GeoArbiter：可验证性引导的遥感多模态大模型定位方法
近日，arXiv上预印了一篇题为《GeoArbiter: Verifiability-Guided Grounding for Remote-Sensing Multimodal LLMs》的论文，由Xuechen Li提交。该研究针对遥感领域多模态大模型在复杂场景中定位不准确的问题，提出了一种基于可验证性引导的定位框架GeoArbiter。该方法通过引入可验证性机制，有效约束模型对地理空间信息的理解与生成，提升在遥感图像上的目标定位精度与可信度。论文还探讨了如何将可验证性融入多模态大模型的推理过程，以增强模型在军事、城市规划、灾害监测等应用中的可靠性。该工作为遥感与AI的交叉研究提供了新思路，有望推动多模态大模型在遥感领域的实用化进程。 #遥感 #多模态大模型 #GeoArbiter #可验证性 #AI #计算机视觉 #论文 #arXiv
近日，arXiv上预印了一篇题为《GeoArbiter: Verifiability-Guided Grounding for Remote-Sensing Multimodal LLMs》的论文，由Xuechen Li提交。该研究针对遥感领域多模态大模型在复杂场景中定位不准确的问题，提出了一种基于可验证性引导的定位框架GeoArbiter。该方法通过引入可验证性机制，有效约束模型对地理空间信息的理解与生成，提升在遥感图像上的目标定位精度与可信度。论文还探讨了如何将可验证性融入多模态大模型的推理过程，以增强模型在军事、城市规划、灾害监测等应用中的可靠性。该工作为遥感与AI的交叉研究提供了新思路，有望推动多模态大模型在遥感领域的实用化进程。 #遥感 #多模态大模型 #GeoArbiter #可验证性 #AI #计算机视觉 #论文 #arXiv
Kilobyte Models
该论文提出了一种名为“千字节模型”（Kilobyte Models）的新型神经网络架构，将神经网络本身视为一个“种子”，并通过量化潜变量实现高效表示与推理。与传统深度学习模型不同，该方法将模型参数压缩至极小规模，仅需千字节级别的存储，同时保持较强的表达能力。研究者通过实验验证，该模型在图像分类、文本生成等任务上能够以极低资源开销达到接近大型模型的性能，为边缘计算、低功耗设备上的AI部署提供了新思路。论文还探讨了量化潜变量如何作为模型的“遗传密码”，在保持架构灵活性的同时大幅降低内存与计算负担。该工作发表于arXiv，并已开放代码与实验数据。 #论文 #神经网络 #量化 #模型压缩 #AI #机器学习 #千字节模型 #arXiv
该论文提出了一种名为“千字节模型”（Kilobyte Models）的新型神经网络架构，将神经网络本身视为一个“种子”，并通过量化潜变量实现高效表示与推理。与传统深度学习模型不同，该方法将模型参数压缩至极小规模，仅需千字节级别的存储，同时保持较强的表达能力。研究者通过实验验证，该模型在图像分类、文本生成等任务上能够以极低资源开销达到接近大型模型的性能，为边缘计算、低功耗设备上的AI部署提供了新思路。论文还探讨了量化潜变量如何作为模型的“遗传密码”，在保持架构灵活性的同时大幅降低内存与计算负担。该工作发表于arXiv，并已开放代码与实验数据。 #论文 #神经网络 #量化 #模型压缩 #AI #机器学习 #千字节模型 #arXiv
SparseKAN: 从基函数、神经元到比特的全方位KAN网络压缩方法
该论文提出了一种名为SparseKAN的新型压缩方法，针对Kolmogorov-Arnold网络（KAN）进行多维度优化。研究团队从基函数、神经元和比特三个层面入手，旨在减少模型参数与计算复杂度，同时保持网络性能。SparseKAN通过稀疏化基函数表示、剪枝冗余神经元以及量化权重比特，实现了对KAN模型的高效压缩。实验结果表明，该方法在显著降低模型存储和推理成本的同时，仅带来轻微精度损失，为KAN在资源受限场景下的部署提供了可行方案。论文作者来自相关研究机构，目前该工作已在arXiv上预印发布。 #机器学习 #神经网络 #模型压缩 #KAN #稀疏化 #学术论文
