AI大模型“斩杀线”上移，Agent任务放大成本与能力差距
2026年7月，DeepSeek发布V4 Flash 0731，在Artificial Analysis Intelligence Index上得分50，较前代提升10分。该评测以“任务”为核心，更侧重智能体能力，纵轴为能力得分，横轴为每任务成本。V4 Flash 0731落在左上角，形成“斩杀线”——成本更高、能力更弱的模型将快速失去市场。Agent任务使模型消耗的tokens比单轮问答高出千倍，模型间的单价差距不变，但最终支出从美分级跃升至美元级。同时，多步骤串联使成功率为各步成功率连乘，能力差距被放大。开发者切换模型成本极低，基础模型层同质化加剧，性价比优者快速聚集市场份额，落入斩杀线的模型将直接淘汰。 #AI大模型 #斩杀线 #Agent #DeepSeek #成本竞争 #智能体 #大模型评测
2026年7月，DeepSeek发布V4 Flash 0731，在Artificial Analysis Intelligence Index上得分50，较前代提升10分。该评测以“任务”为核心，更侧重智能体能力，纵轴为能力得分，横轴为每任务成本。V4 Flash 0731落在左上角，形成“斩杀线”——成本更高、能力更弱的模型将快速失去市场。Agent任务使模型消耗的tokens比单轮问答高出千倍，模型间的单价差距不变，但最终支出从美分级跃升至美元级。同时，多步骤串联使成功率为各步成功率连乘，能力差距被放大。开发者切换模型成本极低，基础模型层同质化加剧，性价比优者快速聚集市场份额，落入斩杀线的模型将直接淘汰。 #AI大模型 #斩杀线 #Agent #DeepSeek #成本竞争 #智能体 #大模型评测
凸包邻域平滑对偶泛化
arXiv 最新收录了由 Yi Yang 等学者提交的论文，题为《Convex-Hull-Neighborhood Smooth Dual Generalization: Controlling Local Correction Propagation in Offline RL》。该研究针对离线强化学习中局部校正传播难以控制的问题，提出了一种基于凸包邻域的平滑对偶泛化方法。通过构建凸包邻域结构，并引入平滑对偶约束，有效限制了局部校正的过度扩散，提升了离线策略学习的稳定性和泛化能力。实验结果表明，该方法在多个基准任务上优于现有模型，为离线强化学习的安全部署提供了新思路。 #离线强化学习 #凸包邻域 #局部校正传播 #平滑对偶泛化 #arXiv论文 #AI #机器学习
arXiv 最新收录了由 Yi Yang 等学者提交的论文，题为《Convex-Hull-Neighborhood Smooth Dual Generalization: Controlling Local Correction Propagation in Offline RL》。该研究针对离线强化学习中局部校正传播难以控制的问题，提出了一种基于凸包邻域的平滑对偶泛化方法。通过构建凸包邻域结构，并引入平滑对偶约束，有效限制了局部校正的过度扩散，提升了离线策略学习的稳定性和泛化能力。实验结果表明，该方法在多个基准任务上优于现有模型，为离线强化学习的安全部署提供了新思路。 #离线强化学习 #凸包邻域 #局部校正传播 #平滑对偶泛化 #arXiv论文 #AI #机器学习
SMOPD: 多奖励强化学习新方法提出，通过专门化与合并策略蒸馏
近日，一篇题为《SMOPD: Multi-Reward Reinforcement Learning via Specialize-and-Merge Online Policy Distillation》的论文在arXiv预印本平台提交。该论文由Wen Wang等十一位研究者共同完成，提出了一种名为SMOPD的新框架，旨在通过专门化与合并的在线策略蒸馏技术解决多奖励强化学习中的策略优化难题。该方法通过将不同奖励信号对应的策略进行专门化训练，再通过在线蒸馏合并为统一策略，从而提升学习效率和泛化能力。目前该论文尚未正式发表，但已引起相关领域研究者的关注。 #强化学习 #多奖励 #策略蒸馏 #SMOPD #arXiv #人工智能 #机器学习 #论文
