AI 与科学前沿 · 2026-10-21

语言模型改进语言模型时，判断哪条改动值得试一直靠昂贵训练实验来验证。LM2LM把冻结的大模型当作“研究世界模型”，用真实实验记录在上下文中预测改动收益，作为强化学习奖励，并定期执行当前策略高分提案、把实测结果补回记录。在八个自回归与扩散语言模型开发环境上，Qwen3.8-27B经此训练后在留出任务上超过GPT-6-sol，即使后者上下文中带有300条真实实验记录，且数据生成成本低约33%。

语言模型改进语言模型时，判断哪条改动值得试一直靠昂贵训练实验来验证。LM2LM把冻结的大模型当作“研究世界模型”，用真实实验记录在上下文中预测改动收益，作为强化学习奖励，并定期执行当前策略高分提案、把实测结果补回记录。在八个自回归与扩散语言模型开发环境上，Qwen3.8-27B经此训练后在留出任务上超过GPT-6-sol，即使后者上下文中带有300条真实实验记录，且数据生成成本低约33%。

语言模型在提示中学习的能力并非一次性获得。一项受控诊断把“照抄最近示例”与“组合提示中给出的映射”分开，在17个模型上发现约三分之一偏好照抄答案，其余偏好规则一致的答案；在OLMo-2-7B的训练轨迹上，对提问取值的依赖在准确率超过随机水平之前数百亿词元就已压过对冲突示例的依赖。合成文档训练能把偏好从照抄翻转为按查询作答，而仅暴露定义或压制照抄注意力头都做不到。

语言模型在提示中学习的能力并非一次性获得。一项受控诊断把“照抄最近示例”与“组合提示中给出的映射”分开，在17个模型上发现约三分之一偏好照抄答案，其余偏好规则一致的答案；在OLMo-2-7B的训练轨迹上，对提问取值的依赖在准确率超过随机水平之前数百亿词元就已压过对冲突示例的依赖。合成文档训练能把偏好从照抄翻转为按查询作答，而仅暴露定义或压制照抄注意力头都做不到。

罕见变异关联研究产出的显著关联越来越多，判断每条关联此前是否已有证据，正成为比发现本身更紧的瓶颈。PESTO把大语言模型的文献审读与Open Targets结构化遗传证据合成一条智能体流程，按Novel、Hypothesized、Existing、Established四档给出带引文的判定。在两项罕见变异研究的940个独特基因-表型对上，7%被判为无任何既往证据，21%只有机制或间接支持；50个随机配对阴性对照中86%落入前两档。

罕见变异关联研究产出的显著关联越来越多，判断每条关联此前是否已有证据，正成为比发现本身更紧的瓶颈。PESTO把大语言模型的文献审读与Open Targets结构化遗传证据合成一条智能体流程，按Novel、Hypothesized、Existing、Established四档给出带引文的判定。在两项罕见变异研究的940个独特基因-表型对上，7%被判为无任何既往证据，21%只有机制或间接支持；50个随机配对阴性对照中86%落入前两档。

训练大模型时，改变GPU数量通常会改变数据加载器交给模型的样本顺序，使消融实验把硬件配置误当成数据改动。Zephon把数据加载拆成单线程累加器与无状态并行算子，并把数据划成固定数量的逻辑通道，在TorchTitan中替换默认加载器后，从16卡检查点恢复到8、32、64卡时每个全局批次的SHA-256哈希都与原运行一致。

训练大模型时，改变GPU数量通常会改变数据加载器交给模型的样本顺序，使消融实验把硬件配置误当成数据改动。Zephon把数据加载拆成单线程累加器与无状态并行算子，并把数据划成固定数量的逻辑通道，在TorchTitan中替换默认加载器后，从16卡检查点恢复到8、32、64卡时每个全局批次的SHA-256哈希都与原运行一致。

面向多模态大模型驱动的手机智能体，MobileInject把同一恶意目标同时写进截图与界面文本，在可重置的安卓模拟器上跑完108个可执行风险实例。此前评测多只看单一文本通道或只判攻击成败；在曝光次数对齐的对照中，图文各出现一次的攻击成功率达85.4%、良性任务完成率为0，而同一通道重复两次只到72.9%或27.8%。108对实例中有30对出现单通道均未达成、图文一致注入却成功的反转。

面向多模态大模型驱动的手机智能体，MobileInject把同一恶意目标同时写进截图与界面文本，在可重置的安卓模拟器上跑完108个可执行风险实例。此前评测多只看单一文本通道或只判攻击成败；在曝光次数对齐的对照中，图文各出现一次的攻击成功率达85.4%、良性任务完成率为0，而同一通道重复两次只到72.9%或27.8%。108对实例中有30对出现单通道均未达成、图文一致注入却成功的反转。

Ai2 发布 FairStress 基准，把大模型的人口公平性评估从“最终选了谁”扩展到“被反驳后是否同样坚持”。300 个双候选人决策场景覆盖招聘、医疗、贷款等 29 个领域，并配上成对的说服性前缀，展开超过 1300 万个测试用例。在 15 个模型上，身份被明示时放弃正确答案的组间平均差距为 9.3 个百分点，隐含身份时为 6.9 个百分点。

Ai2 发布 FairStress 基准，把大模型的人口公平性评估从“最终选了谁”扩展到“被反驳后是否同样坚持”。300 个双候选人决策场景覆盖招聘、医疗、贷款等 29 个领域，并配上成对的说服性前缀，展开超过 1300 万个测试用例。在 15 个模型上，身份被明示时放弃正确答案的组间平均差距为 9.3 个百分点，隐含身份时为 6.9 个百分点。

