Northwestern University

直接成像系外行星需要把恒星光斑从图像中减掉，而传统做法依赖参考星图像，望远镜指向误差和热漂移会让参考与科学观测不一致，从而限制灵敏度。FLIP把基于物理的仪器模型写进PyTorch，用自动微分对百万级参数做多阶段优化，先在参考星上预校准，再在科学图像上微调，以补偿这些不稳定性。在JWST/NIRCam日冕数据上，FLIP相对标准KLIP方法取得2至15倍的灵敏度优势，并在F430M波段以信噪比6.3首次探测到51 Eridani b，对应4.3微米。

直接成像系外行星需要把恒星光斑从图像中减掉，而传统做法依赖参考星图像，望远镜指向误差和热漂移会让参考与科学观测不一致，从而限制灵敏度。FLIP把基于物理的仪器模型写进PyTorch，用自动微分对百万级参数做多阶段优化，先在参考星上预校准，再在科学图像上微调，以补偿这些不稳定性。在JWST/NIRCam日冕数据上，FLIP相对标准KLIP方法取得2至15倍的灵敏度优势，并在F430M波段以信噪比6.3首次探测到51 Eridani b，对应4.3微米。

一项前瞻性多中心诊断研究检验了AI系统在真实诊所、移动设备、新手操作者和陌生超声硬件上判读“盲扫”超声图像、估计胎龄的能力。模型仅在芝加哥120名参与者的小型试点数据上做少量调优，未使用内罗毕站点数据，后者作为独立外部测试；在16至36周的385名参与者主队列中，AI估计的胎龄准确度与专家操作者使用传统推车式超声的现行标准相当。

一项前瞻性多中心诊断研究检验了AI系统在真实诊所、移动设备、新手操作者和陌生超声硬件上判读“盲扫”超声图像、估计胎龄的能力。模型仅在芝加哥120名参与者的小型试点数据上做少量调优，未使用内罗毕站点数据，后者作为独立外部测试；在16至36周的385名参与者主队列中，AI估计的胎龄准确度与专家操作者使用传统推车式超声的现行标准相当。

TCR–pMHC结合预测不再依赖对接后的复合物结构。此前结构类方法先共折叠出复合物，再从界面接触推断结合，而对接位置误差会改变进入模型的残基和接触。EMBER把TCR与pMHC各自折叠成单体，编码为对刚体运动不变的残基图，只在CDR3与肽段之间用双向注意力比较。在四个折叠工具、表位不重叠的五折评估中，它在全部指标上居首，跨工具排名一致性比结构类基线高26%到85%。

TCR–pMHC结合预测不再依赖对接后的复合物结构。此前结构类方法先共折叠出复合物，再从界面接触推断结合，而对接位置误差会改变进入模型的残基和接触。EMBER把TCR与pMHC各自折叠成单体，编码为对刚体运动不变的残基图，只在CDR3与肽段之间用双向注意力比较。在四个折叠工具、表位不重叠的五折评估中，它在全部指标上居首，跨工具排名一致性比结构类基线高26%到85%。

智能体的表现不只取决于底层模型，也取决于承载它的运行时外壳，即提示、记忆、技能、工具与编排。Harness2把外壳改进做成两层递归：任务层用“提议—探测—组合”的对比步骤，在没有标准答案的情况下比较改动前后的执行行为；改进层再把这一过程沉淀为经验库，指导后续任务。在WorkBuddy-Bench、JobBench和Harvey法律智能体基准上，单步改进让GLM-5与Gemini 3.5 Flash在四种模型—外壳配置下全部提升，最高分别达11.5分、4.5分和11.8个百分点。

智能体的表现不只取决于底层模型，也取决于承载它的运行时外壳，即提示、记忆、技能、工具与编排。Harness2把外壳改进做成两层递归：任务层用“提议—探测—组合”的对比步骤，在没有标准答案的情况下比较改动前后的执行行为；改进层再把这一过程沉淀为经验库，指导后续任务。在WorkBuddy-Bench、JobBench和Harvey法律智能体基准上，单步改进让GLM-5与Gemini 3.5 Flash在四种模型—外壳配置下全部提升，最高分别达11.5分、4.5分和11.8个百分点。

