编码智能体通过“光学即代码”方法原位训练光学神经网络
研究人员提出“光学即代码”方法,利用编码智能体仅通过测量数据原位训练光学神经网络。 该方法无需硬件校准或梯度计算,智能体形成物理理解并重构网络,在分类任务中优于无梯度方法,接近反向传播性能。 它为大规模可扩展光学神经网络提供了实用路径。
研究人员提出“光学即代码”方法,利用编码智能体仅通过测量数据原位训练光学神经网络。 该方法无需硬件校准或梯度计算,智能体形成物理理解并重构网络,在分类任务中优于无梯度方法,接近反向传播性能。 它为大规模可扩展光学神经网络提供了实用路径。
MICCAI 2026 首个放射学报告定位挑战中,最佳方案在 300 张测试 CT 上达到 Dice 0.375、命中率 0.77,匹配两位放射科医师独立评估的组间一致性水平。
冻结潜在世界模型可反向运行检测执行偏差,在 PushT 任务中将成功率从 0.650 提升至 0.862。 该方法通过偏移分数量化执行偏差,在 Cube 任务成功率提升至 0.432,真机实验中减少末端执行器误差。
LAGR 提出任务导向抓取检测方法,通过构建 2.68M 数据并在基准测试中超越次优方法 9.3 个百分点。 方法包含任务无关生成与语言条件重排序模块,并在 Franka 机器人上验证。
研究指出 One-step flow maps 作为后验采样器时存在不确定性丢失与不稳定,直接监督会加剧样本向条件均值坍缩。 Isthmus 方法通过桥接训练对的时间位置,在 5% 训练对沿边分布下保持网络、损失与推理代码不变,无额外成本。 在 MRI 重建中,该方法将 One-step calibration 恢复至 0.96,与多步样本相关性达 0.93,且跨种子方差显著降低。
针对光学神经网络在数字机器学习流水线中的角色,论文提出一种功能导向的评测方法,以实值张量映射作为评估边界。 该方法通过三步流程:定义模块输入输出边界、用匹配性能的数字化模块替代、并对比单步推理的系统级优势(如速度或能耗)。 作者总结前两步为“表达力卡片”,并在已发表的光学系统上进行演示,无需理解内部物理机制即可隔离光学模块的贡献。
针对长时程任务性能退化问题,提出RePlan-VLA框架。该框架在保留视觉-语言-动作策略的前提下,通过实时监测机器人运动状态来动态修订执行计划,无需额外微调。
GRAFT 方法通过图正则化原型场,在 11 个基准及 4 个 ImageNet 偏移场景下,提升了零样本模型的适应性能。 该方法使用高斯马尔可夫随机场先验和类存在模型,在缓存特征上实现无梯度、闭式推理。
TOGBench 是一个用于评估航拍影像中小目标生成保真度的定量对象级基准,旨在解决现有生成模型在小目标上表现不佳且此前被忽视的问题。 研究提出了两种简单的训练/推理时技术,提升了布局到图像生成器渲染小目标的能力,并提高了其在 TOGBench 上的性能。 该工作已被 WACV 2027 接收。
Balancing Partition Forest (BPF) 通过 Bregman 散度最大化互信息或降低权重平方误差,在 17 个场景中表现最佳。 单棵树在 16,512 个观测值上拟合仅需 0.14 秒。 该方法能限制逆概率加权估计器的偏差,显著提升因果推断效率。
AdaS-ViT提出测试时自适应路由架构,在ImageNet-1k上每图像能耗仅1.02至2.45毫焦,能效比达32至72倍。 架构基于AdaE-IF模型,结合S-GSA和S-LGU模块,通过时空渐进课程训练稳定发射精度与路由掩码协同。
研究人员提出 MEM-STRESS,一个将智能戒指生理数据转化为分层记忆以驱动基于 DBT 的多轮对话的 AI 聊天机器人。 在为期四周、60 名成人的非随机研究中,MEM-STRESS 组在 71.8% 的会话中引用了生理特征,相比对照组显著提升了用户对个性化支持的感知(44.4% vs 14.3%)。
该研究构建了视觉 LLM 与经典 CV 结合的管线,处理 3954 篇 COF 文章,生成 11445 条校准衍射曲线并开源为 COF-PEAK 数据库。 视觉 LLM 负责解析图像布局定位曲线,经典 CV 细化至像素级精度;与手工数字化相比,提取峰值中位偏差仅 0.07 度。 该方法使衍射图谱转化为可复用实验数据,支持分析合成条件下峰强变化及结晶度标记。
论文提出代理式框架 Lodestone,通过分析代码计算语义自动发现硬件专用化机会,并在 20 个负载上实现平均 12.6%、最高 80.2% 的加速。 该框架从执行轨迹提取热控制流区域,利用代理描述计算功能并合并为计算族,最终通过参考输入验证语义正确性,进而提出 ISA 扩展等硬件建议。
