Google AI Studio 删除功能被指不彻底，仅移除云端文件而非对话记录

用户发现 Google AI Studio 的“Delete”按钮并未真正从服务器删除聊天记录。测试表明，该功能仅移除 Google Drive 中的 JSON 文件，而聊天会话、上下文数据继续保留在服务器端。这一行为被指并非程序错误，而是有意设计。倡议者呼吁更多用户重复测试，以形成证据链迫使谷歌承认问题。该事件引发对数据隐私与用户控制权的质疑，尤其是在 AI 工具广泛应用的背景下，数据残留可能带来安全隐患。 #Google #AIStudio #隐私 #数据删除 #科技新闻 #用户权益 #网络安全

实测 Apple Silicon 大模型推理速度，原始数据公开

一项针对 Apple Silicon 芯片（M4 Pro、M4 Max、M3 Ultra）的大模型推理速度基准测试正式发布。测试基于实际生产环境，使用 Ollama 0.31.2 和 macOS 15.3.1，通过固定提示词和 512 token 生成预算，每款模型运行三次取中位数。结果显示，生成速度主要受内存带宽限制，呈近似线性扩展。原始数据以 JSON 格式公开，遵循 CC BY 4.0 协议，可供开发者参考复现。该测试旨在提供真实可比的性能指标，而非理论纸面数据。 #AppleSilicon #LLM #推理速度 #Ollama #基准测试 #M4Max #M3Ultra #开源数据

Kimi K3

月之暗面（Moonshot AI）在其模型页面汇总了近期多篇重要文章。7月16日发布的《，以及我们仍能从鹈鹕基准测试中学到什么》聚焦模型推理能力评估及其带来的启示；7月21日的《与Claude Code团队Cat和Thariq的炉边谈话》分享了开发经验；7月22日的《OpenAI对Hugging Face的意外网络攻击

AI支出激增导致大型科技公司信用风险大幅上升

据英国《金融时报》报道，随着对人工智能领域的大规模投资持续膨胀，多家大型科技公司的信用风险指标近期显著恶化。市场分析指出，尽管科技巨头纷纷争相布局AI基础设施，但高昂的资本支出与不确定的盈利前景加剧了债务压力。评级机构警告，若AI业务无法在短期内产生足够回报，部分企业的信用评级可能面临下调风险。这一趋势已引发投资者对科技行业整体财务健康度的担忧。 #AI支出 #科技巨头 #信用风险 #债务压力 #金融市场 #投资风险 #评级机构 #资本支出

Call Me 应用上线：AI 代理可直接给你打电话，无需额外运营商费用

一位开发者近日展示了其个人项目“Call Me”，这是一款允许 AI 代理直接拨打电话给用户的应用程序，且无需额外承担运营商通话成本。该应用不仅限于 AI 场景，也可以与任何 AI 框架配合使用，或直接作为 API 调用。开发者在展示中表示，这只是一个有趣的小工具，旨在探索 AI 与电话通信的轻量集成。 #AI应用 #电话代理 #开源项目 #开发者 #API

FileForge Finder 发布

FileForge Finder 是一款新兴的本地文件搜索工具，能够根据文件名及 PDF、Word 等文档内容进行快速检索。用户无需打开文档即可预览内容，标记敏感信息，并导出可防御的文档包。该工具完全运行在本地，不依赖任何云端服务或网络连接，以保障隐私安全。高级版本 FileForge Finder+ 还提供 OCR、批量重命名与归档功能，覆盖 Mac 与 Windows 平台。项目在 Hacker News 上展示，引发对本地高效搜索工具的关注。 #FileForgeFinder #本地搜索 #AI导出 #隐私保护 #文件管理 #HackerNews #效率工具 #文档搜索

Weighted Low-Rank Matrix Approximation: Acceleration and Applications

Focus to learn more arXiv-issued DOI via DataCite Submission history From: Elena Tuzhilina [ view email ] [v1] Wed, 22 Sep 2021 22:03:48 UTC (79 KB) [v2] Mon, 27 Jul 2026 14:28:53 UTC (1,894 KB) Full-text links: Access Paper: View a PDF of the paper titled Weighted Low-Rank Matrix Approximation: Acceleration and Applications, by Elena Tuzhilina and 1 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2021-09 Change to browse by: cs stat 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? ) Conn

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

ected Papers Toggle Connected 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? ) 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 .

