零知识验证可应用于前沿AI训练，研究证明其可行性

一篇发表于arXiv的论文提出，零知识验证（Zero Knowledge Verification）技术可用于验证前沿AI模型的训练过程，而无需泄露训练数据或模型参数。该研究由Pierre Peigné等人完成，于2026年6月3日提交。研究团队展示了如何通过密码学方法，在不暴露训练细节的前提下，证明AI模型确实按照特定协议进行了训练。这一突破有望解决AI安全与透明度之间的核心矛盾，为监管机构验证大型AI系统的合规性提供技术基础，同时保护商业机密和用户隐私。论文还讨论了该方法的计算开销和实际部署挑战，认为在现有硬件条件下已具备初步可行性。 #零知识验证 #AI训练 #密码学 #前沿AI #论文 #arXiv #AI安全 #隐私保护

图引导超低位量化

近日，一篇来自arXiv的论文提出了一种名为“图引导超低位量化”的新方法，旨在最小化大语言模型在量化过程中隐藏的缩放因子成本。该研究由Rayyan Abdalla等人完成，通过引入图结构信息，在极低比特（如2比特或3比特）下实现了对大语言模型的高效量化，同时保持模型精度。传统量化方法常因缩放因子带来的额外误差导致性能下降，而新方法通过图引导优化，有效缓解了这一问题。实验表明，该方法在多种大语言模型上均能显著减少模型体积和推理内存占用，为边缘设备部署大型模型提供了可行方案。这一进展有望推动大模型在资源受限场景中的实际应用，降低企业的算力与存储成本。 #大语言模型 #模型量化 #图引导 #超低位 #AI部署 #边缘计算 #arXiv #研究论文 #模型压缩 #技术创新

Anthropic 警告 AI 递归自我改进风险

Anthropic 近日公开多项惊人数据，揭示其 AI 模型 Claude 正加速自我进化。目前公司代码库中超过 80% 的代码由 Claude 编写，工程师人均代码提交量较 2024 年增长 8 倍，员工自估效率提升约 4 倍。Claude 在优化训练代码方面，一年内提速从 3 倍飙升至 52 倍；能独立完成的任务时长每 4 个月翻倍，已从 4 分钟增至 12 小时。此外，Claude 在几周内发现全球重要系统中超 1 万个高危安全漏洞。Anthropic 强调，虽然完全的递归自我改进尚未发生，但风险不容忽视：若 AI 能自主设计并训练下一代系统，人类可能失去控制。目前人类仍在研究品味和判断力上保持优势，但 Anthropic 承认，AI 接管一切的可能性真实存在。 #Anthropic #Claude #AI #递归自我改进 #风险 #科技新闻 #人工智能 #安全

Anthropic秘密提交IPO，MiniMax冲刺A股，M3大模型成焦点

Anthropic已向美国SEC递交保密招股书，这有望成为AI产业规模最大的IPO，估值或达万亿美元。同期，MiniMax开始冲刺A股上市。在资本热潮中，MiniMax发布M3大模型，成为国内首个集齐强大Coding/Agent能力、1M上下文窗口和原生多模态能力的开源模型。M3在SWE-Bench Pro等国际基准中超越GPT-5.5和Gemini 3.1 Pro，仅次于Claude Opus 4.7，且定价极具竞争力——个人开发者每月119元可获18亿Token，仅为Claude成本的十分之一。分析认为，国产开源模型正以高性价比挑战硅谷闭源模型，而Agent风潮和视频大模型热潮共同推动了Token经济学的成熟。MiniMax还同步推出Coding Agent产品MiniMax Code，填补了国内相关空白。 #Anthropic #MiniMax #M3大模型 #AI开源 #CodingAgent #Token经济学 #国产大模型 #Claude #IPO #科技新闻

