computations and a bunch of other stuff. Again it initally appeared that Rust had achieved a victory, but it turned out that the rust agent simply decided not to create a C API. Possibly because I didn’t explicitly ask for it, but of course there should always be a C API/ABI otherwise only other Rust code can consume the library. The Rust port was also a bit slower, because the agent simply decided to stop with perf optimizations sooner. Maybe Claude doesn’t like optimizing Rust or more likely it’s just the random nature of LLMs coming through. In any case after forcing the agent to complete the C API/ABI and get perf up to parity, the Rust advantage disappeared. Finally I decided to do a couple of code reviews, one with Claude again and another with Codex. The argument in favor of Rust would predict that the Rust code would have less previously undiscovered bugs. Both Rust and C++ were fuzzed from the beginning, but still the review found plenty of potential bugs in both. I asked both Claude and Codex if Rust’s and C++’s tools and features had been used to their fullest to prevent bugs and the answer was no. Not even close. The agent just didn’t decide to do it on the first round. The agent had made some spurious uses of unsafe, but actually most of the uses seemed to be valid. Removing the unnecessary unsafe blocks wouldn’t have made a lot of difference to the analysis. So essentially both languages have more intrinsic or extrinsic features available to combat bugs. Both agents failed to use all of those features and both agents ended using similar amounts of tokens and time. From what I can gather there is no difference to an LLM between Rust and C++. The main difference between these lanauges is that Rust has some features built into the compiler whereas C++ relies on external tools. There are many problems with C++, but they get arbitraged with external tools like fuzzers, the address sanitzer, static anlysers and more ergonomic libraries. Rust is perhaps more prone to solving these issues in the language. In either case it’s not automatic that language features or external tools will solve the problems they can solve. The surprising part is that solutions which are enforced by the language don’t really solve the original problem automatically. Let’s say you solve memory safety with a borrow checker, now you have a new problem which is working around the borrow checker. Except it is not really a new problem, you are still trying to solve the underlying problem, but with new constraints. That isn’t to say the borrow checker can’t help solve the problem, it’s just that it requires effort to do so. The question is does it require less effort than testing the code with the address sanitizer on, using smart pointers, a GC or using a combination. Possibly all of these techniques are mathematically and computationally equivalent when carried out by an LLM, except that it makes a difference when the computation occurs; in production, test time or compile time. Compile time and test time are practically the same it seems, so C++ and Rust are the same. They both move computation from runtime to development. I suppose the fundamental problem is that you have to model the real world task the software is trying to orchestrate. You have to express this model in the programming language’s primitives. The real world, being as varied as it is, means that any general purpose programming language lacks primitives that

abstract or verify an arbitrary model. Even if the language does contain primitives to help with a large part of your model. You have to know how to use those features, which is not free. Especially when you view it through the lens of agentic codimg. You can put a token count on finding the correct primitives to express the model in. Intuitively I think one language is better, but I haven’t been able to disprove the null hypothesis. That’s most likely because there are things that matter a lot more than whether you write your loops over arrays in C++ or Rust. Now both these languages are created for humans and there is the question of what happens if you systematically optimize a language to reduce token usage while completing practical tasks. It could be a deadend where the language always collapses into degenerate solutions or it could lead to something much better. My feeling is you’d hit diminishing returns quite quickly because the language would need to expand to encode solutions for an increasing number of problems, making recall the bottleneck. However the initial gains could be large.

长鑫科技上市首日暴涨471%，野村看高至116元

7月27日，国产DRAM龙头长鑫科技登陆科创板，开盘即大涨471.59%，报49.5元，市值达3.3万亿元，成为A股市值最大公司。此次IPO发行价8.66元，募资约579亿元，为科创板史上最大IPO。同日，野村证券发布首份覆盖研报，给予“买入”评级，目标价116元，较发行价上涨空间超12倍，对应市值7.76万亿元。野村认为，全球AI驱动内存需求呈指数级增长，而供应端受制于产能扩张瓶颈，供不应求将成为常态。长鑫科技作为中国最大DRAM制造商，市场份额将从当前约10%提升至2028年底的18%，逐步逼近美光。技术层面，公司计划2026年主流制程达16-17nm，2027年量产HBM3。野村预计2026-2028年营收和净利润复合增长率分别达63%和74%，目标价基于20倍2028年预期市盈率。但报告也提示地缘政治为主要风险。 #长鑫科技 #DRAM #IPO #芯片 #AI存储 #野村证券 #科创板

英伟达通过推出NVIDIA PhysicsNeMo和CUDA-X库扩展了NVIDIA Agent Toolkit，以彻底改变全球工程、设计和建造的方式

Operations too frequent. Try again later Page not found, please try again later. Take me home ! : 403 Services by Moomoo Technologies Inc.

