SplatLab:实现3DGS研究自主科学发现的系统
SplatLab是一个针对3D Gaussian Splatting的自主科研系统,可端到端复现基线、提出扩展、训练消融并撰写论文,所有结果均绑定至已记录的训练运行。
SplatLab是一个针对3D Gaussian Splatting的自主科研系统,可端到端复现基线、提出扩展、训练消融并撰写论文,所有结果均绑定至已记录的训练运行。
研究者提出基于 Transformer 的 OCFormer,解决预设初末状态下多智能体路径规划难题,单次前向传播仅需约 220ms。 OCFormer 利用自注意力机制实现置换等变性,通过物理信息损失训练无需预计算轨迹数据,L-BFGS 微调可在数秒内适应分布外扰动。
该机器学习框架 PYTHIA 结合基础模型与迁移学习,将应用拓展至新颖且研究不足的材料体系。 方法上,PYTHIA 在化学相似分子大 dataset 上训练复杂基础模型并冻结权重,随后通过 Transformer 层进行子空间对齐并引入高斯过程量化不确定性。 作为替代模型用于贝叶斯优化方案,成功高效识别了两个不同体系中复杂分子的吸附位点及缺陷。
提出即插即用机制 ValuSpec,在目标模型验证前过滤低质量分支,无需训练参数。 基于传输监督对齐目标模型行为,在 HumanEval 等基准上实现最高 2.38x 加速。 集成至 EAGLE-3 框架后可达 2.78x 加速,显著降低验证计算浪费。
Agri-SCHOLAR 提出一种结合 LLM 智能体与作物模拟器的闭环框架,用于生成个性化当季农业建议。 该系统利用土壤、作物属性及历史类比天气外推,在 LLM 设定的参数边界内优化产量、资源利用与经济效益。 对南亚玉米 11 年的分析表明,该框架持续优于地区标准耕作规范,解决了现有建议缺乏可扩展性的局限。
summary_zh: GAV 通过生成器、代理和验证器的协同机制,使新偏微分方程(PDE)问题具备可验证性,解决了编码代理评估中依赖昂贵参考计算的问题。 该方法采用制造解法从参考解反向构建 PDE,代理据此迭代改进程序;在 Navier-Stokes 数值任务中,GAV 使三个现有 PDE 代理的测试平均误差降低了超过一个数量级。
SWE-Verifier 通过对编码智能体动作进行选择性候选采样与验证,在 MiniMax-M2.7 上将任务解决率从 75.47% 提升至 77.20%。该模型基于 Qwen3.5-4B 训练,验证步骤占比低于 4%,且成本仅为原模型的 1.09 倍。
在 Sokoban、Connect Four 和 Othello 中,记录失败操作反而降低 LLM 表现,修正增益 G = -1.38 nats/token。 该效应在 135M-1.7B 模型上表现显著,失败操作的 log-probability 对初始概率敏感度低(斜率 0.18)。 仅禁止重复字符串无法阻止非法操作,移除失败记录可恢复模型偏好。
该研究提出了一个开源审计平台,利用 QLever 处理 Wikidata 中 1000 万条绑定关系以评估代表性。 平台采用卡方检验和 Wilson 分数置信区间等统计方法,覆盖性别、公民身份等维度。 结果显示女性占比 28.71%,非 WENA 公民身份占比显著偏低,揭示了严重的文档缺失问题。
MLEvolve 是基于 LLM 的多智能体自进化框架,通过扩展树搜索实现端到端机器学习算法发现。 在 MLE-Bench 的 12 小时预算下,其平均奖牌率和有效提交率达到 SOTA,且性能超越 AlphaEvolve。 该框架通过回顾性记忆与自适应编码模式,解决了长程优化中的经验复用与层级控制难题。
研究在办公规模(30B本地模型,120-600个样本)下测试FunSearch式循环的三种算子包。完整2^3因子分析显示,组合算子弥合种子与记录差距达+0.196;排斥算子在9个问题中的8个提升多样性。
summary_zh: FormalASR 提出两款 0.6B 和 1.7B 参数的端到端模型,直接实现口语中文转正式文本,无需部署时 LLM 后处理。 模型基于 Qwen3-ASR 微调,在 WenetSpeech-Formal 等数据集上相对字错率降低达 37.4%。
针对 LLM Best-of-N 选择中多数投票失效的问题,提出 Radial Consensus Score (RCS)。这是一种无训练、高效的方法,通过计算答案嵌入的加权 Fréchet 均值中心,并依据候选项与该中心的径向距离进行排序,从而捕获语义一致性。
