生成式AI与数字生态系统韧性

一篇题为《生成式AI与数字生态系统韧性：基于主动生命周期的综述》的论文近期在IEEE Access（2026）发表。该研究由Jonghyun Chung等学者完成，旨在系统性地审视生成式人工智能如何增强数字生态系统的韧性。论文提出了一种基于主动生命周期的方法论，从规划、设计、部署到运维的全阶段分析生成式AI在应对网络攻击、系统故障及环境变化中的潜在作用。综述覆盖了当前生成式AI在安全监控、自动化修复、自适应策略等方面的最新进展，并指出了现有技术在可解释性、伦理合规性及实际部署中的挑战。研究认为，主动生命周期框架有助于构建更具弹性的数字基础设施，为未来AI驱动的系统治理提供了理论参考。 #生成式AI #数字生态系统 #韧性 #生命周期 #IEEE #综述 #人工智能 #网络安全 #系统治理

智能体工具调用与强化学习训练的有效性和效率研究

一篇题为《On Effectiveness and Efficiency of Agentic Tool-calling and RL Training》的论文近日在arXiv上发布。该研究聚焦于智能体（Agent）在调用外部工具时的表现，以及如何通过强化学习（RL）训练提升其效率与效果。论文由Tong Liu等七位作者共同完成，探讨了在复杂任务场景下，智能体工具调用策略的优化路径，并分析了RL训练对模型决策质量和资源消耗的影响。研究为构建更高效、可靠的自主智能体系统提供了理论依据和实验参考。 #arXiv #智能体 #工具调用 #强化学习 #AI研究 #论文

世界模型综述

一篇题为《世界模型：架构、方法论、推理范式及应用全面综述》的论文在arXiv上发布。该论文由Arif Hassan Zidan等26位作者共同撰写，系统梳理了世界模型领域的研究进展。综述覆盖了世界模型的多种架构设计、训练方法论、推理范式，并探讨了其在机器人、自动驾驶、游戏AI等领域的实际应用。作者通过大量文献分析，归纳了当前世界模型在环境建模、因果推理与长期规划方面的核心挑战，并指出了未来可能的研究方向。这篇综述为从事AI、认知科学与相关交叉领域的研究者提供了重要参考。 #世界模型 #综述 #AI #人工智能 #机器推理 #arXiv #学术论文 #架构 #方法论

Foundation-Preserving Adaptation 论文提出基于广义瑞利商的新优化方法

一篇题为《Foundation-Preserving Adaptation via Generalized Rayleigh-Quotient Optimization》的研究论文近日在 arXiv 上提交，作者为 Dongjun Kim 等四人。该论文聚焦于大模型微调过程中如何保持基础能力不退化的问题，提出了一种基于广义瑞利商优化的适配策略。当前论文处于待注册 DOI 阶段，尚未正式发布。该方法的提出有望缓解下游任务适配时模型遗忘预训练知识的痛点，为高效、稳定的模型微调提供新思路。 #arXiv #论文 #大模型 #微调 #AI

可自动微分的非线性张量网络实现深度神经网络指数级压缩

来自arXiv预印本的最新研究提出了一种名为“可自动微分非线性张量网络”（ADNTNs）的新型架构，旨在对深度神经网络进行指数级压缩。该方法将非线性张量网络与自动微分技术相结合，在保持高精度的同时大幅减少了模型参数量。论文作者Andrzej Cichocki和Michal Wietczak指出，ADNTNs能够有效替代传统全连接层和卷积层，尤其适用于资源受限场景下的深度学习部署。实验表明，该网络在图像分类等任务上实现了显著的压缩比，且压缩后的模型性能损失极小。这一成果为边缘计算和移动设备上的大模型落地提供了新思路。 #深度学习 #模型压缩 #张量网络 #自动微分 #AI #神经网络 #arXiv

