AI 与科学前沿 · 2026-10-22

DynaVelo把单细胞多组学中的RNA表达与转录因子基序可及性放进同一个神经微分方程，学出可被干预的速度场，而不只是画轨迹。在野生型小鼠生发中心B细胞上，它复现暗区增殖、向亮区转换与再循环的分支；在Arid1a杂合缺失细胞上，它提名Ctcf、Stat3和Bcl6为挽救靶点，三种双杂合小鼠的暗区表型均被拉回。

DynaVelo把单细胞多组学中的RNA表达与转录因子基序可及性放进同一个神经微分方程，学出可被干预的速度场，而不只是画轨迹。在野生型小鼠生发中心B细胞上，它复现暗区增殖、向亮区转换与再循环的分支；在Arid1a杂合缺失细胞上，它提名Ctcf、Stat3和Bcl6为挽救靶点，三种双杂合小鼠的暗区表型均被拉回。

TCR–pMHC结合预测不再依赖对接后的复合物结构。此前结构类方法先共折叠出复合物，再从界面接触推断结合，而对接位置误差会改变进入模型的残基和接触。EMBER把TCR与pMHC各自折叠成单体，编码为对刚体运动不变的残基图，只在CDR3与肽段之间用双向注意力比较。在四个折叠工具、表位不重叠的五折评估中，它在全部指标上居首，跨工具排名一致性比结构类基线高26%到85%。

TCR–pMHC结合预测不再依赖对接后的复合物结构。此前结构类方法先共折叠出复合物，再从界面接触推断结合，而对接位置误差会改变进入模型的残基和接触。EMBER把TCR与pMHC各自折叠成单体，编码为对刚体运动不变的残基图，只在CDR3与肽段之间用双向注意力比较。在四个折叠工具、表位不重叠的五折评估中，它在全部指标上居首，跨工具排名一致性比结构类基线高26%到85%。

有限角度原子电子断层扫描因样品无法大角度倾斜而留下缺失楔形，深度方向分辨率下降、原子定位变差。RESIRE-Net只用输入数据本身，把旋转后的体积按实验倾角投影再用RESIRE重建，生成训练对来训练三维U-Net，迭代逼近缺失楔形的逆算子。在多层模拟的金属玻璃与中熵合金纳米颗粒上，三维位置均方根偏差分别从21皮米降到14皮米、从24皮米降到15皮米，原子回收与元素分类同步改善。

有限角度原子电子断层扫描因样品无法大角度倾斜而留下缺失楔形，深度方向分辨率下降、原子定位变差。RESIRE-Net只用输入数据本身，把旋转后的体积按实验倾角投影再用RESIRE重建，生成训练对来训练三维U-Net，迭代逼近缺失楔形的逆算子。在多层模拟的金属玻璃与中熵合金纳米颗粒上，三维位置均方根偏差分别从21皮米降到14皮米、从24皮米降到15皮米，原子回收与元素分类同步改善。

Anthropic让内部研究模型Claude在64小时内自主设计针对蝎毒神经毒素的微型结合蛋白，从318484个设计中筛出180个送检，加上团队补充的31个共211个，由Adaptyv Bio与Twist Bioscience实测，17个在两家实验室均达到结合标准。这些结合子只针对重组毒素验证了结合，尚未在细胞或动物中检验中和作用，因此不构成抗蛇毒血清。全部211个设计及其数据已公开。

Anthropic让内部研究模型Claude在64小时内自主设计针对蝎毒神经毒素的微型结合蛋白，从318484个设计中筛出180个送检，加上团队补充的31个共211个，由Adaptyv Bio与Twist Bioscience实测，17个在两家实验室均达到结合标准。这些结合子只针对重组毒素验证了结合，尚未在细胞或动物中检验中和作用，因此不构成抗蛇毒血清。全部211个设计及其数据已公开。

OpenAI 对齐研究团队在 g-mean² 之外补充了两个监控能力指标：一个只在两个模型都产生目标行为的同一批任务实例上比较，减少因各自实例分布不同造成的排名偏差；另一个模拟监控器作为拒绝闸门、允许重试时的部署风险，同时给出坏输出概率、部署概率与已部署输出中的坏输出比例。合成实验中，已知监控能力排序在能力差异拉大时仍能被配对比较恢复。

