Anthropic 撤回可能“破坏”使用 Claude 的 AI 研究人员政策

据报道，AI 公司 Anthropic 近期撤回了一项引发争议的政策，该政策原本可能对使用其模型 Claude 的研究人员构成“破坏性”影响。此前，Anthropic 试图限制研究人员对 Claude 进行某些类型的测试或分析，引发学界不满，认为这会严重阻碍独立安全研究。在多方压力下，Anthropic 最终撤销了相关条款，并表示将重新审视其研究访问政策，以确保在保护知识产权与支持学术自由之间取得平衡。这一事件凸显了 AI 公司与研究社区之间在模型透明度与安全评估方面的紧张关系。 #Anthropic #Claude #AI安全 #研究政策 #学术自由 #大模型 #科技新闻

IAPO：面向小型多模态智能体工具使用的输入归因感知策略优化

该论文提出了一种名为IAPO（输入归因感知策略优化）的新方法，旨在提升小型多模态智能体在使用外部工具时的决策能力。传统策略优化方法难以有效区分不同输入特征对工具调用决策的贡献，导致智能体在复杂任务中表现不佳。IAPO通过引入输入归因机制，使模型能够学习哪些输入模态或特征对工具选择最为关键，并据此优化策略梯度。实验表明，该方法在多个标准基准测试上显著提升了小型多模态智能体的工具使用准确率和任务完成效率，同时保持了较低的参数量和计算开销。该研究为资源受限场景下多模态智能体的实用化部署提供了新思路。 #人工智能 #多模态 #智能体 #策略优化 #工具使用 #IAPO #机器学习 #论文

DeepRHP 混合变分自编码器

来自 arXiv 预印本平台的一篇新论文提出名为 DeepRHP 的混合变分自编码器，用于设计能够模拟蛋白质的随机杂聚物。该方法通过深度学习模型学习序列-结构关系，生成具有特定功能的聚合物，有望在生物材料、药物递送等领域替代天然蛋白质。论文由 Shuni Li 等五位作者完成，于2026年6月提交。该研究为高分子设计提供了全新计算范式，结合变分自编码器与混合损失函数，实现了对聚合物序列的高效优化。实验表明，DeepRHP 设计的杂聚物在结构和功能上接近天然蛋白质，且具备更好的可调性与稳定性。 #深度学习 #蛋白质模拟 #聚合物设计 #变分自编码器 #生物材料 #AI #arXiv #论文

结构保持神经代理模型实现可处理的不确定性量化

arXiv近期预印本平台收录了一篇由Handi Zhang等人提交的论文，题为《结构保持神经代理模型与可处理的不确定性量化》。该研究提出了一种新型神经网络架构，旨在构建物理或工程系统的代理模型时保留其内在的几何或物理结构，同时引入可计算的不确定性量化方法。论文讨论了该模型在复杂系统仿真中的潜在优势，特别是在保证预测精度和可靠性方面的进展。作者团队来自相关领域，论文已获arXiv编号，并提供了PDF及HTML预览。该工作有望为科学计算与机器学习交叉领域提供新工具，尤其适用于需要高置信度预测的工程应用。 #学术论文 #神经网络 #不确定性量化 #结构保持 #arXiv #机器学习 #科学计算

TAROT：面向小样本表格学习的大模型先验图任务自适应精炼方法

该论文提出了一种名为TAROT的新方法，旨在解决小样本表格学习中的关键挑战。通过利用大语言模型（LLM）的先验知识构建初始图结构，并针对具体任务进行自适应精炼，TAROT能够有效提升在小样本场景下表格数据的表示与推理能力。实验表明，该方法在多个基准数据集上取得了优于现有方法的表现，为表格学习的少样本泛化提供了新思路。 #论文 #机器学习 #小样本学习 #表格数据 #大模型 #图神经网络 #自适应精炼 #数据挖掘

新论文提出在策略蒸馏中的鲁棒内化方法

据arXiv预印本，一篇题为《When Context Returns: Toward Robust Internalization in On-Policy Distillation》的论文由Xun Wang等四位作者提交。该研究聚焦于在策略蒸馏（on-policy distillation）框架下，如何使模型在面对上下文信息回归时实现鲁棒内化（robust internalization），从而提升知识迁移的稳定性。论文探讨了蒸馏过程中上下文信息动态变化对模型性能的影响，并提出相应策略以增强模型在不同环境下的适应能力。这一工作有望为强化学习与知识蒸馏领域提供新的理论视角和技术路径。 #arXiv #论文 #知识蒸馏 #强化学习 #AI研究 #机器学习

