架构文档总烂尾？列支敦士登大学三层智能体流程给出解法
这个不对称其实很好解释。代码能编译就是能编译，编译不过就是过不去，对错有硬反馈，智能体可以在里面反复试错。
标签：AI应用
共 458 篇
安大略理工×微软：LSTM自动切笔模式，准确率88.55%
数字笔已经普及了很多年，但有一个问题几乎没怎么变过：模式切换。
斯坦福提出自适应交会筛选：太空碰撞候选对减28.78%，扫描快27倍
太空越来越挤，几万颗卫星的轨道交会筛选正在变成算力灾难。斯坦福这篇论文不换模型、不堆显卡，只用公开星历历史给每个目标单独估一个不确定度，把固定50公里阈值改成自适应阈值，候选对直接砍掉近三成，扫描速度还快27倍。在算力普遍吃紧的当下，用一次漂亮的"减法"换回大笔计算预算，这种思路值得每个做大规模筛选的人读一读。
2.5亿次人肉查号：公众凭什么怀疑你是机器人？
凌晨一点，你刷到一条推文：语法完美、情绪饱满、主页挂着三个外链和一份加密货币白皮书，而且它已经连续发了十四个小时。你盯着屏幕两秒，脑子里冒出一句话：这账号是不是机器人？
Apple Research最新论文 | 8人一周实测：用户自建感知AI，系统边界能被改写吗？
Apple 和斯坦福的这项工作不去比模型分数，而是追问一件更根本的事：当用户终于能自己定义"要让 AI 识别什么"，传感系统里那些被写死的本体论边界，真的会被打破吗？8 个人、一周、两个只给界面不给算法的探针，答案比想象中拧巴得多。
新加坡理工大学：电池健康预测加语义双引擎，误差最高降37.3%
电动车车主最怕的一件事，不是充电排队，而是电池"悄悄地"不行了。手机用两年续航肉眼可见地缩水，电动车开五年续航打折，储能电站跑几年之后调度策略得跟着改，这些现象背后都指向同一个量：电池健康状态（State of Heal。
智能体翻文件总漏关键表？MIT用双层经验一次补齐
想象一个干了十年的财务顾问，面对杂乱报表，他翻完一遍后脑中会留下便签：“这张表够用”，“那份文件跳过”。下次再来任务，他按便签取该看的东西，既快又准。
27B模型硬刚GPT-5.5与Gemini：工业CAD多模态生成险胜0.8%
传统印象里，CAD建模是工程师坐在电脑前，对着软件菜单点点拖拖，从草图拉伸、切除、倒角一路做到出工程图。
上交大TIPCODER：代码生成前先“审题”，一次生成反超8次采样
还在让代码大模型硬啃题目？上海交大等机构提出的TIPCODER做了个示范：先别急着写代码，让模型根据具体问题"出个主意"，再动笔。就这么一个前置小动作，一次生成的效果反超了Best-of-8的多次采样，平均通过率最高冲到71.10，有点东西。
图像恢复翻车谁负责？圣克拉拉大学新框架：先认证再放行，别让AI瞎"修复"
图像恢复越清晰，检测反而越容易翻车？SafeRestore告诉你：别急着让AI"修复"图像，先给修复结果发张"安全认证"再放行。这篇论文最精彩的地方，是诚实地展示了自适应策略如何在五次实验中只通过一次认证——比简单插值还没牌面。
让代码AI出题考自己！南洋理工TCS两阶段强化学习方案全解析
考过程序设计竞赛的读者应该都有同感：决定命运的不是“你觉得自己写对了”，而是评测数据有没有精准戳中你代码里藏得最深的bug。
三星SEKA-FT：让1.5B基础模型搞定5G根因诊断，准确率直冲94.2%
LLM做5G故障根因分析，最怕的就是一本正经地编证据。三星美研这次把“证据→诊断路径→结论”结构化地塞进微调过程，让1.5B小模型直接干出94.2%准确率。想研究LLM垂直落地与“反幻觉”设计的同学，这篇值得细读。
