imec报告：面向人工智能时代的光互连技术规模化
对带宽的空前需求促使人们通过从根本上重新构想光互连路线图，将光学技术更紧密地集成到硅基芯片上。文章《imec报告：面向人工智能时代的光互连技术 scaling》首发于 Semiconductor Engineering。
AI NEWS JOURNAL
搜索 AI 资讯
检索标题、摘要与正文，把分散的信息连起来。
百度开源无限OCR 2，用于百页文档解析
百度发布了 Unlimited OCR 2，这是一款采用 MIT 许可证的 3B 参数规模的 OCR 模型，能够在一次请求中解析百页文档。其 SR-SWA 注意力机制使每步解码开销几乎保持不变，在 MarathonDocBench 上取得了 77.1 的得分。该文章《百度开源 Unlimited OCR 2，用于百页文档解析》首发于 MarkTechPost。
思科合作伙伴峰会：五大洞见将定义人工智能时代的渠道格局
在其30年的历史中，思科合作伙伴峰会大多聚焦于合作伙伴如何销售思科系统公司的技术。而今年在温哥华举行的这场盛会则着眼于一个全新的议题：在交易已不再是核心环节的当下，合作伙伴该如何实现盈利。思科携强劲势头亮相此次盛会，其股价正处于[…]。文章《思科合作伙伴峰会：五大洞见将定义AI时代的渠道生态》首发于SiliconANGLE。
ProtoEEG：用于脑电图视觉解码的结构化原型对齐
arXiv:2610.33065v1 发布类型：新 摘要：由于头皮记录存在噪声、空间分辨率较低，且在不同试验和受试者之间具有较大差异，脑电图（EEG）的视觉解码仍然十分困难。大多数系统将每次试验与一个密集的图像嵌入对齐，然而该嵌入同时混杂了语义内容以及与具体实例相关的纹理、姿态和背景信息。这种做法往往需要EEG本身并不具备的细节信息，且未能明确说明支持预测的视觉因素。我们提出\textbf{ProtoEEG}，一种基于原型的框架，它将EEG与图像的对齐问题重新表述为在共享的可学习视觉码本之上进行软性组合。一个可训练的EEG编码器与一个冻结的视觉教师共同生成针对同一$K=64$个原型的分配分布。它们的加权重构构成了一种结构化的表征
MANTA：在异步BFT中解锁DAG的灵活性
arXiv:2610.34419v1 发布类型：新 摘要：基于有向无环图（DAG）的拜占庭容错（BFT）协议通过用并行的区块提案取代单主节点的提案路径，并借助共享图结构将这些提案相互连接，从而在共识设计上实现了重大转变；其中，引用机制用于编码共识证据。然而，在异构广域网（WAN）环境下，现有方案由于拖后腿效应而面临轮次延长和性能下降的问题。其根本原因在于僵化的轮次推进机制：各副本以同步的方式按固定轮次推进，必须等待前一轮中足够多的引用后才能继续前进。我们提出了一种适用于异步BFT共识的灵活DAG扩展框架。我们的关键观察是：尽管引用法定人数对于安全性和活性至关重要，但并不需要在每一轮推进时都予以阻塞；相反，连通性r
CFBrainAug：基于可解释的fMRI自闭症诊断的模块化诱导反事实脑网络增强方法
arXiv：2610.32184v1 发布类型：新 提要：基于静息态功能磁共振成像（rs-fMRI）的脑网络机器学习在自闭症谱系障碍（ASD）的诊断中展现出良好前景，但现有方法在训练数据有限的情况下极易出现过拟合，且其事后统计归因的临床可解释性较为有限。我们提出CFBrainAug，一种反事实脑网络学习框架，通过学习标签被改变后的脑网络，将数据增强与反事实解释统一起来。不同于传统的保持标签不变的数据增强方法，CFBrainAug首先检索一个与目标标签相反但拓扑结构相似的候选网络，随后在模块数量约束下对其进行优化。通过对真实网络与反事实网络的联合训练，能够丰富训练
明智地低语：用于ASR微调的智能子集选择
arXiv：2610.32997v1 发布类型：新 摘要：诸如OpenAI的Whisper等自动语音识别（ASR）模型在语音识别质量方面取得了显著提升，但微调成本依然高昂，尤其是在拥有大量已转录音频的情况下。这使得许多从业者难以将这些模型适配到新的语言或领域。在本研究中，我们提出了一种基于嵌入的子集选择方法，用于为ASR微调挑选更小规模的训练集。我们利用Whisper的预训练编码器，将每个音频样本映射到一个固定维度的嵌入空间，并采用贪心的k中心算法来选取多样且具代表性的训练数据子集。我们在希伯来语和丹麦语上对该方法进行了评估，结果表明，k中心选择往往能
OpenESM：能量引导模型具有可扩展性，是基础学习者
