从权重到语言

一篇发表于arXiv的预印本论文提出了一种新方法，旨在将机器学习中的偏好模型内部推理过程转化为可理解的自然语言，并允许用户进行编辑。该研究由Zachary Wojtowicz等人完成，于2026年6月提交。传统偏好模型通常以权重参数形式表示，难以直接解释和调整。这项研究通过将模型推断“翻译”为文本，使得非技术用户也能理解模型偏好背后的逻辑，并且能够以自然语言指令直接修改模型行为。这一成果有望提升人工智能系统的可解释性和可控性，尤其在推荐系统、对话助手等依赖用户偏好的应用场景中具有重要价值。论文目前以PDF和HTML形式开放获取。 #AI #可解释性 #偏好模型 #自然语言处理 #arXiv #论文 #机器学习 #人工智能

Token级跨模态Transformer模型应用于乳腺癌分类与生存预测

近日，一项发表在arXiv上的研究提出了Token-Level Cross-Modal Transformer模型，结合对比多任务学习框架，用于乳腺癌亚型分类与生存预测。该模型通过将不同模态的医学数据（如病理图像、基因组数据等）在Token级别进行跨模态融合，并利用对比学习增强特征表示能力，从而提升分类精度和预测可靠性。研究表明，该方法在多个公开数据集上取得了优于传统模型的性能，为乳腺癌的个性化诊疗提供了新的技术路径。该工作由Suxing Liu等人完成，目前论文已上线供学术社区探讨。 #乳腺癌 #AI医疗 #Transformer #多任务学习 #跨模态 #医学影像 #生存预测 #深度学习 #精准医疗

HantaWatch 论文提出联邦学习用于汉坦病毒基因组监测

由 Shanika Iroshi Nanayakkara 和 Shiva Raj Pokhrel 合作撰写的论文《HantaWatch: Federated Learning for Hantavirus Genomic Surveillance》近日在 arXiv 预印本平台发布。该研究首次将联邦学习框架引入汉坦病毒基因组监测领域，旨在通过分布式机器学习方法，在保护各地医疗机构数据隐私的前提下，实现跨区域的病毒变异追踪与疫情预警。传统基因组监测依赖集中式数据处理，面临数据共享瓶颈与隐私合规挑战。HantaWatch 方案允许各参与方在不共享原始数据的情况下协同训练模型，从而提升对病毒进化动态的响应效率。这一方法有望为全球公共卫生监测体系提供更安全、高效的技术支撑。 #联邦学习 #汉坦病毒 #基因组监测 #arXiv #AI医疗 #疫情预警 #数据隐私

OpenMHC

一篇题为《OpenMHC: Accelerating the Science of Wearable Foundation Models》的论文于2026年6月25日提交至arXiv平台。该论文由Narayan Schuetz等18位作者共同撰写，旨在通过开源框架OpenMHC推动可穿戴设备基础模型领域的科学研究。可穿戴基础模型是人工智能与健康监测交叉的前沿方向，OpenMHC的提出有望为相关研究人员提供标准化工具与基准，加速模型在生理信号分析、行为识别等场景中的应用探索。论文目前以PDF形式开放获取，并附有代码、数据链接及引用工具，为学界共享成果提供了便利。 #论文 #可穿戴 #基础模型 #AI #开源 #arXiv #科研 #健康监测

边际影响归因法在全局时间序列解释中的失败

一项新研究指出，基于边际影响的归因方法在解释全局时间序列时存在根本性缺陷。该论文由Amadeo Tunyi撰写，于2026年6月25日提交至arXiv。研究系统分析了多种主流归因方法在时间序列数据上的表现，发现它们无法捕捉特征间的动态交互和时序依赖，导致解释结果不可靠甚至误导。作者呼吁开发更适应时间结构的新型归因技术，以提升模型可解释性在金融、气象等关键领域的应用价值。 #机器学习 #时间序列 #可解释性 #归因方法 #AI研究 #arXiv #论文

