Wuhan University

超分辨成像流式细胞术（SR-IFC）把结构光照明显微镜搬进连续流动的微流道：每个细胞只取三帧相移图像，沿流动方向由物理调制提升分辨率，横向缺失的细节由仅用本样本数据训练的网络补出。在100纳米荧光珠上，SR-IFC沿流动与横向分别达到约118纳米和110纳米分辨率，而同一批珠子的宽场成像为222至227纳米；在2048×320像素读出下，理论吞吐上限约为每秒720个细胞。

超分辨成像流式细胞术（SR-IFC）把结构光照明显微镜搬进连续流动的微流道：每个细胞只取三帧相移图像，沿流动方向由物理调制提升分辨率，横向缺失的细节由仅用本样本数据训练的网络补出。在100纳米荧光珠上，SR-IFC沿流动与横向分别达到约118纳米和110纳米分辨率，而同一批珠子的宽场成像为222至227纳米；在2048×320像素读出下，理论吞吐上限约为每秒720个细胞。

RNA肌苷位点的定位长期依赖测序中A到G的碱基转换，难以与DNA突变和测序错误区分。REX-seq把EndoV对肌苷的切割与XRN-1只降解带5′磷酸末端的片段结合起来，在保留基因表达定量的同时给出切割信号；在HEK293T细胞中识别出590,249个高置信肌苷位点，其中84,645个为此前未报道的新位点。以这批位点训练的InoDREAM在留出测试集上取得AUROC 0.965、平均精度0.964，对照EditPredict为0.921和0.890。

RNA肌苷位点的定位长期依赖测序中A到G的碱基转换，难以与DNA突变和测序错误区分。REX-seq把EndoV对肌苷的切割与XRN-1只降解带5′磷酸末端的片段结合起来，在保留基因表达定量的同时给出切割信号；在HEK293T细胞中识别出590,249个高置信肌苷位点，其中84,645个为此前未报道的新位点。以这批位点训练的InoDREAM在留出测试集上取得AUROC 0.965、平均精度0.964，对照EditPredict为0.921和0.890。

医学影像基础模型长期在“通用”与“像素级精确”之间取舍，且多数只输出结论、不交代依据。EVLF-FM 把疾病级与像素级两路视觉特征同时送入语言模型，先做监督微调，再用带可验证奖励的强化学习对齐推理与定位，覆盖皮肤科、肝病、眼科、病理、呼吸与放射六个专科、10 种成像模态。内部诊断验证中其平均准确率 0.895，为所比模型中最高；在 9 种模态的医学视觉定位上平均 Acc@0.5 为 0.842。

医学影像基础模型长期在“通用”与“像素级精确”之间取舍，且多数只输出结论、不交代依据。EVLF-FM 把疾病级与像素级两路视觉特征同时送入语言模型，先做监督微调，再用带可验证奖励的强化学习对齐推理与定位，覆盖皮肤科、肝病、眼科、病理、呼吸与放射六个专科、10 种成像模态。内部诊断验证中其平均准确率 0.895，为所比模型中最高；在 9 种模态的医学视觉定位上平均 Acc@0.5 为 0.842。

二维晶粒长大模拟把面积演化交给von Neumann–Mullins定律、把组织重构交给图神经网络，在五个初始组织的基准上达到相同粗化程度平均用时38.43秒，相场法为5247.01秒。

二维晶粒长大模拟把面积演化交给von Neumann–Mullins定律、把组织重构交给图神经网络，在五个初始组织的基准上达到相同粗化程度平均用时38.43秒，相场法为5247.01秒。

该工作从概率角度重新表述 LLM 智能体越狱：证明期望危害度对数对输入的梯度，等于在危害度重加权输出分布下模型对数似然的期望梯度，从而把期望危害度最大化与目标似然优化统一起来；据此提出 OPUR，用模型自身随机 rollout 构造代理目标来引导对抗后缀优化，在 AgentHarm、InjecAgent、WebShop 三个基准上取得更高的定向攻击成功率。

该工作从概率角度重新表述 LLM 智能体越狱：证明期望危害度对数对输入的梯度，等于在危害度重加权输出分布下模型对数似然的期望梯度，从而把期望危害度最大化与目标似然优化统一起来；据此提出 OPUR，用模型自身随机 rollout 构造代理目标来引导对抗后缀优化，在 AgentHarm、InjecAgent、WebShop 三个基准上取得更高的定向攻击成功率。