该论文提出了一种名为SparseKAN的新型压缩方法，针对Kolmogorov-Arnold网络（KAN）进行多维度优化。研究团队从基函数、神经元和比特三个层面入手，旨在减少模型参数与计算复杂度，同时保持网络性能。SparseKAN通过稀疏化基函数表示、剪枝冗余神经元以及量化权重比特，实现了对KAN模型的高效压缩。实验结果表明，该方法在显著降低模型存储和推理成本的同时，仅带来轻微精度损失，为KAN在资源受限场景下的部署提供了可行方案。论文作者来自相关研究机构，目前该工作已在arXiv上预印发布。 #机器学习 #神经网络 #模型压缩 #KAN #稀疏化 #学术论文
HyperODE
近日，题为“HyperODE: Zero-Shot Surrogate for Simulation and Inference of Dynamical Systems”的研究论文在arXiv预印本平台发布，作者为Ajitesh Srivastava。该研究提出HyperODE框架，作为动力系统模拟与推断的零样本代理模型。在科学计算中，传统代理模型往往需要针对每个具体系统重新训练，而零样本方法试图让模型直接推广至未见过的系统，从而显著降低计算成本。论文介绍了HyperODE的设计思路，并可能探讨了其在多种动力系统上的适用性。目前该论文已提供PDF、HTML等全文访问方式，并开放了BibTeX引用导出，相关代码和数据关联信息也可在页面中获取。作为预印本，该工作仍需同行评审，但其为复杂系统快速仿真提供了新的可能性。 #HyperODE #动力系统 #零样本学习 #科学计算 #arXiv #论文
近日，题为“HyperODE: Zero-Shot Surrogate for Simulation and Inference of Dynamical Systems”的研究论文在arXiv预印本平台发布，作者为Ajitesh Srivastava。该研究提出HyperODE框架，作为动力系统模拟与推断的零样本代理模型。在科学计算中，传统代理模型往往需要针对每个具体系统重新训练，而零样本方法试图让模型直接推广至未见过的系统，从而显著降低计算成本。论文介绍了HyperODE的设计思路，并可能探讨了其在多种动力系统上的适用性。目前该论文已提供PDF、HTML等全文访问方式，并开放了BibTeX引用导出，相关代码和数据关联信息也可在页面中获取。作为预印本，该工作仍需同行评审，但其为复杂系统快速仿真提供了新的可能性。 #HyperODE #动力系统 #零样本学习 #科学计算 #arXiv #论文
自适应量子物理信息神经网络求解微分方程，应用于流体动力学
一篇题为《自适应量子物理信息神经网络用于微分方程及其在流体动力学中的应用》的研究论文近日在arXiv预印本平台发布。该研究由Fabio Pereira dos Santos等人完成，提出了一种结合量子计算与物理信息神经网络的新方法，旨在更高效地求解复杂微分方程。传统物理信息神经网络在处理高维或非线性问题时面临计算瓶颈，而该工作引入自适应机制和量子计算优势，显著提升了求解精度与效率。研究团队将模型应用于流体动力学领域，验证了其在模拟湍流、边界层等典型问题上的有效性。这一成果为科学计算与工程模拟提供了新思路，有望推动量子机器学习在物理建模中的实际应用。 #量子计算 #物理信息神经网络 #微分方程 #流体动力学 #AI #科研 #机器学习 #arXiv
一篇题为《自适应量子物理信息神经网络用于微分方程及其在流体动力学中的应用》的研究论文近日在arXiv预印本平台发布。该研究由Fabio Pereira dos Santos等人完成，提出了一种结合量子计算与物理信息神经网络的新方法，旨在更高效地求解复杂微分方程。传统物理信息神经网络在处理高维或非线性问题时面临计算瓶颈，而该工作引入自适应机制和量子计算优势，显著提升了求解精度与效率。研究团队将模型应用于流体动力学领域，验证了其在模拟湍流、边界层等典型问题上的有效性。这一成果为科学计算与工程模拟提供了新思路，有望推动量子机器学习在物理建模中的实际应用。 #量子计算 #物理信息神经网络 #微分方程 #流体动力学 #AI #科研 #机器学习 #arXiv
AdvPlan-Bench：面向结构化计划生成代理的对抗性评估基准