递归推理模型量化研究论文发布

一篇题为《量化递归推理模型》的学术论文近日在arXiv预印本平台公开。该研究由Thorir Mar Ingolfsson等六位学者共同完成，主要探讨如何对递归推理模型进行量化处理。递归推理模型在复杂推理任务中具有重要价值，但计算开销较大。论文可能提出了一种通过模型量化技术降低参数精度、压缩模型体积并加速推理的方法，同时力求保持原有性能。该工作有望推动递归推理模型在边缘设备等资源受限场景下的实际部署。论文全文已提供PDF和HTML版本，并附有BibTeX引用信息，供学术界参考。 #AI #机器学习 #模型量化 #递归推理 #学术论文 #arXiv #深度学习 #模型压缩 #边缘计算

扩散校正自回归傅里叶神经算子实现液滴演化精确预测

近日，来自多所机构的研究团队在arXiv上预发布了一项新成果，提出了一种名为“扩散校正自回归傅里叶神经算子”（Diffusion-corrected Autoregressive Fourier Neural Operator）的深度学习模型，用于液滴演化的高效预测。该模型结合傅里叶神经算子的频谱学习能力与扩散过程校正机制，能够准确模拟微流体中液滴的形变、破裂与合并等复杂动态行为。相比传统数值方法，该模型在保持高精度的同时大幅降低计算成本，为工业喷雾、生物液滴分析及海洋环境模拟等领域提供了新的工具。研究团队已在多种工况下验证了模型的鲁棒性和泛化能力，相关代码与数据已公开。 #深度学习 #物理仿真 #傅里叶神经算子 #液滴演化 #计算流体力学 #AI4Science

BACON 方法：预算有限的人类校准用于多AI评审建模与评估

一篇题为《BACON: Budgeted Human Calibration for Modeling and Evaluation with Multiple AI Judges》的论文近日在arXiv上发布。该研究提出了一种名为BACON的预算有限的人类校准方法，用于在多个AI评审参与评估的场景下，通过有限的人类反馈来校准和建模AI评审的偏差。论文探讨了如何用最小的人力成本提升多AI评审系统的一致性和可靠性，涉及统计建模与评估理论。该方法有望应用于AI对齐、大模型评估等需要多评委投票或打分的关键领域。目前论文已通过arXiv平台公开，提供PDF和HTML版本供下载。 #AI评估 #人类校准 #多评委 #BACON #arXiv #机器学习 #大模型 #预算约束

归一化奖励助力偏好优化新进展

研究人员 Shawn Im 及其合作者近日在 arXiv 上提交了一篇题为《归一化奖励用于偏好优化》的论文。该研究聚焦于偏好优化领域中奖励信号的归一化问题，旨在通过标准化奖励分布来提升模型训练的稳定性与效果。论文详细探讨了归一化方法如何在不改变偏序关系的前提下，缓解奖励膨胀或尺度不一致带来的优化困难。相关工作可能对强化学习、大语言模型的人类反馈对齐等技术产生积极影响。目前论文全文可通过 arXiv 平台获取。 #arXiv #偏好优化 #归一化奖励 #机器学习 #论文

KernelBench-Verified: LLM生成的Kernel能否真正超越PyTorch？

一篇发表于arXiv的新论文《KernelBench-Verified: Do LLM-Generated Kernels Actually Beat PyTorch?》提出了一个标准化基准测试，旨在系统评估大语言模型生成的计算内核在实际运行中是否真的比PyTorch框架的现有实现更快、更高效。研究通过构建验证方法，对LLM生成内核的加速比、正确性等关键指标进行对比分析，为AI代码生成领域的性能评测提供了新的参考。该基准有望推动LLM在底层算子优化方面的发展，但其结论仍需更多实际场景验证。 #arXiv #LLM #Kernel #PyTorch #AI代码生成 #基准测试 #深度学习 #机器学习 #AI

TRACE: 基于轨迹的安全补丁学习实现大模型后训练重新对齐

近日，一篇名为《TRACE: Trajectory-Based Safety Patch Learning for LLM Post-Training Realignment》的论文在arXiv上提交。该研究由Changyue Li等七位作者共同完成，提出了一种基于轨迹的安全补丁学习方法，旨在解决大语言模型在后续微调或部署中可能出现的安全对齐退化问题。TRACE通过追踪模型行为轨迹，针对性地学习安全补丁，从而在不损害核心能力的前提下恢复或增强模型的安全性。该方法为LLM后训练阶段的实时安全维护提供了新思路，有望提升大模型在实际应用中的可靠性。 #LLM #大模型 #安全对齐 #AI安全 #论文 #arXiv #机器学习

