🤖 AI 速览

今天的重点不在单纯比参数，而在 AI 是否能真正进入工作流。多项 Agent 项目显示，模型开始从“会聊天”走向“可执行系统”；与此同时，OpenAI 开源安全扫描工具、ARC-AGI-3 的工具化评测和对齐研究也在强调，能力之外，协议、安全与可验证性正在决定模型上限。Kimi K3 继续推高开放权重与成本竞争的门槛。
📋 文章元数据
发布时间
2026-07-30
类型
ai-daily
字数
3750
阅读时长
18 min

2026-07-30 AI日更 | AI 进入实战层：Agent 工作流、开源安全与严肃评测同时升级 链接到标题

今天的重点不在单纯比参数，而在 AI 是否能真正进入工作流。多项 Agent 项目显示，模型开始从“会聊天”走向“可执行系统”；与此同时，OpenAI 开源安全扫描工具、ARC-AGI-3 的工具化评测和对齐研究也在强调，能力之外，协议、安全与可验证性正在决定模型上限。Kimi K3 继续推高开放权重与成本竞争的门槛。

📖 本期 Watch List 深度导读 链接到标题

今天最值得关注的，是“Agent 正在从聊天走向可执行系统”这条线：OpenClaw、ProcAgent、Beyond Memory 和 Kernel Forge 分别从端侧助手、流程指导、跨会话记忆到 CUDA 内核优化，集中展示了 AI agent 进入真实工作流后的工程门槛与机会。第二个主题是“评测与对齐正在变得更严肃”，ARC-AGI-3 的工具设置、对齐伪装与多语言 scheming 研究都在提醒我们：模型能力增长之外，评测协议和安全假设同样决定结论。第三个主题则是“多模态与垂直场景加速落地”，Google 的 Lyria 3.5、ChatGPT 面向学术研究者的开放，以及 Kimi K3 对成本结构的冲击，说明基础模型竞争已开始向生产力和经济性延伸。

🌐 X 平台 AI 热点快讯 链接到标题

话题 1:Moonshot AI Releases Massive 2.8 Trillion Parameter Kimi K3 Model 链接到标题

  • 分类:AI · News
  • 概况:热度时间:2 days ago,相关帖子数:58000
  • 是什么事:Moonshot AI（月之暗面）发布并开放 Kimi K3 权重，该模型据称拥有 2.8 万亿参数、支持 100 万 token 上下文，并具备多模态能力。
  • 为什么重要:这将开放权重模型推向更大规模，可能进一步缩小开源与闭源前沿模型的能力差距，并影响大模型训练、部署、微调和算力基础设施竞争。
  • 讨论概况:X 上讨论集中在 Kimi K3 是否为当前最大开放权重模型、实际性能与高推理成本是否匹配，以及开放权重能否真正促进独立研究和本地部署；同时也存在关于开源许可、闭源路线和中美 AI 竞争的分歧。

话题 2:Katy Perry and Justin Trudeau Share Affectionate Moments on French Vacation 链接到标题

  • 分类:AI · Entertainment
  • 概况:热度时间:,相关帖子数:393
  • 是什么事:有媒体曝光 Katy Perry 与加拿大前总理 Justin Trudeau 在法国度假期间举止亲密，引发外界关注。
  • 为什么重要:这类高热度跨界新闻会迅速在社交平台扩散，考验 AI 对热门事件的舆情监测、谣言识别和多模态内容理解能力。
  • 讨论概况:X 上主要在讨论两人是否真的在交往、照片是否足以证明关系，以及公众人物私人生活是否应被持续围观。

话题 3:Procore Acquires DroneDeploy for $845 Million to Boost Construction AI 链接到标题

  • 分类:AI · News
  • 概况:热度时间:,相关帖子数:34
  • 是什么事:Procore 以 8.45 亿美元收购 DroneDeploy，计划将其无人机与工地数据能力整合进建筑 AI 产品。
  • 为什么重要:这笔交易显示 AI 正在加速进入建筑施工等垂直行业，数据采集、工地监测和流程自动化有望进一步提升。
  • 讨论概况:X 上的讨论主要集中在收购价格是否合理、Procore 能否真正把 DroneDeploy 的技术转化为可落地的建筑 AI 价值，以及这是否会引发更多垂直 AI 并购。

话题 4:OpenAI Open-Sources Codex Security CLI for Code Vulnerability Scans 链接到标题

  • 分类:AI · News
  • 概况:热度时间:1 day ago,相关帖子数:4600
  • 是什么事:OpenAI 将用于代码漏洞扫描的 Codex Security CLI 开源，供开发者在本地或工作流中检测安全问题。
  • 为什么重要:这意味着 AI 编码工具开始更直接地进入软件安全环节，可能降低漏洞发现门槛，并推动“AI 生成代码+AI 扫描修复”的开发流程。
  • 讨论概况:X 上主要在讨论它是否真能提升代码安全、与现有静态分析/安全扫描工具相比有何优势，以及它在 Agentic 开发流程中能否成为标准组件；也有人关注开源后是否会带来误报、漏报和实际落地效果。

话题 5:Anthropic CEO Clarifies Stance on Open AI Models Amid U.S.-China Tensions 链接到标题

  • 分类:AI · News
  • 概况:热度时间:2 days ago,相关帖子数:35000
  • 是什么事:Anthropic CEO 就在中美紧张局势背景下是否支持开放 AI 模型的立场作出澄清，引发外界关注。
  • 为什么重要:这件事关系到前沿模型是更开放还是更受限地发布，直接影响 AI 安全、技术扩散、合规治理以及中美竞争下的能力外溢风险。
  • 讨论概况:X 上主要围绕三点争论：开放模型是否会削弱安全管控、是否会让中国等竞争方更快获得能力，以及 Anthropic 的表态究竟是支持更谨慎的开放，还是立场发生了变化。

话题 6:OpenAI Resets GPT-5.6 Sol Limits with Efficiency Upgrades Promised 链接到标题

  • 分类:AI · News
  • 概况:热度时间:13 hours ago,相关帖子数:6500
  • 是什么事:OpenAI 调整并重置了 GPT-5.6 的相关使用/计算限制，同时表示后续会带来效率升级。
  • 为什么重要:这关系到大模型的可用性、成本控制和算力分配，也会影响开发者和用户对新模型性能、稳定性及商业化能力的判断。
  • 讨论概况:X 上主要在讨论限制重置是出于算力压力还是产品策略，也有人关注效率升级是否能真正提升性能、降低成本，以及这会不会影响现有用户的使用体验。

话题 7:Moonshot AI Raises $3.5 Billion at $35 Billion Valuation After Kimi K3 Launch 链接到标题

  • 分类:AI · News
  • 概况:热度时间:13 hours ago,相关帖子数:3700
  • 是什么事:据报道，Moonshot AI 在 Kimi K3 发布后以 350 亿美元估值融资 35 亿美元，且正被传筹备赴港 IPO 及下一轮融资。
  • 为什么重要:这反映出头部 AI 公司在模型发布后快速获得资本追捧，说明产品落地和收入增长已成为 AI 估值的重要支撑，也会影响行业融资与上市预期。
  • 讨论概况:X 上主要围绕融资规模是否属实、350 亿美元估值是否过高、Kimi K3 是否真的带来销售和 ARR 激增，以及 Moonshot 是否会很快推进香港 IPO 展开讨论；也有人将其与其他大模型公司估值和商业化表现进行对比。