近日，一篇题为“AdvPlan-Bench: Adversarial Evaluation of Structured Plan-Generation Agents”的研究论文在arXiv平台发布。该研究由Alina Kapanova等人共同完成，提出了一种名为AdvPlan-Bench的新型基准，旨在对结构化计划生成代理进行对抗性评估。计划生成是人工智能和自动化决策领域的关键任务，而现有评估方法往往难以覆盖对抗场景下的鲁棒性。AdvPlan-Bench通过构建具有挑战性的测试用例，系统性地检验代理在面对干扰、误导或边界条件时的表现，从而更全面地衡量其规划能力与安全性。该基准的提出有望推动计划生成代理在真实复杂环境中的可靠性研究。论文已提供PDF及HTML版本，相关代码和数据链接也已公布。 #论文 #AI #计划生成 #对抗性评估 #基准测试 #arXiv #人工智能
近日，一篇题为“AdvPlan-Bench: Adversarial Evaluation of Structured Plan-Generation Agents”的研究论文在arXiv平台发布。该研究由Alina Kapanova等人共同完成，提出了一种名为AdvPlan-Bench的新型基准，旨在对结构化计划生成代理进行对抗性评估。计划生成是人工智能和自动化决策领域的关键任务，而现有评估方法往往难以覆盖对抗场景下的鲁棒性。AdvPlan-Bench通过构建具有挑战性的测试用例，系统性地检验代理在面对干扰、误导或边界条件时的表现，从而更全面地衡量其规划能力与安全性。该基准的提出有望推动计划生成代理在真实复杂环境中的可靠性研究。论文已提供PDF及HTML版本，相关代码和数据链接也已公布。 #论文 #AI #计划生成 #对抗性评估 #基准测试 #arXiv #人工智能
在RISC-V嵌入式系统中评估Kolmogorov-Arnold网络在硬约束递归物理信息模型中的表现
一项最新研究在arXiv预印本平台发布，题为《An Embedded RISC-V Evaluation of Kolmogorov–Arnold Networks in Hard-Constrained Recurrent Physics-Informed Models》。该论文由Enzo Nicolás Spotorno与Josafat Leal Filho共同撰写，主要探讨了Kolmogorov-Arnold网络（KAN）在嵌入式RISC-V平台上的实际应用表现。研究聚焦于硬约束递归物理信息模型（Hard-Constrained Recurrent Physics-Informed Models），通过评估KAN在该类模型中的计算效率与准确性，为边缘计算场景下的物理信息神经网络部署提供了新思路。实验基于RISC-V架构，验证了KAN相较于传统多层感知机在资源受限环境下的优势。该工作对推动嵌入式AI在物理仿真、工程优化等领域的实用化具有重要意义。 #RISC-V #KolmogorovArnold网络 #物理信息模型 #嵌入式AI #边缘计算 #深度学习 #论文 #arXiv
一项最新研究在arXiv预印本平台发布，题为《An Embedded RISC-V Evaluation of Kolmogorov–Arnold Networks in Hard-Constrained Recurrent Physics-Informed Models》。该论文由Enzo Nicolás Spotorno与Josafat Leal Filho共同撰写，主要探讨了Kolmogorov-Arnold网络（KAN）在嵌入式RISC-V平台上的实际应用表现。研究聚焦于硬约束递归物理信息模型（Hard-Constrained Recurrent Physics-Informed Models），通过评估KAN在该类模型中的计算效率与准确性，为边缘计算场景下的物理信息神经网络部署提供了新思路。实验基于RISC-V架构，验证了KAN相较于传统多层感知机在资源受限环境下的优势。该工作对推动嵌入式AI在物理仿真、工程优化等领域的实用化具有重要意义。 #RISC-V #KolmogorovArnold网络 #物理信息模型 #嵌入式AI #边缘计算 #深度学习 #论文 #arXiv
持续学习新研究
