日报
仅汇集当天已送达公开发布边界的内容。
已封刊 · 第 1 版
直接成像系外行星需要把恒星光斑从图像中减掉，而传统做法依赖参考星图像，望远镜指向误差和热漂移会让参考与科学观测不一致，从而限制灵敏度。FLIP把基于物理的仪器模型写进PyTorch，用自动微分对百万级参数做多阶段优化，先在参考星上预校准，再在科学图像上微调，以补偿这些不稳定性。在JWST/NIRCam日冕数据上，FLIP相对标准KLIP方法取得2至15倍的灵敏度优势，并在F430M波段以信噪比6.3首次探测到51 Eridani b，对应4.3微米。
概率比特反相逻辑把布尔电路编码成能量，靠采样在任意方向求解，但传统编码只保证基态合法并拉大最小能隙，有限步采样却会走过激发态。这项工作把哈密顿量设计写成逆统计力学问题，在能隙下限约束下用受约束最大似然拟合最高四体的相互作用，使吉布斯分布在每个钳位情形下接近合法态上的均匀分布。在44到77位乘法器的因子模式中，学出的能量在九个调优采样器上把达到99%验证成功所需更新数降到手工编码的0.55、0.44、0.52和0.46，但每次更新要评估更多项。
inverse-IMPRESSION把核磁共振谱图直接映射为原子间的成键概率，用一次性预测、逐步补键和噪声多轮采样三步拼出候选结构。此前同类图方法在实验谱上准确率明显下滑，而该平台在仅含氢、碳谱信息的模拟数据上Top-1达77.8%，在19个实验分子上正确解出11个，其中包含分子量480.7 Da、nSPS为48.1的多环甾体。
开放权重模型发布后，攻击者可用目标领域数据微调，把训练后遗忘的效果迅速抹掉。DETER在预训练阶段就把抑制更新与常规预训练交错进行：先用文档分类器从FineWeb-Edu中滤除医学文档，再在被滤除文档的子集上做梯度上升，让模型主动压低这些文本的预测概率。以医学为代理目标领域，在113M到1030M参数的四档模型上，达到未过滤模型的PubMed损失所需微调token数超过仅过滤的两倍；1030M时DETER需2.09M个PubMed token，仅过滤只需0.10M。
磁盘驻留图向量索引的页布局决定一次搜索要读多少 SSD 页，而 Starling、MARGO 这类现有布局只从图和向量计算，不用查询日志。HyperPage 把一次已完成的 Search-R1 智能体运行中记录的扩展节点集合当作工作负载，在声明的内存预算下先为未被缓存命中的记录构造布局，再用验证步骤回放选出布局与热记录/页缓存之间的预算切分。在 1M 与 21M 段落索引、七个缓存预算上，它比 MARGO 少读 5.2% 到 21.2% 的页，缓存越小时优势越大。
低比特量化能压低大模型智能体的推理成本，却常让智能体漏看任务要求或环境条件，在工具调用中走错步骤。SteerDistill 让全精度教师定位学生第一次行为偏离，给出结构化纠错提示，学生执行后由环境反馈验证，教师据此反复修正提示，直到修正被局部验证。随后学生不带提示地学习这些修正，在五个智能体基准、三个模型上，W4A16 平均分比最强量化基线高 1.67–2.18 分，距 BF16 不到 1 分。
分层任务网络（HTN）规划中，方法前置条件在SHOP系列与HDDL两种语义下含义不同：前者要求前置条件在方法第一个动作执行前立即成立，后者只要求它在某个更早状态成立，偏序下两者可给出不同解。新工作把SHOP式“首动作”语义精确编译成不含方法前置条件的标准偏序HTN问题，只增加两个事实，并给出解之间的一一对应与机器检验的语言保持证明。
视觉-语言-动作模型通常一次预测一整段未来动作，相邻动作块之间缺少显式的时间一致性约束，容易在衔接处出现动作突变。ODEAction 把动作生成改写为从当前动作出发的连续演化：学习一个动作转移场，用常微分方程积分逐步生成后续动作，不再联合预测固定长度的动作块。在 LIBERO 上平均成功率由 96.85% 升到 98.25%，在 EBench 上由 15.28% 升到 24.72%，即 61.8% 的相对提升；在 RoboTwin 五个任务上与 RTC、Legato 对比，平均成功率 84.4%，高于基线的 82.4%。
