文章与教程

arXiv 新论文提出 VAIOM，一种用于一小时外汇 K 线下一期收益概率建模的 decoder-only Transformer。它把连续金融特征作为输入，同时用离散收益桶作为输出目标，试图弥合金融数据与“next-token”范式之间的差异。

一篇新论文把“组织能从审计对象选择中反推举报者”的风险形式化，并提出基于持续计数的私密审计机制。研究显示，简单随机响应在这一场景下几乎无法比均匀随机审计更有用。

PyTorch-Triton 3.7 带来 Triton Plugin Extensions，让自定义编译器 Pass、MLIR 方言和 DSL 扩展可以在运行时加载。Meta 的 TLX 也因此进入上游 Triton 使用路径，面向 H100 与 AMD MI350 提供更细粒度的 GPU 内核控制。

一篇 arXiv 新论文提出 Cyclone，将潜在扩散模型、循环一致性约束与图文模型知识结合，用于自动驾驶场景中的多天气编辑。它的重点不是单纯“加雨加雾”，而是在无需成对数据的情况下生成更真实且保留结构的驾驶图像。

一篇 arXiv 新论文提出 TCA-Net，聚焦低光图像增强中“亮度—色度”双流重新融合的可靠性问题。其核心是用固定置信阈值替代传统 Top-K 稀疏注意力的固定配额选择。

一篇新 arXiv 论文提出“生成式编译”，尝试把编译器反馈从代码生成后的检查，提前到大模型逐步生成代码的过程中。该方法面向 Rust 这类静态语义严格的语言，希望减少不可编译输出并提升功能正确性。

arXiv 新论文提出 DeepStress，用可控合成环境替代检索模块，系统考察搜索智能体面对低质量证据时的稳健性。研究聚焦可信度、相关性与事实性三类风险，显示不同智能体对不可靠信息的处理能力差异明显。

一篇 arXiv 新论文提出用于 KL 散度非负矩阵分解的牛顿型算法，试图突破传统可分离上界方法的效率瓶颈。该方法以二阶泰勒近似构造非可分离替代目标，并通过推广 HALS 进行求解。

这篇 arXiv 论文讨论了 LLM 系统中常见的“连续验证门”问题：同一个答案必须通过多次 verifier 才被返回。作者指出，一旦验证器之间存在部分相关性，可靠性提升会从指数级变成多项式级，甚至出现无法突破的盲区上限。

第二届 International StepUP Competition 将足步生物识别评测从单个脚印推进到左右脚成对的步幅验证，并强化了鞋类、速度等跨域挑战。最佳队伍在未公开测试集上取得 8.00% 等错误率，但个人鞋履场景仍是主要瓶颈。

一项 LREC 2026 论文研究了大语言模型在巴斯克语、西班牙语和英语教育场景中生成高阶问题的能力。研究发现，模型能较稳定地产生可回答问题，但教师认可为高阶问题的比例仍有限。

AIMO Interpretability Challenge 试图把数学推理评测从“最终答案正确率”推进到“内部机制是否可靠”。它将围绕奥赛级数学题、符号化变体和对抗鲁棒性，检验前沿模型是真会推理还是依赖脆弱捷径。

一篇 arXiv 新论文将 Quantum Kitchen Sinks 用于射频频谱图异常检测，并在真实蜂窝信号与 IBM 量子处理器上做了验证。结果显示，DCT 表示与中等深度纠缠配置是更稳健的组合。

一篇 arXiv 新论文提出 OCP-CT，用器官条件下的放射学模式 token 改进 CT 体数据与报告之间的视觉语言预训练。它试图弥补全局对比学习过粗、器官级对齐仍不够细的问题。

PiVoT 提出一种基于变分推断的训练-free 多目标检测与跟踪框架，重点解决雷达点云中目标多、杂波重、数据稀缺时的实时处理难题。它无需外部聚类或检测器，可联合估计目标状态、形状、存在概率、数据关联与测量率。

一篇 arXiv 新论文提出 Experience Memory Graph，将 LLM 智能体的失败恢复建模为图匹配与图编辑路径检索。其目标是在测试时避免反复试错，用一次执行完成纠错引导。

一篇新的 arXiv 论文提出，因果推断不只要问“有没有可识别公式”，还应判断“给定公式是否真的识别目标干预分布”。作者将这一任务形式化，并提出面向实践的 falsifier 与 gateway test。

这篇 arXiv 论文提出 AgentHOI，把多模态大模型的推理能力引入开放场景中的人物—物体交互检测。它不再依赖固定类别训练，而是通过多轮语义推理与定位模块协作来发现交互关系。

一篇 arXiv 新论文提出 SVR-MARL 框架，试图在多 AUV 隐蔽协作中，把感知信息的任务价值、通信代价与暴露风险放到同一个强化学习闭环里权衡。

一篇 arXiv 新论文提出用于脑肿瘤演化预测与治疗排程的 AI 增强自适应数字孪生框架。研究亮点在于把可解释的反应-扩散模型、3D 残差学习、在线更新和模型预测控制放在同一流程中。

一篇 arXiv 论文提出 Relevance-Aware Rule 框架，试图从决策树规则中识别并删除结构性产生的无关条件。其核心不是简单剪枝，而是在删除前验证条件对预测可靠性的影响。