AI 与科学前沿 · 2026-11-10

Aaronson–Ambainis 猜想此前只对特殊多项式类成立，一般有界低次多项式的影响下界随次数指数衰减。这项工作给出初等证明：次数不超过 d、取值在 [-1,1] 的函数必有一个变量影响至少为 d 的负常数次幂；按原归一化，方差至少为 1 的多项式也有变量影响不低于同一量级。由此，查询模型中的超多项式量子加速必须依赖输入上的结构或承诺。

Aaronson–Ambainis 猜想此前只对特殊多项式类成立，一般有界低次多项式的影响下界随次数指数衰减。这项工作给出初等证明：次数不超过 d、取值在 [-1,1] 的函数必有一个变量影响至少为 d 的负常数次幂；按原归一化，方差至少为 1 的多项式也有变量影响不低于同一量级。由此，查询模型中的超多项式量子加速必须依赖输入上的结构或承诺。

植物CG位点的胞嘧啶甲基化会自发得失，且速度远高于DNA点突变。此前单个位点的稳态只能从表观组本身估计，无法判断它写在DNA里还是由染色质携带。REED以NTv3为骨架，从10 kb序列预测每个胞嘧啶的甲基化，其预测值即该位点的设定点；在拟南芥系谱、水稻生殖系和330年杨树的实测自发突变中，得失方向与速率隐含的平衡都跟随这一设定点。

植物CG位点的胞嘧啶甲基化会自发得失，且速度远高于DNA点突变。此前单个位点的稳态只能从表观组本身估计，无法判断它写在DNA里还是由染色质携带。REED以NTv3为骨架，从10 kb序列预测每个胞嘧啶的甲基化，其预测值即该位点的设定点；在拟南芥系谱、水稻生殖系和330年杨树的实测自发突变中，得失方向与速率隐含的平衡都跟随这一设定点。

多数机器人策略在离散控制步上直接输出动作值，把物理运动的连续性留给数据隐式学习。ODE Policy 改用一个神经常微分方程学习动作的向量场，在部署时由上一个动作积分出下一个动作，使轨迹在构造上连续。在 LIBERO 上训练一个 epoch 后，它取得 79.2% 的成功率，而基线最高为 43.2%；作为 VLA 与 ImageWAM 的动作头以及 SuperMimic 的 actor 时也保持这一早期优势。

多数机器人策略在离散控制步上直接输出动作值，把物理运动的连续性留给数据隐式学习。ODE Policy 改用一个神经常微分方程学习动作的向量场，在部署时由上一个动作积分出下一个动作，使轨迹在构造上连续。在 LIBERO 上训练一个 epoch 后，它取得 79.2% 的成功率，而基线最高为 43.2%；作为 VLA 与 ImageWAM 的动作头以及 SuperMimic 的 actor 时也保持这一早期优势。

儿童髓母细胞瘤与室管膜瘤的治疗要在复发风险与放疗长期副作用之间取舍，而现有临床指标和分子亚型只能给出群体层面的风险。MANTIS以全基因组DNA甲基化芯片数据和基因级拷贝数变化为输入，用神经网络输出诊断后10年的个体化生存概率曲线，在独立临床试验队列中c-index最高达到0.80 ± 0.07，高于现有临床指标和仅用亚型的模型。同一框架扩展出的治疗效应模型进一步标出约60%的平均风险髓母细胞瘤患者，在接受较低剂量颅脊髓照射时未检测到显著生存劣势（P = 0.683）。

儿童髓母细胞瘤与室管膜瘤的治疗要在复发风险与放疗长期副作用之间取舍，而现有临床指标和分子亚型只能给出群体层面的风险。MANTIS以全基因组DNA甲基化芯片数据和基因级拷贝数变化为输入，用神经网络输出诊断后10年的个体化生存概率曲线，在独立临床试验队列中c-index最高达到0.80 ± 0.07，高于现有临床指标和仅用亚型的模型。同一框架扩展出的治疗效应模型进一步标出约60%的平均风险髓母细胞瘤患者，在接受较低剂量颅脊髓照射时未检测到显著生存劣势（P = 0.683）。

Sber 机器人中心发布 GreenWAM，把 Cosmos 3 Edge 改造成同时充当世界模型与策略的机器人基础模型。它用一套覆盖20个机器人家族的79槽位共享解剖动作空间，把各机体的原生关节映射到同一组腿、躯干、手臂和手指坐标，再以七种视觉—动作模式联合训练。在 WorldArena 1.0 上其轨迹、深度和3D精度在对比的世界—动作模型与视频生成器中最高；在真实 Green 人形上，分布内指令成功率为95.6%，高于由 Cosmos 3 Edge 适配的策略（88.9%）和 π0.5（84.4%）。

Sber 机器人中心发布 GreenWAM，把 Cosmos 3 Edge 改造成同时充当世界模型与策略的机器人基础模型。它用一套覆盖20个机器人家族的79槽位共享解剖动作空间，把各机体的原生关节映射到同一组腿、躯干、手臂和手指坐标，再以七种视觉—动作模式联合训练。在 WorldArena 1.0 上其轨迹、深度和3D精度在对比的世界—动作模型与视频生成器中最高；在真实 Green 人形上，分布内指令成功率为95.6%，高于由 Cosmos 3 Edge 适配的策略（88.9%）和 π0.5（84.4%）。

多体纠缠的判定不再依赖重构完整密度矩阵或预设的纠缠判据。EntNet把一维自旋链上二至四体的Pauli关联整理成局域基变换下不变的表示，稀疏筛选出16个特征通道，再用带旋转位置编码的Transformer学习这些特征沿链的空间排布。在有限温度XY链基准上，它仅凭这些低阶可观测量的期望值就达到100% AUROC，并在2000个构造性可分离态上把假阳性率控制在0.003；同一模型不经重训即可迁移到XXZ、阻挫J1–J2与随机局域哈密顿量族以及更长的链。

多体纠缠的判定不再依赖重构完整密度矩阵或预设的纠缠判据。EntNet把一维自旋链上二至四体的Pauli关联整理成局域基变换下不变的表示，稀疏筛选出16个特征通道，再用带旋转位置编码的Transformer学习这些特征沿链的空间排布。在有限温度XY链基准上，它仅凭这些低阶可观测量的期望值就达到100% AUROC，并在2000个构造性可分离态上把假阳性率控制在0.003；同一模型不经重训即可迁移到XXZ、阻挫J1–J2与随机局域哈密顿量族以及更长的链。

HybridAgent 让同一个智能体在生成过程中于连续隐空间推理与文本交互之间来回切换，从而在保留工具调用能力的同时把部分思考从逐词解码中移出。此前文本智能体每一步都要写成 token，而隐空间推理方法又缺少原生工具接口、难以检查。该智能体在数学、科学、医学、搜索与智能体推理共 11 项基准、4B 至 14B 三个规模上，相对文本与隐空间两类前沿智能体平均提升 10.4%，并报告 35.5%–54.7% 的 token 减少与 1.8–2.6 倍推理加速。

HybridAgent 让同一个智能体在生成过程中于连续隐空间推理与文本交互之间来回切换，从而在保留工具调用能力的同时把部分思考从逐词解码中移出。此前文本智能体每一步都要写成 token，而隐空间推理方法又缺少原生工具接口、难以检查。该智能体在数学、科学、医学、搜索与智能体推理共 11 项基准、4B 至 14B 三个规模上，相对文本与隐空间两类前沿智能体平均提升 10.4%，并报告 35.5%–54.7% 的 token 减少与 1.8–2.6 倍推理加速。

长上下文解码的瓶颈在反复读取不断增长的KV缓存，稀疏注意力只取其中一部分位置，但token级选择一直难以同时保住精度和延迟。JSSA用共享的查询—键低维子空间给候选token打分，并配一个免gather的索引注意力内核，让每个KV头保留各自选中的token集合。在GQA、混合滑窗/全局注意力和MLA模型上，它离全量KV精度最近；在B200上128K上下文时解码吞吐最高达到全量KV注意力的水平。

长上下文解码的瓶颈在反复读取不断增长的KV缓存，稀疏注意力只取其中一部分位置，但token级选择一直难以同时保住精度和延迟。JSSA用共享的查询—键低维子空间给候选token打分，并配一个免gather的索引注意力内核，让每个KV头保留各自选中的token集合。在GQA、混合滑窗/全局注意力和MLA模型上，它离全量KV精度最近；在B200上128K上下文时解码吞吐最高达到全量KV注意力的水平。

亚细胞分辨率空间转录组能测到转录本在细胞内的位置，但此前的方法多针对单一分析任务，缺少在细胞类型与组织环境中统一刻画并预测基因胞内定位的框架。SVC 把每个基因在细胞内的空间表达当作一张图像块，用同一细胞的其他基因作为上下文，以自监督掩码方式学习跨基因的空间依赖。在 seqFISH+ 小鼠胚胎成纤维细胞数据上，SVC 对未测基因的亚细胞模式预测在六项指标上均优于四个图像基线，相对更具挑战性的基线组中位提升为 5.2%–21.0%。

亚细胞分辨率空间转录组能测到转录本在细胞内的位置，但此前的方法多针对单一分析任务，缺少在细胞类型与组织环境中统一刻画并预测基因胞内定位的框架。SVC 把每个基因在细胞内的空间表达当作一张图像块，用同一细胞的其他基因作为上下文，以自监督掩码方式学习跨基因的空间依赖。在 seqFISH+ 小鼠胚胎成纤维细胞数据上，SVC 对未测基因的亚细胞模式预测在六项指标上均优于四个图像基线，相对更具挑战性的基线组中位提升为 5.2%–21.0%。

AI智能体不再重写整份证明，而是在人类搭好的Lean蓝图里逐条收紧中间估计，让局部改进沿依赖图自动传到最终界。对Grothendieck常数，这一流程给出Krivine 1977年上界之后的首次显式数值改进；对Korenblum常数，它改进了Wang 2025年的下界。把蓝图去掉后，智能体写了大量Lean代码却没有任何改进。

