北大&MIT：把原子扔进真空腔，纳秒级自旋压缩到手
量子精密测量领域有一个“圣杯”：利用量子纠缠或压缩，把测量灵敏度推到海森堡极限。传统产生自旋压缩的主流方案，要么靠原子之间的非线性碰撞或偶极作用，要么借助光腔的色散耦合来“间接”产生自旋-自旋相互作用，这通常需要工作在弱。
最新文章
共 1573 篇
北大&Galbot新作：VLA换台就懵？严格零样本跨本体迁移，最高提升18个点
跨本体泛化是VLA从“会干活”走向“干得了所有机器人”的必经关卡，但“零样本”这个词在圈里长期被用得很随意。本论文用严格受控的基准把四种本体变化拆开细测，给出可复现的量化结论：换表征涨15个点、扩源多样性涨18个点、仅5%目标本体预训练数据再涨13.4个点。做机器人的朋友读完能少走不少弯路。
西安交大新作TempoGround：流式目标不再“跟丢”，3D指标均提升7.5
视频流一帧一帧地来，模型能不能不串号、不手抖、不跟丢？西安交大联合EngineAI提出TempoGround，让视觉语言模型在流式输入下连续输出稳定的2D/3D框，3D精度平均提升7.5。这套“状态感知课程预测+强化学习”的组合拳，值得做具身智能和多模态感知的同学认真看一眼。
代码生成｜代码投毒新攻击：仅污染0.7%语料，让大模型乖乖写出漏洞代码
分东西还要分任务？谁拿了好东西，谁多干了活，算法能分得大家都别红眼吗？一群做理论的人把这事儿掰扯清楚了——给每个参与者不同"权重"时，四校联合研究终于破解了混合了吗哪的难题，首次给出通用的高效分配方法。
低剂量CT去噪告别配对数据！物理驱动新框架：17项指标反超监督基线
低剂量CT（LDCT）的临床价值不用多说——辐射剂量降低了，患者风险下来了，可图像里的噪声就上去了。泊松-高斯混合噪声趴在投影数据里，重建出来的图像出现条纹和伪影，直接影响医生下诊断。传统去噪方法靠人工先验，效果有限；
球面数据逼近也有“不可能三角”？最新证明：最小正性损失为(L/N)²
先来一个灵魂拷问：你手里有一个定义在球面上的场，比如全球卫星云图、地球重力场或者海洋温度分布。你要设计一个重建算子，既要把已经解析出来的低频分量一滴不漏地保住，又希望输出是严格带限的——毕竟高频永远写不完、算不尽。
550维难题也扛得住！扩散模型跨界当MCMC，冷启动一两轮直达平衡
扩散模型天天做图，这次被一位独立学者硬生生掰成了MCMC全局采样器。不用变分目标，只靠标准去噪训练加一堆MALA样本，就能在550维贝叶斯后验上实现跨模式跳转，冷启动一两轮直达平衡区。这事儿有意思，值得一读。
ETH&哈佛新基准：AI智能体修复电网不收敛，成功率从82.6%冲到100%
把这个问题再往前推一步：潮流不收敛以后，电网调度员通常要反复“试探”——检查网络结构、分析残差、判断是不是无功支撑不够、猜想某个发电机电压定值压得太低，然后带着假设去跑仿真，不行就换个方向再来。
不再纠结选哪个EEG基座：逐样本智能路由，7个数据集全部提升
EEG基础模型已经多到“选择困难”，但这篇论文发现：没有哪个基座模型能对所有脑电样本通吃。昆山杜克大学提出的EEG-AS把模型选择做成逐样本的智能决策，推理时只跑一个轻量锚定模型，却能隔空猜测其他所有基座模型的预测行为，平均准确率从53.7%飙到66.9%。做脑电基座模型部署、神经解码评测的朋友值得一读。🎯
弗吉尼亚理工提出IntroConformal：让大模型自查"看图说话"，弃权率狂降57%→25%
大模型"看图说话"时编造细节，一直缺乏严格的统计约束。弗吉尼亚理工这篇工作用模型自己的"内心独白"替换外部验证器，照样把错误率控制在数学保证范围内，还顺手把弃权率打了下去。值得所有关注多模态可靠部署的读者一读。
让冻结LLM学会“脑内潜思”：循环潜思维LRT，符号推理暴涨26.7个点
当思维链还在“一字一句”硬凹推理时，这篇论文直接让冻结的LLM在“脑内”用向量打草稿。仅训练1130万参数，就在符号推理上把零样本思维链拉高26.7个点，推理延迟还更低。是时候重新审视“推理必须说出口”这个前提了。
港中文·微众AI等提出SinkPruner：先清注意力“下水道”再精剪
想要看懂SinkPruner，得先搞清楚一件事：多模态大模型（Multimodal Large Language Models，MLLM）里，最烧钱的其实不是“看”，而是“看完之后怎么记、怎么算”。
