小米开源AI编程工具MiMo Code，称核心基准超越Claude Code

据外媒报道，小米MiMo AI团队正式开源发布终端式AI编程工具“MiMo Code V0.1.0”。小米宣称，该工具在Agentic编程核心基准测试中表现优于Anthropic旗下的Claude Code，尤其在超过200步的多阶段任务中优势更为显著。MiMo Code基于开源代理项目OpenCode分叉开发，并引入了自研记忆机制和工作流模式。其核心设计之一是跨会话记忆系统，旨在解决现有AI编程代理在长链路任务中因上下文窗口接近上限而丢失早期决策信息的问题。为此，MiMo Code引入独立的“检查点撰写”子代理，主代理负责执行编程任务，子代理实时记录关键决策和任务进展；当上下文窗口接近上限时，系统可依据记录恢复运行环境，从而减少任务中断，维持工作流连续性。 #小米 #MiMoCode #AI编程 #开源 #ClaudeCode #人工智能

随机梯度下降分位数估计量的中心极限定理

一项关于随机梯度下降（SGD）分位数估计量的理论研究取得进展。该论文由Ziyang Wei等人撰写，提出了针对SGD分位数估计量的中心极限定理。研究通过严格的数学推导，证明了在特定条件下，SGD分位数估计量的分布会收敛于正态分布。这一发现为理解SGD在分位数回归中的统计性质提供了理论基础，有助于提升机器学习模型在不确定性量化、风险分析等领域的可靠性。论文已提交至arXiv预印本平台，并经过多次修订，目前提供PDF、HTML及TeX源码等多种访问方式。 #机器学习 #随机梯度下降 #中心极限定理 #分位数估计 #统计学习 #arXiv #AI理论

任务可交换性助力合成数据有效推断

一篇题为“通过任务可交换性实现合成数据有效推断”的论文在arXiv上发布。该研究由Lezhi Tan等人完成，针对机器学习中广泛使用的合成数据在统计推断时面临偏差和有效性不足的核心问题，提出了一种基于任务可交换性理论的新框架。该方法通过利用不同任务间的交换性结构，在不依赖真实数据分布假设的前提下，实现了对合成数据所衍生的统计量进行有效的基于频率推断。论文展示了该框架如何在多种合成数据生成流程中保持推断的有效性，并减少由生成模型近似误差带来的偏差。这一成果为合成数据的可信统计推断提供了新的理论工具，有望推动合成数据在敏感领域（如医疗、金融）的应用。 #合成数据 #任务可交换性 #统计推断 #机器学习 #arXiv #学术研究 #论文

研究提出计算受限世界中的模拟器学习无遗憾策略

据arXiv预印本显示，Sasha Voitovych等四位学者于2026年6月发表题为《Learning with Simulators: No Regret in a Computationally Bounded World》的论文。该研究聚焦于在计算资源有限的环境下，如何利用模拟器进行学习并实现无遗憾（no regret）的决策算法。论文可能探讨了在线学习、强化学习或博弈论中的核心问题，为计算受限场景下的学习理论提供了新思路。目前论文已通过DataCite分配DOI，可在arXiv上获取全文。 #论文 #arXiv #机器学习 #强化学习 #模拟器 #无遗憾算法 #计算理论

对称电子指纹揭示二维材料中竞争磁相

一项发表在arXiv上的研究提出了一种利用对称电子指纹识别二维材料中竞争磁相的新方法。研究团队通过分析材料的电子结构和对称性特征，成功区分了不同磁性相之间的细微差异。该方法能够有效捕捉材料在相变过程中的关键电子态变化，为理解二维材料中复杂的磁性行为提供了新工具。这一发现有望推动自旋电子学和量子材料等领域的发展，帮助科学家更精准地设计和调控新型磁性材料。 #二维材料 #磁性相 #对称电子指纹 #自旋电子学 #量子材料 #arXiv #材料科学

黎曼流形上吉布斯测度的快速混合研究取得进展

一项关于黎曼流形上吉布斯测度混合性质的研究论文在arXiv平台发布。该研究由Ángela Capel等六位作者共同完成，探讨了在黎曼流形背景下吉布斯测度的快速混合问题。论文通过数学物理方法，分析了相关动力学过程的收敛速度，为理解复杂几何空间中的统计力学行为提供了新视角。该工作已获得arXiv-issued DOI，目前处于待注册状态，相关文献可通过NASA ADS、Google Scholar等学术工具检索。 #数学物理 #黎曼流形 #吉布斯测度 #混合性质 #arXiv #统计力学 #学术研究

加速推测性扩散

来自arXiv的最新研究论文提出了一种名为“块验证”的新方法，旨在加速推测性扩散过程。该方法由Alexander Soen等四位作者共同完成，于2026年6月11日提交至arXiv平台。推测性扩散是一种先进的生成模型技术，但传统方法在验证阶段存在效率瓶颈。块验证通过将多个推测步骤打包成块进行并行验证，显著减少了计算开销和延迟。实验结果表明，该方法在保持生成质量的同时，大幅提升了推理速度。该研究为扩散模型的高效部署提供了新思路，有望推动其在图像生成、科学计算等领域的实际应用。 #arXiv #推测性扩散 #块验证 #机器学习 #AI #论文 #加速推理