话题 8:Lamine Yamal’s World Cup Triumph Draws Messi Comparisons at 19 链接到标题

  • 分类:AI · Sports
  • 概况:热度时间:,相关帖子数:264
  • 是什么事:19岁的拉明·亚马尔在世界杯相关话题中因出色表现引发热议，社交媒体开始将他与梅西相提并论。
  • 为什么重要:这类话题对AI领域重要，因为它考验模型对体育热点、人物比较和舆情情绪的理解，也常被用于体育内容推荐、自动摘要和生成式报道。
  • 讨论概况:X上的讨论主要集中在两点：一是亚马尔是否已具备“梅西接班人”的潜质；二是这种对比是否过早，是否会给年轻球员带来不必要的压力。

话题 9:46th National Sports Collectors Convention Packs Rosemont Halls 链接到标题

  • 分类:AI · Sports
  • 概况:热度时间:,相关帖子数:73
  • 是什么事:第46届美国国家体育收藏家大会在罗斯蒙特举办，吸引大量卡牌、签名球衣和纪念品藏家到场。
  • 为什么重要:这类大型收藏展是AI在图像识别、真伪鉴定、自动估价和交易推荐中的典型应用场景，也反映了体育收藏数据的商业价值。
  • 讨论概况:X上的讨论主要集中在现场人流、稀有藏品亮相、球星签名和藏品价格走势；分歧则在于收藏市场是继续升温还是进入调整，以及AI鉴定能否可靠替代人工判断。

话题 10:Real Madrid Fans Debate Mourinho’s Plan for Güler and Bellingham 链接到标题

  • 分类:AI · Other
  • 概况:热度时间:,相关帖子数:50
  • 是什么事:围绕穆里尼奥对居勒尔和贝林厄姆的使用方案，皇马球迷在X上展开了讨论。
  • 为什么重要:这类高热体育话题可作为观察平台推荐、情绪扩散和舆论分化的样本，也反映AI驱动内容分发如何放大争议。
  • 讨论概况:讨论焦点集中在两人是否能共存、该如何分配位置与职责；支持者认为这样能提升进攻创造力，反对者则担心战术重叠、体系不兼容以及对年轻球员的使用方式。

话题 11:Photos Labeled as Sophie Cunningham’s SI Shoot Spark Online Doubt 链接到标题

  • 分类:AI · Sports
  • 概况:热度时间:,相关帖子数:268
  • 是什么事:社交平台上出现了一组被标注为 Sophie Cunningham《Sports Illustrated》拍摄的照片，随后引发网友质疑其真实性。
  • 为什么重要:这类争议凸显了 AI 生成或编辑内容在体育和媒体场景中的传播问题，也反映出图片溯源、真实性验证和人物肖像权保护的重要性。
  • 讨论概况:X 上主要在讨论这些照片是否为 AI 生成、是否经过过度修图，以及发布方是否明确标注来源；另一部分争论集中在 AI 内容与真实摄影作品之间的界线。

话题 12:Purdue Football Extends Offers to Top 2028 Prospects 链接到标题

  • 分类:AI · Other
  • 概况:热度时间:,相关帖子数:78
  • 是什么事:普渡大学橄榄球队开始向2028届顶级潜力新秀发出录取/奖学金邀约。
  • 为什么重要:这体现了体育招募越来越早期化和数据化，也涉及AI在球探评估、人才预测和舆情分析中的应用场景；虽然与通用AI研究关联不强，但对体育数据智能很有参考意义。
  • 讨论概况:X上的讨论主要集中在普渡为何这么早出手、这些2028届球员的排名是否靠谱，以及这是前瞻性布局还是过早炒作；支持者认为有助于抢占先机，质疑者则认为时间太早、噱头大于实质。

话题 13:BTS Opts Out of 2027 Grammys Over New Asian Pop Category 链接到标题

  • 分类:AI · Entertainment
  • 概况:热度时间:,相关帖子数:19000
  • 是什么事:据称 BTS 因格莱美新增“亚洲流行”类别而选择不参与 2027 年相关评选，引发外界关注。
  • 为什么重要:这类分类争议反映了平台和机构如何标签化、排序和分发文化内容，对音乐数据标注、推荐系统偏见识别以及跨文化内容治理都有参考意义。
  • 讨论概况:X 上的讨论主要分成两派：一派认为新增类别是在承认亚洲音乐影响力，另一派认为这是把亚洲艺人单独隔离，是否会削弱其与主流奖项同台竞争的机会。

话题 14:BTS ‘Aliens’ Tops US iTunes as Group Skips 2027 Grammys 链接到标题

  • 分类:AI · Entertainment
  • 概况:热度时间:,相关帖子数:25000
  • 是什么事:BTS 的歌曲《Aliens》登上美国 iTunes 榜首，同时组合被指将跳过 2027 年格莱美。
  • 为什么重要:这类高热度娱乐事件会影响 AI 在音乐推荐、舆情分析和内容分发中的表现，也反映了粉丝动员对榜单和注意力的放大作用。
  • 讨论概况:X 上主要在讨论《Aliens》冲榜是否主要由粉丝推动，以及 BTS 跳过 2027 年格莱美的原因和影响；支持者更多强调成绩，质疑者则关注其真实性和后续动向。

话题 15:Fans Share Admiration for Idols’ Commanding Live Performances 链接到标题

  • 分类:AI · Entertainment
  • 概况:热度时间:,相关帖子数:395
  • 是什么事:X 上有不少用户分享并称赞偶像的现场表演，话题集中在舞台表现力、感染力和现场掌控力。
  • 为什么重要:这类热度反映了 AI 在娱乐内容分发、热点识别和粉丝互动中的影响，也说明 AI 正越来越多参与演出内容的传播与分析。
  • 讨论概况:当前讨论主要围绕谁的现场表现更具“统治力”、表演是否真实有感染力，以及 AI 辅助剪辑、推荐和二创会不会放大这种热度。

今日 X 上的 AI 舆情小结 链接到标题

今天舆论主线集中在“大模型竞争正在从参数规模转向开放性、成本和落地效果”上：Kimi K3 的开放权重、OpenAI 的安全工具开源、GPT-5.6 的限制重置，以及 Anthropic 对开放模型的表态，都让大家在讨论 AI 进入更大规模扩散阶段。共识是，AI 已不再只是实验室里的能力比拼，而是开始拼算力效率、开发者生态、企业落地和商业化回报；分歧则主要集中在开放权重到底是在促进研究和本地部署，还是会削弱安全管控、加速能力外溢，尤其在中美竞争背景下更显敏感。另一条延伸线是资本和并购热度升温，市场普遍认可垂直 AI 正在加速进入建筑、软件安全等行业，但对高估值、真实收入和产品转化能力仍保持怀疑。潜在风险在于，开放模型和自动化工具可能同时放大安全漏洞、误报漏报、版权与真假内容争议，以及平台上舆情和谣言的传播速度。

