Navier发布Prism：AI智能体在一个桌面环境里驱动CAD、网格与十二类求解器
Navier发布桌面应用Prism，让AI智能体在同一环境里驱动CAD建模、网格划分、物理求解、后处理与报告撰写。此前硬件工程师要在CAD、网格器、求解器、后处理、Python或MATLAB与幻灯片之间手工搬运，一次设计研究常耗时数天，团队因此早早锁定方向、只测少量方案。Prism在本机运行十二类开源求解器并附带自研GPU有限元求解器Ferro，以无人机冷却模块走通从约束到工程报告的流程。
在线问诊里患者会突然换话题：PRISM把临床状态当隐变量估计，决策准确率高出最强基线22.40个百分点
在线问诊中患者常主动补充症状或临时转向新问题，使临床状态只能被逐步揭示。PRISM把临床分诊拆成信念估计、策略优化与回复生成三步，先对可能的问诊状态维护一个后验分布，再按最大后验状态选择下一步询问。在450例真实在线问诊评估中，其结构化决策准确率比最强基线高22.40个百分点，BERTScore_F1比最强基线高5.51分。
分子图网络不再整层读到底：PRISM 让每个原子自选消息传递深度，预训练 GIN 上六项指标四项改善
分子性质依赖不同尺度的化学环境，但图神经网络通常对所有原子固定同一传播深度。PRISM 用每个原子自身编码特征生成一个有界标量，把该原子在保留的各层消息传递状态上的权重定位成单峰分布，因此分配深度可解析、随标量单调变化。在相同骨架划分与调参预算下，从头训练的 PRISM 在 ESOL 与 FreeSolv 上取得最低或并列最低平均误差；接到预训练 GIN 上，它在六项终点中的四项优于只读最后一层。
用任务向量方差预测合并崩溃，PRISM 无需数据即可修复五个破坏性合并
该工作提出以专家任务向量跨专家的方差作为“干扰”度量，在合并前给出预测崩溃的分数，并据此设计 PRISM 算子：先平均任务向量、再按每层干扰水平做软阈值，在来自四个模型族的二十二个合并配置中只有破坏性合并超过该分数阈值，十四个合并的事前预测有十二个正确，PRISM 在无数据、无调参的情况下把全部五个破坏性合并保持在阈值之上、与基座模型评估噪声相当，而朴素平均至少低 14.4 分或完全崩溃。
从被忽视到被探索：用多视角混合恢复序列推荐中的物品关系
该工作通过实证分析指出基于点积的自注意力存在“相似性偏置”，会系统性忽视对目标预测有因果贡献的异质物品关系，并提出 PRISM 模块，用 K 个视角透镜在 Affinity View 与 Contrast View 两种互补视角下校准注意力，在七个真实基准上持续优于现有基线。
已读完全部报道