AI智能体不再重写整份证明，而是在人类搭好的Lean蓝图里逐条收紧中间估计，让局部改进沿依赖图自动传到最终界。对Grothendieck常数，这一流程给出Krivine 1977年上界之后的首次显式数值改进；对Korenblum常数，它改进了Wang 2025年的下界。把蓝图去掉后，智能体写了大量Lean代码却没有任何改进。

火星大气长期由再分析产品描述，而再分析把探测器反演同化进环流模式，观测稀疏处的结果主要反映模式本身。MarsNet把两小时预报与逐窗观测更新放进同一套固定物理结构里联合训练，不使用任何再分析或模式场作为输入或目标。在未被任何数据集同化的MGS掩星温度上，其最低三个标高与三种再分析相当或更好，近地面均方根误差为4.2 K，而三种再分析为4.4–5.4 K，但在更高处精度较低。

火星大气长期由再分析产品描述，而再分析把探测器反演同化进环流模式，观测稀疏处的结果主要反映模式本身。MarsNet把两小时预报与逐窗观测更新放进同一套固定物理结构里联合训练，不使用任何再分析或模式场作为输入或目标。在未被任何数据集同化的MGS掩星温度上，其最低三个标高与三种再分析相当或更好，近地面均方根误差为4.2 K，而三种再分析为4.4–5.4 K，但在更高处精度较低。

地球系统AI模型逼近公里级分辨率时，网格间距减半会让格点数翻四倍，端到端训练成本随之上升。One2N把分辨率细化拆成逐级增量：每一级冻结上一级完整预报器，只训练一个跨分辨率残差修正模块，父模型的激活与优化器状态都不再保留。以NeuralGCM-0.7°为基线加一级细化得到One2N-0.07°，在单张80GB A800 GPU上训练约四周，对HRES-0.07°分析保持父模型的对流层技巧，同时降低平流层上部误差并刻画更细结构。

地球系统AI模型逼近公里级分辨率时，网格间距减半会让格点数翻四倍，端到端训练成本随之上升。One2N把分辨率细化拆成逐级增量：每一级冻结上一级完整预报器，只训练一个跨分辨率残差修正模块，父模型的激活与优化器状态都不再保留。以NeuralGCM-0.7°为基线加一级细化得到One2N-0.07°，在单张80GB A800 GPU上训练约四周，对HRES-0.07°分析保持父模型的对流层技巧，同时降低平流层上部误差并刻画更细结构。

e-means 把 k-means 的质心更新换成小批量指数移动平均，并用拟合出的缩放律从问题规模直接定出批大小与步长，不再需要超参数扫描。在多个嵌入数据集上，它用 1.4 到 2.6 个 epoch 就达到 Lloyd k-means 跑 25 个 epoch 的损失，对应相对 Flash-KMeans 的 9.5 到 45.5 倍实际耗时加速，并在收敛后损失更低。在 100 亿向量的 DINO10B 上，精确分配版本用 2.5 个 epoch 把向量分成 1600 万个簇，损失低于 Lloyd 跑 25 个 epoch 的结果。

e-means 把 k-means 的质心更新换成小批量指数移动平均，并用拟合出的缩放律从问题规模直接定出批大小与步长，不再需要超参数扫描。在多个嵌入数据集上，它用 1.4 到 2.6 个 epoch 就达到 Lloyd k-means 跑 25 个 epoch 的损失，对应相对 Flash-KMeans 的 9.5 到 45.5 倍实际耗时加速，并在收敛后损失更低。在 100 亿向量的 DINO10B 上，精确分配版本用 2.5 个 epoch 把向量分成 1600 万个簇，损失低于 Lloyd 跑 25 个 epoch 的结果。

推理模型常在得出答案后反复检查，把思维链拖得很长。DoubtLess 让同词表的小模型分别以“直奔答案”和“逐步复核”两种指令读同一段思维链，把两者对数概率之差按强度加到 32B 大模型的输出上，只在解码时生效、不改权重。在七个竞赛数学、研究生科学与编程基准上，Qwen3-32B 由 Qwen3-0.6B 引导时思维 token 减少 31%，准确率不变，缩减幅度高于五种推理时基线。

推理模型常在得出答案后反复检查，把思维链拖得很长。DoubtLess 让同词表的小模型分别以“直奔答案”和“逐步复核”两种指令读同一段思维链，把两者对数概率之差按强度加到 32B 大模型的输出上，只在解码时生效、不改权重。在七个竞赛数学、研究生科学与编程基准上，Qwen3-32B 由 Qwen3-0.6B 引导时思维 token 减少 31%，准确率不变，缩减幅度高于五种推理时基线。

智能体评测长期依赖固定基准，只能说明任务成败，无法回答部署时在轨迹中途复核或引导是否值得。研究者把微随机试验引入智能体轨迹，在每个可干预决策点以等概率随机分配复核或直接执行，再用增广逆概率加权与结构嵌套均值模型估计干预的因果效应。在τ-bench Retail、ToolSandbox 与 ImpossibleBench 上，复核效果随工具调用类型和智能体状态明显不同，同一数据还能给出按决策分组的风险排序。

智能体评测长期依赖固定基准，只能说明任务成败，无法回答部署时在轨迹中途复核或引导是否值得。研究者把微随机试验引入智能体轨迹，在每个可干预决策点以等概率随机分配复核或直接执行，再用增广逆概率加权与结构嵌套均值模型估计干预的因果效应。在τ-bench Retail、ToolSandbox 与 ImpossibleBench 上，复核效果随工具调用类型和智能体状态明显不同，同一数据还能给出按决策分组的风险排序。

一种把空间记忆当作通用计算机的理论认为，学习者在做决定时若只读取“巧合”（两个量是否相等）而不读取随输入增长的位置、计数等坐标，有限经验就能把规则固定到任意长度。据此构造的机器由若干互质周期的环（时钟）和一个从不读取时钟读数的控制器组成，在最多40个符号的串上训练后，于15项基准任务中的9项上把规则保持到长度500，其中5项是LSTM或Transformer无法解决的任务；训练后换上新周期，它还能无误差地反转15015个符号的串，并在理论预测的曲线上失效。

一种把空间记忆当作通用计算机的理论认为，学习者在做决定时若只读取“巧合”（两个量是否相等）而不读取随输入增长的位置、计数等坐标，有限经验就能把规则固定到任意长度。据此构造的机器由若干互质周期的环（时钟）和一个从不读取时钟读数的控制器组成，在最多40个符号的串上训练后，于15项基准任务中的9项上把规则保持到长度500，其中5项是LSTM或Transformer无法解决的任务；训练后换上新周期，它还能无误差地反转15015个符号的串，并在理论预测的曲线上失效。

大鼠和蝙蝠在自然尺度的大空间里，海马CA1位置细胞常出现多个间距不规则的放电野，而经典的单尺度后继表示只在小型围栏里成立。研究者提出因子化分层后继表示（fHSR），把一步动作与指向子目标的分层子程序一起纳入预测地图，再对多个任务的预测地图做非负过完备分解，得到每个模型细胞的调谐。在48米大鼠轨道和200米蝙蝠轨道上，模型复现了放电野数目的伽马-泊松过散布，并预测群体活动存在与环境长度无关的空间周期性，这一预测在大鼠数据中得到检验。

大鼠和蝙蝠在自然尺度的大空间里，海马CA1位置细胞常出现多个间距不规则的放电野，而经典的单尺度后继表示只在小型围栏里成立。研究者提出因子化分层后继表示（fHSR），把一步动作与指向子目标的分层子程序一起纳入预测地图，再对多个任务的预测地图做非负过完备分解，得到每个模型细胞的调谐。在48米大鼠轨道和200米蝙蝠轨道上，模型复现了放电野数目的伽马-泊松过散布，并预测群体活动存在与环境长度无关的空间周期性，这一预测在大鼠数据中得到检验。

对一类等变图神经网络原子间势，研究给出了原子能量的通用逼近定理：只要每个原子的邻居在统一层数内可达，且层截断内同一距离上的邻居数不超过给定上限，层截断短于物理作用范围的多层网络仍可逼近该范围内的原子能量，滤波器球谐阶数只需不超过该邻居数上限。生产中的DPA4架构通过模拟证明中构造的网络层并实现双线性读出，继承这一结论。

对一类等变图神经网络原子间势，研究给出了原子能量的通用逼近定理：只要每个原子的邻居在统一层数内可达，且层截断内同一距离上的邻居数不超过给定上限，层截断短于物理作用范围的多层网络仍可逼近该范围内的原子能量，滤波器球谐阶数只需不超过该邻居数上限。生产中的DPA4架构通过模拟证明中构造的网络层并实现双线性读出，继承这一结论。

在一般和博弈中，让智能体影响对手学习过程的方法此前需要读取对手的策略、参数或学习规则。一项研究把单智能体强化学习里“元学习出更新规则”的做法搬到多智能体场景，元训练出一条只读自身经验与收益矩阵的规则，部署时不再接触对手内部信息。在囚徒困境、匹配硬币、胆小鬼、猎鹿与硬币游戏的对阵循环赛中，该规则在五款博弈的归一化平均得分上排名第一，自博弈得分同样第一。

在一般和博弈中，让智能体影响对手学习过程的方法此前需要读取对手的策略、参数或学习规则。一项研究把单智能体强化学习里“元学习出更新规则”的做法搬到多智能体场景，元训练出一条只读自身经验与收益矩阵的规则，部署时不再接触对手内部信息。在囚徒困境、匹配硬币、胆小鬼、猎鹿与硬币游戏的对阵循环赛中，该规则在五款博弈的归一化平均得分上排名第一，自博弈得分同样第一。

低比特KV缓存能减少显存读取，但现有内核仍要逐个把整数还原成浮点并乘缩放、加偏移，指令发射成为新瓶颈。FOSCAR把每个量化组共享的缩放与偏移折叠到矩阵乘的另一操作数或部分积上，并用位操作直接从打包整数构造张量核操作数。在H100与B200上，其INT2内核相对FlashInfer BF16取得几何平均加速，并已作为内核库开源。