TimeRouter

研究人员提出了一种名为TimeRouter的新方法，旨在实现时间序列基础模型的高效与自适应路由。该研究针对不同时序任务中模型选择耗时且计算成本高的难题，设计了一种轻量级路由机制。TimeRouter能够根据输入数据的特征动态选择最优的预训练模型或子网络，从而在保持任务精度的同时显著降低推理开销。这一工作为时间序列基础模型在实际场景中的灵活部署提供了新思路，有望推动金融、物联网、气象预测等领域的应用效率提升。 #时间序列 #基础模型 #路由 #自适应 #高效 #AI #机器学习 #论文 #时序分析

DeMix：通过影响向量调试混合错误类型的训练数据

研究人员提出了一种名为DeMix的新方法，用于调试训练数据中混合多种错误类型的情况。该方法通过分析影响向量，能够有效识别并定位数据集中不同类型的数据错误，从而提升模型训练质量。实验表明，DeMix在处理复杂数据错误时表现优于现有基线方法，为深度学习模型的可靠性和鲁棒性提供了新的保障。 #机器学习 #数据调试 #影响向量 #AI #论文

信息论分解方法助力多模态交互学习研究

近日，一篇题为“Information-Theoretic Decomposition for Multimodal Interaction Learning”的论文在arXiv预印本平台发布。该论文由Zequn Yang等五位作者完成，提交于2026年6月10日。论文提出了一种基于信息论的多模态交互学习分解方法，旨在更有效地理解和建模不同模态之间的交互关系。该研究有望推动多模态人工智能系统的发展，为视觉、语言等多模态融合任务提供新的理论框架。目前，论文已开放PDF全文下载，并获得了学术界的关注。 #多模态学习 #信息论 #人工智能 #arXiv #论文 #机器学习 #AI研究

大型语言模型驱动的物理蒸馏神经网络，助力制造过程属性预测建模

近日，一篇题为《Physics-Distilled Neural Network enabled by Large Language Models for Manufacturing Process-Property Predictive Modeling》的论文提交至arXiv预印本平台。该研究由Ge Song等五位作者完成，旨在利用大型语言模型（LLM）实现物理知识的蒸馏，构建面向制造过程属性预测的神经网络模型。传统物理建模往往依赖大量实验与领域知识，而数据驱动方法又缺乏可解释性。作者提出将LLM作为知识抽取工具，从文献或专家描述中提取物理规律，并融入神经网络训练，从而在保证预测精度的同时增强模型的可解释性与泛化能力。该方法有望在材料加工、工艺优化等工业场景中降低建模成本，提升预测效率。论文已开放PDF全文供学术社区参考。 #AI #机器学习 #制造 #物理蒸馏 #大语言模型 #神经网络 #过程建模 #工智能 #论文

Kuramoto Attention

近日，一篇题为《Kuramoto Attention: Synchronizing Self-Attention on the Torus》的预印本论文在arXiv上公开发布。论文作者Joshua Nunley提出了一种将Kuramoto模型与自注意力机制相结合的新方法，旨在通过环面（torus）上的同步动力学改进注意力计算。Kuramoto模型是一种经典的同步现象数学模型，常被用于描述耦合振荡器的集体行为。该研究将这一理论引入深度学习领域，探索如何使注意力头之间实现更高效的同步，从而提升Transformer架构的性能。目前论文尚未提供开源代码或详细实验数据，但已引起学术界的关注。研究人员认为，这一方向可能为增强注意力机制的可解释性和计算效率提供新思路。 #AI #深度学习 #注意力机制 #Kuramoto模型 #arXiv #论文

LLM

研究人员提出一种创新的图学习范式，即通过大型语言模型（LLM）与图神经网络（GNN）的协同教学来替代传统“金标准教师”模式。该研究认为，传统依赖单一预训练教师模型的方式限制了图学习在复杂场景下的泛化能力，而LLM与GNN的互补特性——LLM擅长语义理解与推理，GNN擅长结构化信息建模——能够实现更有效的知识迁移与联合优化。实验表明，该协同教学框架在多个图学习基准任务上取得了显著性能提升，尤其是在零样本和少样本场景下优势明显。这一工作为图学习与语言模型的深度结合提供了新思路，有望推动知识图谱、推荐系统等领域的进一步发展。 #图学习 #LLM #GNN #协同教学 #人工智能 #机器学习 #知识图谱

