2026 中国 AGI 创新影响力机构 TOP 30 榜单发布
近日，智源社区发布“2026 中国 AGI 创新影响力机构 TOP 30”榜单。过去一年，AI 行业重心回归模型创新，DeepSeek 从 R1 升级至 V4，开源与闭源模型能力差距显著缩小；智谱、MiniMax 登陆港交所，成为全球首批上市大模型公司；Kimi 发布 2.8 万亿参数 K3，Qwen 持续多尺寸多模态开源。行业变革已超越模型层，Coding Agent 大规模落地，vibe coding 等新范式兴起，AI 正加速向工程化、产品化和场景化纵深发展，技术价值日益体现在实际生产力提升与生态协同中。 #AGI #人工智能 #大模型 #智源社区 #DeepSeek #智谱 #MiniMax #Kimi #Qwen #行业榜单
近日，智源社区发布“2026 中国 AGI 创新影响力机构 TOP 30”榜单。过去一年，AI 行业重心回归模型创新，DeepSeek 从 R1 升级至 V4，开源与闭源模型能力差距显著缩小；智谱、MiniMax 登陆港交所，成为全球首批上市大模型公司；Kimi 发布 2.8 万亿参数 K3，Qwen 持续多尺寸多模态开源。行业变革已超越模型层，Coding Agent 大规模落地，vibe coding 等新范式兴起，AI 正加速向工程化、产品化和场景化纵深发展，技术价值日益体现在实际生产力提升与生态协同中。 #AGI #人工智能 #大模型 #智源社区 #DeepSeek #智谱 #MiniMax #Kimi #Qwen #行业榜单
NANQ：面向模拟存内计算的噪声感知混合精度非均匀量化方法
arXiv上近日公开了一篇题为《NANQ: Noise-Floor-Aware Mixed-Precision Non-Uniform Quantization for Analog Compute-in-Memory》的论文。该研究由Yizhe Chen等人完成，提出了一种针对模拟存内计算（CIM）硬件的新型量化技术。模拟CIM由于噪声底限的存在，传统均匀量化精度受限。NANQ方法通过感知噪声底限，采用混合精度非均匀量化策略，在保持模型精度的同时显著降低硬件开销。实验表明，该方法在多个神经网络任务上优于现有量化方案，为模拟存内计算的实际部署提供了有效路径。 #论文 #AI #量化 #模拟计算 #存内计算 #神经网络 #芯片 #硬件
arXiv上近日公开了一篇题为《NANQ: Noise-Floor-Aware Mixed-Precision Non-Uniform Quantization for Analog Compute-in-Memory》的论文。该研究由Yizhe Chen等人完成，提出了一种针对模拟存内计算（CIM）硬件的新型量化技术。模拟CIM由于噪声底限的存在，传统均匀量化精度受限。NANQ方法通过感知噪声底限，采用混合精度非均匀量化策略，在保持模型精度的同时显著降低硬件开销。实验表明，该方法在多个神经网络任务上优于现有量化方案，为模拟存内计算的实际部署提供了有效路径。 #论文 #AI #量化 #模拟计算 #存内计算 #神经网络 #芯片 #硬件
基于归因可分离性的解释器稳定性测量方法论文发布
近期，一篇题为《Measuring Explainer Stability via Attribution Separability》的论文在arXiv预印本平台上线，作者为Eddie Conti等。该论文聚焦于机器学习模型可解释性领域，提出了一种通过归因可分离性（Attribution Separability）来量化解释器稳定性的新方法。解释器稳定性是评估模型解释结果可靠性的关键指标，现有方法往往难以准确衡量。该研究通过引入归因可分离性概念，为解释器稳定性提供了更鲁棒的测量手段，有助于提升AI模型的可信度与透明度。论文已通过DataCite获得arXiv编号，处于待注册状态，并提供PDF及HTML版本供学术社区查阅。 #arXiv #可解释性AI #归因可分离性 #解释器稳定性 #机器学习 #AI安全 #论文