Ai2发布FairStress，把大模型的人口公平性评估从“最终选了谁”扩展到“被劝说后是否改选”。300个双候选决策场景覆盖29个领域，叠加身份呈现方式与成对对抗前缀后扩展为1300多万个测试用例；在15个模型上，隐含身份时放弃正确答案的平均差距为6.9个百分点，显式标签时为9.3个百分点。

Ai2发布FairStress，把大模型的人口公平性评估从“最终选了谁”扩展到“被劝说后是否改选”。300个双候选决策场景覆盖29个领域，叠加身份呈现方式与成对对抗前缀后扩展为1300多万个测试用例；在15个模型上，隐含身份时放弃正确答案的平均差距为6.9个百分点，显式标签时为9.3个百分点。

SGLang团队与Google、Meta合作发布开源后端SGLang-TorchTPU，让同一套SGLang服务引擎在GPU和TPU上运行。此前TPU并非原生PyTorch设备，服务栈难以直接复用PyTorch生态；新后端把调度器、RadixAttention和API服务器原样保留，TPU相关工作放在下层。该后端已在Meta生产环境运行，并作为Miles强化学习流程的rollout引擎与TorchTitan配合。

SGLang团队与Google、Meta合作发布开源后端SGLang-TorchTPU，让同一套SGLang服务引擎在GPU和TPU上运行。此前TPU并非原生PyTorch设备，服务栈难以直接复用PyTorch生态；新后端把调度器、RadixAttention和API服务器原样保留，TPU相关工作放在下层。该后端已在Meta生产环境运行，并作为Miles强化学习流程的rollout引擎与TorchTitan配合。

复杂流动中的粒子输运通常靠求解纳维—斯托克斯方程，数值与实验方法成本高，已有机器学习方法在稀疏数据下难以外推长程粒子轨迹。TrajectoryFlowNet 把拉格朗日视角的粒子轨迹与欧拉视角的全场速度、压力放进同一个物理约束网络，只用少量轨迹测量就同时给出全场流动和任意粒子的长程路径。验证覆盖数值算例（顶盖驱动方腔流、复杂圆柱绕流）与实验血流（主动脉、心室），在含不规则边界的流动中保持预测的物理一致性。

复杂流动中的粒子输运通常靠求解纳维—斯托克斯方程，数值与实验方法成本高，已有机器学习方法在稀疏数据下难以外推长程粒子轨迹。TrajectoryFlowNet 把拉格朗日视角的粒子轨迹与欧拉视角的全场速度、压力放进同一个物理约束网络，只用少量轨迹测量就同时给出全场流动和任意粒子的长程路径。验证覆盖数值算例（顶盖驱动方腔流、复杂圆柱绕流）与实验血流（主动脉、心室），在含不规则边界的流动中保持预测的物理一致性。

多选题评测里，提示词末尾那个空格归到提示还是归到选项，会改变模型给正确选项的概率。把空格留在选项一侧时，提示词与选项的切分与预训练中见过的分词一致；把空格留在提示词一侧时，正确选项的对数概率低出几个数量级。九个模型与基准组合中有六个准确率变化不到半个百分点，但 Qwen3.5 在 PIQA 上掉了近十个百分点。

多选题评测里，提示词末尾那个空格归到提示还是归到选项，会改变模型给正确选项的概率。把空格留在选项一侧时，提示词与选项的切分与预训练中见过的分词一致；把空格留在提示词一侧时，正确选项的对数概率低出几个数量级。九个模型与基准组合中有六个准确率变化不到半个百分点，但 Qwen3.5 在 PIQA 上掉了近十个百分点。

DecisionRobust把JEV式决策模型放到文本与图像扰动、提示注入下评测，30个文本模型和17个视觉模型接受同一批候选，未参与候选筛选的留出模型同样出错，而标签一致性检查把表观攻击成功率大幅压低。

DecisionRobust把JEV式决策模型放到文本与图像扰动、提示注入下评测，30个文本模型和17个视觉模型接受同一批候选，未参与候选筛选的留出模型同样出错，而标签一致性检查把表观攻击成功率大幅压低。

动态商品广告的检索质量此前只能靠稀疏且有偏的点击日志或昂贵的线上实验来比较。新方法把用户互动历史压缩成少量按语义ID分组、按事件类型分层的意图代表，再由大语言模型逐条判断候选商品与每个意图的相关性并汇总成用户级分数。在30天生产流量上，该分数对六路检索源的排序与转化精确率、召回率一致，并在四组A/B测试中与线上CTR、CVR变化方向一致。

动态商品广告的检索质量此前只能靠稀疏且有偏的点击日志或昂贵的线上实验来比较。新方法把用户互动历史压缩成少量按语义ID分组、按事件类型分层的意图代表，再由大语言模型逐条判断候选商品与每个意图的相关性并汇总成用户级分数。在30天生产流量上，该分数对六路检索源的排序与转化精确率、召回率一致，并在四组A/B测试中与线上CTR、CVR变化方向一致。

多轮智能体蒸馏把教师监督改挂在交互状态上，只保留已执行动作与环境观测，Qwen3-4B 学生在 ALFWorld Seen 上以 43.39% 反超其 32B 教师。

多轮智能体蒸馏把教师监督改挂在交互状态上，只保留已执行动作与环境观测，Qwen3-4B 学生在 ALFWorld Seen 上以 43.39% 反超其 32B 教师。

IBM 开源了面向 Spyre 加速器的数据流调度器，它读取 KTIR 这一 MLIR 中间表示，把 Inductor 已经定好的核间分工、片上暂存与访问切块转成数据流流水线，再经设备相关阶段生成 SpyreCode。此前这些决定缺少一个能承载完整数据并行视图的接口，后端需自行重新发现映射。首个算子接入比旧栈快约 4 倍，后续算子约 8 倍，目前覆盖带广播与归约维度的逐元素运算。

