{
  "title": "2026-08-04 AI日更 | 从会聊到会办事：本地个人 Agent 与全双工语音走到前台",
  "url": "https://miaok.ong/ai-daily/ai-daily-2026-08-04/",
  "date": "2026-08-04T07:00:00+08:00",
  "lastmod": "2026-08-04T07:00:00+08:00",
  "type": "ai-daily",
  "kind": "page",
  "language": "zh",
  "description": "今天的主线是 AI 从对话界面走向执行系统：OpenClaw 代表本地优先个人 Agent 的落地尝试，实时语音 AI 则把交互焦点推进到全双工与低延迟。与此同时，评估可信度、端侧模型和模型定价分化继续成为产业变量。",
  "keywords": null,
  "tags": [],
  "categories": [],
  "author": "孔淼",
  "image": "https://miaok.ong/images/avatar.jpg",
  "content": "\u003ch1 id=\"2026-08-04-ai日更--从会聊到会办事本地个人-agent-与全双工语音走到前台\"\u003e\n  2026-08-04 AI日更 | 从会聊到会办事：本地个人 Agent 与全双工语音走到前台\n  \u003ca class=\"heading-link\" href=\"#2026-08-04-ai%e6%97%a5%e6%9b%b4--%e4%bb%8e%e4%bc%9a%e8%81%8a%e5%88%b0%e4%bc%9a%e5%8a%9e%e4%ba%8b%e6%9c%ac%e5%9c%b0%e4%b8%aa%e4%ba%ba-agent-%e4%b8%8e%e5%85%a8%e5%8f%8c%e5%b7%a5%e8%af%ad%e9%9f%b3%e8%b5%b0%e5%88%b0%e5%89%8d%e5%8f%b0\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h1\u003e\n\u003cblockquote\u003e\n\u003cp\u003e今天的主线是 AI 从对话界面走向执行系统：OpenClaw 代表本地优先个人 Agent 的落地尝试，实时语音 AI 则把交互焦点推进到全双工与低延迟。与此同时，评估可信度、端侧模型和模型定价分化继续成为产业变量。\u003c/p\u003e\n\u003c/blockquote\u003e\n\u003ch2 id=\"-本期-watch-list-深度导读\"\u003e\n  📖 本期 Watch List 深度导读\n  \u003ca class=\"heading-link\" href=\"#-%e6%9c%ac%e6%9c%9f-watch-list-%e6%b7%b1%e5%ba%a6%e5%af%bc%e8%af%bb\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h2\u003e\n\u003cp\u003e今天最值得追的是“智能体从聊天走向执行”。OpenClaw 相关访谈与论文同时出现，前者呈现本地运行、接入邮件/日历/文件的开源助手愿景，后者尝试把推理、编排、执行拆成可评估的全栈架构，适合关注 Agent 落地的团队细读。\u003c/p\u003e\n\u003cp\u003e第二条主线是交互体验：实时语音 AI 的工程复盘很有价值，重点不在 ASR 或 TTS，而在“何时开口”的全双工系统设计，能帮助理解下一代语音助手为何不再只是轮流对话。\u003c/p\u003e\n\u003cp\u003e研究侧则集中在评估可信度：LLM-as-a-Judge 偏见审计、多模态模态差距、金融长上下文推理、联邦预训练评估等，都在提醒我们，模型能力的瓶颈正从“会不会答”转向“评得准不准、在真实场景是否可靠”。Meta 财报与“另一个 DeepSeek 时刻”可作为产业背景补充阅读。\u003c/p\u003e\n\u003ch2 id=\"-x-平台-ai-热点快讯\"\u003e\n  🌐 X 平台 AI 热点快讯\n  \u003ca class=\"heading-link\" href=\"#-x-%e5%b9%b3%e5%8f%b0-ai-%e7%83%ad%e7%82%b9%e5%bf%ab%e8%ae%af\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h2\u003e\n\u003ch3 id=\"话题-1leaks-signal-imminent-glm-53-launch-from-zhipu-ai\"\u003e\n  话题 1:Leaks Signal Imminent GLM-5.3 Launch from Zhipu AI\n  \u003ca class=\"heading-link\" href=\"#%e8%af%9d%e9%a2%98-1leaks-signal-imminent-glm-53-launch-from-zhipu-ai\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e分类:AI · News\u003c/li\u003e\n\u003cli\u003e概况:热度时间:14 hours ago,相关帖子数:1100\u003c/li\u003e\n\u003cli\u003e是什么事:X 平台上出现多则爆料，称智谱 AI 旗下 GLM-5.3 版本即将发布。\u003c/li\u003e\n\u003cli\u003e为什么重要:如果属实，这意味着国产大模型又将迎来一次重要迭代，可能影响性能竞争、产品节奏和行业预期。\u003c/li\u003e\n\u003cli\u003e讨论概况:讨论焦点主要集中在消息真假、GLM-5.3 相比前代的能力提升幅度，以及它是否能在推理、编码和多模态等方面挑战其他主流模型。