近期，一篇题为《Measuring Explainer Stability via Attribution Separability》的论文在arXiv预印本平台上线，作者为Eddie Conti等。该论文聚焦于机器学习模型可解释性领域，提出了一种通过归因可分离性（Attribution Separability）来量化解释器稳定性的新方法。解释器稳定性是评估模型解释结果可靠性的关键指标，现有方法往往难以准确衡量。该研究通过引入归因可分离性概念，为解释器稳定性提供了更鲁棒的测量手段，有助于提升AI模型的可信度与透明度。论文已通过DataCite获得arXiv编号，处于待注册状态，并提供PDF及HTML版本供学术社区查阅。 #arXiv #可解释性AI #归因可分离性 #解释器稳定性 #机器学习 #AI安全 #论文
PatTree：自动创建多模态图结构患者表示的新方法助力医学分类
近日，一篇题为《PatTree：一种用于医学分类任务的自动创建多模态、图结构患者表示的新方法》的论文在arXiv预印本平台发布。该研究由Julia Gehrmann等作者提出，旨在解决医学领域多模态数据整合与分类的难题。PatTree方法通过自动化构建基于图的患者表示，将影像、文本、基因等多模态信息融合为结构化图模型，从而提升疾病诊断、预后预测等医学分类任务的准确性与可解释性。该方法有望为临床决策支持系统提供更高效、更可靠的技术工具，推动医疗人工智能向实用化迈进一步。 #医学AI #多模态学习 #图神经网络 #患者表示 #论文 #arXiv #医疗分类
近日，一篇题为《PatTree：一种用于医学分类任务的自动创建多模态、图结构患者表示的新方法》的论文在arXiv预印本平台发布。该研究由Julia Gehrmann等作者提出，旨在解决医学领域多模态数据整合与分类的难题。PatTree方法通过自动化构建基于图的患者表示，将影像、文本、基因等多模态信息融合为结构化图模型，从而提升疾病诊断、预后预测等医学分类任务的准确性与可解释性。该方法有望为临床决策支持系统提供更高效、更可靠的技术工具，推动医疗人工智能向实用化迈进一步。 #医学AI #多模态学习 #图神经网络 #患者表示 #论文 #arXiv #医疗分类
输出感知旋转：INT2 KV
近日，一篇题为《Output-Aware Rotation for INT2 KV-Cache Quantization》的论文在arXiv上发布。该研究由Vincent-Daniel Yun等六位作者共同完成，提出了一种针对大语言模型推理过程中KV-Cache的INT2量化新方法——输出感知旋转。传统量化方法在极低比特（如INT2）下会导致严重的精度损失，而该方法通过引入输出感知的旋转操作，有效降低了量化误差，在不显著牺牲模型性能的前提下大幅压缩了KV-Cache的内存占用。实验表明，该技术能够在保持模型输出质量的同时，实现更高效的内存利用，为大型语言模型的部署与推理优化提供了新的思路。 #论文 #量化 #KV-Cache #LLM #AI #压缩技术 #INT2 #机器学习
近日，一篇题为《Output-Aware Rotation for INT2 KV-Cache Quantization》的论文在arXiv上发布。该研究由Vincent-Daniel Yun等六位作者共同完成，提出了一种针对大语言模型推理过程中KV-Cache的INT2量化新方法——输出感知旋转。传统量化方法在极低比特（如INT2）下会导致严重的精度损失，而该方法通过引入输出感知的旋转操作，有效降低了量化误差，在不显著牺牲模型性能的前提下大幅压缩了KV-Cache的内存占用。实验表明，该技术能够在保持模型输出质量的同时，实现更高效的内存利用，为大型语言模型的部署与推理优化提供了新的思路。 #论文 #量化 #KV-Cache #LLM #AI #压缩技术 #INT2 #机器学习
GLOBE：轨迹对齐梯度匹配与结构化稀疏优化实现核心集高效选择
arXiv 上最新发布的一篇论文提出了 GLOBE 方法，用于解决机器学习中的核心集选择问题。核心集选择旨在从大规模数据中筛选出最具代表性的子集，以降低训练开销而不损失模型性能。现有方法常忽略数据间的结构化稀疏特性，导致所选子集信息冗余。GLOBE 通过引入轨迹对齐的梯度匹配机制，确保所选子集在训练过程中能模拟全量数据的梯度变化，同时结合结构化稀疏优化，进一步剔除冗余样本。实验表明，在多个基准数据集上，GLOBE 在保持分类精度的前提下，将训练数据量压缩至原来的 10% 以下，且在模型收敛速度和泛化能力上优于现有方法。该研究为高效训练大模型提供了新的数据筛选思路。 #核心集选择 #机器学习 #GLOBE #梯度匹配 #结构化稀疏 #数据筛选 #arXiv论文 #AI研究