作者提出 SpatialRNN，用受离散偏微分方程支配的空间演化介质取代神经元之间的直接循环连接，并证明该介质状态等价于对全部历史隐状态的卷积，即一个参数固定的结构化无穷阶 RNN；通过构造性条件把梯度模态约束在指定半径的圆上，从而在长程基准上以更少参数取得优于其他循环模型的性能。

作者提出 SpatialRNN，用受离散偏微分方程支配的空间演化介质取代神经元之间的直接循环连接，并证明该介质状态等价于对全部历史隐状态的卷积，即一个参数固定的结构化无穷阶 RNN；通过构造性条件把梯度模态约束在指定半径的圆上，从而在长程基准上以更少参数取得优于其他循环模型的性能。

该工作提出 STAVE，用两个任务特定向量（一个更新答案生成 token 的读出向量、一个更新其余结构 token 组的上下文向量）加到冻结大模型或大视觉语言模型的输入嵌入上以替代上下文示例，二者用答案标签在有示例和无示例提示上训练；在六个 LMM 与五个 LLM 上，STAVE 以远少任务参数匹配或超过逐层干预方法，在 18 个文本任务上超过 15-shot ICL 与既有任务向量，且推理成本与零样本相同。

该工作提出 STAVE，用两个任务特定向量（一个更新答案生成 token 的读出向量、一个更新其余结构 token 组的上下文向量）加到冻结大模型或大视觉语言模型的输入嵌入上以替代上下文示例，二者用答案标签在有示例和无示例提示上训练；在六个 LMM 与五个 LLM 上，STAVE 以远少任务参数匹配或超过逐层干预方法，在 18 个文本任务上超过 15-shot ICL 与既有任务向量，且推理成本与零样本相同。

该工作提出RDTU——一个用于时间序列遗忘的残差扩散框架：它先用基于保留集的神经正切核预测器得到与删除兼容的基础预测，再用保留参考数据的体积贡献量化每个受影响窗口的全局与局部结构支持，最后由扩散模型生成残差修正以估计反事实预测，形成伪标签场来指导轻量级模型更新；实验显示RDTU持续产生与精确重训最接近的遗忘模型。

该工作提出RDTU——一个用于时间序列遗忘的残差扩散框架：它先用基于保留集的神经正切核预测器得到与删除兼容的基础预测，再用保留参考数据的体积贡献量化每个受影响窗口的全局与局部结构支持，最后由扩散模型生成残差修正以估计反事实预测，形成伪标签场来指导轻量级模型更新；实验显示RDTU持续产生与精确重训最接近的遗忘模型。

该工作提出基于 Mamba 的 SRMA-Mamba 网络，用 Spatial Anatomy-Based Mamba（SABMamba）在矢状、冠状、轴状三个解剖平面上做选择性扫描以构建全局空间上下文，并用 Spatial Reverse Mamba Attention（SRMA）结合粗分割图与分层编码特征逐步细化边界，在 CirrMRI600+ 的 T1W 与 T2W 数据上取得优于 SegResNet、UX-Net、MedNeXt、SwinUNETR、SwinUNETRv2 与 SegMamba 的分割指标，同时参数量与 GFLOPs 低于 SegMamba。

该工作提出基于 Mamba 的 SRMA-Mamba 网络，用 Spatial Anatomy-Based Mamba（SABMamba）在矢状、冠状、轴状三个解剖平面上做选择性扫描以构建全局空间上下文，并用 Spatial Reverse Mamba Attention（SRMA）结合粗分割图与分层编码特征逐步细化边界，在 CirrMRI600+ 的 T1W 与 T2W 数据上取得优于 SegResNet、UX-Net、MedNeXt、SwinUNETR、SwinUNETRv2 与 SegMamba 的分割指标，同时参数量与 GFLOPs 低于 SegMamba。