该论文开发差异性理论,构建独立于价格的前沿表示,推导无参数操作规则 N_eff = 1 及极小极大资源价格 lambda_i = alpha_i/(N+1)。 理论在 117 个公开前沿上评估,开源包 nn-rank 实现价格推导、候选排序及极小极大遗憾(ln(N+1) nats)计算。 使解释实测前沿及比较资源成本无需手动选择汇率成为可能。
论文提出价值语义层(VSL),将值语义外化为持久化、规划器可见的基础设施,以支持自主 LLM 智能体。 VSL 引入可复用的值语义类型(VST),涵盖分布、关系、过程、定量及策略语义,使规划器能验证操作并指导分析流程。 文章旨在构建 AI 原生的分析系统语义基础设施,弥补现有元数据系统在操作语义上的不足。
研究表明,语言模型通过权重空间编程直接编辑视觉语言模型SmolVLM-256M和LFM2-VL-450M的权重,无需梯度即可修复植入故障。 关键机制依赖32位算术故障在16位权重中留下的低比特痕迹;舍入这些比特后模型不再能精准恢复原值,但提示中指明统计特征仍可定位损坏行。该发现建议在权重修复研究中报告权重数字格式并包含舍入对照实验。
ConserveEdit 提出一种编辑器无关的控制器,通过“源锚定事务”将迭代图像编辑中的每步视为对源图像合约的事务,严格限制授权区域外的像素变化。 在 1053 个 MagicBrush 测试中,该机制将 DINO 相似度从 0.67 提升至 0.85,并将受保护区域违规率降至 2%。 代码和日志即将发布,自动定位(grounding)仍是当前主要瓶颈。
开源测试环境 MANGO Arena 让 4 个 LLM 智能体运行串行供应链,测得需求波动放大 7 至 25 倍。 智能体主要通过批量订单(高达 60% 的决策为零订单)放大上游波动;真实违规仅 7/288 次,未出现私下交易。 因 API 故障静默混入指标,同一种子重跑时上游牛鞭效应波动达 17 倍,建议完善多智能体评估报告规范。
Meta 在 LLM 推理流量整形器中实施 Cap-and-Track 设计,通过异步调度优化服务集群扩容与请求大小变化的处理。 该设计利用拒绝信号探测容量上限,在并发生产 A/B 测试中,使用比固定速率少 43% 的 H100 提供服务。 该系统每日处理超 3 亿在线请求,最高 24 小时处理 11 亿请求。
论文提出了一种类型化生成语法和名为 PANINI 的交叉熵搜索方法,用于生成机器人操作技能和形态。 该语法通过几何实现映射将语法组合转换为 SE(3) 中的变换,其仲裁决策可从几何包含关系中恢复,在 10 个种子下与欧几里得对照相比,一致性达到 0.905 +/- 0.062,显著优于对照组的 0.611 +/- 0.090。
GPT-6 Astra 仅通过查询工具对黑盒临床预测模型进行盲测审计,在72次运行中成功识别69个预设缺陷(96%),且替代模型对数几率复现均值 R²达0.976。 该模型通过中位数128项的替代模型描述黑盒机制,60%的可核查报告存在偏差,11%的意外关系在后续患者数据中得到验证。 审计结果显示,LLM 可忠实描述黑盒模型并发现大部分缺陷,但其问题报告和发现需结合模型与数据双重校验。
论文提出免训练方法 SHRINK,通过部分减少生成过程中可见关键值中与 sink 对齐的分量,在 9 个基准测试中提升推理准确率。 该方法在 LLaVA-OneVision-7B 和 Qwen2.5-VL-3B 上平均准确率分别提升 5.1 和 2.7 个百分点,且能替代现有注意力引导方法 GIFT 和 ACG 的操作。
TangentPDE 框架通过有限差分近似方向导数,联合约束状态保真度与响应方向,从而学习算子值及其局部变化。 该方法无需显式导数标签、线性化或伴随 PDE 求解,适用于非线性求解器,并作为即插即用框架集成多种神经算子主干。 在 4 类 PDE 系统和 20 种任务-主干设置中,TangentPDE 在 18 种设置下降低了三种子平均状态误差及 Rollout@20 误差。
summary_zh: PhysDial 适配预训练视频扩散 Transformer 模拟 PDE,在计算量匹配时,通过增加物理条件输入,使外力参数变化后的预测误差减半。
提出 Atomic MathReasoner (AMR) 框架,通过实例级组合原子推理技能增强数学大语言模型的推理能力。 AMR 训练特定能力的 LoRA 专家,利用无梯度优化发现低损失组合原型,并蒸馏至轻量级路由器以在推理时选择最优方案。