OpenAI 对齐研究团队在 g-mean² 之外补充了两个监控能力指标：一个只在两个模型都产生目标行为的同一批任务实例上比较，减少因各自实例分布不同造成的排名偏差；另一个模拟监控器作为拒绝闸门、允许重试时的部署风险，同时给出坏输出概率、部署概率与已部署输出中的坏输出比例。合成实验中，已知监控能力排序在能力差异拉大时仍能被配对比较恢复。

在一个风格化的欧元区银行存款定价与债券再投资模型里，银行和四类客户由大语言模型智能体扮演，研究者再从这些智能体的选择中反推出方程形式的决策规则。用未参与估计的模拟检验，最终规则在十个Claude模拟银行年中把年度ROE误差控制在0.31个百分点以内，其中七个满足全部拟合标准，未通过的三例都涉及存款挤兑；换成GPT-5.5后误差不超过0.71个百分点，但十八个模拟银行年中只有六个全部达标。

在一个风格化的欧元区银行存款定价与债券再投资模型里，银行和四类客户由大语言模型智能体扮演，研究者再从这些智能体的选择中反推出方程形式的决策规则。用未参与估计的模拟检验，最终规则在十个Claude模拟银行年中把年度ROE误差控制在0.31个百分点以内，其中七个满足全部拟合标准，未通过的三例都涉及存款挤兑；换成GPT-5.5后误差不超过0.71个百分点，但十八个模拟银行年中只有六个全部达标。

德国航空航天中心团队把物理约束神经网络（PINN）用于从稀疏三维拉格朗日粒子追踪数据重建欧拉流场，并在相同预处理数据上与多项式分箱和FlowFit系统比较。在均匀各向同性湍流、湍流边界层合成数据以及风洞实验边界层数据上，PINN在考察的稀疏度范围内给出最低的速度与压力误差，且随粒子密度下降退化更慢。FlowFit在若干密集播种条件下涡量误差更低，其散度残差接近机器精度。

德国航空航天中心团队把物理约束神经网络（PINN）用于从稀疏三维拉格朗日粒子追踪数据重建欧拉流场，并在相同预处理数据上与多项式分箱和FlowFit系统比较。在均匀各向同性湍流、湍流边界层合成数据以及风洞实验边界层数据上，PINN在考察的稀疏度范围内给出最低的速度与压力误差，且随粒子密度下降退化更慢。FlowFit在若干密集播种条件下涡量误差更低，其散度残差接近机器精度。

Inferact 与谷歌发布 vLLM TorchTPU，让 vLLM 里已有的模型定义无需改动即可在谷歌云 TPU 上提供服务。此前在 TPU 上部署模型需要另写模型代码，而这一后端沿用 vLLM 原有的命令行、OpenAI 兼容服务器、调度器和 KV 缓存管理器，TPU 相关工作放在它们之下。它通过 torch.compile 的 TPU 后端编译到 XLA，并用 JAX/Pallas 自定义算子处理注意力、混合专家和量化矩阵乘等操作。

Inferact 与谷歌发布 vLLM TorchTPU，让 vLLM 里已有的模型定义无需改动即可在谷歌云 TPU 上提供服务。此前在 TPU 上部署模型需要另写模型代码，而这一后端沿用 vLLM 原有的命令行、OpenAI 兼容服务器、调度器和 KV 缓存管理器，TPU 相关工作放在它们之下。它通过 torch.compile 的 TPU 后端编译到 XLA，并用 JAX/Pallas 自定义算子处理注意力、混合专家和量化矩阵乘等操作。

小米发布4B多模态模型Xiaomi-Lens-0，让掩码从模型自身的视觉表征中解码，而不是依赖额外的分割编码器。此前多模态模型的掩码监督多停在冻结的视觉编码器上，或只把掩码当作分割手段。该模型用语言模型生成的掩码令牌状态作为视觉潜变量，与视觉编码器的图块特征一起送入轻量解码器，使像素级监督回流到与语言生成共享的主干；在RefCOCO、RefCOCO+、RefCOCOg全部八个切分上，指代理解平均比Qwen3.5高5.6分，并在所有对比模型中取得最高的分割cIoU。

小米发布4B多模态模型Xiaomi-Lens-0，让掩码从模型自身的视觉表征中解码，而不是依赖额外的分割编码器。此前多模态模型的掩码监督多停在冻结的视觉编码器上，或只把掩码当作分割手段。该模型用语言模型生成的掩码令牌状态作为视觉潜变量，与视觉编码器的图块特征一起送入轻量解码器，使像素级监督回流到与语言生成共享的主干；在RefCOCO、RefCOCO+、RefCOCOg全部八个切分上，指代理解平均比Qwen3.5高5.6分，并在所有对比模型中取得最高的分割cIoU。