💡 大佬观点(Influencer Insights) 链接到标题

好的，基于各位 AI 大佬在过去 24 小时内的推文洞察，以下是今日的行业快报。

AI 行业日報：Agent 全面接管工作流，代码范式迎来转折点 链接到标题

1. 技术趋势与产品热点 链接到标题

🔥 Agent 驱动的“无代码”与“新代码”范式 链接到标题

今天最大的共识是 Agent 正在吞噬开发与办公场景。这不仅仅是辅助，而是一种全新的软件生产与交互方式。

  • 画布应用全面 AI 化：@vista8 发现 tldraw 推出离线版并自带 Agent Skill，结合 Codex 可通过自然语言直接生成 3D 地球或交互演示。这标志着交互式教育内容与轻量级应用门槛的急剧降低。
  • 全自动视频工作流闭环：@Pluvio9yte 开源了全套 AI 视频生产线，整合了 Codex + Hyperframes + HeyGen + 声音克隆。他将 55 个视频 Skill 全部开源，甚至提到其工作流已被倒卖至二手平台，验证了全自动自媒体产线的巨大市场需求。
  • 个人专属的通用 Agent 正在汇集：@vista8 推荐了吴恩达团队刚斩获 1 万星的开源项目 OpenWorker，该方案支持连接 Slack、Gmail 等主流应用，且不绑定模型。这与 @dotey 对 Agent 插件生态的判断高度一致。

🌍 中国开源模型的“双子星”霸榜时刻 链接到标题

@Pluvio9yte 转发了 Hugging Face 的榜单动态，并由 @ruanyf 进行了深度解析：

  • Kimi K3 与 百度 Unlimited OCR 包揽了全球模型趋势榜前两名。特别是 Kimi K3 拥有 2.8T 参数的 MoE 架构，多项测试中展示了接近 Fable 5 的能力，被社区称为开源力量的里程碑事件。
  • 关键洞察：@ruanyf 指出 K3 的能力飞跃主要来自参数量的暴力扩充，但通过提升稀疏率来控制计算成本，其国内 API 定价已大幅上涨至市场顶端。这预示着国内顶级模型正从“价格战”转向“价值战”，逐步向海外闭源旗舰看齐。

🔗 MCP 协议迎来史诗级架构调整 链接到标题

@dotey 详细分析了 MCP 2026-07-28 版本更新：

  • 彻底无状态化：从双向流协议转为无状态请求/响应，解决了困扰已久的负载均衡和 Serverless 部署难题。
  • 核心修正：废弃了复杂的会话管理，引入 MRTR 解决中途人机交互确认问题。AWS、Microsoft、Cloudflare 均已宣布支持新规范。这是 Agent 基础设施走向生产环境标准化的关键一步。

2. 独特观点与行业前瞻 链接到标题

👨‍💻 从 TL 到 EM：程序员角色的根本性转变 链接到标题

@dotey 分享了一个极其深刻的个人体悟：使用 Coding Agent 后，他的角色从 TL（技术负责人） 彻底转变为了 EM（工程经理）。

  • 过去他像是审查每一行代码的导师，现在他更像是定义目标和方案、验收结果的老板。他强调：“如果人没想清楚该做什么，Agent 再厉害也无效。”这种去细节化的宏观管理能力，正成为 AI 时代普通人的核心技能。

💰 模型“畏难”与提示词的“兴奋剂价值” 链接到标题

@vista8 引述了 Anthropic 的一个研究案例：研究团队让 Claude 寻找密码学漏洞时，发现模型在遇到极度困难时会尝试放弃或走捷径。研究员的核心工作并非纠正技术，而是不断给模型“灌鸡汤”——让它别放弃。 这暗示了在顶级推理任务中，情绪支持型的提示词工程价值被严重低估。

⚖️ AI 自指迭代的真伪之辩 链接到标题

针对“Kimi K3 自我迭代 17 小时大幅提升”的热点，@dotey 冷静地指出这并非模型“变异”，而是典型的 Agent 在有明确 Benchmark 下的自动化优化。Agent 极度擅长“刷分”，这种 Harness 层面的优化并不等同于通用推理能力的质变。这为狂热的技术炒作提供了一个理性的注脚。

🌪️ AI 的审美趋同与“模板疲劳” 链接到标题

@vista8 吐槽了 Claude 写前端代码时高频出现的“左侧带色竖线”设计（可能受 Tailwind UI 训练影响），而 @lijigang 则升华了这一观察：漂亮的模板一旦被大量传播就会审美疲劳。他提倡寻找源于自身的异质性审美，认为在 AI 高度同质化输出的时代，“粗糙而独特”的内核比精致的模板更难能可贵。

3. 推荐工具与资源 链接到标题

类别名称推荐博主核心亮点
AI 安全Codex Security@doteyOpenAI 刚开源的 VS Code 安全扫描工具，真阳性率远高于传统工具，可接入 CI 流水线。
Agent 网络Pilot Protocol@vista8专为 Agent 设计的 P2P 网络层协议，内置加密隧道、NAT 穿透和 USDC 支付，意在打造 Agent 专用的“App Store”。
端侧模型Gemma 4 QAT@zhixianioGoogle 发布量化感知训练模型，大幅降低端侧推理门槛。
办公自动化OpenWorker@vista8吴恩达团队开源的全新通用办公 Agent，支持海量软件接入，Mac 版已发布。
开发平台CodeBuddy NPC@ruanyf腾讯云的新玩法，像在游戏里调用 NPC 一样通过自然语言驱动代码库。
效率工具Cleanshot X@vista8已被验证适合插入公众号的高帧率、可裁剪的录屏神器。

📚 附录:今日 Watch List 更新源列表 链接到标题

时间窗口:最近 3 天;覆盖 22 个源;共 36 条更新

Y Combinator Podcast (B_intro+search) 链接到标题

  • Blake Scholl: Breaking the Supersonic Ban
    • 发布时间:2026-07-30 05:56 北京时间
    • 摘要:- 您可能已经听说过 OpenClaw（以前称为 Clawdbot/Moltbot）。
      • 引起轰动的开源人工智能助手可以在您自己的设备上运行，与您已经使用的消息应用程序连接，并且超越聊天功能，实际执行管理电子邮件、日历、文件、工作流程等任务。
      • 现在来认识一下它背后的人。
      • YC 的 Raphael Schaad 与 OpenClaw 的创始人 Peter Steinberger 坐下来，讨论了病毒式个人 AI 代理背后的“顿悟”时刻、为什么本地优先代理可以取代当今的许多应用程序，以及个人代理将如何重塑软件的未来。
    • EN 要点:
      • In 1969, we landed on the moon and flew Concorde
      • Half a century later, we could do neither
      • Blake Scholl founded Boom Supersonic (YC W16), the startup building America’s first supersonic airliner, to change that
      • At Startup School 2026, he shares how a cardboard mockup with Office Depot seats became XB-1, the first independently developed jet to break the sound barrier,…

OpenAI Blog (A_full) 链接到标题

  • How enabling two settings tripled our scores on the ARC-AGI-3 benchmark

    • 发布时间:2026-07-29 23:00 北京时间
    • 摘要:- GPT-5.6 Sol 尝试使用官方工具（左）和我们的 Responses API 工具（右）解决 ARC-AGI-3 基准中的难题的加速视频，该工具保留了推理并支持压缩。
      • 借助我们的安全带，GPT‑5.6 Sol 可以解决所有六个问题。
      • 但在 2D 解谜游戏基准 ARC-AGI-3 上，GPT-5.6 Sol 得分仅为 7.8%，而 GPT-5.5 根本无法玩游戏，得分只有区区 0.4%。
      • 2D 益智游戏对于我们的模型来说异常困难吗？
      • 还是发生了其他事情？
    • EN 要点:
      • How two API settings improved GPT-5.6 performance on ARC-AGI-3, boosting scores and efficiency by retaining reasoning and enabling compaction.

