中國科學家提出模仿醫生閲片流程的肺結節 AI 輔助診斷新方法
中國科學院合肥物質院科研團隊提出 M³Net,模仿醫生先看全局、再看局部和細節的流程,利用多尺度影像分析肺結節良惡性。模型在 LIDC-IDRI 和 USTC-FHLN 數據集上的分類準確率等指標均較十二種 AI 算法提升,參數量與運算成本亦較低。
中國科學院合肥物質院科研團隊提出 M³Net,模仿醫生先看全局、再看局部和細節的流程,利用多尺度影像分析肺結節良惡性。模型在 LIDC-IDRI 和 USTC-FHLN 數據集上的分類準確率等指標均較十二種 AI 算法提升,參數量與運算成本亦較低。
DeepStress 是一套動態壓力測試框架,透過可控地降低檢索證據品質,測試搜尋智能體在不同證據條件下的表現。研究以 HotpotQA 和 BrowseComp-Plus 的問題評估 12 個系統,發現多個開放權重智能體在來源有明顯可信度警號時仍會自信作答。許多 HotpotQA 問題即使所有檢索文件均有事實錯誤,仍會依靠模型參數中的知識作答。
Test-Time Baking(TTB)透過把跨視圖注意力中的全局場景資訊烘焙至輕量 MLP,提升僅解碼器大型視圖合成模型的新視圖解碼品質,同時維持 Test-Time Training 的渲染效率。TTB 在多個 benchmark 上達到最高 23x 渲染加速,品質媲美當前最先進方法。
Ropedia Xperience 2 提出以環境和行為共同採集為核心的具身 AI 數據方案。數據包括 1,589 個已公開、具公制尺度的 3D 掃描,以及涵蓋 74 項任務、共 131 小時的 4,230 段第一視角錄影。場景可轉成具物理互動性的模擬環境,人類動作可重定向為全身機械人軌跡,並以虛擬遙操作和自動生成長時程軌跡補充機械人行為,為研究環境與行為的規模擴展規律奠定數據基礎。
PhysLoop 以大語言模型引導影片生成、篩選及修正,協助影片生成模型生成符合物理規律的影片並自我改進。研究團隊公開了涵蓋室內及室外場景的 100K 段影片、生成工具,以及 PhysLoop-Gen 和 PhysLoop-Repair 兩個評測數據集。研究亦以 Physics-IQ Verified benchmark 評估影片的物理表現。
UniSpark-9B是一款探索混合注意力的統一多模態模型,每個分支約有9B參數,支援視覺問答、文字生成圖像、指令引導編輯及交錯文字與圖像預測。模型在MME-S取得2470.3分,在GenEval取得0.83分,並將圖像合成能力延伸至2K。
WorldDraft 評測基準用來衡量影片模型在程式碼構建 4D 世界後,能否保留世界運動並呈現指定視覺效果。基準包含 432 個測試案例,涵蓋 48 個可執行的 4D 世界類別;對 12 個代表性模型的評估發現,來源線索衝突可引發高達 64% 的來源洩漏。研究提出 WorldDraft-Primer,一種視覺提示策略,可提升凍結影片渲染器在兩項目標上的表現。
FOAM 是一種輕量級 SOAP 變體,透過僅輸入端預處理及因子化 Adam 矩估計器,降低記憶體使用量並移除一次特徵分解。LLM 預訓練測試顯示,FOAM 在 124M 至 760M 參數規模下,驗證損失媲美 SOAP 和 Muon,優化器狀態僅為 SOAP 的一半,運行速度則達 Muon 級別。它亦能在三倍學習率範圍內保持穩健。
研究發現,表現不佳的決策模型仍可透過評判完整行動軌跡,有效教導強化學習策略。JEV以GRPO訓練Qwen2.5-1.5B策略後,ALFWorld成功率由72.8%升至82.9%,WebShop則由56.8%升至71.4%。逐一判斷每個行動是否有幫助,能區分有用和無用的行動。
LoopVQ 以低於 1 bit 的精度壓縮 KV cache,提升長上下文解碼速度及服務吞吐量,無需重新訓練底層 Transformer。每個元素採用 0.5 bits 時,32K tokens 下的解碼延遲約為 BF16 的一半;在 1.4B 和 2.6B Ouro 模型上,峯值服務吞吐量分別提升最多 4.3× 和 6.1×,一般批次大小下每秒請求量約增至兩倍。
浙江大學團隊提出 SpaceCast-Bench,評估 VLM 根據場景變換推斷新空間關係的能力;21 個模型中最高準確率為 58.0%,人類為 87.2%。基準涵蓋 182 個真實室內場景、3862 道問題和 16 類任務;6 個空間專項模型準確率為 25.7% 至 29.1%,接近 25.9% 隨機基線。提供文本形式的 3D metadata 後,閉源模型平均提升 30.7 個百分點。
MIT 研究人員研發協作式 AI 設計系統,讓工程師在拓撲優化生成結構時提供意見,改善結構的可製造性及線性屈曲載荷。研究示範顯示,這種人機協作方法令兩項指標提高 39%,相比全算法設計只增加 15 秒設計時間。系統利用機器學習找出最可能需要修改的設計區域,供工程師提供意見。