在可验证奖励强化学习常用的低学习率下，BF16混合精度训练比FP16收敛更慢，原因是FP32影子权重舍入到BF16时，小幅更新常被舍入抹掉，权重连续几步不变。把这一量化步骤从就近舍入改为随机舍入后，BF16在1.5B、14B与30B-A3B模型和两个数学数据集上的奖励轨迹与FP16一致，同时相对参考模型的KL散度低于提高学习率的BF16，并保留BF16的动态范围、无需损失缩放。
掩码扩散语言模型可以重新遮盖已生成的文本，但按置信度或自评决定改哪里，往往改不动错误。DiVR 改为在生成器自身的解码轨迹上学习一个结果判别器，在块边界判断这段部分解是否还能走向正确答案，分数低就整块重采样。在 LLaDA-8B-Base 的监督微调生成器上，五个数学与代码基准的平均准确率从35.3%升到43.4%，代价与贪心解码相当。
语言智能体的表现同时取决于模型权重和承载它的运行时程序，也就是harness，只优化其中一边会被另一边卡住。JoMoHa把生成harness的Engineer和按harness执行任务的Solver放进同一个强化学习过程，用同一次任务结果同时训练两个策略。在ALFWorld、WebShop和DBBench上，它的成功率分别为97.0%、45.8%和68.0%，三者等权平均70.3%，高于所评估的只训权重、只改harness以及交替训练的做法。
多轴强度试验只有几十个破坏应力点，选哪条极限面长期靠人工比对与目视检查。研究者把这一选择改写成带可微罚项的稀疏模型发现问题，用首根射线定义保证等效应力可显式求解，并引入带形状参数的 PBP 原子与竞争门混合专家。混凝土数据上，含 PBP 原子的模型交叉验证误差约为单项式库的四分之一，实测强度比在几个百分点内复现。
用溶液法加工的共轭聚合物忆阻器做成四个概率比特（p-bit，按输入以S形概率取0或1的随机单元），在线跟踪漂移后闭环运行吉布斯采样，对竞争、简并和协作三类后验的采样分布与自相关都落在理想p-bit的有限样本范围内，且没有参数拟合到目标分布。这套电路还能在软件重编程后复现可逆AND门，温度事先设定而非拟合。
格点场论里常用有效样本量（ESS，衡量生成样本与目标分布重合程度的指标）判断生成采样器好坏，但全局 ESS 很小时长程可观测量的误差未必大。按尺度分解重合度的诊断显示，短程模式上分散的小误差可以主导 ESS；在二维近临界 φ⁴ 理论中，训练好的扩散采样器路径权重 ESS 分数随体积快速下降，磁化强度的低阶矩却仍接近基准值。给定目标边缘分布后，对少数集体变量做 Metropolis 检验，接受率在测试中保持量级为一，再配合精确局部更新可削减剩余失配。
Blank Bio发布转录组基础模型Ladon，参数规模30亿，在数百万条RNA-seq样本上以自监督目标预训练，用于从治疗前表达数据预测患者预后与治疗应答。在膀胱癌、肾癌、肺癌和肝癌的6项留出临床试验中，Ladon在免疫治疗应答预测上显著优于包括PD-L1表达在内的全部基线；在POPLAR试验上构建的评分显示出预测性而非仅预后性的特征。
现有智能体防护主要识别提示注入、有害输出或可疑行为，却难以判断一次操作是否仍符合该智能体被部署的用途。Intent-Aware Security 把组织、角色与开发者意图抽取成每个智能体专属的 Intent Profile，作为安全判定的参照对象，并据此实现执行前检测、执行后检测、输入对齐与系统提示加固四种防护。在 887 条样本、35 个智能体配置的基准上，基于 Intent Profile 的执行前检测把四类宏 F1 从原始上下文的 45% 提升到 79%，越界类 F1 从 8% 提升到 76%。
