基于运动学约束与大语言模型驱动的移动异常行为生成研究

一篇题为《基于运动学约束与大语言模型驱动的移动异常行为生成》的学术论文在arXiv预印本平台发布。该研究由Yueyang Liu等人完成，提出了一种利用大语言模型（LLM）生成移动异常行为的新方法，并引入运动学约束以确保生成行为的物理合理性。论文详细介绍了如何通过LLM驱动行为决策，同时结合运动学模型对轨迹进行约束，从而模拟出真实且多样的异常移动模式。这一研究有望在自动驾驶、机器人导航及安防监控等领域提供更逼真的异常场景测试数据。目前该论文已提供PDF全文及TeX源码供下载，并支持多种文献管理工具引用。 #arXiv #大语言模型 #运动学约束 #异常行为生成 #人工智能 #学术论文 #自动驾驶 #机器人

空间记忆必须存储什么

一篇题为《空间记忆必须存储什么：遮挡作为语言智能体记忆的测试》的论文已提交至arXiv平台，作者为Doeon Kwon等人。该研究聚焦于语言智能体在复杂环境中的空间记忆能力，提出将“遮挡”作为评估记忆存储有效性的关键测试手段。论文探讨了智能体在部分场景被遮挡时，如何依赖空间记忆进行推理与导航，并分析了记忆存储的核心要素。这一工作为理解语言智能体的认知能力提供了新视角，可能推动相关领域在机器人导航、虚拟环境交互等方面的应用发展。 #arXiv #空间记忆 #语言智能体 #遮挡测试 #AI研究 #认知科学

从上下文感知到冲突感知

一篇来自arXiv的论文提出了一种新的对比解码方法，旨在解决大语言模型在处理知识冲突时的局限性。传统对比解码方法主要关注上下文感知，即通过对比不同模型或不同输入下的输出差异来提升生成质量，但在面对模型内部知识与外部上下文信息存在冲突时效果不佳。该研究将这一方法泛化为“冲突感知”对比解码，通过显式建模知识冲突，使模型能够更准确地判断何时依赖内部知识、何时采纳外部上下文。实验表明，该方法在多个知识冲突基准测试中显著提升了模型的事实准确性和鲁棒性，为提升大模型在复杂信息环境下的可靠性提供了新思路。 #大语言模型 #对比解码 #知识冲突 #AI安全 #自然语言处理 #arXiv

Sim2Schedule：模拟器引导的LLM框架实现露天矿自主调度

研究人员提出Sim2Schedule框架，利用大语言模型结合模拟器实现露天矿自主调度。该框架通过模拟器引导LLM生成调度方案，在复杂矿山环境中自动优化卡车与挖掘机等设备的协同作业。实验表明，该方法能有效处理动态变化的生产条件，显著提升调度效率与资源利用率，为矿山智能化运营提供了新思路。 #AI #大模型 #LLM #矿山调度 #自动化 #智能采矿 #Sim2Schedule

合成推理数据微调损害真实疾病预测

一项最新研究指出，使用合成推理数据进行监督微调，反而会降低模型在真实疾病预测任务中的表现。该论文由Buxin Su等五位作者提交至arXiv预印本平台，标题为《Supervised Fine-tuning with Synthetic Rationale Data Hurts Real-World Disease Prediction》。研究团队通过实验发现，尽管合成数据在训练过程中看似能提升模型对推理路径的模拟能力，但在实际医疗场景中，这种微调方法会导致预测准确率下降，可能因合成数据与真实临床数据的分布差异，引入噪声或误导性关联。该发现对当前依赖合成数据增强模型推理能力的趋势提出警示，强调在疾病预测等高风险领域，需谨慎评估合成数据的适用性，避免过度依赖人工生成的推理逻辑。 #AI #医疗 #疾病预测 #合成数据 #监督微调 #arXiv #论文