arXiv 上最新发布的一篇论文提出了 GLOBE 方法，用于解决机器学习中的核心集选择问题。核心集选择旨在从大规模数据中筛选出最具代表性的子集，以降低训练开销而不损失模型性能。现有方法常忽略数据间的结构化稀疏特性，导致所选子集信息冗余。GLOBE 通过引入轨迹对齐的梯度匹配机制，确保所选子集在训练过程中能模拟全量数据的梯度变化，同时结合结构化稀疏优化，进一步剔除冗余样本。实验表明，在多个基准数据集上，GLOBE 在保持分类精度的前提下，将训练数据量压缩至原来的 10% 以下，且在模型收敛速度和泛化能力上优于现有方法。该研究为高效训练大模型提供了新的数据筛选思路。 #核心集选择 #机器学习 #GLOBE #梯度匹配 #结构化稀疏 #数据筛选 #arXiv论文 #AI研究
研究团队提出从细胞表型学习分子表征的结构保持方法
近日，一篇发表在arXiv上的论文提出了一种名为“从细胞表型学习分子表征并保持结构”的新方法。该方法旨在利用细胞表型数据（如高内涵成像）来学习分子表征，同时保留分子的结构信息。传统分子表征学习多依赖化学结构或分子指纹，而细胞表型能够反映分子在生物系统中的功能影响，但往往在表征学习过程中丢失结构细节。该研究通过引入结构保持约束，使得学习到的分子表征既包含细胞表型的功能信息，又保留化学结构的关键特征，从而提升在药物发现、靶点预测等任务中的性能。实验表明，该方法在多个基准数据集上优于现有方法，为分子表征学习提供了新的生物导向视角。 #分子表征 #细胞表型 #结构保持 #药物发现 #深度学习 #AI #生物信息学 #arXiv
近日，一篇发表在arXiv上的论文提出了一种名为“从细胞表型学习分子表征并保持结构”的新方法。该方法旨在利用细胞表型数据（如高内涵成像）来学习分子表征，同时保留分子的结构信息。传统分子表征学习多依赖化学结构或分子指纹，而细胞表型能够反映分子在生物系统中的功能影响，但往往在表征学习过程中丢失结构细节。该研究通过引入结构保持约束，使得学习到的分子表征既包含细胞表型的功能信息，又保留化学结构的关键特征，从而提升在药物发现、靶点预测等任务中的性能。实验表明，该方法在多个基准数据集上优于现有方法，为分子表征学习提供了新的生物导向视角。 #分子表征 #细胞表型 #结构保持 #药物发现 #深度学习 #AI #生物信息学 #arXiv
球面收缩归一化研究论文在arXiv发布
一篇题为《Sphere Retraction Normalizations》的学术论文于2026年8月2日提交至arXiv预印本平台。该论文由Jie Zhang等四位作者共同完成，主要探讨球面流形上的收缩与归一化方法。论文内容涉及几何优化、数值计算及流形学习等领域，可能为相关算法提供新的理论框架或数值技巧。目前，论文可通过arXiv获取PDF及HTML版本，并附有BibTeX引用信息及多种学术工具链接，如Google Scholar、Semantic Scholar等。该研究旨在推动曲面几何与机器学习交叉方向的发展，对优化算法设计具有潜在参考价值。 #arXiv #球面几何 #归一化 #流形学习 #论文 #学术研究 #机器学习 #优化算法
一篇题为《Sphere Retraction Normalizations》的学术论文于2026年8月2日提交至arXiv预印本平台。该论文由Jie Zhang等四位作者共同完成，主要探讨球面流形上的收缩与归一化方法。论文内容涉及几何优化、数值计算及流形学习等领域，可能为相关算法提供新的理论框架或数值技巧。目前，论文可通过arXiv获取PDF及HTML版本，并附有BibTeX引用信息及多种学术工具链接，如Google Scholar、Semantic Scholar等。该研究旨在推动曲面几何与机器学习交叉方向的发展，对优化算法设计具有潜在参考价值。 #arXiv #球面几何 #归一化 #流形学习 #论文 #学术研究 #机器学习 #优化算法
预训练符号变换器引导物理动力系统模型发现新方法