可移动多相机机架出厂时已标定，但重新摆放、热循环与振动会让标定持续漂移，传统光束法平差需要重新采集多视角并做全局优化，代价随相机数增长，难以实时。RECALL 以出厂标定为锚点，从对已知物体的一次简短观测出发，单次前向推理预测整机的共享全局旋转与各相机小幅漂移，并在网络内用学习到的 Gauss-Newton 步求解共享旋转规范。在合成十相机基准上，其参数误差低于逐相机与机架耦合联合光束法平差，单机架耗时 0.12 毫秒。
视觉高速飞行的轨迹规划器通常用无模型强化学习训练，策略梯度靠采样估计，噪声大、训练慢。APG-Planner改用解析策略梯度：借助微分平坦性，从规划出的轨迹直接解析重建飞行器状态，把连续重规划串成可微回合，再从回合损失反向传播求梯度。单张GPU训练约30分钟后，它在仿真中成功率与轨迹平滑度不逊于EGO、AGILE、YOPO等基线，真实四旋翼飞行峰值速度约11米每秒。
单目3D检测长期用2D框高度代入投影关系反推深度，MonoPCA指出这样得到的是可见前表面而非物体中心的距离，偏差随物体尺寸增大。它保留可测量的2D框高度，用朝向与尺寸感知的闭式校正还原中心深度，并以教师—学生蒸馏补强尺寸和朝向预测；在KITTI测试集中等难度AP达20.55，比MonoCoP高1.44。
跨层转码器（CLT）要把大模型各层激活拆成可解释特征，但每层重建难度差别很大，逐层TopK给每层固定激活数并不合适。字节跳动Seed等提出的Cross-Layer TopK把全部层的潜在特征放在一起排序，每个token只保留总量固定的K个，由模型自己决定各层分多少。在Qwen3-8B-Base上，它与逐层TopK同为每token 360个激活，验证集FVU从27.64%降到27.07%，并配合稀疏解码把训练步时间缩短到原来的约三分之一。
AdamW 的固定点恰好是一个带约束与正则项的隐式目标的驻点，但这些驻点未必在 AdamW 自身动力学下稳定。分析在连续时间极限下给出一维精确稳定性条件与高维充分条件，并构造出即使强凸目标也可能失稳、常见动量设置下轨迹持续振荡而不收敛的例子。把权重衰减按梯度更新强度重新缩放得到的 AdamMe 保留同一组固定点，并具备保证有界轨迹收敛的 Lyapunov 函数。
研究者把大模型的解释从逐条自由文本改成一段可执行程序：程序在数据集上运行，与模型输出比对，用一致性衡量解释是否复现模型行为。在三个开源代码模型和八个任务上，24个模型-任务设置中有6个一致性超过0.75，代码解释比思维链短6到100倍，并在24个设置中的9个更贴合模型行为；但语言成分更复杂的任务上，一致性并不高于无信息基线。
AURA把未经空间监督训练的通用音频编解码器X-Codec与冻结的Qwen3-8B语言模型直接对接，用六槽双耳表示和场景监督完成空间问答。此前专用空间系统依赖单独训练的空间编码器，而仅用答案监督的接口在左右方向上只能达到随机水平。在SpatialSoundQA双声源场景中，AURA的方向准确率比最强专用系统DSpAST-BAT†高10.31个百分点，可训练参数约为后者的40%。
交叉公平性审计中，子群划分越细，每个子群的样本越少，观测到的差距很容易只是抽样噪声。SAFER把公平惩罚挂在一个可微的软计数似然比证据统计量上，只对超过噪声可解释范围的子群差距施加梯度，并保留一个固定权重的小型无门控项防止优化停滞。在Adult、COMPAS、German Credit等表格基准及专门构造的压力变体上，它在存在可认证差距时给出更好的公平—效用前沿，在无可认证差距时保持无约束模型的效用。
把分子中每个重原子当作一个词、每条键当作一次连接，就能让量子线路的布线与分子图一一对应，但输出是否只由分子决定需要单独检验。按元素和键型共享角度时，线路输出等价于一张以键为顶点的图上自旋模型的配分函数，因此232,191个MOSES分子中有1.19%能找到输出完全相同的伙伴。改用更细的类型共享可消除这些碰撞，但在Tox21的7对和MOSES的1,988对同分异构体上，修复后的输出态仍几乎相同，几乎全部差异落在测量成功与否这一标准读出丢弃的信息上。