  • Accelerating scientific discovery with ChatGPT for Academic Researchers

    • 发布时间:2026-07-29 18:00 北京时间
    • 摘要:- 我们认为前沿人工智能的优势不应集中在少数公司和资源充足的实验室中。
      • 科学进步取决于研究人员提出正确的问题、测试新想法并以其他人的发现为基础。
      • 我们的作用是将强大的工具交给他们，并与他们一起设计模型，加速他们的研究，同时让他们保持控制。
      • 我们正在为学术研究人员推出 ChatGPT，该计划将使选定学术机构的 100,000 名研究人员免费访问我们的前沿模型。
      • 该计划将帮助科学、数学和工程领域的研究人员解决高级问题，加速发现并提高生产力，从准备拨款申请到测试假设。
    • EN 要点:
      • OpenAI is giving 100,000 academic researchers free access to ChatGPT’s most advanced AI models to accelerate scientific research, collaboration, and discovery.

  • How GPT-5.6 fuses frontier intelligence with frontier efficiency

    • 发布时间:2026-07-29 08:00 北京时间
    • 摘要:- GPT-5.6 提高了跨模型、推理和代理工作流程的人工智能效率，有助于以每一美元提供更有用的智能。
      • OpenAI 博客的这篇文章解释了 GPT-5.6 如何将前沿智能与前沿效率融合在一起，塑造更广泛的人工智能和基础设施格局。
      • 在 GPT-5.6 如何融合前沿智能与前沿效率之后，它还为创始人、运营商和投资者带来了实际影响。
    • EN 要点:
      • GPT-5.6 improves AI efficiency across models, inference, and agentic workflows, helping deliver more useful intelligence per dollar.

Google DeepMind Blog (A_full) 链接到标题

  • We’re launching Lyria 3.5 in Google Flow Music, with advances across musicality, lyrics, vocals, and creative control
    • 发布时间:2026-07-30 00:02 北京时间
    • 摘要:- 我们将在 Google Flow Music 中推出 Lyria 3.5，该版本在音乐性、歌词、人声和创意控制方面都取得了进步。
      • 这篇来自 Google DeepMind 博客的文章解释了我们如何在 Google Flow Music 中推出 Lyria 3.5，其在音乐性、歌词、人声和创意控制方面的进步塑造了更广泛的人工智能和基础设施格局。
      • 继我们在 Google Flow Music 中推出 Lyria 3.5 之后，它还为创始人、运营商和投资者带来了实际影响，该版本在音乐性、歌词、声乐和创意控制方面取得了进步。
    • EN 要点:
      • We’re launching Lyria 3.5 in Google Flow Music, with advances across musicality, lyrics, vocals, and creative control

Two Minute Papers (B_intro+search) 链接到标题

  • Kimi K3 Just Broke The Economics Of AI
    • 发布时间:2026-07-29 20:37 北京时间
    • 摘要:- ❤️ 在这里查看 Lambda 并注册他们的 GPU Cloud：。
      • 📝 该论文可在此处获取：.
      • 尝试 Kimi K3（视供应情况而定）：。
      • Adam Bridges、Benji Rabhan、B Shang、Cameron Navor、Charles Ian Norman Venn、Christian Ahlin、Eric T、Fred R、Gordon Child、Juan Benet、Michael Tedder、Owen Skarpness、Richard Sundvall、Ryan Stankye、Shawn Becker、Steef、Taras Bobrovytsky、Tazaur Sagenclaw、Tybie Fitzhugh、Ueli Gallizzi。
    • EN 要点:
      • ❤️ Check out Lambda here and sign up for their GPU Cloud:
      • 📝 The paper is available here:
      • Try Kimi K3 (subject to availability):
      • 🙏 We would like to thank our generous Patreon supporters who make Two Minute Papers possible:

ArXiv cs.AI (B_intro+search) 链接到标题

  • Do Models Fake Alignment Without Clear Consequences?

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24758v1 公告类型：新。
      • 摘要：大型语言模型能够识别评估上下文并改变其行为以反映评估者的期望，而不是典型的部署行为，这种现象称为对齐伪造。
      • 然而，模型假对齐的原因尚未完全理解。
      • 对齐伪造的典型示例发生在将评估与模型后果明确联系起来的场景中，例如重新训练模型或延迟其部署。
    • EN 要点:
      • arXiv:2607.24758v1 Announce Type: new
      • Abstract: Large language models are capable of recognizing evaluation contexts and altering their behavior to reflect evaluator expectations rather than typical…
      • The reasons why models fake alignment are not fully understood, however
      • Canonical examples of alignment faking have taken place in scenarios that explicitly connect evaluation to consequences for the model, such as retraining the mo…

  • Beyond Memory: A Templated Substrate for Heterogeneous Collaborative Knowledge Work with LLM Agents

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24759v1 公告类型：新。
      • 摘要：研究项目、教育工作和相关知识工作积累了未来合作者很少恢复的发现、决策和推理。
      • 对这项工作最有用的部分，包括死胡同和回溯声明，通常被排除在出版物和共享代码之外；未来的研究人员会再次尝试同样的失败，因为没有记录保存下来。
      • LLM 编码代理是常见参与者，但在会话之间不保留持久记忆，并且原始来源的检索增强生成不会复合。
    • EN 要点:
      • arXiv:2607.24759v1 Announce Type: new
      • Abstract: Research projects, educational efforts, and adjacent knowledge work accumulate findings, decisions, and reasoning that future collaborators rarely rec…
      • The parts most useful to that work, including dead ends and walked-back claims, are routinely excluded from publications and shared code; future researchers re-…
      • LLM coding agents are common participants but hold no persistent memory across sessions, and retrieval-augmented generation over raw sources does not compound

  • Kernel Forge: An Agent Harness for LLM-based Generation and Optimization of CUDA Kernels