作者提出 LD-GTransNet：在多层 GTransNet 基础上引入提升解耦策略，预设隐层神经元参数，并用独立子网络分别处理物理坐标与新增辅助变量，从而无需显式区域分解即可全局逼近分片光滑解，且把求解化为线性最小二乘、免去非线性训练；二维与三维基准界面问题的数值实验显示，其精度与效率优于已有神经网络方法与传统数值方法，尤其在高对比度系数与复杂界面几何下表现突出。

作者提出 LD-GTransNet：在多层 GTransNet 基础上引入提升解耦策略，预设隐层神经元参数，并用独立子网络分别处理物理坐标与新增辅助变量，从而无需显式区域分解即可全局逼近分片光滑解，且把求解化为线性最小二乘、免去非线性训练；二维与三维基准界面问题的数值实验显示，其精度与效率优于已有神经网络方法与传统数值方法，尤其在高对比度系数与复杂界面几何下表现突出。

作者提出 AECG 多智能体记忆治理框架，通过作用域保持、非对称证据准入、双时间尺度可靠性估计与基于下游暴露度的预算化审查，把记忆从静态存储变为可靠性治理闭环；在 AutoGen、MacNet、AgentNet 三种框架与 PDDL、FEVER、ScienceWorld、MBPP-Plus 四个基准的 12 项设置中 11 项取得最优，较最强记忆基线最高提升 10.23 个百分点，移除作用域保持最多降低 16.89 分。

作者提出 AECG 多智能体记忆治理框架，通过作用域保持、非对称证据准入、双时间尺度可靠性估计与基于下游暴露度的预算化审查，把记忆从静态存储变为可靠性治理闭环；在 AutoGen、MacNet、AgentNet 三种框架与 PDDL、FEVER、ScienceWorld、MBPP-Plus 四个基准的 12 项设置中 11 项取得最优，较最强记忆基线最高提升 10.23 个百分点，移除作用域保持最多降低 16.89 分。

该工作提出 GlitchPatch，一种不访问模型内部、仅通过优化输入分词来修复故障词元的外部框架：离线阶段用行为路径优化（BPO）为每个故障词元搜索行为最优的等价替换词元序列并编译成规则表，在线阶段只替换规范词元序列中匹配到的故障词元 ID；在覆盖六个分词器家族的十个模型上，平均修复率 85.10%，比最强基线高 14.37 个百分点，平均故障率从 14.88% 降至 2.27%，全词表评估回归率 0.00%，平均在线延迟增幅低于 0.1%。

该工作提出 GlitchPatch，一种不访问模型内部、仅通过优化输入分词来修复故障词元的外部框架：离线阶段用行为路径优化（BPO）为每个故障词元搜索行为最优的等价替换词元序列并编译成规则表，在线阶段只替换规范词元序列中匹配到的故障词元 ID；在覆盖六个分词器家族的十个模型上，平均修复率 85.10%，比最强基线高 14.37 个百分点，平均故障率从 14.88% 降至 2.27%，全词表评估回归率 0.00%，平均在线延迟增幅低于 0.1%。

代码智能体常把没写清的需求按自己的假设补全，生成看似正确、行为却非用户本意的代码，而事后纠正代价越来越高。CONTRA把澄清拆成两步：先广泛生成候选问题，再用语义过滤和双答案程序执行对比，只留下会稳定改变行为的提问，并结合交互历史决定继续问还是停止。在ClarifyCodeBench上，它与四个代码智能体配合取得最高F1，宏平均比最佳基线高13.88个百分点。

代码智能体常把没写清的需求按自己的假设补全，生成看似正确、行为却非用户本意的代码，而事后纠正代价越来越高。CONTRA把澄清拆成两步：先广泛生成候选问题，再用语义过滤和双答案程序执行对比，只留下会稳定改变行为的提问，并结合交互历史决定继续问还是停止。在ClarifyCodeBench上，它与四个代码智能体配合取得最高F1，宏平均比最佳基线高13.88个百分点。

该工作提出 Unite-Audio，将连续音频表征学习与潜在流匹配联合训练用于文本到音频生成，通过把重建与自监督生成预测耦合，让生成目标直接塑造潜在空间，并采用 Flow-GRPO 后训练改善文本条件生成；实验显示紧凑的潜在流模型取得有竞争力的文本到音频性能，消融研究确认联合学习音频表征与生成模型带来收益。

该工作提出 Unite-Audio，将连续音频表征学习与潜在流匹配联合训练用于文本到音频生成，通过把重建与自监督生成预测耦合，让生成目标直接塑造潜在空间，并采用 Flow-GRPO 后训练改善文本条件生成；实验显示紧凑的潜在流模型取得有竞争力的文本到音频性能，消融研究确认联合学习音频表征与生成模型带来收益。