切片最优传输控制实现分布引导新方法
近日，一篇题为《Distribution Steering via Sliced Optimal Transport Control》的学术论文在arXiv预印本平台发布。该研究由Kaito Ito等人完成，提出了一种基于切片最优传输控制的新型分布引导技术。该方法通过将高维分布引导问题转化为一系列低维投影问题，显著降低了计算复杂度，并保持了理论上的最优性。论文展示了该方法在控制系统中对概率分布进行精确调整的潜力，有望在机器人导航、群体智能、信号处理等领域得到应用。目前论文已提供PDF、HTML及TeX源码，并附有相关引用与工具链接。 #arXiv #论文 #控制理论 #最优传输 #分布引导 #机器学习 #AI
近日，一篇题为《Distribution Steering via Sliced Optimal Transport Control》的学术论文在arXiv预印本平台发布。该研究由Kaito Ito等人完成，提出了一种基于切片最优传输控制的新型分布引导技术。该方法通过将高维分布引导问题转化为一系列低维投影问题，显著降低了计算复杂度，并保持了理论上的最优性。论文展示了该方法在控制系统中对概率分布进行精确调整的潜力，有望在机器人导航、群体智能、信号处理等领域得到应用。目前论文已提供PDF、HTML及TeX源码，并附有相关引用与工具链接。 #arXiv #论文 #控制理论 #最优传输 #分布引导 #机器学习 #AI
VALG: An Agentic System for ML Theory Research
近日，一篇题为《VALG: An Agentic System for ML Theory Research》的学术论文在arXiv预印本平台发布。该论文由Dechen Zhang等六位作者共同完成，提出了一种专门用于机器学习理论研究的智能体系统VALG。论文目前仅提供PDF全文及HTML预览，并已通过DataCite获得arXiv DOI。这一系统旨在通过自动化推理与程序辅助，帮助研究者探索机器学习中的理论问题，有望提升理论推导效率。目前，该论文已开放浏览，并附有相关引用与代码链接。 #论文 #arXiv #机器学习 #AI #智能体 #理论研究 #学术
近日，一篇题为《VALG: An Agentic System for ML Theory Research》的学术论文在arXiv预印本平台发布。该论文由Dechen Zhang等六位作者共同完成，提出了一种专门用于机器学习理论研究的智能体系统VALG。论文目前仅提供PDF全文及HTML预览，并已通过DataCite获得arXiv DOI。这一系统旨在通过自动化推理与程序辅助，帮助研究者探索机器学习中的理论问题，有望提升理论推导效率。目前，该论文已开放浏览，并附有相关引用与代码链接。 #论文 #arXiv #机器学习 #AI #智能体 #理论研究 #学术
Exponential Convex Calibration Dimension for the Multi-Label Jaccard Measure 论文在 arXiv 发布
近日，一篇题为《Exponential Convex Calibration Dimension for the Multi-Label Jaccard Measure》的学术论文在 arXiv 预印本平台公开。该论文由 Mingyuan Zhang 独立完成，提交日期为 2026 年 8 月 13 日。论文聚焦于多标签分类任务中 Jaccard 度量的理论分析，创新性地提出了“指数凸校准维度”这一概念，并系统研究了该维度与现有校准维度之间的关联。该工作为多标签学习中的性能度量和理论分析提供了新的视角，有望推动相关领域的发展。 #学术论文 #机器学习 #多标签分类 #Jaccard度量 #校准维度 #arXiv
近日，一篇题为《Exponential Convex Calibration Dimension for the Multi-Label Jaccard Measure》的学术论文在 arXiv 预印本平台公开。该论文由 Mingyuan Zhang 独立完成，提交日期为 2026 年 8 月 13 日。论文聚焦于多标签分类任务中 Jaccard 度量的理论分析，创新性地提出了“指数凸校准维度”这一概念，并系统研究了该维度与现有校准维度之间的关联。该工作为多标签学习中的性能度量和理论分析提供了新的视角，有望推动相关领域的发展。 #学术论文 #机器学习 #多标签分类 #Jaccard度量 #校准维度 #arXiv
智谱AI发布GLM
智谱AI（Z AI）正式发布GLM-5.3大模型，该模型基于743B参数基座进行后训练，在编码和智能体能力上达到顶尖水平，尤其在网络安全领域树立了开放模型的新标准。外界围绕其“刷榜”策略展开讨论：有分析指出，智谱AI相比OpenAI和Anthropic更注重公开基准测试以利于营销，但并未过度追求高分导致模型退化；其模型在智能体任务上表现突出，且因尚未支持多模态，单一模态训练难度更低；此外，智谱AI的迭代周期仅数天，远快于对手，这使其在效率上占据优势。总体来看，这是一条行之有效的策略，业界期待模型权重开源后接受更广泛测试。 #智谱AI #GLM5.3 #大模型 #编码 #网络安全 #AI #基准测试 #开源