在由大语言模型驱动的智能体构成的社交网络上，一条帖子能否扩散取决于每个智能体看到多少关注对象已经转发。此前预测集体行为时，通常只测一条与关注人数无关的响应曲线，或在一个所有人彼此可见的大群体里测一次。把响应按关注人数分别测量后，再代入网络级联的平均场理论，就能复现完整大语言模型模拟的级联规模与引爆种子比例；忽略关注人数的响应则在度分布越不均匀的网络上错得越多。
SonoDyno 只靠麦克风信号估计发动机转速、气缸数和归一化负荷强度，不需要转速计、总线访问或事先知道发动机配置。它把各阶次能量在三种时频分辨率上送入一个 124 302 参数的卷积评分器，联合判定缸数与转速，再由解码器约束转速轨迹。在两台从未听过的真实发动机上，93% 至 97% 的帧落在真实转速 2% 以内，缸数识别准确率 80%，八度混淆低于 2% 的帧。
CLEAR在论文与可执行代码之间加入一层结构化执行规格，把研究文档先转成可人工核对的实现单元、依赖、接口与评测流程，再据此生成和局部修复代码。在PaperBench的20项任务上，CLEAR平均得分29.87、单篇平均成本7.91美元；与AiScientist相比，成本降低35.16%，得分少3.86分。在MLE-Bench Lite上，CLEAR的22项任务全部形成有效提交，77.27%的任务获得任意奖牌。
双臂长程操作的关键瓶颈不只是单手技能，而是两条手臂在空间与时间上的协调。BiPOP把工作空间按手臂可达范围划分，由大语言模型把自然语言指令和场景信息写成PDDL问题，再交给时序规划器生成带并发调度的偏序计划。在ServeFruit、ServeWater、StackBlock三个仿真任务各100个随机实例上，BiPOP的成功率分别为100%、100%和95%，是唯一在每个任务域都不低于95%的方法，并在真实双臂机器人NICOL上端到端完成ServeWater任务。
多模态大推理模型会通过图像与知识的跨模态关联，在中间推理里重新取出敏感信息，只压住最终答案并不够。VKCR把遗忘目标改写成一条指定的“图像到知识”关联：先在关联条件化的低秩参数子空间内定位编辑，再用反事实分支重绑定，压掉带目标或缺乏依据的推理续写、抬升有证据支持的非敏感替代。在CLEAR-R与MLLMU-R上，它同时降低了图像条件下的目标泄漏与幻觉式重新关联，并保留了非敏感视觉推理和允许的纯文本知识访问。
人形机器人做搬箱这类全身操作，通常要采集全身人体动作轨迹或依赖腕部力传感器。FORGE把控制指令分成速度导航、落脚点、腕部位姿和可选力指令四档，训练时不需要全身人体动作参考，部署时只用骨盆坐标系下的双腕位姿和粗指令；它用动量观测器加学习修正，从关节状态和重建的PD力矩估计腕部等效力，无需腕部力/力矩传感器。在四档负载的蹲起搬箱任务上，同一套扩散策略加FORGE在空载和0.5公斤各20次试验中全部成功，1公斤和2公斤各成功18次。
世界动作模型（WAM）把未来画面和动作一起预测，但每一步重规划都生成未来代价高，也未必必要。Bind-WAM把“语言指令中的角色是否稳定落在当前画面的物体上”作为可解释信号：离线流程用完整示范标注参考错配、目标不可见和身份漂移，训练一个约6.65M参数的轻量路由器，在线据此在直接动作预测与联合未来-动作去噪之间切换。在LIBERO上，Bind-WAM平均成功率98.60%，仅在40.58%的重规划状态调用联合路径，平均完成时间从Fast-WAM-Joint的15.73秒降到11.71秒。
CRESiST把大模型同声传译从“前缀追加”改成语音块与译文词交错的读写序列，使KV缓存可以整段复用，不再依赖语音活动检测切句。它用RNN-T作为Actor采样读写轨迹，由带Router与Refiner的Qwen2.5-omni-7B作为Critic给出语义一致性与时延奖励，再反向蒸馏回Actor。在MuST-C与ACL 60/60上，无分段流式结果比有oracle分段仅低1–2个COMET点。
