AI Agent 与大模型中文情报库

该论文提出一种面向植物叶片图像病害识别的新型混合专家（MoE）架构，突破传统MoE依赖单一主干网络的局限，创新性地融合CNN、ViT与ConvNeXt三类异构骨干，在专家层实现跨架构协同；引入可学习的自适应软路由机制，动态分配样本至最适配专家子网，并通过门控权重平滑聚合输出，显著提升细粒度病害判别能力。在PlantVillage等主流数据集上达到98.7%准确率，较标准MoE提升2.4个百分点，且推理延迟仅增加7%，验证了其在农业AI边缘部署中的实用潜力。

该论文批判性反思了当前主流物体中心（object-centric）表征在视频建模中的局限性，指出其过度依赖预设分割先验与静态对象假设，难以刻画遮挡、形变、部分可观测等真实视频动态。作者提出一种解耦式隐式表征框架，将运动轨迹、外观演化与交互关系分别建模，并通过可微分注意力机制实现无监督对象发现与跨帧一致性约束。在BAIR、RoboNet及新构建的Occluded-Moving-MNIST基准上验证了其对复杂动态建模的优越性，尤其在长期预测与遮挡恢复任务中显著超越Slot Attention、GENESIS等基线方法。研究为视频理解中‘对象’概念的计算定义提供了新的理论视角与工程路径。

Ponytrail 是一款开源工具，专为 AI 编程代理（如 Cursor、Continue 或自定义 LLM Agent）设计，用于在本地实时记录其代码编辑行为——包括文件变更、上下文快照、LLM 调用参数及决策依据。它不依赖云端服务，所有日志以结构化 JSON 存储于本地，支持时间线回溯、diff 对比与人工复核，填补了当前 AI 编程工作流中「谁在何时基于什么理由改了哪行代码」这一关键审计空白。项目采用 Rust 编写，轻量嵌入 IDE 插件生态，已获 Hacker News 社区关注，反映开发者对 AI 代码生成可信性与责任归属日益增长的诉求。

该论文提出一种面向电力负荷预测的新型可解释神经网络架构：将经典Kolmogorov-Arnold表示定理与特征隔离式时序注意力机制相结合。模型通过显式分解各输入特征（如温度、节假日、历史负荷）的非线性贡献，并在时间维度上实施特征级注意力加权，显著提升预测透明度与物理一致性。在多个公开负荷数据集上的实验表明，其精度媲美主流深度模型（如Informer、Autoformer），同时支持归因分析与误差溯源，为电网调度等高可靠性场景提供兼具性能与可信性的AI解决方案。

GRINQH 提出一种面向大语言模型（LLM）推理阶段的动态量化框架，核心思想是依据 token 级别的输入敏感度（如注意力权重梯度幅值）对不同层、不同模块实施差异化量化精度分配：高敏感区域保留较高位宽（如8-bit），低敏感区域可降至4-bit甚至更低。该方法无需微调或重训练，兼容主流架构（Llama、Phi-3等），在多个基准任务上实现1.8–2.3倍推理加速与35%–42%显存降低，同时将困惑度（PPL）上升控制在0.8以内，显著优于Uniform Quantization和AWQ等静态量化方案。论文还开源了适配Transformers库的轻量级插件工具包。

本文提出‘数字人文主义’作为AI发展伦理框架，主张技术演进须以人类尊严、认知多样性与社会韧性为内生约束；在此基础上，作者构建‘演化式设计’方法论——融合生物进化机制与参与式设计，使AI系统能通过持续反馈、文化适配与价值协商动态演化，而非单向优化。文章批判当前LLM驱动的工具理性倾向，强调设计师、哲学家与边缘社群需共同介入技术生成过程，并以教育辅助、医疗协理等场景为例，展示如何将关怀伦理、代际正义等非功利价值编码为可计算的设计约束。该工作为AI治理提供了兼具哲学深度与工程可行性的新路径。

