AI 与科学前沿 · 2026-09-24

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。

该研究提出“重力感知（gravity-awareness）”框架，用两个基于抛物线飞行文献训练的模型——Fourier特征增强的多层感知机CorticalG预测EEG频段功率随g值的变化、11个独立高斯过程PhysioG预测心率变异性、皮肤电导与运动等生理指标——并让Claude 3.5 Sonnet根据这些生理参数生成0 g、月球0.16 g、火星0.38 g与高重力下的第一人称主观体验叙事，结果显示微重力下alpha（DMN）与mu（SMN）功率被抑制、高重力下beta（PFC）与gamma升高，皮肤电导呈V形（1.8 g时右手电导上升超过200%），躯干活动呈倒U形（0 g下降超过50%）。

该工作提出AGGRNet框架，在YOLOv11分类骨干中嵌入特征提取与聚合（FEA）模块和C2PCA块，通过空间与通道注意力加可学习阈值τ把特征图分为信息性与非信息性两部分，再用交叉注意力聚合，在LIMUC、ISIC2018、Kvasir、PathMNIST、RetinaMNIST五个公开数据集上取得优于所比较SOTA模型的结果，其中Kvasir准确率提升5.48%、LIMUC准确率提升2.2%。

该工作提出一个零样本3D CT超分辨率框架：先在大量2D X光数据上训练扩散模型，并用DDNM/DDNM+把低分辨率CT投影上采样为高分辨率投影先验，再用新提出的Negative Alpha Blending高斯泼溅（NAB-GS）以正负密度高斯学习扩散生成HR投影与上采样LR投影之间的符号残差，从而重建HR体积；在UHRCT与MELA两个公开数据集上，其PSNR与SSIM优于三线性、三次插值、NeRF、CuNeRF等零样本方法，与监督方法ArSSR相比具有竞争力，单体积约15分钟完成，两位领域专家的评估认为4×结果具备临床潜力而8×仍需改进。

该工作提出 CleanSurvival，一个基于强化学习（Q-learning）的自动化数据预处理框架，专门面向删失数据的时间到事件（生存分析）模型：它从数据插补、异常值检测与特征提取技术的组合中，为 Cox、随机森林、神经网络或用户自定的时间到事件模型挑选最优预处理流程；在真实数据集基准上，这种基于 Q-learning 的预处理相对简单基线提升了预测表现，运行时间行为依条件而定，并在覆盖最充分的基准单元中最清晰可解释；模拟研究进一步显示其在不同类型与程度的缺失和噪声下均有效。

这篇综述把并行推理定义为「分解—并行处理—聚合」三阶段推理范式，给出形式化公式并区分其与思维链、长思考的差异，随后按非交互（自洽性、Best-of-N排序、结构化推理）、交互（模型内交互、多智能体交互）与效率（并行解码、并行函数调用、推测解码）三条主线梳理代表性方法，并总结应用场景、核心挑战与未来方向。

该工作从 BIOMEDICA 语料出发，用基于 DAB-DETR 的子图检测、Qwen2.5-VL-32B-Instruct 的子图注提取和 Qwen2.5-14B-Instruct 的正文上下文摘要，构建并公开了含 1800 万子图-文本对的 OPEN-PMC-18M 数据集，并在放射、显微与可见光摄影三类模态的 6 项检索与 19 项零样本分类任务上训练视觉-语言编码器，报告检索平均召回 21.64、较此前最佳模型 OPEN-PMC 相对提升 27%，零样本分类总体平均 F1 达 39.77。

该工作提出 PrefixAgent，一个由大语言模型驱动的两阶段前缀加法器优化框架：第一阶段用微调后的大推理模型通过 regroup 工具调用迭代优化主干结构，第二阶段用 level-opt、fanout-opt 和 node clone 工具做局部时序修复；作者利用 e-graph 的等价饱和与解释机制生成可解释的重写轨迹作为监督数据，在 NanGate45 与 OpenROAD 流程下，PrefixAgent 在几乎所有配置中面积小于 DP、MCTS、PrefixRL、CircuitVAE、PrefixGPT 等基线，64 位下比最佳基线面积减少最多 11.3%，并在商用流程与 256-PE 脉动阵列中取得更小面积。