视频异常理解长期沿用固定观测：模型先拿到一批抽样帧或聚类事件，再据此判断异常，推理开始后无法回头补找缺失证据。SEEK-VAU把这一过程改成有预算上限的智能体搜索与验证，让策略沿前兆、触发、后果三段事件链主动取证，并在收尾前自检证据是否充分。在自建的SEEK-Bench上，它以Qwen3-VL-8B为基座取得55.6时间mIoU、45.5问答准确率和43.7证据F1，而固定观测的Qwen3-VL基线分别为44.2、37.7和28.1。
交通信号控制此前多依赖专用感知流程产出的结构化车流状态，或把仿真图像先转成中间表示再决策。Traffic-VL 用80亿参数视觉语言模型把同步多视角图像与自然语言相位描述直接映射为相位选择，并配套 SynTra-V 把物理仿真转成经语义审计的逼真监控图像用于训练。在五个闭环基准上它与使用结构化状态的 Traffic-R1 相当，在真实监控图像上相位选择准确率为82.1%，三周十个路口实地运行相对人工历史操作把平均排队长度降低10.4%。
手语生成要把书面句子变成连续打手语动作，既要决定表达哪些词，又要还原手形、轨迹和身体配合。此前的姿态生成系统和只做重建的动作分词器把这两件事混在同一套表示里，生成器缺少一个与文本对齐的中间目标。SRVQ用单个残差量化器搭出层级：第一层码本在文本与注释级监督下编码手语内容，后续残差层补足运动细节，再由语义生成器和运动学生成器依次预测。在CSL-Daily与Phoenix-2014T上，完整变体的检索R@1分别为82.31和70.25，比SOKE的51.96和24.14高出30.35和46.11个百分点。
Tideway把消费级PC的GPU显存与主机内存合并成一个统一内存池，并按预填充与解码两个阶段分别布置专家权重，使超出显存的前沿MoE模型不必反复从SSD搬运权重。在RTX 5090、16–128 GiB主机内存预算下，对Qwen3.6-35B-A3B、Gemma4-26B-A4B与DeepSeek-V4-Flash的270组固定形状配置，端到端延迟平均加速1.97倍、最高3.18倍，首令牌时间平均加速2.40倍，每输出令牌时间平均加速1.61倍；八段多轮编码智能体会话回放中总请求处理时间最高缩短3.14倍。
个人记忆智能体Reglos把改进分成两个时间尺度：每个用户的记忆随对话在线追加，决定把哪些记忆交给模型的框架则离线由编码智能体改代码。框架补丁先由另一模型家族的评审筛掉针对基准的取巧，再由固定评估器在开发时未见的用户上验收。在Qwen3.8-27B写记忆、同一模型作答时，Reglos在PersonaMem-v2上达到61.3%，比最强对比系统高7.5个百分点。
在线评分细则自蒸馏（ORSD）让当前策略从同一组同策略轨迹的差异中自行生成自然语言过程评分细则，再由冻结验证器按细则满足度与任务成功的相关性选出一份，作为特权信息比较同一批词元在有无细则下的对数似然差，把轨迹级GRPO优势细化为词元级信用。在ALFWorld与WebShop上，Qwen3-1.7B和Qwen3-4B在相同环境交互预算下均取得所比较方法中最好的总体结果。
推荐系统每改一个特征都要全量重训做A/B实验，代价高，而单次小规模实验又常给出误导信号。研究显示，Wukong、HSTU和基于LLM的推荐模型在加入不同特征后仍遵循同一函数形式的缩放律，只是系数不同。据此，用若干小规模实验做统计推断，可在只占全量训练一小部分算力的条件下，以置信区间预测特征在全量规模下是提升、中性还是退化。
离散扩散求解组合优化此前依赖离线训练的神经网络去噪器，而无需训练的模型驱动扩散只能处理连续变量、需把解取整。DMBD 把离散扩散的去噪过程改为用已知目标函数加权的蒙特卡洛采样直接逼近类别反向转移，在异构多机器人联盟形成与调度基准的 15 组设置中，有 14 组取得同类采样方法中最低的完工时间，并在 8 组中优于全部基线。