门控循环网络的长程记忆瓶颈被定位到“门本身也要靠同一套循环计算学出来”，在受控序列分类任务里给训练集加入短依赖样本后，GRU与LSTM在长依赖测试上的准确率从接近随机回到约九成以上，并追平或超过Mamba与xLSTM。

门控循环网络的长程记忆瓶颈被定位到“门本身也要靠同一套循环计算学出来”，在受控序列分类任务里给训练集加入短依赖样本后，GRU与LSTM在长依赖测试上的准确率从接近随机回到约九成以上，并追平或超过Mamba与xLSTM。

在固定提示词预算下，把查询匹配到物体类别名比成对几何打分更能把目标放进上下文，ScanRefer上R@10从0.626升到0.911，但查询不含目标类别词时几何打分反超。

在固定提示词预算下，把查询匹配到物体类别名比成对几何打分更能把目标放进上下文，ScanRefer上R@10从0.626升到0.911，但查询不含目标类别词时几何打分反超。

油田站点把本地流量更新拆成两份秘密共享，两台不串通的服务器只判断接受或拒绝，在30%自适应攻击者下宏F1为0.641，而FedAvg降到0.046。

油田站点把本地流量更新拆成两份秘密共享，两台不串通的服务器只判断接受或拒绝，在30%自适应攻击者下宏F1为0.641，而FedAvg降到0.046。

全模态大模型在音视频互相干扰时会答错，但被干扰的那一路单模态分支往往还留着正确答案；一种免训练推理时干预在冲突样本上把融合表示拨回该分支，CMM 总体准确率从70.5%升到85.9%。

全模态大模型在音视频互相干扰时会答错，但被干扰的那一路单模态分支往往还留着正确答案；一种免训练推理时干预在冲突样本上把融合表示拨回该分支，CMM 总体准确率从70.5%升到85.9%。

预训练注意力的近似误差集中在少数高贡献的查询—键维度上，按贡献分组共享系数的二次核在Qwen2.5-0.5B上把冻结注意力相对MSE降到0.432，并在替换中间层注意力后把WikiText-103困惑度从31.71降到27.50。

预训练注意力的近似误差集中在少数高贡献的查询—键维度上，按贡献分组共享系数的二次核在Qwen2.5-0.5B上把冻结注意力相对MSE降到0.432，并在替换中间层注意力后把WikiText-103困惑度从31.71降到27.50。

FDE-Bench把49个真实客户项目做成端到端交付测试，智能体必须向模拟客户问出没写明的需求并反复改方案，18种配置里最高平均交付分只有0.5510，而前线交付工程师的参考值是1.0。

FDE-Bench把49个真实客户项目做成端到端交付测试，智能体必须向模拟客户问出没写明的需求并反复改方案，18种配置里最高平均交付分只有0.5510，而前线交付工程师的参考值是1.0。

混合专家模型的权重精度其实有两笔开销，存储一笔、解码一笔；DuoRate 只存一个 4.27 bpw 的副本，再按每个工作负载自己的预填充统计挑读取前缀，在 Qwen3-30B-A3B 上以 2.9 bpw 的读取率拿到 76.16 平均分，接近 4 比特格式。

混合专家模型的权重精度其实有两笔开销，存储一笔、解码一笔；DuoRate 只存一个 4.27 bpw 的副本，再按每个工作负载自己的预填充统计挑读取前缀，在 Qwen3-30B-A3B 上以 2.9 bpw 的读取率拿到 76.16 平均分，接近 4 比特格式。

智能体常能看出任务缺少前提，却仍继续执行；一项新评测把“识别阻碍”和“据此停手”分开打分，并在不改模型权重的前提下用运行框架搜索把严格自省从两成提到六成。

智能体常能看出任务缺少前提，却仍继续执行；一项新评测把“识别阻碍”和“据此停手”分开打分，并在不改模型权重的前提下用运行框架搜索把严格自省从两成提到六成。

一项跨CNN、ViT与Vision Mamba的对比把人类眼动热图当作独立基准，量化模型显著图与人类注视的对齐程度，发现Mamba在胸片任务上定位得分最高，但其显著图强度分布与人类注视几乎不相关。