RobustMAD：评估多模态小语言模型在异常检测中的现实鲁棒性

来自arXiv的一篇预印本论文提出了RobustMAD，旨在系统评估多模态小语言模型在现实世界部署中的鲁棒性，特别是在异常检测助手场景中。该研究由Anushiya Arunan等六位作者完成，于2026年6月提交。论文可能提出了新的评估指标或对抗性测试方法，以衡量模型在面对真实环境噪声、数据分布偏移等挑战时的表现，为可部署的AI辅助系统提供安全性参考。 #arXiv #RobustMAD #多模态 #小语言模型 #异常检测 #鲁棒性 #AI安全 #评估

CIGPO：面向多轮证据阅读的LLM智能体上下文信息增益策略优化

Hao Dou等人近日在arXiv上提交了一篇题为《CIGPO: Contextual Information-Gain Policy Optimization for Multi-Turn Evidence-Reading LLM Agents》的论文。该研究提出了一种名为上下文信息增益策略优化（CIGPO）的新框架，旨在提升大语言模型（LLM）智能体在多轮证据阅读场景中的表现。传统方法往往在多次交互中无法有效积累和利用上下文信息，而CIGPO通过引入信息增益作为优化目标，引导智能体在每一步选择最有助于推理的证据，从而显著提高复杂问答任务的准确性。这项工作为构建更高效的检索增强生成系统提供了理论基础，有望推动LLM在知识密集型应用中的实际部署。 #人工智能 #大语言模型 #策略优化 #信息检索 #论文 #CIGPO #LLM #多轮交互

图神经网络学习门级网表结构可操作性研究

来自Rupesh Raj Karn等人的最新arXiv论文提出了一种利用图神经网络学习门级网表结构可操作性的方法。该研究针对硬件安全领域中的结构操纵问题，通过将门级网表建模为图，使用图神经网络自动学习网表中可被结构修改或操纵的子图特征。实验表明，该方法能够有效识别硬件木马插入等恶意操纵行为，相比传统基于规则的方法具有更高的准确率和泛化能力。该工作为硬件逆向工程和可信集成电路设计提供了新的数据驱动解决方案。 #图神经网络 #门级网表 #硬件安全 #结构可操作性 #arXiv #硬件木马 #逆向工程

Let the Data Decide：离线策略蒸馏助力大模型持续预训练自适应路由

最新arXiv论文《Let the Data Decide: Supervision Analysis, Capability Trade-offs, and Adaptive Objective Routing in Continued Pre-Training via Off-Policy Distillation》提出一种基于离线策略蒸馏的持续预训练方法。该研究聚焦于如何让数据本身决定监督信号，通过分析不同监督方式的能力权衡，实现自适应目标路由。论文由Jiangan Yuan等作者共同完成，旨在解决大模型在持续预训练过程中面临的监督信号选择与能力平衡问题。方法通过离线策略蒸馏技术，使模型能够根据数据特征自动切换训练目标，从而在保持原有能力的同时高效获取新知识。这一工作为提升大模型持续学习效率和泛化能力提供了新思路。 #大模型 #持续预训练 #离线策略蒸馏 #自适应路由 #监督学习 #AI前沿 #arXiv

Self-Evolving Just-In-Time Memory for Proactive Embodied Safety

一篇题为《Self-Evolving Just-In-Time Memory for Proactive Embodied Safety》的研究论文在 arXiv 预印本平台发布。该论文由 Bingrui Sima 等五位作者共同撰写，提交日期为 2026 年 6 月 26 日。论文聚焦于具身智能体的主动安全问题，提出了一种自进化的即时记忆机制，旨在让机器人在动态环境中能够预判风险并做出实时响应。这一方法有望提升未来自主系统在复杂场景中的安全性和适应性。论文目前以 PDF 和 HTML 形式开放获取，并提供了 BibTeX 引用数据及相关工具链接。 #arXiv #论文 #AI安全 #具身智能 #记忆机制 #机器人 #预印本 #学术研究

