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

新闻集团起诉搜索引擎 Brave AI 侵犯版权

新闻集团（News Corp）近日宣布起诉隐私搜索引擎 Brave AI，指控其通过伪装网络爬虫抓取并出售《华尔街日报》等旗下媒体的版权内容。新闻集团在诉状中指出，Brave 向企业客户提供近乎逐字复制的新闻摘要，并在2025年3月前将抓取的受版权保护内容出售给与新闻集团存在直接竞争关系的AI公司。双方此前曾尝试庭外和解，但谈判破裂。Brave 则反诉称其行为属于搜索引擎的正常索引，并指责新闻集团试图代表谷歌等大科技公司“霸凌”市场。新闻集团CEO罗伯特·汤姆森言辞激烈地批评Brave为“内容窃贼”，称其“无耻盗窃并非法获利”。值得注意的是，新闻集团近年来已与谷歌、OpenAI及Meta达成数亿美元的授权协议，此次诉讼凸显传统媒体与AI公司在内容使用上的深层矛盾。 #新闻集团 #BraveAI #版权侵权 #AI搜索 #内容授权 #科技法律 #媒体诉讼

免费AI求职工具Apply Tracker上线，集成简历优化与求职追踪

Apply Tracker 是一款面向技术从业者的免费 AI 求职套件，核心功能包括求职申请追踪、AI 简历优化、ATS 兼容性检查以及定制求职信生成。用户可通过拖拽看板管理申请流程，从投递到面试全程追踪，并获取回复率与转化分析。AI 简历构建器支持一键优化文本和语法，生成 ATS 友好格式；求职信生成器则根据职位描述自动提取关键技能，调整语气。工具还每小时爬取 Greenhouse、Lever 等平台的未公开远程职位，帮助用户抢占先机。所有功能永久免费，无需信用卡，已吸引大量软件工程师和产品经理使用。 #AI #求职 #简历 #ATS #免费工具 #科技 #招聘 #求职信 #求职追踪 #ApplyTracker

Transformer 残差流几何结构深度分析

一项关于 Transformer 模型残差流几何结构随深度变化的研究在 arXiv 上发布。该论文由 Sunit Bhattacharya 等人撰写，旨在深入分析 Transformer 模型中残差流在不同层之间的几何特性。研究通过可视化与数学分析，揭示了残差流在模型深度方向上的演化规律，为理解 Transformer 内部工作机制提供了新视角。该工作可能对改进模型架构、提升训练效率具有潜在价值，相关代码与数据已公开供社区复现与探索。 #Transformer #残差流 #深度学习 #AI研究 #arXiv #模型架构

MambaLSTM 框架发布，提升交通事故风险预测精度

近日，一篇题为《MambaLSTM: A Spatio-Temporal Framework for Enhanced Traffic Accident Risk Prediction》的论文在 arXiv 上发布。该研究由 Zhen Yu 等五位作者共同完成，提出了一种结合 Mamba 与 LSTM 的时空框架，旨在更精准地预测交通事故风险。传统方法在处理复杂时空数据时存在局限，而 MambaLSTM 通过融合长短期记忆网络与状态空间模型，有效捕捉了交通事件的时间依赖性与空间关联性。实验结果显示，该框架在多个真实数据集上优于现有基线模型，为智能交通系统提供了更可靠的风险预警工具。论文已提供 PDF 全文，并附有 BibTeX 引用信息。 #交通事故预测 #MambaLSTM #时空框架 #AI #智能交通 #arXiv #论文

多层MIMO中继作为深度物理神经网络

该论文提出将多层MIMO中继系统重新构想为深度物理神经网络，其中功率放大器被用作激活函数。研究由Meng Hua等人完成，于2026年7月20日提交至arXiv。论文探讨了如何利用物理层中继的固有特性来模拟神经网络的计算过程，通过将功率放大器的非线性特性转化为激活函数，实现了信号处理与机器学习架构的深度融合。这一方法有望在无线通信系统中实现更高效、低功耗的信号处理，同时为物理层人工智能应用提供新思路。论文还提供了PDF和HTML格式的全文链接，并附有相关参考文献和引用工具。 #MIMO中继 #深度物理神经网络 #功率放大器 #激活函数 #无线通信 #人工智能 #信号处理 #arXiv论文

物理自监督学习

一篇发表于2026年ACM MobiSys会议的研究论文提出了一种名为“物理自监督学习”的新方法，旨在解决惯性测量单元（IMU）传感中依赖人工标注的痛点。该方法通过利用物理规律和传感器内在特性，使模型能够在无人工标签的情况下自动学习有效特征，从而大幅降低数据标注成本。研究团队来自多所机构，论文详细阐述了该框架的设计原理、实验验证及在多种IMU应用场景中的表现。实验结果表明，该方法在活动识别、姿态估计等任务上达到了与有监督学习相当甚至更优的性能，为可穿戴设备、物联网等领域的智能感知提供了低成本、高效率的新路径。该论文已通过arXiv预印本发布，并附有完整PDF和HTML版本供学术社区参考。 #物理自监督学习 #IMU传感 #MobiSys #人工智能 #可穿戴设备 #物联网 #无监督学习 #学术论文