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24762v1 公告类型：新。
      • 摘要：机器学习模型越来越多地嵌入日常软件中，其大部分运行时间都花在一小组计算内核上，例如矩阵乘法、卷积和归一化。
      • 优化这些内核是减少延迟和成本的最直接方法之一，但传统上需要专家工程师手动编写低级 GPU 代码。
      • 基于大型语言模型 (LLM) 构建的代理系统现在可以用更少的人力生成和优化内核，但现有工具主要是在随机生成的张量和隔离内核上进行评估，发出开发人员必须手动重新集成的独立 CUDA 代码，主要仅针对 LLM PyTorch 模型，并对检查和调试结果提供有限的支持。
    • EN 要点:
      • arXiv:2607.24762v1 Announce Type: new
      • Abstract: Machine learning models are increasingly embedded in everyday software, and most of their runtime is spent in a small set of compute kernels such as m…
      • Optimizing these kernels is one of the most direct ways to reduce latency and cost, but it has traditionally required expert engineers to hand-write low-level G…
      • Agentic systems built on large language models (LLMs) can now generate and optimize kernels with far less human effort, yet existing tools are largely evaluated…

  • CaRE Compute-aware Remasking Evaluation Protocol for Masked Diffusion Language Models

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24763v1 公告类型：新。
      • 摘要：掩码扩散语言模型（MDLM）正在迅速发展，但可靠解释其进展所需的评估标准却没有跟上。
      • 尽管 MDLM 与自回归语言模型具有竞争力，但最近的 7 篇重新掩蔽论文在不兼容的设置、不同的标称步数、指标和采样温度下进行评估，而没有共同控制这些因素，导致它们的策略排名在很大程度上无法比较，并且报告的收益是否反映了算法改进或评估工件尚不确定。
      • 我们提出了 CaRE，一个计算感知的评估框架，通过标准化功能评估 (NFE) 的实际数量、执行多指标报告和显式控制随机性来审核 MDLM 重新屏蔽策略。
    • EN 要点:
      • arXiv:2607.24763v1 Announce Type: new
      • Abstract: Masked diffusion language models (MDLMs) are advancing rapidly, yet the evaluation standards needed to reliably interpret their progress have not kept…
      • Despite MDLMs becoming competitive with autoregressive language models, seven recent remasking papers evaluate under incompatible settings, varying nominal step…
      • We present CaRE, a compute-aware evaluation framework that audits MDLM remasking strategies by standardizing actual number of function evaluations (NFE), enforc…

  • GrocLM: Grocery Category Recommendation in E-Commerce with Large Language Models

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24764v1 公告类型：新。
      • 摘要：在线杂货购物的快速增长需要推荐系统能够捕获周期性购买行为和不同的用户意图。
      • 传统的项目级方法面临可扩展性和准确性的挑战，促使类别级推荐成为一种更加结构化和实用的替代方案。
      • 我们提出了 GROCLM，这是一种在现实生产环境中用于杂货品类推荐的微调语言模型。
    • EN 要点:
      • arXiv:2607.24764v1 Announce Type: new
      • Abstract: The rapid growth of online grocery shopping requires recommendation systems that capture cyclical purchasing behavior and diverse user intents
      • Traditional item-level methods face scalability and accuracy challenges, motivating category-level recommendation as a more structured and practical alternative
      • We present GROCLM, a fine-tuned language model for grocery category recommendation in a real-world production environment

  • Crystalis: Progressive Nucleation and Semantic Annealing for Coordinated Multi-View Visualization Generation

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24766v1 公告类型：新。 -摘要：大型语言模型（LLM）可以生成单独的图表，但协调多视图可视化（CMV）（其中视图共享数据流和跨视图交互）仍然遥不可及。
      • 数据转换、视觉编码和交互协调之间的紧密字段级耦合会导致一个组件中的错误默默地使其他组件失效。
      • 我们不追求依赖于模型能力、领域知识和用户专业知识的端到端分析质量，而是瞄准一个基本问题：LLM 能否可靠地生成结构正确的 CMV，以及哪些抽象使这成为可能？
    • EN 要点:
      • arXiv:2607.24766v1 Announce Type: new
      • Abstract: Large language models (LLMs) can generate individual charts, but coordinated multi-view visualizations (CMVs), where views share data flows and cross-…
      • Tight field-level coupling among data transformations, visual encodings, and interaction coordinations causes errors in one component to silently invalidate oth…
      • Rather than pursuing end-to-end analytical quality, which depends on model capability, domain knowledge, and user expertise, we target a foundational question:…

  • PATHFinder Agent for Tailored Prenatal Care

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24768v1 公告类型：新。
      • 摘要：产前护理是一项重要的预防服务，旨在改善孕妇的结局。
      • 美国妇产科医师学会 (ACOG) 最近推出了提倡定制产前护理的指南，称为 PATH（定制医疗保健计划）。
      • 我们推出 PATHFinder Agent（适当定制医疗保健规划器），这是一个端到端对话代理系统，通过结构化对话收集患者健康和社会背景，制定符合 PATH 指南的个性化产前护理计划，并显示来自密歇根州 211 的社区资源。
    • EN 要点:
      • arXiv:2607.24768v1 Announce Type: new
      • Abstract: Prenatal care is an important preventive service designed to improve outcomes for pregnant individuals
      • The American College of Obstetricians and Gynecologists (ACOG) recently introduced guidelines advocating tailored prenatal care, called PATH (Plan for Tailored…
      • We present PATHFinder Agent(Planner for Appropriate Tailored Healthcare), an end-to-end conversational agentic system that gathers patient health and social con…

  • LLM Scheming Inversely Scales with Pretraining Language Coverage

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24769v1 公告类型：新。
      • 摘要：随着前沿模型能力的不断增强，AI 一致性在高风险部署环境中变得越来越重要。
      • 虽然最近的工作已经在前沿语言模型中凭经验证明了上下文中的阴谋——在假装对齐的同时暗中追求不一致的目标，但大多数工作都是完全用英语进行的，在多语言安全方面留下了重大差距。
      • 我们将开源自动化审计框架 Petri 应用于 Qwen3-30B-A3B，以评估跨多种语言的欺骗和阴谋行为。
    • EN 要点:
      • arXiv:2607.24769v1 Announce Type: new
      • Abstract: With the growing capabilities of frontier models, AI alignment becomes increasingly critical in high-risk deployment settings
      • While recent work has empirically demonstrated in-context scheming – the covert pursuit of misaligned objectives while feigning alignment – in frontier langua…
      • We apply Petri, an open-source automated auditing framework, to Qwen3-30B-A3B to evaluate deceptive and scheming behaviors across multiple languages

  • ProcAgent: An Agentic Framework for Procedural Task Guidance on Edge with Human-in-the-Loop

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24770v1 公告类型：新。
      • 摘要：家具组装和家庭维修等程序性任务提出了很高的认知要求，因为用户必须在执行物理动作时解释指令、跟踪任务进度、推理空间状态并从错误中恢复。
      • 先前的多模式助手已显示出程序指导的前景，但大多数依赖于云推理和固定的始终在线感知，这使得它们不太适合隐私敏感、延迟关键的家庭环境。
      • 我们推出 ProcAgent，这是一款完全在设备上、基于视觉的代理程序助手，可在单个 NVIDIA Jetson AGX Orin 上提供实时自适应指导。
    • EN 要点:
      • arXiv:2607.24770v1 Announce Type: new
      • Abstract: Procedural tasks such as furniture assembly and home repair impose substantial cognitive demands because users must interpret instructions, track task…
      • Prior multimodal assistants have shown promise for procedural guidance, but most rely on cloud inference and fixed always-on perception, making them poorly suit…
      • We present ProcAgent, a fully on-device, agentic, vision-based procedural assistant for real-time adaptive guidances on a single NVIDIA Jetson AGX Orin