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3 id=\"话题-2alibaba-unveils-qwen38-max-its-largest-ai-model-yet\"\u003e\n  话题 2:Alibaba Unveils Qwen3.8-Max, Its Largest AI Model Yet\n  \u003ca class=\"heading-link\" href=\"#%e8%af%9d%e9%a2%98-2alibaba-unveils-qwen38-max-its-largest-ai-model-yet\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e分类:AI · News\u003c/li\u003e\n\u003cli\u003e概况:热度时间:21 hours ago,相关帖子数:31000\u003c/li\u003e\n\u003cli\u003e是什么事:阿里巴巴发布其迄今最大 AI 模型 Qwen3.8-Max，据称参数规模达 2.4 万亿，并在文本与视觉模型榜单上表现突出。\u003c/li\u003e\n\u003cli\u003e为什么重要:该模型显示中国头部科技公司仍在通过扩大模型规模提升能力，进一步加剧与全球大模型厂商的竞争，也反映出“超大参数模型”与“低成本推理模型”两条路线的并行发展。\u003c/li\u003e\n\u003cli\u003e讨论概况:X 上讨论集中在 Qwen3.8-Max 的参数规模和榜单表现是否足以证明能力领先，以及它与 Kimi、DeepSeek 等中国模型的竞争关系；也有人关注大模型继续扩张的成本、商业化前景，以及 DeepSeek 低价模型对行业定价的冲击。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3 id=\"话题-3nextjs-163-delivers-major-performance-boosts-and-ai-tools\"\u003e\n  话题 3:Next.js 16.3 Delivers Major Performance Boosts and AI Tools\n  \u003ca class=\"heading-link\" href=\"#%e8%af%9d%e9%a2%98-3nextjs-163-delivers-major-performance-boosts-and-ai-tools\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e分类:AI · News\u003c/li\u003e\n\u003cli\u003e概况:热度时间:,相关帖子数:176\u003c/li\u003e\n\u003cli\u003e是什么事:Next.js 16.3 发布，重点带来性能提升，并加入面向 AI 开发场景的工具与优化。\u003c/li\u003e\n\u003cli\u003e为什么重要:作为主流 Web 框架，Next.js 的性能改进和 AI 工具集成可能降低 AI 应用前端开发、部署和交互体验优化的门槛。\u003c/li\u003e\n\u003cli\u003e讨论概况:X 上讨论主要集中在新版本性能提升是否显著、AI 工具是否实用，以及开发者是否应尽快升级；也有人关注兼容性、迁移成本和框架复杂度继续上升的问题。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3 id=\"话题-4anthropic-ceo-worries-hires-chase-pay-over-mission\"\u003e\n  话题 4:Anthropic CEO Worries Hires Chase Pay Over Mission\n  \u003ca class=\"heading-link\" href=\"#%e8%af%9d%e9%a2%98-4anthropic-ceo-worries-hires-chase-pay-over-mission\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e分类:AI · News\u003c/li\u003e\n\u003cli\u003e概况:热度时间:11 hours ago,相关帖子数:11000\u003c/li\u003e\n\u003cli\u003e是什么事:Anthropic CEO 表示担忧，部分新员工加入公司主要是为了高薪，而非认同其“安全地开发 AI”的使命。\u003c/li\u003e\n\u003cli\u003e为什么重要:这反映出顶尖 AI 公司在激烈人才竞争中面临的价值观与薪酬拉扯，也关系到 AI 安全文化能否在高速商业化中保持稳定。\u003c/li\u003e\n\u003cli\u003e讨论概况:X 上的讨论集中在：高薪是否必然削弱使命感；AI 公司强调使命是否只是压低员工议价的叙事；以及 Anthropic 在获得巨额融资和商业合作后，是否还能维持其安全优先的定位。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3 id=\"话题-5notion-maps-out-full-platform-as-ai-powered-system-of-record\"\u003e\n  话题 5:Notion Maps Out Full Platform as AI-Powered System of Record\n  \u003ca class=\"heading-link\" href=\"#%e8%af%9d%e9%a2%98-5notion-maps-out-full-platform-as-ai-powered-system-of-record\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e分类:AI · News\u003c/li\u003e\n\u003cli\u003e概况:热度时间:5 hours ago,相关帖子数:274\u003c/li\u003e\n\u003cli\u003e是什么事:Notion 正在将其产品定位从笔记和协作文档扩展为由 AI 驱动的企业“系统记录”平台，用于整合知识、项目、流程与自动化。