Lore 决策记忆工具

据《华尔街日报》报道，摩根大通、美国银行等大型银行正在探讨收购一家卡网络机构，以重塑支付行业格局，并推动借记卡相关收费上调。当前美国借记卡支付高度依赖少数卡组织和清算网络，银行希望通过掌握基础设施增强议价能力、增加手续费收入，同时对抗现有支付体系中长期存在的费率压缩问题。若交易推进，可能影响零售商、发卡行与消费者之间的费用分配，并引发监管机构对市场竞争与垄断风险的关注。

本文聚焦联网与自动驾驶车辆所依赖的增强型三维点云公共数据集，系统评估数据投毒攻击对下游运行效果的实际影响。作者从数据层面引入恶意污染，并观察其对点云感知、目标识别与场景理解等任务的连锁破坏。研究重点不只在于模型精度下降，还考察攻击在公开数据与现实部署之间可能造成的安全与运营风险，说明即便少量异常样本也可能显著削弱系统鲁棒性。该工作有助于理解车载感知数据集的安全边界，并为后续的数据治理、训练防护与可信评测提供参考。

这篇论文研究机器人如何在存在多个障碍物的环境中，学习把物体投掷到目标位置，同时避免碰撞与失控。作者关注的是“投掷”这一高动态操作：它比传统抓取、放置更依赖对轨迹、速度和环境几何的精准预测，也更容易在复杂场景中产生安全风险。论文通过学习方法让系统在规划投掷动作时综合考虑障碍分布、物体运动学以及落点约束，从而提升成功率与安全性。该工作对仓储分拣、灵巧操作和受限空间中的机器人搬运具有现实意义。

这篇论文提出并演示了 TOFFEE，一种用于大规模合成数据智能体轨迹的学习型系统。随着数据智能体在检索、清洗、转换与分析等任务中的应用增多，高质量交互轨迹正成为训练和评测的重要资源，但人工采集成本高、覆盖面有限。TOFFEE 的核心目标是自动生成更丰富、更可控的智能体行为序列，以支持数据智能体的训练与系统研究。论文围绕轨迹合成的规模化、真实性与多样性展开，展示了该系统如何在复杂任务场景中生成可用的代理行为数据，并为后续构建数据智能体基座模型提供支持。这项工作体现了“用模型生成训练模型所需轨迹”的趋势，具有较强的工程与研究双重意义。

本文提出一种面向化学交换饱和转移（CEST）成像的自监督隐式重建方法。该方法将 CEST 信号的物理先验融入网络设计，通过物理约束的洛伦兹编码对谱形进行参数化表达，再利用隐式表示学习从稀疏或欠采样观测中恢复完整 CEST 图像与频谱信息。与依赖大量标注数据的监督式方案不同，该方法无需高质量真值即可训练，能更好适应实际扫描中噪声较大、采样受限的场景。实验结果表明，该框架在重建精度、谱一致性与鲁棒性方面均具有优势，有望提升 CEST 在临床磁共振中的可用性。

AgentGym2 是一个面向大语言模型智能体的新型评测基准，重点不再局限于理想化、规则清晰的实验环境，而是把智能体放进更接近真实世界的“去理想化”场景中检验其能力。论文关注模型在复杂约束、噪声干扰、信息不完整和环境动态变化下的任务执行表现，旨在弥补现有基准对现实复杂性的覆盖不足。通过更贴近实际应用的任务设计，AgentGym2 可用于分析智能体的规划、适应、稳健性与错误恢复能力，为后续构建更可靠的通用 AI Agent 提供评测依据与研究方向。

TacReasoner提出一种融合触觉与语言的动态推理框架，面向机器人在真实环境中的交互式决策任务。与仅依赖视觉或静态多模态输入的方法不同，该框架强调在操作过程中持续获取触觉反馈，并将其与语言指令、上下文状态联合建模，从而支持对物体材质、接触状态、受力变化及操作结果的实时推断。该工作旨在提升机器人在遮挡、低光、视觉不完整等场景下的理解与推理能力，为精细操作、材料识别和人机交互提供更鲁棒的感知基础。

本文聚焦反洗钱（AML）算法中的公平性评估问题，提出利用反事实方法识别模型是否对特定群体产生系统性偏差。与传统只看预测结果的统计检验不同，反事实分析会在保持其他条件不变的情况下，考察敏感属性变化后模型输出是否显著改变，从而更直接地揭示潜在歧视来源。研究面向金融风控场景，强调在高误报成本与合规要求并存的环境下，如何在保证检测能力的同时降低对受影响客户群体的不公平影响。该工作为银行与监管机构提供了一种更细粒度、可解释的算法审计思路。

时序图神经网络（Temporal GNN）训练常同时受制于内存 I/O、计算开销和邻居采样效率，三者彼此耦合，单点优化往往难以显著提速。FAST 提出一个整体化优化框架，将数据访问、计算执行与采样流程协同设计，以缓解训练中的瓶颈失衡问题。该方法面向大规模时序图场景，强调通过统一调度减少无效搬运与重复计算，从而提升端到端训练吞吐并降低资源浪费。论文聚焦于 Temporal GNN 训练系统层优化，对需要处理动态交互图、事件序列与时间依赖关系的任务具有参考价值。

这篇工作围绕视觉-语言-动作（VLA）学习中的示范数据设计展开，提出一种“由简单到复杂”的结构化示范策略。论文关注机器人或具身智能模型在学习多步任务时，如何通过更有组织的示例序列提升泛化与动作执行稳定性。相较于直接堆叠大量杂乱演示，该方法强调按任务难度、动作组合关系与语义结构组织示范，使模型先掌握基础子技能，再逐步迁移到更复杂的交互与长程规划场景。此思路有助于缓解训练数据效率低、任务迁移弱和复杂指令执行不稳等问题，对构建更可靠的通用机器人策略具有参考价值。