IBM 开源了面向 Spyre 加速器的数据流调度器，它读取 KTIR 这一 MLIR 中间表示，把 Inductor 已经定好的核间分工、片上暂存与访问切块转成数据流流水线，再经设备相关阶段生成 SpyreCode。此前这些决定缺少一个能承载完整数据并行视图的接口，后端需自行重新发现映射。首个算子接入比旧栈快约 4 倍，后续算子约 8 倍，目前覆盖带广播与归约维度的逐元素运算。

星系旋转曲线长期偏向中心密度平坦的“核状”暗物质晕，而冷暗物质模拟预言中心陡升的“尖状”晕。对SPARC数据库中五个星系做贝叶斯拟合时，把相邻半径数据点的相关误差一并建模，核状与尖状模型的拟合差距随之大幅收窄。以DDO 154为例，约化卡方从2.40对9.41变为0.94对1.04，单靠一维旋转曲线已难以区分两种晕。

星系旋转曲线长期偏向中心密度平坦的“核状”暗物质晕，而冷暗物质模拟预言中心陡升的“尖状”晕。对SPARC数据库中五个星系做贝叶斯拟合时，把相邻半径数据点的相关误差一并建模，核状与尖状模型的拟合差距随之大幅收窄。以DDO 154为例，约化卡方从2.40对9.41变为0.94对1.04，单靠一维旋转曲线已难以区分两种晕。

在过敏与临床免疫专科队列上，一种把患者和临床发现建成知识图谱、再用图嵌入聚类的表示方法，在随机缺失、条件缺失和值依赖缺失三种设定下都没有出现聚类质量崩塌。此前常用的“先填补、再降维、后聚类”流程在值依赖缺失下表现最差，而填补会把未检测的抗体与确认阴性混为一谈。

在过敏与临床免疫专科队列上，一种把患者和临床发现建成知识图谱、再用图嵌入聚类的表示方法，在随机缺失、条件缺失和值依赖缺失三种设定下都没有出现聚类质量崩塌。此前常用的“先填补、再降维、后聚类”流程在值依赖缺失下表现最差，而填补会把未检测的抗体与确认阴性混为一谈。

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%。

免训练生成式压缩不再需要显式高斯码本：H-DDCM用隐式随机Hadamard字典替代它，在FLUX尺度上匹配完整码本的保真度，同时把往返时间从数十秒降到数秒。

免训练生成式压缩不再需要显式高斯码本：H-DDCM用隐式随机Hadamard字典替代它，在FLUX尺度上匹配完整码本的保真度，同时把往返时间从数十秒降到数秒。

软件工程智能体的强化学习奖励不再只分通过和失败：让当前策略自己比较同一任务、同一验证结果下的调试轨迹，把偏好变成有界辅助奖励，在SWE-bench Verified上把Qwen3-14B的平均准确率从32.1%提到34.7%。

软件工程智能体的强化学习奖励不再只分通过和失败：让当前策略自己比较同一任务、同一验证结果下的调试轨迹，把偏好变成有界辅助奖励，在SWE-bench Verified上把Qwen3-14B的平均准确率从32.1%提到34.7%。

Mistral 发布 Voxtral 3，把语音识别、推理、工具调用与语音合成放进同一条实时流式管线，并配套语音智能体 SDK。此前让智能体同时听准、想清、说自然并跨系统执行多步操作仍很困难。其 Small 转写模型在英语、法语、西班牙语的多语言转写与说话人分离上优于 Whisper、Scribe v2 和 Gemini 3.5 Transcribe，实时转写延迟低于 500 毫秒。

Mistral 发布 Voxtral 3，把语音识别、推理、工具调用与语音合成放进同一条实时流式管线，并配套语音智能体 SDK。此前让智能体同时听准、想清、说自然并跨系统执行多步操作仍很困难。其 Small 转写模型在英语、法语、西班牙语的多语言转写与说话人分离上优于 Whisper、Scribe v2 和 Gemini 3.5 Transcribe，实时转写延迟低于 500 毫秒。

国际象棋引擎能走出远超人类的着法，却说不清为什么这样走。一项研究先用引擎评估构造可检验的解释评分，发现八个语言模型直接作答时多依赖棋盘表面特征；随后给出免训练的 BinProp，让模型在胜负局面中反复提出并筛选二值棋理，再据此解释具体着法。国际象棋上八个模型的平均解释得分从直接提示的基线提升到接近三倍，同一套设置也用于围棋、跳棋和将棋。

国际象棋引擎能走出远超人类的着法，却说不清为什么这样走。一项研究先用引擎评估构造可检验的解释评分，发现八个语言模型直接作答时多依赖棋盘表面特征；随后给出免训练的 BinProp，让模型在胜负局面中反复提出并筛选二值棋理，再据此解释具体着法。国际象棋上八个模型的平均解释得分从直接提示的基线提升到接近三倍，同一套设置也用于围棋、跳棋和将棋。

专业动作视频编辑改由智能体先检索并自检示范片段，再连同落地提示交给冻结的编辑模型；在314项专业动作任务上，Seedance 2.0 的总分从55.1升到65.6，MiniMax-H3 从51.2升到64.5。

专业动作视频编辑改由智能体先检索并自检示范片段，再连同落地提示交给冻结的编辑模型；在314项专业动作任务上，Seedance 2.0 的总分从55.1升到65.6，MiniMax-H3 从51.2升到64.5。

长时程终端智能体测试台 LHTB 2.0 把评测时长从90分钟延到三小时，并在30项重建任务上显示：只看最终状态通过与否平均得0.221，而按进度阶梯打分平均得0.653。