来自arXiv的最新预印本论文提出了一种名为“验证器引导的模型发现”方法，利用预训练符号变换器从物理动力系统中自动发现可解释的数学模型。传统方法依赖人工设计或大量数据，而该研究通过符号变换器学习系统潜在动态，并引入验证器约束确保模型符合物理定律。实验表明，该方法在多个物理系统（如振荡器、混沌系统）上能准确发现底层方程，显著提升模型泛化性与可解释性。该工作由Farbod Faraji和Francesco Belardinelli完成，于2026年8月提交，有望加速科学发现与自动建模进程。 #arXiv #预训练 #符号变换器 #物理动力系统 #模型发现 #AI #科学计算 #机器学习 #自动化建模
来自arXiv的最新预印本论文提出了一种名为“验证器引导的模型发现”方法，利用预训练符号变换器从物理动力系统中自动发现可解释的数学模型。传统方法依赖人工设计或大量数据，而该研究通过符号变换器学习系统潜在动态，并引入验证器约束确保模型符合物理定律。实验表明，该方法在多个物理系统（如振荡器、混沌系统）上能准确发现底层方程，显著提升模型泛化性与可解释性。该工作由Farbod Faraji和Francesco Belardinelli完成，于2026年8月提交，有望加速科学发现与自动建模进程。 #arXiv #预训练 #符号变换器 #物理动力系统 #模型发现 #AI #科学计算 #机器学习 #自动化建模
符号回归中的深度分治与约简
近日，一篇题为“Deep Divide-and-Reduce in Symbolic Regression”的论文在arXiv上发布。该研究由Yusong Deng等人提出，旨在通过深度学习方法改进符号回归任务。符号回归旨在从数据中自动发现数学表达式，传统方法常面临搜索空间过大、效率低下等问题。论文提出了一种“分治与约简”策略，将复杂表达式分解为子结构，再利用深度网络进行约简与重组，从而提升回归精度与可解释性。实验表明，该方法在多个基准数据集上优于现有符号回归模型，为自动建模与科学发现提供了新思路。 #符号回归 #深度学习 #AI #论文 #arXiv #机器学习 #数据科学
近日，一篇题为“Deep Divide-and-Reduce in Symbolic Regression”的论文在arXiv上发布。该研究由Yusong Deng等人提出，旨在通过深度学习方法改进符号回归任务。符号回归旨在从数据中自动发现数学表达式，传统方法常面临搜索空间过大、效率低下等问题。论文提出了一种“分治与约简”策略，将复杂表达式分解为子结构，再利用深度网络进行约简与重组，从而提升回归精度与可解释性。实验表明，该方法在多个基准数据集上优于现有符号回归模型，为自动建模与科学发现提供了新思路。 #符号回归 #深度学习 #AI #论文 #arXiv #机器学习 #数据科学
基于经验驱动的自适应引导，提升智能体工具使用的鲁棒性
近日，一篇题为《Towards Robust Tool Use in Agents via Experience-Driven Adaptive Guidance》的论文在arXiv预印本平台发布。该研究由Can Wang等六位学者共同完成，提出了一种通过经验驱动的自适应引导机制，旨在增强智能体在工具使用任务中的鲁棒性。研究指出，当前智能体在调用外部工具时往往面临环境变化或错误反馈导致的性能下降问题，而传统方法缺乏灵活的调整能力。作者通过引入基于历史经验的自适应策略，使智能体能够动态优化工具选择与调用流程，从而在复杂场景下保持稳定表现。这项研究为构建更可靠、更实用的智能体系统提供了新思路，对推动大语言模型在实际应用中的工具集成具有参考价值。 #人工智能 #智能体 #工具使用 #鲁棒性 #经验驱动 #自适应引导 #arXiv #研究论文
近日，一篇题为《Towards Robust Tool Use in Agents via Experience-Driven Adaptive Guidance》的论文在arXiv预印本平台发布。该研究由Can Wang等六位学者共同完成，提出了一种通过经验驱动的自适应引导机制，旨在增强智能体在工具使用任务中的鲁棒性。研究指出，当前智能体在调用外部工具时往往面临环境变化或错误反馈导致的性能下降问题，而传统方法缺乏灵活的调整能力。作者通过引入基于历史经验的自适应策略，使智能体能够动态优化工具选择与调用流程，从而在复杂场景下保持稳定表现。这项研究为构建更可靠、更实用的智能体系统提供了新思路，对推动大语言模型在实际应用中的工具集成具有参考价值。 #人工智能 #智能体 #工具使用 #鲁棒性 #经验驱动 #自适应引导 #arXiv #研究论文
可追溯多智能体系统助力基于知识的预测
