执行期AI治理框架
该论文提出了一种基于执行期的AI治理概念框架，核心原则是：计算本身不应自动具备产生外部影响的权限。随着AI系统日益能够直接调用工具、执行金融交易、修改文件、控制基础设施或触发物理设备，治理重点不再仅限于模型是否通过测试或获得认证，还需在行为发生的瞬间确认该行为是否具备有效授权。框架借鉴HTTPS协议思想，通过在通信前要求机器可验证的属性来减少对信任的依赖，而非假定模型本身可信。该方案引入“候选行为”概念，将AI生成的操作置于非生效状态，在治理条件满足前不产生外部后果，并在架构上明确区分计算、授权与生效三个层面。现有治理机制如部署前评估、红队测试、日志监控等虽仍必要，但多聚焦于系统是否应被信任或事后追责，未能精确控制从计算到外部后果的技术转换过程。 #AI治理 #人工智能 #执行期治理 #安全框架 #技术伦理 #机器学习
该论文提出了一种基于执行期的AI治理概念框架，核心原则是：计算本身不应自动具备产生外部影响的权限。随着AI系统日益能够直接调用工具、执行金融交易、修改文件、控制基础设施或触发物理设备，治理重点不再仅限于模型是否通过测试或获得认证，还需在行为发生的瞬间确认该行为是否具备有效授权。框架借鉴HTTPS协议思想，通过在通信前要求机器可验证的属性来减少对信任的依赖，而非假定模型本身可信。该方案引入“候选行为”概念，将AI生成的操作置于非生效状态，在治理条件满足前不产生外部后果，并在架构上明确区分计算、授权与生效三个层面。现有治理机制如部署前评估、红队测试、日志监控等虽仍必要，但多聚焦于系统是否应被信任或事后追责，未能精确控制从计算到外部后果的技术转换过程。 #AI治理 #人工智能 #执行期治理 #安全框架 #技术伦理 #机器学习
Mandato 协议：为 AI 代理行为引入密码学签名的强制审计机制
一篇题为《Mandato: Protocol-Level Enforcement of Digitally Signed Mandates on AI Agent Actions with Cryptographically Chained Audit Trails》的学术论文于2026年8月14日提交至arXiv平台。该研究由Giovanni Racioppi撰写，提出了一种名为Mandato的协议级方案，旨在对AI代理的行为实施数字签名授权，并通过密码学链接的审计轨迹实现强制执行。该机制允许对AI代理的操作进行可验证的授权与追溯，确保其行为符合预设指令。论文已在arXiv发布，并正在通过DataCite进行DOI注册，相关PDF和引用工具已上线，研究领域归类于计算机科学方向。 #AI安全 #人工智能 #密码学 #arXiv #学术论文 #AI代理
一篇题为《Mandato: Protocol-Level Enforcement of Digitally Signed Mandates on AI Agent Actions with Cryptographically Chained Audit Trails》的学术论文于2026年8月14日提交至arXiv平台。该研究由Giovanni Racioppi撰写，提出了一种名为Mandato的协议级方案，旨在对AI代理的行为实施数字签名授权，并通过密码学链接的审计轨迹实现强制执行。该机制允许对AI代理的操作进行可验证的授权与追溯，确保其行为符合预设指令。论文已在arXiv发布，并正在通过DataCite进行DOI注册，相关PDF和引用工具已上线，研究领域归类于计算机科学方向。 #AI安全 #人工智能 #密码学 #arXiv #学术论文 #AI代理
大模型预训练中的领域数据重复缩放研究
一项关于大语言模型预训练中领域数据重复策略的研究论文已提交至 arXiv 预印本平台。该论文由 Jingwei Li 及另外七位研究者共同撰写，于 2026 年 8 月 14 日首次发布，探讨如何在预训练阶段通过重复使用特定领域数据来优化模型性能。研究聚焦于数据重复次数与模型训练效果之间的缩放规律，旨在为大模型训练中的数据配比提供理论指导。论文目前已完成提交，并通过 DataCite 申请 DOI 编号，相关全文和 TeX 源码已开放访问，供研究者下载和引用。该工作对提升大模型在专业领域的表现具有潜在应用价值，也引发了关于数据效率与过拟合风险的讨论。 #arXiv #大模型 #预训练 #数据重复 #AI #学术研究