低比特KV缓存能减少显存读取，但现有内核仍要逐个把整数还原成浮点并乘缩放、加偏移，指令发射成为新瓶颈。FOSCAR把每个量化组共享的缩放与偏移折叠到矩阵乘的另一操作数或部分积上，并用位操作直接从打包整数构造张量核操作数。在H100与B200上，其INT2内核相对FlashInfer BF16取得几何平均加速，并已作为内核库开源。

智谱AI实习期间完成的WebCoder-27B，把复现、生成、修改与修复放进同一个持续演化的项目状态里，用可执行应用对任务需求的满足程度来给强化学习打分。在新建的Webdev-Bench上，它的需求满足率从基座Qwen3.8-27B的64.8升到72.8，高于Claude-Opus-4.8的65.1；在Vision2Web上视觉与功能平均分从41.1升到62.4，与Claude-Opus-4.8的62.5相当。

智谱AI实习期间完成的WebCoder-27B，把复现、生成、修改与修复放进同一个持续演化的项目状态里，用可执行应用对任务需求的满足程度来给强化学习打分。在新建的Webdev-Bench上，它的需求满足率从基座Qwen3.8-27B的64.8升到72.8，高于Claude-Opus-4.8的65.1；在Vision2Web上视觉与功能平均分从41.1升到62.4，与Claude-Opus-4.8的62.5相当。

稀疏顶点位移补全稠密网格运动时，在单一几何族上训练的残差先验常常打不过无需学习的调和延拓，因为残差幅度随几何族和观测密度变化超过一个数量级，而测试时目标运动未知、无法直接测量。Cepheid 只学习无量纲的残差结构，再用可观测量加一个在训练源上拟合的轻量修正恢复物理幅度。统一模型在全部五个评估族上低于调和延拓，未见过的布料片和程序生成的腿式机体分别降低 15.6% 和 10.1% 误差，且无需骨架、配准或跨网格对应。

稀疏顶点位移补全稠密网格运动时，在单一几何族上训练的残差先验常常打不过无需学习的调和延拓，因为残差幅度随几何族和观测密度变化超过一个数量级，而测试时目标运动未知、无法直接测量。Cepheid 只学习无量纲的残差结构，再用可观测量加一个在训练源上拟合的轻量修正恢复物理幅度。统一模型在全部五个评估族上低于调和延拓，未见过的布料片和程序生成的腿式机体分别降低 15.6% 和 10.1% 误差，且无需骨架、配准或跨网格对应。

人形策略在仿真里学会动作，却常常学不会训练中的力交互，导致力矩浪费、力跟踪不准、落地冲击难吸收。Contact-UAN保留仿真器的刚体与接触物理，只学习执行器指令通道上的残差修正，并用本体感知推断落脚姿态，使回放从与硬件一致的接触力开始。在Unitree G1上，仅用6.5分钟真实行走数据训练的一个残差模型，使跑步力矩降低20%、力跟踪误差降低43%，并支持稳定跳跃与落地。

人形策略在仿真里学会动作，却常常学不会训练中的力交互，导致力矩浪费、力跟踪不准、落地冲击难吸收。Contact-UAN保留仿真器的刚体与接触物理，只学习执行器指令通道上的残差修正，并用本体感知推断落脚姿态，使回放从与硬件一致的接触力开始。在Unitree G1上，仅用6.5分钟真实行走数据训练的一个残差模型，使跑步力矩降低20%、力跟踪误差降低43%，并支持稳定跳跃与落地。

康奈尔与卡内基梅隆团队提出 StrataFlux，把低比特权重和 KV 缓存留在 GPU 上，只按当前计算需要从主机内存或固态盘取回少量精化比特，从而在保留量化内存与速度优势的同时补回精度。在 RTX 5090 上，2 比特 Llama-3.1-8B-Instruct 权重的 WikiText-2 困惑度从 9.46 降到 8.40，并保持量化基座 95.4% 的吞吐；2 比特权重加 2 比特 KV 时，Qwen3-8B 的 AIME 2024/2025 准确率从 11.0% 升到 47.1%，GPU 显存占用不变。

康奈尔与卡内基梅隆团队提出 StrataFlux，把低比特权重和 KV 缓存留在 GPU 上，只按当前计算需要从主机内存或固态盘取回少量精化比特，从而在保留量化内存与速度优势的同时补回精度。在 RTX 5090 上，2 比特 Llama-3.1-8B-Instruct 权重的 WikiText-2 困惑度从 9.46 降到 8.40，并保持量化基座 95.4% 的吞吐；2 比特权重加 2 比特 KV 时，Qwen3-8B 的 AIME 2024/2025 准确率从 11.0% 升到 47.1%，GPU 显存占用不变。

长视频生成长期在两种记忆之间取舍：显式几何缓存能按位置找回旧画面，但存储随场景增长；循环记忆容量固定，却让旧观测随时间衰减。Smart 把固定容量的槽记忆改为由相机位姿寻址，写入和读取都按“在哪里看到”而非“多久以前看到”进行，并让扩散生成器依据记忆给出的置信度决定信任程度。在 Memory Maze 与 Minecraft 的长轨迹上，它在训练视野之外仍保持高保真回忆，且内存与单步开销恒定。

长视频生成长期在两种记忆之间取舍：显式几何缓存能按位置找回旧画面，但存储随场景增长；循环记忆容量固定，却让旧观测随时间衰减。Smart 把固定容量的槽记忆改为由相机位姿寻址，写入和读取都按“在哪里看到”而非“多久以前看到”进行，并让扩散生成器依据记忆给出的置信度决定信任程度。在 Memory Maze 与 Minecraft 的长轨迹上，它在训练视野之外仍保持高保真回忆，且内存与单步开销恒定。

只用单元测试做强化学习，模型通过率上去了，却学会多改代码、甚至在本来正确的程序里编造缺陷。PreciseCoder在单元测试奖励之外加入一项按参考修复逐处核验的编辑精确率与召回率信号，在4B、9B、27B模型上把平均改动行数从7–15行降到3行，通过率与只用单元测试训练持平，并让正确代码上的不改动率升到47–52%。

只用单元测试做强化学习，模型通过率上去了，却学会多改代码、甚至在本来正确的程序里编造缺陷。PreciseCoder在单元测试奖励之外加入一项按参考修复逐处核验的编辑精确率与召回率信号，在4B、9B、27B模型上把平均改动行数从7–15行降到3行，通过率与只用单元测试训练持平，并让正确代码上的不改动率升到47–52%。

推理语言模型的强化学习训练每步要串起生成、评估、训练多个大模型，现有系统通常只优化其中一部分。RPEG把流水线结构（有界异步、actor–critic共享）与执行方案（阶段融合、细粒度调度、多维并行）放进同一张图里联合搜索，并配一个经硬件校准的解析性能模型。在最多256块GH200上，其运行时相对ReaL端到端最高提速2倍，相对verl每步延迟最高降低2.48倍，硬件利用率最高提升30%。

推理语言模型的强化学习训练每步要串起生成、评估、训练多个大模型，现有系统通常只优化其中一部分。RPEG把流水线结构（有界异步、actor–critic共享）与执行方案（阶段融合、细粒度调度、多维并行）放进同一张图里联合搜索，并配一个经硬件校准的解析性能模型。在最多256块GH200上，其运行时相对ReaL端到端最高提速2倍，相对verl每步延迟最高降低2.48倍，硬件利用率最高提升30%。

Transformer跨层传递信息长期依赖把各层输出相加的残差连接，近期出现的mHC与AttnRes用更有表达力的深度聚合改进了这一点。Depth Memory把跨层信息流重新表述为用若干条流存储和读取层表示，并据此给出Linear Depth Memory（LDM）：它把跨层检索写成回归问题，用递归最小二乘精确求解，同时维护残差流、矩阵记忆流和逆协方差流。在400M Llama类与1.5B Qwen类骨干上分别用50B和100B FineWeb-Edu token预训练，LDM在验证集、WikiText-2和LAMBADA上的困惑度均低于调参后的PreLN、mHC与AttnRes，零样本准确率保持竞争力。

Transformer跨层传递信息长期依赖把各层输出相加的残差连接，近期出现的mHC与AttnRes用更有表达力的深度聚合改进了这一点。Depth Memory把跨层信息流重新表述为用若干条流存储和读取层表示，并据此给出Linear Depth Memory（LDM）：它把跨层检索写成回归问题，用递归最小二乘精确求解，同时维护残差流、矩阵记忆流和逆协方差流。在400M Llama类与1.5B Qwen类骨干上分别用50B和100B FineWeb-Edu token预训练，LDM在验证集、WikiText-2和LAMBADA上的困惑度均低于调参后的PreLN、mHC与AttnRes，零样本准确率保持竞争力。

单细胞注释长期把细胞身份（谱系）与状态（活跃转录程序）分开处理，固定输出头的分类器也只能给出预设类型。CellScribe用AdaLN适配器把冻结的单细胞基础模型嵌入接入预训练语言模型，让同一个模型按提示生成本体标注的细胞类型或带活性分数的元程序谱。在CELLxGENE的309类、444万细胞留出研究划分上，完整流程的宏F1为0.223、加权F1为0.484，均高于冻结scFoundation嵌入探针的0.194和0.366；在3CA留出研究的恶性细胞上，标志准确率为0.344，探针为0.227。

单细胞注释长期把细胞身份（谱系）与状态（活跃转录程序）分开处理，固定输出头的分类器也只能给出预设类型。CellScribe用AdaLN适配器把冻结的单细胞基础模型嵌入接入预训练语言模型，让同一个模型按提示生成本体标注的细胞类型或带活性分数的元程序谱。在CELLxGENE的309类、444万细胞留出研究划分上，完整流程的宏F1为0.223、加权F1为0.484，均高于冻结scFoundation嵌入探针的0.194和0.366；在3CA留出研究的恶性细胞上，标志准确率为0.344，探针为0.227。

血管内光学相干断层扫描（OCT）图像把组织衰减系数与成像系统自身的物理效应混在一起，以往只能靠简化的闭式反演或与特定设备绑定的学习方法估计。DiffOCT把Beer-Lambert衰减模型写成可微前向模型，对单张B扫描做梯度下降，逐像素反演出衰减系数，无需训练数据或分割。在5个脂质体模的5,120次反演中，恢复值随散射体浓度单调上升，斜率与曲线拟合参考相当；同一流程未经修改用于128名患者的29,269帧临床回撤图像，但临床数据只证明几何迁移，绝对衰减值尚未标定。