近日，一篇题为《Traceable Multi-Agent System for Knowledge-Based Forecasting》的论文在arXiv上提交。该论文由Junhyeok Kang等四位作者共同完成，提出了一种基于知识预测的可追溯多智能体系统。研究旨在通过多智能体协作，提升预测过程的透明度和可解释性，使系统在复杂知识推理任务中能够清晰追溯每一步决策依据。该方法有望在金融、气象、供应链等需要可解释预测的领域发挥重要作用。论文提供了完整的PDF、HTML及TeX源码，并附有相关工具和引用链接，便于同行深入研究和复现。目前该论文尚处于预印本阶段，等待正式注册DOI。 #arXiv #多智能体系统 #可追溯 #知识预测 #AI研究 #论文 #机器学习
近日，一篇题为《Traceable Multi-Agent System for Knowledge-Based Forecasting》的论文在arXiv上提交。该论文由Junhyeok Kang等四位作者共同完成，提出了一种基于知识预测的可追溯多智能体系统。研究旨在通过多智能体协作，提升预测过程的透明度和可解释性，使系统在复杂知识推理任务中能够清晰追溯每一步决策依据。该方法有望在金融、气象、供应链等需要可解释预测的领域发挥重要作用。论文提供了完整的PDF、HTML及TeX源码，并附有相关工具和引用链接，便于同行深入研究和复现。目前该论文尚处于预印本阶段，等待正式注册DOI。 #arXiv #多智能体系统 #可追溯 #知识预测 #AI研究 #论文 #机器学习
基于多项式表示的自动驾驶长期交通场景预测研究
Yue Yao 等人在 arXiv 上发表了一项研究，提出利用多项式表示方法进行自动驾驶中的长期交通场景预测。长期预测对于自动驾驶的安全性和决策规划至关重要，但传统方法受限于建模复杂性和计算效率。该研究通过将交通场景要素（如车辆轨迹、道路结构）编码为多项式函数，实现高效且可扩展的时空推理。实验表明，该方法在多个基准数据集上显著提升了预测准确性，同时降低了计算开销。该工作为自动驾驶系统在复杂动态环境中的长期行为预测提供了新思路，有望推动相关技术的实用化进程。 #自动驾驶 #交通场景预测 #多项式表示 #arXiv #论文 #AI #机器学习 #智能交通
Yue Yao 等人在 arXiv 上发表了一项研究，提出利用多项式表示方法进行自动驾驶中的长期交通场景预测。长期预测对于自动驾驶的安全性和决策规划至关重要，但传统方法受限于建模复杂性和计算效率。该研究通过将交通场景要素（如车辆轨迹、道路结构）编码为多项式函数，实现高效且可扩展的时空推理。实验表明，该方法在多个基准数据集上显著提升了预测准确性，同时降低了计算开销。该工作为自动驾驶系统在复杂动态环境中的长期行为预测提供了新思路，有望推动相关技术的实用化进程。 #自动驾驶 #交通场景预测 #多项式表示 #arXiv #论文 #AI #机器学习 #智能交通
SeaSlides
近日，一篇题为《SeaSlides: Semantic Abstraction Layer for Agentic Slide Generation》的论文在arXiv预印本平台发布。该研究由Shengjun Fang等人提出，旨在通过引入语义抽象层，解决当前智能体在自动生成幻灯片时面临的语义理解与结构化表达难题。SeaSlides作为一个中间层，能够将用户意图与底层幻灯片模板进行智能映射，使AI代理生成的内容更符合逻辑与视觉规范。该工作有望提升演示文稿制作的自动化水平，对教育、商业汇报等领域具有潜在应用价值。 #论文 #AI生成 #幻灯片 #语义抽象 #智能体 #arXiv #自动化
近日，一篇题为《SeaSlides: Semantic Abstraction Layer for Agentic Slide Generation》的论文在arXiv预印本平台发布。该研究由Shengjun Fang等人提出，旨在通过引入语义抽象层，解决当前智能体在自动生成幻灯片时面临的语义理解与结构化表达难题。SeaSlides作为一个中间层，能够将用户意图与底层幻灯片模板进行智能映射，使AI代理生成的内容更符合逻辑与视觉规范。该工作有望提升演示文稿制作的自动化水平，对教育、商业汇报等领域具有潜在应用价值。 #论文 #AI生成 #幻灯片 #语义抽象 #智能体 #arXiv #自动化