近日，一篇题为《SMOPD: Multi-Reward Reinforcement Learning via Specialize-and-Merge Online Policy Distillation》的论文在arXiv预印本平台提交。该论文由Wen Wang等十一位研究者共同完成，提出了一种名为SMOPD的新框架，旨在通过专门化与合并的在线策略蒸馏技术解决多奖励强化学习中的策略优化难题。该方法通过将不同奖励信号对应的策略进行专门化训练，再通过在线蒸馏合并为统一策略，从而提升学习效率和泛化能力。目前该论文尚未正式发表，但已引起相关领域研究者的关注。 #强化学习 #多奖励 #策略蒸馏 #SMOPD #arXiv #人工智能 #机器学习 #论文
SynEnergy: 异常语义引导扩散模型用于合成能源数据生成
近日，一篇题为《SynEnergy: Anomaly Semantic-Guided Diffusion for Synthetic Energy Data Generation》的论文在arXiv上发布。该研究由Lin Jiang等学者提出，旨在解决真实能源数据稀缺、隐私保护及异常标注困难等问题。论文创新性地将异常语义信息引入扩散模型，通过引导生成过程，合成高质量、带有异常语义特征的能源数据。该方法不仅能生成逼真的正常工况数据，还能精准生成各类异常场景数据，从而为能源系统的故障诊断、异常检测和模型训练提供丰富的数据支撑。相关工作展示了扩散模型在工业数据增强领域的潜力，有望推动能源人工智能应用的进一步发展。 #SynEnergy #扩散模型 #异常检测 #能源数据 #合成数据 #人工智能 #arXiv #论文
近日，一篇题为《SynEnergy: Anomaly Semantic-Guided Diffusion for Synthetic Energy Data Generation》的论文在arXiv上发布。该研究由Lin Jiang等学者提出，旨在解决真实能源数据稀缺、隐私保护及异常标注困难等问题。论文创新性地将异常语义信息引入扩散模型，通过引导生成过程，合成高质量、带有异常语义特征的能源数据。该方法不仅能生成逼真的正常工况数据，还能精准生成各类异常场景数据，从而为能源系统的故障诊断、异常检测和模型训练提供丰富的数据支撑。相关工作展示了扩散模型在工业数据增强领域的潜力，有望推动能源人工智能应用的进一步发展。 #SynEnergy #扩散模型 #异常检测 #能源数据 #合成数据 #人工智能 #arXiv #论文
Q学习中的不确定性
一篇题为《Revisiting TD Target Aggregation under Uncertainty in Q-Learning》的学术论文近日在arXiv预印本平台发布。该研究由Lipeng Zu等人完成，主要针对Q学习算法中在不确定性环境下进行时序差分目标聚合的问题展开深入探讨。论文重新审视了传统聚合策略的局限性，提出了一种新的目标聚合方法，以提升强化学习算法在复杂环境下的稳定性和学习效率。实验结果表明，该新方法在多个基准任务上相比现有算法取得了更优的性能，为强化学习理论的发展提供了新的思路。 #arXiv #强化学习 #Q学习 #TD目标聚合 #不确定性 #机器学习 #人工智能
一篇题为《Revisiting TD Target Aggregation under Uncertainty in Q-Learning》的学术论文近日在arXiv预印本平台发布。该研究由Lipeng Zu等人完成，主要针对Q学习算法中在不确定性环境下进行时序差分目标聚合的问题展开深入探讨。论文重新审视了传统聚合策略的局限性，提出了一种新的目标聚合方法，以提升强化学习算法在复杂环境下的稳定性和学习效率。实验结果表明，该新方法在多个基准任务上相比现有算法取得了更优的性能，为强化学习理论的发展提供了新的思路。 #arXiv #强化学习 #Q学习 #TD目标聚合 #不确定性 #机器学习 #人工智能
多尺度灰盒贝叶斯优化中的可分离性利用方法
该论文题为《Exploiting Separability in Multi-Scale Grey-Box Bayesian Optimization》，由Joshua E. Hammond等人提交至arXiv。研究聚焦于多尺度灰盒贝叶斯优化问题，提出了一种利用问题中可分离性结构的方法。灰盒优化结合了黑盒与白盒信息的优势，而多尺度特性则需处理不同粒度的决策变量。作者通过挖掘目标函数中的可分离性，提升了优化效率和收敛性能。该工作有望在超参数调优、材料设计等复杂系统优化领域发挥作用。论文目前以PDF形式在arXiv预印本平台发布，尚未正式注册DOI。 #arXiv #贝叶斯优化 #灰盒优化 #多尺度 #可分离性 #机器学习 #优化算法
