《银翼杀手2099》11月上线亚马逊，颓废未来风再现

亚马逊今日正式公布《银翼杀手》系列流媒体剧集《银翼杀手2099》。该剧将于11月25日在Prime Video平台一次性放出全部8集。官方同步释出首支预告片，展示了标志性的阴郁未来洛杉矶街景、戏剧化旁白及符合系列美学的服装设计。此前一天亚马逊曾发布首批剧照进行预热。 #银翼杀手2099 #亚马逊 #PrimeVideo #流媒体 #科幻 #剧集 #11月上线

Google与网站的流量契约破裂，“Google归零”时代来临

长久以来，网络与Google之间存在着一种隐性契约：Google抓取并索引网页内容，作为交换，它为网站带去海量流量。虽然这纸契约并不完美，Google赚取的利润远超网站所得，但它曾持续运转多年。如今，这份默契已然破裂。网站正被迫面对一个残酷的现实——当来自Google的流量逐渐枯竭，整个互联网生态将迎来怎样的变革？所谓的“Google归零”不再是可忽视的威胁，而正在成为许多网站生存的日常困境。 #Google #SEO #流量困境 #互联网生态 #网站 #科技趋势

Anthropic 发布 Claude Opus 5，性能接近 Fable 5

据外媒报道，Anthropic 于周四正式发布其最新一代大语言模型 Claude Opus 5，并宣称其能力“接近”公司此前推出的 Fable 5 模型。此次发布时机特殊：数周前 Anthropic 刚与美国政府进行最新一轮博弈；而就在几天前，OpenAI 发生的一起安全事件主导了科技行业讨论。Claude Opus 5 的推出进一步加剧了 AI 大模型领域的竞争，市场关注其能否在推理、编码和安全等方面实现突破。 #Anthropic #ClaudeOpus5 #AI #大模型 #科技新闻 #人工智能

Meta 升级 AI 聊天机器人，对标 Gemini 与 ChatGPT

Meta 正在为其 AI 聊天机器人添加新的生产力功能，以与 Gemini、ChatGPT 和 Claude 等竞争对手抗衡。此次升级后，Meta AI 将能够接入用户的日历，帮助规划活动并生成每日简报，还能根据用户引导进行深度研究。这一举措旨在将 Meta AI 从单纯的对话工具转变为更智能的个人助手。 #Meta #AI #聊天机器人 #生产力 #科技新闻

神经谓词赋能投资者观点：Black

一篇题为《夯实投资者观点：Black-Litterman模型中的神经谓词》的学术论文近日在arXiv预印本平台发布。该研究由Marcos Florencio完成，提出了将神经网络谓词引入经典Black-Litterman资产配置模型的新方法，旨在更精确地表达和量化投资者的主观观点。传统Black-Litterman模型依赖线性或简单定量方式整合观点，而神经谓词能够捕捉更复杂、非线性的投资者判断模式，从而提升投资组合优化效果。论文目前以PDF和HTML形式公开，并提供了代码链接。这一交叉研究为量化金融与深度学习结合提供了新思路，有望推动智能投顾和风险管理领域的实践发展。 #金融科技 #量化投资 #神经网络 #BlackLitterman #资产配置 #深度学 #arXiv #学术论文

图神经网络实现零样本数字孪生

研究人员在预印本平台arXiv上发表论文，提出一种基于图神经网络的零样本数字孪生方法。该方法利用图神经网络处理复杂系统各部件之间的关联关系，能够在无需历史数据训练的情况下，快速生成数字孪生模型，实现对系统状态的实时模拟与预测。这一研究有望大幅降低数字孪生的构建成本，推动其在智能制造、能源管理、城市治理等领域的规模化应用。论文由Alicia Tierz等人完成，目前正在注册中。 #图神经网络 #零样本学习 #数字孪生 #arXiv #论文 #AI #机器学习

ReliableTableQA

该研究论文由Huei-Chung Hu、Hsin-Tai Wu和Koyo Kobayashi合作完成，近日提交至arXiv预印本平台。论文聚焦表问答（TableQA）任务中的可靠性标注问题，核心探讨在构建可信赖的表问答系统时，标注过程究竟需要多少程度的监督。作者通过系统实验，分析了不同监督程度（如无监督、弱监督、全监督）对标注可靠性及模型性能的影响，旨在平衡标注成本与系统准确度。该研究为自然语言处理领域中的可靠性保障提供了新的视角，尤其对需要高精度表问答的应用场景具有参考价值。 #arXiv #ReliableTableQA #表问答 #自然语言处理 #可靠性标注 #监督学习 #AI

Codec-Gauge：为 Transformer KV 缓存学习压缩友好的度量

arXiv 上最新提交的一篇论文提出了一种名为 Codec-Gauge 的新方法，旨在为 Transformer 模型中的 KV 缓存学习压缩友好的度量。KV 缓存是自回归推理阶段的关键组件，但其大量占用显存成为部署长序列模型的主要瓶颈。现有压缩策略往往依赖固定规则或启发式设置，难以兼顾压缩率与模型性能。Codec-Gauge 通过可学习的计量机制，自动识别缓存中哪些部分对压缩更为友好，从而在保持输出质量的前提下显著降低缓存占用。该方法有望提升大语言模型在资源受限设备上的推理效率，为长上下文应用提供更轻量的缓存压缩方案。 #AI #机器学习 #KV缓存 #压缩 #Transformer #大模型 #效率优化 #论文