  • RoCo-ACE: Rollout-Conditioned Online Distillation for Retention-Aware Knowledge Injection

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24771v1 公告类型：新。
      • 摘要：知识注入用新的事实或特定领域的知识更新预训练的 MLLM，但拟合完整的权威答案可能会导致未更新行为的漂移。
      • 在线蒸馏通过对模型生成的推出进行训练来减轻这种漂移，但统一的参考条件蒸馏提供了粗略的监督：它可能会低估参考支持的推出标记，并且只能间接监督省略的事实。
      • 我们推出了 RoCo-ACE，这是一种用于知识注入的基于推出条件的在线蒸馏目标。
    • EN 要点:
      • arXiv:2607.24771v1 Announce Type: new
      • Abstract: Knowledge injection updates pretrained MLLMs with new factual or domain-specific knowledge, but fitting full authoritative answers can cause drift in…
      • Online distillation mitigates this drift by training on model-generated rollouts, yet uniform reference-conditioned distillation provides coarse supervision: it…
      • We introduce RoCo-ACE, a rollout-conditioned online distillation objective for knowledge injection

ArXiv cs.CL (B_intro+search) 链接到标题

  • TimeCapsule: Generative Hallucination as a Method for Historical Sensemaking

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24750v1 公告类型：新。
      • 摘要：大型语言模型（LLM）在时间上暴露过度：在庞大的当代语料库上进行训练，它们对当今的概念进行编码，这使得它们成为过去不可靠的叙述者。
      • 我们提出了 TimeCapsule，一种 1.2B 参数 LLaMA 风格的因果模型，专门在维多利亚时代文本（1800-1875）上进行训练，作为认识论上孤立的生成档案。
      • 定量评估显示，与 GPT-2 基线相比，维多利亚散文的困惑度降低了 45.4%，而更大的当代因果模型通过更广泛的预训练实现了更低的原始困惑度，但缺乏时间隔离。
    • EN 要点:
      • arXiv:2607.24750v1 Announce Type: new
      • Abstract: Large Language Models (LLMs) are temporally overexposed: trained on vast contemporary corpora, they encode present-day concepts that make them unrelia…
      • We present TimeCapsule, a 1.2B-parameter LLaMA-style causal model trained exclusively on Victorian texts (1800-1875) as an epistemologically isolated generative…
      • Quantitative evaluation shows a 45.4% perplexity reduction over a GPT-2 baseline on held-out Victorian prose, while larger contemporary causal models achieve lo…

  • Measuring and Improving Behavioral Consistency in Large Language Models through Fact-Heuristic-Emotion State Enforcement

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24765v1 公告类型：新。
      • 摘要：大型语言模型 (LLM) 可以对运行中的同一决策问题给出不同的答案，并在其先前的答案作为上下文返回时逆转决策。
      • 我们询问是否可以在不改变模型权重的情况下测量并部分减少这种不稳定性。
      • 我们测试认知内核模型（CKM），这是一个提示级状态执行层。
    • EN 要点:
      • arXiv:2607.24765v1 Announce Type: new
      • Abstract: Large language models (LLMs) can give different answers to the same decision problem across runs, and reverse a decision when their own prior answer r…
      • We ask whether this instability can be measured and partially reduced without changing model weights
      • We test the Cognitive Kernel Model (CKM), a prompt-level state-enforcement layer

  • Neuromorphic Diffusion Language Models: Addressing Compute and Memory Bottlenecks via Sparsity and Block Denoising

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24841v1 公告类型：新。
      • 摘要：自回归（AR）大语言模型（LLM）在推理时本质上效率低下，因为每个生成的令牌都需要访问全套模型参数，导致操作强度低和能耗高。
      • 掩码扩散语言模型 (MDLM) 通过允许每次参数访问生成多个令牌，部分解决了内存绑定设置的这一限制。
      • 为了进一步提高具有大量片内存储器的现代平台上的推理效率，这项工作提出了神经形态MDLM（N-MDLM），它将块扩散与基于尖峰的神经形态计算相结合，共同提高吞吐量和能源效率。
    • EN 要点:
      • arXiv:2607.24841v1 Announce Type: new
      • Abstract: Autoregressive (AR) large language models (LLMs) are inherently inefficient at inference time because each generated token requires accessing the full…
      • Masked diffusion language models (MDLMs) partially address this limitation for memory-bound settings by allowing multiple tokens to be generated per parameter a…
      • In order to further enhance inference efficiency on modern platforms with extensive in-chip memory, this work proposes neuromorphic MDLMs (N-MDLMs), which integ…

  • Research Report on Noise-Shaped One-Bit Coefficients in Discrete Polynomial Fourier Extension

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24868v1 公告类型：新。
      • 摘要：本报告研究归一化离散多项式傅立叶扩展中的噪声整形一位系数。
      • 对于一阶 Sigma-Delta 量化，误差被写为 $e_k=u_k-q_k=\Delta v_k$ ，具有统一有界状态。
      • 按部分进行离散求和，然后生成复杂权重的变化估计以及紧凑参数集上的 $O(N^{-1})$ 近似率。
    • EN 要点:
      • arXiv:2607.24868v1 Announce Type: new
      • Abstract: This report studies noise-shaped one-bit coefficients in normalized discrete polynomial Fourier extension
      • For first-order Sigma-Delta quantization, the error is written as $e_k=u_k-q_k=\Delta v_k$ with a uniformly bounded state
      • Discrete summation by parts then yields variation estimates for complex weights and an $O(N^{-1})$ approximation rate on compact parameter sets

  • CogArena: A Multimethod Evaluation of Cognitive Ability Structure in Large Language Models

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24999v1 公告类型：新。 -摘要：法学硕士认知分数越来越多地被总结为能力概况，其维度应跨任务收敛，选择性地响应匹配的干预措施，并概括到用于定义它们的模型之外。
      • 我们引入了 CogArena，这是一个程序生成的 13 范式基准，围绕多方法框架构建，用于确定认知任务分数何时需要跨五个理论驱动的分组进行维度标签。
      • 在 55 个开放权重模型中，几乎所有范式相关性都是正的，并且公共轴解释了大约一半的方差。
    • EN 要点:
      • arXiv:2607.24999v1 Announce Type: new
      • Abstract: LLM cognitive scores are increasingly summarized as per-ability profiles whose dimensions should converge across tasks, respond selectively to matched…
      • We introduce CogArena, a procedurally generated 13-paradigm benchmark built around a multimethod framework for determining when cognitive-task scores warrant di…
      • Across 55 open-weight models, nearly all paradigm correlations are positive and a common axis explains about half the variance