一项关于大语言模型预训练中领域数据重复策略的研究论文已提交至 arXiv 预印本平台。该论文由 Jingwei Li 及另外七位研究者共同撰写，于 2026 年 8 月 14 日首次发布，探讨如何在预训练阶段通过重复使用特定领域数据来优化模型性能。研究聚焦于数据重复次数与模型训练效果之间的缩放规律，旨在为大模型训练中的数据配比提供理论指导。论文目前已完成提交，并通过 DataCite 申请 DOI 编号，相关全文和 TeX 源码已开放访问，供研究者下载和引用。该工作对提升大模型在专业领域的表现具有潜在应用价值，也引发了关于数据效率与过拟合风险的讨论。 #arXiv #大模型 #预训练 #数据重复 #AI #学术研究
数据驱动材料模型基准测试
近日，一篇题为《基于经典Treloar数据集的数据驱动材料模型基准测试》的学术论文正式发布。该研究由Hagen Holthusen及其三位合作者共同完成，主要聚焦于材料科学领域中数据驱动建模方法的系统评估。研究团队利用经典的Treloar数据集，对不同数据驱动材料模型进行了基准测试，旨在比较各类模型在橡胶类材料力学行为预测中的表现。该数据集作为该领域的标准参考，为模型验证提供了可靠基础。论文已在预印本平台arXiv上公开，并提供PDF、HTML及TeX源文件等多种获取方式，方便科研人员查阅与引用。这一工作有望为材料建模方法的选型提供重要参考依据。 #材料科学 #数据驱动 #基准测试 #Treloar数据集 #科研论文 #arXiv
近日，一篇题为《基于经典Treloar数据集的数据驱动材料模型基准测试》的学术论文正式发布。该研究由Hagen Holthusen及其三位合作者共同完成，主要聚焦于材料科学领域中数据驱动建模方法的系统评估。研究团队利用经典的Treloar数据集，对不同数据驱动材料模型进行了基准测试，旨在比较各类模型在橡胶类材料力学行为预测中的表现。该数据集作为该领域的标准参考，为模型验证提供了可靠基础。论文已在预印本平台arXiv上公开，并提供PDF、HTML及TeX源文件等多种获取方式，方便科研人员查阅与引用。这一工作有望为材料建模方法的选型提供重要参考依据。 #材料科学 #数据驱动 #基准测试 #Treloar数据集 #科研论文 #arXiv
[OP] 新论文揭秘智能体技能失效之谜
由 Zhiyuan Jiang 及另外八位作者联合撰写的研究论文《Demystifying Agent Skills: Why They Work-Until They Don't》在 arXiv 平台发布。论文聚焦人工智能智能体技能在实际应用中的表现差异，深入剖析了技能在特定场景下有效、却在其他情境中失效的深层原因。研究团队通过系统性分析，揭示了技能泛化能力受限的关键因素，为理解智能体行为机制和优化技能设计提供了理论依据。该论文已提交至 2026 年 8 月的 arXiv 计算机科学板块，并附有 PDF 和 HTML 版本供学界查阅。 #AI #智能体 #学术论文 #arXiv #人工智能 #机器学习 #技能泛化
由 Zhiyuan Jiang 及另外八位作者联合撰写的研究论文《Demystifying Agent Skills: Why They Work-Until They Don't》在 arXiv 平台发布。论文聚焦人工智能智能体技能在实际应用中的表现差异，深入剖析了技能在特定场景下有效、却在其他情境中失效的深层原因。研究团队通过系统性分析，揭示了技能泛化能力受限的关键因素，为理解智能体行为机制和优化技能设计提供了理论依据。该论文已提交至 2026 年 8 月的 arXiv 计算机科学板块，并附有 PDF 和 HTML 版本供学界查阅。 #AI #智能体 #学术论文 #arXiv #人工智能 #机器学习 #技能泛化
