Phionyx：一种确定性AI运行时架构，具备结构化状态管理与预响应治理

一篇题为《Phionyx: A Deterministic AI Runtime Architecture with Structured State Management and Pre-Response Governance》的学术论文在arXiv上发布。该论文由Ali Toygar Abak撰写，提出了一种名为Phionyx的新型AI运行时架构。该架构的核心特点是确定性执行、结构化状态管理以及预响应治理机制。Phionyx旨在解决当前AI系统在状态管理、响应一致性和安全性方面的挑战，通过预响应治理确保模型输出符合预设规则，从而提升AI应用的可靠性与可控性。论文详细阐述了其设计原理、架构组件及潜在应用场景，为AI系统的高效、安全运行提供了新的理论框架。 #AI #架构 #确定性 #状态管理 #预响应治理 #学术论文 #arXiv

积分微分方程在无人机运动角稳定中的分布式反馈控制应用

一篇题为《积分微分方程在无人机运动角稳定中的分布式反馈控制应用》的学术论文在arXiv上发布。该研究由Alexander Domoshnitsky等人完成，探讨了利用分布式反馈控制方法，通过积分微分方程模型来稳定无人机运动中的角度问题。论文详细分析了相关数学模型的建立与求解，旨在提升无人机在复杂环境下的飞行稳定性。该工作为无人机控制理论提供了新的数学工具，有望推动无人机自主导航和抗干扰能力的进一步发展。 #无人机 #控制理论 #积分微分方程 #分布式反馈 #arXiv #学术论文 #数学建模

MILP-Evo：混合整数线性规划求解器的全自动闭环设计

研究人员提出了一种名为MILP-Evo的全自动闭环设计方法，用于自动生成混合整数线性规划（MILP）求解器。该方法通过进化算法和强化学习技术，在无需人工干预的情况下，自动探索和优化求解器的组件与参数。实验结果表明，MILP-Evo生成的求解器在多个标准测试集上表现优异，性能接近甚至超越人工设计的求解器。这一成果有望大幅降低MILP求解器的开发门槛，推动其在物流、金融、能源等领域的应用。 #MILP #求解器 #自动设计 #进化算法 #强化学习 #人工智能 #运筹学 #论文

超越准确率与成本：面向动态工作负载的延迟感知大模型查询路由

研究人员提出一种新型大模型查询路由方法，在传统准确率和成本指标之外，首次将延迟作为关键优化维度。该方法针对动态工作负载设计，通过实时监测系统负载和模型响应时间，智能分配查询请求到不同规模的大语言模型。实验表明，该路由策略在保持高准确率的同时，可将平均查询延迟降低40%以上，并有效避免高负载下的系统过载。这项研究为大规模部署大模型服务提供了更实用的性能优化方案，尤其适用于需要实时响应的应用场景。 #大模型 #查询路由 #延迟优化 #动态负载 #AI系统 #性能优化 #学术研究

MLIR跨方言泛化新方法

近日，一篇关于MLIR（多级中间表示）的论文在arXiv上发布。论文题为《Cross-Dialect Generalization Without Retraining: Benchmarks and Evaluation of Schema-Derived Constrained Decoding for MLIR》，由Plawan Kumar Rath撰写。该研究提出了一种无需重新训练即可实现跨方言泛化的方法，通过模式派生约束解码，使不同MLIR方言间的代码转换更加高效。论文提供了详细的基准测试与评估，证明该方法在降低训练成本的同时保持了高性能，对编译器基础设施和代码生成领域具有重要参考价值。 #MLIR #编译器 #跨方言泛化 #约束解码 #arXiv #论文 #计算机科学 #编程语言 #代码生成

新论文提出语义合作游戏方法，用于LLM多智能体系统贡献归因

研究人员在arXiv上发表了一项关于基于大语言模型的多智能体系统中贡献归因的研究。论文提出了一种名为“语义合作游戏”的新方法，旨在解决多智能体协作中如何公平、准确地衡量每个智能体贡献的问题。该方法借鉴合作博弈论中的Shapley值思想，并结合语义理解，对智能体在任务中的实际作用进行量化分析。研究团队认为，这一框架有助于提升多智能体系统的透明度和可解释性，为未来更复杂的AI协作系统提供理论基础。 #论文 #AI #多智能体系统 #LLM #合作博弈 #贡献归因 #arXiv

PEARL：自然语言驱动的求解器在环交互式优化建模

2026年5月14日，一篇题为《PEARL: Solver-in-the-Loop Interactive Optimization Modeling from Natural Language》的论文在arXiv预印本平台发布。该论文由Hongliang Lu等五位学者共同撰写，提出了一种名为PEARL的交互式框架，允许用户通过自然语言直接描述优化问题，并在求解器的参与下进行迭代建模与优化。这一方法旨在降低优化建模的专业门槛，使非专家用户也能便捷地构建和求解复杂优化模型，有望推动优化技术在更多领域的普及。论文目前已在arXiv平台开放PDF全文。 #PEARL #优化建模 #自然语言处理 #AI #机器学习 #运筹学 #arXiv