血管内光学相干断层扫描（OCT）图像把组织衰减系数与成像系统自身的物理效应混在一起，以往只能靠简化的闭式反演或与特定设备绑定的学习方法估计。DiffOCT把Beer-Lambert衰减模型写成可微前向模型，对单张B扫描做梯度下降，逐像素反演出衰减系数，无需训练数据或分割。在5个脂质体模的5,120次反演中，恢复值随散射体浓度单调上升，斜率与曲线拟合参考相当；同一流程未经修改用于128名患者的29,269帧临床回撤图像，但临床数据只证明几何迁移，绝对衰减值尚未标定。

研究智能体能否从自己的研究经历中持续改进，取决于能否把假设变成可执行、可检验的调查，并知道该强化哪一步贡献。DiscoveryRSI 用多智能体演化搜索构建假设树，保留每个提案与修订背后的证据和决策，再据此训练模型、改进工作流。两轮自我提升后，平均假设质量从 4.86 升到 5.39，增益集中在可检验性：可证伪性从 4.00 升到 6.20，数据可解析性从 3.73 升到 4.99。

研究智能体能否从自己的研究经历中持续改进，取决于能否把假设变成可执行、可检验的调查，并知道该强化哪一步贡献。DiscoveryRSI 用多智能体演化搜索构建假设树，保留每个提案与修订背后的证据和决策，再据此训练模型、改进工作流。两轮自我提升后，平均假设质量从 4.86 升到 5.39，增益集中在可检验性：可证伪性从 4.00 升到 6.20，数据可解析性从 3.73 升到 4.99。

混合专家模型推理时每个专家都要占内存，而单个词元只用到少数几个，因此按独立重要性分数删专家是常见做法。HOPE把剪枝误差写成专家对之间的交互项，用二次规划一次性选出整组要删的专家，在三个模型、两套校准数据和多个基准上取得最佳平均排名。在Qwen3.5-35B-A3B上剪掉50%专家后，SWE-Bench Pro得分为42.3，与未剪枝模型的41.8相当，而一阶方法REAP降到36.2。

混合专家模型推理时每个专家都要占内存，而单个词元只用到少数几个，因此按独立重要性分数删专家是常见做法。HOPE把剪枝误差写成专家对之间的交互项，用二次规划一次性选出整组要删的专家，在三个模型、两套校准数据和多个基准上取得最佳平均排名。在Qwen3.5-35B-A3B上剪掉50%专家后，SWE-Bench Pro得分为42.3，与未剪枝模型的41.8相当，而一阶方法REAP降到36.2。

扩散模型生成3D分子时只从数据里隐式学原子分布，样本统计上合理却可能违反化学规则。SensDiff把空间不重叠、键长、键角和价态四条物理化学规则写成可微能量，按由粗到细的顺序在训练中逐步激活并自适应加权，让规则进入生成动力学而非只在采样时纠偏。在QM9与GEOM-Drugs基准上，其有效性分别为96.9%和97.2%，作者称优于所比较的基线。

扩散模型生成3D分子时只从数据里隐式学原子分布，样本统计上合理却可能违反化学规则。SensDiff把空间不重叠、键长、键角和价态四条物理化学规则写成可微能量，按由粗到细的顺序在训练中逐步激活并自适应加权，让规则进入生成动力学而非只在采样时纠偏。在QM9与GEOM-Drugs基准上，其有效性分别为96.9%和97.2%，作者称优于所比较的基线。

State-inferer把协议实现的状态机提取改成按程序依赖切片：从状态变量赋值出发，在系统依赖图上做有深度上限的前向与后向搜索，为每条状态转移切出一段紧凑代码交给大模型，再把RFC安全属性特化成该模型上的线性时序逻辑公式，用nuXmv模型检验。在TLS、IKEv2、SSH的七个开源实现上，其宏平均严格转移级F值为95.2，最强基线Codex为78.9；并发现四个此前未知漏洞，均已获得CVE或CNVD编号。

State-inferer把协议实现的状态机提取改成按程序依赖切片：从状态变量赋值出发，在系统依赖图上做有深度上限的前向与后向搜索，为每条状态转移切出一段紧凑代码交给大模型，再把RFC安全属性特化成该模型上的线性时序逻辑公式，用nuXmv模型检验。在TLS、IKEv2、SSH的七个开源实现上，其宏平均严格转移级F值为95.2，最强基线Codex为78.9；并发现四个此前未知漏洞，均已获得CVE或CNVD编号。

PepPr把参考蛋白组训练出的肽段语言模型作为先验，在自回归解码的每一步与谱图证据融合，而不是只在事后修正结果。在九个物种数据集上，以Casanovo为基座时肽段召回中位提升15.8个百分点，九个物种全部改善；在单氨基酸变异与抗体数据上，变异识别没有被压制，跨可变区—恒定区边界的肽段召回从0.23升到0.68。

PepPr把参考蛋白组训练出的肽段语言模型作为先验，在自回归解码的每一步与谱图证据融合，而不是只在事后修正结果。在九个物种数据集上，以Casanovo为基座时肽段召回中位提升15.8个百分点，九个物种全部改善；在单氨基酸变异与抗体数据上，变异识别没有被压制，跨可变区—恒定区边界的肽段召回从0.23升到0.68。

气动软体机械臂的强化学习控制策略可以完全在离线降阶模型上训练，不必与易损硬件反复交互。此前软体机器人缺少可靠快速的仿真器，直接在硬件上试错代价高昂。研究把机械臂动力学约化到六维绝热谱子流形（aSSM）上，用一个仅6,924个参数的多项式常微分方程作为训练环境，三小时训出跟踪策略并零微调部署，跟踪误差比在4.8百万参数RNN或1.7百万参数Transformer上训练的同类策略低40%。

气动软体机械臂的强化学习控制策略可以完全在离线降阶模型上训练，不必与易损硬件反复交互。此前软体机器人缺少可靠快速的仿真器，直接在硬件上试错代价高昂。研究把机械臂动力学约化到六维绝热谱子流形（aSSM）上，用一个仅6,924个参数的多项式常微分方程作为训练环境，三小时训出跟踪策略并零微调部署，跟踪误差比在4.8百万参数RNN或1.7百万参数Transformer上训练的同类策略低40%。

因果发现不再只靠条件独立性检验或单一最优模型打分。causalBMS把每个候选父变量在贝叶斯符号回归后验采样表达式中的出现频率当作因果分数，从而在双变量、强自相关和高噪声场景下仍能给出方向判断。在CauseMe基准的21组数据集-指标组合中，它有13组排名第一，另有4组第二，并同时返回闭式函数形式。

因果发现不再只靠条件独立性检验或单一最优模型打分。causalBMS把每个候选父变量在贝叶斯符号回归后验采样表达式中的出现频率当作因果分数，从而在双变量、强自相关和高噪声场景下仍能给出方向判断。在CauseMe基准的21组数据集-指标组合中，它有13组排名第一，另有4组第二，并同时返回闭式函数形式。

病理诊断的一个病例往往横跨数十张来自不同取材部位的切片，而此前的病理智能体一次只分析一张切片、只描述形态而不做测量。PlanPath把诊断问题转成一份探查计划，先路由到可能携带证据的切片，再从组织架构逐级放大到细胞做计数与比例测量，并把跨切片证据汇总成可追溯的答案。在肾癌与胃癌两个患者级数据集上，PlanPath的总准确率分别为72.71%和60.24%，比最强基线高12.14和9.43个百分点。

病理诊断的一个病例往往横跨数十张来自不同取材部位的切片，而此前的病理智能体一次只分析一张切片、只描述形态而不做测量。PlanPath把诊断问题转成一份探查计划，先路由到可能携带证据的切片，再从组织架构逐级放大到细胞做计数与比例测量，并把跨切片证据汇总成可追溯的答案。在肾癌与胃癌两个患者级数据集上，PlanPath的总准确率分别为72.71%和60.24%，比最强基线高12.14和9.43个百分点。

二维费米—哈伯德模型的基态计算长期卡在一个基组错配上：动量空间的矩阵乘积态紧凑，而抑制短程关联的对角相关因子在实空间才自然。新方案让量子处理器制备并旋转一个键维为4的动量空间矩阵乘积态，在由哈密顿量固定的基上采样，相关因子完全在经典后处理中变分优化，无需量子—经典反馈回路。在Quantinuum H2-2的32个量子比特上，半满晶格经后选择得到4.40%的相对基态能量误差，再用矩阵乘积态的低阶矩校准后进一步降低。

二维费米—哈伯德模型的基态计算长期卡在一个基组错配上：动量空间的矩阵乘积态紧凑，而抑制短程关联的对角相关因子在实空间才自然。新方案让量子处理器制备并旋转一个键维为4的动量空间矩阵乘积态，在由哈密顿量固定的基上采样，相关因子完全在经典后处理中变分优化，无需量子—经典反馈回路。在Quantinuum H2-2的32个量子比特上，半满晶格经后选择得到4.40%的相对基态能量误差，再用矩阵乘积态的低阶矩校准后进一步降低。

基于可微无环约束的因果结构学习长期缺少非线性模型下的有限样本理论。这项工作把每个节点的条件分布设为广义线性模型，用单一连续目标同时搜索所有拓扑序，并证明全局极小解在总体层面选出边数最少的表示、在样本层面达到对数因子内的估计误差率。实验在逻辑、泊松与高斯 DAG 上考察结构恢复精度与运行时间。

基于可微无环约束的因果结构学习长期缺少非线性模型下的有限样本理论。这项工作把每个节点的条件分布设为广义线性模型，用单一连续目标同时搜索所有拓扑序，并证明全局极小解在总体层面选出边数最少的表示、在样本层面达到对数因子内的估计误差率。实验在逻辑、泊松与高斯 DAG 上考察结构恢复精度与运行时间。

