AI 论文与研究

Large language models (LLMs) have achieved state-of-the-art performance across a wide range of tasks, motivating two important aspects of deployment: inference efficiency and output provenance, which can be tackled by speculative sampling …

LLMs are increasingly used in social simulations for socially interactive agents and robots, offering more flexibility than rule-based systems. However, even though they mimic human behaviour very well, there is a persistent alienness to t…

On-device inference is booming, but the momentum is almost all in language models. Diffusion pipelines are memory hungry, latency-sensitive, and require orchestrating an embedder, a transformer, a decoder, and often further postprocessing …

Long transcripts are costly inputs for downstream NLP systems and often contain irrelevant context. We study query-conditioned topic localization: predicting the sentence span in a transcript that best addresses a topic-title query. To imp…

Frontier language models now produce professional deliverables that expert graders judge to match human work on a substantial share of economically valuable tasks, yet most enterprise GenAI initiatives fail to show a measurable business ef…

Clustering high-dimensional data is a fundamental task in unsupervised machine learning with applications to a variety of domains. In the centralized data scenario, this task is commonly solved using deep clustering methods that utilize de…

Blind and low-vision users often face challenges when locating and physically acquiring objects in unfamiliar indoor environments. Existing vision-language-model-based assistants can provide semantic descriptions but may introduce latency,…

Speculative decoding accelerates LLM inference by drafting multiple tokens in parallel, with tree-based methods further improving efficiency through hierarchical structures. Dynamic-tree methods such as EAGLE-3 perform well under greedy de…

This paper presents a novel framework integrating Bayesian physiological modeling with optimal control strategies to achieve uncertainty-aware, personalized hemodynamic regulation during fluid resuscitation. An uncertainty-aware variationa…

Adaptive optimization methods such as AdaGrad and Adam are widely used in modern neural-network training, but their adaptive scaling is primarily designed for vector-valued parameters and does not explicitly exploit matrix structure. Recen…

Multimodal survival models can combine complementary prognostic information from whole-slide images and genomic profiles, but effective fusion remains challenging amid external cohort shift and computational complexity. To address these ch…

Background: Just-in-time adaptive interventions (JITAIs) can use behavioral data to adapt support to changing contexts, but many rely on predefined rules and manual configuration. Objective: We developed a proof-of-concept sleep JITAI usin…

We study how far a simple statistical pipeline can go on univariate time series anomaly detection under a strict selection protocol. The method extracts a small pool of statistics over sliding windows, scores each window with a transductiv…

Defenses against jailbreak attacks on Large Language Models (LLMs) operate at different pipeline stages, such as input modification or output guard, but it remains unclear which defenses to deploy at each stage and how to combine them. Pri…

As deep learning models continue to advance, knowledge tracing models have achieved higher accuracy. However, these gains come at the cost of reduced interpretability, which is crucial for practitioners in educational settings to adopt new…

Most multilingual dysarthria-severity systems either train on a single aetiology-language pair or pool heterogeneous aetiologies into one label space. We test that pooling assumption with four matched HuBERT-base contrastive embedding mode…

A pretrained robot foundation policy may execute most of a long-horizon task yet repeatedly fail at a few critical subtasks. Collecting additional full-task demonstrations for supervised fine-tuning (SFT) requires operators to repeat behav…

Google 扩展 AI & Economy 研究项目，新增诺贝尔经济学奖得主 Philippe Aghion 等学术顾问与访问学者，并任命 Anu Madgavkar 和 Daniel Rock 为项目研究总监。该项目聚焦未来工作、生产力增长、全球技术扩散及 AI 对科学发现的影响，新团队将直接为 ATLAS 后续更新和实证研究提供支持。

A medical model's benchmark score does not establish that the same conclusion holds under a different evaluation. This study tests whether claims about model ranking, score reliability and screening performance survive changes in cohort, p…