智谱AI（Z AI）正式发布GLM-5.3大模型，该模型基于743B参数基座进行后训练，在编码和智能体能力上达到顶尖水平，尤其在网络安全领域树立了开放模型的新标准。外界围绕其“刷榜”策略展开讨论：有分析指出，智谱AI相比OpenAI和Anthropic更注重公开基准测试以利于营销，但并未过度追求高分导致模型退化；其模型在智能体任务上表现突出，且因尚未支持多模态，单一模态训练难度更低；此外，智谱AI的迭代周期仅数天，远快于对手，这使其在效率上占据优势。总体来看，这是一条行之有效的策略，业界期待模型权重开源后接受更广泛测试。 #智谱AI #GLM5.3 #大模型 #编码 #网络安全 #AI #基准测试 #开源
LLM 批量 API 定价
Google、OpenAI 和 Anthropic 三家前沿大模型厂商的批量 API 定价均统一为同步 API 的 50%，但多数成本预测仍按全价计算，导致预算误差高达一倍。xAI 的批量折扣仅为 20%，且仅限四款旧模型，旗舰模型 Grok 4.6 无折扣。此外，聚合器 OpenRouter 在非批量列表中误将 GPT-5.6 Luna 的批量价（0.10/0.60 美元）标为标准价，而 OpenAI 官方标准价为 0.20/1.20 美元，这一标价混淆可能误导用户按批量价取费却享受实时响应。本文梳理了四家厂商的批量定价机制，指出 50% 折扣已成为行业锚点，而 xAI 的差异化策略更像是对自身算力容量的表态。 #LLM #API #批量API #定价 #AI #OpenAI #Google #Anthropic #xAI #成本优化
Google、OpenAI 和 Anthropic 三家前沿大模型厂商的批量 API 定价均统一为同步 API 的 50%，但多数成本预测仍按全价计算，导致预算误差高达一倍。xAI 的批量折扣仅为 20%，且仅限四款旧模型，旗舰模型 Grok 4.6 无折扣。此外，聚合器 OpenRouter 在非批量列表中误将 GPT-5.6 Luna 的批量价（0.10/0.60 美元）标为标准价，而 OpenAI 官方标准价为 0.20/1.20 美元，这一标价混淆可能误导用户按批量价取费却享受实时响应。本文梳理了四家厂商的批量定价机制，指出 50% 折扣已成为行业锚点，而 xAI 的差异化策略更像是对自身算力容量的表态。 #LLM #API #批量API #定价 #AI #OpenAI #Google #Anthropic #xAI #成本优化
Meta 发布 Muse Glimmer 端侧 AI 模型，ExecuTorch 框架实现多后端部署
Meta 今日发布开源模型 Muse Glimmer，该模型拥有 300 亿参数，从 Muse Spark 蒸馏而来，专为设备端代理工作流设计。同时，ExecuTorch 框架新增对在 NVIDIA GPU 和 Apple Silicon Mac 上运行 Muse Glimmer 的端到端支持。ExecuTorch 采用 PyTorch 编写模型，通过预先编译优化整个执行路径，自动处理不同后端（如 CUDA 上的 Triton、Apple Silicon 上的 MLX 和 Metal）的适配。Muse Glimmer 支持文本和图像输入，具备 128K+ token 上下文，并集成 DFlash 并行扩散推测解码以实现低延迟。Meta 已在 Hugging Face 上发布预构建的 PTE 文件，用户可直接下载运行，或根据指南自行构建。这标志着设备端 AI 在复杂模型部署上的一大进步，降低了边缘计算中的推理门槛。 #Meta #MuseGlimmer #ExecuTorch #端侧AI #开源模型 #NVIDIA #AppleSilicon #AI推理 #设备端代理
Meta 今日发布开源模型 Muse Glimmer，该模型拥有 300 亿参数，从 Muse Spark 蒸馏而来，专为设备端代理工作流设计。同时，ExecuTorch 框架新增对在 NVIDIA GPU 和 Apple Silicon Mac 上运行 Muse Glimmer 的端到端支持。ExecuTorch 采用 PyTorch 编写模型，通过预先编译优化整个执行路径，自动处理不同后端（如 CUDA 上的 Triton、Apple Silicon 上的 MLX 和 Metal）的适配。Muse Glimmer 支持文本和图像输入，具备 128K+ token 上下文，并集成 DFlash 并行扩散推测解码以实现低延迟。Meta 已在 Hugging Face 上发布预构建的 PTE 文件，用户可直接下载运行，或根据指南自行构建。这标志着设备端 AI 在复杂模型部署上的一大进步，降低了边缘计算中的推理门槛。 #Meta #MuseGlimmer #ExecuTorch #端侧AI #开源模型 #NVIDIA #AppleSilicon #AI推理 #设备端代理