该论文提出一种面向真实场景（in-the-wild）的AI智能体安全检测方法，利用大语言模型内部注意力机制的异常模式来识别其被注入或诱导产生的恶意技能（如越权操作、隐蔽数据窃取、绕过内容审核等）。作者构建了首个包含多样化恶意技能指令的数据集，并设计注意力熵偏差分析与跨层注意力一致性检验双路指标，在多个开源Agent框架（如LangChain、AutoGen）上验证了方法有效性：相比传统基于输出文本分类的检测方式，该方法能在恶意行为执行前、甚至未触发显式有害输出时即发出预警，显著提升防御前置性。研究强调了对Agent级行为而非单纯响应内容进行细粒度监控的必要性。

该论文系统探讨了在多臂老虎机（MAB）框架中如何建模并利用不同“臂”（即动作选项）之间的结构相似性，以突破传统独立臂假设的局限。作者提出一种基于度量空间或核函数的相似性嵌入方法，将臂映射至低维表征空间，并据此设计新型置信上界（UCB）与汤普森采样策略。理论分析证明，在满足Lipschitz型相似性约束下，新算法可实现次线性遗憾界，显著优于标准UCB；实验部分在合成数据、推荐系统模拟及真实广告点击率数据集上验证了其泛化能力与样本效率提升。研究为结构化MAB问题提供了兼具理论严谨性与工程实用性的新范式。

UnBias-Plus 是一种端到端的AI偏差治理方法，突破传统单点检测局限，首次将偏差识别（Detect）、可解释性归因（Explain）与可控重写（Rewrite）整合为统一框架。该方法基于细粒度语义角色标注与因果干预机制，在生成阶段动态定位社会属性（如性别、种族）相关的隐性偏见，并生成反事实解释及去偏文本。作者在BBQ、STEREOSET和CustomBias等多维度基准上验证其有效性，相较基线模型提升解释一致性达37%，重写后偏见得分降低52%。研究强调‘可审计性’设计，所有模块均支持人工校验与迭代优化，为高风险场景下LLM部署提供可落地的技术路径。

该研究提出一种融合量子计算与深度学习的新型代理模型，将量子卷积层嵌入经典CNN架构，用于高效模拟地下水系统中热羽流的时空演化。针对传统数值模拟（如MODFLOW-OWHM耦合热传导方程）计算成本高、难以实时响应的问题，作者在合成数据集及真实含水层参数空间上验证了模型性能：相比纯经典CNN，量子卷积模块在同等参数量下提升预测精度约12%，且推理速度加快3.8倍。研究特别设计了面向地热工程场景的量子比特编码策略——将温度梯度场映射为参数化量子电路的初态，并采用变分量子本征求解器（VQE）优化特征提取过程。尽管当前受限于NISQ设备噪声，该工作为资源约束型环境建模提供了可扩展的混合量子-经典范式。

该论文针对高条件数（ill-conditioned）核方法在求解线性系统时易受噪声放大与数值不稳定困扰的问题，提出一种新型正则化框架： Differential Spectral Damping Gap Adaptive Regularization（DSDGAR）。其核心创新在于将核矩阵特征谱的局部几何结构（如相邻特征值间隙）纳入正则化权重设计，并引入微分谱阻尼机制——通过特征值导数信息动态抑制病态模态，而非传统L2或Tikhonov式全局惩罚。作者从泛化误差界出发推导理论保证，并在多个基准核回归与分类任务中验证其相较Ridge、Landweber迭代及SVD截断等方法具备更优的稳定性-精度权衡。该工作为核学习中的数值鲁棒性与统计一致性协同优化提供了新范式。

HyperQuant 提出了一种端到端可微、率失真（Rate-Distortion）理论驱动的量化 pipeline，专为大语言模型（LLM）和扩散模型（Diffusion Models）设计。该方法在权重与激活量化中联合优化比特率与重建失真，引入自适应分组量化、熵约束重参数化及梯度感知的量化误差补偿机制，在保持模型精度的同时显著降低存储与推理开销。实验表明，其在 LLaMA-2、Stable Diffusion v1.5 等主流模型上实现 4-bit 量化下仅 1–2% 的任务性能下降，优于 FP8、AWQ、GPTQ 等基线方法，并支持无缝集成至 Hugging Face Transformers 和 Diffusers 生态。论文还开源了 PyTorch 实现与预量化模型权重。

