Agent 越用越多，企业为何仍不够 AI Native？
点击查看原文>
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。
我如何对抗AI脑疲劳
文章网址：https://sergeykuhne.com/blog/fighting-ai-brain-fry 评论网址：https://news.ycombinator.com/item?id=50416363 积分：83 # 评论：56
展示 HN：免费网页工具
文章网址：https://nyneon.net/tools/ 评论网址：https://news.ycombinator.com/item?id=50418253 积分：3 # 评论：2
Show HN：Ls-service – 极简、带命名空间且类型安全的 localStorage 封装器
文章链接：https://github.com/brysonbw/ls-service 评论链接：https://news.ycombinator.com/item?id=50383396 积分：1 # 评论：0
EvoCache：利用公共缓存锚点加速浏览器中的大语言模型交付
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。
FenixWalk：面向异构架构的大规模动态图自适应采样
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。
推理在拓扑上是简单的
arXiv:2611.03739v1 公告类型：新 摘要：我们提出并研究了一种假设，即推理性文本的共现拓扑结构比非推理性文本更简单，且高质量的推理比低质量的推理具有更简单的共现拓扑结构。我们讨论并测试了其在人工智能安全和人工智能评估中的应用。
用于公平深度伪造检测的交叉性不变学习
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
用于医学图像间最优传输的凸势学习
arXiv:2610.37844v1 发布类型：新 摘要：在形态学分析中，计算医学图像之间的最优传输映射具有基础性作用。然而，现有方法要么难以扩展至大型三维医学图像，要么依赖于正则化形式，只能提供近似的传输映射。为提高下游医学图像分析的准确性，我们提出了一种新颖的方法，通过参数化凸势函数来估计最优传输映射。根据构造，所得的传输映射必定无旋，符合布雷尼耶定理。我们在二维和三维医学影像数据集上对该方法进行了评估。实验结果表明，我们的方法能够实现更低的传输估计误差，并生成更高q
用于模型校准的均摊化局部后验推断及其在海洋湍流闭合中的应用
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
什么是食物相似性？印度菜中的视觉表征与检索
arXiv：2610.37867v1 发布类型：新 摘要：食物相似性是检索、推荐、替代等食品计算任务的基础，然而目前对食物表征的评估往往仅着眼于身份的保持。我们探讨在身份之外，食物相似性还会发生怎样的变化：不同的视觉表征如何将食物组织成具有特定关系的邻域，这些邻域又揭示或掩盖了哪些烹饪上的关联，以及这些结构在不同表征之间是否具有一致性。印度菜提供了一个颇具挑战性的场景：在视觉上相似的食物可能拥有不同的烹饪身份，而同一烹饪家族内的食物在外观上却可能存在显著差异。本文基于扩展后的Khana数据集，并使用七种涵盖卷积神经网络、Transformer等架构的预训练视觉表征，
FilingLoop：用于企业披露审查与修订的LLM智能体评估与演化
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。
轮辐，而非环：重新审视语言模型中的工作日流形
arXiv:2610.37796v1 发布类型：新 摘要：近期研究提出，大型语言模型可能将某些概念表示为多维流形，而非单一方向。利用这些流形来解释或引导模型的表征时，通常假设沿流形移动对应于所表征概念的连续变化。在本研究中，我们针对典型的工作日流形检验了这一连续流形假设。尽管其具有引人注目的圆形几何结构，我们发现工作日的表征更像七个按圆周排列的离散状态，而非连续的环状结构。首先，我们证明局部敏感性在七个星期几处各有一个极小值，从而在流形内引导下，表征与行为之间呈现出阶梯式的映射关系。其次，w
短时傅里叶变换并行实现的比较研究
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……
面向医学影像的负责任量子机器学习：针对敏感子群体的公平性审计
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。
超越低通动力学：基于谐振神经元的频率选择性脉冲储备池
arXiv:2610.37906v1 发布类型：新 摘要：脉冲储备计算将固定递归储备池的训练效率与事件驱动推理的能量效率相结合，其中计算由稀疏脉冲触发，而非在每个时间步都进行密集运算。然而，现有的脉冲储备池几乎完全依赖于漏积分-发放（LIF）神经元，其低通特性限制了它们区分不同时间频率所编码信息的能力。我们提出了HRF-Res，一种液态状态机，其中LIF神经元被异质的谐波谐振-发放（HRF）神经元群体所取代。这些神经元具有内在的振荡动力学，并能选择性地响应输入频率，从而使储备池能够捕捉频
评估与改进用于理解测序协议的 AI 智能体
arXiv:2610.37851v1 发布类型：新 摘要：现有的科学智能体基准测试很少评估智能体是否能够重建测序协议所指定的精确分子结构和生成流程，而这一能力对于分析定制化测序实验至关重要。我们提出了 LibStructBench，一个基于文档的基准测试，用于重建测序文库结构和分子工作流程。我们的实验表明，前沿的智能体通常能够生成大致正确的重建结果，但在精确重建方面仍不够可靠，尤其是在分子状态表示和工作流程连通性方面。更换底层语言模型所带来的平均性能差异，甚至大于更换智能体框架所产生的差异，且这种差异具有统计学上的显著性。
DistOptimize：分布式协议的自动优化
arXiv:2610.39017v1 发布类型：新 摘要：分布式共识与一致性协议难以分析，却又是云系统的基础；因此，在部署之前通常需要经过严格的证明与形式化验证。然而，同样的严格标准却很少应用于协议的修改——而这些修改在生产环境中频繁发生，极易危及系统的安全性。本文通过提出一种面向分布式协议的自动优化器——DistOptimize，消除了人为修改带来的安全风险。DistOptimize 将学术界提出的吞吐量优化方法移植到生产环境中使用的框架，并在 Rocq 语言中验证重写后的正确性，同时结合校准与基于 ILP 的搜索实现其自动化应用。
TRACEs：面向分布式科学工作流的细粒度嵌入式溯源
arXiv:2610.39981v1 发布类型：新 摘要：大规模科学工作流运行于分布式高性能计算资源之上，这使得人们难以解释科学数据产品的生成过程，也难以理解为何相似的工作流执行会得到截然不同的结果。现有系统通常只关注分布式工作流的执行或溯源管理，很少将细粒度的溯源视为分布式科学数据产物的固有属性。我们提出了 TRACEs（可追溯的高级容器化执行运行时），这是一种适用于分布式容器化科学工作流的溯源架构，它将数据血统与执行上下文直接嵌入到每一个生成的数据产物中。通过将溯源与工作流编排解耦，TRACEs 将以产物为中心的溯源进行泛化