AI生产工作流常见故障

据Indie Hackers社区开发者分享，其团队在过去一周通过重现GitHub issue中的30余个真实AI运行时故障发现，绝大多数问题并非模型本身出错，而是提供商、工具与应用代码之间的运行时契约不匹配所导致。基于这一发现，他们开发了名为StateGuard的工具，旨在帮助开发者发现并避免此类故障。该团队正积极寻求来自AI应用开发者的真实反馈，以进一步优化工具。 #AI #生产环境 #运行时故障 #契约不匹配 #StateGuard #开发工具 #GitHub #软件工程

开发者为 OpenCode 构建静态验证器，阻止不安全 AI 工具调用

受 Erik Meijer 关于 AI 工作流形式化验证的论文《Guardians of the Agents》以及 Nada Amin 在 Guardians 仓库中实现的启发，一位开发者构建了 OpenCode 静态安全验证插件。该插件利用 OpenCode 的 TypeScript 插件系统，在候选工具调用（如 bash、read、edit、write）实际执行前进行拦截，并将工具参数发送到本地运行 Python 守护进程进行旁路验证，从而在代码运行层面实现静态安全性检查，有效防止 AI 代理执行危险操作。 #OpenCode #静态验证 #AI安全 #工具调用 #安全验证 #编程 #技术开发 #ShowHN

西门子与英伟达深化合作，推出自验证AI工作流用于芯片设计

西门子宣布扩展与英伟达的战略合作，将自验证的代理式AI工作流引入电子设计自动化（EDA）领域，帮助半导体和PCB工程团队从自主任务编排转向更可信、持续验证的工程成果。新功能基于西门子近期推出的Fuse EDA AI Agent系统，并整合了英伟达AI技术，使长期运行的领域专用AI代理能够针对确定性、基于物理的EDA引擎进行推理、行动并持续验证决策。该系统已集成至西门子新发布的Intelligence Center X企业工业AI环境中，支持在设计、制造和供应链间实现AI驱动的协同流程，增强数字孪生能力。双方表示，通过结合西门子的领域专用工业AI和物理引擎与英伟达的加速计算及开源模型，能够创建可信的自验证工作流，加速开发、提升设计质量，并增强对工程成果的信任。该方案支持多代理安全协调、实时反馈和高效收敛，覆盖半导体与PCB全生命周期。 #西门子 #英伟达 #EDA #AI工作流 #自验证 #半导体 #PCB #工业AI #数字孪生

Nvidia to Invest $1 Billion in Naver's AI Project -- Update

Operations too frequent. Try again later Page not found, please try again later. Take me home ! : 403 Services by Moomoo Technologies Inc.

Latent PDE映射

该研究提出了一种基于潜在偏微分方程映射的方法，旨在解决物理信息学习在数据有限及跨几何结构场景下的效率瓶颈。传统方法通常依赖大量标注数据或特定几何形状的网格，而该方法通过将高维PDE问题映射到低维潜在空间，实现跨不同几何形状的知识迁移，显著降低了对训练数据的需求。实验表明，该技术在热传导、流体力学等经典物理问题中，能以较少样本达到与传统方法相当甚至更好的预测精度，为工程仿真和科学计算提供了更灵活高效的替代方案。 #物理信息学习 #偏微分方程 #潜在空间 #跨几何建模 #有限数据 #机器学习 #科学计算 #arXiv论文

无偏开放世界正则化

研究人员提出了一种名为“无偏开放世界正则化”的方法，用于改进自监督学习中的公平性。该论文由Léonic Nicollier等人提交至arXiv（2026年7月24日），核心思想是通过正则化技术减少模型在训练过程中对敏感属性（如性别、种族）的依赖，从而在开放世界环境下提升模型的泛化能力和公平性。与传统自监督学习方法不同，该方法无需依赖标签数据，而是通过引入无偏的约束条件，使模型学习到的表示更加鲁棒和公平。实验在多个基准数据集上验证了该方法的有效性，结果表明其在保持较高下游任务性能的同时，显著降低了偏见指标。该研究为构建更公平的机器学习系统提供了新的理论视角和实践路径，尤其适用于数据分布复杂、标签稀缺的真实场景。 #机器学习 #自监督学习 #公平性 #正则化 #AI #arXiv #论文 #算法 #无偏学习