研究提出以自適應計算訓練多層深度的 System One 決策模型,讓單一模型按需增加計算,提升準確度與效率的取捨。研究發現,決策資訊集中於中間層,移除最後六層仍不損失表現。該方法在七項決策基準測試中,各深度的表現均媲美或優於獨立訓練的模型。
IsoKron 審計 GitHub、Grafana、PostHog、Kubernetes 四個 MCP 伺服器,發現測試中出現並行更新遺失或過期資料覆蓋。
Google DeepMind 發佈 AlphaProof Code,讓人類專家與 AI 智能體協作驗證軟件,並在若干假設下,對 Signal 協定參考實作 libsignal 的編譯後機械碼證明若干安全性質。
PubMed 不會把加引號的舊 MeSH 標題映射至新標題,令相關搜尋找不到記錄。測試 2016 至 2019 年更名的標題後,259 個舊主題標題中有 246 個、4 個舊地理名稱中有 3 個會觸發「quoted phrase not found」。pubmed-pt-check 0.1.5 可識別查詢中的舊名稱,並以現行標題改寫。
德州農工大學研究團隊提出 5G CATS,把 5G 無線電直接封入 GPU 封裝,以驗證晶片實際運行地區,防止走私。使用 ns-3 和 5G-LENA 的模擬顯示,方案每次都能攔截 300 公里外的光纖中繼攻擊;預設 5G 則要到 2000 公里才可攔截。99.9 百分位往返時延波動由 39.28 毫秒降至 2.60 毫秒。
毛德華團隊利用遙感大數據和雲計算平台,實現國家尺度濕地動態監測,涵蓋2016—2024年,空間分辨率為10米,平均總體精度達81%以上。團隊評估了1980至2020年間中國濕地景觀變化對土壤有機碳庫的影響,發現濕地保護與恢復可抵消濕地農田化造成的部分碳損失。
Nvidia 研究人員打造 Déjà View,以 117 million 個參數將不同角度拍攝的照片轉換成 3D 場景,並在重用同一層的設計下,媲美或超越參數量為其 8 至 10 倍的模型。模型在五項 3D 重建基準測試中,平均相機位置準確度領先,所需運算能力亦比測試中的最大競爭模型少 1.9 至 2.3 倍。論文獲選為 NeurIPS 2026 口頭報告,Nvidia 已釋出程式碼。
Unemployment Labs 的 Will DePue 發表鑑識報告,指 DeepSeek、Moonshot AI、MiniMax 和 Ant Group 的六款模型權重呈現與 NVIDIA Blackwell GPU 初始化配置相符的數值模式。
推薦理由:報告透過模型權重中的初始化數值模式辨識硬件配置,並説明這類指紋支持哪些推論,以及無法確認哪些出口管制事實。
澳洲 CSIRO 團隊以 GenDIReCT 獨立復核 EHT 對 M87* 的觀測數據,確認人類首張黑洞照片中的緊湊環狀結構並非成像或儀器誤差造成。研究團隊以「閉合不變量」處理三站望遠鏡組合,並用與天文無關的圖像訓練 AI 模型,避免演算法預設黑洞應有的影像形態。
澳洲 CSIRO 團隊以新算法 GenDIReCT 復核 M87* 的觀測資料,確認人類首張黑洞照片中的環狀結構並非成像假象。研究人員將 2017、2018 和 2021 年的 EHT 公開觀測數據輸入算法,不同視場及年份下均得到直徑約 42.2 微角秒的緊湊環狀結構。研究指出,該結構源於黑洞周圍經引力透鏡效應和紅移的輻射,並進一步支持廣義相對論對黑洞陰影的預言。
Unemployment Labs 的分析在四家公司的六款開放權重模型中,發現與 NVIDIA Blackwell GPU 初始化相符的模式。
Mehmet Ince 詳述如何利用 PostgreSQL 核心中一項存在 22 年的類型混淆原語,構造可觸發遠端程式碼執行的攻擊鏈。他透過預備查詢後修改複合類型欄位,令 PostgreSQL 以新類型解讀原有資料,進而洩漏記憶體地址並劫持原生函數指標。
推薦理由:文章沿著複合類型變更與預備查詢的交互作用,拆解 PostgreSQL 如何以新類型處理舊資料,並串連至記憶體位址洩漏和控制流程劫持。
研究團隊以新開發的獨立成像算法重新分析 EHT 數據,獨立驗證人類首次拍攝到的黑洞圖像中的環狀結構。新重建圖像與原始圖像高度重合,但研究人員指出,採用不同先驗模型和重建方式仍可能令圖像細節有所不同。
毛德華團隊首次實現10米空間解析度、2016—2024年年度連續更新的全國濕地動態監測,平均總體精度達81%以上。研究顯示,40年間濕地農田化累計造成約574.66萬億克碳損失,退耕還濕增加的碳量抵消了約32.4%的相關損失。