自主芯片设计中的智能体编排研究获进展
一篇题为《自主芯片设计中的智能体编排》的学术论文于2026年8月14日提交至arXiv预印本平台，作者为Linyang Li。该研究聚焦于利用智能体编排技术提升芯片设计的自动化水平，探索通过多智能体协同方式应对复杂设计流程中的挑战。论文全文已提供PDF及HTML格式供查阅，并附带BibTeX引用数据，便于学术引用。相关工具链接如代码检索、数据集关联及推荐系统也已同步上线，供研究人员进一步探索。该成果有望为半导体行业的自主化设计流程提供新思路，但其具体技术细节与实验数据尚未在公开摘要中详细展开，需查阅完整论文以获取深入信息。 #arXiv #芯片设计 #智能体编排 #AI #半导体 #学术研究
一篇题为《自主芯片设计中的智能体编排》的学术论文于2026年8月14日提交至arXiv预印本平台，作者为Linyang Li。该研究聚焦于利用智能体编排技术提升芯片设计的自动化水平，探索通过多智能体协同方式应对复杂设计流程中的挑战。论文全文已提供PDF及HTML格式供查阅，并附带BibTeX引用数据，便于学术引用。相关工具链接如代码检索、数据集关联及推荐系统也已同步上线，供研究人员进一步探索。该成果有望为半导体行业的自主化设计流程提供新思路，但其具体技术细节与实验数据尚未在公开摘要中详细展开，需查阅完整论文以获取深入信息。 #arXiv #芯片设计 #智能体编排 #AI #半导体 #学术研究
残差主导：因果自注意力推荐系统中末项依赖的结构性解释
一篇发表于 arXiv 的学术论文提出"残差主导"理论，为因果自注意力推荐系统中的"末项依赖"现象提供了结构性解释。研究由 Kozaki Keito 及其四位合作者完成，于 2026 年 8 月 14 日提交。该现象指模型在生成推荐时过度依赖用户行为序列中的最后一项，影响推荐准确性。论文通过分析残差连接在自注意力机制中的传播路径，论证了末项依赖并非偶然偏差，而是模型架构中残差结构导致的必然结果。该研究为理解推荐系统内部机理提供了新视角，有望推动相关算法的优化与改进。 #推荐系统 #自注意力机制 #因果模型 #学术论文 #arXiv #人工智能 #算法研究
一篇发表于 arXiv 的学术论文提出"残差主导"理论，为因果自注意力推荐系统中的"末项依赖"现象提供了结构性解释。研究由 Kozaki Keito 及其四位合作者完成，于 2026 年 8 月 14 日提交。该现象指模型在生成推荐时过度依赖用户行为序列中的最后一项，影响推荐准确性。论文通过分析残差连接在自注意力机制中的传播路径，论证了末项依赖并非偶然偏差，而是模型架构中残差结构导致的必然结果。该研究为理解推荐系统内部机理提供了新视角，有望推动相关算法的优化与改进。 #推荐系统 #自注意力机制 #因果模型 #学术论文 #arXiv #人工智能 #算法研究
“买传闻，卖新闻”
近日，一篇题为《Buy the Rumor, Sell the News: When Is News Priced In?》的学术论文发布在arXiv预印本平台上，由Alireza Kargarzadeh及其他四位作者共同撰写。该研究聚焦金融市场中广为人知的“买传闻，卖新闻”现象，探讨新闻信息究竟在何时被市场充分定价。论文通过模型分析，试图揭示传闻与正式新闻发布之间资产价格变动的规律，为理解信息不对称条件下的市场行为提供新视角。目前，该论文已开放PDF及HTML版本供读者查阅，并附带相关引用工具与参考文献链接。研究尚未经过同行评审，正式出版信息待后续确认。 #金融 #新闻定价 #市场行为 #学术研究 #arXiv
近日，一篇题为《Buy the Rumor, Sell the News: When Is News Priced In?》的学术论文发布在arXiv预印本平台上，由Alireza Kargarzadeh及其他四位作者共同撰写。该研究聚焦金融市场中广为人知的“买传闻，卖新闻”现象，探讨新闻信息究竟在何时被市场充分定价。论文通过模型分析，试图揭示传闻与正式新闻发布之间资产价格变动的规律，为理解信息不对称条件下的市场行为提供新视角。目前，该论文已开放PDF及HTML版本供读者查阅，并附带相关引用工具与参考文献链接。研究尚未经过同行评审，正式出版信息待后续确认。 #金融 #新闻定价 #市场行为 #学术研究 #arXiv
