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

《从AGI到ASI》论文发布，探讨人工智能终极演进路径

一篇题为《From AGI to ASI》的学术论文近日在arXiv预印本平台上线。该论文由Tim Genewein等14位研究人员共同撰写，提交于2026年6月10日。尽管论文摘要尚未公开披露，但标题明确指向从通用人工智能（AGI）向超级人工智能（ASI）的演进过程。这一方向被视为人工智能领域的终极命题，涉及技术路线、安全对齐、智能爆炸等核心议题。论文的发布引发学界关注，或将为AGI之后的AI发展提供理论框架与前瞻性讨论。 #AI #AGI #ASI #人工智能 #arXiv #论文 #科技前沿

Evoflux：推理时演化可执行工具工作流，构建紧凑型智能体

来自arXiv的一篇论文提出了一种名为Evoflux的新方法，旨在通过在推理阶段演化可执行工具工作流，来构建更紧凑的智能体。传统方法通常依赖大量预定义工具或复杂的手工编排，而Evoflux允许智能体在推理过程中动态地生成、测试和优化工具调用序列。该方法利用进化算法，在保持模型紧凑的同时，显著提升了智能体在复杂任务上的表现，如多步骤推理和工具使用。实验结果表明，Evoflux在多个基准测试中优于现有方法，为构建高效、轻量级的智能体系统提供了新思路。 #AI #智能体 #进化算法 #工具工作流 #arXiv #机器学习 #推理优化

TrajGenAgent

研究人员提出TrajGenAgent，一种基于分层大语言模型（LLM）的智能体，用于生成逼真的人类移动轨迹。该框架通过将轨迹生成任务分解为高层意图规划与低层路径执行两个层次，有效解决了传统方法在长序列、多模态行为建模中的局限性。实验表明，TrajGenAgent在轨迹保真度、时空一致性及多样性指标上均优于现有基线模型，为城市计算、交通模拟及社交网络分析等领域提供了新的技术路径。相关论文已提交至arXiv预印本平台。 #LLM #轨迹生成 #人工智能 #城市计算 #交通模拟 #arXiv #论文

论文揭示语言模型说谎检测能力与模型规模的关系

一项新研究提出了一种评估大语言模型说谎检测能力的方法。研究人员通过“信念验证的模型生物”（即经过校准、已知其信念状态的模型）系统测试了不同规模模型识别谎言的表现。结果显示，模型规模越大，其识别谎言准确率越高，但大型模型在应对复杂欺骗场景时仍存在显著局限。该研究为人工智能可信度评估提供了新工具，并引发了对模型潜在误导风险的关注。论文已提交至arXiv预印本平台。 #人工智能 #大语言模型 #说谎检测 #AI安全 #模型可信度 #arXiv

PersonaDrive：面向闭环驾驶模拟的人类风格检索增强VLA智能体

该研究提出了一种名为PersonaDrive的新型检索增强视觉-语言-动作（VLA）智能体，旨在提升闭环驾驶模拟中的人类风格行为。通过引入检索增强机制，PersonaDrive能够从历史驾驶数据中提取与当前场景相关的经验，并结合多模态感知信息生成更自然、更符合人类驾驶习惯的决策。实验结果表明，该方法在模拟环境中的驾驶流畅性、安全性和人性化表现均优于现有基线模型，为自动驾驶仿真系统提供了新的思路。 #自动驾驶 #VLA #检索增强 #驾驶模拟 #人工智能

Pythagoras-Prover：基于增强型Lean形式化的高效形式化证明新方法

来自arXiv的一篇论文介绍了Pythagoras-Prover，这是一种通过增强型Lean形式化来推进高效形式化证明的新方法。该研究由Joshua Ong Jun Leang等八位作者共同完成，论文提交于2026年6月10日。Pythagoras-Prover旨在提升数学定理的形式化证明效率，通过改进Lean证明助手的自动化能力，使复杂数学推理过程更加简洁和可靠。该方法有望在数学、计算机科学及人工智能领域的形式化验证中发挥重要作用，为自动定理证明和程序验证提供更强大的工具支持。 #形式化证明 #Lean #PythagorasProver #数学定理 #自动化推理 #arXiv #计算机科学

AI Agent战略决策支持新框架发布

一篇题为《AI Agent战略决策支持》的学术论文在arXiv平台预印发布。该研究由Shayan Kiyani等三位作者共同完成，提出了一种旨在增强AI Agent在复杂环境中进行战略决策支持的新方法。论文详细探讨了如何利用先进的计算模型，为AI系统提供更有效的决策辅助，使其能够处理多维度、动态变化的信息，并生成更优的行动策略。该研究有望推动AI在自动化规划、资源分配及博弈论等领域的应用，为构建更智能、更可靠的自主决策系统提供了理论支撑与实现路径。 #AI #人工智能 #决策支持 #战略决策 #arXiv #学术论文 #AIAgent