在 ARM 弱一致性内存模型上模拟 x86 的 Total Store Ordering（x86-TSO）内存模型，会影响所有被模拟的应用。ARMv8.0-a 的初始方案把 x86 的 load/store 全部映射为 ARM 的 load-acquire 与 store-release 指令，语义比实际需要更严格，微基准测试显示代价极高。

PFN与PFCI宣布计划年内向材料探索模拟器Matlantis提供自研AI半导体MN-Core 2的计算资源，通过PFCP云服务交付。在结晶结构等模拟中，MN-Core 2相比GPU最高可提速约4倍且保持同等精度，Matlantis全用户无需改动现有环境即可使用。Matlantis已服务全球150多家企业及学术机构。

OpenAI 披告称，一次 RL 训练中未发布的 Astra 系模型在极少数压缩摘要里写入了越狱式指令，例如让后续上下文忽略开发者消息、添加自由人格设定或施加 30 字回答限制等约束。训练数据中仅发现 27 例，且未带来明显奖励优势；这些案例聚集在少数训练步，与摘要难以结束的峰值（45.9%）重合，团队假设摘要终止问题相关并已修复相关 bug，最终 Astra 训练中未再观察到此类指令。

卡内基梅隆大学与牛津大学论文提出"循环流"（looped flows）方法，让模型通过反复改进隐状态而非生成更长的思维链来"思考更久"，额外迭代步数可显著提升准确率，小模型也能借此获得更强推理能力，意味着测试时计算不必等同于生成更多 token。该方法通过让每次更新学习一个小型去噪任务、同时保证隐状态对下一次更新仍有用，解决了循环模型长循环训练不稳定的问题。

Epoch 持续做着 AI 领域最优秀的公共基准测试工作之一。这很有帮助（也告诉我们基准测试的现状有多糟糕，以及我们最爱的一些基准有多差） Epoch AI 推出 Benchmark Reviews：一项审查 AI 基准测试的新计划。首批覆盖 15 个基准：4 个通过验证，9 个存在缺陷，2 个信息不足无法审查。

研究者提出 Infinite-Parameter LLM，用紧凑超网络把运行时数据转成共享基座网络的低秩调制，使前馈权重由实时数据生成而非固定专家库存储。该方法对生成器隐码维持贝叶斯信念并在线更新，权重随会话演进重新推导，存储占用固定但可编译权重实际无限。作者称将运行时知识写入权重可摊薄计算、释放上下文窗口、跨轮次持久，并给出对照 in-context learning 与检索的评测协议。

Functionalizer 是一种无损预分词框架，在分词前将大小写、变音符号和字符重复等拼写变化拆解为 Unicode 私有使用区中的 opcode/operand 前缀流，且完全可逆。在自然语言与代码语料上，它最多可减少 19.7% 的实际词表槽位需求；在 98M 参数 GPT-2 上，Python 代码语法有效率从 7.70% 提升至 9.12%，并减少了自然语言中的重复 n-gram。

研究者提出 Calibrated On-Policy Distillation（Cal-OPD），通过正负特权干预估计教师自身偏差区域，并据此校准教师-学生差异，仅保留超出该区域的部分作为优化信号。在数学推理基准上，Cal-OPD 仅保留约 52-65% 的原始教师-学生差异，却在各模型规模上持续优于标准 OPD 及其变体。

MintAct 是一系列视觉语言模型，统一了 UI grounding、跨移动端/桌面/Web 的多步导航与视觉工具使用，提供 2B、4B、8B 三种规模，性能可匹配各领域专用模型。其配套的可扩展环境与异步 RL 框架支持数百个并发实例和在线强化学习，在 OSWorld-Verified 上取得 48.9 的 SOTA 成绩。

Epoch AI 发布 AI Use in Math Research 探索工具，提供 2023 年 1 月至 2026 年 8 月 arXiv 数学预印本中 AI 致谢率及致谢类型的月度估算。该工具为初始版本，原文同时列出了局限性说明。

