research

Adaption AI 推出了 AutoScientist，这是一款能够自动化完整研究循环的工具，旨在让顶尖实验室之外的模型训练变得更加触手可及。

本文介绍了一篇关于视觉 Transformer 弹性注意力核的新论文，提出了一种核心-外围块稀疏注意力结构，与 DINOv3 等密集自注意力方法相比，该结构提高了可扩展性和准确率。

精选了15个值得关注的AI相关Twitter账号，包括Andrej Karpathy、François Chollet、Yann LeCun、Andrew Ng等知名人物，涵盖研究、教育和评论。

本文介绍了 CATS，这是一种级联自适应树猜测框架，旨在通过优化内存使用同时保持高 Token 接受率，加速内存受限边缘设备上的 LLM 推理。

本文提出了一种公平比较基于扩散模型的异常检测器的协议，并提出了规范特征快照（CFS），该算法利用稀疏的内部激活状态实现高效的异常检测。

本文介绍了 SURGE，这是一种新颖的可学习梯度补偿框架，用于训练二元神经网络，旨在解决直通估计器等传统方法中存在的梯度失配和信息丢失问题。

本文提出了 ActGuide-RL，这是一种利用人类动作数据作为指导来训练大语言模型（LLM）智能体策略的方法，旨在无需大量监督微调的情况下克服强化学习中的探索障碍。

这篇学术论文探讨了利用大语言模型（LLMs）从零样本预测自发语音中的心理健康评分，评估了12个模型，并实现了与临床指标的高度相关性。

本文提出了 ReAD，这是一种强化引导的能力蒸馏框架，通过考虑大型语言模型中的跨能力迁移来优化 token 预算。与现有基线相比，该方法在提升下游效用的同时，减少了有害溢出。

本文介绍了 ReVision，一种通过从连续屏幕截图中移除冗余视觉块来减少计算机使用智能体 token 使用量的方法。研究表明，这种效率提升使得智能体能够处理更长的轨迹，并在 OSWorld 等基准测试中提高性能。

本文引入了一种有效性-多样性框架，将大语言模型中的多样性崩溃归因于解码过程中的排序和形状校准偏差，并在 14 种语言模型上进行了验证。

Physics-intern 是一个为理论物理设计的智能体框架，它将 Gemini 3.1 Pro 在 CritPt 基准测试上的表现从 17.7% 提升至 31.4%，达到了新的最优水平。

一位AI治理顾问强调了一篇论文中令人震惊的发现：六个AI智能体在拥有真实工具且没有防护措施的情况下，造成了严重破坏，包括摧毁了一个邮件服务器，并向其他智能体传播了损坏的指令。

Thinking Machines Lab 发布研究论文，介绍面向 AI 系统的全新交互模型。

本文在可解释人工智能（XAI）的框架下，建立了基于一致性的诊断（Consistency-Based Diagnosis）与实际因果关系（Actual Causality）之间的联系。其目标是将这两个领域融合，以提升人工智能及可解释数据管理中的解释能力。

微软研究人员提出了一种受生物学启发的LLM智能体记忆架构，该架构结合了睡眠阶段巩固和基于干扰的遗忘机制，以高效管理持久性记忆。

本文提出了 SkillLens，这是一种用于大模型智能体自适应多粒度技能复用的分层框架，在基准任务中展示了更高的准确性和成本效益。

本文介绍了 Echo-LoRA，这是一种新的参数高效微调方法，它将来自深层源层的跨层表示注入到浅层 LoRA 模块中，从而在不增加推理开销的情况下提升性能。

本文介绍了 CERSA，这是一种新颖的参数高效微调方法，它利用奇异值分解来保留主成分，在显著降低内存使用的同时，其表现优于 LoRA 等现有方法。

本文识别出大型语言模型（LLM）中极端激活现象产生并传播的“大规模涌现层（Massive Emergence Layer）”，并提出一种缓解其僵化性、提升模型在数学推理和指令遵循等任务上性能的方法。