高精度低位KV缓存量化新方法

在大型语言模型推理中，KV缓存是加速生成的关键，但其显存占用巨大。为降低部署成本，低位量化（如2-4比特）成为热门方向，但现有方法因量化误差导致模型精度下降。近期一篇arXiv论文提出一种基于局部分布恢复的KV缓存量化技术，在极低位宽下实现了高精度压缩。该方法通过动态调整量化参数，恢复每个量化块的局部数值分布，有效减少了异常值带来的失真。实验表明，该方案在LLaMA、OPT等主流模型上，2比特量化精度损失可控制在1%以内，显著优于传统均匀量化与分组量化。这项研究有望推动大模型在边缘设备上的高效部署，降低推理时的显存瓶颈。 #AI #大模型 #KV缓存 #量化 #学术论文 #算法 #效率优化

Benchmarking Machine Learning Models for Multi-Omics-Based Breast Cancer Prediction

该研究聚焦于基于多组学数据的乳腺癌预测任务，系统评估了多种机器学习模型的性能。研究团队通过整合基因组、转录组、蛋白质组等多组学数据，比较了传统统计模型与深度学习模型在乳腺癌风险预测和亚型分类上的效果。实验结果表明，集成学习方法在多组学数据融合中表现最优，而特征工程和降维技术对模型精度有显著影响。该基准测试为多组学癌症预测提供了标准化的评估框架，有助于推动精准医疗中机器学习模型的可重复性研究。 #机器学习 #乳腺癌 #多组学 #基准测试 #生物信息学 #AI医疗 #精准医疗

从纯合成数据学习时空基础模型

一篇来自arXiv的论文提出，通过纯合成数据训练时空基础模型的方法。该研究探讨了在缺乏真实世界数据的情况下，如何利用生成式技术构建大规模、多样化的时空数据集，并以此训练出具有泛化能力的模型，应用于视频预测、动态场景理解等任务。作者团队设计了专门的合成数据生成管道，确保数据覆盖丰富的时空模式，并通过大规模预训练验证了模型在多个基准上的性能提升。这一方法有望降低对昂贵真实标注数据的依赖，为时空智能研究提供新范式。 #时空基础模型 #合成数据 #机器学习 #AI #arxiv #视频预测 #深度学习

SOS-LoRA: Static Orthogonal-Subspace Low-Rank Adaptation with Fixed Multi

Yupeng Chang 等研究者在 arXiv 上提交了一篇名为《SOS-LoRA: Static Orthogonal-Subspace Low-Rank Adaptation with Fixed Multi-Scale Scaling》的论文。该方法针对大规模预训练模型微调中参数效率低的问题，提出一种新的低秩适应技术。SOS-LoRA 通过引入静态正交子空间，将可学习参数限制在固定且正交的低秩子空间内，同时采用固定多尺度缩放策略来保持不同尺度下的表达能力。这种设计减少了可训练参数数量，避免了传统 LoRA 方法中因秩选择不当导致的性能退化，并在多种自然语言处理任务上展现出与全参数微调相当或更优的效果。论文还讨论了该方法在计算效率和内存占用方面的优势，为资源受限场景下的大模型适配提供了新思路。 #SOSLoRA #低秩适应 #大模型微调 #正交子空间 #参数效率 #机器学习 #AI论文 #arXiv

机器学习预测2型糖尿病风险研究获大规模外部验证，公平性受关注

一篇发表于2026年国际智能处理、硬件、电子与无线电系统会议（CIPHER）的论文，对多种机器学习模型在预测2型糖尿病风险方面的表现进行了全面评估。研究通过大规模外部验证数据集，检验了模型的预测准确性和泛化能力，并首次系统分析了不同模型在不同人群中的公平性差异。结果表明，部分高性能模型在亚群间存在偏差，需进一步优化以确保临床应用的公正性。该研究为糖尿病风险预警工具的部署提供了重要参考。 #机器学习 #2型糖尿病 #风险预测 #外部验证 #公平性分析 #医疗AI #智能健康 #模型评估 #CIPHER2026