REMAL：基于残差平衡流形主动学习的替代模型多学科设计分析

一篇题为《REMAL：基于残差平衡流形主动学习的替代模型多学科设计分析》的论文在arXiv预印本平台发布。该研究由Kail Yuan和Ashwin Renganathan共同完成，提出了一种名为REMAL的主动学习方法，旨在提升替代模型在多学科设计分析中的效率与准确性。REMAL通过构建残差平衡流形，有效识别并采样高不确定性区域，从而减少所需训练数据量，同时保持模型精度。该方法有望降低复杂工程系统设计的计算成本，加速多学科优化流程。论文提供了完整的PDF、HTML及TeX源码，并支持BibTeX引用导出，相关浏览上下文涵盖物理学与统计学领域。 #REMAL #主动学习 #替代模型 #多学科设计 #arXiv #机器学习 #工程优化

论文提出Jeffrey Guidance方法，实现扩散模型更通用控制

来自arXiv的一篇新论文由Raphaël Razafindralambo等作者撰写，提出了一种名为Jeffrey Guidance的通用控制方法，旨在增强扩散模型在生成过程中的可操控性。扩散模型在图像、音频等生成任务中表现优异，但其对生成内容的精细控制仍是研究难点。Jeffrey Guidance方法通过改进引导机制，可能实现对生成结果的更灵活调节，拓展了扩散模型的应用范围。该论文于2026年6月11日提交至arXiv，目前提供PDF和HTML版本供查阅。 #扩散模型 #JeffreyGuidance #生成式AI #arXiv #机器学习 #计算机视觉 #论文

噪声对比估计法校准简化藤蔓连接函数

一篇题为《使用噪声对比估计方法校准简化藤蔓连接函数》的学术论文近日在arXiv预印本平台发布。该研究由Michael Denis Kraus等三位作者完成，提出了一种基于噪声对比估计（NCE）的新方法，用于校准简化藤蔓连接函数（vine copulas）。藤蔓连接函数是统计学中用于建模多元依赖关系的强大工具，但传统校准方法计算复杂度高。该研究通过引入NCE，有效降低了计算成本，同时保持了模型精度。论文提供了完整的理论推导和实验验证，展示了该方法在金融风险建模、气候数据分析等领域的应用潜力。目前该论文已开放PDF和HTML版本供读者查阅。 #统计学 #机器学习 #噪声对比估计 #藤蔓连接函数 #arXiv #学术论文 #数据分析

二次降阶-高斯过程常微分方程框架

研究人员提出了一种名为“二次降阶-高斯过程常微分方程”的新计算框架，用于高效推断大规模连续动力系统。该方法结合了二次降阶技术以大幅降低计算复杂度，并引入高斯过程建模处理系统不确定性，从而在保持精度的同时显著提升推理效率。该框架特别适用于高维、复杂动态系统的数值模拟与数据分析，有望推动气候建模、生物网络、工程控制等领域中大规模动力系统的应用研究。相关论文由Guglielmo Padula等人撰写，已在arXiv预印本平台发布，并提供了PDF和HTML版本供学术交流。 #arXiv #高斯过程 #常微分方程 #降阶 #动力系统 #计算科学 #机器学习 #科研论文 #科学计算 #AI

物理系统概率仿真的可靠性研究

一篇题为《物理系统概率仿真的可靠性》的学术论文在arXiv预印本平台发布。该研究由Sam F. Greenbury等11位作者共同完成，主要探讨了概率性仿真方法在物理系统建模中的可靠性问题。论文通过理论分析与实验验证，评估了概率仿真在复杂物理系统中的表现，为相关领域的研究提供了重要参考。目前该论文已提供PDF、HTML及TeX源码等多种格式供学术社区查阅，并获得了NASA ADS、Google Scholar等学术工具的引用支持。 #物理仿真 #概率模型 #学术论文 #arXiv #可靠性研究

扩散网络对齐

研究人员提出了一种名为扩散网络对齐的新算法，并给出了显式的概率界。该算法旨在高效解决网络对齐问题，即在不同网络间寻找对应节点。通过引入扩散过程，算法能够利用网络结构信息进行节点匹配，并提供了理论上的性能保证。实验结果表明，该方法在多个真实网络数据集上取得了优于现有方法的对齐精度，同时保持了较高的计算效率。该研究为网络对齐领域提供了新的理论视角和实用工具。 #扩散网络 #网络对齐 #算法 #概率界 #机器学习 #图神经网络 #数据挖掘

