心电图预训练改看“偏离正常”多少：冻结特征不微调，四个公开数据集AUROC最高提升6.5%
心电图深度学习模型多按具体诊断标签监督训练，换人群、换采集条件就容易失效。这套自监督预训练框架从918,915条无标签12导联心电记录中学习特征，一路显式刻画每条导联相对正常波形的偏离，另一路在偏离线索引导下重建跨导联关联。冻结特征提取器、不做下游微调时，它在四个公开数据集上相对此前方法AUROC最高提升6.5%、F1最高提升12.8%。
MODIS粗像素里分出四类作物：UnMixMamba在阿尔伯塔把大麦召回率提到0.55，代价是千倍算力
MODIS像素常覆盖一整块或数块农田，粗信号是多种作物的混合，直接由粗到细分类难以稳定。UnMixMamba把解混得到的丰度场作为共享中间量，让重建、分类和稀疏细化都读同一组分数，并用可学习的每类端元变体吸收类内光谱差异。在阿尔伯塔2015年183个空间分块测试片上，它取得OA 0.8397、mIoU 0.6640、AA 0.7837、Kappa 0.7715，高于ST-DRes等基线，大麦召回率0.5496为对比中最高；任务限定在已知农业掩膜内的四类作物闭集制图。
北极海冰浓度预报换掉循环网络：时间因果卷积加状态空间编码，1到6个月误差全面低于MT-IceNet
北极海冰浓度预报长期受制于多时间尺度信息难以协同融合，统计模型抓不住非线性关系，数值模式又依赖初始场。STICEnet把U-Net的编码解码路径改成严格单向的时间因果卷积与转置卷积，并在跳连处嵌入通道与空间注意力，用NSIDC海冰浓度和ERA5大气海洋变量训练。在1至6个月预报中，它的RMSE、MAE和R2均优于CNN、ConvLSTM、IceNet与MT-IceNet，第6个月RMSE为7.51%、R2为0.925。
英伟达把30B推理模型免费放上AI Gateway：3B激活、1M上下文，长跑智能体可直接调用
英伟达的Nemotron 3.5 Lightning以nvidia/nemotron-3.5-lightning-free为名在AI Gateway上免费提供，30B参数每token只激活3B，面向长时运行的智能体与RAG系统。
砾岩数字岩心不再二选一：大视场扫描补出孔隙细节，渗透率误差降到18.56%
针对砾岩储层微CT成像中大视场与高分辨率难以兼得的矛盾，Hy-MambaIR把窗口自注意力与Mamba状态空间模型串成“先局部后全局”的重建网络，从低分辨率大视场切片恢复高分辨率孔隙与砾石结构。在配对多分辨率微CT数据上，其峰值信噪比达33.36 dB，比HAT高1.31 dB，并以少6.6倍的训练迭代达到30 dB；在855³体素代表性单元上，三向绝对渗透率平均相对误差为18.56%，经砾质砂岩监督微调后降至3.59%。
TranSamba 用跨平面 Mamba 把弱监督体数据分割的 DSC 推到 64.1%，在 BraTS、KiTS、LASC 三个数据集上均居首
该工作提出 TranSamba——在 DeiT-S 视觉 Transformer 编码器的每一层 Transformer 之前串联一个跨平面 Mamba（CPM）块，让相邻平面间的 patch token 以线性时间交换信息，从而改善平面内自注意力与类到 patch 注意力图；在仅使用平面级标签、每批 16 个含 16 个连续平面的体数据、训练 100 轮设置下，它在 BraTS、KiTS、LASC 测试集上分别取得 64.1%、26.8%、41.0% 的 DSC 与 46.8%、25.8%、25.6% 的 IoU，均为所比较方法中最高，且时间复杂度随平面数线性增长、批处理空间复杂度与平面数无关。
已读完全部报道