作者用Fisher信息与随机矩阵理论推导出混沌/扩散散射重构光谱仪噪声诱导误差的闭式表达，把方差下界σ²_ε Tr[(AᵀA)⁺]与光谱关联长度Γ_corr、平均透过率T₀以及频率通道数N和测量通道数M联系起来，给出超分辨条件，并用随机矩阵模型与全波FDTD仿真验证，其中片上器件的最优腔长预测为约17.9微米。

该研究以20头18月龄、平均体重383 kg的妊娠期混合品种后备母牛为对象，在50天性能试验中按干物质基础饲喂0.0%、0.5%、1.0%、2.0%的北大西洋褐藻（Atlantic GRO®，由Laminaria longicruris与Fucus vesiculosus组成），随后对其中16头用头箱式代谢舱进行两周各一次24小时气体测定，结果显示各添加水平均未对生长性能产生不利影响（p>0.51），而1.0%和2.0%组的甲烷排放分别比对照组低约8.2%和8.7%（p<0.05），同时二氧化碳排放和氧气消耗也显著降低（p<0.05）。

该工作提出 TG-OT，一个全自动的 CCTA-IVUS 配准框架：先用轻量 CNN 在拓扑 (θ, z) 圆柱上预测钙化、分叉与管腔半径（并额外检测 IVUS 导丝伪影），再把冻结的检测器直接嵌入可微配准流程，以圆柱几何上的非平衡 Sinkhorn 最优传输损失加 Dice 项驱动中心线形变参数优化，辅以管腔半径匹配；在 Erasmus 大学医学中心 IMPACT 研究的 N=47 例配对 CCTA-IVUS 数据、5 折交叉验证下，无需人工交互与任何预先分割即达到纵向 Dicectl=0.99、旋转 Sc=0.96、管腔 DiceL=0.69，并在严重导管旋转漂移病例上优于 Dice-only 基线（Wilcoxon 符号秩 p<0.01）。

该研究在WORD、AMOS、CT-1K和AbdomenAtlas四个腹部CT数据集上，用nnU-Net、MedSAM、TotalSegmentator及四个规模的STU-Net共七个模型生成伪标签，构造不同质量的标签版本，再以DynUNet在相同确定性训练设置下分别做域内训练和预训练加微调；结果显示域内性能与标签质量强正相关且呈非线性、数据量可部分补偿质量，而预训练后微调在绝大多数设置下显著优于无预训练基线，且预训练标签质量高低不再明显影响下游结果。

该研究用17个CMIP6模型的土壤湿度数据、以GLDAS为参考做偏差校正并构建多模式集合，在SSP2-4.5与SSP5-8.5两种情景下用非参数SSMI刻画2015—2050年全球土壤湿度干旱的强度、频率、历时与严重度，再用结合耕地分布的干旱暴露指数（DEI）评估农业暴露，结果显示干旱特征向本世纪中叶明显加剧、SSP5-8.5下历时更长且空间范围更广，南美、南欧、南亚和北美部分地区呈显著干化趋势，全球平均DEI由SSP2-4.5的0.71升至SSP5-8.5的0.78。

作者提出可加密验证的智能体授权（CVA）假设，把授权形式化为同时绑定智能体主体、具体授权请求、执行上下文与策略满足性的关系 RCVA，并给出候选安全属性与一个基于 Groth16 zk-SNARK 的可执行零知识概念验证，该原型实现了主体绑定与计划级请求绑定，而上下文绑定与运行时执行绑定未实现。