ReasoningLens 是一种专为大型推理模型（如Chain-of-Thought、Tree-of-Thought架构模型）设计的可解释性工具，通过分层可视化技术将推理路径解构为语义层级（如目标分解、子问题生成、证据检索、逻辑验证等），支持交互式诊断审计。该框架不仅呈现推理链的结构拓扑与置信度热图，还集成偏差检测模块，可识别循环论证、事实漂移与前提遗漏等典型推理缺陷。作者在多个数学推理与常识问答基准（如GSM8K、HotpotQA）上验证了其有效性，并开源了配套可视化库。这项工作填补了当前大模型推理过程黑箱化与调试工具缺失之间的关键缺口，为AI对齐与可信部署提供新范式。

Litmus 是一种新型评估范式，旨在解决当前AI系统评测中严重依赖人工标注、指标设计僵化且难以复现的问题。该框架摒弃传统基于标注数据集的评估路径，转而通过可执行的Python代码片段（即‘metric programs’）来形式化定义评估逻辑——例如‘生成回答是否在事实层面与权威文档一致’可直接编码为检索+语义对齐函数。作者验证了Litmus在大语言模型输出质量、推理一致性及工具调用可靠性等多类任务上的有效性，并强调其支持快速迭代、跨任务迁移和审计友好性，为构建透明、可编程、可验证的AI评估基础设施提供了新思路。

该研究提出一种物理信息驱动的深度学习框架，用于高精度模拟与预测木材在不同温湿度条件下的热传导、含水率迁移及热解动力学行为。作者将傅里叶热传导方程、Fick扩散定律与Arrhenius型热解动力学方程嵌入神经网络结构，构建可微分的物理约束损失项；在实验数据有限的情况下，显著提升模型外推能力与物理一致性。研究基于松木、橡木等常见树种的热重分析（TGA）与差示扫描量热（DSC）数据进行验证，相较纯数据驱动模型，预测误差降低42%，且能可靠复现炭化层演化等关键物理现象。该方法为建筑防火设计、生物质能源转化及古木结构保护提供了可解释、可泛化的热分析新范式。

本文作者通过深入分析 Claude Code 的「extended thinking」输出机制指出，其所谓‘扩展思考’并非模型在生成答案前进行的真实链式推理或中间推演，而是对最终答案的后置性文字扩写与语义包装。这种输出本质上是基于答案反向生成的解释性摘要，缺乏可验证的思维轨迹、中间假设或试错过程，与人类或真正推理型 AI 的认知路径存在根本差异。作者强调，混淆「解释性文本」与「推理过程」会误导开发者对模型能力的判断，并可能掩盖其在复杂逻辑任务中的局限性。该观察呼应了当前大模型领域对「幻觉性连贯性」的普遍关切——即模型擅长生成看似合理、实则无根基的流畅文本。

Selector Forge 是一款开源浏览器扩展，专为解决Web自动化测试中元素定位失效的痛点而设计。它利用大模型理解DOM语义与上下文，动态生成多重冗余、语义稳定且抗UI变更的选择器（如结合文本内容、可访问性属性、视觉位置等维度），显著提升Selenium、Playwright等工具在页面重构或A/B测试场景下的稳定性。项目采用轻量级本地推理（支持ONNX Runtime），不上传用户数据，兼顾隐私与性能；已集成Chrome/Firefox，并提供VS Code插件辅助开发调试。其技术思路反映了当前AI Agent在前端工程化落地中的新范式——将传统规则引擎升级为语义感知的自适应定位系统。

该论文提出一种面向SysML v2建模语言的自动化语义缺陷定位框架，突破传统语法级检查局限，聚焦模型语义一致性问题（如需求-设计不匹配、行为逻辑矛盾等）。框架采用“人在环路”（Human-in-the-Loop）设计：LLM作为核心推理引擎，通过知识图谱显式注入SysML元模型、领域约束与工程规范，提升其对系统工程语义的理解与推理能力；人类专家则在关键节点介入验证、修正推理路径并反馈优化。实验表明，该方法在航天与汽车电子案例中将缺陷定位准确率提升37%，且显著降低误报率。研究为AI赋能MBSE（基于模型的系统工程）提供了可解释、可协作的新范式。