该论文题为《Exploiting Separability in Multi-Scale Grey-Box Bayesian Optimization》，由Joshua E. Hammond等人提交至arXiv。研究聚焦于多尺度灰盒贝叶斯优化问题，提出了一种利用问题中可分离性结构的方法。灰盒优化结合了黑盒与白盒信息的优势，而多尺度特性则需处理不同粒度的决策变量。作者通过挖掘目标函数中的可分离性，提升了优化效率和收敛性能。该工作有望在超参数调优、材料设计等复杂系统优化领域发挥作用。论文目前以PDF形式在arXiv预印本平台发布，尚未正式注册DOI。 #arXiv #贝叶斯优化 #灰盒优化 #多尺度 #可分离性 #机器学习 #优化算法
PLAN：并行液体启发近似网络，高效求解柔性作业车间调度问题
近日，一篇题为《PLAN: Parallel Liquid-Inspired Approximation Network for Efficient Representation Learning in Flexible Job Shop Scheduling》的论文提交至arXiv预印本平台。该论文由Dhivya Dharshini Kannan等8位作者共同完成，提出了一种名为PLAN（并行液体启发近似网络）的新型深度学习架构，旨在高效学习柔性作业车间调度问题的表示。该模型借鉴了液体神经网络（Liquid Neural Networks）的连续时间动力学特性，并引入并行计算机制，以提升对复杂调度约束的建模能力和推理速度。实验表明，PLAN在多个基准实例上显著优于传统启发式算法和现有深度学习方法，在求解质量和计算效率之间取得了更好平衡，为智能制造中的实时调度优化提供了新思路。 #机器学习 #调度优化 #柔性作业车间 #深度学习 #液体神经网络 #工业工程 #并行计算 #论文 #AI #智能制造
近日，一篇题为《PLAN: Parallel Liquid-Inspired Approximation Network for Efficient Representation Learning in Flexible Job Shop Scheduling》的论文提交至arXiv预印本平台。该论文由Dhivya Dharshini Kannan等8位作者共同完成，提出了一种名为PLAN（并行液体启发近似网络）的新型深度学习架构，旨在高效学习柔性作业车间调度问题的表示。该模型借鉴了液体神经网络（Liquid Neural Networks）的连续时间动力学特性，并引入并行计算机制，以提升对复杂调度约束的建模能力和推理速度。实验表明，PLAN在多个基准实例上显著优于传统启发式算法和现有深度学习方法，在求解质量和计算效率之间取得了更好平衡，为智能制造中的实时调度优化提供了新思路。 #机器学习 #调度优化 #柔性作业车间 #深度学习 #液体神经网络 #工业工程 #并行计算 #论文 #AI #智能制造
从图信号处理视角解析LLM上下文学习中的数值序列表示
一篇来自arXiv的预印本论文提出，从图信号处理（GSP）的视角重新审视大语言模型（LLM）在上下文学习（In-Context Learning）中对数值序列的表示机制。作者Jiajun Bao等七位研究者通过构建数值序列的图结构，将LLM内部注意力模式与图滤波器理论关联，揭示了模型如何利用图频谱特性完成数值推理。实验表明，该视角能有效解释LLM在数值运算任务中的行为，并可能为设计更高效的提示策略提供理论依据。该研究融合了图信号处理与机器学习，为理解LLM的数值推理能力开辟了新方向。 #图信号处理 #LLM #上下文学习 #数值序列 #AI #机器学习 #学术论文
一篇来自arXiv的预印本论文提出，从图信号处理（GSP）的视角重新审视大语言模型（LLM）在上下文学习（In-Context Learning）中对数值序列的表示机制。作者Jiajun Bao等七位研究者通过构建数值序列的图结构，将LLM内部注意力模式与图滤波器理论关联，揭示了模型如何利用图频谱特性完成数值推理。实验表明，该视角能有效解释LLM在数值运算任务中的行为，并可能为设计更高效的提示策略提供理论依据。该研究融合了图信号处理与机器学习，为理解LLM的数值推理能力开辟了新方向。 #图信号处理 #LLM #上下文学习 #数值序列 #AI #机器学习 #学术论文
Joint Affine Spectral Shaping：耦合权重与偏置更新，超越仅权重Muon优化器