RealMath-Eval：揭示顶级AI评判模型在真实人类推理中的短板

一篇题为《RealMath-Eval: Why SOTA Judges Struggle with Real Human Reasoning》的学术论文近日在arXiv上发布。该研究由Yiteng Mao等六位作者共同完成，旨在评估当前最先进的AI评判模型在处理真实人类数学推理时的表现。研究发现，尽管这些模型在标准测试中表现优异，但在面对人类复杂、非结构化的推理过程时，其评判准确率显著下降。论文通过构建专门的评估基准，揭示了现有模型在理解人类推理逻辑、识别隐含假设及处理模糊表述方面的根本性缺陷。这一发现对AI在教育和科研领域的应用提出了重要警示，表明当前技术尚无法可靠地替代人类进行深度推理的评判工作。 #AI #人工智能 #数学推理 #模型评估 #arXiv #学术研究 #RealMathEval

Regimes：一种可审计的保留门控改进循环，在LongMemEval上通过ActiveGraph验证

来自arXiv的一篇论文提出了一种名为“Regimes”的新型AI改进框架，该框架通过可审计的保留门控循环机制，显著提升了长文本记忆任务的性能。研究团队在LongMemEval基准测试中，结合ActiveGraph方法进行了验证。Regimes的核心设计在于引入一个“保留门控”步骤，确保模型在迭代优化过程中不会遗忘关键信息，同时保持整个流程的可审计性。该方法通过动态调整记忆保留策略，有效解决了长上下文场景下的信息丢失问题。实验结果表明，Regimes在多项长文本理解与推理任务上取得了领先成绩，为构建更可靠的AI系统提供了新思路。 #AI #机器学习 #长文本记忆 #可审计AI #arXiv论文

最小化遗传编程论文发布，探索算法简化新路径

一篇题为《最小化遗传编程》的研究论文在arXiv平台预印发布，作者为Leonardo Trujillo。该论文聚焦于遗传编程领域的简化方法，旨在通过最小化算法结构提升进化计算的效率与可解释性。研究可能涉及减少程序树复杂度、优化搜索策略等方向，为机器学习与人工智能领域的自动化编程提供新思路。论文附带PDF、HTML及TeX源码，并支持多种文献管理工具与代码链接服务。目前该研究处于预印本阶段，尚未正式注册DOI，但已引发相关领域学者的关注。 #遗传编程 #机器学习 #人工智能 #算法优化 #arXiv #论文预印本 #进化计算

高效上下文工程

一项新研究提出，通过精简上下文信息，可以显著提升长期工具使用型大语言模型智能体的性能。该论文由Abhilasha Lodha等人撰写，发表于arXiv预印本平台。研究团队发现，传统方法中为智能体提供大量上下文往往导致信息过载，反而降低决策效率。他们提出了一种高效的上下文工程技术，通过选择性保留关键信息、去除冗余内容，使智能体在复杂任务中表现更佳。实验表明，该方法在多个基准测试中均优于传统全上下文方案，尤其在需要多步推理和工具调用的场景下效果显著。这一发现挑战了“更多上下文更好”的普遍认知，为构建更高效、更可靠的AI智能体提供了新思路。 #AI #大模型 #上下文工程 #智能体 #arXiv #研究论文

多模态大模型研究新进展

一篇题为《从感知到决策：多模态大模型中听觉与视觉感知的信息流》的论文在arXiv平台发布。该研究由Wish Suharitdamrong等人完成，深入探讨了多模态大语言模型如何处理听觉和视觉信息，并最终形成决策的过程。论文详细分析了信息从感官输入到认知决策的完整流动路径，为理解多模态AI的感知机制提供了新视角。该研究可能对提升AI系统的多模态理解和推理能力具有重要参考价值。 #多模态大模型 #AI研究 #感知决策 #信息流 #arXiv #人工智能 #听觉视觉

