检索标题、摘要与正文，把分散的信息连起来。
一位Reddit用户利用AI编程工具Claude Code对NordicTrack Commercial2250跑步机进行系统越狱，成功移除iFIT强制订阅限制，将原封闭的大屏改造成可自由使用Netflix、Crunchyroll等流媒体的界面。改造后实现自定义主屏幕、视频与健身功能并行、启动速度提升至约21秒，但存在仅支持标清画质、恢复出厂设置将清除修改及违反保修条款等风险。
点击查看原文>
AI 记忆存储成本低廉，大厂与第三方服务商争相布局。记忆不等于聊天记录，要区分偏好、会话、任务状态，兼顾检索效率与信息完整。权限、版本、溯源、可迁移能力才是企业付费核心价值。
惟创意与热爱不可辜负#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
arXiv:2611.04638v1 公告类型：新 基础摘要：大型语言模型（LLM）可以直接在浏览器中运行，但通常需要先下载数百 MiB 甚至数 GiB 大小的模型文件。同一款 LLM 往往由不同发布者重新打包；这些文件内容高度相似，但字节级差异导致全文件缓存无法复用它们。我们提出了 EvoCache，一种由浏览器管理的 LLM 分发系统。EvoCache 利用由浏览器预先存储且独立于浏览历史的公共缓存锚点，无损重建站点请求的发布者版本。站点仅需指定目标，浏览器则选择锚点并执行重建，整个过程对站点保持透明。对 1,000 个公开仓库的审计发现，100 款最受欢迎的 LLM 中有 61 款由多个发布者提供，且 98.1% 的重叠版本无法通过全文件缓存复用。在 23 对跨发布者模型包组合中，EvoCache 实现了 77.3% 的流量中位数降低，性能优于所有对比方案。在 240 项真实的端到端浏览器实验中，与普通完整下载相比，EvoCache 将网络流量降低了 78.9%，页面就绪时间缩短了 64.2%。对于其他站点留下的缓存数据，EvoCache 还通过为缓存命中和未命中使用相同的返回时间，保护用户的跨站缓存隐私。
arXiv:2611.04683v1 公告类型：新 基础摘要：随机游走是图分析的基础，但在大型动态图上高效执行仍具挑战。现有方法需在采样效率、更新开销和内存消耗之间权衡。为吞吐量优化的采样结构往往带来显著的内存开销和高昂的维护成本，而轻量级方案在高度数顶点或权重分布偏斜时又可能面临较高的采样延迟。这些挑战在异构CPU-GPU平台上尤为突出：主机内存容量充足，但GPU内存限制了可从并行加速中获益的图数据量。我们提出了FenixWalk，一个面向大规模动态图的内存高效随机游走系统，将统一的原地采样与选择性GPU加速相结合。核心上，FenixWalk采用原地Fenwick表示，无需复制边级权重存储即可支持拒绝采样和逆变换采样。该表示使拒绝采样具备期望O(1)的权重查询时间，并支持O(log d)的前缀采样与更新。为高效利用异构硬件，FenixWalk将完整图及其采样结构保留在主机内存，同时将频繁重用的顶点本地采样器有选择地放置在GPU上。通过传输紧凑的游走器状态而非反复迁移图分区，该系统减少了跨设备通信，并有效利用了有限的GPU内存。在大型真实世界图及代表性随机游走工作负载上的实验表明，FenixWalk相较于现有随机游走系统实现了平均2.06倍至400.57倍的加速。
n8n 2.46.5 更新修复了多个错误，包括修正 AI 智能体节点已弃用的代理类型标注、改进节点参数的凭据解析，并支持在表达式中读取命名数组键。新功能包括在迁移报告中默认隐藏已归档的工作流，以及在迁移报告加载时间过长时显示提示信息。
旧衣千千万，AI 替你挑对的那件#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
随着人工智能产业对内存及其他零部件的需求激增，PC销量下滑，导致PC价格水涨船高，英特尔因此遭受重创。
据搜索引擎圆桌会议早前报道，OpenAI、Google、微软和Anthropic表示，他们将采用一项新标准，供出版商用来选择是否被人工智能抓取。借助这一控制机制，出版商可以在多家人工智能公司之间统一应用其人工智能训练偏好，而无需逐一设置。共享的“策略令牌”信号……
那些正争分夺秒将 AI 智能体投入生产的公司发现，决定这些智能体是否值得信赖的，并不是模型的选择，而是基于角色的访问控制。同时，推理成本的上升、隐私担忧以及主权要求，也促使越来越多的 AI 工作负载重新回流到企业数据中心内。这种转变有利于那些多年来一直致力于管理敏感数据的企业。文章《部署 AI 智能体的竞赛在数据访问方面遇到了一个熟悉的障碍》首发于 SiliconANGLE。
尽管 AI 让我们能够完成更多任务，但我却比以前更加疲惫。我们需要同时跟进许多事情，并阅读海量的自动生成文本。
arXiv：2610.37881v1 发布类型：新 摘要：深度伪造检测模型虽然整体准确率较高，但在不同人口统计群体之间却表现出显著的性能差异，导致某些群体的假阳性率远高于其他群体。现有的公平性感知方法通过约束模型输出以实现各群体预测的一致性来应对这一问题，但并未解决潜在的特征层面偏见。因此，这些模型仍可能依赖于诸如皮肤纹理等人口统计学特征作为检测篡改内容的间接线索。为了解决这一问题，我们提出了交叉性不变学习（IIL）框架，该框架着重改进特征学习，而非仅仅调整模型输出。IIL通过交替识别最具挑战性的群体划分