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

S2T-RLHF

据arXiv最新论文，研究人员提出S2T-RLHF方法，通过分层信用分配机制解决基于人类反馈的强化学习（RLHF）中的稳定性问题。RLHF是AI对齐的核心技术，但传统方法在信用分配上存在模糊性，导致训练波动。S2T-RLHF将信用分配分解为多个层级，分别对应不同时间尺度的贡献，从而提升偏好学习的稳定性和效率。该研究由Wei Chen等人完成，论文已提交至arXiv，为更可靠的AI对齐训练提供了新思路。 #RLHF #强化学习 #AI对齐 #信用分配 #arXiv #论文 #科技 #人工智能

概率概念感知引导方法提升大语言模型推理可信度

一项名为“概率概念感知引导”的新研究提出了一种提升大语言模型推理可信度的方法。该方法通过引入概率概念感知机制，在模型推理过程中动态调整输出方向，从而减少错误和偏见。研究团队在多个基准测试上验证了该方法的有效性，结果显示其能显著提高模型在复杂推理任务中的准确性和可靠性。该工作为构建更值得信赖的AI系统提供了新思路，尤其适用于需要高精度决策的场景。 #大语言模型 #AI安全 #可信AI #推理增强 #概率模型 #概念感知 #arXiv论文

FindStatBench

近日，一篇来自arXiv的论文提出了名为FindStatBench的新基准，专门用于评估大型语言模型在组合代码合成任务上的表现。该基准由Soham Dan等人创建，旨在测试模型在复杂组合逻辑下的代码生成能力。论文提供了完整的PDF文件、TeX源码及相关引用数据，并支持通过多种工具进行文献探索和代码链接访问。研究团队强调，该基准对于推动大模型在算法设计与组合数学领域的应用具有重要意义，目前相关论文已可在arXiv上获取。 #大模型 #代码合成 #组合数学 #AI基准 #arXiv #FindStatBench

研究揭示JSON模式约束无法保证LLM排序代理的语义可靠性

据arXiv预印本平台显示，一篇题为《When JSON Is Not Enough: Semantic Reliability of Schema-Constrained LLM Ordering Agents》的论文近日提交。该研究由Yin Li完成，探讨了在大语言模型（LLM）用于排序任务时，仅依靠JSON模式约束是否足以保证其语义可靠性。研究发现，当前方法在语义理解上存在不足，JSON格式虽能约束输出结构，却无法确保模型生成的排序结果符合预期的语义含义。这一发现对提升LLM在复杂任务中的可靠性和安全性具有重要意义，也为未来改进模式约束方法提供了方向。 #论文 #LLM #JSON #语义可靠性 #AI #排序代理 #arXiv #大模型

ProbSPARQL：支持多维不确定数值数据查询的知识图谱新语言

据arXiv预印本显示，研究人员提出了一种名为ProbSPARQL的新型查询语言，旨在扩展SPARQL以处理知识图谱中的多维不确定数值数据。传统知识图谱查询主要针对确定性信息，难以应对现实世界中广泛存在的概率性和不确定性数值。ProbSPARQL通过引入概率模型与多维概念，允许用户对带有不确定性的数值数据进行灵活、高效的查询。该研究由Jingcheng Wu等人完成，有望推动知识图谱在科学计算、风险评估、金融分析等领域的深度应用，为处理复杂不确定信息提供新的技术路径。 #ProbSPARQL #知识图谱 #不确定数据 #查询语言 #学术研究 #arXiv #计算机科学 #大数据

AI深度伪造研究被指与打击非自愿亲密图像严重错位

据arXiv预印本平台发布的一篇立场论文，Li Qiwei等研究者指出，当前AI/ML深度伪造研究与AI生成的非自愿亲密图像（AIG-NCII）问题之间存在显著错位。论文认为，尽管深度伪造技术发展迅速，但学术界在检测和防范非自愿亲密图像方面的投入严重不足，导致技术滥用对受害者造成持续伤害。研究团队分析了现有研究重心与实际问题之间的差距，指出许多工作聚焦于提升生成质量或通用检测，却忽视了AIG-NCII特有的伦理挑战和取证需求。该论文呼吁重新调整研究方向，将更多资源投入到受害者保护、内容溯源和跨学科合作中，以弥合技术发展与现实危害之间的鸿沟。这一观点可能引发学术界与政策制定者对AI伦理研究优先级的重新审视。 #AI #深度伪造 #非自愿亲密图像 #研究伦理 #arXiv #论文 #科技伦理 #AI安全 #数字暴力