近日，arXiv上出现一篇题为《Joint Affine Spectral Shaping: Coupling Weight and Bias Updates Beyond Weight-Only Muon》的论文，由Gongyue Zhang和Honghai Liu共同撰写。该研究提出了一种名为“联合仿射频谱整形”的新型优化方法，旨在深度学习训练中同时考虑权重和偏置的更新，突破了传统仅对权重进行Muon优化的局限。通过将权重和偏置的更新过程进行频谱域上的耦合整形，新方法有望改善模型的收敛速度与泛化能力。尽管具体实验细节尚未公开，但这一思路为优化器设计提供了新的方向，尤其对需要精细调节参数的大规模神经网络训练具有潜在价值。论文目前已在arXiv平台发布，供学术界和工业界进一步探讨。 #arXiv #机器学习 #优化算法 #深度学习 #论文 #联合仿射频谱整形 #Muon优化器
近日，arXiv上出现一篇题为《Joint Affine Spectral Shaping: Coupling Weight and Bias Updates Beyond Weight-Only Muon》的论文，由Gongyue Zhang和Honghai Liu共同撰写。该研究提出了一种名为“联合仿射频谱整形”的新型优化方法，旨在深度学习训练中同时考虑权重和偏置的更新，突破了传统仅对权重进行Muon优化的局限。通过将权重和偏置的更新过程进行频谱域上的耦合整形，新方法有望改善模型的收敛速度与泛化能力。尽管具体实验细节尚未公开，但这一思路为优化器设计提供了新的方向，尤其对需要精细调节参数的大规模神经网络训练具有潜在价值。论文目前已在arXiv平台发布，供学术界和工业界进一步探讨。 #arXiv #机器学习 #优化算法 #深度学习 #论文 #联合仿射频谱整形 #Muon优化器
AcceptMoE：提出自调整验证专家集，提升MoE投机解码效率
来自arXiv的一项研究提出了名为AcceptMoE的新方法，旨在通过承诺权重自调整验证专家集，提升混合专家模型（MoE）的投机解码效率。投机解码是加速大模型推理的关键技术，但在MoE架构中面临专家选择与验证的复杂度挑战。AcceptMoE引入一种自调整机制，动态确定验证专家集的大小，并结合承诺权重分配，从而在保证生成质量的同时大幅降低计算开销。实验结果表明，该方法在多个基准测试上显著提升了推理速度，且无需额外训练。该研究由Shuang Liang等人完成，为高效MoE推理提供了新思路。 #AI #大模型 #MoE #投机解码 #推理加速 #机器学习 #论文 #arXiv
来自arXiv的一项研究提出了名为AcceptMoE的新方法，旨在通过承诺权重自调整验证专家集，提升混合专家模型（MoE）的投机解码效率。投机解码是加速大模型推理的关键技术，但在MoE架构中面临专家选择与验证的复杂度挑战。AcceptMoE引入一种自调整机制，动态确定验证专家集的大小，并结合承诺权重分配，从而在保证生成质量的同时大幅降低计算开销。实验结果表明，该方法在多个基准测试上显著提升了推理速度，且无需额外训练。该研究由Shuang Liang等人完成，为高效MoE推理提供了新思路。 #AI #大模型 #MoE #投机解码 #推理加速 #机器学习 #论文 #arXiv
物理信息混合神经算子
来自arXiv的一篇新论文提出了一种物理信息混合神经算子，用于电力磁学中的瞬态磁化预测。该工作由Yachao Zhu等四位作者完成，于2026年8月3日提交。传统瞬态磁化建模依赖数值求解偏微分方程，计算成本高昂。研究团队将物理先验知识（如电磁场方程）嵌入神经网络架构，设计了一种混合算子，能直接从输入条件映射到磁化动态，在保持物理一致性的同时大幅提升预测速度。该方法有望为电力变压器、电机等磁性元件的快速仿真与优化设计提供新工具，推动物理驱动深度学习在工程电磁学中的应用。 #论文 #机器学习 #物理信息神经网络 #电力磁学 #瞬态磁化 #计算电磁学 #AIforScience #arXiv
来自arXiv的一篇新论文提出了一种物理信息混合神经算子，用于电力磁学中的瞬态磁化预测。该工作由Yachao Zhu等四位作者完成，于2026年8月3日提交。传统瞬态磁化建模依赖数值求解偏微分方程，计算成本高昂。研究团队将物理先验知识（如电磁场方程）嵌入神经网络架构，设计了一种混合算子，能直接从输入条件映射到磁化动态，在保持物理一致性的同时大幅提升预测速度。该方法有望为电力变压器、电机等磁性元件的快速仿真与优化设计提供新工具，推动物理驱动深度学习在工程电磁学中的应用。 #论文 #机器学习 #物理信息神经网络 #电力磁学 #瞬态磁化 #计算电磁学 #AIforScience #arXiv