TriGlue

近日，研究团队在arXiv上提交了一篇题为《TriGlue: a Biology-Inspired Generative Model for Generating Molecular Glue-Induced Ternary Complex》的论文。该工作提出了一种新型生成模型TriGlue，其核心设计受生物学机制启发，旨在从头生成能够诱导蛋白质间形成三元复合物的分子胶。分子胶是一类能促使两种蛋白质发生相互作用的化学分子，在靶向蛋白降解等前沿药物研发中展现巨大潜力。TriGlue模型通过深度学习技术，有望突破传统筛选方法的局限，高效探索广阔的化学空间，从而加速候选分子胶的发现过程。这一成果将为蛋白质相互作用调控和新型治疗策略的开发提供有力工具。 #分子胶 #生成模型 #AI #药物发现 #蛋白质降解 #生物信息学

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

预训练EHR基础模型引入患者感知采样策略

一篇发表在arXiv上的论文提出了一种针对电子健康记录（EHR）基础模型预训练的新方法——患者感知采样。该方法由Joshua Placidi等研究者设计，旨在解决传统随机采样忽视患者个体连续性与上下文信息的问题。论文指出，通过患者感知采样，模型能够更好地学习患者病程中的动态变化与诊疗模式，从而提升在疾病预测、风险分层等下游任务中的泛化能力。这一工作为医疗领域大规模基础模型的预训练提供了新的技术路径，有望助推AI在临床决策支持中的落地应用。 #EHR #基础模型 #预训练 #患者感知采样 #医疗AI #arXiv #深度学习

无泄漏堆叠集成方法提升多类分类泛化能力

一项关于多类分类的研究论文在学术预印本平台arXiv上公开。该论文由S. P. Sharmila和Aruna Tiwari撰写，提出一种无泄漏的堆叠集成方法。堆叠集成是机器学习中通过组合多个基础模型来提升性能的常用技术，但在传统实现中容易因数据泄露导致模型过拟合，降低泛化能力。本研究针对这一问题，设计了一种避免数据泄漏的集成框架，旨在提高多类分类任务的稳定性和准确性。论文属于计算机科学领域，目前已上传至arXiv，提供全文PDF供学术同行审阅。 #arXiv #机器学习 #集成学习 #多类分类 #数据泄露 #人工智能 #计算机科学 #学术论文 #分类算法

CEL

近日，研究团队在 arXiv 上提交了论文《CEL: Comprehensive Counterfactual Explanations Library and Benchmark》。该工作由 Oleksii Furman 等四位作者完成，旨在构建首个系统整合反事实解释方法与标准化评估的综合库与基准。反事实解释是可解释人工智能的关键技术，通过展示如何变更输入特征以改变模型预测结果，帮助理解模型决策逻辑。CEL 集成了多种主流反事实生成算法，并提供统一评估框架，覆盖多类数据集与模型，以促进领域内的可重复性和公平比较。该资源的推出有望填补反事实解释研究中缺乏标准化基准的空白，加速相关算法开发与落地应用。 #反事实解释 #AI可解释性 #机器学习 #基准 #arXiv #CEL #可解释AI #开源工具

DCS：面向跨模态版权侵权检测的统一条件敏感性框架

一篇题为《DCS: A Unified Conditional Sensitivity Framework for Cross-Modal Copyright Infringement Detection》的论文被提交至arXiv。该论文由Xiafeng Man等人撰写，提出了一种名为DCS的统一条件敏感性框架，旨在解决跨模态场景下的版权侵权检测问题。随着多模态内容（如图像、文本、音频）的广泛传播，传统版权检测方法难以有效识别跨模态的侵权行为。DCS框架通过引入条件敏感性机制，能够更精确地判断不同模态内容之间的版权关联，有望提升检测的准确性与鲁棒性。该研究对于数字版权保护和内容合规管理具有潜在应用价值。 #论文 #版权侵权 #跨模态 #AI #机器学习 #arXiv #框架 #条件敏感性 #研究 #数字版权

跨域上下文赌博机的离策略评估与学习研究

一篇题为《Cross-Domain Off-Policy Evaluation and Learning for Contextual Bandits》的研究论文近期在arXiv上发布。该研究聚焦于上下文赌博机（Contextual Bandits）框架下的跨域离策略评估与学习问题。在传统离策略评估中，目标策略与行为策略通常来自同一数据分布，而跨域场景下两者存在分布偏移，导致评估偏差。论文提出新的方法，旨在提升在源域数据上训练的模型向目标域泛化时的离策略评估准确性，并进一步优化跨域学习策略。该研究对于推荐系统、个性化医疗等需要跨场景迁移的应用具有潜在价值。 #机器学习 #强化学习 #上下文赌博机 #离策略评估 #跨域学习