长时程终端智能体测试台 LHTB 2.0 把评测时长从90分钟延到三小时，并在30项重建任务上显示：只看最终状态通过与否平均得0.221，而按进度阶梯打分平均得0.653。

训练无关的扩散缓存把精确计算花在更该花的位置：用探针输出变化除以输入位移来在线判断风险，在FLUX.1-dev、Wan2.1与Open-Sora 1.2上以相同精确计算预算降低中位LPIPS。

训练无关的扩散缓存把精确计算花在更该花的位置：用探针输出变化除以输入位移来在线判断风险，在FLUX.1-dev、Wan2.1与Open-Sora 1.2上以相同精确计算预算降低中位LPIPS。

多模态大模型做细粒度识别时，视觉线索与类别概念关联不足；LIVE在推理时收紧候选类别表并按需给出类别对比提示，在13个基准上把Qwen2.5-VL-7B的平均准确率提高14.96分。

多模态大模型做细粒度识别时，视觉线索与类别概念关联不足；LIVE在推理时收紧候选类别表并按需给出类别对比提示，在13个基准上把Qwen2.5-VL-7B的平均准确率提高14.96分。

对220个数据科学任务的评估显示，多数智能体方案至少含一种方法性失败，且数据泄漏出现得越多，预测性能反而越高，说明只看准确率会漏掉方法问题。

对220个数据科学任务的评估显示，多数智能体方案至少含一种方法性失败，且数据泄漏出现得越多，预测性能反而越高，说明只看准确率会漏掉方法问题。

生成式网格常带孔洞、游离面和重复面，MeshRepair 把草稿当作前缀、只自回归地输出删除与新增的编辑序列，在 LATO2 草稿上把四边形等价面 F1 从 0.294 提到 0.340，而规则修复工具让它持平或下降。

生成式网格常带孔洞、游离面和重复面，MeshRepair 把草稿当作前缀、只自回归地输出删除与新增的编辑序列，在 LATO2 草稿上把四边形等价面 F1 从 0.294 提到 0.340，而规则修复工具让它持平或下降。

多轮智能体的模型路由被放到用户轮次边界上考察：路由器在每一轮开始前决定整轮由便宜还是昂贵模型执行。在同等把约两成轮次交给便宜模型的卸载率下，能看到会话历史的路由器在SheetCopilot上通过率28.3%，只看到当前请求的同一路由器为25.0%，差距3.3个百分点，且前者与全程使用昂贵模型相差不到1个百分点。研究还给出缓存分析：向下切换（昂贵转便宜）约两次调用即可收回缓存代价，向上切换在评测条件下无法回本。

多轮智能体的模型路由被放到用户轮次边界上考察：路由器在每一轮开始前决定整轮由便宜还是昂贵模型执行。在同等把约两成轮次交给便宜模型的卸载率下，能看到会话历史的路由器在SheetCopilot上通过率28.3%，只看到当前请求的同一路由器为25.0%，差距3.3个百分点，且前者与全程使用昂贵模型相差不到1个百分点。研究还给出缓存分析：向下切换（昂贵转便宜）约两次调用即可收回缓存代价，向上切换在评测条件下无法回本。

在三个独立队列的结构MRI上，阿尔茨海默病分类模型会把年龄当作捷径：年龄越大，被赋予的患病风险越高。把年龄效应在特征空间里做线性残差化（PMDN）后，认知正常与轻度认知障碍组的年龄—预测相关性降到接近零，平衡准确率0.71、Brier分数约0.22，且折间波动明显小于对抗训练方案CF-Net。事后校准进一步压低概率误差，但等渗回归与贝叶斯分箱这类非参数方法效果最好。

在三个独立队列的结构MRI上，阿尔茨海默病分类模型会把年龄当作捷径：年龄越大，被赋予的患病风险越高。把年龄效应在特征空间里做线性残差化（PMDN）后，认知正常与轻度认知障碍组的年龄—预测相关性降到接近零，平衡准确率0.71、Brier分数约0.22，且折间波动明显小于对抗训练方案CF-Net。事后校准进一步压低概率误差，但等渗回归与贝叶斯分箱这类非参数方法效果最好。

在有序状态空间的不完全信息博弈中，累积后悔值不再按每个信息集逐格存储，而是转成Haar小波系数、只保留最大的若干个。此前表格型CFR+在细粒度离散下内存随博弈树线性膨胀，深度CFR则以神经网络推理换取内存、带来延迟。在Deep-Stack Kuhn扑克上，状态数从一千增到一千万时内存只从0.6 MB升到2.1 MB，压缩比超过99.9%；在Flop Hold'em上达到同等可剥削度的时间约为深度CFR的六点五分之一。

在有序状态空间的不完全信息博弈中，累积后悔值不再按每个信息集逐格存储，而是转成Haar小波系数、只保留最大的若干个。此前表格型CFR+在细粒度离散下内存随博弈树线性膨胀，深度CFR则以神经网络推理换取内存、带来延迟。在Deep-Stack Kuhn扑克上，状态数从一千增到一千万时内存只从0.6 MB升到2.1 MB，压缩比超过99.9%；在Flop Hold'em上达到同等可剥削度的时间约为深度CFR的六点五分之一。

急诊科的全容量协议通常在拥挤阈值被突破后才启动，而调配走廊床位、临时护士和限制转入都需要准备时间。一项基于离散事件仿真的评估把预测未来六小时候诊人数的机器学习模型嵌入急诊流程，用预测值提前触发协议。在模拟的一年里，提前启动在三种阈值设置下都显著缩短了超过拥挤阈值的时间与协议平均持续时间，但对平均急诊停留时间和候诊时间的改善未达统计显著。