在同一組 24 條問題測試中,GPT、Claude、Gemini、Grok 和 Llama 在推薦問題上的分歧最多,平均每題有 3.17 項重大分歧。事實問題平均每題只有 0.33 項重大分歧,而 6 條推薦問題中有 5 條出現至少一項重大分歧。
康奈爾研究發現,美國四個主要電網在2020至2025年間的數據中心相關基建成本,大多由居民承擔。2025年,數據中心平均支付38%的相關成本,即$3.12 billion;總額為$8.25 billion,餘下62%($5.13 billion)主要由居民承擔。最低收入家庭的額外能源開支最高可達收入的28%。
Microsoft Research Focus 第 98 期涵蓋 AI 跨語言翻譯、解決 KLS 猜想,以及提升編碼智能體效率等研究進展。研究團隊分析 1,350 萬次編碼工作階段,發現少於 8% 需要上下文壓縮,但佔 AI 處理成本的 44%;APEC 將成本最多降低 25.4%,執行時間降低 9.6%。
SteerDistill 以閉環教師引導修正量化大語言模型智能體,將 30 B 模型壓縮至 4-bit、3 GB,任務成功率與全精度基準相差 4 個百分點。論文數據顯示,推理延遲由 12 ms 降至 5 ms,環境條件不匹配故障減少 73%。方法可配合 bitsandbytes、GPTQ 和 AWQ,並以約 0.6% 基礎參數的適配器進行線上修正。
ReTrace 從 Agent 執行記錄中提取決策邏輯,將重複執行的 SOP 編譯成無需 LLM 逐步規劃的確定性工作流程,遇上未涵蓋情況時則交回 Agent 處理。在 79 個生產 SOP 上,工作流程完成率達 93.8%,每項任務成本降低 24%;在 τ²-Bench 上,執行時間由 170 秒縮至 1.3 秒。
研究提出人機協作失敗挖掘流程,將強化學習點雲抓取策略持續失敗的案例轉化為虛擬實境中的人類示範,再用於訓練。模擬中,強化學習將未見物件的抓取成功率由 Contact-GraspNet 的 55% 提升至 83%;加入 58 個人類示範後,難例成功率由 24% 升至 45%。這方法亦恢復了強化學習在相似未示範案例上的表現,且未降低未見物件的成功率。
這項研究發現,指定安全主管智能體並由協調員發布安全規格文件,可令多智能體 LLM 團隊恢復個別智能體的對齊行為。研究涵蓋敗血症分診、新聞推薦及 10 項顧問提案生成任務,並指出責任分散會令團隊較少主動檢查系統層級的安全問題。研究團隊亦發布多智能體 LLM 編排及實驗框架 magelab。
MMFlash 透過自適應提高視覺依賴 token 的權重,並在長影片輸入中採用稀疏注意力,加速視覺語言模型的多模態推測解碼。它在多項多模態基準測試中實現最高 3.58× 的無損解碼加速,較 EAGLE-3 和 DFlash 分別快至 195.4% 和 17.1%。
DySENSE 是一個多模態 GenAI 框架,可結合靜態城市衞星影像與空間對齊的每月動態建築能源消耗圖,合成帶有能源數據的城市影像。該框架在四個城市的實驗中,使用少於 25% 的已標註數據,令下游預測的 mIoU 提升 8%;相較現有方法,預測準確度提升 8.7%,CVRMSE 預測誤差降低 9%-18%。
WEIGHTBENCH 是一項評測大語言模型執行權重空間程式設計能力的基準,涵蓋讀取、修補及生成權重、辨認不可能修改和無數據壓縮等五個方向,共 42 項任務。
JVT(Just Video Transformer)以簡潔的大型 patch DiT 式 Transformer 直接進行像素空間影片擴散,無需預訓練自動編碼器或 U-Net 跳接,生成品質媲美潛在擴散基線。JVT 亦支援相機條件控制的 RGB-視差聯合生成,相較只生成 RGB 的基線改善相機跟隨,並可在推理時毋須額外重建模型,產生明確的場景幾何。
研究提出 LuthorSQL,一款非自回歸 7B Text-to-SQL 模型,作為較慢 LLM Agent 的快速 System 1 閘門,只在不確定時才把問題升級給 Agent。
G-CAST 是面向電商智能體的治理式持續自我訓練系統,將日常生產證據轉化為訓練資料,並透過受控的模型更新應對需求與能力變化。真實電商智能體實驗顯示,與自主後訓練基線相比,G-CAST 更能適應新需求,同時保留用戶已接受的行為。G-CAST 現已部署於 Alibaba 1688 平台的 B2B 採購智能體 Yuancai。
OutfitterBench 評估 LLM 智能體管理戶外裝備租賃業務的能力:在固定資金及需求不確定的條件下,經營 200 天,處理 46 種產品和約 1,100 項預訂請求。對七個前沿 LLM 的實驗顯示,多個智能體表現不及簡單的規則基準,只有領先者持續勝過基準。分析指出,智能體難以持續維持可行承諾並重新評估資源配置;基準程式碼已公開。