预测性辅助与探索性压缩的时间动态

一篇题为《预测性辅助与探索性压缩的时间动态》的学术论文在arXiv预印本平台发布。该论文由Balaraju Battu撰写，提交于2026年6月8日，属于计算机科学领域。论文探讨了预测性辅助如何影响探索性压缩的时间动态过程，可能涉及机器学习或信息压缩中的认知机制。目前论文以PDF和HTML格式提供，并附有TeX源码，支持引用导出和多种学术工具链接。该研究为理解智能系统中的预测与压缩交互提供了新视角。 #arXiv #论文 #预测性辅助 #探索性压缩 #计算机科学 #机器学习 #学术研究

AI辅助优化下的探索响应与适应性刚性研究

一篇题为《AI辅助优化下的探索响应与适应性刚性》的学术论文在arXiv预印本平台发布。该研究由Balaraju Battu完成，探讨了在AI辅助优化过程中，系统如何平衡探索性响应与适应性刚性之间的关系。论文分析了AI系统在优化决策时，既需要保持对环境的灵活探索，又需要维持一定的稳定性以应对变化。研究可能对理解AI辅助决策中的动态平衡机制具有理论意义，并为相关领域的算法设计提供参考。该论文于2026年6月8日提交，目前正在等待数据引用注册。 #AI #优化 #学术论文 #arXiv #人工智能 #决策系统

基础模型代理的部署时记忆化研究

一篇题为《基础模型代理中的部署时记忆化》的论文近日在arXiv预印本平台发布。该研究由Lei Chen等多位作者共同完成，探讨了基础模型代理在部署阶段可能出现的记忆化现象。论文指出，这类代理在交互过程中可能会无意中记忆并复现训练数据中的敏感信息，从而引发隐私泄露和安全风险。研究团队通过系统分析，揭示了记忆化发生的机制及其潜在影响，为构建更安全可靠的AI代理系统提供了理论依据。该工作已通过arXiv提交，目前正在等待DataCite分配DOI。 #AI安全 #基础模型 #记忆化 #隐私保护 #机器学习 #arXiv #人工智能

商业世界模型论文发布，探索AI在商业决策中的应用

一篇题为《商业世界模型》的研究论文在arXiv平台发布，作者为Cecil Pang和Hiroki Sayama。该论文探讨了如何利用世界模型的概念来模拟商业环境中的复杂动态系统，旨在提升AI在商业决策、市场预测和战略规划中的能力。研究通过构建多智能体模拟框架，分析企业间互动、资源分配及市场演化规律，为商业智能领域提供了新的理论视角。论文已获得arXiv DOI编号，并开放PDF全文下载，相关代码和数据链接也已提供。 #商业世界模型 #AI #商业智能 #多智能体 #arXiv #论文

微软AI主管改口

微软AI部门负责人穆斯塔法·苏莱曼近日收回了他此前关于AI将取代白领工作的言论。在今年2月接受《金融时报》采访时，他曾声称AI将在12至18个月内取代办公室职员。但在本周一《The Verge》的Decoder节目中，苏莱曼将AI重新定义为一种辅助工具，而非取代工作的机器。他解释称，随着人们生成更多数字材料，较小的办公任务将"日益数字化、自动化"，并强调需要区分"任务"和"工作"这两个概念，指出他之前的言论仅指人们在办公桌上执行的个别行为。苏莱曼曾于2010年联合创立DeepMind，2022年离开后创立Inflection AI，2024年3月被微软聘用领导新成立的"微软AI"部门。他并非唯一软化立场的AI高管，OpenAI首席执行官山姆·奥特曼上月也公开反驳就业恐慌论，强调其公司构建的是辅助人类的工具。 #AI #微软 #就业 #科技 #人工智能