新论文提出MUX

近日，一篇题为"MUX: Continuous Reasoning via Multiplexed Tokens"的论文在arXiv预印本平台提交。该论文由Ayhan Suleymanzade等五位作者共同撰写，于2026年5月19日上传，属于计算机科学领域。论文提出了一种通过多路复用令牌实现连续推理的新方法，旨在提升模型在复杂推理任务中的表现。目前论文的PDF版本已开放获取，供研究人员下载和引用。这一研究可能对人工智能推理技术的发展产生积极影响。 #MUX #连续推理 #多路复用令牌 #arXiv #论文 #AI #人工智能 #计算机科学

双智能体LLM中继中的状态压缩

一项最新研究探讨了双智能体大语言模型（LLM）中继系统中的状态压缩问题。该研究在封闭世界假设下，重点分析了当两个LLM通过中继方式协作时，如何有效压缩中间状态并保持任务约束。研究人员通过实验验证了多种压缩策略对约束保持的影响，发现合理的状态压缩不仅能显著降低通信开销，还能在保持任务准确性的同时提升系统效率。该工作为多智能体LLM系统的优化提供了新思路，特别是在资源受限环境下的部署具有重要参考价值。 #LLM #多智能体 #状态压缩 #AI研究 #机器学习

结构化合成推理数据助力小型语言模型算术微调

一篇题为《Structured Synthetic Reasoning Data for Arithmetic Fine-Tuning of Small Language Models》的论文于2026年5月21日提交至arXiv预印本平台。该论文由Jake O'Grady和另一位作者共同撰写，聚焦于为小型语言模型设计用于算术微调的结构化合成推理数据。研究提出了一种数据生成方法，旨在通过合成推理数据提升小模型的算术推理能力，为资源受限环境下的模型优化提供了新思路。 #arXiv #论文 #小型语言模型 #算术微调 #合成数据 #推理 #AI #机器学习

Fence框架：专用小语言模型为LLM应用提供安全护栏

近日，一篇题为《Fence: Specialized SLM Guardrails for LLM Applications》的论文在arXiv上发布。该研究提出了一种名为Fence的创新框架，通过使用专门训练的小语言模型（SLM）作为大语言模型（LLM）应用的“护栏”，以增强LLM输出的安全性和可控性。Fence框架能够实时检测并过滤LLM生成的不当内容，确保其在敏感场景中的可靠运行。这一方法为LLM的工业级部署提供了重要的安全保障，尤其适用于需要严格内容审核的领域。研究团队表示，Fence在保持高效的同时，显著降低了有害输出的风险，为AI安全领域提供了新的思路。 #AI #大模型 #SLM #LLM #安全护栏 #arXiv #论文 #人工智能

LLM群体智慧研究

一项最新研究探讨了大型语言模型（LLM）集成中的“群体智慧”现象。研究发现，当多个LLM的答案通过投票或平均等聚合方式组合时，其整体表现往往优于单个模型。然而，研究也揭示了关键隐患：若训练数据中存在测试集污染，即模型在训练时已接触过评估问题，那么聚合带来的性能提升可能被严重高估。该研究强调，在评估LLM集成效果时，必须严格区分真实的协同增益与数据泄露导致的虚假表现，为AI模型的可信评估提供了重要警示。 #LLM #群体智慧 #模型集成 #数据污染 #AI研究 #arXiv

轨迹感知临床风险预测新方法

近日，一篇题为《Trajectory-Aware Clinical Risk Prediction via Severity-Grounded Knowledge Graphs and Retrieval-Augmented Generation》的论文在arXiv预印本平台发布。该研究由Kyunghoon Jeon等人提出，聚焦临床风险预测中的时序动态问题。传统模型往往难以有效捕捉疾病严重程度随时间演变的轨迹，而该工作创新性地构建了基于严重程度的知识图谱，显式建模病情状态及其转换关系，并融合检索增强生成技术，从医学文献中动态获取相关知识以辅助推理。这一框架能够更精准地预测患者未来风险，同时提升模型的可解释性，为重症监护、慢性病管理等场景的智能决策提供了新思路。 #临床风险预测 #知识图谱 #检索增强生成 #医疗AI #arXiv #论文 #AI #机器学习 #智慧医疗

研究提出利用LLM从时间序列生成可解释洞察

一篇题为《Using LLMs for Explainable, Data-Driven Insight Generation from Time Series》的论文近日提交至arXiv。该研究由Ria Mundhra、Gustavo Sato dos Santos和Michael Benedikt共同完成，旨在探索如何利用大语言模型从时间序列数据中自动生成可解释的、数据驱动的洞察。传统时间序列分析往往依赖复杂的统计模型或深度学习，但结果难以直观理解。该工作尝试借助LLM的语义理解与生成能力，将数值模式转化为自然语言描述，从而提升分析结果的可解释性，为金融、医疗、工业监控等领域提供更易用的决策支持工具。 #LLM #时间序列 #可解释性 #数据驱动 #洞察生成 #arXiv #AI #机器学习