Arbor

来自arXiv的一篇论文提出了一种名为Arbor的新方法，将树搜索技术作为自主智能体的认知层。该方法旨在提升智能体在复杂任务中的推理和决策能力。论文由Neha Prakriya等八位作者共同完成，详细阐述了如何通过树搜索结构来增强智能体的认知过程，使其能够更有效地探索多种可能的行为路径，从而做出更优决策。该研究为构建更强大、更可靠的自主智能体提供了新的思路，有望在机器人、游戏AI和自动化系统等领域产生重要影响。 #Arbor #树搜索 #自主智能体 #认知层 #AI #arXiv #论文

ToolSense

来自 arXiv 的一篇论文提出了 ToolSense 框架，用于审计大语言模型中的参数化工具知识。该框架通过诊断性测试，系统评估模型对工具功能、参数和调用方式的理解程度，而非仅测试其工具使用能力。研究团队设计了多维度评估任务，涵盖工具选择、参数配置和错误处理等场景。实验表明，当前主流大模型在工具知识方面存在显著盲区，尤其在复杂工具链和参数约束理解上表现不佳。该工作为提升大模型工具调用的可靠性和安全性提供了重要参考。 #大模型 #工具学习 #AI审计 #arXiv #NLP

傅里叶变换与Volterra级数重新审视神经过程

来自arXiv预印本平台，一篇题为《Revisiting Neural Processes via Fourier Transform and Volterra Series》的论文由Peiman Mohseni等作者提交。该研究提出将傅里叶变换和Volterra级数理论引入神经过程分析，旨在为神经网络模型的泛化与可解释性提供新的数学框架。论文先后于2026年5月31日和6月11日更新，目前可通过PDF、HTML及TeX源码获取。研究团队来自多个机构，相关成果已引起学术社区关注，论文已被收录至arXiv相关领域浏览目录。该方法有望在机器学习和统计建模中产生应用价值。 #arXiv #论文 #神经过程 #傅里叶变换 #Volterra级数 #机器学习 #AI研究 #学术前沿

最优时空解耦方法提升贝叶斯共形预测性能

近日，一篇题为《Optimal Spatio-Temporal Decoupling for Bayesian Conformal Prediction》的论文在arXiv上发布。该研究由Yu-Hsueh Fang和Chia-Yen Lee共同完成，提出了一种针对贝叶斯共形预测的最优时空解耦方法。共形预测是一种提供预测区间的不确定性量化技术，而贝叶斯方法可融入先验知识。作者通过理论推导和实验验证，展示了该方法在时空数据场景下如何有效解耦时间与空间依赖，从而提升预测区间的覆盖率和效率。该工作有望在气象、交通、环境监测等需要时空预测的领域得到应用，为不确定性量化提供更精确的工具。 #贝叶斯共形预测 #时空解耦 #不确定性量化 #机器学习 #arXiv #论文 #预测方法

人工智能分析中的人工监督分配研究

一篇题为《Allocating Human Oversight in AI-Enabled Analytics》的学术论文于2026年4月提交至arXiv预印本平台，并于同年6月更新。该论文由Zikun Ye等人撰写，聚焦于在基于人工智能的数据分析系统中如何合理分配人工监督资源。研究探讨了当AI模型自主执行分析任务时，如何在保证准确性与效率的前提下，确定需要人工介入的关键节点与频率。论文可能涉及人机协作的权衡、监督成本与风险控制，以及不同场景下的最优监督策略。这项工作对提升AI辅助决策的可靠性具有理论价值，尤其适用于金融、医疗等高风险领域。 #AI #人工监督 #数据分析 #人机协作 #arXiv #论文

GEMSS：一种用于发现分类与回归问题中多个稀疏解的变分贝叶斯方法

研究人员提出了一种名为GEMSS的新型变分贝叶斯方法，旨在解决分类和回归问题中多稀疏解的发现难题。该方法通过引入变分推断框架，能够在高维数据中同时识别多个稀疏解，从而提升模型的可解释性和鲁棒性。实验表明，GEMSS在多个基准数据集上优于传统稀疏学习方法，为机器学习的稀疏建模提供了新思路。 #机器学习 #贝叶斯方法 #稀疏解 #分类 #回归 #变分推断 #GEMSS #论文

Entropic Mirror Monte Carlo 论文在 arXiv 预印本平台发布

由 Anas Cherradi 等八位研究者共同撰写的论文《Entropic Mirror Monte Carlo》于 2026 年 2 月 3 日首次提交至 arXiv 平台，并于同年 6 月 11 日更新第二版。该论文由法国索邦大学概率与统计建模实验室（LPSM）等单位完成，主要探讨基于熵镜像的蒙特卡洛方法，属于统计计算与蒙特卡洛算法领域的前沿研究。论文提供 PDF 全文、TeX 源码及 BibTeX 引用格式，并支持通过多种学术工具进行文献关联与探索。 #论文 #蒙特卡洛 #统计计算 #arXiv #科研 #机器学习

