非阿基米德Arakelov几何新篇章：首次证明Bost-Gillet-Soulé公式类比
在数字的禁区里，也能弹奏黎曼的乐章。这篇论文证明了非阿基米德Arakelov几何中的Bost-Gillet-Soulé公式，将复几何的神器“Green Current”带到了p-adic的世界，为算术相交理论注入新的灵魂。一句话：数学的力量，在于跨越时空的统一。
标签：人工智能
共 701 篇
AI Agent接管云端？OpenKedge推出“执行经纪人”SEB，零常设凭证杜绝越权突变
AI Agent越来越能干，但把“删库”、“开端口”这种高级权限直接交给一个会幻觉、还可能被黑客渗透的非确定性系统，这不是妥妥的定时炸弹吗？OpenKedge团队这篇论文，直接瞄准了这个“检查后执行”之间的真空地带，搞出了一个叫“Sovereign Execution Broker”的硬核边界，让Agent手里的凭证“即用即消”，从根本上堵死越权操作。一针见
伊利诺伊大学等最新研究：99%的人误解了分布式实验设计
当多个实验站点只能发送“投票”信息，我们该如何选出最佳全局实验？简单多数投票可能大错特错！这篇论文给出了分布式贝叶斯实验设计的决策理论框架，用信息增益代替人数，融合规则逼近集中式设计，信息损失近乎为零，堪称分布式决策的“正统解法”。
佛蒙特大学用数据科学“拆解”《老友记》：剧情套路越多，评分越高？钱德勒果然最“尴尬”！
当《老友记》遇上计算叙事学，这波跨界直接把我看呆了。佛蒙特大学团队没去搞图像识别，反而把“TVTropes”里的剧情套路和剧本、评分联动起来，发现了“剧情套路的密度”和“评分”之间的秘密。更骚的是，他们还把1974个套路分成了15个语义簇，结果发现——钱德勒的莫妮卡式“尴尬”和莫妮卡的“控制欲”，原来都被套路化了？这篇文章让我们看到，AI不仅能看懂图像，也能
Nebraska & Texas A&M提出SCOPE：一招用分布CDF设计「万能」小波收缩规则，效果吊
小波去噪的收缩规则设计，一直有点“玄学”的味道，要么是硬阈值、要么是软阈值，再不然就是各种花式变体。内布拉斯加大学和德州农工的研究者们另辟蹊径：直接用概率分布的CDF来构造收缩规则！参数少、可解释性强，性能还能跟贝叶斯和SURE流派掰手腕。想学一手“数学魔法”的赶紧上车。
只需3分钟！台交大新作JanusMesh：零样本生成3D视觉错觉，一个模型秒变两种物体
3D视觉错觉生成一直是个「看着悬乎、做着更悬」的课题。以往的方法要么慢得像蜗牛（40分钟一个），要么生成的东西满是拼接缝和色彩过曝。台湾阳明交通大学这次祭出的JanusMesh，直接把时间压缩到3-5分钟，而且不需要针对每个形状做优化训练，真正做到了零样本！更关键的是，它生成的模型从各个角度看都完整无漏，只在特定视角才「变戏法」，效果相当惊艳。对于做3D内容
FlashRT开源：27倍加速，边缘AI推理告别“重计算”，秒变“快照恢复”
当机器人每次重启都要重算大模型，或边缘设备LLM冷启动慢到怀疑人生，这篇论文给出了天才解法：把整个推理的“当时状态”像游戏存档一样快照，下次直接读档。FlashRT通过“执行状态胶囊”，让低延迟、小批量的边缘AI服务延迟狂降27倍，并在LLM、TTS、机器人策略上统一了这套机制。简单说，就是让AI推理变得像按快门一样快。
排名也有偏见？巴西学者提出SMAA-Fair，给多准则决策中的排名加上“公平滤镜”
当你在多准则决策中用SMAA方法计算排名时，有没有想过这个排名可能对某些群体“偏心”？巴西学者提出的SMAA-Fair正是来解决这个问题的。它不改变你的模型，只调整每个模拟排名对最终结果的“投票权重”——排名越公平，权重越高。简单有效，思路清奇。
告别黑箱审计：CODE-AUGUR如何让LLM的安全判断变得可验证、可复用
继2026年6月聊过AI智能体安全评估之后，这次新加坡国立大学团队带来更猛的干货：不是让LLM当黑盒猎头，而是让它把“觉得安全”的判断写成可执行的断言，再用模糊测试来挑战这些断言。结果？在DARPA的AIxCC基准上比顶尖智能体多发现34%-63%的漏洞，还挖出了22个真实世界的0-day！这才是AI安全审计该有的样子。
被引26489次！蒙特利尔大学提出RNN编码器-解码器：给机器翻译装上“语义引擎”
这篇论文是NLP领域圣经级的存在，引用数高达26489次！它提出的RNN编码器-解码器架构，以及其中巧妙的门控隐藏单元，直接为后来风靡全球的seq2seq模型和GRU铺平了道路。如果你想理解机器翻译乃至整个序列生成任务的基石，这篇2014年的经典之作绝对不容错过。
法国IPAG用维里定理提取恒星核，告别密度阈值玄学
数星星的孩子最难的不是数，而是告诉别人哪个点才算星星。这篇来自法国IPAG团队的论文，就用维里定理造了一把“物理戒尺”，把模拟宇宙里那些“模糊边界”的恒星胚胎量得清清楚楚。从此，告别手动调阈值的玄学时代，让物理自己说话！
港科大新研究：只更新10%Token，推理能力飙升15%，告别盲目探索！
训练大模型就像带兵打仗，胡子眉毛一把抓只会越训越乱，熵塌陷了解一下？港科大的这篇论文发现了其中的“关键少数”——那些在分布上偏离群体平均的Token才是决定推理方向的决策节点。这套方法原理漂亮，效果更惊艳，只更新10%的Token反而吊打全量训练，是RLVR领域的一股清流。一起来看！