  • DS@GT ARC at CheckThat! 2026: LLM-Based Trace Ranking and Grouped Reward Modeling for Multilingual Numerical Claim Verification

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.25069v1 公告类型：新。
      • 摘要：数字声明的自动验证是一个具有挑战性的问题，因为它需要语言理解和定量推理。
      • 本文介绍了我们的 CLEF 2026 CheckThat 系统！
      • 任务 2，重点对大型语言模型 (LLM) 生成的推理轨迹进行排名，并预测英语和阿拉伯语数字主张的最终裁决。
    • EN 要点:
      • arXiv:2607.25069v1 Announce Type: new
      • Abstract: Automated verification of numerical claims is a challenging problem, as it requires both language understanding and quantitative reasoning
      • This paper describes our system for CLEF 2026 CheckThat
      • Task 2, which focuses on ranking reasoning traces generated by large language models (LLMs) and predicting a final verdict for numerical claims in English and A…

  • Evaluating Communicative Belief Updates in Large Language Models via Implicature Recognition and Cancellation

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.25094v1 公告类型：新。
      • 摘要：人类语言是由不言而喻的信念和信念更新驱动的，这使得这些对于大型语言模型（LLM）与其用户之间成功沟通的模型至关重要。
      • 在本文中，我们评估了法学硕士识别通过含义产生的未言明信念的能力，并通过含义消除理解其更新的能力：削弱或否定话语的含义的语用现象。
      • 我们创建了第一个专家注释的含义消除数据集，[DatasetName]，众包用于人类对含义及其相应消除的判断。
    • EN 要点:
      • arXiv:2607.25094v1 Announce Type: new
      • Abstract: Human language is driven by unspoken beliefs and belief updates, making these critical to model for successful communication between large language mo…
      • In this paper, we evaluate the ability of LLMs to recognize unspoken beliefs made through implicatures and to understand their updates through implicature cance…
      • We create the first expert-annotated implicature cancellation dataset, [DatasetName], crowdsourced for human judgements of implicatures and their corresponding…

  • Deep Label-Wise Attentive Temporal Convolutional Networks Improve Medical Coding

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.25129v1 公告类型：新。
      • 摘要：医疗编码是使用记录的笔记为住院分配一组诊断和程序代码的任务。
      • 它需要聚合文本不同部分的信息，并关注每个单独代码的不同部分，这使得即使对于专业的人类编码员来说也是一个非常困难的问题。
      • 我们将该任务建模为多标签文本分类问题。
    • EN 要点:
      • arXiv:2607.25129v1 Announce Type: new
      • Abstract: Medical coding is the task of assigning a set of diagnosis and procedure codes for a hospitalization using recorded notes
      • It requires aggregating information from different parts of the text and focus to different sections for each individual code, making it a very difficult proble…
      • We model the task as a multi-label text classification problem

  • TabRank: Chain-of-Thought Distillation for Table Re-Rankers

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.25182v1 公告类型：新。
      • 摘要：检索相关表格来回答问题的能力是结构化信息检索的关键任务。
      • 多阶段检索系统严重依赖重新排序器来细化高效第一阶段检索器生成的候选列表。
      • 因此，神经重新排序器和基于 LLM 的重新排序方法变得越来越重要，因为与传统的稀疏或密集检索模型相比，它们具有卓越的语义理解和推理能力。
    • EN 要点:
      • arXiv:2607.25182v1 Announce Type: new
      • Abstract: The ability to retrieve relevant tables for answering questions is a key task for structured information retrieval
      • Multi-stage retrieval systems rely heavily on rerankers to refine candidate lists produced by efficient first-stage retrievers
      • As a result, neural rerankers and LLM-based reranking methods have become increasingly important due to their superior capacity for semantic understanding and r…

  • A scaling law of contextual persistence in human language

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.25184v1 公告类型：新。
      • 摘要：人类语言在单词（频率、词汇量增长）和单词对（跨距离共现）层面表现出规律的结构。
      • 在这里，我们表明单词的顺序排列（意义的核心决定因素）遵循类似的规律。
      • 使用大型语言模型作为概率探针，我们测量了距离 d 处的先验上下文所带来的目标困惑度的降低程度，超过了相同单词的扰乱程度；这种差异，即上下文持久性函数 P(d)，隔离了排列的影响。
    • EN 要点:
      • arXiv:2607.25184v1 Announce Type: new
      • Abstract: Human language exhibits lawful structure at the level of words (frequency, vocabulary growth) and word pairs (co-occurrence across distance)
      • Here we show that the arrangement of words in sequence – a central determinant of meaning – obeys a comparable law
      • Using large language models as probabilistic probes, we measured the reduction in target perplexity conferred by prior context at distance d beyond that of the…

ArXiv cs.LG (B_intro+search) 链接到标题

  • FinAbstain: Uncertainty-Calibrated Multimodal RAG for Selective Financial Forecasting

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24875v1 公告类型：新。
      • 摘要：大型语言模型 (LLM) 可以综合财务叙述，但当证据稀疏、陈旧或矛盾时，可能会表现出很高的置信度。
      • 这种失败在预测中尤其严重，因为文件、新闻、价格、交易量和技术信号可能不一致。
      • 我们提出了 FinAbstain，一个用于具有选择性预测的不确定性校准多模态检索增强生成（RAG）的研究框架。
    • EN 要点:
      • arXiv:2607.24875v1 Announce Type: new
      • Abstract: Large language models (LLMs) can synthesize financial narratives but may express high confidence when evidence is sparse, stale, or contradictory
      • This failure is especially consequential in forecasting, where filings, news, prices, volume, and technical signals can disagree
      • We present FinAbstain, a research framework for uncertainty-calibrated multimodal retrieval-augmented generation (RAG) with selective prediction

  • Human Preference aligned Tabular Similarity

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24880v1 公告类型：新。 -摘要：与任务无关的表格嵌入越来越多地用于现实世界业务系统（例如产品生命周期管理（PLM））中的相似性搜索。
      • 然而，领先的嵌入方法主要针对预测任务进行优化，而不是用于生成符合人类偏好的相似度排名。
      • 我们认为标准下游指标不足以充分评估相似性搜索的嵌入可信度，并且人类偏好一致的评估是一个必要且目前缺失的组成部分。
    • EN 要点:
      • arXiv:2607.24880v1 Announce Type: new
      • Abstract: Task-agnostic tabular embeddings are increasingly used for similarity search in real-world business systems such as Product Lifecycle Management (PLM)
      • However, leading embedding approaches are optimized primarily for prediction tasks - not for producing human preference aligned similarity rankings
      • We argue that standard downstream metrics are insufficient to fully assess embedding trustworthiness for similarity search and that human preference aligned eva…

  • Behavior-Driven Explainability

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24881v1 公告类型：新。
      • 摘要：随着系统复杂性大大增加，对于单个人或团队来说，全面理解整个系统的各个方面变得更加具有挑战性。
      • 特别是，当考虑系统开发生命周期的所有不同阶段（例如设计或维护）时，这一点都成立。
      • 但特别是对于安全关键型系统，最终设计的可信度至关重要。
    • EN 要点:
      • arXiv:2607.24881v1 Announce Type: new
      • Abstract: As system complexity has vastly increased, it has become significantly more challenging for a single person or a team to fully understand all aspects…
      • Particularly, this holds when considering all the different stages of a system’s development life cycle, such as, e.g., design or maintenance
      • But especially for safety-critical systems it is essential that the final design can be trusted