针对当前深度研究智能体未评估以视频为中心的研究报告生成的局限,arXiv 论文提出了 OmniDR-Bench 基准。该基准包含 50 个中英文任务、6,414 条原子评估标准,旨在测试视频定位、多模态证据检索及交互式报告生成。 在测试的 18 种智能体配置中,最佳系统得分为 63.3/100。结果指出当前智能体仍存在内容覆盖面不足、跨模态因果逻辑分析及引用准确性欠缺等问题。
论文引入原子可解释单元基础,确立字典分解的语义解释目标。 在数百个 SAE 评测中,发现主导特征在现有指标下看似单义,实则更具多义性与冗余性。 该结果支持将主导感知评估作为 SAE 部署前的标准检查项。
SurveyGraph 框架利用方法-实体知识图谱(MEKG)生成学术综述,其图感知检索在 8 次运行中将召回率提升至扁平词汇基线的近两倍(p=0.004)。 模型语义证据门控 AUC 达到 0.75,160 句生成内容的 80.6% 具备引用支持,108 条语义边中 68.5% 关系得到支持。
一项预注册研究测试了 8 个开放权重模型在 558 份真实文档上的表现,发现当 schema 设定未强制的最小计数 k 时,模型倾向于填充列表。 显示 schema 中的最小计数会将列表长度超过真实数量的比例从 34.5% 提升至 55.4%,且约一半的填充项来自原文,难以通过常规检查发现。 研究者发布了代码和运行记录,指出常见修复方法效果有限,重新询问验证错误反而使填充更常见。
在32M参数规模下,逐选项评分比联合评分高5.8个机会校正技能分;从原始编码器出发,两者无法区分优势来源。 6个已发布的联合编码器(17M至1B参数)中,68M和150M模型在209个System1-Arena任务上分别比435M DeBERTa-v3零样本分类器高4.9和5.9点;145个未见任务上至少持平。
研究人员发布 0.8B-9B 参数规模的 RetiJev 模型,在 531 种眼科疾病知识上超越 27B LLM 和 Jev 1.13。 模型直接评分候选答案,单 GPU 响应 158ms,推理速度比 LLM 快 3.5 倍、比推理模型快 470 倍。
MemPlan 提出一种记忆条件 PDDL 规划框架,将 LLM 定位为语言与符号规划间的受限桥梁,在 TextWorld、ALFWorld 和 Robotouille 上提升任务完成率和步骤效率,同时显著降低在线 token 成本。
CiteAnchor 提出源感知接地框架,并构建了含 423 个样本的 CiteResolve 基准,用于检测幻觉引用。 在现有检测基准上,CiteAnchor 使用 GPT-5.6 Luna 取得 0.841 F1,使用开源权重骨干取得 0.784 F1,分别超基线 7.9 和 36.8 分。
研究团队提出 FusionEval 基准,涵盖基于 Qwen3 和 Llama 构建的数学、代码等五个领域的专家模型池。该基准整合了有监督和免训练融合方法,在八项公开测试中评估性能与算力成本。
hunter/gatherer 是一款开源持久记忆平台,允许 AI 从大型文件和记忆数据库中快速检索证据并引用来源。 该平台支持在超大数据库中搜索,允许 AI 检查原始文档,并通过有界上下文交付保持数据量在可控范围内。
MiniMax 稀宇科技宣布开源 MiniMax M3.1 Flash 模型权重,总参数 428B、激活参数 23B,较上一代 M3 全面升级;该模型通过全模型稀疏注意力。
NPCTalk使GTA V等游戏NPC能实时、角色化及用自己的克隆语音在1秒内响应玩家对话。该项目将Claude技能打包进单一仓库,基于NVIDIA Nemotron ASR、Qwen 3.8 27B和Fish Audio Drama 3等开源模型构建,通过无服务器GPU自托管部署。
微软 Copilot Studio 团队与 Hugging Face 联合开源 ThinkingBox-Training,提供将数据库终态检查改造为可执行奖励、用于智能体 RL 后训练的完整栈,包括离线策略相对难度筛选、GRPO 训练与评测脚本。
推荐理由:开源了完整训练栈和离线难度筛选方法,读者可复用于将数据库终态判定改造为智能体 RL 训练奖励。
微软 MAI Health 团队发布了医疗 AI 诊断系统 MAI-DxO 和顺序诊断评测 SDBench,相关论文发表于 Science。在基于 MIMIC-IV-ED 的急诊场景测试中,MAI-DxO 准确率为 80%,医生为 47%;在更复杂的 NEJM 病例中,MAI-DxO 达到 83%,而医生使用教科书和互联网资源时仅为 36%。