arXiv:2610.37731v1 发布类型：新 摘要：模型偏差可能导致单一校准参数无法在整个上下文域内重现物理响应。此外，观测与上下文中的不确定性会影响校准过程，必须予以考虑并加以量化。我们通过根据观测值与目标上下文的接近程度对观测似然进行加权，构建了一族局部后验分布。高斯型局部化权重借助协方差膨胀来纳入上下文不确定性，并在域边界处进行反射处理，同时可选地针对不均匀的上下文采样进行修正。一种条件归一化流通过均摊化的变分推断方法近似该族后验分布。将这些局部后验分布按照预设的上下文测度进行整合，即可得到
arXiv：2610.37905v1 发布类型：新 摘要：诸如美国证券交易委员会EDGAR等公开披露数据库通过网络访问企业申报文件，为知情投资提供支持。借助语言模型智能体对这些文件进行审查时，需要发现相关文档中未明示的缺陷、获取缺失的企业信息，并验证所请求的修订是否符合有据可依的要求。然而，现有的金融问答评测难以充分反映此类交互能力。我们提出了\textbf{FilingLoop}，一个用于企业披露审查与修订的交互式基准测试及自进化智能体框架。FilingLoop以美国证券交易委员会的历史往来函件为基础，从96家公司的文件中重构出380项以首次公开募股审查为主的任务。
arXiv:2610.37682v1 发布类型：新 摘要：与成对比较相比，列表式偏好反馈能够为大型语言模型（LLMs）的对齐提供更丰富的监督信号，但完整的排序结果也会暴露更为敏感的用户偏好。现有的隐私保护型对齐方法主要聚焦于成对反馈，而本地差分隐私（LDP）下的列表式对齐仍处于未被探索的状态。将LDP扩展到这一列表式场景时，面临一个关键挑战：由于完整排序空间的高度敏感性，需要引入过量的噪声，从而抵消了列表式监督的优势。为应对这一挑战，我们分析了下游训练中监督粒度与隐私噪声之间的相互作用，并提出了一种排序感知的指数机制，用于对列表式偏好进行隐私保护。
arXiv:2610.38069v1 发布类型：新 摘要：短时傅里叶变换（STFT）通过对较长信号的一段短时窗口进行傅里叶变换，从而刻画频率随时间的变化特征。尽管傅里叶变换算法，尤其是快速傅里叶变换（FFT）算法，已得到充分发展以充分利用并行计算的优势，但关于并行短时傅里叶变换算法性能的研究仍较为有限。在本研究中，我们实现了两种并行短时傅里叶变换算法——一种基于FFT，另一种为准并行前馈算法——并对其进行了对比分析。研究发现，在低并发环境下，准并行算法在运行时间上更具优势，而……
arXiv:2610.37679v1 发布类型：新 摘要：使用工具的语言模型容易受到间接提示注入的影响，而越来越多的研究试图通过探查模型内部来在不安全操作执行前将其捕获，但所得结果却存在严重分歧。我们认为，这种分歧很大程度上源于评估方法上的缺陷，并提出了一种双层评估协议：在评估与训练数据集中，将“提示注入”与“行为承诺”加以分离。在主要的Qwen AgentDojo基准测试集上，那些基于朴素的“不安全与其余”混合对比进行训练的监控器，大多仅学会识别“暴露”：它们会标记出所有被暴露的轨迹，无论智能体是否真正执行了相应操作，且几乎无法预测哪些情况最终会导致不安全行为。而当仅针对已暴露案例重新训练后，同一类探测器便能预测模型自身发出的不安全工具调用，时间延迟长达两秒。
arXiv:2610.37680v1 发布类型：新 摘要：缩小前沿模型与小型语言模型之间的差距，通常采用蒸馏方法：在前沿模型（教师）的输出上对小型模型（学生）进行微调，但这使得迁移过程依赖于训练计算，并且被迁移的知识往往难以解释。我们提出了一种名为“制品蒸馏”的方法：由教师模型解决一系列训练实例，并将其求解过程外化为一个制品库，学生在推理时直接查询该库，而无需进行梯度更新。在四项LiveBench任务中，由Claude Opus 4.5构建的制品库使Claude Haiku 4.5在空间推理任务上的表现（0.707 vs. 0.647）达到其自身成本的60%时，已超越未借助任何辅助的Claude Sonnet 4.5；而在表格连接任务上，该制品库仅以Sonnet 4.5成本的89%便达到了相同水平。同样的原始制品库还提升了
arXiv:2610.37819v1 发布类型：新 摘要：量子机器学习（QML）正日益被应用于医学分类任务，然而其在考虑子群体公平性标准下的表现仍缺乏深入研究。我们针对医学影像领域中的经典与量子分类器开展了一项实证性的公平性审计，并假设量子机器学习本身并不天然具备公平性。本研究评估了两种场景：基于DDI数据的皮肤病变分类（敏感属性为Fitzpatrick肤色类型）以及基于CheXpert衍生数据的胸部X光片分类（敏感属性为年龄组）。利用ResNet-18提取的特征嵌入，我们在基准设置及三种缓解策略下训练SVM、MLP、QSVM和QCNN模型：可微分的等权几率（EO）正则化、梯度反转学习（GRL），以及二者结合。同时，以基础模型（PanDerm、EVA-X）作为外部参考。