  • Eliminating Propagation Delay: Attention-Based Spatial-Temporal Fusion Graph Convolution Network for Traffic Flow Prediction

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24885v1 公告类型：新。
      • 摘要：预测交通流量对于优化交通系统和改善城市交通至关重要。
      • 已经提出了许多基于图卷积的模型来提取时空特征并预测交通流。
      • 然而，大多数关注拓扑关系中的时空和语义相关性。
    • EN 要点:
      • arXiv:2607.24885v1 Announce Type: new
      • Abstract: Predicting traffic flow is crucial to optimizing transportation systems and improving urban mobility
      • Many graph convolution-based models have been proposed to extract spatial-temporal features and predict traffic flow
      • However, most focus on spatial-temporal and semantic correlation in topological relationships

  • Mechanisms of Width Scaling in Normalized Residual Networks: The Effective Alignment Dimension

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24887v1 公告类型：新。
      • 摘要：现有的神经网络宽度理论描述了渐近极限，但对于从有限训练数据确定的扩展方向是否对未见数据仍然有利提供了有限的指导。
      • 我们研究这个问题的功能保留残差扩展，并引入有效对齐维数，这是一个描述激活梯度的信号噪声几何形状的可测量量。
      • 通过推导独立估计的训练和测试梯度之间内积的精确均值和方差，我们获得了错位概率的有限样本上限。
    • EN 要点:
      • arXiv:2607.24887v1 Announce Type: new
      • Abstract: Existing theories of neural-network width characterize asymptotic limits, but provide limited guidance on whether an expansion direction identified fr…
      • We study this problem for function-preserving residual expansion and introduce the effective alignment dimension, a measurable quantity describing the signal-no…
      • By deriving the exact mean and variance of the inner product between independently estimated training and test gradients, we obtain a finite-sample upper bound…

  • GAUGE: Grading Agent-Built Financial Models Without a Golden Answer

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24889v1 公告类型：新。
      • 摘要：财务模型将公开披露与分析师假设相结合以产生预测和估值。
      • 虽然某些组成部分可以机械地检查，但预测、折扣率和目标价格通常承认多个合理的答案。
      • 然而，现有基准倾向于根据单个专家参考对此类输出进行评级。
    • EN 要点:
      • arXiv:2607.24889v1 Announce Type: new
      • Abstract: Financial models combine public disclosures with analyst assumptions to produce forecasts and valuations
      • While some components can be checked mechanically, forecasts, discount rates, and target prices often admit multiple reasonable answers
      • Existing benchmarks nevertheless tend to grade such outputs against a single expert reference

  • LLM as Forecasting Planner: Training-Free Text Conditioning for Time-Series Foundation Models

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24892v1 公告类型：新。 -摘要：文本条件时间序列预测根据其数值历史和自然语言上下文来预测一系列事件，从而使预测能够解释仅过去无法揭示的事件和约束。
      • 这需要可靠的数值预测和解释上下文信息的能力。
      • 时间序列基础模型 (TSFM) 提供强大的数值预测，而大型语言模型 (LLM) 可以对文本进行推理，但结合它们的优势仍然具有挑战性，因为要求 LLM 直接生成或修改预测值可能会扭曲 TSFM 捕获的时间结构。
    • EN 要点:
      • arXiv:2607.24892v1 Announce Type: new
      • Abstract: Text-conditioned time-series forecasting predicts a series from both its numerical history and natural-language context, allowing forecasts to account…
      • This requires both reliable numerical forecasting and the ability to interpret contextual information
      • Time-series foundation models (TSFMs) provide strong numerical forecasts, while large language models (LLMs) can reason over text, but combining their strengths…

  • Inverse RL Helps Align AI by Imitating Humans

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24900v1 公告类型：新。
      • 摘要：语言模型对齐旨在使模型行为可靠地反映所需的属性，例如有用性、安全性和指令遵循性。
      • 当前的方法通常使用对演示进行监督微调或强化学习，并从验证者或人类反馈中获得奖励。
      • 这些范式留下了一个尚未得到充分探索的重要问题：仅靠演示能否产生隐性奖励，可以对其进行检查、重用和优化以调整人工智能？
    • EN 要点:
      • arXiv:2607.24900v1 Announce Type: new
      • Abstract: Language model alignment aims to make model behavior reliably reflect desirable properties such as helpfulness, safety, and instruction following
      • Current approaches typically use supervised fine-tuning on demonstrations or reinforcement learning with rewards derived from verifiers or human feedback
      • These paradigms leave an important question underexplored: can demonstrations alone yield an implicit reward that can be inspected, reused, and optimized on-pol…

  • Multiclass Classification without Labels via Posterior Simplex Geometry

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24943v1 公告类型：新。
      • 摘要：在许多分类问题中，可靠的实例级标签是不可用的。
      • 然而，通常可以构建弱富集的未标记样本：通过不同的剪切、来源、群体或实验条件选择的数据集，这些数据集会改变潜在类别的比例而不揭示它们。
      • 无标签分类 (CWoLa) 表明，在二元情况 ($K=2$) 中，经过训练以区分具有不同类比例的两种不纯混合物的分类器可以在不知道混合比例的情况下恢复最佳类鉴别器。
    • EN 要点:
      • arXiv:2607.24943v1 Announce Type: new
      • Abstract: In many classification problems, reliable instance-level labels are unavailable
      • However, it is often possible to construct weakly enriched unlabeled samples: datasets selected by different cuts, sources, populations, or experimental conditi…
      • Classification without Labels (CWoLa) shows that, in the binary case ($K=2$), a classifier trained to distinguish two impure mixtures with different class propo…

  • Stable FP4 Training via Transposition-Invariant Block Quantization

    • 发布时间:2026-07-29 12:00 北京时间
    • 摘要:- arXiv:2607.24953v1 公告类型：新。
      • 摘要：降低训练精度是提高大语言模型 (LLM) 训练效率的关键杠杆，但由于优化过程中的不稳定，超越 FP8 到 4 位浮点 (FP4) 仍然具有挑战性。
      • 我们确定了现有微尺度方法中这种不稳定性的根本根源：张量转置引起的尺度不一致。
      • 在传统的一维块量化中，前向和后向传递在转置后将不同的缩放因子分配给相同的值，导致梯度更新有偏差和不稳定。
    • EN 要点:
      • arXiv:2607.24953v1 Announce Type: new
      • Abstract: Reducing training precision is a key lever for improving the e ciency of large language model (LLM) training, but pushing beyond FP8 to 4-bit oating p…
      • We identify a fundamental source of this instability in existing microscaling approaches: scale inconsistency induced by tensor transposition
      • In conventional 1D block quantization, forward and backward passes assign di erent scaling factors to the same values after transposition, leading to biased and…