了如何在不显著牺牲模型精度的前提下，通过权重矩阵的稀疏化处理，减少计算量并提升GPU的运算效率。实验结果表明，这种中等程度的非结构化稀疏化方法能有效优化大语言模型的推理性能，对于部署和运行大规模模型具有实际应用价值。 #大语言模型 #GPU推理 #稀疏矩阵 #模型加速 #学术论文

DaDaDa 数据集发布，填补数据市场定价研究空白

近日，研究团队在 arXiv 上发布了名为 DaDaDa 的数据集，旨在解决数据市场中的数据定价难题。该数据集由 Qiheng Sun 等六位作者共同完成，其论文标题为《DaDaDa: A Dataset for Data Pricing in Data Marketplaces》。DaDaDa 数据集为数据市场中的定价机制研究提供了标准化数据基础，有望推动该领域实验与评估的规范化。研究团队通过该数据集，探索在不同市场环境下数据价值的量化与定价策略，为数据交易平台、大数据应用和人工智能模型的开发提供理论支持。该成果已附有 PDF 全文及 HTML 格式，供学术界与产业界参考。 #数据集 #数据定价 #数据市场 #AI #大数据 #研究 #学术