现代LLM与人类脑电共享价轴

一篇发表于arXiv的论文揭示了现代大型语言模型（LLM）与人类脑电图（EEG）之间共享的价轴（valence axis），并提出了“饱和规律”（Saturation Regularity）。研究团队通过对比分析，发现LLM在情感维度上的表征与人类大脑神经活动存在高度一致性，尤其在处理正负情感刺激时，模型内部表征与EEG信号呈现相似的饱和模式。该发现为理解人工智能与人类认知的共性提供了新视角，可能推动情感计算与脑机接口领域的交叉研究。论文作者包括Yousef A. Radwan等人，目前处于arXiv预印本阶段。 #人工智能 #脑电图 #情感计算 #大语言模型 #认知科学 #神经科学 #arXiv

从演示到奖励

一篇发表于arXiv的论文提出了一种新颖的测试时提示优化方法，旨在提升视觉语言模型（VLM）作为奖励模型的表现。传统奖励模型通常需要大量人工标注，而该方法通过利用演示数据，在推理阶段动态调整提示，使VLM能够更准确地评估生成结果的质量。实验表明，该技术在不重新训练模型的前提下，显著提高了奖励模型与人类偏好的一致性，为强化学习中的奖励设计提供了更高效的替代方案。研究团队来自多个机构，论文已通过DataCite归档。 #VLM #奖励模型 #提示优化 #强化学习 #AI #论文 #arXiv #视觉语言模型

Hoeffding 概念瓶颈模型在俯视图像中的应用研究

近日，一篇名为《Hoeffding Concept Bottleneck Models with Applications to Overhead Images》的学术论文在预印本平台 arXiv 上发表。该文由 Clement Benard 等四位研究者共同完成，提出了一种基于 Hoeffding 距离的概念瓶颈模型，专门用于俯视图像（如卫星或航拍影像）的分析任务。概念瓶颈模型通常通过在网络中间层注入可解释的概念表征，来提升模型的可解释性与决策透明度。该研究引入 Hoeffding 相关性度量，旨在更鲁棒地捕捉概念与最终预测之间的依赖关系，从而在保持高识别精度的同时，增强模型对俯视图像中复杂场景（如土地利用分类、目标检测）的解释能力。实验表明，该方法在多个公开俯视数据集上取得了优于传统概念瓶颈模型的效果，为可解释人工智能在地理空间分析领域的应用提供了新思路。 #论文 #AI #可解释人工智能 #概念瓶颈模型 #Hoeffding #俯视图像 #计算机视觉 #遥感

DAStatFormer：融合统计特征的混合多分支Transformer用于DAS模式识别

一篇题为《DAStatFormer: A Hybrid Multibranch Transformer with Statistical Feature Integration for DAS-Based Pattern Recognitions》的论文近日在arXiv预印本平台发布。该研究由Michel Dione等人提出，针对分布式声学传感（DAS）数据中的模式识别任务，设计了一种新型混合多分支Transformer架构。模型通过集成统计特征提取模块，增强了传统Transformer对DAS信号中时空相关性的建模能力，在多个基准数据集上取得了优于现有方法的识别精度。该工作为DAS技术在管道监测、地震勘探等领域的应用提供了更高效的深度学习方案。 #论文 #arXiv #Transformer #DAS #模式识别 #统计特征 #深度学习 #混合模型

BitsMoE：基于谱能量引导的高效比特分配方法，用于MoE大语言模型量化

近日，一篇题为“BitsMoE: Efficient Spectral Energy-Guided Bit Allocation for MoE LLM Quantization”的学术论文在arXiv上发布。该论文由Jiayu Zhao等六位作者共同完成，提出了一种名为BitsMoE的新型量化方法，专门针对专家混合（MoE）结构的大语言模型。该方法利用谱能量（Spectral Energy）作为指导，实现高效且自适应的比特分配，从而在保持模型性能的前提下显著降低存储和计算开销。实验结果表明，BitsMoE在多个基准测试上优于传统均匀量化方案，为MoE模型的部署提供了更优的压缩策略。该研究已通过arXiv平台公开全文，并提供了HTML预览和TeX源码，供学术界和工业界参考。 #量化 #大模型 #MoE #AI #机器学习 #压缩 #学术论文

