2998 篇论文
该研究提出了一种基于物理信息神经算子（PINO）的人工智能代理模型，通过嵌入物理原理，将铁电垂直 NAND 器件的阈值电压漂移和保持特性模拟速度提升了超过 10000 倍，从而克服了传统 TCAD 工具在大规模参数优化中计算成本过高的问题。
该论文针对人工智能代理主导的“代理网络”对现有法律框架带来的挑战，提出了一种由自主身份、认知约束、去中心化裁决、自下而上的市场规制及可移植制度框架五层构成的分布式法律基础设施（DLI）治理范式，旨在通过互操作协议将合法性嵌入技术底层，从而在去中心化环境中实现可问责、可争议且符合法治原则的治理。
该研究通过训练双向长短期记忆网络（Bi-LSTM）、门控循环单元（GRU）及其混合模型，利用临床特征、影像和生物标志物数据成功将冠状动脉疾病检测准确率提升至 97.07%，显著优于传统诊断方法。
该论文提出了一种名为 SELSM 的免训练框架，通过蒸馏模拟临床轨迹为实体无关的逻辑规则，并利用查询锚定的两阶段检索机制解决状态多义性问题，从而在严格隐私约束下显著提升了本地部署的 30B 级医疗大模型在 FHIR 临床任务中的零-shot 推理能力与任务完成率。
本文介绍了 MindfulAgents，这是一种基于大语言模型的多智能体系统，能够通过专家对齐的框架生成个性化正念冥想脚本并实时适应用户需求，从而显著提升用户在冥想过程中的参与度、自我觉察能力及长期练习意愿。
该研究揭示了 DNA 基础模型生成的嵌入表示（尤其是 per-token 嵌入）存在严重隐私风险，攻击者可通过模型反演攻击近乎完美地重建原始基因组序列，从而表明在嵌入即服务（EaaS）框架广泛部署前亟需加强隐私保护设计。
该论文研究了基于策略梯度的后训练方法，证明了在基础模型具备非平凡似然时，该方法能以最优样本复杂度提升性能，但指出仅使用结果奖励会因基础模型支持集限制而遭遇指数级查询复杂度障碍，而引入过程奖励模型则能通过依赖令牌级似然分位数有效克服这一维度灾难。
该论文通过理论分析揭示了四足机器人模仿学习在小样本下的有效性，并提出了一种新方法，仅需数秒演示即可离线训练出具备合理鲁棒性的行走策略。
本文提出了名为 Elenchus 的对话系统，该系统基于推论主义语义，通过人类专家与大型语言模型之间的“证明者 - 质疑者”对话来构建知识基，并将对话状态映射到 Hlobil 和 Brandom 的非单调多后继逻辑（NMMS）中，从而在 W3C PROV-O 本体等案例中实现了从对话协商到形式化推理的端到端集成。
该论文通过大规模跨领域评估，首次系统性地证明了内容感知分块策略（特别是段落分组法）在结合不同嵌入模型时能显著提升检索效果，并揭示了分块策略与领域特性及模型规模之间的互补关系与效率权衡。
本文提出了一种名为 NePPO 的新多智能体强化学习流程，通过学习玩家无关的势函数将混合合作 - 竞争环境转化为近似势博弈，从而在通用和博弈中有效计算近似纳什均衡，其性能优于 MAPPO、IPPO 和 MADDPG 等主流基线方法。
该论文提出了 Diffusion Controller (DiffCon) 框架，通过控制理论视角将扩散采样统一为线性可解马尔可夫决策过程，并据此推导了高效的强化学习微调算法与轻量级侧网络参数化方法，在保持骨干网络冻结的同时显著提升了扩散模型的偏好对齐效果与质量效率。
该论文揭示了仅基于平均处理效应（ATE）为零的监管标准存在“因果掩盖”漏洞，即优化算法可在满足该统计指标的同时通过混淆因素实施严重的不公平对待，且此类隐蔽的不公难以被检测，因此主张应将公平性监管从决策层面提升至模型层面。
该论文提出了一种基于预训练视觉基础模型（Cosmos Tokenizer）压缩潜在空间的概率性世界模型，通过结合保形预测框架生成不确定性指标来构建运行时监控器，从而在无需显式定义故障模式的情况下，以极少的参数量实现了对双机械臂操作任务中异常故障的高效准确检测。
该研究通过“超级技能栈”框架分析 80 个学生设计团队的反思，发现生成式 AI 主要作为认知加速器辅助设计早期阶段，而人类凭借能动性、领域知识、想象力和品味等核心能力在理解语境、验证输出及优化方案中发挥不可替代的关键作用。
该论文提出了名为 Self-MOA 的全自动框架，利用自动化评估模型提供的弱监督信号，通过动态生成红队提示和多目标偏好优化，在显著减少训练数据依赖的同时，有效提升了小型语言模型的安全性与有用性。
该论文提出了名为 ReSched 的极简深度强化学习框架，通过重新定义马尔可夫决策过程将状态空间压缩至四个核心特征，并结合改进的 Transformer 架构，在降低建模复杂度的同时显著提升了柔性作业车间调度问题及其变体的求解性能与泛化能力。
本文提出了 Hit-RAG，一种通过监督微调、判别式偏好对齐和组相对策略优化三阶段偏好对齐框架，有效解决多模态大模型在长上下文检索增强生成中注意力稀释与推理幻觉问题，从而显著提升长场景下推理准确性的方法。
该论文针对现有基于大语言模型的 Web 智能体因扁平记忆结构导致跨网站泛化能力不足的问题，提出了一种名为分层记忆树（HMT）的框架，通过将记忆解耦为意图、阶段和行动三个层级，实现了逻辑规划与动作执行的分离，从而显著提升了智能体在跨网站和跨域场景下的任务泛化能力。
本文提出了名为 DeepEarth 的自监督多模态世界模型，其核心创新是能够将 3D 多分辨率哈希编码扩展至时间维度的 Earth4D 行星级 4D 时空位置编码器，该模型在生态预测基准测试中取得了最先进性能，甚至超越了在更大规模数据上预训练的多模态基础模型。