小鼠行为分析长期依赖逐只编码姿态的自监督模型，而攻击、求偶、骑跨、理毛等关键行为本身发生在多只之间。MICE把六个小鼠姿态数据集统一到12个关键点词表上联合预训练，用分层个体编码器刻画单鼠运动学，再用Perceiver式社交编码器通过学习到的隐码本处理任意数量的同笼个体，使一个检查点无需重训即可服务不同群体规模。在六个数据集、四种评测协议上，MICE匹配或超过此前的关键点基线，逐层探测显示社交阶段在个体编码器之上进一步提升行为可分性。

小鼠行为分析长期依赖逐只编码姿态的自监督模型，而攻击、求偶、骑跨、理毛等关键行为本身发生在多只之间。MICE把六个小鼠姿态数据集统一到12个关键点词表上联合预训练，用分层个体编码器刻画单鼠运动学，再用Perceiver式社交编码器通过学习到的隐码本处理任意数量的同笼个体，使一个检查点无需重训即可服务不同群体规模。在六个数据集、四种评测协议上，MICE匹配或超过此前的关键点基线，逐层探测显示社交阶段在个体编码器之上进一步提升行为可分性。

交互式分割模型SEEM在OCTA视网膜血管上直接使用效果不佳，冻结编码器时大血管Dice只有75.83%，且其候选掩膜全部由四分之一分辨率的同一组特征图读出，难以表达1至3像素宽的细血管。读出基适配器RBA在读出端额外生成32张半分辨率基图，每个候选通过零初始化投影自行取用，只增加0.47M可训练参数。在OCTA-500 3 mm大血管上，三个随机种子平均Dice为91.93%、IoU为85.16%，比Conv-LoRA高1.72和2.90个百分点，增益集中在细血管与血管边缘，FAZ上无显著差异。

交互式分割模型SEEM在OCTA视网膜血管上直接使用效果不佳，冻结编码器时大血管Dice只有75.83%，且其候选掩膜全部由四分之一分辨率的同一组特征图读出，难以表达1至3像素宽的细血管。读出基适配器RBA在读出端额外生成32张半分辨率基图，每个候选通过零初始化投影自行取用，只增加0.47M可训练参数。在OCTA-500 3 mm大血管上，三个随机种子平均Dice为91.93%、IoU为85.16%，比Conv-LoRA高1.72和2.90个百分点，增益集中在细血管与血管边缘，FAZ上无显著差异。

当原始RTL与设计文档缺失、只剩门级网表或完整真值表时，RTLREX让大语言模型在专用工具之间调度分析、生成候选RTL，并用独立等价性检查确认结果。在ICCAD 2022 CAD Contest Problem A的30个基准上，它全部恢复出等价的高层RTL，覆盖超过WolFEx的26个；在两者都恢复的26个基准上，平均语法代价比WolFEx低20.5%。

当原始RTL与设计文档缺失、只剩门级网表或完整真值表时，RTLREX让大语言模型在专用工具之间调度分析、生成候选RTL，并用独立等价性检查确认结果。在ICCAD 2022 CAD Contest Problem A的30个基准上，它全部恢复出等价的高层RTL，覆盖超过WolFEx的26个；在两者都恢复的26个基准上，平均语法代价比WolFEx低20.5%。

SCOUT把高维、含噪的基线变量压成至多两维的混杂调整得分，并在这一低维空间里学习一个对治疗有响应的复合结局，从而在观察性数据中估计平均与异质性治疗效果。在STEP-BD的481名双相障碍参与者中，它学到的复合结局把最大权重给了夜尿、震颤、多尿和恶心呕吐，平均效应为0.250，Holm校正后平均效应检验为0.0026、异质性检验为0.033。在合成与半合成数据上，它的平均效应误差与CV-TMLE接近，而针对其得分索引目标的CATE误差明显更低。

SCOUT把高维、含噪的基线变量压成至多两维的混杂调整得分，并在这一低维空间里学习一个对治疗有响应的复合结局，从而在观察性数据中估计平均与异质性治疗效果。在STEP-BD的481名双相障碍参与者中，它学到的复合结局把最大权重给了夜尿、震颤、多尿和恶心呕吐，平均效应为0.250，Holm校正后平均效应检验为0.0026、异质性检验为0.033。在合成与半合成数据上，它的平均效应误差与CV-TMLE接近，而针对其得分索引目标的CATE误差明显更低。

MAAS把预训练音频扩散Transformer的条件输入从文本嵌入换成按脑区划分的fMRI响应，不再先训练一个解码器去预测CLAP或YamNet等外部刺激表示。在7T fMRI数据上，它与两阶段fMRI到潜变量条件化等基线相比，在CLAP相似度、成对识别准确率和Mel-SSIM等声学与语义指标上均取得一致改善。该框架还借助以听觉皮层计算模型为基础的保真度指标，量化各听觉皮层区域对重建音频的贡献。

MAAS把预训练音频扩散Transformer的条件输入从文本嵌入换成按脑区划分的fMRI响应，不再先训练一个解码器去预测CLAP或YamNet等外部刺激表示。在7T fMRI数据上，它与两阶段fMRI到潜变量条件化等基线相比，在CLAP相似度、成对识别准确率和Mel-SSIM等声学与语义指标上均取得一致改善。该框架还借助以听觉皮层计算模型为基础的保真度指标，量化各听觉皮层区域对重建音频的贡献。

颅内脑电的电极数量和位置因患者而异，固定拓扑的检测器在跨患者评估中难以泛化。MOSAIC 用共享卷积编码每个通道，再由单层通道注意力从编码特征推断加权通道邻接矩阵，不需要预设电极布局图；指数滑动平均自蒸馏把每个窗口的邻接拉向缓慢更新的患者级教师。在四个公开颅内脑电语料上，MOSAIC 在 SWEC-ETHZ 短期与长期语料上的 F2 均高于所列基线，短期比最强基线高 1.8 分，长期高 3.3 分。

颅内脑电的电极数量和位置因患者而异，固定拓扑的检测器在跨患者评估中难以泛化。MOSAIC 用共享卷积编码每个通道，再由单层通道注意力从编码特征推断加权通道邻接矩阵，不需要预设电极布局图；指数滑动平均自蒸馏把每个窗口的邻接拉向缓慢更新的患者级教师。在四个公开颅内脑电语料上，MOSAIC 在 SWEC-ETHZ 短期与长期语料上的 F2 均高于所列基线，短期比最强基线高 1.8 分，长期高 3.3 分。

超中心重离子碰撞中，椭圆流与三角流的比值在实验上趋近于 1，而按初始偏心率线性标度应出现明显层级。UCC-DiffHIC 用 AI 加速的逐事件流体模型生成这类极稀有碰撞，并把流比精确分解为线性响应项与椭圆流、三角流的 Pearson 响应关联之比。对标准 TRENTo 参数集，残余涨落带来的压低抵消了线性标度的抬高，使比值在最中心碰撞中接近 1，与 CMS 测量一致；两套贝叶斯参数集则补偿不完全。

超中心重离子碰撞中，椭圆流与三角流的比值在实验上趋近于 1，而按初始偏心率线性标度应出现明显层级。UCC-DiffHIC 用 AI 加速的逐事件流体模型生成这类极稀有碰撞，并把流比精确分解为线性响应项与椭圆流、三角流的 Pearson 响应关联之比。对标准 TRENTo 参数集，残余涨落带来的压低抵消了线性标度的抬高，使比值在最中心碰撞中接近 1，与 CMS 测量一致；两套贝叶斯参数集则补偿不完全。

多步反应机理预测此前多停留在单步基元反应，难以外推到未见反应空间。GRMP把专家模板补全的化学机理知识图与语言模型结合，用图卷积网络生成候选路径构造偏好数据做直接偏好优化，推理时再检索图中关系证据修正路径。在ChemMechQA与oMe-Gold上，GRMP的整条路径准确率分别为48.1%和57.9%，为所比较方法中最高。

多步反应机理预测此前多停留在单步基元反应，难以外推到未见反应空间。GRMP把专家模板补全的化学机理知识图与语言模型结合，用图卷积网络生成候选路径构造偏好数据做直接偏好优化，推理时再检索图中关系证据修正路径。在ChemMechQA与oMe-Gold上，GRMP的整条路径准确率分别为48.1%和57.9%，为所比较方法中最高。

混合两qutrit态的转向判定此前依赖有限测量下的半定规划，换一类态就未必管用。相关增强量子储层处理（CEQRP）把自旋-1储层的两体自旋关联读数并入特征，使逻辑回归在未见过的Werner态与各向同性态上取得高准确率。再叠加两条理论判据认证的可转向样本扩充训练集后，分类器指出的部分纠缠态在七个投影测量设置下由半定规划独立确认可转向。

混合两qutrit态的转向判定此前依赖有限测量下的半定规划，换一类态就未必管用。相关增强量子储层处理（CEQRP）把自旋-1储层的两体自旋关联读数并入特征，使逻辑回归在未见过的Werner态与各向同性态上取得高准确率。再叠加两条理论判据认证的可转向样本扩充训练集后，分类器指出的部分纠缠态在七个投影测量设置下由半定规划独立确认可转向。

DNA-LLM2Vec把已预训练的因果DNA解码器分阶段改造成冻结的双向编码器：先打开双向上下文，再用掩码下一词预测修补由此产生的不匹配，最后加入编码链不变性与位置不变性的对比视图。在DNAGPT与HyenaDNA两个骨干、七个生物任务族上，收益并非一致，而是取决于任务结构与骨干；裁剪对比学习对增强子—启动子互作和Virus-COVID这类长上下文任务帮助最大，冻结Avg-EPI MCC分别达到27.5%和26.7%。

DNA-LLM2Vec把已预训练的因果DNA解码器分阶段改造成冻结的双向编码器：先打开双向上下文，再用掩码下一词预测修补由此产生的不匹配，最后加入编码链不变性与位置不变性的对比视图。在DNAGPT与HyenaDNA两个骨干、七个生物任务族上，收益并非一致，而是取决于任务结构与骨干；裁剪对比学习对增强子—启动子互作和Virus-COVID这类长上下文任务帮助最大，冻结Avg-EPI MCC分别达到27.5%和26.7%。