CoMIC：面向云边系统长时域LLM代理的协作记忆与洞察循环

该论文提出CoMIC框架，旨在解决云边系统中大语言模型（LLM）代理在长期任务中的记忆协作与洞察共享问题。通过设计协作记忆机制和洞察循环流程，CoMIC使多个分布在云端和边缘的代理能够高效交换经验、整合知识，从而在复杂、持续的任务场景中提升推理与决策能力。实验表明，该框架能显著延长代理的有效工作周期，并降低通信开销，为云边协同的智能体系统提供了新的解决方案。 #LLM #云边系统 #协作记忆 #AI代理 #长时域任务 #arXiv #论文

SHARP 论文提出睡眠分层加速重放方法，用于长程非平稳时序模式识别

arXiv 预印本平台近日收到一篇题为“SHARP: Sleep-based Hierarchical Accelerated Replay for Long Range Non-Stationary Temporal Pattern Recognition”的论文，作者包括 Jayanta Dey 等四人。该研究提出一种名为 SHARP 的睡眠启发式分层加速重放算法，旨在提升对长程非平稳时序模式的识别能力。通过模拟睡眠中的记忆重放机制，该方法能有效捕捉长期依赖和非平稳特征，为时序数据分析提供了新思路。论文目前尚未正式注册 DOI，完整文本可在 arXiv 上获取。 #SHARP #时序模式识别 #机器学习 #睡眠启发算法 #arXiv #论文

AI主权即国家学习能力：以人为中心的学习机制视角对比法美中三国

一篇发表在arXiv上的学术论文提出，AI主权本质上是国家学习能力的体现。该研究从以人为中心的学习机制视角，比较了法国、美国和中国的AI发展路径。作者认为，国家在AI领域的竞争力不仅取决于技术积累，更取决于其构建系统性学习生态的能力，包括人才培养、数据治理、教育体系和制度创新。通过对三国的案例对比，论文揭示了不同社会模式如何塑造各自的AI主权战略，并强调了人本因素在技术竞争中的核心地位。 #AI主权 #国家学习能力 #人机交互 #AI政策 #法国AI #美国AI #中国AI #学术论文 #arXiv

潜在奖励引导框架提升大模型推理认知能力

近日，一篇题为《潜在奖励引导：一个在推理时隐式促进推理大语言模型认知行为的自适应框架》的论文在arXiv上发布。该研究由Jiakang Li等学者提出，旨在通过推理阶段的自适应调整，在不修改模型参数的前提下，内隐地引导大语言模型展现更接近人类的逻辑推理和认知行为。框架通过隐式奖励机制动态优化模型输出过程，有望显著提升复杂推理任务的准确性和可解释性，为下一代更可靠、更智能的AI推理系统提供新思路。 #AI #大模型 #推理 #论文 #认知科学 #arXiv #机器学习

LLM驱动协同进化自动启发式设计

一篇题为《LLM-Driven Co-Evolutionary Automated Heuristic Design for Bi-Component Coupled Combinatorial Optimization》的论文在arXiv预印本平台发布。该研究由Mingen Kuang等六位作者共同完成，提出了一种利用大语言模型（LLM）驱动协同进化框架，自动设计启发式算法以解决双组件耦合的组合优化问题。传统方法在处理此类复杂耦合问题时效率低下，而该方法通过LLM的推理与生成能力，结合进化搜索策略，实现了启发式规则的自动演化与优化。实验结果表明，该框架在多个基准问题上取得了显著性能提升，为自动化算法设计提供了新思路。论文已开放HTML和PDF版本供学术交流。 #LLM #组合优化 #启发式设计 #arXiv #人工智能 #进化算法 #论文

MOSAIC：面向结构化智能体智能与组合的模块化编排框架

arXiv上近日公开了一篇题为《MOSAIC: Modular Orchestration for Structured Agentic Intelligence and Composition》的论文。该论文由Yifan Bao等11位作者共同完成，提交于2026年5月30日。论文提出了一种名为MOSAIC的模块化编排框架，旨在解决当前AI智能体系统中结构化智能与组合的挑战。通过将智能体能力拆解为可复用的模块，MOSAIC支持灵活编排与动态组合，有望提升多智能体系统的可扩展性与鲁棒性。目前该论文已通过arXiv发布，相关代码与数据链接正在逐步开放。 #AI #智能体 #模块化 #编排 #论文 #arXiv #MOSAIC #人工智能 #组合 #结构化

