标签
该论文提出了 LEAN，一种通过损失函数设计实现的正则化方法，可重塑已训练模型的权重敏感度分布，将高敏感度尾部缩减至原来的 1/5–1/13，使模型能够抵御数百次比特翻转攻击，同时以 3.29 比特的有效载荷存储 ImageNet ResNet-50（存储大小为 INT8 的 1/2.4）。
论文提出了 Guided-AP 方法，利用少量精确的激活补丁测量来揭示并修正归因补丁估计中的共享误差，在机制可解释性分析中，单提示的误差最多降低 26%，跨提示平均效应的误差降低 75-79%。
Quantinuum 宣布，其当前一代量子硬件在纠错方面实现了远超盈亏平衡点的扩展能力，逻辑量子比特规模每提升一级，关键性能指标便改善超过10倍。这意味着，实现实用的容错量子计算所需的物理量子比特数量可能远低于此前的担忧。
科学家与IBM合作，利用自适应量子电路在156量子比特处理器ibm_fez上操控至多100个物理量子比特，展示了迈向容错量子计算所需的实时测量与反馈能力。
Google Quantum AI在其Willow量子处理器上首次演示了"魔法态培育"（magic state cultivation）技术，相比此前方法实现了40倍的错误率降低，并达到了99.99%的前沿逻辑保真度，标志着在实现实用化量子计算方面取得了重大进展。
ARIA 提出一个用于大模型多智能体系统的运行时检查与修复框架，构建了首个大规模配对失败轨迹与执行验证修复的数据集（3,953 个修复对），并训练紧凑模型在执行过程中自主识别并修正错误，可泛化到未见过的框架和宿主模型。
Google Quantum AI 提出并实验验证了“魔法态培育”（Magic State Cultivation）新方法，可将魔法态误差降低 40 倍，并结合“回馈层析”与“嫁接”技术，在超导量子比特上以极高速度运行，为实用化容错量子计算迈出了关键一步。
Google DeepMind 表示其 Argon 系统正在加速量子纠错与算法设计，例如将内部的量子纠错解码器 AlphaQubit 转化为高度优化的单个硬件"megakernel"，使推理吞吐量接近翻倍。
Refine Cycle 是一个 OpenClaw 插件，它会扫描近期的 agent 会话，将反复出现的错误提炼成简短的教训并让 agent 跨对话记住，同时验证这些错误是否会再次出现——实测可将错误解决率从 8% 提升到 91%。
Agentic-GER 提出一个基于大语言模型的智能体，用于在长语音转录中利用全局上下文和选择性重转录修正领域特定术语，实现了中英文语音识别准确率的显著提升。
斯坦福+牛津关于 MedRSI 的论文显示，医疗AI智能体可以通过在新患者身上测试新能力并使用防护栏来保持准确性，从而从错误中自我改进。
本文提出渐进式错误课程训练（PECT），通过逐步适应现实中的音素预测错误，提高视觉语音识别中音素到文本重构的鲁棒性，在LRS2和LRS3基准测试上实现了词错误率的降低。
本文提出了CRN v2，一个轻量级的纠正模块，能够在不降低基座能力的前提下修复冻结语言模型中的错误，在领域考试中实现53.3%的纠正率，同时保持标准基准测试的性能。
本文介绍了DasanCallDial，一个针对对话级ASR错误校正的大规模韩语基准数据集，并提出了DCSC框架，在纯文本后编辑中达到了最先进的性能。
本文提出了一种用于标注中文学习者写作中语法错误的分层分类体系，结合了计算和教学视角，并通过覆盖分析和与语言模型的一致性研究进行评估。
AVERT通过集成音频验证和跨轮次一致性来纠正错误，从而增强口语对话状态跟踪，在无需重新训练的情况下提升了SpokenWOZ基准测试上的性能。
ORDDAR是一个推理框架，通过建模认知状态转换来检测和修复局部失真，从而在不同基准测试中提升AI推理的质量和可解释性。
语义推理去噪（SRD）引入了一种算子化的马尔可夫去噪方法，用于纠正语言模型推理轨迹中的语义错误。该方法使用可执行的错误算子和迭代优化，在六个基准测试中均展现出性能提升，并在迁移任务上取得了有竞争力的结果。
本文探讨了创建美观且可扫描的二维码的艺术与技术，涵盖了错误纠正、AI生成和自定义渲染工具等方法，同时强调美学与功能性之间的平衡。
Google宣布其Willow系统在量子计算上取得突破，完成了一项计算，这项计算在经典超级计算机上需要10 septillion年，而在Willow系统上仅用了5分钟，标志着量子纠错的一个重要里程碑。