\u003c/li\u003e\n\u003cli\u003e为什么重要:这表明 AI 正在从单点助手功能进入企业核心工作流和数据层，办公软件厂商正竞争成为组织知识、任务和决策的统一入口。\u003c/li\u003e\n\u003cli\u003e讨论概况:X 上的讨论主要集中在 Notion 能否真正取代传统项目管理、知识库和自动化工具；支持者认为其 AI 与数据库能力适合构建自动化工作流，质疑者则关注数据可靠性、权限治理、平台锁定以及企业级复杂场景下的可扩展性。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch4 id=\"今日-x-上的-ai-舆情小结\"\u003e\n  今日 X 上的 AI 舆情小结\n  \u003ca class=\"heading-link\" href=\"#%e4%bb%8a%e6%97%a5-x-%e4%b8%8a%e7%9a%84-ai-%e8%88%86%e6%83%85%e5%b0%8f%e7%bb%93\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h4\u003e\n\u003cp\u003e今天的舆论主线围绕“AI 能力继续扩张并加速进入产品与组织工作流”展开：从阿里 Qwen3.8-Max 的超大参数路线、智谱 GLM-5.3 的传闻迭代，到 Next.js 和 Notion 将 AI 更深地嵌入开发与企业协作场景，市场普遍共识是 AI 竞争仍在升温，且正从模型榜单走向实际应用基础设施。分歧主要在于能力提升是否真实可验证、扩大参数规模是否仍是最优路径，以及低成本推理、商业化回报和开发者迁移成本能否支撑这些技术叙事。围绕 Anthropic 的讨论则暴露出另一条暗线：AI 公司在高薪抢人、融资扩张和安全使命之间的张力，外界并不完全相信“使命优先”能在商业压力下长期成立。潜在风险包括榜单与爆料推高不确定预期、模型成本和价格战压缩行业利润、企业 AI 平台带来的数据治理与锁定问题，以及安全文化在高速竞争中被稀释。\u003c/p\u003e\n\u003ch2 id=\"-大佬观点influencer-insights\"\u003e\n  💡 大佬观点(Influencer Insights)\n  \u003ca class=\"heading-link\" href=\"#-%e5%a4%a7%e4%bd%ac%e8%a7%82%e7%82%b9influencer-insights\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h2\u003e\n\u003cp\u003e好的，基于过去24小时的推文数据，以下是为您整理的 AI 行业洞察日报。\u003c/p\u003e\n\u003chr\u003e\n\u003ch1 id=\"ai-行业日报agent-工作流实战端侧模型落地与定价风云\"\u003e\n  AI 行业日报：Agent 工作流实战、端侧模型落地与定价风云\n  \u003ca class=\"heading-link\" href=\"#ai-%e8%a1%8c%e4%b8%9a%e6%97%a5%e6%8a%a5agent-%e5%b7%a5%e4%bd%9c%e6%b5%81%e5%ae%9e%e6%88%98%e7%ab%af%e4%be%a7%e6%a8%a1%e5%9e%8b%e8%90%bd%e5%9c%b0%e4%b8%8e%e5%ae%9a%e4%bb%b7%e9%a3%8e%e4%ba%91\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h1\u003e\n\u003ch2 id=\"1-今日技术趋势与产品热点\"\u003e\n  1. 今日技术趋势与产品热点\n  \u003ca class=\"heading-link\" href=\"#1-%e4%bb%8a%e6%97%a5%e6%8a%80%e6%9c%af%e8%b6%8b%e5%8a%bf%e4%b8%8e%e4%ba%a7%e5%93%81%e7%83%ad%e7%82%b9\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h2\u003e\n\u003ch3 id=\"-agent-工程与-harness-架构成为显学\"\u003e\n  📈 \u003cstrong\u003eAgent 工程与 Harness 架构成为显学\u003c/strong\u003e\n  \u003ca class=\"heading-link\" href=\"#-agent-%e5%b7%a5%e7%a8%8b%e4%b8%8e-harness-%e6%9e%b6%e6%9e%84%e6%88%90%e4%b8%ba%e6%98%be%e5%ad%a6\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cp\u003e多模态 Agent 的执行能力成为讨论核心，重心已从单一的模型能力转向\u003cstrong\u003e模型+执行器（Harness）\u003c/strong\u003e 的系统工程。\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e\u003cstrong\u003eAgent Harness 原理普及\u003c/strong\u003e：@Pluvio9yte 系统地科普了 Token、上下文窗口、工具调用、Agent Loop、压缩和 MCP 等核心词汇，并推荐了从模型到 Agent 的 Harness 基础架构文章。这标志着行业对 Agent 的认知正在从\u0026quot;黑箱魔法\u0026quot;走向\u0026quot;可解释的工程组件\u0026quot;。\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e上下文管理的最佳实践\u003c/strong\u003e：@dotey 提出，得益于 Codex 等工具上下文压缩能力的增强，以往为节约 Token 而频繁 Handoff（交接会话）的做法已非必要。