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

s, and what Pope Leo might call our magnificent languages. We began by marking debts in cuneiform on clay. We went on to encode memory in alphabets, libraries, ledgers, printing presses, databases, search engines, and now models. AI belongs to that history. That does not make it harmless. It makes it legible. And once it becomes legible, we can ask a better question. Not: is this a fake human being? Not: will it replace us? The better question is: what should we do with it? That question is worth asking because AI is not just another tool. It is not a hammer. A hammer does roughly what its maker and user foresee. AI is a stranger kind of artifact: a human-made system whose capacities are still being discovered after the fact. That is precisely why panic is so unhelpful. Panic makes us spectators to our own imagined replacement. It leaves us staring at the machine as if history has already made its decision. But history has not made its decision. We still have to decide where AI belongs, what it may do, what it must not do, who benefits from it, who is protected from it, and what forms of human judgment should remain nondelegable. The first step is not to bow before it. The first step is not to fear it. The first step is to think about it accurately enough that we can govern it, use it, refuse it, limit it, and perhaps even learn from it. Call it artificial, and the mind jumps to replacement. Call it artifactual and another possibility opens. It is not a fake of us. It is a thing we made. Now we have to decide how to wield it.

Salesforce发布“Agentic Enterprise”战略：Agentforce成企业AI代理底层平台

Salesforce正将“Agentic Enterprise”打造为下一阶段的核心增长方向，并把Agentforce定位为企业构建和运营AI代理的底层平台。 6月10日，在首尔COEX举行的“Agentforce World Tour Korea 2026”上，Salesforce韩国负责人Park Se-jin表示，企业正需要向“Agentic Enterprise”转型。为此，Salesforce将打通后台系统、数据与人工运营流程，帮助客户把AI代理能力转化为可量化的业务价值。 他表示，企业AI代理能否真正落地，关键在于可信的数据基础和完善的系统集成能力。客户数据、业务语境和执行环境，必须在同一可信平台上实现连接与协同，而Salesforce希望扮演这一平台角色。 Salesforce同时强调，公司自身已率先实践“Agentic Enterprise”。目前，其内部已部署300多个AI代理，全年处理客服请求超过220万笔；由AI代理带来的年化销售管线规模达到1.3亿美元（约合2000亿韩元）。公司7.5万名员工均在使用AI代理，Agentforce也已发展为规模达8亿美元的业务。 其中一个代表性案例是销售线索自动化代理“Piper”。该代理可与访问网站的潜在客户进行7×24小时文本、语音和视频互动，目前已应用于全球网站，并计划在年内接入韩国网站。Salesforce预计，仅部署Piper和内部销售开发代表（SDR）代理，就可使销售管线生成规模较此前提升两倍以上。 在客户应用层面，Agentforce的效果也开始显现。Salesforce介绍称，Claude开发商Anthropic引入Agentforce后，营收运营（RevOps）生产效率提升超过10倍，销售周期缩短60%。 随着企业加快引入AI代理，Salesforce平台上的AI使用量也在快速攀升。以今年第一季度为例，平台消耗的大模型Token数量达到29万亿个，环比增长152%。与

此同时，Salesforce也重点强调“Agent Work Unit（AWU）”这一指标，即AI代理实际执行业务动作的规模。同期AWU达到16亿次，环比增长111%。公司还表示，客户在引入AI代理后，后台数据相关历史成本下降了80%。 除平台能力外，Salesforce还在会上披露了多家基于Salesforce CRM引入AI代理的客户案例。 其中，POSCO已将Salesforce选为其营销AX核心平台，并基于CRM数据构建多代理编排体系。 Musinsa则围绕其技术战略核心“One Core Multi Platform（OCMP）”选择了Salesforce。公司表示，在将Musinsa、29CM、Soldout等多个运营渠道及不同国家市场接入核心平台引擎的过程中，客户数据统一管理的需求不断上升。基于这一需求，Musinsa搭建了AI客服代理，使用户能够在同一对话窗口内完成商品搜索、推荐、换货和退货等流程。 Park Se-jin表示，Salesforce韩国将与客户共同推进“Agentic Enterprise”转型。与此同时，韩国市场目前也已可签署支持Agentforce和Data Cloud许可证无限试用的合同。 本内容在人工智能辅助下制作，并经本社编辑团队审核。韩文原文请点击 此处 查看。