急诊科的全容量协议通常在拥挤阈值被突破后才启动，而调配走廊床位、临时护士和限制转入都需要准备时间。一项基于离散事件仿真的评估把预测未来六小时候诊人数的机器学习模型嵌入急诊流程，用预测值提前触发协议。在模拟的一年里，提前启动在三种阈值设置下都显著缩短了超过拥挤阈值的时间与协议平均持续时间，但对平均急诊停留时间和候诊时间的改善未达统计显著。

ElevenLabs 发布 Eleven Realtime 系列语音到语音模型，把语音识别、语音活动检测、轮次切换、大模型和语音合成等分散组件收进一个完整语音智能体，支持 90 多种语言和 17000 多种音色。此前开发者要逐项选型并反复调参才能让各部件协同。独立评测中，v1 Max 在 Big Bench Audio 的 1000 道语音推理题上答对 98.8%，平均 0.57 秒开口，v1 Mini 分别为 75.9% 和 0.62 秒。

ElevenLabs 发布 Eleven Realtime 系列语音到语音模型，把语音识别、语音活动检测、轮次切换、大模型和语音合成等分散组件收进一个完整语音智能体，支持 90 多种语言和 17000 多种音色。此前开发者要逐项选型并反复调参才能让各部件协同。独立评测中，v1 Max 在 Big Bench Audio 的 1000 道语音推理题上答对 98.8%，平均 0.57 秒开口，v1 Mini 分别为 75.9% 和 0.62 秒。

水下图像常因光衰减、颗粒散射和光照不均出现偏色、低对比与边缘模糊，而公开数据集覆盖的退化类型和强度有限。GDH-Det从真实图像提取水色、浑浊度和模糊程度作为退化条件，用条件扩散网络结合边界框掩码生成强度连续变化的退化图像，再按目标区域结构和检测可信度筛选样本。检测器训练时按分类不确定性、定位偏差和扰动响应计算样本难度并调整采样概率，在URPC2020、DUO、UODD和Brackish上mAP@0.5分别为85.3%、79.6%、66.2%和84.7%。

水下图像常因光衰减、颗粒散射和光照不均出现偏色、低对比与边缘模糊，而公开数据集覆盖的退化类型和强度有限。GDH-Det从真实图像提取水色、浑浊度和模糊程度作为退化条件，用条件扩散网络结合边界框掩码生成强度连续变化的退化图像，再按目标区域结构和检测可信度筛选样本。检测器训练时按分类不确定性、定位偏差和扰动响应计算样本难度并调整采样概率，在URPC2020、DUO、UODD和Brackish上mAP@0.5分别为85.3%、79.6%、66.2%和84.7%。

产程超声中自动测量进展角（AoP，耻骨联合长轴与胎儿颅骨切线之间的夹角）平均误差只有几度，但少数帧会无声地错上几十度。在IUGC2025公开基准的501个测试文件上，六个关键点检测器组成集成，用检测器之间的分歧给每帧排序，把最可疑的5%转人工复核后，20度以上大错在保留帧中的比例从1.2%降到0.2%，六例中抓住五例。漏掉的那一例是六个检测器一致低估、彼此分歧很小的情况；按角度算分歧与按关键点坐标算分歧在主要终点上未检出差异，验证集定出的阈值在测试集上也没有守住预定的复核比例。

产程超声中自动测量进展角（AoP，耻骨联合长轴与胎儿颅骨切线之间的夹角）平均误差只有几度，但少数帧会无声地错上几十度。在IUGC2025公开基准的501个测试文件上，六个关键点检测器组成集成，用检测器之间的分歧给每帧排序，把最可疑的5%转人工复核后，20度以上大错在保留帧中的比例从1.2%降到0.2%，六例中抓住五例。漏掉的那一例是六个检测器一致低估、彼此分歧很小的情况；按角度算分歧与按关键点坐标算分歧在主要终点上未检出差异，验证集定出的阈值在测试集上也没有守住预定的复核比例。

Claude 平台让 Claude Managed Agents 的智能体在测试版中自行编写工作流，用于审阅数百份文档这类包含大量子任务的工作。工作流是一段程序，分阶段运行多个智能体并合并结果，服务器在后台以一次工作流运行执行它。启用方式是把智能体的 multiagent 字段设为 multiagent_20261001 并开启 workflows，运行进度通过会话事件流上的 workflow_run.* 事件跟踪。

Claude 平台让 Claude Managed Agents 的智能体在测试版中自行编写工作流，用于审阅数百份文档这类包含大量子任务的工作。工作流是一段程序，分阶段运行多个智能体并合并结果，服务器在后台以一次工作流运行执行它。启用方式是把智能体的 multiagent 字段设为 multiagent_20261001 并开启 workflows，运行进度通过会话事件流上的 workflow_run.* 事件跟踪。

Vercel 发布开源 durable-harness，让 Pi、OpenCode、Codex、Claude Code 等编码智能体在云端函数崩溃或超时后从日志续跑。此前在云端用虚拟机加持久存储复现本地环境，虚拟机不会自动记录哪些模型调用和工具调用已完成，也不会在崩溃后恢复被中断的回合，一次失败就丢工作。该工具在每次模型调用或工具调用前记录意图、结束后记录结果，并用队列消息兜底，把回合交给新函数读取日志继续。

Vercel 发布开源 durable-harness，让 Pi、OpenCode、Codex、Claude Code 等编码智能体在云端函数崩溃或超时后从日志续跑。此前在云端用虚拟机加持久存储复现本地环境，虚拟机不会自动记录哪些模型调用和工具调用已完成，也不会在崩溃后恢复被中断的回合，一次失败就丢工作。该工具在每次模型调用或工具调用前记录意图、结束后记录结果，并用队列消息兜底，把回合交给新函数读取日志继续。