全双工语音对话模型在长会话中会出现响应变慢、内容失序和音色漂移，此前缺少针对这一稳定性的专门训练与结构设计。研究用闭环模拟用户逐分钟量化四款公开模型的退化，再以特权上下文自蒸馏做轻量LoRA适配，并叠加双分辨率上下文（TRC）压缩较早历史。在三种架构不同的模型上，自蒸馏在十分钟训练时长内缓解退化，加入TRC后语音内容与音色退化相对基线降低71–96%，并把改善延续到二十分钟会话。
AMARA把离散概率图模型上的MCMC采样拆成编译器可处理的中间表示，再映射到可编程专用芯片上执行。此前CPU和GPU靠复制多条马尔可夫链提高吞吐，但复制4096条链只带来约270倍增益，专用加速器又常绑定固定拓扑或更新调度。AMARA在网格结构、不规则能量模型和因果推断网络上评测，在不规则负载上相对JAX-GPU基线取得平均（最高）更高的采样吞吐，并比现有加速器支持更广的离散模型范围。
物理逆渲染要从照片里拆出材质与光照，两者组合多解，学到的材质预测常被当作额外正则项加进目标函数，却要重新平衡权重。这里改为用预测特征关系限制优化空间：把多视角材质预测融合到网格上，在先验特征空间建置换多面体格点，让预测相近的表面点共享材质变量，目标函数保持纯光度拟合。在Synthetic4Relight与TensoIR-Synthetic上，两种预测器配置的重光照PSNR比最强的网格类基线高1.5–2.5 dB，并在受控对比中优于使用同一先验的正则损失。
离线强化学习可验证奖励训练通常对固定采样池中每条回答的每个token都施加监督，但回答与token的信息量并不相同。GIST把策略与KL正则化RLVR的Gibbs最优目标之间的双向KL失配拆成前向与反向两项，据此在回答层用采样温度配对正确与错误样本，在token层只监督正确回答的低概率token和错误回答的高概率token。在Qwen3-0.6B/GSM8K的同候选池对照中，它监督的token比训练全部候选少66.6%，严格准确率45.79、灵活准确率49.73，均高于七个选择基线。
JEPA式世界模型只用分布正则约束隐空间时，编码器会把每一回合固定的背景当成主要信息，反而压掉机械臂与物体交互带来的状态变化，这种失效被称为静态坍缩。新方法在同一回合内把预测的隐状态变化与候选观测的变化做对比，并用光流相似度给出软目标，让运动相近的候选获得相近的监督。在OGBench-Cube随机背景设置上，规划成功率相对LeWM从52%升到78%，在LIBERO-Object上从14%升到54%，其余四个视觉控制基准保持相当水平。
对含非凸哈密顿量的粘性 Hamilton–Jacobi 柯西问题，牛顿法每一步只需求解在当前迭代点线性化得到的线性抛物方程，而不再依赖控制表示或 min–max 结构。任意满足初值条件的初始猜测给出几何收敛，足够接近解的初值在抛物 Hölder 范数下给出二次收敛；当哈密顿量具有控制表示时，牛顿迭代与经典策略迭代重合，后者因此继承这两种速率。
AG-UI 是一套开放、轻量、基于事件的协议，用来规范 AI 智能体与面向用户的应用之间的连接。此前智能体接入界面缺少统一约定，AG-UI 让智能体后端在执行过程中发出约 16 种标准事件类型之一，并接受少量简单输入，同时通过中间件层适配 SSE、WebSockets、webhooks 等任意事件传输。它由 CopilotKit 与 LangChain、CrewAI 的早期合作衍生而来，以 MIT 许可开源，并附带参考 HTTP 实现和默认连接器。
图神经网络的权重矩阵作用在经图传播的特征上，因此一个在参数空间里归一化良好的更新，仍可能被图结构放大成很大的表示层扰动。GraphMuon把Muon的矩阵正交化改到由图传播输入协方差定义的度量下进行，并按更新对层表示的实际影响缩放步长。在三个大规模OGB基准上，它达到AdamW验证损失目标所需的实际耗时缩短为原来的1/2.32至1/1.32，即1.32至2.42倍加速。
