Shenzhen University

BLOOM把转录组虚拟胚胎建模写成条件生成问题：给定一段已观测的细胞群体历史、目标发育阶段和细胞状态信息，生成该阶段的表达分布。它用伪轨迹连接独立采样的细胞群体，并把发育年龄、细胞身份层级、解剖背景、基因程序和转录因子–靶标网络作为条件，同时约束高斯基分布与流匹配生成器。在产前、视觉皮层和多器官内皮三个小鼠单细胞图谱上，与22个时间序列预测基线相比，BLOOM在三个数据集的阶段平均基因相关性和细胞相关性上都排第一。

BLOOM把转录组虚拟胚胎建模写成条件生成问题：给定一段已观测的细胞群体历史、目标发育阶段和细胞状态信息，生成该阶段的表达分布。它用伪轨迹连接独立采样的细胞群体，并把发育年龄、细胞身份层级、解剖背景、基因程序和转录因子–靶标网络作为条件，同时约束高斯基分布与流匹配生成器。在产前、视觉皮层和多器官内皮三个小鼠单细胞图谱上，与22个时间序列预测基线相比，BLOOM在三个数据集的阶段平均基因相关性和细胞相关性上都排第一。

CovDiff-PaAno 把基于补丁的时间序列异常检测的打分环节从余弦匹配换成带正则的马氏距离，并同时使用原始、一阶差分和二阶差分三种视图，三者共享一个冻结编码器、各自维护记忆库与协方差。在 TSB-AD-M 的十种子受控对比中，AUC-ROC 从复现 PaAno 的 0.7612 升到 0.7843，Range-F1 从 0.4043 升到 0.4384；TSB-AD-U 上对应从 0.8532 升到 0.8626、从 0.4822 升到 0.4924。编码器参数量保持约 0.397M 不变，但推理时间增至 3.47 倍、推理峰值显存增至 10.01 倍。

CovDiff-PaAno 把基于补丁的时间序列异常检测的打分环节从余弦匹配换成带正则的马氏距离，并同时使用原始、一阶差分和二阶差分三种视图，三者共享一个冻结编码器、各自维护记忆库与协方差。在 TSB-AD-M 的十种子受控对比中，AUC-ROC 从复现 PaAno 的 0.7612 升到 0.7843，Range-F1 从 0.4043 升到 0.4384；TSB-AD-U 上对应从 0.8532 升到 0.8626、从 0.4822 升到 0.4924。编码器参数量保持约 0.397M 不变，但推理时间增至 3.47 倍、推理峰值显存增至 10.01 倍。

图像事实性评估不再只问画面是否由AI生成，EviScene让多模态智能体边查边改问题，在1527张测试图上把平衡准确率提到79.05%，证据充分率52.26%。

图像事实性评估不再只问画面是否由AI生成，EviScene让多模态智能体边查边改问题，在1527张测试图上把平衡准确率提到79.05%，证据充分率52.26%。

噬菌体疗法需要为每一株临床分离菌找到能感染的噬菌体，而传统实验筛选费时费力。PhageHost-GNN把噬菌体受体结合蛋白与细菌K位点蛋白的序列、结构和基因组上下文嵌入放进图神经网络，并按查询菌株与训练集的相似度自动选择最合适的嵌入模型。在西班牙来源的Beamud2023数据上，宿主与噬菌体双双未见过时，路由模型的AUPRC为0.671，而固定嵌入模型不超过0.036。

噬菌体疗法需要为每一株临床分离菌找到能感染的噬菌体，而传统实验筛选费时费力。PhageHost-GNN把噬菌体受体结合蛋白与细菌K位点蛋白的序列、结构和基因组上下文嵌入放进图神经网络，并按查询菌株与训练集的相似度自动选择最合适的嵌入模型。在西班牙来源的Beamud2023数据上，宿主与噬菌体双双未见过时，路由模型的AUPRC为0.671，而固定嵌入模型不超过0.036。

PhysForge把视频扩散模型生成的材质相关动力学当作参照，用来拟合三维资产的物理参数，并让用户指定的材质真正改变物体的接触与形变响应。此前这类参数多由外观推断，难以对同一物体指定材质，也难以从物体与语义部件之间的复杂交互中估计属性。在PhysAssets与Google Scanned Objects上，它在常见与不常见材质上都取得最高的CLIP分数与物理可控性分数，平均物理可控性4.3，最强基线为3.8。

PhysForge把视频扩散模型生成的材质相关动力学当作参照，用来拟合三维资产的物理参数，并让用户指定的材质真正改变物体的接触与形变响应。此前这类参数多由外观推断，难以对同一物体指定材质，也难以从物体与语义部件之间的复杂交互中估计属性。在PhysAssets与Google Scanned Objects上，它在常见与不常见材质上都取得最高的CLIP分数与物理可控性分数，平均物理可控性4.3，最强基线为3.8。

该工作提出 APEX，把间接提示注入防御从识别攻击模式转为在执行边界检查每个拟执行效果：执行前把用户授权编译为一份授权契约，WRAP 依据契约与运行时证据只放行可重建授权的效果，PLANT 在契约认可的依赖上放置探针使未被认可的信息使用在提交前自我暴露；在六个基准、13 个基线上，APEX 在五个基准达到 0% 攻击成功率、第六个为 0.56%，并在三类能力单元的三种自适应攻击下保持 0%。

该工作提出 APEX，把间接提示注入防御从识别攻击模式转为在执行边界检查每个拟执行效果：执行前把用户授权编译为一份授权契约，WRAP 依据契约与运行时证据只放行可重建授权的效果，PLANT 在契约认可的依赖上放置探针使未被认可的信息使用在提交前自我暴露；在六个基准、13 个基线上，APEX 在五个基准达到 0% 攻击成功率、第六个为 0.56%，并在三类能力单元的三种自适应攻击下保持 0%。

作者提出 CrashSim，一个以真实事故先验引导生成式多智能体交通仿真的碰撞场景生成框架：它用视觉语言模型理解自然驾驶场景、以分层检索从真实事故数据库中匹配事故先验，并把先验的相对运动模式与行为阶段时序转成锚点引导，驱动在 nuScenes 上预训练的扩散生成器产生安全关键交互；结果显示 CrashSim 比 Strive 和 LD-scene 更贴近真实事故的碰撞前行为、碰撞动力学、碰撞几何与事故类型分布，并据此构建了包含 4000 多个碰撞与近碰撞场景的 nuCrash 数据集，五种规划器在其上的闭环表现差异明显大于 nuScenes，LLM 评估智能体还能给出能力层面的诊断与改进建议。

作者提出 CrashSim，一个以真实事故先验引导生成式多智能体交通仿真的碰撞场景生成框架：它用视觉语言模型理解自然驾驶场景、以分层检索从真实事故数据库中匹配事故先验，并把先验的相对运动模式与行为阶段时序转成锚点引导，驱动在 nuScenes 上预训练的扩散生成器产生安全关键交互；结果显示 CrashSim 比 Strive 和 LD-scene 更贴近真实事故的碰撞前行为、碰撞动力学、碰撞几何与事故类型分布，并据此构建了包含 4000 多个碰撞与近碰撞场景的 nuCrash 数据集，五种规划器在其上的闭环表现差异明显大于 nuScenes，LLM 评估智能体还能给出能力层面的诊断与改进建议。