一项跨CNN、ViT与Vision Mamba的对比把人类眼动热图当作独立基准，量化模型显著图与人类注视的对齐程度，发现Mamba在胸片任务上定位得分最高，但其显著图强度分布与人类注视几乎不相关。

当传感器故障沿图边成片扩散、观测值传播失效时，PEMix改用图的全局结构表示来条件化缺失特征的分布，在TADPOLE上把宏F1曲线面积从0.7469提到0.8243。

当传感器故障沿图边成片扩散、观测值传播失效时，PEMix改用图的全局结构表示来条件化缺失特征的分布，在TADPOLE上把宏F1曲线面积从0.7469提到0.8243。

视频流模型做奖励对齐时，把引导采样与优化锚点拆开，让无引导单分支推理也能拿到引导探索的收益，同时保留推理时引导的原有语义。

视频流模型做奖励对齐时，把引导采样与优化锚点拆开，让无引导单分支推理也能拿到引导探索的收益，同时保留推理时引导的原有语义。

PyTorch 2.15把FP8张量、原生分组矩阵乘法和一批专用Metal内核带进Mac的MPS后端，让本地大模型解码和视频生成更省时省内存。此前MPS上不少算子走MPSGraph，MoE解码要先把分组偏移拷回CPU再逐组循环，分块视频VAE解码的驱动内存峰值可达270 GiB。在M3 Ultra上，Qwen3.6-35B-A3B的解码从9.4升到61.3 tokens/s，Wan2.2的VAE解码内存峰值降到约8 GiB。

PyTorch 2.15把FP8张量、原生分组矩阵乘法和一批专用Metal内核带进Mac的MPS后端，让本地大模型解码和视频生成更省时省内存。此前MPS上不少算子走MPSGraph，MoE解码要先把分组偏移拷回CPU再逐组循环，分块视频VAE解码的驱动内存峰值可达270 GiB。在M3 Ultra上，Qwen3.6-35B-A3B的解码从9.4升到61.3 tokens/s，Wan2.2的VAE解码内存峰值降到约8 GiB。

平衡传播（EqProp）的突触更新需要比较自由相与微扰相两个时刻的局部量，通常要靠额外存储或复制一份网络来保留先前的值。这里把这一时间比较交给突触自身的双时间尺度动力学：一个易失状态在弛豫中趋向突触前后活动的乘积，一个非易失状态保存学习参数，易失状态的变化经全局门控写入非易失状态。在MNIST单隐层网络上，相位式与连续式两种写法分别达到2.01%与2.24%的测试误差，与标准EqProp的2.00%和2.28%相差在一个标准差以内。

平衡传播（EqProp）的突触更新需要比较自由相与微扰相两个时刻的局部量，通常要靠额外存储或复制一份网络来保留先前的值。这里把这一时间比较交给突触自身的双时间尺度动力学：一个易失状态在弛豫中趋向突触前后活动的乘积，一个非易失状态保存学习参数，易失状态的变化经全局门控写入非易失状态。在MNIST单隐层网络上，相位式与连续式两种写法分别达到2.01%与2.24%的测试误差，与标准EqProp的2.00%和2.28%相差在一个标准差以内。

智能体工作流的选择被改写成上下文老虎机问题：在五个基准上平均分达到81.37%，MATH上训练阶段token开销至少降低40.55%。

智能体工作流的选择被改写成上下文老虎机问题：在五个基准上平均分达到81.37%，MATH上训练阶段token开销至少降低40.55%。

西班牙语到英语的双向语音翻译里，PACT把源语的语气线索先映射到目标语言的表达空间，再作为连续提示送进冻结的语音生成器，在内容、音色和表达三类指标上同时取得所评估系统中的最好整体表现。

西班牙语到英语的双向语音翻译里，PACT把源语的语气线索先映射到目标语言的表达空间，再作为连续提示送进冻结的语音生成器，在内容、音色和表达三类指标上同时取得所评估系统中的最好整体表现。

开源模型的中间检查点显示，语言能力的形成有先后：形态结构在约1亿词元之前就开始起步，而语义嵌入要到10亿词元之后才启动，成熟也更晚。研究用教师强制评估Pythia与OLMo3的中间检查点，并借改造后的发散联想任务和远距离联想任务考察发散识别与关联词生成。结果显示，训练数据量更大有助于发散识别，而预训练中的共现与推理时的重复会削弱这两类能力。