一篇题为《Relative Parameter Importance in Task-Agnostic Replay-Free Continual Learning》的论文近日在 arXiv 上发布，作者为 Malavika Suresh、Ikechukwu Nkisi-Orji 与 Nirmalie Wiratunga。该研究聚焦持续学习中的灾难性遗忘问题，探讨在任务无关且不依赖经验回放的条件下，如何评估神经网络参数的相对重要性。这类设置更贴近现实场景，因为模型往往无法预知任务边界，也难以存储过往数据。论文或为缓解遗忘、提升模型连续学习能力提供新的理论视角与方法思路，相关成果有望推动持续学习在动态环境中的实际应用。 #持续学习 #灾难性遗忘 #参数重要性 #任务无关 #无回放 #机器学习 #神经网络 #arXiv
一篇题为《Relative Parameter Importance in Task-Agnostic Replay-Free Continual Learning》的论文近日在 arXiv 上发布，作者为 Malavika Suresh、Ikechukwu Nkisi-Orji 与 Nirmalie Wiratunga。该研究聚焦持续学习中的灾难性遗忘问题，探讨在任务无关且不依赖经验回放的条件下，如何评估神经网络参数的相对重要性。这类设置更贴近现实场景，因为模型往往无法预知任务边界，也难以存储过往数据。论文或为缓解遗忘、提升模型连续学习能力提供新的理论视角与方法思路，相关成果有望推动持续学习在动态环境中的实际应用。 #持续学习 #灾难性遗忘 #参数重要性 #任务无关 #无回放 #机器学习 #神经网络 #arXiv
表格基础模型推动土壤光谱学从现场尺度迈向大规模光谱库
一篇发表于arXiv的论文提出，将表格基础模型应用于土壤光谱学，有望实现从现场尺度到大规模光谱库的跨越。传统土壤光谱分析依赖小规模、特定区域的数据集，难以推广至全球尺度。该研究探索了基于预训练的表格基础模型，通过迁移学习将局部现场光谱数据与大规模光谱库相结合，提升土壤属性预测的准确性和泛化能力。实验表明，该方法在多个公开数据集上显著优于传统机器学习模型，尤其在样本稀缺区域表现突出。这项研究为构建全球统一的土壤光谱分析模型提供了新思路，有望推动精准农业和环境监测的发展。 #土壤光谱学 #基础模型 #表格数据 #机器学习 #论文 #农业科技 #环境监测 #AI应用
一篇发表于arXiv的论文提出，将表格基础模型应用于土壤光谱学，有望实现从现场尺度到大规模光谱库的跨越。传统土壤光谱分析依赖小规模、特定区域的数据集，难以推广至全球尺度。该研究探索了基于预训练的表格基础模型，通过迁移学习将局部现场光谱数据与大规模光谱库相结合，提升土壤属性预测的准确性和泛化能力。实验表明，该方法在多个公开数据集上显著优于传统机器学习模型，尤其在样本稀缺区域表现突出。这项研究为构建全球统一的土壤光谱分析模型提供了新思路，有望推动精准农业和环境监测的发展。 #土壤光谱学 #基础模型 #表格数据 #机器学习 #论文 #农业科技 #环境监测 #AI应用
❤1
新型共形辛神经流方法实现耗散哈密顿动力学跨系统预测
研究人员提出了一种名为CoSynFlow（共形辛神经流）的新型神经网络框架，用于解决耗散哈密顿动力学的跨系统预测问题。该方法结合了共形几何与辛几何理论，能够有效捕获耗散系统中的能量损失与结构保持特性，并具备从单一系统训练数据迁移至其他相似系统的泛化能力。论文由Baige Xu等人完成，已在arXiv预印本平台发布。该工作为复杂物理系统（如流体力学、量子系统）的长期演化预测提供了新的工具，有望推动人工智能在科学计算领域的应用。 #arXiv #CoSynFlow #神经网络 #物理学 #耗散系统 #哈密顿动力学 #跨系统预测 #AI4Science
研究人员提出了一种名为CoSynFlow（共形辛神经流）的新型神经网络框架，用于解决耗散哈密顿动力学的跨系统预测问题。该方法结合了共形几何与辛几何理论，能够有效捕获耗散系统中的能量损失与结构保持特性，并具备从单一系统训练数据迁移至其他相似系统的泛化能力。论文由Baige Xu等人完成，已在arXiv预印本平台发布。该工作为复杂物理系统（如流体力学、量子系统）的长期演化预测提供了新的工具，有望推动人工智能在科学计算领域的应用。 #arXiv #CoSynFlow #神经网络 #物理学 #耗散系统 #哈密顿动力学 #跨系统预测 #AI4Science