对比几何学习实现统一结构与配体药物设计

一项发表于arXiv的研究提出了一种名为对比几何学习的新方法，旨在统一基于结构和基于配体的药物设计。该方法通过对比学习框架，同时利用蛋白质三维结构和已知配体信息，生成具有高亲和力和选择性的候选分子。研究团队表示，该技术能够有效整合结构生物学与化学信息学优势，在多个基准测试中展现出优于传统方法的性能，有望加速药物发现流程并降低研发成本。 #药物设计 #对比学习 #几何学习 #AI制药 #arXiv #结构生物学 #配体

从几何到动力学：稀疏观测下过阻尼朗之万动力学的几何约束学习

该研究提出一种从稀疏观测数据中学习过阻尼朗之万动力学的新方法，通过引入几何约束来克服数据稀疏性带来的挑战。传统方法在处理高维或复杂系统时，往往因观测数据不足而难以准确重建动力学行为。研究者利用系统内在的几何结构，将动力学学习问题转化为约束优化问题，从而在数据稀疏条件下仍能有效推断出系统的演化规律。该方法在多个基准测试中表现出色，显著提升了动力学重建的精度和鲁棒性，为复杂物理系统建模提供了新思路。 #机器学习 #动力学系统 #几何约束 #稀疏数据 #物理建模 #过阻尼朗之万 #arXiv

多语言高效SLOPE求解器发布，覆盖R、Python、Julia和C++

近日，研究人员在arXiv上发布了一篇题为《Efficient Solvers for SLOPE in R, Python, Julia, and C++》的论文。该研究聚焦于SLOPE（Sorted L-One Penalized Estimation）算法的高效求解器实现，旨在提升统计建模中变量选择与正则化计算的性能。论文作者团队开发了覆盖R、Python、Julia和C++四种主流编程语言的求解器，为不同技术栈的用户提供了灵活选择。这些求解器在计算效率上进行了优化，有望在生物信息学、经济学等需要处理高维数据的领域发挥重要作用。论文还提供了完整的代码和数据链接，便于学术界和工业界复现与使用。 #SLOPE #求解器 #R语言 #Python #Julia #C++ #统计建模 #arXiv #开源工具

数据融合实现高分辨率估计新方法

一篇题为《Data Fusion for High-Resolution Estimation》的研究论文在 arXiv 上发布。该研究由 Amy Guan 等五位作者完成，提出了一种通过数据融合技术实现高分辨率估计的新方法。论文于2025年8月首次提交，2026年6月更新第二版。研究聚焦于如何整合多源数据，提升估计的精度与空间分辨率，在统计、遥感、环境监测等领域具有潜在应用价值。目前论文提供 PDF、HTML 及 TeX 源码，并附带多种文献管理和代码关联工具，供学术界进一步探索。 #数据融合 #高分辨率估计 #arXiv #科研论文 #统计方法 #计算机视觉 #机器学习

数据不可靠时，公平性审计的可靠性面临挑战

近期一篇发表于arXiv的论文探讨了在数据质量存疑的情况下，AI系统公平性审计的可靠性问题。研究指出，传统的公平性审计假设数据准确无偏，但实际中数据往往存在测量误差、标注错误或系统性偏差。当审计依赖不可靠数据时，评估结果可能严重失真，甚至隐藏真实的不公平现象。论文通过理论分析和实验验证，揭示数据噪声对常见公平性指标（如均等化赔率、人口均等）的影响，并提出了改进审计鲁棒性的初步策略。该研究为AI伦理实践提供了重要警示：在部署公平性审计前，必须首先确保数据质量。 #AI公平性 #数据质量 #审计可靠性 #机器学习 #算法偏见 #科研论文 #arXiv

AI行业正在重演挑战者号灾难的文化悲剧

“异常常态化”一词源自美国社会学家黛安·沃恩，指偏离正确行为或规则的现象逐渐被文化接受。在AI领域，该现象表现为系统性地过度依赖大语言模型输出，尤其在智能代理系统中。LLM本质上不可靠，下游必须实施安全控制，但大量间接提示注入攻击实例表明，系统设计者要么未意识到这一点，要么默许了这种偏离。更危险的是，厂商默认用户做出不安全决策。正如挑战者号灾难中，安全偏差因以往成功而不断被合理化，AI行业也在将概率性、非确定性的模型输出当作可靠、可预测。厂商正在常态化信任LLM输出，但模型无法一致遵循指令或保持上下文完整性。随着系统允许不可信输出采取有重大后果的行动，团队逐渐放松警惕，将“上次没出事”等同于安全。这种偏差正潜移默化地扩散，比如代理在日常使用中误格式化硬盘、创建随机GitHub问题或删除生产数据库。Anthropic研究甚至表明，仅需少量文档就能给模型植入后门。一旦攻击者利用这些漏洞，后果可能波及整个生态系统。 #AI安全 #异常常态化 #大语言模型 #科技伦理 #系统风险