arXiv:2610.33005v1 发布类型：新 摘要：基于能量的模型在特定领域任务中表现出良好的性能，但在建模通用场景时仍面临挑战。为弥合这一差距，我们设计了用于基础语言建模的能量引导模型（ESMs）。ESMs 将能量引导与标记生成整合于同一架构之中，利用能量引导的搜索来优化标记生成。具体而言，ESMs 首先在能量景观上优化潜在状态，随后基于优化后的潜在状态进行标记生成。通过在大规模语料库上开展此类能量引导的预训练，ESMs 学习到一种普遍有效的能量景观，其中有利的标记对应较低的能量值。为探究 ESMs 的规模扩展特性，我们对 ESM 进行了预训练
神经网络矿井中的金丝雀：捕捉图像分类器的无声而自信的失误
arXiv:2610.33063v1 发布类型：新 摘要：部署后的视觉模型会自动接受置信度较高的预测，因此高置信度错误会在不知不觉中传播。作为标准的故障预测指标，最大 softmax 概率（MSP）存在一个结构性盲点：作为一种从分类器头部读取的标量，它对与其置信度梯度正交的特征变化在一阶上是“视而不见”的。通过对特征空间检测器进行因子分析，我们发现了一条条件冗余原则，用以解释为何这些检测器无法有效补充 MSP：它们所衡量的类别可分性几何结构实际上早已被编码在 MSP 中，并且在融合后会完全失效。最终幸存下来的信号，是位于流形外残差上的类别条件典型性——而由于这一残差的分布因骨干网络的不同而异，从接近高斯分布到重尾分布不等。
提炼、辩论、发现：以图谱提炼的洞见为多智能体研究构思奠定基础
arXiv:2610.33366v1 发布类型：新 摘要：大型语言模型（LLMs）正越来越多地被用于支持研究思路的生成与科学发现。多智能体辩论通过汇聚多元视角来制定研究构想，为这一任务提供了一种协作式方法。然而，一个关键挑战是如何赋予各智能体独特而有意义的专业知识，以引导其贡献。受研究人员在协作过程中借鉴已有研究经验的启发，我们提出了InsightAgents框架，该框架通过从相关论文的图谱中提炼洞见，构建基于文献的研究型智能体专长。在一条研究脉络中，这些洞见能够追踪研究方法的演进、揭示潜在假设，并识别尚未解决的难题。
ReMedI：用于可控分子优化的推理阶段精化与自蒸馏
arXiv:2610.32103v1 发布类型：新 摘要：在药物研发中，先导化合物的优化需要同时提升各项性能指标，例如提高渗透性并降低毒性，同时尽量减少骨架结构的改动，以免影响化合物的活性。基于强化学习的后训练方法，如 C-MORAL，通过微调分子语言模型，直接针对目标优化分子先导化合物，但这种方法依赖于昂贵的任务特定数据集，并且在实现多目标优化（MOO）方面面临诸多挑战。我们认为，预训练模型可能已经蕴含了有益的分子修饰信息，而零样本生成难以高效地触及这些信息。鉴于零样本生成的搜索能力有限，我们提出了一种高效的 Metropolis-Hastings 搜索策略，以……
Async-RBench：用于LLM智能体中异步任务执行的基准测试
arXiv：2610.32429v1 发布类型：新 摘要：大型语言模型（LLM）代理正越来越多地以异步方式执行任务：主代理在子代理运行的同时继续工作，而任务状态可能在其结果到达之前就已发生变化。主代理必须决定哪些工作需要更新或保留、哪些检查需要重复，同时避免进行被禁止的修改。仅凭最终任务的成功并不能说明这些结果是否被正确处理，而且自然的异步到达现象也难以复现。我们提出了 Async-RBench，一个用于评估 LLM 代理中异步任务执行的基准测试，包含涵盖八种场景的 200 个可执行任务。场景控制器通过预定义的任务状态条件来调控结果的交付，而事件响应契约（ERC）则规定了每种响应应满足的要求
EVOLVE：基于自适应原型记忆的不确定性感知多变量时间序列异常预测
arXiv:2610.32189v1 发布类型：新 摘要：无监督多变量时间序列异常预测（AP）旨在根据当前观测值估计未来的异常风险，为复杂系统中的主动干预与维护提供早期预警信号。现有的无监督AP方法遵循基于扰动的范式，即在历史窗口中注入预定义或随机的扰动，以模拟异常的未来演化。然而，这些方法在不同变量和情境之间共享同一类扰动，并学习一种确定性的历史到未来的演化模式。实际上，异常演化具有变量和情境依赖性：同样的扰动在某一变量或情境下可能被放大为异常的未来动态，而在另一情境下却可能被吸收为正常的波动。
用于LLM智能体一致性的递归语义分歧
arXiv:2610.33012v1 发布类型：新 摘要：具备工具调用能力的大型语言模型（LLM）智能体，在从相同初始状态出发的多次独立运行中，表现出行为不一致的现象，例如调用不同的工具、产生相互矛盾的输出，或采取截然不同的策略。这种行为上的波动会随时间累积，从而削弱部署的可靠性。现有的评估指标主要通过基于任务完成度的得分来衡量正确性，而未能捕捉智能体在多次执行中的行为一致性。此外，对智能体行为的分析要么停留在词元层面，借助概率分布进行评估；要么聚焦于单次响应层面，采用语义聚类方法，但两者均无法刻画不一致性如何在轨迹的后续步骤中进一步传播。我们提出了递归语义发散（RSD），一种无