正则化离线策略优化论文在arXiv发表

近日，一篇题为《Regularized Offline Policy Optimization with Posterior Hybrid Bayesian Belief》的学术论文在预印本平台arXiv上正式提交。该论文由Hongqiang Lin等三位作者共同完成，提交日期为2026年5月30日。论文提出了一种结合后验混合贝叶斯信念的正则化离线策略优化方法，旨在提升离线强化学习中的策略稳定性和泛化能力。该方法通过引入贝叶斯信念混合机制，对策略优化过程施加正则化约束，从而在数据分布偏移场景下保持更好的性能。论文全文以PDF形式公开，并附有相关代码和数据链接，供后续研究者复现与扩展。该工作有望推动离线强化学习在机器人、自动驾驶等数据稀缺领域的实际应用。 #arXiv #离线强化学习 #贝叶斯优化 #策略优化 #AI #机器学习 #学术论文

基于边缘感知交互风险建模的阿尔茨海默病患者药物感知金融剥削检测方法

近日，一篇来自arXiv的学术论文提出了一种针对阿尔茨海默病患者的金融剥削检测新方法。该方法名为“药物感知金融剥削检测”，通过边缘感知交互风险建模，旨在识别和预防针对认知障碍患者的金融欺诈行为。研究团队利用患者与药物相关的交互数据，结合边缘计算技术，构建了风险模型，能够实时监测异常交易或诱导行为。该研究为保护阿尔茨海默病患者免受金融剥削提供了技术路径，有望在智能医疗和养老监护领域发挥重要作用。 #阿尔茨海默病 #金融剥削检测 #边缘计算 #药物感知 #人工智能 #医疗安全 #风险建模 #arXiv论文

AXIOM

由研究者 Alessio Bruno 提出的新论文《AXIOM: A Trust-First Neuro-Symbolic Execution Architecture for Verifiable Mathematical Reasoning》于 2026 年 5 月 30 日提交至 arXiv 预印本平台。该工作聚焦于将神经网络与符号推理相结合的神经符号系统，通过“信任优先”的设计原则，旨在构建可验证的数学推理执行架构。AXIOM 强调在推理过程中保持对结果的可靠性与可解释性，为自动化数学证明、定理推导等任务提供了新的技术路径。论文探讨了如何在保证计算效率的同时，对推理步骤进行形式化验证，以降低黑箱模型的风险。该方法有望推动人工智能在严谨数学领域的可信应用。 #论文 #arXiv #神经符号 #数学推理 #可验证性 #AI #信任优先 #AXIOM #机器学习

ForeSci：评估LLM代理的前瞻性AI研究判断能力

一篇名为“ForeSci：评估LLM代理的前瞻性AI研究判断能力”的论文近日在arXiv上提交。该研究由Qiuyu Tian等四位作者共同完成，提出了ForeSci框架，专门用于测试大型语言模型（LLM）代理在对未来研究方向进行前瞻性判断方面的能力。随着LLM在科研辅助中的应用日益广泛，如何评估其预测研究趋势、识别有前景领域的能力成为关键课题。ForeSci通过设计特定任务和评价指标，系统性地评测LLM代理在科研前瞻性上的表现。这一工作为AI社区提供了一种标准化的评估方法，有助于深入理解LLM在推动科学发现方面的潜力与局限性。 #AI #LLM #科研 #前瞻性 #评估 #论文 #arXiv #学术新闻

LLM 推理痕迹非秘密

一项由 Yu-An Lu 等学者完成的研究指出，大型语言模型（LLM）在生成推理步骤时，其所谓的“隐藏想法”并非安全。研究发现，模型在输出推理痕迹（如思维链）时，这些中间步骤可能被外部轻易捕获和解读，从而暴露模型内部的推理轨迹与逻辑。这一现象可能导致模型的安全性和隐私性受到威胁，例如用户或攻击者可能通过分析推理痕迹获取模型未明确输出的敏感信息。研究团队呼吁关注 LLM 推理过程中的信息泄露风险，并探索相应的防护机制。该成果已提交至 arXiv 预印本平台。 #LLM #推理痕迹 #信息安全 #AI #大模型 #隐私保护 #思维链