利用生物动力学先验知识突破数据稀缺下的生物过程建模瓶颈

来自arXiv的一篇预印本论文提出了一种新方法，通过整合生物动力学知识先验来应对生物过程建模中的数据稀缺挑战。生物过程建模是实现生物制造智能化的关键，但实验数据往往难以获取，传统数据驱动模型容易过拟合。该研究由Kyunghoon Hur等学者完成，他们将领域内已知的生物动力学关系编码为模型约束或先验分布，使机器学习模型在数据有限时仍能进行有效学习，并保持物理一致性。这一框架有望提升模型精度与鲁棒性，为生物制药、发酵工程等领域的模型开发提供新路径，加速从实验室到工业化的转化。 #arXiv #生物过程建模 #生物动力学 #知识先验 #数据稀缺 #机器学习 #科研

从原子到熵

近日，一篇由 Luca Ambrogioni 等十位作者合著的论文在 arXiv 预印本平台发布。论文题为《From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime》，聚焦扩散模型训练中的噪声分配问题。研究在凸优化框架下，从理论出发推导了噪声调度的最优策略，旨在提升生成模型的训练效率与生成质量。扩散模型作为当前生成式人工智能的核心范式之一，其噪声调度对模型性能具有关键影响。该工作为理解噪声如何在训练过程中发挥作用提供了新的数学视角，并为后续优化方案奠定了理论基础。目前论文已上线，提供 PDF 全文下载。 #扩散模型 #噪声分配 #凸优化 #生成模型 #人工智能 #机器学习 #深度学习 #论文 #arXiv

HypNO: 图神经算子结合物理信息消息传递求解双曲守恒律

由 Dimitrije Ždrale 等学者提出的 HypNO 模型，是一种基于图的神经算子，通过引入物理信息消息传递机制，专门用于求解双曲守恒律问题。该方法在保持数值精度的同时，显著提升了计算效率，为流体力学、波动方程等领域的科学计算提供了新思路。相关论文已提交至 arXiv 预印本平台，并附带实验性 HTML 预览及代码资源链接。 #物理信息神经网络 #双曲守恒律 #图神经算子 #科学计算 #AI #学术论文

决策感知机器学习助力基本药物可及性提升

近日，一篇题为《Improving Access to Essential Medicines via Decision-Aware Machine Learning》的研究论文在预印本平台arXiv上发布，并已被《自然》杂志接收，将于2026年第653卷第8116期正式发表。该研究由Tsai-Hsuan Chung等七位学者共同完成，提出利用决策感知的机器学习方法，旨在优化基本药物的获取渠道与分配效率。尽管详细模型与技术细节尚未披露，但该研究方向为解决全球部分地区药物可及性不足提供了新的可能性，具有重要的公共卫生意义。 #机器学习 #基本药物 #可及性 #自然杂志 #AI #医疗健康 #决策智能 #科研 #arXiv

当RLVR缩小推理边界

一篇题为《When RLVR Shrinks the Reasoning Boundary: Diagnosing Pass@k Inversion》的预印本论文于2026年7月提交至arXiv。作者Todd Zhou聚焦于强化学习验证推理（RLVR）方法对模型推理能力的影响，系统分析了RLVR如何导致推理边界收缩，并针对由此引发的Pass@k反转现象进行诊断。该现象表现为模型在多次采样下的正确率出现异常下降，挑战了传统Pass@k指标的可靠性。论文通过实验与理论分析，揭示了反转出现的条件与机理，为改进RLVR算法、提升推理稳定性提供了重要参考。当前论文尚未完成DOI注册，但已开放全文预览。 #论文 #arXiv #RLVR #Pass@k #推理边界 #强化学习 #AI #大模型

多智能体强化学习解决退化监控下的空中走廊冲突

近日，一篇题为《Conflict Resolution under Degraded Surveillance in Air Corridors Using Multi-Agent Reinforcement Learning》的论文提交至arXiv预印本平台。该研究由Esrat Farhana Dulia等人完成，聚焦于空中交通管理中一个关键挑战：当空中走廊的监控系统出现退化（如传感器故障、覆盖缺失）时，如何有效化解飞行器之间的潜在冲突。论文提出采用多智能体强化学习方法，使各飞行器在有限或不可靠的监控信息下自主协调，实现安全、高效的冲突解决。该方法有望提升空中交通系统的鲁棒性，降低对高精度监控设备的依赖。目前论文以PDF和HTML格式开放获取，相关代码与数据链接待后续提供。 #多智能体强化学习 #空中走廊 #冲突解决 #退化监控 #空中交通管理 #航空安全 #AI #论文预印本 #机器智能