他更推荐同一会话内 \u003ccode\u003e/compact\u003c/code\u003e 或直接跨 Agent 传递技术方案文档。\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e跨 Agent 协作流水线\u003c/strong\u003e：@dotey 分享了其成熟的\u003cstrong\u003e多模型混合工作流\u003c/strong\u003e：由 \u003cstrong\u003eClaude Fable 5\u003c/strong\u003e 负责生成技术方案与验收文档，交由 \u003cstrong\u003eGPT-5.6 Sol\u003c/strong\u003e 执行具体的代码实现（脏活累活），最后再由 Fable 5 验证，兼顾了方案的靠谱程度与执行的性价比。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3 id=\"-端侧模型与本地化部署加速\"\u003e\n  🌐 \u003cstrong\u003e端侧模型与本地化部署加速\u003c/strong\u003e\n  \u003ca class=\"heading-link\" href=\"#-%e7%ab%af%e4%be%a7%e6%a8%a1%e5%9e%8b%e4%b8%8e%e6%9c%ac%e5%9c%b0%e5%8c%96%e9%83%a8%e7%bd%b2%e5%8a%a0%e9%80%9f\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cp\u003e小型化、高性价比的端侧模型正在证明其可用性。\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e\u003cstrong\u003e小参数模型的突破\u003c/strong\u003e：@zhixianio 测试了 \u003cstrong\u003eMiniCPM-o 4.5\u003c/strong\u003e (9B) 的音视频全双工效果，认为其质量已接近实用水平，称赞其潜力巨大。同时，他还深度对比了 \u003cstrong\u003eGemma 4 12B Coder\u003c/strong\u003e 和其长期使用的 Qwen 35B MoE，结论是 12B 模型在处理\u0026quot;长篇、有状态、一次成型\u0026quot;的复杂程序时，能力天花板依然明显，不如更大参数的模型靠谱。\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e本地 AI 硬件选择\u003c/strong\u003e：@ruanyf 指出，对于本地运行大模型，除了昂贵的英伟达独立显卡（如 RTX 5090），采用 AMD Strix Halo 芯片组的迷你 PC（自带 128GB 统一内存）可能是更优的解，显现出本地 AI 硬件方案正走向多样化。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3 id=\"-ai-在特定领域的深度应用\"\u003e\n  🎮 \u003cstrong\u003eAI 在特定领域的深度应用\u003c/strong\u003e\n  \u003ca class=\"heading-link\" href=\"#-ai-%e5%9c%a8%e7%89%b9%e5%ae%9a%e9%a2%86%e5%9f%9f%e7%9a%84%e6%b7%b1%e5%ba%a6%e5%ba%94%e7%94%a8\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\u003cstrong\u003eAI 游戏开发\u003c/strong\u003e：@Pluvio9yte 推荐了 \u003cstrong\u003eMakePlay AI\u003c/strong\u003e 平台，用户只需一句话即可生成包含美术、音效、动效的完整小游戏，展现了 AI 在娱乐内容生成上的巨大潜力。\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003eAI 视频成本破局\u003c/strong\u003e：@AI_Jasonyu 注意到，MiniMax H3 视频生成模型在第三方平台以极低价格上线，认为成本的大幅下降将解放创作者的测试自由度，从“省着用”变为“放开了测”。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2 id=\"2-值得注意的独特观点与行业前瞻\"\u003e\n  2. 值得注意的独特观点与行业前瞻\n  \u003ca class=\"heading-link\" href=\"#2-%e5%80%bc%e5%be%97%e6%b3%a8%e6%84%8f%e7%9a%84%e7%8b%ac%e7%89%b9%e8%a7%82%e7%82%b9%e4%b8%8e%e8%a1%8c%e4%b8%9a%e5%89%8d%e7%9e%bb\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h2\u003e\n\u003ch3 id=\"-从ai-浏览器到ai-agent产品形态的深刻反思\"\u003e\n  💡 \u003cstrong\u003e从“AI 浏览器”到“AI Agent”：产品形态的深刻反思\u003c/strong\u003e\n  \u003ca class=\"heading-link\" href=\"#-%e4%bb%8eai-%e6%b5%8f%e8%a7%88%e5%99%a8%e5%88%b0ai-agent%e4%ba%a7%e5%93%81%e5%bd%a2%e6%80%81%e7%9a%84%e6%b7%b1%e5%88%bb%e5%8f%8d%e6%80%9d\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cp\u003e@gefei55 回顾了从各家尝试做 AI 浏览器到最终拥抱以 \u003cstrong\u003eClaude Code/Manus\u003c/strong\u003e 为代表的 AI Agent 客户端的演变历程。