基于证据的直觉：面向多模态智能体的自适应双重记忆
arXiv:2610.33019v1 发布类型：新 摘要：随着多模态智能体开展持续交互，长期记忆发挥着两种既 distinct 又互补的功能：细粒度的证据召回，以及用于全局理解的内化解读。尽管情景记忆与隐式记忆分别通过显式的历史记录和内化的经验来满足这些需求，但由于情景记忆在证据覆盖与整合方面存在局限，而隐式记忆又缺乏扎实的事实基础，单一的范式难以兼顾不同任务间多样化的记忆偏好。为弥合这一鸿沟，我们提出了一种双记忆框架，将模型原生的隐式记忆作为直观的先验，同时结合多索引的情景记忆，通过检索驱动的联合对齐实现精确的证据重建。在 i
社会世界模型评估差距
arXiv：2610.33014v1 发布类型：新 提要：谈判助手无需准确预测对方的反应，也能达成一笔不错的交易。我们探讨的是，针对社会世界模型的评估是否直接检验了这种预测能力。我们对1999年至2026年间发表的113篇相关研究进行了梳理。其中9项主要评估测量的是，当系统或实验者选定某一行动后，真实个体对该行动的反应。仅有2项还把明确的反应预测与实际反应进行了对比。这些研究的预测模型所使用的信息仅限于行动被选定之时，而用于评估的反应数据在拟合过程中已被排除；且两项研究均对干预措施进行了随机化处理。此外，我们对25篇有关语言模型的研究进行了全文核查，未发现任何一项实验同时满足上述条件。其余评估则侧重于当前状态推断、任务成功率或预测准确性等指标。
各有所不足：在不同证据状态下校准语言模型
arXiv:2610.33237v1 发布类型：新 摘要：语言模型如何判断自己是否拥有足够的证据来作答？语言模型往往会在证据不足的情况下仍给出答案。决定是直接作答还是继续收集更多证据，需要对现有证据下答案正确的概率做出精确的校准估计。然而，大多数校准研究都将输入视为固定不变，而未考虑这种估计应如何随证据的变化而调整。我们提出了“证据状态校准”，要求模型在作答前的置信度与其正确作答的概率相匹配，并且每当证据改变这一概率时，置信度也相应调整。我们提出了一种名为\ours{}（即“充分性置信度估计”）的方法，该方法通过微调
基于扰动的数据选择用于医学问答
arXiv:2610.33440v1 发布类型：新 摘要：从现有问答库中适配医学语言模型时，选择一个紧凑的训练子集是至关重要的一步。我们研究了基于扰动的数据选择方法，该方法利用最终层表示的高斯扰动所衍生的两种信号：预测变化频率与非翻转边际收缩。在经过共享熵预过滤后，表示敏感度优先化（RSP）通过自动均方根缩放将这两种信号进行整合，而RSP-Drop则仅依据收缩程度对候选样本进行排序。这两种选择器在筛选过程中仅使用问题和答案选项。我们在MedGemma-4B上，针对五个医学问答数据集，在保留集规模分别为64、128和256个样本的情况下对其进行了评估。在主要预算为128个样本时，
超越收益：用于代理技能退役的技能内化度量
arXiv：2610.32322v1 发布类型：新 摘要：LLM智能体从公共技能中心检索技能，这些中心最多可存储约10万条记录，并为众多模型提供服务。随着模型性能的不断提升，技能中心必须识别出某一模型已内化哪些技能——即该模型已不再依赖这些技能——并将其从该模型的技能库中移除；然而，目前尚无可靠的方法来衡量技能的内化程度。现有规则仅依据有无某项技能时的运行表现差异来进行判断，而这种差异往往微乎其微。无论是对于已被内化的技能，还是在模型与该技能均无法实现相应能力的情况下——我们称这种状态为“未被发现”——其收益几乎都接近于零。因此，我们改采另一种做法：暂不启用该技能，而是基于由该技能衍生的任务对模型进行评分，并且只有当另一模型确实因该技能而获益时，才信任模型在无辅助条件下的高分；因为事实上，近一半的高分都来自那些并未真正体现该技能作用的任务。
云端的大型语言模型：关于架构、编排与推理的探讨
arXiv：2610.33475v1 发布类型：新 摘要：基础大型语言模型（LLM）在云数据中心的广泛部署，标志着从无状态深度学习向分布式、内存密集型生成式工作负载的根本性范式转变。然而，在严格的服务水平目标（SLO）下为海量基础模型提供服务，会暴露出关键的物理与系统瓶颈。这些挑战包括持续存在的高带宽存储器（HBM）墙、计算密集型预填充与内存带宽受限的解码之间的运行不对称、键值（KV）缓存的爆炸式增长、代价高昂的无服务器冷启动，以及硬件可靠性方面的漏洞。现有的文献综述仍局限于各层次的孤立视角，未能将底层加速器的虚拟化与集群……