美国超大规模数据中心碳排放与能耗评估

一篇由Gianluca Guidi等学者提交至arXiv的预印本论文，系统评估了美国超大规模数据中心的碳排放与能源消耗状况。研究聚焦于这一快速增长的基础设施领域，通过数据分析揭示了数据中心在运行过程中产生的巨大环境足迹。论文指出，随着AI和云计算需求激增，数据中心的能耗与碳排放已成为不可忽视的环境挑战，亟需更可持续的运营策略和能源结构优化。 #碳排放 #能源消耗 #数据中心 #AI #环境 #论文 #科技研究 #超大规模数据中心

面向对话通用人工智能的动机架构

研究人员Anna Mikeda与Ben Goertzel在arXiv上提交了一篇题为“面向对话通用人工智能的动机架构”的论文。该论文提出了一种新颖的动机架构，旨在为对话式AGI系统赋予内在驱动力和目标导向能力，使其能够更自主地进行交互、学习和决策。这一架构借鉴了认知科学和心理学中的动机理论，通过设计多层次的奖励与价值系统，让AI在对话中不仅响应外部输入，还能主动探索、追求长期目标。论文初步探讨了该架构在提升对话连贯性、适应性和创造力方面的潜力，为构建更接近人类认知的通用人工智能提供了新的理论框架。该研究目前处于预印本阶段，尚未正式发表。 #AGI #对话AI #动机架构 #arXiv #人工智能 #认知科学 #BenGoertzel #AnnaMikeda #预印本

LLM驱动程序进化中的“无变异突变”

一篇题为《无变异突变：LLM驱动程序进化中的收敛动力学》的论文在arXiv上发布。研究探讨了大型语言模型（LLM）在程序进化过程中，由于缺乏变异机制而导致的收敛现象。作者通过实验发现，当LLM仅依赖现有代码进行迭代改进而不引入随机变异时，程序进化会迅速陷入局部最优，多样性丧失，最终导致进化停滞。该研究揭示了LLM在自动编程和代码生成中可能存在的局限性，为改进算法设计提供了理论依据。 #LLM #程序进化 #收敛动力学 #AI #机器学习 #论文 #arXiv

Agents' Last Exam

一篇名为《Agents' Last Exam》的论文近日在arXiv平台提交，作者包括Yiyou Sun等308位研究者。该论文提出了一种针对人工智能智能体的全新评估基准，旨在测试智能体在多任务、多场景下的综合能力。尽管论文具体细节尚未公开，但标题暗示这可能是智能体领域的一次“终极考验”，有望推动AI自主决策与执行能力的研究进展。论文目前以PDF和HTML形式开放访问。 #AI #智能体 #基准测试 #arXiv #人工智能 #论文

通用智能体赋能情境化时间序列分析研究取得新进展

一篇题为《Harnessing Generalist Agents for Contextualized Time Series》的学术论文在arXiv平台发布。该研究由Zihao Li等十一位学者共同完成，探索将通用型人工智能智能体应用于情境化时间序列分析任务。传统时间序列预测往往依赖专用模型，而本研究尝试利用具备多任务学习能力的通用智能体，通过融入外部情境信息（如语义、事件或结构化背景），提升对复杂动态序列的理解与预测精度。该方法有望在金融、气候、医疗等需要结合语境进行时序推理的领域产生重要应用。目前论文可通过arXiv获取HTML预览及TeX源码。 #人工智能 #时间序列 #通用智能体 #情境学习 #机器学习 #AI研究 #arXiv #学术论文

LeanMarathon：通过长时域Lean自动形式化迈向可靠AI合作数学家

研究人员提出名为LeanMarathon的新方法，旨在利用定理证明器Lean实现长时域的数学命题自动形式化，从而构建更可靠的AI合作数学家。传统自动形式化方法在短程推理上表现尚可，但面对复杂数学证明的长链条逻辑时容易出错。LeanMarathon通过设计新的推理策略和强化学习框架，将形式化过程分解为可管理的子目标，并逐步验证，显著提升了长序列形式化的准确性和鲁棒性。实验表明，该方法在多个数学领域（如代数、分析）的命题上取得了优于基线模型的性能，为AI在数学发现与验证中的实际应用提供了新路径。相关论文已提交arXiv预印本。 #AI #数学 #自动推理 #Lean定理证明器 #形式化验证 #机器学习 #科研论文 #新技术

残差建模方法实现科学数据高保真学习压缩

一篇题为《Residual Modeling for High-Fidelity Learned Compression of Scientific Data》的研究论文近日在arXiv上预印发布。该研究由Liangji Zhu等人完成，提出了一种基于残差建模的学习压缩框架，旨在解决科学数据高保真压缩中的精度损失问题。传统压缩方法在保留科学数据的复杂特征时往往引入失真，而新方法通过学习原始数据与粗压缩结果之间的残差，显著提升了重建数据的保真度。实验表明，该方法在多个科学数据集上优于现有主流压缩技术，尤其在高维和异构数据场景中表现突出。该工作为高效存储和传输海量科学数据提供了新思路，有望推动气候模拟、天文观测、基因组学等领域的科研进展。 #科学数据压缩 #残差建模 #高保真 #深度学习 #论文 #arXiv #数据存储 #科学研究

稳定与可操纵的权衡：LLM 评判者决策后交互鲁棒性研究获新发现

一篇题为“Stability vs. Manipulability: Evaluating Robustness Under Post-Decision Interaction in LLM Judges”的预印本论文于2026年6月提交至arXiv。该研究聚焦大型语言模型（LLM）作为评判者时的鲁棒性问题，重点考察在决策后交互情境下，模型能否在保持稳定性的同时抵御操纵。研究者通过实验揭示了LLM评判中稳定性与可操纵性之间存在内在权衡，为提升AI评判系统的安全性和可信度提供了新视角。该工作来自Srimonti Dutta和Akshata Kishore Moharir，目前仅提供PDF全文，尚未正式出版。 #LLM #AI #鲁棒性 #稳定性 #可操纵性 #论文 #arXiv #人工智能安全

华为云AI生态峰会召开，加速构建行业共赢新生态

6月6日，2026华为云INSPIRE创想者大会期间，华为云AI生态峰会以“技术开放共生，行业AI共赢”为主题举行。会上，华为云伙伴与生态部总裁康晓宇表示，AI正加速从技术探索走向产业实践，华为云将持续夯实Agentic Infra全栈能力，通过技术开放、行业共创与应用繁荣，携手开发者、伙伴和客户共建AI共赢生态。峰会发布了AI Shell、AI CLI等开发工具，以及WorkAgent文档智能体、OpenJiuwen开源项目等新成果。同时，2026华为云开发者大赛正式启幕，华为云预计投入3亿元支持开发者。行业AI梦工厂已落地智慧医疗、具身智能等四大专区，海顿解决方案工作台已使能4400余家伙伴构建5000余个解决方案。华为云云商店汇聚200余AI商家、600余应用，推动AI从工具走向产业智能劳动力。 #华为云 #AI生态 #开发者 #行业AI #智能体 #开源 #人工智能 #科技新闻

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

合成对比推理

来自 arXiv 预印本，Ankit Pratap Singh 等学者发表了一篇题为《Synthetic Contrastive Reasoning for Multi-Table Q&A》的论文。该研究聚焦于多表问答任务，提出了一种基于合成对比推理的新方法。通过生成对比性样本和推理路径，该方法有效增强了模型在跨表格数据上的逻辑推理与信息整合能力，有望提升复杂数据库问答系统的准确性与鲁棒性。论文已公开全文，并得到 arXiv 收录。 #AI #多表问答 #合成对比推理 #自然语言处理 #论文 #机器学习 #数据库 #推理

可解释且可信赖的AI框架：基于骨关节炎倡议数据的大规模纵向结构

来自arXiv预印本平台的一篇论文提出了一种可解释且可信赖的人工智能框架，用于利用骨关节炎倡议（OAI）数据进行大规模纵向结构-疼痛关联研究。该研究由Jincheng Yu等八位作者完成，于2026年6月提交。传统的骨关节炎疼痛研究多依赖横截面分析，难以捕捉关节结构变化与疼痛症状之间的动态关联。该框架结合了深度学习与可解释性技术，能够在长期随访数据中识别关键的影像学特征（如软骨厚度、骨髓病变等）及其与疼痛进展的因果路径，同时保证模型决策的透明度和临床可信度。研究利用OAI的纵向MRI及患者报告数据，验证了框架在大规模人群中的有效性，有望为骨关节炎的精准疼痛管理提供决策支持工具。 #AI #可解释AI #骨关节炎 #疼痛研究 #纵向研究 #医学影像 #深度学习 #可信AI #OAI #生物医学

SentinelBench：首个面向长时间运行监控代理的基准测试问世

arXiv上最新公开的论文《SentinelBench: A Benchmark for Long-Running Monitoring Agents》提出了一项专门评估长时间运行监控代理性能的基准测试。该研究由Matheus Kunzler Maldaner等8位作者共同完成，旨在为自动化运维、持续监控等场景下的AI代理提供统一、可复现的评测标准。监控代理在实际部署中往往需要连续运行数小时甚至数天，传统基准难以衡量其稳定性、资源效率与长期行为。SentinelBench通过设计多维度任务和持续运行协议，填补了这一空白，有望推动更可靠、更高效的监控代理研发。 #SentinelBench #基准测试 #监控代理 #AI #论文 #arXiv #长时间运行 #自动化运维

面向循环工厂的不确定性感知功能行为预测与材料疲劳评估

该论文提出了一种针对循环工厂场景的不确定性感知方法，用于功能行为预测与材料疲劳评估。研究团队来自Nehal Afifi等学者，论文已在arXiv平台提交，编号待定。该方法旨在提升循环制造过程中对材料状态和功能退化的预测精度，通过引入不确定性建模，增强评估的鲁棒性和可靠性，为工厂的可持续发展提供技术支持。 #循环工厂 #不确定性 #功能行为预测 #材料疲劳 #论文 #arXiv #机器学习

GITCO: Gated Inference-Time Context Optimization in TSFMs

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Manya Pandey [ view email ] [v1] Wed, 3 Jun 2026 18:17:40 UTC (329 KB) Full-text links: Access Paper: View a PDF of the paper titled GITCO: Gated Inference-Time Context Optimization in TSFMs, by Manya Pandey and 3 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-06 Change to browse by: cs References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggle Bibliographic Explorer ( What is the Explorer? ) Connected Papers Toggle Connected Papers ( What is Connected P

apers? ) Litmaps Toggle Litmaps ( What is Litmaps? ) Toggle scite Smart Citations ( What are Smart Citations? ) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv ( What is alphaXiv? ) Links to Code Toggle CatalyzeX Code Finder for Papers ( What is CatalyzeX? ) DagsHub Toggle DagsHub ( What is DagsHub? ) GotitPub Toggle ( What is GotitPub? ) Huggingface Toggle Hugging Face ( What is Huggingface? ) ScienceCast Toggle ScienceCast ( What is ScienceCast? ) Demos Demos Replicate Toggle Replicate ( What is Replicate? ) Spaces Toggle Hugging Face Spaces ( What is Spaces? ) Spaces Toggle ( What is ? ) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower ( What are Influence Flowers? ) Core recommender toggle CORE Recommender ( What is CORE? ) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .

I Know What You Meme, Even If it Emerged Today: Understanding Evolving Memes through Open-World Knowledge Acquisition

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Shanhong Liu [ view email ] [v1] Wed, 3 Jun 2026 18:06:14 UTC (24,864 KB) Full-text links: Access Paper: View a PDF of the paper titled I Know What You Meme, Even If it Emerged Today: Understanding Evolving Memes through Open-World Knowledge Acquisition, by Shanhong Liu and 3 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-06 Change to browse by: cs References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Expl