短视频推荐中的内容深度至关重要
一项由Liwei Deng等五位研究者共同完成的最新学术论文指出，在短视频推荐系统中，内容深度正成为影响用户参与度与平台生态的关键因素。该研究重新审视了以“注意力经济”为核心的传统推荐逻辑，认为单纯追求用户停留时长和点击率可能忽视内容的实质价值。论文提出，推荐算法应兼顾内容的表层吸引力与深层质量，以促进更有意义的信息消费。研究团队通过数据分析和模型构建，探讨了如何在推荐过程中平衡娱乐性与知识性，从而优化用户体验并推动内容生态的健康发展。该成果已提交至arXiv平台，目前处于注册和审核阶段，并提供了PDF及HTML全文供学术界参考。 #短视频 #推荐算法 #注意力经济 #内容深度 #学术研究 #arXiv #信息消费 #算法优化
一项由Liwei Deng等五位研究者共同完成的最新学术论文指出，在短视频推荐系统中，内容深度正成为影响用户参与度与平台生态的关键因素。该研究重新审视了以“注意力经济”为核心的传统推荐逻辑，认为单纯追求用户停留时长和点击率可能忽视内容的实质价值。论文提出，推荐算法应兼顾内容的表层吸引力与深层质量，以促进更有意义的信息消费。研究团队通过数据分析和模型构建，探讨了如何在推荐过程中平衡娱乐性与知识性，从而优化用户体验并推动内容生态的健康发展。该成果已提交至arXiv平台，目前处于注册和审核阶段，并提供了PDF及HTML全文供学术界参考。 #短视频 #推荐算法 #注意力经济 #内容深度 #学术研究 #arXiv #信息消费 #算法优化
Nanbeige4.2-3B 部署苹果芯片：修复缺陷并降低循环 Transformer 内存开销
一项关于 Nanbeige4.2-3B 模型在 Apple Silicon 上部署的研究近日发布。该研究由 John T. Halloran 完成，发表于 arXiv 平台，重点解决了模型在苹果芯片上运行时的部署缺陷，并提出降低循环 Transformer 内存开销的方法。研究显示，通过对部署流程进行修复和优化，模型在 Apple Silicon 上的运行效率和内存使用得到显著改善，为在苹果硬件上更高效地运行大型语言模型提供了实用方案。相关论文已附 PDF、HTML 及 TeX 源码，可供研究社区参考。 #AI #大模型 #AppleSilicon #部署优化 #技术论文
一项关于 Nanbeige4.2-3B 模型在 Apple Silicon 上部署的研究近日发布。该研究由 John T. Halloran 完成，发表于 arXiv 平台，重点解决了模型在苹果芯片上运行时的部署缺陷，并提出降低循环 Transformer 内存开销的方法。研究显示，通过对部署流程进行修复和优化，模型在 Apple Silicon 上的运行效率和内存使用得到显著改善，为在苹果硬件上更高效地运行大型语言模型提供了实用方案。相关论文已附 PDF、HTML 及 TeX 源码，可供研究社区参考。 #AI #大模型 #AppleSilicon #部署优化 #技术论文
HELIX：模型与框架协同进化的递归自我改进新方法
近日，一篇题为《HELIX：模型-框架协同进化实现递归自我改进》的学术论文发表于arXiv预印本平台。该研究由Tianyu Fan等学者提出，核心思路在于将模型本身与其运行框架（harness）视为一个协同进化的整体，通过两者之间的动态交互与相互优化，实现系统的递归自我改进能力。与传统仅聚焦于模型参数更新的方法不同，HELIX框架强调外部工具链、推理环境和训练策略的同步演化，从而突破单一模型优化的性能瓶颈。论文已通过DataCite登记DOI，并附有PDF、HTML及TeX源码等完整资料，供研究社区访问与复现。这一方向为人工智能自主进化研究提供了新视角。 #人工智能 #机器学习 #arXiv #HELIX #自我改进 #学术论文