该工作研究用 ReLU 深度卷积神经网络（CNN）逼近高阶 Korobov 函数 f∈K^{m+1}_p(Ω) 的 Lp 误差，证明当深度 L≤Csd^4m^3N(log_2 N) 时存在网络使 inf‖f−f_L‖_{Lp(Ω)}≤C_{m,d}‖D^{m+1}f‖_{Lp(Ω)}N^{−m−1}(log_2 N)^{(m+2)(d−1)}，即把以往基于二阶混合导数的 O(L^{−2+1/p}) 阶逼近率提升到 (m+1) 阶（相差对数因子），并据此指出 CNN 的高阶表达能力并未严重受维度灾难影响。

该研究构建了一个来自1,888名参与者（其中727人患帕金森病）的32,847段网络摄像头视频数据集，覆盖16项标准化临床任务，并以冻结特征加线性分类头的方式系统评测了七种视频基础模型（VideoPrism、V-JEPA2及其SSv2变体、ViViT、VideoMAE、VideoMAEv2、TimeSformer），结果显示任务显著性与模型架构高度相关：VideoPrism在视觉言语运动学和面部表情任务上表现最佳，V-JEPA2系列在上肢运动任务上更强，TimeSformer在手指敲击等节律性任务上仍具竞争力，整体AUC为76.4%–85.3%、准确率为71.5%–80.6%，特异性最高达90

该研究对7个代表性扩散大语言模型（含闭源Mercury-Coder-Small）与4个开源自回归基线在HumanEval/HumanEval+、MBPP/MBPP+、HumanEval-X、LiveCodeBench、RepoQA、RepoBench-C及SWE-Bench Verified上做了代码生成中心的实证评测，发现扩散模型能力有前景但不均衡：闭源扩散模型在多数基准上最强（如MBPP+ 79.1%对最佳自回归基线73.3%），代码专用开源扩散模型优于通用扩散模型，开源扩散模型整体尚未稳定追平最强自回归基线，但在若干函数级基准上已具竞争力，且所选扩散与自回归模型组解决的问题集合部分不重叠（3

作者提出一个基于李代数性质的通用框架，把泡利算符池映射为F2上的二元矩阵ΓA，证明池的完备性与极小性可由该矩阵的秩与合同关系在O(N³)多项式时间内判定，并据此构造最小完备池（MCP），在量子化学中提出MB-ADAPT-VQE（按批加入k个算符）以降低测量开销、加速收敛，同时把此前受MCP构造瓶颈限制在N≤14量子比特的固定拟设方法NI-DUCC-VQE扩展到26量子比特的H2O体系。

该工作提出 Dino U-Net：以冻结的 DINOv3 基础模型为编码器，配合双分支 DINO Adapter 与保真感知投影模块（FAPM），在七个公开医学影像数据集（内镜、超声、显微、MRI、眼底、CMR 等模态）上取得优于七种基线方法的分割表现，并显示性能随骨干从 S 扩展到 7B 而持续提升。

该工作提出一种检索增强的文本到CT生成方法：给定放射学报告，用预训练3D视觉语言编码器从参考语料中检索语义最相近的病例，把该病例的解剖标注作为结构代理，经ControlNet分支注入文本条件潜扩散模型；在CT-RATE数据集（27,514例训练、1,818例测试）上，检索增强生成在图像保真度（FID 3D 0.004）、临床一致性（CT-Net AUC 0.787）和空间可控性（Dice 0.772、HD95 3.072）上均优于纯文本基线，并首次为这类方法带来显式空间可控性。

该工作提出一种无样本持续学习框架，用于全切片图像到病理报告的生成：在冻结的图块嵌入空间中为每个域构建紧凑“域足迹”（k-means 码本、切片级码字直方图库、图块数量统计与报告风格原型），据此合成伪全切片并由上一轮教师快照生成伪报告进行生成式回放，同时用风格前缀条件化语言模型；在多个公开持续学习基准上，该方法优于无样本与有限缓冲回放基线，并支持无需显式域标识的域无关推理。