开源模型的中间检查点显示，语言能力的形成有先后：形态结构在约1亿词元之前就开始起步，而语义嵌入要到10亿词元之后才启动，成熟也更晚。研究用教师强制评估Pythia与OLMo3的中间检查点，并借改造后的发散联想任务和远距离联想任务考察发散识别与关联词生成。结果显示，训练数据量更大有助于发散识别，而预训练中的共现与推理时的重复会削弱这两类能力。

扩散语言模型每步并行提交多个词元时准确率会大幅下滑，RePara 用分组相对策略优化强化连续短词元块，在 LLaDA 上把 GSM8K 的 Diff#16 准确率从 JustGRPO 的 28.20 提到 68.54。

扩散语言模型每步并行提交多个词元时准确率会大幅下滑，RePara 用分组相对策略优化强化连续短词元块，在 LLaDA 上把 GSM8K 的 Diff#16 准确率从 JustGRPO 的 28.20 提到 68.54。

一个统一运动去模糊网络把模糊当作卷积来学，在傅里叶空间做随输入变化的滤波，在GoPro上把PSNR从强基线EVSSM的33.26 dB提到34.02 dB，只多8G FLOPs。

一个统一运动去模糊网络把模糊当作卷积来学，在傅里叶空间做随输入变化的滤波，在GoPro上把PSNR从强基线EVSSM的33.26 dB提到34.02 dB，只多8G FLOPs。

多智能体路由的策略可被日志克隆，一种不改模型参数、不改输出内容的水印把所有权信号藏进功能等价的改道决策里，在四套路由基准上抹除九成日志仍能验证所有权。

多智能体路由的策略可被日志克隆，一种不改模型参数、不改输出内容的水印把所有权信号藏进功能等价的改道决策里，在四套路由基准上抹除九成日志仍能验证所有权。

LEST把模型系统卡里的安全声明当作测试规格，在Claude Opus 4.8与GPT-5.5上发现56条声明中仅17条被现有基准提示真正覆盖，并给出从自然语言文档到人工验证反例的端到端追溯。

LEST把模型系统卡里的安全声明当作测试规格，在Claude Opus 4.8与GPT-5.5上发现56条声明中仅17条被现有基准提示真正覆盖，并给出从自然语言文档到人工验证反例的端到端追溯。

一维无限深势阱中的波函数演化改由Transformer直接预测，概率归一不再靠损失项惩罚，而是作为硬约束写进网络输出。此前无约束的多层感知机预测总概率落在1.039418到1.045530之间，偏离1；硬约束模型在基态、第一激发态、高斯波包和叠加态四类初值上把最大概率偏差压到2.98×10⁻⁷，平均保真度0.999949。在相同空间分辨率下，单次前向推理耗时约0.0006至0.001秒，预测195步时相对顺序推进的Crank–Nicolson取得22.35倍加速。

一维无限深势阱中的波函数演化改由Transformer直接预测，概率归一不再靠损失项惩罚，而是作为硬约束写进网络输出。此前无约束的多层感知机预测总概率落在1.039418到1.045530之间，偏离1；硬约束模型在基态、第一激发态、高斯波包和叠加态四类初值上把最大概率偏差压到2.98×10⁻⁷，平均保真度0.999949。在相同空间分辨率下，单次前向推理耗时约0.0006至0.001秒，预测195步时相对顺序推进的Crank–Nicolson取得22.35倍加速。

Mastra 的 @mastra/mcp 2.0 开始支持 MCP 2026-07-28 规范，该规范取消了服务器会话，每个请求自带全部信息。旧规范下客户端先发 initialize 建立会话，后续请求必须携带会话 ID，一旦负载均衡把请求转到别的实例就会报 400 session not found，只能靠粘性会话或 Redis 共享会话存储绕开。新规范下任意实例都能应答任意请求，普通轮询负载均衡即可，实例崩溃后下一个请求转到别处，客户端照常继续。

Mastra 的 @mastra/mcp 2.0 开始支持 MCP 2026-07-28 规范，该规范取消了服务器会话，每个请求自带全部信息。旧规范下客户端先发 initialize 建立会话，后续请求必须携带会话 ID，一旦负载均衡把请求转到别的实例就会报 400 session not found，只能靠粘性会话或 Redis 共享会话存储绕开。新规范下任意实例都能应答任意请求，普通轮询负载均衡即可，实例崩溃后下一个请求转到别处，客户端照常继续。