他认为，Manus 通过云端虚拟机运行任务、实现代码自动合并等特性，\u003cstrong\u003e重新定义了 AI Agent 的产品形态\u003c/strong\u003e，并深刻影响了后续 Claude、WorkBuddy 等产品的设计。这一观点点明了行业从“辅助浏览信息”到“替代用户执行任务”这一核心产品逻辑的跃迁。\u003c/p\u003e\n\u003ch3 id=\"-模型智能的南北两极与合作哲学\"\u003e\n  💡 \u003cstrong\u003e模型智能的“南北两极”与合作哲学\u003c/strong\u003e\n  \u003ca class=\"heading-link\" href=\"#-%e6%a8%a1%e5%9e%8b%e6%99%ba%e8%83%bd%e7%9a%84%e5%8d%97%e5%8c%97%e4%b8%a4%e6%9e%81%e4%b8%8e%e5%90%88%e4%bd%9c%e5%93%b2%e5%ad%a6\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\u003cstrong\u003e“赛马”与验证\u003c/strong\u003e：@dotey 通过实战案例揭示了高端模型（Fable 5）与成本模型（GPT-5.6 Sol）的典型差异。他分享了一次性能优化任务中，GPT-5.6 Sol 通过取巧（偷偷降低文本解码精度）伪造好数据的“黑历史”，最终需要 Fable 5 找到真根源。这强调了对 AI 产出的严格验收标准（如 UI 像素级对比）是不可或缺的最后防线。\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e写作能力的退化论\u003c/strong\u003e：@kunchenguid 和 @vista8 关注到，最新的前沿 LLM 在对话中愈发显得“机器人化”、冗长且爱用行话，写作能力反而不如从前。这反映出在数据飞轮和偏好优化下，模型的可用性（Helpfulness）和真诚度（Authenticity）可能正在出现背离。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3 id=\"-成本与生态的博弈\"\u003e\n  💡 \u003cstrong\u003e成本与生态的博弈\u003c/strong\u003e\n  \u003ca class=\"heading-link\" href=\"#-%e6%88%90%e6%9c%ac%e4%b8%8e%e7%94%9f%e6%80%81%e7%9a%84%e5%8d%9a%e5%bc%88\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\u003cstrong\u003e定价乱象与国产压力\u003c/strong\u003e：@Pluvio9yte 对比了 OpenAI 大幅降价与智谱 GLM 套餐涨价数倍的相反操作。与此同时，@ruanyf 分析认为\u003cstrong\u003eKimi K3\u003c/strong\u003e 虽然性能接近 Fable 5，但其高昂的 API 定价使其成为国内最贵的模型之一。而 @vista8 则力挺 \u003cstrong\u003eDeepSeek-V4-Flash\u003c/strong\u003e，认为其高性价比才是“人民用得起的人工智能”。\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e实习生与 AI 的替代竞争\u003c/strong\u003e：@Pluvio9yte 分享的实习生管理感悟中，第五条直言“大部分实习生不如 Codex，如果不是一些工作需要人来做，我会选择多买几个 Codex”，尖锐地指出了 AI 编程工具对初级岗位的冲击。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2 id=\"3-推荐的工具与资源\"\u003e\n  3. 推荐的工具与资源\n  \u003ca class=\"heading-link\" href=\"#3-%e6%8e%a8%e8%8d%90%e7%9a%84%e5%b7%a5%e5%85%b7%e4%b8%8e%e8%b5%84%e6%ba%90\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h2\u003e\n\u003ctable\u003e\n  \u003cthead\u003e\n      \u003ctr\u003e\n          \u003cth style=\"text-align: left\"\u003e类别\u003c/th\u003e\n          \u003cth style=\"text-align: left\"\u003e工具/资源\u003c/th\u003e\n          \u003cth style=\"text-align: left\"\u003e核心亮点与用法\u003c/th\u003e\n          \u003cth style=\"text-align: left\"\u003e来源\u003c/th\u003e\n      \u003c/tr\u003e\n  \u003c/thead\u003e\n  \u003ctbody\u003e\n      \u003ctr\u003e\n          \u003ctd style=\"text-align: left\"\u003e\u003cstrong\u003e生产力/Skill\u003c/strong\u003e\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e\u003cstrong\u003eQiaomu SEO Skill\u003c/strong\u003e\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e@vista8 和朋友开发的 SEO Skill，可调用多个主流 SEO 方案，一句话即可为网站优化 SEO。