仅注意力机制Transformer对照研究论文在arXiv发布

近日，一篇题为《A Controlled Study of Attention-Only Transformers》的论文在arXiv预印本平台发布。该论文由Henry Ndubuaku等8位作者共同完成，旨在通过系统性对照实验，深入探究仅保留注意力机制的Transformer架构的性能表现。传统Transformer模型通常由注意力层与前馈神经网络层组成，而本研究聚焦于剥离前馈层后纯注意力模型的可行性与效果。论文可能涵盖多个基准任务的对比分析，为理解Transformer各组件的贡献提供了新的实验证据。目前论文全文已开放获取，供研究者下载与复现。 #论文 #arXiv #Transformer #注意力机制 #深度学习 #AI #研究 #机器学习

面向大规模动态图的可扩展高效联合脉冲嵌入预测架构

研究人员提出了一种名为“可扩展高效联合脉冲嵌入预测架构”的新方法，旨在解决大规模动态图处理中的计算效率与可扩展性问题。该架构通过结合脉冲神经网络与嵌入预测技术，实现了对动态图结构的高效建模与预测，显著降低了计算资源消耗。实验结果表明，该方法在多个大规模图数据集上表现优异，尤其在处理时间序列变化和节点交互预测任务中，性能优于传统图神经网络模型。这一研究为动态图分析在社交网络、交通流预测等领域的实际应用提供了新的技术路径。 #动态图 #脉冲神经网络 #嵌入预测 #大规模图 #机器学习 #AI研究 #图神经网络

可学习新奇性驱动的智能理论新论文发布

来自塔夫茨大学的研究者Yanbo Zhang与Michael Levin在arXiv预印本平台发表题为《Intelligence from Learnable Novelty》的论文。该研究提出了一种基于可学习新奇性的智能理论框架，探讨智能系统如何通过识别和利用环境中的新颖模式来提升认知能力。论文详细阐述了新奇性学习机制在生物智能与人工系统中的潜在应用，为理解智能的本质提供了新视角。研究团队通过理论分析与模型构建，展示了可学习新奇性在促进系统适应性、创新性和问题解决能力方面的关键作用。该工作可能对人工智能、认知科学和复杂系统研究产生重要影响。 #人工智能 #智能理论 #新奇性学习 #认知科学 #arXiv论文 #复杂系统

CANDOR 论文提出冻结基础编码器中的机会校准不一致性

一篇题为“CANDOR: Chance-Calibrated Discordance in Frozen Foundation Encoders”的学术论文在 arXiv 上发布。该研究由 Soroosh Tayebi Arasteh 等人完成，主要探讨在冻结（即不进行微调）的基础编码器中，如何通过机会校准来量化模型输出之间的不一致性。论文提出了一种新方法，旨在更准确地评估预训练模型在未见数据上的表现差异，从而提升模型的可解释性和可靠性。该工作可能对计算机视觉、自然语言处理等领域中基础模型的应用产生重要影响，尤其是在需要模型稳定性和一致性评估的场景中。 #arXiv #论文 #基础模型 #编码器 #AI研究 #机器学习

新研究提出语言模型罕见事件评估方法

一项来自arXiv的预印本研究提出了一种评估语言模型中罕见事件的新方法。该研究由Nikita Y. Parulekar等人完成，论文标题为《Estimating Rare Events in Language Models with Proper Evaluation》。研究聚焦于语言模型在处理低频、罕见事件时的性能评估问题，提出了更合理的评估框架。这一方法有望改善对模型在极端情况下的表现理解，对提升模型安全性和可靠性具有重要意义。论文已提交至arXiv平台，目前处于待注册状态，并提供PDF和HTML版本供查阅。 #语言模型 #罕见事件 #评估方法 #AI安全 #arXiv #预印本 #机器学习

AHEAD 论文提出可解释跨标注者建模，推动多类标签聚合研究

近日，一篇题为 "AHEAD: Advancing Multi-Class Label Aggregation with Interpretable Cross-Annotator Modeling" 的学术论文提交至 arXiv 预印本平台。该论文由 Ju Chen 等四位作者共同完成，聚焦于多类标签聚合任务，提出了一种名为 AHEAD 的新方法，通过可解释的跨标注者建模来提升聚合效果。论文已在 arXiv 上公开，提供 PDF 及 HTML 版本供研究人员查阅。这一工作有望为众包标注、数据清洗等依赖多标注者场景提供更透明、更准确的标签融合方案。 #论文 #arXiv #机器学习 #多类标签聚合 #可解释性 #众包标注 #数据标注

弱到强学习在决策制定中的应用

一篇题为《弱到强学习在决策制定中》的学术论文已提交至arXiv预印本平台，目前正在等待DataCite分配DOI。该论文由Jingwei Ji等两位作者撰写，探讨了如何利用弱监督信号训练出更强的决策模型。研究聚焦于通过弱到强学习范式提升人工智能在复杂决策任务中的表现，可能对强化学习、自主系统等领域产生重要影响。论文提供了PDF、HTML及TeX源码等多种访问格式，并支持引用导出、文献关联及代码链接等工具。目前该论文在arXiv上归类于计算机科学领域，可查阅相关引用和推荐文献。 #弱到强学习 #决策制定 #人工智能 #机器学习 #arXiv #学术论文 #AI研究