依赖条件下McDiarmid不等式的熵近似张量化研究

该论文由Valentin Roth撰写，探讨了在依赖条件下McDiarmid不等式的推广问题。传统McDiarmid不等式适用于独立随机变量，但实际数据常存在依赖关系。作者通过熵的近似张量化技术，建立了依赖条件下浓度不等式的新框架。研究将信息论方法与概率论结合，为处理马尔可夫链、混合过程等依赖结构提供了理论工具。论文发表于arXiv平台，属于数学与统计学交叉领域，对机器学习理论中的泛化误差分析具有潜在应用价值。 #McDiarmid不等式 #依赖条件 #熵近似张量化 #概率论 #信息论 #机器学习理论 #arXiv论文

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

对数凹采样统一复杂度界限研究取得新进展

来自arXiv预印本平台的一篇论文提出了对数凹采样问题的统一复杂度界限。该研究由Yunbum Kook等人完成，旨在为对数凹分布采样提供更通用的理论分析框架。论文通过数学推导，给出了适用于多种采样算法的复杂度上界，有望简化相关算法的性能评估。该工作涉及计算机科学、数学和统计学等多个领域，目前可通过arXiv获取全文。 #arXiv #对数凹采样 #复杂度 #算法 #数学 #计算机科学

两层线性自回归模型实现潜在状态估计

近日，一篇题为《两层线性自回归模型估计潜在状态》的论文提交至arXiv预印本平台。该研究由Yahya Sattar等六位作者完成，提出了一种两层线性自回归框架，用于从观测数据中有效估计潜在状态变量。传统自回归模型通常仅关注表面观测序列，而该工作通过引入分层结构，显式建模底层状态与上层观测之间的线性关系，有望提升时间序列分析中状态推断的准确性与可解释性。论文虽尚未正式注册DOI，但已公开PDF全文及TeX源码，供学界探讨。该研究对系统辨识、信号处理及机器学习中的潜在变量建模具有潜在价值。 #论文 #arXiv #自回归模型 #潜在状态 #机器学习 #时间序列 #系统辨识

因果不变性在有限样本下对领域适应的有效性研究

一项最新研究探讨了因果不变性在有限样本场景下对领域适应问题的实际效用。该研究由Julia Kostin等人完成，论文已提交至arXiv预印本平台。研究团队通过理论分析与实验验证，评估了基于因果不变性的方法在数据量有限时能否有效提升模型在不同领域间的泛化能力。结果表明，因果不变性虽在理论上具有优势，但在有限样本条件下其效果受限于数据分布与样本规模，需谨慎应用。该工作为领域适应算法的实际部署提供了重要参考。 #因果不变性 #领域适应 #有限样本 #机器学习 #AI研究 #arXiv

物理信息神经网络用于化疗药代动力学

一项发表于arXiv的研究提出利用物理信息神经网络（PINNs）对化疗药物在体内的药代动力学过程进行建模与估算。研究团队将PINNs应用于临床数据，与传统临床估算器进行对比基准测试，发现PINNs在预测药物浓度时间曲线方面具有较高精度，同时能够有效处理稀疏和不规则采样数据。更重要的是，该方法揭示了传统模型中部分参数存在可识别性问题，即不同参数组合可能产生相似的药代动力学曲线，这为个性化化疗剂量调整提供了新的分析工具。研究指出，PINNs不仅可作为临床估算器的有力补充，还能帮助识别模型中的冗余参数，从而优化化疗方案设计。 #物理信息神经网络 #化疗 #药代动力学 #参数可识别性 #临床估算器 #AI医疗 #arXiv

计算可行的鲁棒差分隐私均值估计方法

一篇名为《计算可行的鲁棒差分隐私均值估计》的论文于2026年6月10日提交至arXiv预印本平台，作者为Kelly Ramsay等。该研究针对数据隐私保护中差分隐私方法通常计算复杂且易受异常值干扰的问题，提出了一种兼具鲁棒性与计算可行性的均值估计算法。该算法在满足严格差分隐私约束的同时，能够有效抵御数据污染，且在计算效率上具有显著优势。论文附有理论证明与实验验证，并公开了相关代码与数据。这一工作为统计学习、数据分析等领域的隐私保护实用化提供了新方案。 #差分隐私 #鲁棒统计 #均值估计 #计算效率 #隐私保护 #数据处理 #机器学习

双参数威布尔框架用于诊断Transformer权重分布

近日，一篇题为《双参数威布尔框架用于诊断Transformer权重分布》的学术论文在arXiv上公开。该论文由研究者Tiexin Ding提出，旨在通过一种基于两参数威布尔分布的统计框架，对Transformer模型的权重分布进行诊断分析。该方法能够有效识别模型训练中的异常权重模式，有助于提升模型的可解释性和安全性。论文详细介绍了框架的数学原理，并通过实验验证了其在多种Transformer结构上的适用性。这一工作为深度学习模型权重分析提供了新的工具，有望推动AI模型部署前的质量评估流程标准化。 #机器学习 #Transformer #权重诊断 #威布尔分布 #AI安全 #arXiv #模型可解释性