Agentic workflows 结合 LLMs 与确定性程序,将 CO2 存储模拟中结构性有效输入比例从 5/20 提升至 20/20。 在 80 次运行中,基于规则的准备使接受率达成 20/20,且局部修复成功纠正了 3 个植入缺陷。 该方法通过架构明确任务分配,解决了强耦合模拟中物理一致性与问题保真度验证的可靠性需求。
一项针对 DrivAerML 预训练神经代理的大规模基准测试显示,直接微调在 50% 以上的场景中表现不如从头训练,且会导致源域准确性降低。 研究团队提出 GeoReplay 方法,通过几何和梯度对齐进行源回放,在 80 个设置中的 77 个降低了源误差并匹配了目标准确率。 该方法证明了 GeoReplay 步骤能减少目标训练目标,为提升神经代理跨车辆类别的零样本泛化能力提供了理论依据和技术方案。
EfficientNet-B0 实验显示,在 P3-P5 阶段插入零门控自注意力适配器可使 ImageNet-1k 准确率提升 0.954 点至 74.02%。 注意力振幅随语义深度单调上升,P5 阶段达 66.3%。 交替双模板权重复用减少 10.9% 参数,单轮训练后准确率恢复至 70.92%。
研究提出 Rat NCAP 神经架构,结合生物脊髓回路生成大鼠运动。该模型无需模仿学习即可掌握不同速度步态转换。在 silico 细胞类型消融实验复现了已知步态表型。结果支持中等抽象层次具身模拟可同时再现复杂行为并提供机制洞察。
GSF 结合水印与实时参考,在 480 条历史中实现 99.67% 图像状态分类准确率,94.09% 未授权编辑召回率。 该框架支持无重写替换与退役,三次再版后区域标签恢复中位准确率达 93.13%。 水印可明确标识发行者、当前权威版本及各区域最后授权时间。
SOSM 框架将时间事件视为几何属性,在 184 例患者队列中实现平均 C 指数 0.768。 模型自动复现代谢驱动因子,代码已开源。
研究揭示了随机初始化固定权重、仅训练偏差项的 ReLU 网络作为通用近似器的动力学机制,证明梯度依赖激活码。 理论表明在激活码固定时,训练简化为线性最小二乘问题,且宽网络中神经元的激活切换比例随宽度增加而消失。 实验结果支持理论发现,确认在无限宽度极限下训练动力学趋近于基于初始激活码的线性最小二乘。
研究在受控智能体运行时中注入10类主机故障,对比4种配置与3种消融实验。 完整配置在200个崩溃重放对中重复效果为0/200,而简单基线为117/200;账本相关消融产生170/170孤儿效果。完整运行时吞吐量约为宽松失效模式的七分之一。 研究区分了去重与恢复,揭示了所测基准下的可靠性与性能权衡。
研究发现神经网络最终权重保留选择性历史信息,30个网络在10个候选中准确匹配初始权重。 线性探针以100%准确率解码任务顺序,2157对端点显示低损失连接,表明共享任务未抹除个体学习历程。
SIGMA 提出一种基于说话人感知与症状结构化的抑郁严重度估计框架,在扩展困扰分析访谈语料库上实现 CCC 0.762、RMSE 4.13、MAE 3.30 的最先进性能。 框架采用说话人分离仅限参与者语音,利用交叉注意力机制融合文本、音频和视频模态,并通过共享潜在严重度特征与特定条目有序阈值联合预测八项问卷条目。 消融实验证实隔离参与者语音及联合结构化症状预测显著提高了估计准确性。
基于 JEPA 的反事实世界模型利用动力学“无跳跃”特性,仅凭观测结果即可反推替代动作下的结果,无需反事实数据或额外参数。 针对持续时间为 h 的转移,该方法证明了相对于扰动方差的 O(h²) 反事实误差上界及对应的极小极大下界,并在不连续性处刻画了失效模式。
HORIZON 模型利用等变 Transformer 预测组织速度、增长及细胞丰度,以学习单细胞时空动力学。 该方法在四项空间转录组时间序列数据上,比现有空间及非平衡轨迹方法更准确地重建组织几何与基因表达。
该研究全面综述了利用人工智能数字技术管理行为成瘾的方法。 其涵盖预防、检测、治疗和恢复,旨在弥合临床基础与前沿计算方法,为研究人员和临床医生提供跨学科视角,并探索更具可扩展性和有效性的干预路径。
Elysium 提出一种无模拟求解器,通过联合学习状态转移与质量变化实现单细胞动力学重建。 该方法基于被杀布朗参考路径及其时间反转构造直接回归目标,无需在训练期间模拟轨迹。 实验表明 Elysium 在模拟基准测试中优于现有确定性及桥式求解器,并能捕捉双相药物响应动态。