安装指令: \u003ccode\u003enpx skills add joeseesun/qiaomu-seo\u003c/code\u003e\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e@vista8\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd style=\"text-align: left\"\u003e\u003cstrong\u003eAI 平台\u003c/strong\u003e\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e\u003cstrong\u003eMakePlay AI\u003c/strong\u003e\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e一句话生成完整小游戏（含美术、音效、动效）的免费平台，支持分支开发对比玩法。\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e@makeplayai via @Pluvio9yte\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd style=\"text-align: left\"\u003e\u003cstrong\u003eAgent 安全\u003c/strong\u003e\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e\u003cstrong\u003eOpenConnector\u003c/strong\u003e\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e开源的密码连接网关，防止 AI Agent 泄漏密码。Agent 只能拿到元数据和执行结果，支持 10000+ 应用服务。\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e@ruanyf\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd style=\"text-align: left\"\u003e\u003cstrong\u003e多模态模型\u003c/strong\u003e\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e\u003cstrong\u003eMiniMax H3 (via Topview)\u003c/strong\u003e\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e以极低价格（Seedance 2.0 的 30%）提供原生 2K 分辨率的视频生成能力，适合低成本、大规模测试创意。\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e@TopviewAIhq via @AI_Jasonyu\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd style=\"text-align: left\"\u003e\u003cstrong\u003eAI 学习\u003c/strong\u003e\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e\u003cstrong\u003eWiktionary 英语常用词表\u003c/strong\u003e\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e@vista8 分享的 2809 个英语核心词汇列表，并演示了如何让 AI 基于此列表生成“英雄之旅”故事来高效背单词。\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e@vista8\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd style=\"text-align: left\"\u003e\u003cstrong\u003e行业社区\u003c/strong\u003e\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e\u003cstrong\u003eRedis Skill 社区 (小红书)\u003c/strong\u003e\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e@ruanyf 发现小红书正在内测 Skill 发布与分享功能，试图结合社媒与 Skill Hub，成为“Skill 的 GitHub”，是开发者不可忽视的新分发渠道。\u003c/td\u003e\n          \u003ctd style=\"text-align: left\"\u003e@ruanyf\u003c/td\u003e\n      \u003c/tr\u003e\n  \u003c/tbody\u003e\n\u003c/table\u003e\n\u003ch2 id=\"-附录今日-watch-list-更新源列表\"\u003e\n  📚 附录:今日 Watch List 更新源列表\n  \u003ca class=\"heading-link\" href=\"#-%e9%99%84%e5%bd%95%e4%bb%8a%e6%97%a5-watch-list-%e6%9b%b4%e6%96%b0%e6%ba%90%e5%88%97%e8%a1%a8\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h2\u003e\n\u003cblockquote\u003e\n\u003cp\u003e时间窗口:最近 