近日，一篇题为《HELIX：模型-框架协同进化实现递归自我改进》的学术论文发表于arXiv预印本平台。该研究由Tianyu Fan等学者提出，核心思路在于将模型本身与其运行框架（harness）视为一个协同进化的整体，通过两者之间的动态交互与相互优化，实现系统的递归自我改进能力。与传统仅聚焦于模型参数更新的方法不同，HELIX框架强调外部工具链、推理环境和训练策略的同步演化，从而突破单一模型优化的性能瓶颈。论文已通过DataCite登记DOI，并附有PDF、HTML及TeX源码等完整资料，供研究社区访问与复现。这一方向为人工智能自主进化研究提供了新视角。 #人工智能 #机器学习 #arXiv #HELIX #自我改进 #学术论文
AI研究偏好模型
一篇题为《AI研究偏好模型》的学术论文已提交至arXiv预印本平台，由Thomas Simon Foster等32位作者共同撰写，并于2026年8月14日完成首版提交。论文聚焦于人工智能研究中的偏好建模问题，探讨如何系统性地理解和表达研究者的偏好，以优化AI系统的决策与推荐能力。目前该论文已提供PDF、HTML及TeX源码等多种格式供学界查阅，并可通过Google Scholar、Semantic Scholar等学术工具进行引用和追踪。论文还关联了代码、数据及多种实验性分析工具，如Connected Papers和Litmaps，便于研究者探索相关文献脉络。该研究预计将对AI辅助科研、学术推荐系统及人机协作领域产生潜在影响。 #AI #人工智能 #学术论文 #arXiv #偏好模型 #科研 #机器学习
一篇题为《AI研究偏好模型》的学术论文已提交至arXiv预印本平台，由Thomas Simon Foster等32位作者共同撰写，并于2026年8月14日完成首版提交。论文聚焦于人工智能研究中的偏好建模问题，探讨如何系统性地理解和表达研究者的偏好，以优化AI系统的决策与推荐能力。目前该论文已提供PDF、HTML及TeX源码等多种格式供学界查阅，并可通过Google Scholar、Semantic Scholar等学术工具进行引用和追踪。论文还关联了代码、数据及多种实验性分析工具，如Connected Papers和Litmaps，便于研究者探索相关文献脉络。该研究预计将对AI辅助科研、学术推荐系统及人机协作领域产生潜在影响。 #AI #人工智能 #学术论文 #arXiv #偏好模型 #科研 #机器学习
当个人记忆没有唯一答案
一项新研究关注大语言模型（LLM）智能体在处理个人记忆冲突时的表现。论文题为《当个人记忆没有唯一答案：评测不可调和冲突下的LLM智能体》，由Lu Yang等五位作者共同完成，于2026年8月提交至arXiv平台。研究聚焦于当不同用户的记忆信息存在根本性矛盾时，LLM智能体如何做出合理回应。传统评测通常假设存在标准答案，但该研究指出，个人记忆情境下往往没有单一正确结果，冲突可能无法调和。论文提出新的评测框架，旨在衡量智能体在识别冲突、管理不确定性以及避免武断判断方面的能力。这项工作对提升LLM在个性化记忆辅助、对话系统等实际应用中的可靠性具有重要意义，也为未来设计更稳健的智能体提供了理论参考。 #人工智能 #LLM #大模型 #评测方法 #记忆系统 #学术研究
一项新研究关注大语言模型（LLM）智能体在处理个人记忆冲突时的表现。论文题为《当个人记忆没有唯一答案：评测不可调和冲突下的LLM智能体》，由Lu Yang等五位作者共同完成，于2026年8月提交至arXiv平台。研究聚焦于当不同用户的记忆信息存在根本性矛盾时，LLM智能体如何做出合理回应。传统评测通常假设存在标准答案，但该研究指出，个人记忆情境下往往没有单一正确结果，冲突可能无法调和。论文提出新的评测框架，旨在衡量智能体在识别冲突、管理不确定性以及避免武断判断方面的能力。这项工作对提升LLM在个性化记忆辅助、对话系统等实际应用中的可靠性具有重要意义，也为未来设计更稳健的智能体提供了理论参考。 #人工智能 #LLM #大模型 #评测方法 #记忆系统 #学术研究