从多个数据提供者中学习分布

一篇题为《Learning Distributions from Multiple Data Providers》的研究论文于2026年7月27日在arXiv预印本平台正式上线。该论文由Jon Kleinberg、Grigoris Velegkas等四位学者共同撰写，主要探讨在多个数据提供者场景下进行概率分布学习的问题。该研究涉及统计学习理论、分布式数据融合及隐私保护机制等前沿方向，对联邦学习、数据市场定价及安全多方计算等领域具有潜在的理论与实践意义。论文目前提供PDF和HTML格式免费下载，并已启用BibTeX引用、语法高亮及学术讨论工具等辅助功能，吸引了计算机科学与统计学界的广泛关注。 #arXiv #论文 #机器学习 #分布学习 #联邦学习 #数据提供者 #JonKleinberg #统计学习 #学术新闻 #数据融合

去偏机器学习

一篇题为《Debiased Machine Learning: Identification, Estimation, and Shape Constraints》的学术论文近期在arXiv预印本平台发布。该论文由Qihui Chen等三位作者撰写，主要探讨在机器学习模型中引入形状约束以解决偏差问题，并提出了相应的识别与估计方法。研究旨在提升模型在经济学、统计学等领域的应用可靠性。论文详细分析了去偏机器学习的技术框架，为处理复杂数据结构中的偏差提供了新思路。目前该论文已公开PDF全文，并接受学界评议。 #机器学习 #去偏估计 #形状约束 #经济学 #统计学 #arXiv #学术论文

基于高斯与扩散伽马先验的高维时空数据贝叶斯特征提取方法获arXiv收录

一篇题为《Bayesian Feature Extraction using Gaussian and Diffused-gamma Priors for High Dimensional Spatio-Temporal Data》的研究论文于2026年7月27日在arXiv平台提交，作者为Garrett Frady、Dipak K. Dey和Shariq Mohammed。该论文聚焦于高维时空数据的特征提取问题，提出了一种结合高斯先验与扩散伽马先验的贝叶斯框架。通过引入两种不同性质的先验分布，该方法旨在提升特征提取的鲁棒性与模型解释能力，适用于复杂时空结构的统计分析。论文目前已开放PDF全文，并提供引用、代码链接等研究支持工具，为相关领域学者提供了新的方法论参考。 #arXiv #贝叶斯 #特征提取 #高斯先验 #扩散伽马先验 #高维数据 #时空数据 #机器学习 #统计学 #新论文

设计矩阵零模式驱动过参数化回归中的多重下降

近日，一篇题为《The Zero Pattern of a Design Matrix Drives Multiple Descent in Over-parameterized Regression》的论文在arXiv预印本平台上线。该研究由Kevin Han Huang等三位作者完成，聚焦于过参数化线性回归中设计矩阵的零模式对多重下降（multiple descent）现象的驱动作用。论文通过理论分析表明，设计矩阵中零元素的分布模式直接决定了测试误差随模型复杂度变化时的多次下降与上升行为，为解释过参数化模型的泛化规律提供了新的理论依据。该成果对高维统计、机器学习理论以及深度学习的内在机制研究具有重要启示。 #机器学习 #过参数化 #回归分析 #设计矩阵 #多重下降 #arXiv #统计学习 #理论研究

在线PCA的相变依赖于n/d log(d)而非n/d

该论文重新审视了在线主成分分析（PCA）中的相变现象，指出统计学习效率的关键阈值并非传统认为的样本数n与维度d的比值n/d，而是n/(d log d)。作者通过理论分析与实验验证，揭示了在高维数据中，相变条件受维度对数项显著影响，从而修正了该领域长期以来的认识。这一发现对理解稀疏数据、神经网络训练以及高维统计推断具有重要指导意义。 #在线PCA #相变 #高维统计 #机器学习 #理论纠偏 #数据科学

物理信息神经网络用于预测一氧化二氮通量

一项新研究提出利用物理信息神经网络（PINNs）预测一氧化二氮（N₂O）通量，旨在提升这一主要温室气体排放估算的准确性与物理一致性。传统通量模型往往依赖经验参数，难以捕捉土壤生化过程的非线性动态。该方法将物理定律（如扩散反应方程）植入神经网络训练过程，使模型在拟合观测数据的同时遵循已知的物理约束。研究还通过实测数据集验证了模型在多个时空尺度上的表现，结果显示PINNs相比纯数据驱动方法具有更好的泛化能力和鲁棒性，尤其在数据稀疏区域优势明显。这一进展有望为农业减排策略和全球气候模型提供更可靠的支撑。 #物理信息神经网络 #一氧化二氮 #温室气体 #AI #环境科学 #深度学习 #气候变化 #模型预测

变分自编码器中潜在空间的软约束优化

近日，一篇题为《Soft-Constrained Optimization of Latent Space in Variational Autoencoders》的论文在arXiv上提交。该论文由Ye Shi撰写，聚焦于变分自编码器（VAE）中潜在空间的优化问题，提出了一种基于软约束的优化方法，旨在提升生成模型在潜在空间中的表征能力和生成质量。研究可能对深度学习中的生成模型、表征学习及贝叶斯推断等领域产生影响。目前论文已发布在arXiv上，供研究人员参考。 #变分自编码器 #VAE #潜在空间 #软约束 #优化 #生成模型 #机器学习 #人工智能 #论文