多模态生成此前多依赖从零联合训练一个共享隐变量，难以扩展到高分辨率图像。SnB 改为在采样时耦合各自预训练的单模态扩散模型：先共享一段反向扩散轨迹，在分叉点经桥接模块转入各模态分支。在 CelebAMask-HQ 上，SnB 在全部共享比例设置下取得最低 FID，同时保持较强一致性；在 PolyMNIST 上则与自上而下方法互有胜负。
EZpred把蛋白质结构预测里常用的同源序列特征搬到酶功能预测上，只取同源序列的序列特征、不看它们的功能标注。此前深度学习模型大多只从目标序列本身取特征，少数用同源的模型也只利用带功能标签的同源序列。在720个于UniProt 2024_02新增EC号的酶上，EZpred预测完整四位数EC号的F1为0.786，比CLEAN和GraphEC分别高27%和31%。
猕猴V1与V4中许多神经元并非只在偏好刺激下升高放电，而是在抬高的基线上被一类特征激活、被另一类特征抑制。研究者用功能数字孪生（在记录数据上训练的深度网络，可预测神经元对新图像的响应）在超过百万张自然图像上同时找出每个神经元的最强激活与最强抑制图像，并确认这些图像在独立模型和活体记录中仍落在响应分布的两端。同样的双向选择性也出现在小鼠V1及外侧视觉区。
结构连接与功能连接常处在不同坐标系，以往要么用全脑单一相关系数概括，要么逐脑区打分，难以指出哪一小群脑区真正承载功能组织。Ossa把功能连接的正交旋转与稀疏节点选择放进同一个优化目标，在每个功能社区内寻找与功能几何最吻合的结构子图。模拟中在完全旋转下节点集Jaccard为0.861，ABCD基线与第二年随访的留出对齐均高于同规模基线，所选支持跨访视Jaccard为0.928。
腾讯开源了自托管的编码智能体工作区 LoopForge，团队在聊天里向 Main Bot 描述需求，它便开启 Docker 沙箱、检出仓库、把任务分派给项目角色并提交 PR。此前让编码智能体直接改代码，结果取决于那一次运行，可能跳过计划、漏掉测试或自行审阅代码。LoopForge 把被验证有效的做法保存为 SOP，即由智能体、脚本和人工关卡组成的标准流程，让后续需求按同样的阶段和检查交付，并保留审批、节点状态与工具轨迹。
QwenLM 发布开源 AI 编程智能体 Qwen Code，入口覆盖终端、编辑器插件、桌面应用、Web UI、SDK 以及 Telegram、钉钉、微信、企业微信、飞书等聊天集成。它内置自动记忆、技能、子智能体与 MCP，另有多智能体团队、Agent Arena 和动态工作流，其中部分标注为实验性或需主动开启。守护进程模式让浏览器、编辑器、SDK 与自动化客户端共享同一智能体会话，客户端可重连到进行中的会话。
强化学习组合策略能给出配置，却缺少在执行前证明该配置不越过风险边界的可复算机制。Gated-CSRC 让语言模型只把带时间戳的新闻读成结构化语义风险状态，再用滚动保形校准把状态变成因子冲击椭球，由二阶锥门控在预算被突破时修正配置。在九只美国行业 SPDR ETF 的走步回测中，原始 PPO 年化收益12.7%、语义违规率4.05%，门控后违规率降为零、年化收益11.7%。
GridPSF 在 MambaTM 复原网络的训练图里加了一条可检查的前向约束：从观测片段和宿主潜变量预测 8×8 网格、每格 35 个去活塞 Zernike 系数，再用 Fraunhofer 渲染器把单位质量点扩散函数混合后拟合湍流观测。在留出的 ATSyn-dynamic 视频上，前向一致性达到 29.49 dB PSNR 和 0.8882 SSIM，比直接用干净目标当预测的 25.54 dB 高 3.95 dB。一个验证集选出的匹配宿主检查点对带来 +0.419 dB PSNR 和 +0.0022 SSIM，但 LPIPS 上升 0.0017，且五种子对照未检出平均复原增益。