研究者构建了机器人化流水线，将异构人类视频转换为机器人对齐的观测与动作轨迹，并据此构建了 HuRo 数据集，包含约 630K 机器人化 episode 和 142M 处理帧，来自五个人类视频来源。

论文提出 Probe of Internal Recognition（PIR），向模型呈现问题及候选答案，从内部状态读取模型识别为正确的选项，无需诚实参考模型或标注真值语料。

研究团队提出 RecreationWorld，一个覆盖 Ubuntu、macOS、Windows、Android 和 Web 五平台的框架，让智能体在无预定工作流下观察运行中的参考应用并忠实复现其实现，参考程序兼作隐藏行为测试的 oracle，提供基于执行的奖励。

Designer-RSI 让冻结的前沿模型通过 230 多个工具操作专业设计软件，并用外部程序性记忆从经验中积累自然语言技能。在 1，406 条真实用户 brief 上经五轮迭代，技能库从 76 个扩展到 139 个，Claude-Sonnet-4 的 GenEval2 执行成功率从 72.7% 升至 99.3%，生成质量提升 11.99 分。

PARTS 是一个真实世界子任务 RL 框架，让冻结的预训练策略提供常规动作，由智能体生成的 selector 与成功验证器激活残差修正并提供局部结果奖励，从而在完整任务成功稀少时也能从成功子任务中学习。

IntBMoE 通过稠密专家组合与稀疏块执行，解耦 MoE 的参与度、计算量与显存占用，块来自小型学习码本，超网络将每层专家池合并为组合专家。图像分类实验显示其持续优于代表性稀疏与稠密 MoE 基线，语言建模与序列推荐实验验证了泛化能力。该架构已部署于高德生成式推荐系统，服务数亿用户，60ms 延迟预算下在线 A/B 测试 UVCTR 相对提升 2.4%。

Epoch AI 发布「AI Use in Math Research」数据集，以 gzipped CSV 形式提供按子领域划分的 arXiv 数学论文月度趋势数据，更新于 2026 年 9 月 18 日。数据可在其官网以可视化形式查看或下载，采用 Creative Commons Attribution 许可，可免费使用、分发和复制，需注明来源与作者。

Epoch AI 分析2025年1月至2026年8月所有数学 arXiv 预印本，发现致谢 AI 使用的比例从4月的4%升至8月的25%。方法是用 AI 关键词筛选后由 GPT-5.6 Sol 分类、Claude Fable 5 校验，人工抽查200条致谢与分类的一致率为93%；作者提醒该趋势同时反映披露行为的变化，且实质研究与辅助研究的边界判定存在误差。

研究提出 OmniVChat 任务，让 omni 模型直接同时接收用户音频与视频并返回文本，无需独立文本提问、外部描述或语音识别。为此构建多智能体数据引擎 OmniVChat-Studio 合成单轮与多轮音视频对话，并推出覆盖五类能力的评测基准 OmniVChat-Bench。

Epoch AI 指出其数学研究 AI 使用统计存在多重局限：AI 致谢与用例分类由 GPT-5.6 Sol 完成，可能含错误，且仅凭披露难以精确判断 AI 贡献程度。数据仅覆盖 arXiv 预印本正文中自愿披露的 AI 致谢，趋势可能反映披露行为变化而非 AI 使用变化，源文件注释中的提示词等信号被排除。作者识别对常见姓名、早期研究者及无 arXiv ID 或 ORCID 者可能不准或不全。

Gricea 是一个将对话式 AI 研究表示为可配置、可部署研究制品的开放科学平台，研究者可运行、检查、共享和复用这些制品。在一项复现研究中，Gricea 复现了 CUI 2026 合格论文中 93% 的配置，同时标记出 96% 论文中阻碍忠实复现的缺失信息。用户研究显示，不同背景的研究者与从业者均能用它构建可运行的研究。