LinkedIn 今年不打算大规模采购 AI 硬件，称效率提升可替代新增投资
据《连线》报道，LinkedIn 工程 CTO Erran Berger 表示，过去六个月该公司通过优化，使现有 GPU 的计算产出提升约一倍，因此计划将这笔“算力余量”用于开发新功能，而非购买新硬件。LinkedIn 自 2016 年被微软以 262 亿美元收购，但其策略与母公司形成鲜明对比——微软近期单季资本支出高达 410 亿美元，预计下一季度将超 500 亿美元。LinkedIn 的算力需求在微软整体支出中占比极小，但该平台拥有超过 10 亿用户，若能一年内不增加硬件而持续推出生成式 AI 功能，将挑战“AI 特性与算力扩容必然同步”的主流假设。这一策略得益于 LinkedIn 2019 年启动的“蓝移”项目（计划将基础设施迁移至 Azure）于 2022 年被搁置，原因包括 Azure 自身需求压力及内部工具迁移困难。此后 LinkedIn 继续运营自建数据中心，负责基础设施的 CTO Raghu Hiremagalur 认为，掌握全栈能力正是实现今年零硬件增购计划的关键。 #LinkedIn #AI #GPU #算力效率 #微软 #数据中心 #企业策略 #生成式AI
据《连线》报道，LinkedIn 工程 CTO Erran Berger 表示，过去六个月该公司通过优化，使现有 GPU 的计算产出提升约一倍，因此计划将这笔“算力余量”用于开发新功能，而非购买新硬件。LinkedIn 自 2016 年被微软以 262 亿美元收购，但其策略与母公司形成鲜明对比——微软近期单季资本支出高达 410 亿美元，预计下一季度将超 500 亿美元。LinkedIn 的算力需求在微软整体支出中占比极小，但该平台拥有超过 10 亿用户，若能一年内不增加硬件而持续推出生成式 AI 功能，将挑战“AI 特性与算力扩容必然同步”的主流假设。这一策略得益于 LinkedIn 2019 年启动的“蓝移”项目（计划将基础设施迁移至 Azure）于 2022 年被搁置，原因包括 Azure 自身需求压力及内部工具迁移困难。此后 LinkedIn 继续运营自建数据中心，负责基础设施的 CTO Raghu Hiremagalur 认为，掌握全栈能力正是实现今年零硬件增购计划的关键。 #LinkedIn #AI #GPU #算力效率 #微软 #数据中心 #企业策略 #生成式AI
AI 未来模型发布新预测：自动化编码员2028年出现，超级智能2029年到来
AI Futures 项目团队发布了2025年12月版 AI 未来模型，作为 AI 2027 报告的后续更新。该模型通过量化方式预测超级人工智能的出现时间，其核心参数基于合著者 Daniel Kokotajlo 的中位数估计，并于2026年4月2日更新。模型预测，自动化编码员（AC）将在2028年6月实现，而超级智能（ASI）预计于2029年5月出现。模型将发展过程分为三个阶段：编码自动化、AI研究员自动化及超级智能涌现，并考虑了AI编码时间视野翻倍速度、研究品味提升速度、有效计算增长等关键参数。团队强调，该模型虽需大量直觉与猜测，但有助于澄清和指导思考，后续将持续更新。 #AI #超级智能 #未来预测 #AGI #技术趋势 #模型 #人工智能
AI Futures 项目团队发布了2025年12月版 AI 未来模型，作为 AI 2027 报告的后续更新。该模型通过量化方式预测超级人工智能的出现时间，其核心参数基于合著者 Daniel Kokotajlo 的中位数估计，并于2026年4月2日更新。模型预测，自动化编码员（AC）将在2028年6月实现，而超级智能（ASI）预计于2029年5月出现。模型将发展过程分为三个阶段：编码自动化、AI研究员自动化及超级智能涌现，并考虑了AI编码时间视野翻倍速度、研究品味提升速度、有效计算增长等关键参数。团队强调，该模型虽需大量直觉与猜测，但有助于澄清和指导思考，后续将持续更新。 #AI #超级智能 #未来预测 #AGI #技术趋势 #模型 #人工智能