谷歌云把通用工作智能体Gemini配置成面向政府机构的版本，以预览形式提供。政府工作依赖成文法、法规与机构指南，且分散在彼此隔离的旧系统中，受数据主权与保密要求约束。该版本加入由领域专家编写的政府任务技能、连接案件管理、ERP、人力资源等既有系统的安全连接器，以及合作伙伴预置智能体，并在统一治理控制面下运行，输出以源文件为依据并附引用。

谷歌云把通用工作智能体Gemini配置成面向政府机构的版本，以预览形式提供。政府工作依赖成文法、法规与机构指南，且分散在彼此隔离的旧系统中，受数据主权与保密要求约束。该版本加入由领域专家编写的政府任务技能、连接案件管理、ERP、人力资源等既有系统的安全连接器，以及合作伙伴预置智能体，并在统一治理控制面下运行，输出以源文件为依据并附引用。

扩散式语言模型能否在复杂任务上与自回归模型竞争，此前一直是开放问题。Inception 发布的 Mercury 3 把参数规模扩大到 Mercury 1 的40倍以上，在 NVIDIA GPU 上以每秒1,068个token运行，官方称其在多项基准上与 GPT-6 Luna、Claude Haiku 5.5 持平或更好，速度快4至8倍。在50个 Mind2Web 实时导航任务中，它完成50%，明显多于 GPT-6.1-Sol，且token用量与智能体步数相同。

扩散式语言模型能否在复杂任务上与自回归模型竞争，此前一直是开放问题。Inception 发布的 Mercury 3 把参数规模扩大到 Mercury 1 的40倍以上，在 NVIDIA GPU 上以每秒1,068个token运行，官方称其在多项基准上与 GPT-6 Luna、Claude Haiku 5.5 持平或更好，速度快4至8倍。在50个 Mind2Web 实时导航任务中，它完成50%，明显多于 GPT-6.1-Sol，且token用量与智能体步数相同。

嗓音障碍的自动筛查受限于临床语音数据稀缺与类别不均。研究在Saarbrücken嗓音数据库的标准化句子录音上，用两个文本转语音模型各为每条训练录音生成一份合成样本，再比较多种模型架构与融合策略。盲听中Kartoffelbox合成样本仅52.6%被认出是合成音，XTTS为89.5%；用Kartoffelbox增广后HuBERT的敏感度达0.88、准确率0.87，四分类任务仍以喉炎最难。

嗓音障碍的自动筛查受限于临床语音数据稀缺与类别不均。研究在Saarbrücken嗓音数据库的标准化句子录音上，用两个文本转语音模型各为每条训练录音生成一份合成样本，再比较多种模型架构与融合策略。盲听中Kartoffelbox合成样本仅52.6%被认出是合成音，XTTS为89.5%；用Kartoffelbox增广后HuBERT的敏感度达0.88、准确率0.87，四分类任务仍以喉炎最难。

电化学阻抗谱的等效电路拟合长期依赖人工判断电路拓扑并给出初值，而不同拓扑可能产生几乎相同的谱线。萨格勒布大学团队把少量人工拟合谱扩成合成参考库，投影到主成分空间后用近邻检索同时筛出候选拓扑并给出物理上合理的初值，再由复非线性最小二乘逐一精修，最后按拟合优度选优。与独立人工拟合相比，多数参数一致到1%以内，且每次拟合的约化卡方更低，单谱耗时约5至6秒。

电化学阻抗谱的等效电路拟合长期依赖人工判断电路拓扑并给出初值，而不同拓扑可能产生几乎相同的谱线。萨格勒布大学团队把少量人工拟合谱扩成合成参考库，投影到主成分空间后用近邻检索同时筛出候选拓扑并给出物理上合理的初值，再由复非线性最小二乘逐一精修，最后按拟合优度选优。与独立人工拟合相比，多数参数一致到1%以内，且每次拟合的约化卡方更低，单谱耗时约5至6秒。

面向阿拉伯语使用者的对话式抑郁早期识别系统Rafiq把三件事接进同一段对话：逐条监测用户消息中的抑郁症状、在症状累积到三项时提议并完成PHQ-9九项量表、用检索增强生成从临床知识库取证据作答。系统在415条留出样本上症状识别准确率0.98，但检索环节的嵌入模型选择影响极大：阿拉伯语专用模型MAP为80%，一个通用多语言混合专家模型仅4%。

面向阿拉伯语使用者的对话式抑郁早期识别系统Rafiq把三件事接进同一段对话：逐条监测用户消息中的抑郁症状、在症状累积到三项时提议并完成PHQ-9九项量表、用检索增强生成从临床知识库取证据作答。系统在415条留出样本上症状识别准确率0.98，但检索环节的嵌入模型选择影响极大：阿拉伯语专用模型MAP为80%，一个通用多语言混合专家模型仅4%。

配电网故障自愈长期在决策质量、实时性和可解释性之间取舍：数学规划接近最优但耗时，深度强化学习毫秒级决策却难以说明理由。一种把图注意力网络嵌入软演员—评论家智能体、并将韧性指数直接写入奖励的方法，在IEEE 33节点与123节点系统上把在线决策压到2.3毫秒，与混合整数线性规划最优解的差距为2.8%。注意力热图与SHAP归因同时给出智能体关注哪里、为何这样决策。

配电网故障自愈长期在决策质量、实时性和可解释性之间取舍：数学规划接近最优但耗时，深度强化学习毫秒级决策却难以说明理由。一种把图注意力网络嵌入软演员—评论家智能体、并将韧性指数直接写入奖励的方法，在IEEE 33节点与123节点系统上把在线决策压到2.3毫秒，与混合整数线性规划最优解的差距为2.8%。注意力热图与SHAP归因同时给出智能体关注哪里、为何这样决策。