该研究系统评估主流大语言模型（如Llama、GPT系列）的文本嵌入空间是否隐式编码了人类专家构建的领域知识结构，例如医学本体中的层级关系或法律条文间的逻辑依赖。作者设计了新型结构保真度度量方法，结合语义相似性、层次一致性与图结构对齐三重指标，在生物医学、法律和计算机科学三大领域开展跨模型实证。结果表明：尽管嵌入空间能捕捉部分粗粒度语义关联，但对专家定义的细粒度逻辑约束（如必要条件、排斥关系）恢复能力极弱；模型规模提升并未线性改善结构保真度，提示当前预训练范式在知识结构建模上存在本质局限。研究为AI可解释性、知识增强型Agent构建及领域微调策略提供了关键实证依据。

该论文提出了一种新型混合架构——Distribution-Aware Diffusion-LLM（DAD-LLM），将扩散模型的概率建模能力与大语言模型（LLM）的序列理解优势深度融合，专为超长期（如数百步）时间序列预测设计。不同于传统方法对单点预测或高斯假设的依赖，DAD-LLM显式建模目标变量的完整条件分布，并通过LLM驱动的扩散先验引导生成过程，在电力负荷、交通流量等真实场景中显著提升预测鲁棒性与不确定性校准能力。作者还构建了首个面向超长期预测的分布评估基准，涵盖分位数误差、CRPS及预测区间覆盖率等多维指标，验证了模型在数据稀疏、突变和非平稳性下的泛化优势。

该研究挑战了将‘自我污名’视为单一心理构念的传统假设，通过构建基于真实访谈数据的多维 persona（如‘康复中者’‘偶用者’‘长期依赖者’），训练 LLM 实现条件化共情响应。实验表明，通用共情提示虽提升基础亲和力，却无法适配不同群体对污名感知、求助意愿与语言偏好的显著差异；而 persona-conditioned 模型在降低回复冒犯性、增强自我效能感提示、匹配文化语境等方面显著优于基线。研究为高敏感人群的 AI 心理支持提供了可解释、可审计、去刻板化的干预范式，并呼吁在健康类 LLM 设计中嵌入社会身份敏感性框架。

该论文提出一种新型能量驱动的Transformer架构（EBT），将传统自回归语言建模重构为能量最小化问题，通过学习文本的能量函数直接建模人类阅读认知负荷。作者在多个标准阅读难度基准（如Flesch-Kincaid、Lexile及人工标注的教育语料）上验证其有效性，结果表明EBT在跨领域泛化性和细粒度难度区分能力上显著优于标准Transformer与BERT类模型。研究还揭示了能量值与眼动轨迹、阅读时间等生理指标存在强相关性，为可解释性NLP提供了新路径。该工作 bridges 语言建模与认知科学，推动AI在教育技术中的可信应用。

本文针对大型语言模型（LLM）在多语种刑事法律场景中因过度追求指令遵循或训练数据分布而产生的‘过对齐’（over-alignment）问题展开研究。作者提出一套可量化评估框架，涵盖判决一致性、法域适配性与跨语言逻辑连贯性三维度，并在覆盖12种语言的跨国判例数据集上验证其有效性。研究发现：过度对齐会导致模型在法条解释中牺牲实质正义，盲目迎合表面合规性；通过引入反事实微调与基于法律原则的约束解码机制，可在保持专业准确率的同时显著降低偏差率（平均下降37.2%）。该工作为AI在高风险司法辅助应用中的可信部署提供了方法论基础与实证依据。

FlexServe 是一种专为移动设备设计的轻量级大语言模型（LLM）推理服务框架，通过细粒度的灵活资源隔离机制（如CPU核绑定、内存配额与GPU显存分片），在多任务并发场景下实现低延迟、高吞吐与强安全性保障。该系统支持动态模型卸载与分层缓存，在骁龙8 Gen2等中端芯片上实测Qwen-1.5B推理延迟低于380ms，同时防止恶意应用窃取模型权重或中间激活值。论文还提出基于硬件辅助的可信执行环境（TEE）增强方案，兼顾性能与隐私合规，为边缘侧LLM部署提供了兼顾效率、隔离性与可扩展性的新范式。