Canva 发布了其首个图像生成模型 Canva Craft,该模型采用两阶段流程,先生成包含空间关系、相对比例和视觉层级的计划,再输出最高 2K 分辨率的图像。
Forked 是一款开源工具,为 AI 智能体提供类似 Git 的状态版本控制,支持 fork、rewind 和 replay 结构化状态(如消息、记忆、工具结果)。
科大讯飞发布端云一体大模型讯飞星火 X2.6,其端侧 4B 模型已开源并提升了端云路由准确率;同时推出语音基座模型 SparkAudio 1.0、AI录音环、AI眼镜及数字员工平台等软硬件产品。
OlmoEarth v1.3 发布,提供 10 米分辨率的 128 维(或 64 维)全球卫星嵌入及交互探索工具。该模型在 27 项评估中 20 项排名第一,训练算力成本较 v1.2 降低 53%。探索工具允许用户无 GPU、无注册直接基于少量标签训练分类器并导出 GeoTIFF 地图。
推荐理由:OlmoEarth v1.3 发布了地球预计算嵌入和交互工具,展示了其在全球尺度上评估与监测地表变化的具体应用。
OpenClaw 创造者 Peter Steinberger 在 Cloudflare Connect 2026 大会上透露,上月运行 AI 负载消耗约 1000 万美元 Token。这些支出主要来自投资人资金,并非个人开销。他建议用另一 Agent 授权控制 Agent,以提高信任度。
Recursive 发布首个语言模型 Flint,由 AI 系统 Eureka Machine 深度参与其架构设计与优化,支持本地部署,在编码任务上表现优异。Flint 采用 40B 参数的 MoE 架构,其中仅 2.5B 参数在推理时激活。
FiscaLLM 是一款基于 MIT 协议的开源工具,通过记录 AI 调用与订阅收入,让用户直观对比每个用户的 AI 使用成本与实际盈利情况。 SDK 支持 TypeScript 和 Python,仅需一行代码即可追踪模型名称和 token 消耗,支持连接 RevenueCat 或 Stripe 数据,并可设置成本上限与告警机制。
Omnara 开源了 Apache 2.0 协议的可自托管智能体平台,支持在任意模型和机器上运行 AI 智能体,内置工具、密钥、权限管理和流式输出功能。该平台直接对标 Claude Managed Agents 和 OpenAI 的 Agents API,团队可免费自托管或使用 Omnara Cloud,并提供 CLI 和 TypeScript SDK。
推荐理由:Omnara 开源了可自托管的智能体平台,允许团队在任何模型和机器上运行 AI 智能体,直接对标 Claude 和 OpenAI 的托管服务。
Whybook 是一个开源的 JupyterLab 扩展,旨在解决数据分析中的理解鸿沟。其核心交互是通过拖拽变量、点击图表或提问来触发 AI 智能体生成并运行代码。
ApolloOffice 在13个 Rust 仓库运行一周,编码智能体流水线合并约316个 PR。它取 issue、写失败测试、修复并跑 CI 后再开 PR,只有新测试在修复前红、修复后绿才允许发出,多数错误来自损坏的构建镜像而非模型。
ModelAnalysis.si 工具上线,支持 450+ 模型,通过调整输入/输出 token 量和缓存命中率计算 API 与 RunPod 自托管的盈亏平衡点。 该工具映射不同量化(Q4/FP8/FP16)下的 VRAM 需求,并集成实时定价、LMSYS Arena ELO 排名及延迟统计,无登录或付费墙。
summary_zh: ReGDiff 通过整合潜空间与短程排斥引导,使几何合理性提升 8.9%,新颖性提升 46.4%,多样性提升 128.6%。 该方法采用 Transformer 自编码器将体素压缩至 128 维潜空间,生成 1000 个结构仅需 31 秒。
EinsiaAI 发布量化交易基准 Quant Arena,测试 6 家厂商 9 个模型在 A 股真实历史数据中的策略生成与迭代能力。结果显示 9 个模型中 5 个在 2024 年封存行情中亏损,表现最佳的 GPT-6 Astra 年化收益 10.7% 仍低于 17.1% 的市场基准,且模型预测准确性与最终收益并不完全正相关。
推荐理由:该研究通过 9 个主流大模型的实盘量化测试指出,模型虽能优化信号排序,但多数策略未跑赢市场,且存在“预测更准”不等于“盈利更多”的现象。