个人记忆更新要分两步看：MemShift 把“没察觉”和“修错了”拆开计分
AI 助手保存的“重要联系人”这类值由语言模型从个人记录中推导，输入一变就可能失效。MemShift 用只在某一种变化上分叉的合成世界，把“是否察觉变化”和“修复是否正确”分开计分，并以文本生成前就固定的金标准替代模型裁判。在四个开放权重模型上，检测只有在修复可靠时才带来提升：重定义后，键与精确重算的交互为 +38.8 个百分点。
智能体跑分子动力学不再自说自话：MDClaw用有向无环图记录每一步，31个测试体系全部三轮通过率81–100%
AI 智能体已能提出原子层面的生物学假设，但分子动力学模拟的信任取决于过程记录，而现有智能体把这份记录交给语言模型自己写。MDClaw 把校验工具与有向无环图（DAG，记录各计算阶段依赖关系的图）结合，在阶段执行前检查、执行后留痕；在对照已沉积模拟的 MDDataBench 上，四个开放权重模型配 MDClaw 在 31 个测试体系中有 81–100% 全部三轮通过。去掉 DAG 的消融显示，11 次输出全部通过的运行其实跳过了能量最小化或平衡，或模拟了另一个结构。
交换机顺路做信号处理：binDCT 免乘法变换进流水线，分类 MCC 从 0.35 升到 0.42
可编程交换机上直接跑 binDCT 块变换，把带噪传感器流在转发路径上先滤波再送进网内机器学习，交换机侧分类 MCC 从 0.35 升到 0.42，与服务器侧持平。
iCReN 借助非平稳性同时识别时间序列中的瞬时与滞后因果关系
该工作针对时间序列因果表示学习中同时建模区间内瞬时因果效应与跨区间滞后因果效应并处理非平稳性的难题，给出了利用观测到的辅助变量（如时间或条件标签）识别潜在状态及其瞬时与滞后因果结构的充分条件，并提出 iCReN 框架，用离散或连续辅助变量的对比学习学习潜在表示并估计两类因果结构，实验在合成数据上准确恢复潜在状态与两种因果结构，在真实数据上验证了所学表示对下游预测的效用。
日本国立大学172名学生对自助语言学习服务与AI聊天机器人的评价：SALL在口语、动机与个性化指导上显著高于聊天机器人，被视为互补而非替代
该研究对日本一所国立大学的172名学生进行问卷调查，用描述统计、配对样本t检验和内容分析比较学习者对自助语言学习（SALL）服务与AI聊天机器人在英语学习中的有用性、局限及未来角色的看法，结果显示SALL服务在口语发展、动机、个性化建议与反馈、写作及整体贡献上均显著高于AI聊天机器人，而聊天机器人以随时可用的便利性见长，学习者认为二者应结合使用、互为补充。
大模型没有专用感知编码器也能“看见”：Ogata与Nakashima发现多模态Transformer在早中层自发形成“虚拟编码器”
Ogata与Nakashima研究当多模态语言模型不依赖专用感知编码器、而是直接把轻投影的图像块、音频帧或离散视觉token交给共享Transformer时，编码发生在何处，并通过线性探测、与感知编码器的相似性比较以及因果分析，发现Transformer会在自身早到中层内部化这一缺失的计算，构建出任务可用的感知表示，作者称之为“虚拟编码器”。
已读完全部报道