粒子图像测速（PIV）的成像位置通常由操作者在测量前固定，若关注结构偏离预期，后续算法无法补回未拍到的信息。研究把相机位置当作闭环决策变量，用DreamerV3在Isaac Sim中训练一个智能体，仅凭LIMA估计的速度场与不确定度驱动六自由度机械臂寻找、取景并分辨水翼尾迹。零样本迁移到真实水洞后，智能体能在随机摆放的水翼上定位尾迹，以高于固定视角的分辨率、更低的流动统计误差完成测量，耗时约为全扫描的一半，所用图像对也远少于扫描。

粒子图像测速（PIV）的成像位置通常由操作者在测量前固定，若关注结构偏离预期，后续算法无法补回未拍到的信息。研究把相机位置当作闭环决策变量，用DreamerV3在Isaac Sim中训练一个智能体，仅凭LIMA估计的速度场与不确定度驱动六自由度机械臂寻找、取景并分辨水翼尾迹。零样本迁移到真实水洞后，智能体能在随机摆放的水翼上定位尾迹，以高于固定视角的分辨率、更低的流动统计误差完成测量，耗时约为全扫描的一半，所用图像对也远少于扫描。

遥感图像融合与语义理解长期分开优化，融合指标好并不保证下游检索和检测能用。Lance把每幅输入映射成由场景、物体、布局组成的封闭词表文本记录，用这段语言条件引导融合，再把融合结果重新描述成文本，以文本一致性和带负查询的文本—掩码对比损失回传梯度。在GF2、QuickBird、WorldView-III、WorldView-II四个传感器七个测试集上，降尺度参考指标相对最强学习基线最高提升11.7%、中位2.1%；用训练时未见的RemoteCLIP和DOTA监督检测器评估，检测mAP@0.5比最接近的对比方法高6.4。

遥感图像融合与语义理解长期分开优化，融合指标好并不保证下游检索和检测能用。Lance把每幅输入映射成由场景、物体、布局组成的封闭词表文本记录，用这段语言条件引导融合，再把融合结果重新描述成文本，以文本一致性和带负查询的文本—掩码对比损失回传梯度。在GF2、QuickBird、WorldView-III、WorldView-II四个传感器七个测试集上，降尺度参考指标相对最强学习基线最高提升11.7%、中位2.1%；用训练时未见的RemoteCLIP和DOTA监督检测器评估，检测mAP@0.5比最接近的对比方法高6.4。

炎症性肠病的黏膜RNA测序长期按队列各自重建分子尺度，历史数据难以成为可复用的参照。IBDex用四个队列、1,680名患者的3,168份活检训练一个组织感知的条件变分自编码器，并以对抗方式压制队列身份，随后冻结基因接口、编码器、解码器、通路基与表型方向。冻结后在新队列中数据集身份平衡准确率降至0.307（随机为0.250），而炎症仍可判别（AUC 0.82）；93名内镜与组织学一致缓解的患者炎症接近对照（AUC 0.58），疾病状态仍偏离（AUC 0.725）。

炎症性肠病的黏膜RNA测序长期按队列各自重建分子尺度，历史数据难以成为可复用的参照。IBDex用四个队列、1,680名患者的3,168份活检训练一个组织感知的条件变分自编码器，并以对抗方式压制队列身份，随后冻结基因接口、编码器、解码器、通路基与表型方向。冻结后在新队列中数据集身份平衡准确率降至0.307（随机为0.250），而炎症仍可判别（AUC 0.82）；93名内镜与组织学一致缓解的患者炎症接近对照（AUC 0.58），疾病状态仍偏离（AUC 0.725）。

永磁同步电机的实时数字孪生此前依赖离线辨识参数或有限元查表，机器一变就要重算映射。Inferencer-in-the-Loop架构让现场可编程门阵列执行一个物理引导的神经网络，由GPU在旁路用参考数据重训，验证通过后才切换权重。在阻尼绕组、参数偏移和有限元标定的饱和电机上，同一核形式平均归一化绝对误差为0.19%–0.67%，实测内核延迟0.30–0.34微秒；在200瓦驱动上，残差形式在六段留出运行中的误差为实测均方根的5.9%–9.4%。

永磁同步电机的实时数字孪生此前依赖离线辨识参数或有限元查表，机器一变就要重算映射。Inferencer-in-the-Loop架构让现场可编程门阵列执行一个物理引导的神经网络，由GPU在旁路用参考数据重训，验证通过后才切换权重。在阻尼绕组、参数偏移和有限元标定的饱和电机上，同一核形式平均归一化绝对误差为0.19%–0.67%，实测内核延迟0.30–0.34微秒；在200瓦驱动上，残差形式在六段留出运行中的误差为实测均方根的5.9%–9.4%。

物理信息神经网络（PINN）在解带陡峭梯度的偏微分方程时容易失准，原因之一是网络难以表示高频变化。CTPINN在求解网络之外加入可学习的坐标变换，把物理域映射到解近似为仿射的计算域，使梯度在计算坐标下分布更均匀。显式构造在边界层问题上恢复了精度，隐式构造作为插件接入PirateNet、SPINN和QRPINN后，在多个基准方程上提升了精度。

物理信息神经网络（PINN）在解带陡峭梯度的偏微分方程时容易失准，原因之一是网络难以表示高频变化。CTPINN在求解网络之外加入可学习的坐标变换，把物理域映射到解近似为仿射的计算域，使梯度在计算坐标下分布更均匀。显式构造在边界层问题上恢复了精度，隐式构造作为插件接入PirateNet、SPINN和QRPINN后，在多个基准方程上提升了精度。

多模态大模型与人脑视觉表征的相似度此前只能说明两者“像”，说不清像在哪些语义上。SAIL把体素解释改写为体素与多个稀疏语义单元之间的对应问题：先在多模态大模型多层表征上联合训练跨层稀疏自编码器，再为每个体素匹配多个单元，并用最优传输比较双方最偏好图像集合的语义相似度。在自然场景数据集八名被试上，跨层联合训练相比逐层独立训练降低了单元响应冗余，并在全皮层与选择性感兴趣区都取得更高的语义相似度。

多模态大模型与人脑视觉表征的相似度此前只能说明两者“像”，说不清像在哪些语义上。SAIL把体素解释改写为体素与多个稀疏语义单元之间的对应问题：先在多模态大模型多层表征上联合训练跨层稀疏自编码器，再为每个体素匹配多个单元，并用最优传输比较双方最偏好图像集合的语义相似度。在自然场景数据集八名被试上，跨层联合训练相比逐层独立训练降低了单元响应冗余，并在全皮层与选择性感兴趣区都取得更高的语义相似度。

奥斯曼迪万诗歌按“阿鲁兹”格律写作，每个音节分长短，而现代土耳其语拼写丢掉了标记长元音的符号，使长短只能从上下文推断。一个基于格子的隐马尔可夫模型把每个词的候选学术拼写、连读与长读选择铺成路径，用诗作印刷格律经EM训练，在留出诗人上整行完全正确率为77.6%，同一批500行上规则扫描器为26.8%、同监督训练的神经标注器为55.0%、Claude Opus 5.5少样本为63.6%。代码已开源，工具以网页形式发布。

奥斯曼迪万诗歌按“阿鲁兹”格律写作，每个音节分长短，而现代土耳其语拼写丢掉了标记长元音的符号，使长短只能从上下文推断。一个基于格子的隐马尔可夫模型把每个词的候选学术拼写、连读与长读选择铺成路径，用诗作印刷格律经EM训练，在留出诗人上整行完全正确率为77.6%，同一批500行上规则扫描器为26.8%、同监督训练的神经标注器为55.0%、Claude Opus 5.5少样本为63.6%。代码已开源，工具以网页形式发布。

在Replogle K562的509个未见扰动上，GEARS预测转录组与观测的全局皮尔逊相关达0.977，但把对照基线减掉、只看扰动引起的增量后只剩0.076；对每个扰动都预测训练集平均增量的平凡基线反而达到0.267。这一差距源于全局相关被数千个不响应基因主导，因此增量空间评估被提为主要基准，并给出两种无需重训的事后校正与一个定位残差来源的检索上界。

在Replogle K562的509个未见扰动上，GEARS预测转录组与观测的全局皮尔逊相关达0.977，但把对照基线减掉、只看扰动引起的增量后只剩0.076；对每个扰动都预测训练集平均增量的平凡基线反而达到0.267。这一差距源于全局相关被数千个不响应基因主导，因此增量空间评估被提为主要基准，并给出两种无需重训的事后校正与一个定位残差来源的检索上界。

MongoDB Research 发布 LEAF 知识蒸馏框架，并公开两个 23M 参数文本嵌入模型 mdbr-leaf-ir 与 mdbr-leaf-mt。此前高性能嵌入模型动辄上亿至数十亿参数，通常依赖 GPU 服务器，且不同模型之间嵌入不兼容，换模型需重算全部文档向量。LEAF 只对齐教师与学生输出嵌入，蒸馏模型保留教师最高 97% 的性能，体积小 5–15 倍、速度快 7–24 倍，可在纯 CPU、物联网与移动设备上离线运行。

MongoDB Research 发布 LEAF 知识蒸馏框架，并公开两个 23M 参数文本嵌入模型 mdbr-leaf-ir 与 mdbr-leaf-mt。此前高性能嵌入模型动辄上亿至数十亿参数，通常依赖 GPU 服务器，且不同模型之间嵌入不兼容，换模型需重算全部文档向量。LEAF 只对齐教师与学生输出嵌入，蒸馏模型保留教师最高 97% 的性能，体积小 5–15 倍、速度快 7–24 倍，可在纯 CPU、物联网与移动设备上离线运行。

GenISys把早期散货船概念设计拆成20个子系统，用同时条件去噪扩散模型让各子系统在每一步反向扩散中互相读取对方的中间状态，而不是按固定顺序逐个生成。在航程固定为5000海里的五次独立训练确认中，该模型在55.70%的生成请求中给出既满足187条工程约束、又达到共同低成本目标的方案，整体式模型为51.10%，顺序式模型为47.54%，对应多出9.0%和17.2%的合格设计，估计单位运输成本相近。