DeepSeek V4.1 Flash 的 1017 版本已在 Cloudflare Workers AI 上线，模型总参数 552B，但每个 token 在预填充阶段只激活 8B、解码阶段激活 16B，因此输入密集的智能体负载可以保持较快且成本较低。相比此前版本，1017 在推理、编程、智能体任务和视觉基准上都有改进，并能用更短的输出完成任务。模型支持图文同请求、默认开启的推理、多轮工具调用和 1,048,576 token 的上下文窗口。

DeepSeek V4.1 Flash 的 1017 版本已在 Cloudflare Workers AI 上线，模型总参数 552B，但每个 token 在预填充阶段只激活 8B、解码阶段激活 16B，因此输入密集的智能体负载可以保持较快且成本较低。相比此前版本，1017 在推理、编程、智能体任务和视觉基准上都有改进，并能用更短的输出完成任务。模型支持图文同请求、默认开启的推理、多轮工具调用和 1,048,576 token 的上下文窗口。

Google Antigravity 的模型选择器现在加入 Claude Opus 5.5 与 Claude Sonnet 5.5，面向 Google Cloud 客户，由管理员开通后开发者可直接选用。此前 Antigravity 内的可选模型由 Google 自家 Gemini 系列承担，Opus 5.5 面向复杂任务，Sonnet 5.5 定位为更快、成本更低的补充。两个模型覆盖 Antigravity 2.0、命令行工具以及 VS Code、JetBrains IntelliJ 和 Visual Studio 的 IDE 扩展，并可在同一对话线程的轮次之间切换而保留工作区状态、已打开产物和终端上下文。

Google Antigravity 的模型选择器现在加入 Claude Opus 5.5 与 Claude Sonnet 5.5，面向 Google Cloud 客户，由管理员开通后开发者可直接选用。此前 Antigravity 内的可选模型由 Google 自家 Gemini 系列承担，Opus 5.5 面向复杂任务，Sonnet 5.5 定位为更快、成本更低的补充。两个模型覆盖 Antigravity 2.0、命令行工具以及 VS Code、JetBrains IntelliJ 和 Visual Studio 的 IDE 扩展，并可在同一对话线程的轮次之间切换而保留工作区状态、已打开产物和终端上下文。

生物质烘焙的实验优化长期受制于实验成本与时间，传统单因素试验容易漏掉协同效应，全因子设计又很快变得不可行。一项研究用486条烘焙观测训练带自动相关性判定核的高斯过程回归代理模型，交叉验证R²在质量产率、高位热值和能量产率上分别为0.854、0.971和0.869，优于随机森林、支持向量回归和神经网络。在此基础上，一个把不确定性、质量产率与高位热值的期望改进按0.4/0.3/0.3加权、并加入多样性惩罚的采集函数，推荐出10组实验，温度覆盖200–315 °C、停留时间30–1089 s，全部落在常规烘焙区间内。

生物质烘焙的实验优化长期受制于实验成本与时间，传统单因素试验容易漏掉协同效应，全因子设计又很快变得不可行。一项研究用486条烘焙观测训练带自动相关性判定核的高斯过程回归代理模型，交叉验证R²在质量产率、高位热值和能量产率上分别为0.854、0.971和0.869，优于随机森林、支持向量回归和神经网络。在此基础上，一个把不确定性、质量产率与高位热值的期望改进按0.4/0.3/0.3加权、并加入多样性惩罚的采集函数，推荐出10组实验，温度覆盖200–315 °C、停留时间30–1089 s，全部落在常规烘焙区间内。

Anthropic开源了11个面向岗位的知识工作插件，让Claude按销售、财务、数据等职能调用技能、连接器、斜杠命令和子智能体。此前这类岗位适配需要用户自行组织提示与工具接入，插件把领域知识和工作流写成文件，安装后技能在相关时自动触发。插件以markdown和JSON构成，不含代码与构建步骤，官方定位为通用起点，需按公司术语、工具栈和流程改写后才更贴合团队。

Anthropic开源了11个面向岗位的知识工作插件，让Claude按销售、财务、数据等职能调用技能、连接器、斜杠命令和子智能体。此前这类岗位适配需要用户自行组织提示与工具接入，插件把领域知识和工作流写成文件，安装后技能在相关时自动触发。插件以markdown和JSON构成，不含代码与构建步骤，官方定位为通用起点，需按公司术语、工具栈和流程改写后才更贴合团队。

儿童受伤常来自物体之间的关系，比如窗下沙发旁的椅子。AuroraNet把房间场景转成按年龄缩放的攀爬图，沿儿童可攀爬的物体序列计算加权期望伤害，并从场景级标签学习15个边参数。在模拟房间上，它与梯度提升的排序相关为0.986，分层内为0.878对0.798；全部证据来自仿真。

儿童受伤常来自物体之间的关系，比如窗下沙发旁的椅子。AuroraNet把房间场景转成按年龄缩放的攀爬图，沿儿童可攀爬的物体序列计算加权期望伤害，并从场景级标签学习15个边参数。在模拟房间上，它与梯度提升的排序相关为0.986，分层内为0.878对0.798；全部证据来自仿真。

AnyLanguageModel 发布 1.0，把苹果 Foundation Models 框架的接口做成可替换层，应用只需把 import 从 FoundationModels 换成 AnyLanguageModel，同一段会话代码即可调用系统模型、经 llama.cpp、MLX 和 Core ML 运行的开源权重模型，以及多家托管服务。此前开发者想用本地模型，往往要自己处理多种推理提供方带来的额外复杂度。一年间该库补齐了各提供方一致的工具调用与引导式生成，并新增图像输入和 Linux 运行支持。