SOAP、Muon及更多

一篇来自arXiv的学术论文深入探讨了大型语言模型预训练中的优化方法。研究聚焦于SOAP、Muon等新型优化器，旨在突破现有预训练规模的瓶颈。论文系统分析了这些方法在大规模参数下的性能表现，并提出了进一步扩展训练规模的可行路径。实验表明，新优化策略在保持模型质量的同时，显著提升了训练效率。该研究为未来更大规模LLM的预训练提供了理论基础与实践参考。 #arXiv #论文 #LLM #预训练 #优化器 #深度学习 #AI

SevDiff

近日，一项名为SevDiff的研究论文在arXiv上预发表。该研究提出了一种基于严重程度条件的扩散模型，用于生成长尾分布下的冲突轨迹。在自动驾驶等安全关键系统中，罕见但高风险的冲突场景数据极为稀缺，给模型训练和安全性评估带来挑战。SevDiff通过将冲突严重程度作为条件输入到扩散生成过程中，能够可控地生成多样性高且逼真的长尾轨迹样本，从而为验证和提升自动驾驶系统的鲁棒性提供新工具。该工作由Eni Solomon Laughter完成，论文详细介绍了模型架构、条件生成机制及初步实验效果。 #SevDiff #扩散模型 #冲突轨迹生成 #长尾数据 #自动驾驶 #机器学习 #AI安全

超越SBDD：几何深度学习应用于多药理学与多靶点药物设计

近日，一篇题为"Beyond SBDD: Geometric Deep Learning in Polypharmacology and Multi-target Drug Design"的论文在arXiv预印本平台发布。该论文由Tianming Han等四位学者撰写，提出将几何深度学习技术应用于多药理学和多靶点药物设计，旨在突破传统基于结构的药物设计（SBDD）的局限。研究通过利用几何深度学习模型来理解药物分子与多个靶点之间的复杂相互作用，有望为癌症、神经退行性疾病等复杂疾病的药物开发提供新策略。该工作展示了人工智能在药物发现领域的巨大潜力，为设计具有特定多药理活性的候选药物开辟了新的途径。 #GeometricDeepLearning #Polypharmacology #MultiTargetDrugDesign #SBDD #DrugDesign #ArtificialIntelligence #arXiv #DrugDiscovery

新论文提出SenCos-GEM模型，几何增强分子表示助力性质预测

据arXiv预印本显示，研究人员近日发布论文《SenCos-GEM》，提出一种结合SENet校准与余弦定律约束的几何增强分子表示方法，用于分子性质预测。该方法通过SENet机制对分子特征进行校准，并利用余弦定律引入几何约束，从而提升模型对分子空间结构的捕捉能力。与现有方法相比，SenCos-GEM在多个性质预测基准上表现出更优的准确性和泛化性。该工作有望加速药物发现与材料设计领域的计算预测效率，相关论文已提交至arXiv平台，等待进一步学术评议。 #分子表示 #性质预测 #SENet #余弦约束 #几何增强 #药物发现 #AI #arXiv #预印本

热力学权重衰减：通过注意力特定热加速Grokking研究

近日，一篇名为《Thermodynamic Weight Decay: Exploring Grokking Acceleration via Attention Specific Heat》的论文在arXiv上发布。该研究由Chitraansh Pandey提出，聚焦于神经网络中“Grokking”（延迟泛化）现象的加速问题。作者创新性地引入热力学权重衰减方法，并利用注意力机制的比热特性进行探索，旨在理解并加速模型从过拟合到泛化的过渡过程。这一工作可能为深度学习训练效率提升提供新的理论视角和实用工具，相关论文已提供PDF全文及代码链接。 #热力学权重衰减 #Grokking #注意力机制 #神经网络 #机器学习 #AI #学术论文 #arXiv

Double-Scoring: Reliable Extraction of Strong Lottery Tickets

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Bryce Christopherson [ view email ] [v1] Wed, 15 Jul 2026 20:20:43 UTC (6,172 KB) Full-text links: Access Paper: View a PDF of the paper titled Double-Scoring: Reliable Extraction of Strong Lottery Tickets, by Bryce A. Christopherson and 3 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-07 Change to browse by: cs math References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggle Bibliographic Explorer ( What is the Explorer? ) Connected Papers Toggle Con

nected Papers ( What is Connected Papers? ) Litmaps Toggle Litmaps ( What is Litmaps? ) Toggle scite Smart Citations ( What are Smart Citations? ) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv ( What is alphaXiv? ) Links to Code Toggle CatalyzeX Code Finder for Papers ( What is CatalyzeX? ) DagsHub Toggle DagsHub ( What is DagsHub? ) GotitPub Toggle ( What is GotitPub? ) Huggingface Toggle Hugging Face ( What is Huggingface? ) ScienceCast Toggle ScienceCast ( What is ScienceCast? ) Demos Demos Replicate Toggle Replicate ( What is Replicate? ) Spaces Toggle Hugging Face Spaces ( What is Spaces? ) Spaces Toggle ( What is ? ) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower ( What are Influence Flowers? ) Core recommender toggle CORE Recommender ( What is CORE? ) IArxiv recommender toggle IArxiv Recommender ( What is IArxiv? ) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .