nnected Papers ( What is Connected Papers? ) 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? ) IArxiv recommender toggle IArxiv Recommender ( What is IArxiv? ) 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 .

自回归扩散世界模型

一篇来自arXiv的论文提出了名为“自回归扩散世界模型”的新框架，用于对大型语言模型（LLM）智能体进行离线策略评估。该研究由Kaixuan Liu等人完成，于2026年6月4日提交。传统的离线评估方法在模拟环境和真实世界之间往往存在偏差，而该模型通过结合自回归生成与扩散过程，能够更准确地模拟智能体的行为轨迹和决策后果，从而提升评估的可靠性与泛化能力。这一方法有望加速LLM智能体在机器人控制、对话系统等领域的部署与优化，同时降低对在线试错的依赖。 #arXiv #论文 #自回归扩散 #世界模型 #LLM #离线策略评估 #AI安全 #智能体 #机器学习

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

多分辨率ConvLSTM框架用于挡土墙变形预测的现场验证

一项来自韩国学者的研究提出并验证了基于多分辨率卷积长短期记忆网络（ConvLSTM）的框架，用于预测挡土墙变形。该框架结合了多尺度空间特征与时间序列建模，能够更精准地捕捉土体位移的演化规律。研究团队利用实际工程现场监测数据进行了验证，结果表明该模型在预测精度和鲁棒性上优于传统方法，为岩土工程安全监测提供了新的智能化手段。相关论文已提交至arXiv预印本平台。 #挡土墙 #变形预测 #深度学习 #ConvLSTM #现场验证 #岩土工程 #AI #土木工程 #时间序列

Representation Learning Enables Scalable Multitask Deep Reinforcement Learning

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Johan Obando-Ceron [ view email ] [v1] Thu, 4 Jun 2026 01:09:20 UTC (1,933 KB) Full-text links: Access Paper: View a PDF of the paper titled Representation Learning Enables Scalable Multitask Deep Reinforcement Learning, by Johan Obando-Ceron and 5 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? ) Connec

ted Papers Toggle Connected Papers ( What is Connected Papers? ) 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? ) IArxiv recommender toggle IArxiv Recommender ( What is IArxiv? ) 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 .

平衡图像压缩与生成

来自arXiv的一篇论文提出了一种名为“引导式分词”的新方法，旨在平衡图像压缩与生成任务。该方法通过自举（bootstrapping）机制优化分词器，使模型在压缩图像信息的同时保持高质量生成能力。研究团队由Haozhe Chi等六位作者组成，论文详细阐述了该技术如何在不牺牲生成质量的前提下提升压缩效率，为图像处理领域提供了新的思路。目前该论文已提交至arXiv，并可通过DOI获取。 #图像压缩 #图像生成 #引导式分词 #机器学习 #计算机视觉 #arXiv #论文

少即是多

来自 Haoze He 等学者的最新研究论文《Less is MoE: Trimming Experts in Domain-Specialist Language Models》提出，在混合专家模型（MoE）中，针对特定领域任务，许多专家模块可能存在冗余。该研究通过系统性地修剪不必要的专家，在不显著降低模型性能的前提下，大幅减少了模型参数量和推理成本。实验表明，经过修剪后的领域专家语言模型在保持甚至提升任务准确率的同时，计算效率得到显著提升。这一发现挑战了“更多专家更强”的传统认知，为构建轻量化、高效率的领域专用语言模型提供了新思路。 #机器学习 #MoE #专家修剪 #大模型 #自然语言处理 #效率优化 #AI #论文 #研究

What Objects Enable, Not What They Are: Functional Latent Spaces for Affordance Reasoning

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Neel P. Bhatt [ view email ] [v1] Thu, 4 Jun 2026 00:26:04 UTC (1,147 KB) Full-text links: Access Paper: View a PDF of the paper titled What Objects Enable, Not What They Are: Functional Latent Spaces for Affordance Reasoning, by Rohan Siva and 8 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 Papers? ) 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? ) IArxiv recommender toggle IArxiv Recommender ( What is IArxiv? ) 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 .

主导层ZO

一篇来自arXiv的论文揭示了在大语言模型零阶微调过程中，单个网络层对整体性能起主导作用。研究团队发现，通过仅优化这一“主导层”，即可达到与全模型微调相当的效果，大幅降低计算开销。该发现为资源受限场景下的模型适配提供了新思路，有望推动大模型在边缘设备上的高效部署。 #大语言模型 #零阶优化 #微调 #AI #机器学习 #arXiv论文 #高效部署

LEVANTE-bench：用认知任务多尺度比较视觉语言模型与儿童

研究人员提出了一项名为LEVANTE-bench的新基准，旨在通过认知任务在多个尺度上比较视觉语言模型（VLM）与儿童的表现。该基准的副标题“你的VLM比五年级学生聪明吗？”揭示了其核心问题。论文由Alvin Wei Ming Tan等五位作者撰写，目前已在arXiv上提交，等待DOI注册。LEVANTE-bench通过设计适合儿童认知水平的任务，系统评估VLM在感知、推理、语言理解等方面的能力，并与真实儿童数据进行对比。这一工作为理解当前视觉语言模型的认知局限性提供了新视角，也为未来模型改进和儿童认知研究搭建了桥梁。 #视觉语言模型 #认知科学 #儿童发展 #基准测试 #AI评估 #arXiv #机器学习

微软申请专利：Windows将内置AI数据收集控制开关

微软近日申请一项系统级隐私专利，计划在Windows操作系统中内置AI数据收集控制开关。该专利描述了一个类似摄像头指示灯的任务栏图标，实时显示AI数据收集状态，并提供管理界面让用户设置规则（如禁止在特定时段收集）、删除已收集数据或临时暂停。核心是一个运行在Windows内的“ML数据收集协调器”，作为用户与机器学习服务之间的中间人。此举直接回应了Windows Recall等AI功能引发的隐私争议，也顺应了欧盟AI法案等监管要求。若该功能落地，用户将能在一个统一位置控制所有Windows AI功能的数据收集，无需逐个应用查找设置。 #微软 #Windows #AI #隐私 #专利 #数据收集 #系统级控制 #Recall #欧盟AI法案

学习子空间压缩实现通讯高效的流水线并行

近日，一篇题为“Learned Subspace Compression for Communication-Efficient Pipeline Parallelism”的论文被提交至arXiv预印本平台。该论文由Paul Janson等人撰写，针对大规模深度学习模型训练中流水线并行存在的通信瓶颈问题，提出了一种基于学习的子空间压缩方法。该方法能够自动学习模型中间表示的潜在低维子空间，在节点间传输前进行高效压缩，从而显著减少通信数据量，提升并行训练的可扩展性。论文还探讨了该方法与现有梯度压缩技术的兼容性，为未来高效分布式训练系统设计提供了新思路。 #论文 #arXiv #分布式训练 #流水线并行 #通信压缩 #深度学习 #机器学习

面向统一且数据高效的预测与健康管理

该研究提出了一种全新的表格基础模型，旨在统一预测与健康管理（PHM）任务，并显著提升数据效率。传统PHM方法通常针对特定设备或场景单独建模，数据利用率低且泛化能力差。论文通过构建大规模表格数据集，训练预训练基础模型，使其能够迁移学习到各类PHM子任务，如剩余寿命预测、故障检测等。实验表明，该模型在多种工业数据集上以少量样本即可达到甚至超越传统方法的效果，大幅降低了数据标注成本。该工作为工业设备智能运维提供了通用且高效的解决方案，有望推动PHM领域的标准化与规模化应用。 #预测性维护 #健康管理 #基础模型 #表格数据 #数据效率 #AI #工业智能 #机器学习

Sharp First-Order Lower Bounds for Higher-Order Smooth Nonconvex Optimization

一篇题为“Sharp First-Order Lower Bounds for Higher-Order Smooth Nonconvex Optimization”的学术论文近日在arXiv预印本平台上线，作者为Dongruo Zhou。该论文聚焦于高阶光滑非凸优化问题，提出了首个尖锐的一阶下界结果。研究针对采用一阶优化方法求解高阶光滑非凸目标函数时的收敛速度，给出了理论上的最小极限，表明即使目标函数具有高阶光滑性，仅依赖梯度信息的方法也无法突破特定收敛速率。这一发现为非凸优化领域的算法设计与复杂度分析提供了新的理论基准，对机器学习和深度学习中的优化理论具有重要参考价值。 #非凸优化 #一阶下界 #高阶光滑 #收敛速度 #优化理论 #机器学习 #深度学习 #arxiv #学术论文 #理论计算机

DP-MacAdam 论文发布

arXiv 平台上新近提交了一篇题为《DP-MacAdam: Differentially Private Mechanism with Adaptive Clipping and Adaptive Momentum》的论文。该论文由 Naima Tasnim 等人撰写，提出了一种结合自适应梯度裁剪和自适应动量更新的差分隐私优化算法。在差分隐私机器学习中，梯度裁剪和动量调整是平衡隐私预算与模型性能的关键环节。DP-MacAdam 通过动态调整裁剪阈值和动量系数，有效缓解了传统方法中收敛缓慢和隐私预算浪费的问题。实验表明，该方法在多个基准数据集上实现了更好的隐私-效用权衡，尤其适用于需要严格隐私保障的大规模深度学习场景。论文已开放预印本，可供研究人员审阅与引用。 #差分隐私 #机器学习 #深度学习 #DP-MacAdam #arXiv #算法 #隐私保护

CausalPOI：时空图因果模型解决冷启动POI签到预测

来自arXiv的一篇论文提出CausalPOI模型，针对兴趣点（POI）签到预测中的冷启动问题，采用时空图因果建模方法。该模型通过构建时空图结构，引入因果推断机制，有效缓解了数据稀疏和冷启动场景下的预测偏差。实验表明，CausalPOI在多个真实数据集上优于现有基线方法，尤其对新用户和新POI的签到预测表现突出。研究团队来自多所机构，论文已提交至arXiv，并附有代码和数据链接。 #因果模型 #POI预测 #冷启动 #时空图 #机器学习 #推荐系统 #arXiv

Trust, but Don't Verify

一项来自arXiv的最新研究论文揭示了大型语言模型（LLM）在评估信息来源时存在系统性认知盲点。研究者Rohan Pradhan等人发现，当前主流LLM倾向于“信任但不去验证”用户提供的信息来源，缺乏主动核实事实的能力。这种“认知盲点”导致模型容易接受错误或误导性的引用，并据此生成看似合理但实际谬误的答案。研究通过一系列实验测试了多个LLM对虚假来源、捏造引文以及不当授权的反应，结果表明模型普遍缺乏怀疑精神，且难以识别权威性被滥用的情况。该发现对AI系统在高风险决策场景中的可靠性提出了严峻挑战，强调了在模型设计中引入外部验证机制的必要性。 #AI #大语言模型 #认知盲点 #来源验证 #arXiv论文 #LLM #信任与验证 #人工智能安全