GenISys把早期散货船概念设计拆成20个子系统，用同时条件去噪扩散模型让各子系统在每一步反向扩散中互相读取对方的中间状态，而不是按固定顺序逐个生成。在航程固定为5000海里的五次独立训练确认中，该模型在55.70%的生成请求中给出既满足187条工程约束、又达到共同低成本目标的方案，整体式模型为51.10%，顺序式模型为47.54%，对应多出9.0%和17.2%的合格设计，估计单位运输成本相近。

在LaMem图像上加入逐级高斯噪声后，ResMem、ViTMem、AMNet等主流图像记忆性模型对原本易记的图像给出更低的记忆性估计，对原本难记的图像反而给出更高估计，呈现类似随机共振的反向模式；而88名参与者的连续再认任务显示，易记图像对噪声更耐受，难记图像明显下降。研究者据此构建GraphMem，从图像在相似性图中的邻域而非单张图像特征估计记忆性，在噪声与模糊条件下与人类数据的斯皮尔曼相关最高，噪声训练后其斜率效应为ρ=0.57（95%自助置信区间[0.29,0.75]），是唯一转为正值的模型。

在LaMem图像上加入逐级高斯噪声后，ResMem、ViTMem、AMNet等主流图像记忆性模型对原本易记的图像给出更低的记忆性估计，对原本难记的图像反而给出更高估计，呈现类似随机共振的反向模式；而88名参与者的连续再认任务显示，易记图像对噪声更耐受，难记图像明显下降。研究者据此构建GraphMem，从图像在相似性图中的邻域而非单张图像特征估计记忆性，在噪声与模糊条件下与人类数据的斯皮尔曼相关最高，噪声训练后其斜率效应为ρ=0.57（95%自助置信区间[0.29,0.75]），是唯一转为正值的模型。

RNA逆折叠长期依赖迭代优化和外部折叠算法打分，生成过程受初始化影响且容易收敛到局部解。该工作把多项式扩散直接定义在核苷酸序列上，用目标二级结构引导去噪，并比较二维接触图投影与一维配对感知两种架构。在同分布测试集上，二维与一维模型的中位归一化RNAforester相似度分别为0.82和0.79，生成序列的多样性接近随机序列水平。

RNA逆折叠长期依赖迭代优化和外部折叠算法打分，生成过程受初始化影响且容易收敛到局部解。该工作把多项式扩散直接定义在核苷酸序列上，用目标二级结构引导去噪，并比较二维接触图投影与一维配对感知两种架构。在同分布测试集上，二维与一维模型的中位归一化RNAforester相似度分别为0.82和0.79，生成序列的多样性接近随机序列水平。

HPE Labs 提出并验证了 SEPhIA，一种以微环调制器和多波长激光为核心的光电脉冲神经网络架构，让多个脉冲神经元共享一束多波长光，从而把每个神经元所需的激光数压到不足一台。此前光子脉冲计算多聚焦于单个脉冲器件或全光激光网络，较少在架构层面同时考虑光功率、串扰与占位。研究用实验器件参数构建可训练的光电脉冲网络模型，在四类脉冲编码图像分类上取得91.35%的测试准确率，与同规模全连接脉冲网络基线93.65%相差约1个百分点。

HPE Labs 提出并验证了 SEPhIA，一种以微环调制器和多波长激光为核心的光电脉冲神经网络架构，让多个脉冲神经元共享一束多波长光，从而把每个神经元所需的激光数压到不足一台。此前光子脉冲计算多聚焦于单个脉冲器件或全光激光网络，较少在架构层面同时考虑光功率、串扰与占位。研究用实验器件参数构建可训练的光电脉冲网络模型，在四类脉冲编码图像分类上取得91.35%的测试准确率，与同规模全连接脉冲网络基线93.65%相差约1个百分点。

异质图上的注意力聚合长期把节点类型当作静态标签，元路径聚合又容易忽略中间节点的语义贡献。TAHAN改为沿元路径前缀收集邻居，跨元路径与层级按节点类型合并，再用类型内注意力和类型间注意力两级融合。在DBLP与IMDB的节点分类上，它的Macro-F1与Micro-F1均值高于所列基线，IMDB两项提升经Holm校正后显著；ACM上则低于SeHGNN。

异质图上的注意力聚合长期把节点类型当作静态标签，元路径聚合又容易忽略中间节点的语义贡献。TAHAN改为沿元路径前缀收集邻居，跨元路径与层级按节点类型合并，再用类型内注意力和类型间注意力两级融合。在DBLP与IMDB的节点分类上，它的Macro-F1与Micro-F1均值高于所列基线，IMDB两项提升经Holm校正后显著；ACM上则低于SeHGNN。

Atlas 是一个自回归世界模型，此前生成一帧帧画面需要等待数十秒甚至数分钟，用户只能谨慎地规划相机路径。现在发布的 Frameboy 研究预览把经过高度优化的 Atlas 变体部署在云端 GPU 上，以最高 15 fps 向浏览器流式传输画面，用户拖动相机时视图连续更新。该演示既可从单张图像或文本描述生成场景，也保留并改进了从多视角图像做新视角合成的能力，但必须运行在云端高性能 GPU 服务器上，成本高于本地渲染。

Atlas 是一个自回归世界模型，此前生成一帧帧画面需要等待数十秒甚至数分钟，用户只能谨慎地规划相机路径。现在发布的 Frameboy 研究预览把经过高度优化的 Atlas 变体部署在云端 GPU 上，以最高 15 fps 向浏览器流式传输画面，用户拖动相机时视图连续更新。该演示既可从单张图像或文本描述生成场景，也保留并改进了从多视角图像做新视角合成的能力，但必须运行在云端高性能 GPU 服务器上，成本高于本地渲染。

研究团队提出“陷阱分子”这一对抗式评测思路：用 AI 智能体按反应 SMARTS 模板和 USPTO 反应记录，刻意设计含敏感基团、近似重复反应位点或大位阻基团的分子，专门诱导逆合成算法犯典型错误。在 100 个化学选择性、100 个区域选择性和 27 个位阻陷阱分子上，UAlign、SimpRetro、RetroChimera 三种不同原理的算法在 top-20 预测中均暴露出明显弱点，化学选择性、区域选择性和位阻三类问题的总体出错率分别为 66%–77%、85%–93% 和 92.6%–100%。

研究团队提出“陷阱分子”这一对抗式评测思路：用 AI 智能体按反应 SMARTS 模板和 USPTO 反应记录，刻意设计含敏感基团、近似重复反应位点或大位阻基团的分子，专门诱导逆合成算法犯典型错误。在 100 个化学选择性、100 个区域选择性和 27 个位阻陷阱分子上，UAlign、SimpRetro、RetroChimera 三种不同原理的算法在 top-20 预测中均暴露出明显弱点，化学选择性、区域选择性和位阻三类问题的总体出错率分别为 66%–77%、85%–93% 和 92.6%–100%。

多病种视网膜筛查需要逐张判断自动结论能否不经复核直接采用。RetinaGuard把图像质量、诊断、不确定性、独立验证与解释等智能体收集的证据汇成一个“决策不安全”概率，只在证据的期望价值超过计算成本时调用工具，并用保形风险控制认证接受阈值。在RFMiD测试集上，较弱主模型（宏AUROC 0.896）时，20%转诊预算下它捕获280例不安全决策中的119例，最低置信度转诊为88例；主模型换成更强版本（0.925）后，验证器带来的增益缩小到几个百分点。

多病种视网膜筛查需要逐张判断自动结论能否不经复核直接采用。RetinaGuard把图像质量、诊断、不确定性、独立验证与解释等智能体收集的证据汇成一个“决策不安全”概率，只在证据的期望价值超过计算成本时调用工具，并用保形风险控制认证接受阈值。在RFMiD测试集上，较弱主模型（宏AUROC 0.896）时，20%转诊预算下它捕获280例不安全决策中的119例，最低置信度转诊为88例；主模型换成更强版本（0.925）后，验证器带来的增益缩小到几个百分点。

在双轻子衰变道中，两个中微子不带电、不被探测，顶夸克对运动学重建因此长期依赖解析近似。研究者用CMS开放数据中的7 TeV模拟样本，先改进宽松重建算法LKRv3，再以残差多层感知机和条件归一化流直接从可见粒子回归顶夸克对四动量；相对LKRv3，两种网络把不变质量、横动量和快度的分辨率分别改善约30%、20%和15%，在产生阈值附近不变质量分辨率达到30 GeV。

在双轻子衰变道中，两个中微子不带电、不被探测，顶夸克对运动学重建因此长期依赖解析近似。研究者用CMS开放数据中的7 TeV模拟样本，先改进宽松重建算法LKRv3，再以残差多层感知机和条件归一化流直接从可见粒子回归顶夸克对四动量；相对LKRv3，两种网络把不变质量、横动量和快度的分辨率分别改善约30%、20%和15%，在产生阈值附近不变质量分辨率达到30 GeV。

贴现曲线通常由核岭回归逐日估计，但逐日拟合得好并不保证估计出的曲线能作为连续时间无套利模型的状态。该研究追问：在任意一组现金流日期网格上，核岭回归的有限维假设空间是否在贴现曲线的风险中性漂移下保持不变。结论是，除希尔伯特空间维数不超过二的核之外，只有由Segal–Bargmann核构成的核族满足这一条件；此时估计曲线是若干平坦贴现曲线的仿射组合，可降维的漂移不变子空间对应现金流日期的子网格。

贴现曲线通常由核岭回归逐日估计，但逐日拟合得好并不保证估计出的曲线能作为连续时间无套利模型的状态。该研究追问：在任意一组现金流日期网格上，核岭回归的有限维假设空间是否在贴现曲线的风险中性漂移下保持不变。结论是，除希尔伯特空间维数不超过二的核之外，只有由Segal–Bargmann核构成的核族满足这一条件；此时估计曲线是若干平坦贴现曲线的仿射组合，可降维的漂移不变子空间对应现金流日期的子网格。