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

GraphInfer-Bench

来自Zhuoyi Peng等研究人员的论文提出了GraphInfer-Bench基准测试，旨在系统评估大语言模型（LLM）在图结构数据上的推理能力。随着LLM在多领域广泛应用，其在图推理任务上的表现缺乏统一衡量标准。GraphInfer-Bench填补了这一空白，通过设计涵盖节点分类、关系推理、路径发现等多种图任务，全面测试模型对图拓扑结构和语义信息的理解。该基准测试为后续优化LLM的图推理能力提供了重要参考，相关论文已在arXiv上公开。 #LLM #图推理 #基准测试 #AI #arXiv #GraphInferBench

APEX：专为无线边缘运营设计的网络原生时间序列基础模型

该论文提出了APEX，一种专为无线边缘运营设计的网络原生时间序列基础模型，主要用于预测和异常检测。APEX由Swadhin Pradhan、Niloo Bahadori和Peiman Amini共同完成，在arXiv上提交，状态为“等待注册”。该模型针对无线边缘环境中的时间序列数据特点进行了优化，能够有效提升预测准确性和异常检测效率。论文详细介绍了模型架构、训练方法及其在无线网络运营中的潜在应用，为边缘计算和网络运维提供了新的解决方案。 #APEX #时间序列 #基础模型 #无线边缘 #预测 #异常检测 #网络运营 #arXiv #AI #论文

用推理智能体进行大规模反例引导学习

近日，一篇题为《Counterexample Guided Learning in the Large using Reasoning Agents》的论文在arXiv预印本平台上线。该研究由Hongyi Liu等四位作者共同完成，主要探讨如何利用推理智能体在大型系统中进行反例引导学习。反例引导学习是一种通过寻找反例来迭代改进模型或程序正确性的方法，而借助推理智能体，该方法有望扩展到更大规模、更复杂的问题领域。论文可能涉及将形式化验证、自动推理与机器学习相结合，以提升系统可靠性和鲁棒性。目前论文以PDF和HTML格式提供，并附有源代码及相关引用链接。该工作对人工智能安全性、形式化验证以及自动程序修复等领域具有潜在参考价值。 #arXiv #反例引导学习 #推理智能体 #机器学习 #形式化验证 #AI安全 #学术论文

SirenFNO

一篇题为《SirenFNO: Efficient and Full Frequency Learning of Fourier Neural Operators》的论文于2026年6月9日提交至arXiv预印本平台。该论文由Pengqing Shi等四位作者完成，提出了一种名为SirenFNO的新型神经网络架构，旨在解决傅里叶神经算子（FNO）在全频率学习中的效率瓶颈。传统FNO在处理高频成分时往往计算成本高昂或精度不足，SirenFNO通过引入正弦激活函数与频率自适应机制，实现了对全频段特征的高效捕获，在保持较低计算开销的同时显著提升了模型对复杂物理场（如流体动力学、弹性力学）的逼近能力。该工作为科学计算与偏微分方程求解领域提供了新的工具，有望加速相关工业仿真与工程优化进程。 #论文 #AI #机器学习 #傅里叶神经算子 #科学计算 #SirenFNO #arXiv #深度学习

概率对比预训练用于多任务ADME属性预测

来自arXiv预印本的一篇新论文提出了一种名为概率对比预训练（Probabilistic Contrastive Pretraining）的方法，用于多任务ADME属性预测。ADME即药物在体内的吸收、分布、代谢和排泄特性，是药物研发中至关重要的环节。该研究由Yifan Xue等五位作者完成，旨在通过对比学习和概率建模，提升模型在不同ADME任务间的泛化能力。传统的预训练方法往往忽略任务间的不确定性差异，而新方法通过引入概率分布，更有效地捕捉多任务间的共享与特有信息。实验结果显示，该方法在多项ADME预测基准上取得了显著提升，为计算机辅助药物设计提供了更高效的解决方案。目前该论文已可在arXiv上获取全文。 #药物研发 #ADME #对比学习 #概率建模 #多任务学习 #AI #arXiv