Cloudflare 的 27B 多模态决策模型 Clef 已上线 Ollama，可在本地或云端运行。它把状态和一组带类型的提问作为输入，一次读完文本、JSON 或图像，同时给每个问题的每个答案打分，而不是逐词生成回复。在 Cloudflare 公布的 Jev Decision Index 评测中，Clef 在多数基准上高于 Jev，但 When2Call 与 BRIGHT 两项低于 Jev。

Cloudflare 的 27B 多模态决策模型 Clef 已上线 Ollama，可在本地或云端运行。它把状态和一组带类型的提问作为输入，一次读完文本、JSON 或图像，同时给每个问题的每个答案打分，而不是逐词生成回复。在 Cloudflare 公布的 Jev Decision Index 评测中，Clef 在多数基准上高于 Jev，但 When2Call 与 BRIGHT 两项低于 Jev。

旋转声源定位长期受鬼影干扰：时域ROSI与频域MCB在阵列几何不受约束时都无法完全消除多普勒引起的虚假声源。一种以MCB导出的互谱矩阵为输入的ResNet网络直接输出声源强度分布，在16支麦克风、转速500至2500转每分、频率4500至5000赫兹的仿真中定位准确率最高达98.83%，单例推理在50毫秒以内。

旋转声源定位长期受鬼影干扰：时域ROSI与频域MCB在阵列几何不受约束时都无法完全消除多普勒引起的虚假声源。一种以MCB导出的互谱矩阵为输入的ResNet网络直接输出声源强度分布，在16支麦克风、转速500至2500转每分、频率4500至5000赫兹的仿真中定位准确率最高达98.83%，单例推理在50毫秒以内。

轻量医学图像分类网络的通道宽度不再逐层手工设定或交给架构搜索。此前Fibonacci-Net按固定二阶递推分配滤波器数，容量难以调节。Scaled m-BonacciNet用m-Bonacci递推的主根算出缩放系数，把原通道向量整体收窄，并在末段卷积改用深度可分离卷积；15类脑MRI上Tribonacci版本取得96.09%准确率和0.9581宏F1，参数约0.85百万、FLOPs约365.69百万，但4类脑MRI与CKD超声上部分版本精度下降。

轻量医学图像分类网络的通道宽度不再逐层手工设定或交给架构搜索。此前Fibonacci-Net按固定二阶递推分配滤波器数，容量难以调节。Scaled m-BonacciNet用m-Bonacci递推的主根算出缩放系数，把原通道向量整体收窄，并在末段卷积改用深度可分离卷积；15类脑MRI上Tribonacci版本取得96.09%准确率和0.9581宏F1，参数约0.85百万、FLOPs约365.69百万，但4类脑MRI与CKD超声上部分版本精度下降。

物联网设备认证正从一次性核验固定凭证转向持续核验设备行为。此前静态凭证与集中式信任在设备被攻破后难以察觉异常，且会暴露可识别标识。该方案用硬件行为指纹、联邦学习与差分隐私、轻量许可链和智能体编排组合成持续认证流程；在PP-IDE数据集的11台树莓派上，差分隐私把成员推断攻击成功率从48.2%降到12.4%，认证准确率为99.2%。

物联网设备认证正从一次性核验固定凭证转向持续核验设备行为。此前静态凭证与集中式信任在设备被攻破后难以察觉异常，且会暴露可识别标识。该方案用硬件行为指纹、联邦学习与差分隐私、轻量许可链和智能体编排组合成持续认证流程；在PP-IDE数据集的11台树莓派上，差分隐私把成员推断攻击成功率从48.2%降到12.4%，认证准确率为99.2%。

AMD将FSR Upscaling 4.1从Radeon RX 9000系列扩展到RX 6000系列显卡、Ryzen AI Max处理器、Ryzen AI 9笔记本以及多款掌机，Xbox Series X|S也即将支持。该技术用机器学习从低分辨率帧重建清晰画面，在RX 6000上相对此前可用的FSR 3.1带来明显的画质提升，用户无需购买新硬件。

AMD将FSR Upscaling 4.1从Radeon RX 9000系列扩展到RX 6000系列显卡、Ryzen AI Max处理器、Ryzen AI 9笔记本以及多款掌机，Xbox Series X|S也即将支持。该技术用机器学习从低分辨率帧重建清晰画面，在RX 6000上相对此前可用的FSR 3.1带来明显的画质提升，用户无需购买新硬件。