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

生成式规划模型的高效测试时推理方法

一篇题为《Efficient Test-time Inference for Generative Planning Models》的论文近期在arXiv上发布。该研究由Robert Gieselmann等学者共同完成，聚焦于生成式规划模型在测试阶段的推理效率问题。传统方法在复杂规划任务中计算开销较大，而该工作提出了一种新的推理策略，旨在降低计算成本的同时保持生成质量。论文通过实验验证了该方法在多个基准任务上的有效性，有望推动生成式模型在机器人、自动驾驶等实时规划场景中的实际应用。 #生成式模型 #规划 #推理效率 #AI #机器学习 #arXiv #论文

TRACE: 轨迹风险感知压缩方法提升长时域智能体安全性

一篇名为《TRACE: Trajectory Risk-Aware Compression for Long-Horizon Agent Safety》的学术论文在arXiv预印本平台发布。该论文由Zhepei Hong等八位作者共同完成，提出了一种轨迹风险感知压缩技术，旨在解决长时域任务中智能体安全性的关键问题。该方法通过压缩轨迹数据并融入风险评估机制，有望在自动驾驶、机器人导航等需要长期自主决策的领域发挥重要作用。目前论文已提供PDF和HTML版本供研究人员查阅，相关代码和数据链接也已开放。 #TRACE #轨迹压缩 #智能体安全 #arXiv #论文 #AI安全 #机器人 #自动驾驶

Telegram必备的搜索引擎，极搜JISOU帮你精准找到，想要的群组、频道、视频、音乐

👉 t.me/jisou2?start=a_8247614025

PropLLM: 传播感知式场景重建算法助力网络故障诊断

研究人员提出PropLLM，一种新型传播感知场景重建技术，用于提升网络故障诊断的准确性与效率。该方法利用大语言模型理解复杂网络状态，通过分析故障在网络中的传播路径，对故障场景进行重建，从而精确定位故障根因。与传统方法相比，PropLLM能够更有效地捕捉故障传播的动态特征，减少误报和漏报。该论文已发表于预印本平台arXiv，为网络运维智能化提供了新的技术思路，有望应用于大规模通信网络的实时故障排查与自动化恢复。 #论文 #网络故障诊断 #大模型 #场景重建 #arXiv #AI #通信网络

探针引导分子优化

一篇发表于arXiv的论文提出了一种名为“Probe Before You Edit”的新型分子优化框架，旨在提升大型语言模型（LLM）代理在基于结构的药物设计中的表现。该方法通过引入探针机制，在编辑分子结构前先进行关键区域探测，从而引导LLM更精准地优化候选分子。研究团队利用该框架在多个药物设计基准任务上进行了测试，结果显示，与传统方法相比，探针引导的优化策略显著提高了分子与靶点蛋白的结合亲和力，同时降低了脱靶效应。这一工作为AI辅助药物研发提供了更高效、更可靠的分子优化工具，有望加速新药发现进程。 #药物设计 #分子优化 #LLM #AI #结构生物学 #arXiv #探针引导

KACE 论文提出知识自适应上下文工程方法，助力数学推理

该论文由 Jayant Parashar 和 Suchendra M. Bhandarkar 撰写，于 2026 年 5 月 30 日在 arXiv 预印本平台发布。论文提出一种名为 KACE（知识自适应上下文工程）的方法，旨在通过动态适应和利用相关知识来增强大语言模型在数学推理任务中的表现。该方法通过构建自适应上下文，使模型能够更有效地处理复杂数学问题，从而提升推理准确性和效率。论文目前以 PDF 和 HTML 形式公开，供研究者参考与引用。 #KACE #数学推理 #知识自适应 #上下文工程 #AI #大语言模型 #arXiv #预印本

AI代理人侵权责任新框架

一篇名为《与AI共同行动：基于互动的代理人侵权责任框架》的学术论文在arXiv上预印发布。该研究由Yiheng Yao完成，提出了一种新的法律理论框架，用于界定由智能AI系统引发侵权时的责任归属。传统侵权法难以应对自主AI行为，作者主张以“人机互动”为核心，重新定义“代理人”概念，形成灵活的归责机制。这一框架有望为AI法律治理提供前沿思路，促进AI安全与伦理规范的发展。 #AI法律 #侵权责任 #人机互动 #学术论文 #AI安全 #法学

阈值独占批处理

来自arXiv的一篇论文提出了一种名为“阈值独占批处理”的新方法，用于优化大语言模型（LLM）推理效率。该论文由Weifang Zhang等五位作者撰写，于2026年5月30日提交。该方法通过设定动态阈值，在批处理过程中智能排除部分请求，以平衡计算资源与响应速度，从而提升整体吞吐量并降低延迟。研究团队通过实验验证了该技术在多种LLM推理场景下的有效性，为大规模模型部署提供了新的优化思路。该论文目前可在arXiv上获取全文。 #LLM #推理优化 #批处理 #论文 #arXiv #人工智能 #大模型

EnergyMamba: 面向能源消耗预测的不确定性感知图增强选择性状态空间模型

该论文提出了一种名为EnergyMamba的新型模型，旨在提升能源消耗预测的准确性与鲁棒性。模型融合了图神经网络与选择性状态空间模型，能够有效捕捉能源系统中复杂的时空依赖关系，并引入不确定性量化机制，以应对预测中的噪声与波动。实验表明，EnergyMamba在多个真实能源数据集上优于现有方法，为智能电网和能源管理提供了更可靠的预测工具。论文由Dahai Yu等三位作者完成，于2026年5月提交至arXiv预印本平台。 #能源预测 #状态空间模型 #图神经网络 #不确定性量化 #AI #机器学习 #论文 #智能电网