PowerUp 2026：储能投资的“缺钱问题”被MIT用MDP模型证伪
储能是新能源时代的“香饽饽”，但把它放进充满不确定性的电力市场里，它的运行策略和投资价值会怎么变？MIT这篇论文用一套精巧的随机控制框架，剖析了需求不确定性如何让储能变得“畏首畏尾”，以及这种“预防性储能”策略如何彻底改变长期投资格局。结论有点反直觉，但非常清醒。
最新文章
共 1660 篇
60年未解的Efron自洽迭代收敛问题，被2026年这篇论文终结了
2026年这篇短小精悍的论文，终结了Efron自1967年留下的迭代收敛问题。证明极简——只用了生存函数的单调性和级数收敛，没有任何额外假设。对于统计理论研究者、需要理解Kaplan-Meier估计器本质的从业者，这是一次干净利落的“补课”。
几何深度学习新范式：一招让网格模型“听懂”内在几何，手指关节都能变形
继2025年PoissonNet霸榜网格学习之后，蒙特利尔大学团队终于把注意力机制按网格几何的“本性”改造了一番——内在且三角化无关。结果直接拉满：高频信号预测PSNR暴增6dB，手指变形细节从未如此清晰，而且代码和实验都开源可复现，看完就想动手试试。
浙大最新研究：BII合成加速17.9倍，解决率提升86%，告别传统符号抽象瓶颈？
传统最佳归纳不变量（BII）合成依赖符号抽象和混沌迭代，每步都要计算最佳抽象变换器，收敛慢且容易超时。浙大团队从约束优化角度重新定义了BII问题，提出了一种"提议-精化"框架，两种新算法——线性搜索和逐位贪婪策略。其中逐位贪婪策略把求解器调用次数降到位宽线性级别（32位只需255次调用），实验解决率比符号抽象方法提升86%，加速高达17.9倍！代码已开源，值
5.5倍吞吐量提升！SK海力士用PNM破解LLM混合长度服务难题
当LLM服务的上下文长度从几百到百万不等时，GPU内存成了最大的短板。SK海力士与KAIST联手拿出硬核方案——NELSSA，把长上下文请求“请”到CXL互联的PNM（近内存处理）芯片上执行，GPU只管短请求和FFN。实测解码吞吐量飙涨5.5倍，P99延迟骤降15倍，而且是在真实硬件上跑出来的！这可能是下一代LLM基础设施的关键拼图。
哈工大等提出PRISM：让AI画画学会“看图自改”，TIFA飙至91.4%新SOTA
文生图提示优化一直是热门，但之前的方法要么只看文本要么只给分数，缺少结构化图像诊断。PRISM另辟蹊径，用一个VLM同时当裁判和教练，先看图挑毛病再针对性改提示，最后用强化学习让模型越改越好。在TIFA上从76.1飙升到91.4，关键是可解释性极强——每个修改都有理有据。
告别显存墙！DualDecoder用预测预取颠覆LLM推理
长上下文LLM推理中，KV缓存的内存占用一直是瓶颈，现有稀疏KV方法引入的GPU辅助状态反而成了新“内存墙”。这篇来自复旦大学与蚂蚁集团的论文找到了一个很巧妙的突破口：相邻解码步骤的KV索引具有强可预测性，从而可以用预测性预取彻底替换掉GPU驻留的辅助状态。方法设计的双token解码流水线、层感知传输调度和乒乓缓冲区都很实在，在128K上下文下吞吐量提升最高
机器人规划新范式：自动学习有向时间成本，14点提升不是梦
还在发愁机器人规划里怎么设计奖励函数？来自香港浸会大学的这篇论文直接告诉你：不用愁！它从无奖励的演示日志里“挖”出时间距离，让世界模型规划得又快又准，导航成功率直接拉满，操作任务也大幅提升。这正是龙哥一直在说的：比起花里胡哨的模型结构，搞清楚“规划目标从哪来”往往更重要。
学习助手让STEM毕业率提升9%，弱势群体提升20%
教育公平是热点议题，但缺乏大规模量化证据。这篇论文基于十年数据，用多层模型揭示了学习助手对STEM学生毕业率的显著提升，尤其对弱势群体效果惊人。结论扎实，对于教育管理者有直接参考价值。
量子计算老问题，斯坦福二维材料新解，效率与噪声双赢
量子换能器是连接超导量子处理器和光量子网络的桥梁。一维纳米梁换能器长期受困于光吸收导致的发热和热噪声，斯坦福团队巧妙利用二维光机械晶体的Γ-势能设计，直接设计出集体机械模式，在无需精确频率匹配的前提下实现鲁棒电机械耦合，低温下内效率达到0.85%，声子占用仅0.41。这项工作是二维换能器从零到一的关键一步，为远距离量子纠缠提供了真正可落地的低噪高效接口。
0.2B参数、1GB显存，32Hz实时控制！华中科大&华为新VLA范式TurboVLA
大模型驱动的机器人VLA虽然强大，但推理慢、显存高。TurboVLA反其道而行，直接跳过LLM，用双向视觉-语言交互实现32Hz实时控制，仅需0.2B参数和0.9GB显存，性能却比肩甚至超越十亿级模型。机器人部署从此不再高攀不起！
安徽大学SCDT：统一去噪框架，专治RGB-T跟踪模态缺失
医生看病是逐步问诊、看检查单、更新诊断假设的过程，但现有的AI评估全是单轮问答，完全不接地气。这篇论文搞了一个1089例真实病例的多轮诊断基准，把15个模型按真实临床流程从头考到尾。结果发现推理模式反而帮倒忙，医疗微调在小模型上有用、大模型反而没优势。想了解AI在临床诊断中到底几斤几两？这篇必须读。