阿斯利康与甲骨文健康与生命科学部门宣布一项全球AI合作，把阿斯利康的临床开发与监管经验同甲骨文的真实世界数据、云基础设施和AI临床能力结合起来，目标是加快临床研究并把证据送进诊疗流程。公告列出的早期探索方向包括临床试验招募、更早诊断、药物安全监测和贯穿药物生命周期的真实世界证据，覆盖肿瘤、心血管、肾脏与代谢、呼吸与免疫及罕见病。首个项目聚焦阿布扎比的高血压照护与临床研究，与医疗公司M42合作；双方签署的是非约束性条款清单，未披露财务条款。

阿斯利康与甲骨文健康与生命科学部门宣布一项全球AI合作，把阿斯利康的临床开发与监管经验同甲骨文的真实世界数据、云基础设施和AI临床能力结合起来，目标是加快临床研究并把证据送进诊疗流程。公告列出的早期探索方向包括临床试验招募、更早诊断、药物安全监测和贯穿药物生命周期的真实世界证据，覆盖肿瘤、心血管、肾脏与代谢、呼吸与免疫及罕见病。首个项目聚焦阿布扎比的高血压照护与临床研究，与医疗公司M42合作；双方签署的是非约束性条款清单，未披露财务条款。

一个单注意力层的小Transformer被训练来预测无限Coxeter群Ã₂中群元素的左、右下降集，也就是最短词可能的首字母与末字母集合。训练数据从随机词、约化词换到ShortLex正规形词后，测试准确率随结构增强而提高：随机词与约化词数据分别在某个长度处开始退化，而包含全部长度不超过36的1,998个ShortLex词的集合上未见退化。观察训练后模型的注意力图样，研究者提出并独立证明了关于右下降集与左下降集的两条词论命题。

一个单注意力层的小Transformer被训练来预测无限Coxeter群Ã₂中群元素的左、右下降集，也就是最短词可能的首字母与末字母集合。训练数据从随机词、约化词换到ShortLex正规形词后，测试准确率随结构增强而提高：随机词与约化词数据分别在某个长度处开始退化，而包含全部长度不超过36的1,998个ShortLex词的集合上未见退化。观察训练后模型的注意力图样，研究者提出并独立证明了关于右下降集与左下降集的两条词论命题。

自动驾驶策略在闭环仿真中会自行反应，预先写死路线的场景脚本常因此偏离原本要制造的交互，即闭环漂移。场景编排器持续监测整体交通状态，通过重定时、重路由和角色重指派联合调整非自车车辆，每一步求解一个带约束的优化问题，在限制干预、保持交通可行的前提下维持测试意图。在CARLA仿真器的六类场景族与六种自车策略上，该方法在全部六类场景族中完整实现预设交互，而ProSim、LASER与OSC2Runner等基线大多只满足最容易的前两个场景。

自动驾驶策略在闭环仿真中会自行反应，预先写死路线的场景脚本常因此偏离原本要制造的交互，即闭环漂移。场景编排器持续监测整体交通状态，通过重定时、重路由和角色重指派联合调整非自车车辆，每一步求解一个带约束的优化问题，在限制干预、保持交通可行的前提下维持测试意图。在CARLA仿真器的六类场景族与六种自车策略上，该方法在全部六类场景族中完整实现预设交互，而ProSim、LASER与OSC2Runner等基线大多只满足最容易的前两个场景。

开源 SRAM 设计工具 OpenYieldV2 把位单元拓扑从预先固定的输入变成可优化变量，与晶体管尺寸、阈值电压一起搜索。此前 OpenRAM 只生成版图不做优化，OpenYield 的高保真优化又只针对固定的 6T 单元。该工具用同一套高保真条件编译 6T 与 10T 宏，以少样本 TabPFN 代理模型预测性能，再用由粗到细的多目标优化器联合搜索；在混合拓扑场景中，其超体积比最强的单一拓扑基线最多提升 17.3%。

开源 SRAM 设计工具 OpenYieldV2 把位单元拓扑从预先固定的输入变成可优化变量，与晶体管尺寸、阈值电压一起搜索。此前 OpenRAM 只生成版图不做优化，OpenYield 的高保真优化又只针对固定的 6T 单元。该工具用同一套高保真条件编译 6T 与 10T 宏，以少样本 TabPFN 代理模型预测性能，再用由粗到细的多目标优化器联合搜索；在混合拓扑场景中，其超体积比最强的单一拓扑基线最多提升 17.3%。

MongoDB 发布并开源了 Vercel AI SDK 的集成包，把 MongoDB Atlas 变成用该 SDK 构建的 AI 应用与智能体的持久记忆库。此前 Vercel AI SDK 本身不含数据库，应用每次对话都从零开始，开发者要自己设计模式、清理旧数据和搭建向量检索。该集成把记忆自动分为会话、语义、程序、情景和草稿五类，分别设定保留策略，并自动创建向量索引、在启动时检测嵌入维度。

MongoDB 发布并开源了 Vercel AI SDK 的集成包，把 MongoDB Atlas 变成用该 SDK 构建的 AI 应用与智能体的持久记忆库。此前 Vercel AI SDK 本身不含数据库，应用每次对话都从零开始，开发者要自己设计模式、清理旧数据和搭建向量检索。该集成把记忆自动分为会话、语义、程序、情景和草稿五类，分别设定保留策略，并自动创建向量索引、在启动时检测嵌入维度。

MongoDB发布Atlas App Connections，让AI编程工具通过一次点击授权接入Atlas账户。此前接入只能共享长期服务账户凭证，既拖慢开发者，也让管理员承担不愿接受的安全风险，部分组织因此回避第三方集成。该功能基于OAuth 2.1，经Atlas MCP Server让AI客户端以用户身份操作，权限随用户既有权限变化，用户可随时撤销，组织默认关闭并需管理员开启。

MongoDB发布Atlas App Connections，让AI编程工具通过一次点击授权接入Atlas账户。此前接入只能共享长期服务账户凭证，既拖慢开发者，也让管理员承担不愿接受的安全风险，部分组织因此回避第三方集成。该功能基于OAuth 2.1，经Atlas MCP Server让AI客户端以用户身份操作，权限随用户既有权限变化，用户可随时撤销，组织默认关闭并需管理员开启。

脑电疲劳检测此前把多频带建模与时间加权分开处理，没有说明一个时间窗内的频谱结构该如何决定它对预测的贡献。LBSNet把每个窗口的相对跨频带活动编码成归一化描述子，与可学习频谱原型软匹配，再结合原型重要度生成时间权重来聚合功率。在SEED-VIG与SADT的受试者独立实验中，它的准确率和F1均高于七个基线，且参数量与乘加运算量在对比模型中最低。

脑电疲劳检测此前把多频带建模与时间加权分开处理，没有说明一个时间窗内的频谱结构该如何决定它对预测的贡献。LBSNet把每个窗口的相对跨频带活动编码成归一化描述子，与可学习频谱原型软匹配，再结合原型重要度生成时间权重来聚合功率。在SEED-VIG与SADT的受试者独立实验中，它的准确率和F1均高于七个基线，且参数量与乘加运算量在对比模型中最低。

MongoDB 推出面向 MongoDB Atlas 的联合 Copilot 连接器并已正式可用，用户可在 Microsoft 365 Copilot 中直接询问 Atlas 里的实时业务数据。此前这类问题要在业务应用里查，或依赖数据的静态副本。连接器通过 MongoDB 托管的远程 MCP 服务器按需查询 Atlas，不迁移、不建索引副本，查询以登录用户身份执行并沿用 Atlas 已有权限。

MongoDB 推出面向 MongoDB Atlas 的联合 Copilot 连接器并已正式可用，用户可在 Microsoft 365 Copilot 中直接询问 Atlas 里的实时业务数据。此前这类问题要在业务应用里查，或依赖数据的静态副本。连接器通过 MongoDB 托管的远程 MCP 服务器按需查询 Atlas，不迁移、不建索引副本，查询以登录用户身份执行并沿用 Atlas 已有权限。

MongoDB发布与Google ADK的集成，为智能体状态提供持久化记忆。此前开发者要自己搭建数据存储工具，才能让智能体长期保留上下文。该集成以MongoDbSessionService把会话、事件和应用级、用户级、会话级状态写入MongoDB，并以MongoDBMemoryService把会话事件写入集合、按关键词匹配召回记忆；检索侧复用MongoDB向量搜索与全文搜索的混合检索。集成支持MongoDB Atlas和自管理MongoDB 8.0及以上部署。

MongoDB发布与Google ADK的集成，为智能体状态提供持久化记忆。此前开发者要自己搭建数据存储工具，才能让智能体长期保留上下文。该集成以MongoDbSessionService把会话、事件和应用级、用户级、会话级状态写入MongoDB，并以MongoDBMemoryService把会话事件写入集合、按关键词匹配召回记忆；检索侧复用MongoDB向量搜索与全文搜索的混合检索。集成支持MongoDB Atlas和自管理MongoDB 8.0及以上部署。

MongoDB 在 Community Edition 中以公开预览形式推出 Vector Search 的 Automated Embedding，开发者建向量索引时选定嵌入模型，文本向量在初始同步、文档插入与更新以及查询时自动生成并保持同步。此前开发者需在应用代码里调用外部嵌入服务，并为每次增删改自建流水线维持源数据与向量一致，还要为每次查询额外发起一次嵌入 API 调用。该功能内置 Voyage AI 的 voyage-4-large、voyage-4、voyage-4-lite 与 voyage-code-3 模型，并以异步动态批处理按文档形态调整批量大小。

MongoDB 在 Community Edition 中以公开预览形式推出 Vector Search 的 Automated Embedding，开发者建向量索引时选定嵌入模型，文本向量在初始同步、文档插入与更新以及查询时自动生成并保持同步。此前开发者需在应用代码里调用外部嵌入服务，并为每次增删改自建流水线维持源数据与向量一致，还要为每次查询额外发起一次嵌入 API 调用。该功能内置 Voyage AI 的 voyage-4-large、voyage-4、voyage-4-lite 与 voyage-code-3 模型，并以异步动态批处理按文档形态调整批量大小。