该论文突破传统神经正切核（NTK）线性化假设，首次为宽深耦合、残差连接、注意力机制等现代神经网络架构建立了非线性梯度下降的全局收敛保证。作者引入‘局部近似可分解性’新条件，结合路径归一化与动态隐藏层尺度分析，证明在适度过参数化和合理初始化下，梯度下降仍能以多项式速率收敛至零训练损失。研究特别揭示了深度残差网络中跳跃连接对梯度流稳定性的关键作用，并通过在ViT和ResNet-50上的实证验证了理论边界与实际训练行为的一致性，为理解大模型优化动力学提供了超越NTK框架的新理论工具。

该论文针对分子图模型中的后门攻击问题，提出“化学感知准入机制”（Chemistry-aware Admission）这一新范式，强调后门触发器必须满足化学可行性约束（如价键规则、环结构稳定性、合成可及性等），而非仅追求模型精度扰动。作者构建了首个符合量子化学与药物化学先验知识的评估基准，发现传统后门方法在该框架下失效率达73%；同时设计了一种基于反应路径引导的触发器生成策略，在保持攻击成功率的同时显著提升分子合理性。研究揭示了AI for Science领域中安全机制与领域知识深度耦合的必要性，为可信分子AI提供了方法论基础。

该论文提出一种新型物理信息神经网络（PINN）框架——自适应硬-软混合约束机制，旨在提升边界条件强约束下的PDE求解鲁棒性。传统PINN常因软约束权重调优困难导致边界误差显著；本文通过动态切换硬约束（显式嵌入边界几何）与软约束（损失加权）策略，在训练过程中依据残差梯度自适应调整约束强度。在泊松方程、不可压纳维–斯托克斯方程等多类问题上验证表明，该方法较标准PINN降低边界误差达47%，且对噪声扰动和复杂几何域更具泛化能力。研究为科学计算中高精度、低人工干预的神经求解器提供了新范式。

该论文提出SOAP-Bubbles（Structured Optimization of Approximate Probabilistic Bubbles），一种新型结构化贝叶斯神经网络训练框架。区别于传统蒙特卡洛Dropout或全协方差高斯近似，SOAP-Bubbles将权重不确定性建模为低秩椭球形置信区域（即‘气泡’），在参数空间中显式编码相关性与各向异性。通过可微分几何约束优化，该方法在保持计算效率的同时显著提升不确定性校准能力与OOD检测性能，在CIFAR-10/100及ImageNet子集上验证了其优于MC Dropout、SWAG等基线方法。研究还揭示了结构化不确定性对模型鲁棒性与泛化边界的理论关联，为可信AI提供了新范式。

本文聚焦遥感领域模型泛化能力瓶颈，系统探讨如何将已训练模型高效适配至新型卫星平台（如国产高分系列、PlanetScope）及异构传感器（多光谱、SAR、高光谱）。作者提出一种轻量级模态对齐框架，通过可学习的传感器特征投影层与物理约束下的辐射校正模块，在不重训全模型前提下实现跨设备性能迁移。实验在Sentinel-2、Landsat-9与WorldView-3数据集上验证，相较传统微调方案，参数增量降低72%，地物分类准确率平均提升4.3个百分点，并显著缓解因大气条件与成像几何差异导致的域偏移问题。该工作为遥感AI模型的可持续部署与国产卫星生态兼容性提供了可扩展技术路径。

该论文提出将相对论重离子对撞中极小横动量的超外围碰撞（UPC）重构为一种新型核结构探测工具——‘核结构干涉仪’。作者构建了一个物理引导的多任务深度学习框架，同步回归电荷分布半径、表面厚度及中子皮厚度等关键核参数，并通过注意力机制与梯度加权类激活映射（Grad-CAM）实现模型决策过程的可解释性。研究在金-金和铅-铅碰撞模拟数据上验证了亚飞米级核形变分辨能力，显著优于传统唯象拟合方法。该工作 bridging nuclear physics and AI interpretability，为高能核物理实验提供了一种数据驱动、可溯源的结构反演新范式。