Scaling Autoregressive Transformer for Single
Aleksandr Sharipov等人在arXiv上提交了一篇题为《Scaling an Autoregressive Transformer for Single-Cell Generation》的论文。该研究主要探讨了自回归Transformer模型在单细胞生成任务中的缩放行为，通过扩展模型规模和数据量来提升单细胞数据生成的质量与多样性。这项工作为计算生物学领域提供了新的方法，有助于理解细胞异质性和疾病机制。论文已以PDF、HTML等格式公开，并附有相关代码和数据链接，供学术界参考。 #AI #机器学习 #单细胞 #Transformer #计算生物学 #arXiv #深度学习 #生物信息学
Aleksandr Sharipov等人在arXiv上提交了一篇题为《Scaling an Autoregressive Transformer for Single-Cell Generation》的论文。该研究主要探讨了自回归Transformer模型在单细胞生成任务中的缩放行为，通过扩展模型规模和数据量来提升单细胞数据生成的质量与多样性。这项工作为计算生物学领域提供了新的方法，有助于理解细胞异质性和疾病机制。论文已以PDF、HTML等格式公开，并附有相关代码和数据链接，供学术界参考。 #AI #机器学习 #单细胞 #Transformer #计算生物学 #arXiv #深度学习 #生物信息学
研究论文提出转向向量中的反向检测与控制方法
一篇题为《Inverted Detection and Control in Steering Vectors》的学术论文近日在arXiv预印本平台上发布。该论文由Max Torop等三位作者共同撰写，于2026年8月3日提交。论文聚焦于AI模型中的转向向量（Steering Vectors）机制，提出了一种反向检测与控制的创新方法，旨在提升模型行为的可解释性和可控性。研究团队通过实验展示了该方法在识别和调节模型内部表示方向上的有效性，为未来更安全、更可靠的AI系统设计提供了新思路。该论文目前以PDF和HTML格式提供，并附有TeX源码，可供学术社区进一步研究。 #AI #论文 #转向向量 #机器学习 #arXiv #可解释性 #模型安全
一篇题为《Inverted Detection and Control in Steering Vectors》的学术论文近日在arXiv预印本平台上发布。该论文由Max Torop等三位作者共同撰写，于2026年8月3日提交。论文聚焦于AI模型中的转向向量（Steering Vectors）机制，提出了一种反向检测与控制的创新方法，旨在提升模型行为的可解释性和可控性。研究团队通过实验展示了该方法在识别和调节模型内部表示方向上的有效性，为未来更安全、更可靠的AI系统设计提供了新思路。该论文目前以PDF和HTML格式提供，并附有TeX源码，可供学术社区进一步研究。 #AI #论文 #转向向量 #机器学习 #arXiv #可解释性 #模型安全
航班时刻表驱动的机场安检吞吐量逐时预测新方法
来自arXiv的一篇最新研究论文提出了一种基于航班时刻表信息的时间融合预测模型，用于精准预测机场每小时安检通道的客流量。该模型将航班计划时刻表作为关键输入，融合时间序列特征，有效提升了预测的准确性。研究指出，机场安检吞吐量受航班起降时间、旅客密度等因素影响，传统方法难以捕捉其动态变化。新方法通过引入时间融合机制，能够更好地利用时刻表信息，为机场运力调度和旅客分流提供决策支持，有望减少排队时间，提升安检效率。该研究由Yinxiao Zhang等人完成，目前已在arXiv上发布。 #机场安检 #预测模型 #航班时刻表 #时间序列 #AI #交通 #学术论文
来自arXiv的一篇最新研究论文提出了一种基于航班时刻表信息的时间融合预测模型，用于精准预测机场每小时安检通道的客流量。该模型将航班计划时刻表作为关键输入，融合时间序列特征，有效提升了预测的准确性。研究指出，机场安检吞吐量受航班起降时间、旅客密度等因素影响，传统方法难以捕捉其动态变化。新方法通过引入时间融合机制，能够更好地利用时刻表信息，为机场运力调度和旅客分流提供决策支持，有望减少排队时间，提升安检效率。该研究由Yinxiao Zhang等人完成，目前已在arXiv上发布。 #机场安检 #预测模型 #航班时刻表 #时间序列 #AI #交通 #学术论文