AnyLanguageModel 发布 1.0，把苹果 Foundation Models 框架的接口做成可替换层，应用只需把 import 从 FoundationModels 换成 AnyLanguageModel，同一段会话代码即可调用系统模型、经 llama.cpp、MLX 和 Core ML 运行的开源权重模型，以及多家托管服务。此前开发者想用本地模型，往往要自己处理多种推理提供方带来的额外复杂度。一年间该库补齐了各提供方一致的工具调用与引导式生成，并新增图像输入和 Linux 运行支持。

皮肤镜图像里，毛发遮挡、光照不均和局部对比度弱会让病灶边界断裂，而自注意力倾向强调低频内容，使这些弱边界在跳连中被稀释。Swin-WaveNet把编码器跳连特征先做小波分解，只对高频子带做选择性状态空间扫描以接续断开的轮廓，再用深层语义门控滤掉毛发等伪影响应，最后在解码上采样时用高频注意力锐化边界。在ISIC 2018上三次运行的平均Dice为89.69%、HD95为23.60像素，与Swin-Unet差距很小；不经微调直接用于ISIC 2017时Dice为91.69%。

皮肤镜图像里，毛发遮挡、光照不均和局部对比度弱会让病灶边界断裂，而自注意力倾向强调低频内容，使这些弱边界在跳连中被稀释。Swin-WaveNet把编码器跳连特征先做小波分解，只对高频子带做选择性状态空间扫描以接续断开的轮廓，再用深层语义门控滤掉毛发等伪影响应，最后在解码上采样时用高频注意力锐化边界。在ISIC 2018上三次运行的平均Dice为89.69%、HD95为23.60像素，与Swin-Unet差距很小；不经微调直接用于ISIC 2017时Dice为91.69%。

谷歌为小企业主在Gemini中新增业务落地页，把品牌建设、财务分析和客户洞察集中到一个入口，并可连接Google Business Profile、Google Ads、Google Workspace以及Adobe、Canva、Shopify等第三方应用。企业可上传网站、品牌套件、字体或配色来定义品牌风格，配合图像生成模型Nano Banana 2.1产出成套视觉素材，且风格会被保留，无需反复上传规范。Gemini还能把杂乱的表格、收据和采购记录转成财务图表与交互模型，这些功能将在未来数日面向所有Gemini应用用户全球逐步推出。

谷歌为小企业主在Gemini中新增业务落地页，把品牌建设、财务分析和客户洞察集中到一个入口，并可连接Google Business Profile、Google Ads、Google Workspace以及Adobe、Canva、Shopify等第三方应用。企业可上传网站、品牌套件、字体或配色来定义品牌风格，配合图像生成模型Nano Banana 2.1产出成套视觉素材，且风格会被保留，无需反复上传规范。Gemini还能把杂乱的表格、收据和采购记录转成财务图表与交互模型，这些功能将在未来数日面向所有Gemini应用用户全球逐步推出。

敦煌壁画的褪色、污渍、水渍等半透明病害往往仍保留部分颜料与轮廓，而常用的二值掩膜只标出受损范围，无法描述同一区域内连续变化的病害强度。SC-PAD先从退化图像和粗掩膜估计连续的终端病害强度场，再把共享的扩散进度按像素重参数化为局部修复进度，并用满足端点一致与单调性的动态Alpha状态控制图像空间残差的激活。在敦煌壁画数据集固定的100张测试图上，用预测的软Alpha替换二值掩膜使PSNR从27.3421 dB升到30.6122 dB，但换成真值Alpha还能再升3.2539 dB，说明病害强度估计仍是瓶颈。

敦煌壁画的褪色、污渍、水渍等半透明病害往往仍保留部分颜料与轮廓，而常用的二值掩膜只标出受损范围，无法描述同一区域内连续变化的病害强度。SC-PAD先从退化图像和粗掩膜估计连续的终端病害强度场，再把共享的扩散进度按像素重参数化为局部修复进度，并用满足端点一致与单调性的动态Alpha状态控制图像空间残差的激活。在敦煌壁画数据集固定的100张测试图上，用预测的软Alpha替换二值掩膜使PSNR从27.3421 dB升到30.6122 dB，但换成真值Alpha还能再升3.2539 dB，说明病害强度估计仍是瓶颈。

花粉显微图像识别要在细微的种间差异和明显的种内变化之间找平衡，而基于热传导算子的视觉骨干 vHeat 对全部通道都执行完整的二维热扩散变换，计算开销偏大。针对这一冗余，研究把部分通道改走轻量局部分支，并在离散余弦变换域对中后段频率响应施加受控保留约束，再按网络深度分阶段配置两组比例。在自建 Pollen149 上，参数从 30.20M 降到 25.69M、FLOPs 从 4.94G 降到 3.97G，Top-1 仅下降 0.19 个百分点，吞吐从 924.15 升到 1015.27 张/秒。

花粉显微图像识别要在细微的种间差异和明显的种内变化之间找平衡，而基于热传导算子的视觉骨干 vHeat 对全部通道都执行完整的二维热扩散变换，计算开销偏大。针对这一冗余，研究把部分通道改走轻量局部分支，并在离散余弦变换域对中后段频率响应施加受控保留约束，再按网络深度分阶段配置两组比例。在自建 Pollen149 上，参数从 30.20M 降到 25.69M、FLOPs 从 4.94G 降到 3.97G，Top-1 仅下降 0.19 个百分点，吞吐从 924.15 升到 1015.27 张/秒。