IronEngine: Towards General AI Assistant
本文介绍了 IronEngine，这是一个围绕统一编排核心构建的通用 AI 助手平台，通过创新的三阶段流水线、分层记忆架构及自适应模型管理，实现了高效的任务规划与执行，并在文件操作基准测试中展现出卓越的性能。
🤖 Category
cs.LG
10318 篇论文
Grow, Assess, Compress: Adaptive Backbone Scaling for Memory-Efficient Class Incremental Learning
该论文提出了一种名为 GRACE 的自适应动态扩展框架，通过“增长、评估、压缩”的循环策略，在类增量学习中有效平衡了模型的可塑性与稳定性，在实现顶尖性能的同时将内存占用降低了高达 73%。
A prospective clinical feasibility study of a conversational diagnostic AI in an ambulatory primary care clinic
这项前瞻性临床可行性研究表明，在真实世界的初级保健环境中，由人工实时监督的 AMIE 对话式 AI 在安全性、患者满意度及诊断准确性方面表现良好，且其诊断与管理计划质量与初级保健医生相当，但在治疗方案的实用性和成本效益方面仍略逊一筹。
LycheeCluster: Efficient Long-Context Inference with Structure-Aware Chunking and Hierarchical KV Indexing
LycheeCluster 提出了一种结合边界感知分块与基于三角不等式的递归分层索引的新型 KV 缓存管理方法，通过将检索过程从线性扫描优化为对数级剪枝，在几乎不损失模型性能的前提下实现了高达 3.6 倍的端到端推理加速。
The Boiling Frog Threshold: Criticality and Blindness in World Model-Based Anomaly Detection Under Gradual Drift
该论文通过研究世界模型在连续观测漂移下的自监控机制，揭示了检测阈值的普遍存在性及其受噪声基底、检测器与环境动态三者交互决定的本质，同时指出了正弦漂移的不可检测性以及“崩溃先于感知”的不可监控失效模式。
Adaptive Entropy-Driven Sensor Selection in a Camera-LiDAR Particle Filter for Single-Vessel Tracking
本文提出了一种基于自适应熵驱动的传感器选择策略的异构多传感器融合粒子滤波器，用于在固定沿海平台上实现单船跟踪，并通过在塞浦路斯阿依纳帕码头的实地部署验证了该方法能在不同距离和传感器可用性条件下，通过动态切换模态在跟踪精度与连续性之间取得最佳平衡。
Data-Driven Priors for Uncertainty-Aware Deterioration Risk Prediction with Multimodal Data
本文提出了名为 MedCertAIn 的预测不确定性框架，该框架利用自监督潜在表示中的跨模态相似性和模态特定数据损坏来构建数据驱动的先验，从而显著提升了基于 MIMIC-IV 和 MIMIC-CXR 多模态临床数据的住院风险预测性能及不确定性量化能力。
Reasoning as Compression: Unifying Budget Forcing via the Conditional Information Bottleneck
该论文通过引入条件信息瓶颈（CIB）原理，将推理过程重构为一种在保留任务关键信息前提下的有损压缩问题，提出了一种基于语义惊讶度的强化学习目标，从而在显著降低推理成本的同时有效避免了传统预算强制方法对关键逻辑的误删。
MUSA-PINN: Multi-scale Weak-form Physics-Informed Neural Networks for Fluid Flow in Complex Geometries
本文提出了一种名为 MUSA-PINN 的多尺度弱形式物理信息神经网络，通过将偏微分方程约束重构为分层球体控制体积上的积分守恒律，有效解决了复杂几何（如 TPMS）中传统 PINN 因局部偏差导致的收敛困难和守恒违反问题，显著提升了流体流动模拟的精度并确保了质量守恒。
Integrating Lagrangian Neural Networks into the Dyna Framework for Reinforcement Learning
本文提出了一种将拉格朗日神经网络集成到基于 Dyna 框架的模型强化学习中的方法，通过引入物理定律约束并利用状态估计优化器加速训练，有效提升了模型预测的准确性与样本效率。
STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching
本文提出了 STRIDE 框架，通过联合训练拉格朗日神经网络以保留保守刚体力学结构，并利用条件流匹配建模非保守的随机交互残差，从而在不确定环境中显著降低了长时程预测误差和接触力预测误差。
X-AVDT: Audio-Visual Cross-Attention for Robust Deepfake Detection
该论文提出了利用生成器内部音频 - 视觉交叉注意力机制的 X-AVDT 检测器，并发布了涵盖多种合成范式的 MMDF 数据集，从而在跨生成器泛化能力和检测精度上显著超越了现有方法。
NN-OpInf: an operator inference approach using structure-preserving composable neural networks
本文提出了一种名为 NN-OpInf 的算子推断框架，该框架利用结构保持的可组合神经网络，通过从快照数据中学习潜在动力学并强制局部算子结构（如斜对称性和梯度保持），实现了比传统多项式算子推断（P-OpInf）在准确性、稳定性和鲁棒性方面更优的非侵入式降阶建模，尤其适用于包含非多项式非线性的复杂动力学系统。
Pareto-Optimal Anytime Algorithms via Bayesian Racing
该论文提出了名为 PolarBear 的框架，通过基于贝叶斯竞赛的自适应采样和时序 Plackett-Luce 排序模型，在无需归一化或已知最优值的情况下，高效识别出任意时间优化算法的帕累托最优集，从而支持在未知计算预算下的稳健算法选择。
Efficient Credal Prediction through Decalibration
该论文提出了一种基于“去校准”（decalibration）技术的高效可信预测方法，通过为每个类别生成概率区间来表征认知不确定性，从而克服了传统集成方法的高计算成本，成功将可信预测应用于 TabPFN 和 CLIP 等复杂基础模型。
Echo2ECG: Enhancing ECG Representations with Cardiac Morphology from Multi-View Echos
本文提出了名为 Echo2ECG 的多模态自监督学习框架，通过整合多视角超声心动图的心脏形态信息来增强心电图表征，从而在结构表型分类和相似性检索等临床任务中显著优于现有基线模型。
Oracle-Guided Soft Shielding for Safe Move Prediction in Chess
本文提出了一种名为“Oracle 引导的软屏蔽（OGSS）”的框架，通过结合策略模型与基于 Stockfish 评估的失误预测模型，在保持国际象棋探索能力的同时显著降低了战术失误率，从而实现了更安全且高效的决策。
Breaking the Bias Barrier in Concave Multi-Objective Reinforcement Learning
该论文针对凹多目标强化学习中因非线性标量化导致的策略梯度偏差问题，提出了一种结合多水平蒙特卡洛估计的自然策略梯度算法，证明了其能以最优的 样本复杂度克服现有方法的偏差瓶颈。
Towards Effective and Efficient Graph Alignment without Supervision
该论文提出了一种名为 GlobAlign 及其高效变体 GlobAlign-E 的无监督图对齐新方法，通过引入全局表示与分层跨图传输成本机制，在显著提升对齐精度的同时，将最优传输方法的复杂度从立方级降低至平方级，从而有效解决了现有方法在精度与效率之间的权衡难题。
The Neural Compass: Probabilistic Relative Feature Fields for Robotic Search
本文提出了 ProReFF 模型，通过从无标签观测中隐式学习物体共现的相对特征分布，并利用该语义先验引导机器人搜索，使其在 Matterport3D 仿真环境中的搜索效率比最强基线提升 20%，达到人类性能的 80%。