#前沿研究
共 8867 篇相关文章
VGGT的自我认知：冻结特征预判位姿失败，ROC-AUC 93.5%
研究发现VGGT冻结特征中的线性探针能以ROC-AUC 93.5%预判位姿失败，优于模型自带置信度，且可迁移至其他数据集，为前馈三维重建的不确定性估计提供新思路。
信息论安全聚合：异构量化下的联邦学习隐私新方案
本文介绍一种信息论安全聚合方案，解决联邦学习中客户端异构量化带来的隐私泄露问题。该方案利用阈值秘密共享，容忍掉线和共谋，确保服务器仅获得聚合总和而不泄露单个更新。
Work Agents：从模型到系统，智能体如何可靠完成数字工作
论文提出以工作为中心的系统级视角，将工作智能体定义为基础模型与运行时harness的组合，用工作持续性与开放性刻画条件，梳理五类核心能力、三层优化路径与以工作成果为导向的评估方法。
当学习信号不再连续：不稳定性新解
新研究揭示：当梯度信号稀疏、间歇且嘈杂时，学习可能不稳定，即使平均动态收敛，方差也可能渐近无穷。文章分析稳定学习的显式条件及其对生物合理学习模型的启示。
FLORE：让机器人学会「用力」的人形机器人操作框架
FLORE是一个学习力反应式人形机器人移动操作的框架，通过无机器人演示采集、力反应扩散策略和混合柔顺控制器，在接触密集任务中实现80%成功率，远超位置策略的26.7%。
美光台湾工厂加薪2.7倍：AI芯片热潮下的用工争夺
美光台湾工厂计划将产线工人薪资提升至2.7倍，反映AI芯片热潮下存储厂商对熟练人力的争夺。本文分析加薪背后的产能压力、台湾半导体人力紧张格局及对行业用工成本的潜在影响。
Auto-Research Arena：自动研究系统的基准测试与前沿探索
Auto-Research Arena 是一个多目标基准，用于评估自动研究系统并在语言建模中发现新想法。它通过分离可采纳性与改进性，支持多样化的研究目标，并在语言模型预训练中实例化了九个目标。评估显示简单基线超越复杂方法，揭示了系统的提升空间。
BriLLM-MetaPred：首个从AGI数学理论推导的语言模型
BriLLM-MetaPred 是首个由 AGI 数学理论推导的机器学习原语工程实现：用单一动力学状态统一表示与预测，通过自我测量提供内生自监督信号，训练推理对称耦合，预测性能与同规模 GPT 基线相当。
GEPA合并为何不稳定？机制级诊断揭示配置敏感与行为探针
GEPA合并算子跨模型不稳定？机制级诊断发现配置敏感性是主因，静态特征无法预测合并决策，行为探针可规避高风险失败但未超越NoMerge。
模型也会好奇？新研究量化LLM提问中的好奇心
一项研究提出「模型好奇心」概念，构建理论分类体系区分好奇心导向提问与一般提问。分析四个对话数据集发现，好奇心提问仅占17%-28%，但与更富探索性的用户回应相关，人类研究显示其在建议、创意和研究场景中尤其有用。
CLE基准发布：LLM智能体持续学习能力仅47.7%
CLE持续学习基准由50余位专家构建，含120个任务、600个层级，覆盖89种职业角色。评测显示前沿LLM最佳仅通过47.7%层级，反馈修订带来5.3个百分点提升，持续学习仍是智能体短板。
无模式Text-to-SQL：从查询日志学习企业数据库结构
新研究提出首个无需模式文档的Text-to-SQL框架，从历史查询日志构建知识图谱并引入实体驱动GraphRAG检索，在Beaver基准上执行有效性达95.7%，远超嵌入检索的60.8%，为模式模糊的企业数据库提供自然语言接口新路径。
智能体时代，Rust为何成为AI编程首选？
Rust核心团队成员撰文探讨AI智能体对Rust的意义：Rust的高性能默认值与类型系统为何天然适合Agent编程，形式化证明如何让Unsafe代码更安全，以及设计语言可能成为未来关键突破。
TCSP3.0破解晶体结构预测难题：元素替换修复与性能飞跃
TCSP3.0通过保系数元素替换和同步物种映射修复了TCSP2.0中20%的组分错误，在T180基准上Top-1匹配率达72.2%，速度比CrystalFlow快十倍，为晶体结构预测带来准确率与效率的双重提升。
正交群下微分神经正切核的对称性研究
本文探讨了无限宽微分神经正切核（DNTK）在正交群下的对称性，针对两层和深层网络分别基于显式表达式和递归公式给出普适性结论，证明了积分算子的谱等价性及带状对称性，并导出了RePU激活浅层网络的特征值衰减速率。
物理约束下的深度科学推理：结构感知光谱预测新范式
DeepSciReasoner 提出物理约束下的结构感知光谱预测新范式，结合结构感知解码与约束保持推理，在 eDOS、phDOS、XANES 和拉曼光谱上显著提升预测精度并保持物理一致性，为材料发现提供可复用蓝图。
表征形成的几何学：Bures轨迹揭示神经网络学习新维度
最新研究将表征学习视为Bures几何轨迹，发现轨迹弯曲度反映计算复杂度，形成历史能预测表征稳定性，且几何可被主动优化——为神经网络可解释性提供全新维度。
sEMG手势识别跨用户适应：持续学习策略对比与训练稳定性
研究在NinaPro DB1上对比经验回放、EWC和朴素微调三种持续学习策略，发现经验回放实现83.3%准确率且遗忘仅1.8-5.8%，并揭示打乱窗口训练的必要性及手工特征增益的保持条件。