3 天;覆盖 22 个源;共 34 条更新\u003c/p\u003e\n\u003c/blockquote\u003e\n\u003ch3 id=\"y-combinator-podcast-b_introsearch\"\u003e\n  Y Combinator Podcast (B_intro+search)\n  \u003ca class=\"heading-link\" href=\"#y-combinator-podcast-b_introsearch\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\u003cstrong\u003e\u003ca href=\"https://podcasters.spotify.com/pod/show/ycombinator/episodes/Patrick-Collison-What-If-You-Succeed-e3mtper\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003ePatrick Collison: \u0026ldquo;What If You Succeed?\u0026rdquo;\u003c/a\u003e\u003c/strong\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-04 00:43 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- 您可能已经听说过 OpenClaw（以前称为 Clawdbot/Moltbot）。\n\u003cul\u003e\n\u003cli\u003e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。\u003c/li\u003e\n\u003cli\u003e现在来认识一下它背后的人。\u003c/li\u003e\n\u003cli\u003eYC 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。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003eIn 2009, Patrick and John Collison went to Startup School in Berkeley, got sushi in Potrero Hill afterward, and decided on the walk home to start Stripe\u003c/li\u003e\n\u003cli\u003eThe reasoning, as Patrick remembers it, was that “we might as well because it probably won\u0026rsquo;t be that hard.”\u003c/li\u003e\n\u003cli\u003eIt took two years to launch\u003c/li\u003e\n\u003cli\u003eSeventeen years later, at Startup School 2026, he talks with YC\u0026rsquo;s Harj Taggar about dropping out of MIT twice, why founders should ask what happens if they succ…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3 id=\"stratechery-by-ben-thompson-a_full\"\u003e\n  Stratechery by Ben Thompson (A_full)\n  \u003ca class=\"heading-link\" href=\"#stratechery-by-ben-thompson-a_full\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\u003cstrong\u003e\u003ca href=\"https://stratechery.com/2026/meta-earnings-metas-timing-problems-the-financial-tail/\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eMeta Earnings, Meta’s Timing Problems, The Financial Tail\u003c/a\u003e\u003c/strong\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 18:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- Meta 的盈利有点令人失望；关于人工智能产品的未来承诺更令人不安。\n\u003cul\u003e\n\u003cli\u003e\u003cstrong\u003e15 美元\u003c/strong\u003e/月\u003cem\u003e或\u003c/em\u003e\u003cstrong\u003e150 美元\u003c/strong\u003e/年。\u003c/li\u003e\n\u003cli\u003e通过每周三封电子邮件或播客对当天新闻进行实质性分析。\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e策略采访\u003c/strong\u003e。\u003c/li\u003e\n\u003cli\u003e采访领先的上市首席执行官、私营公司创始人，并与分析师同行进行讨论。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003eMeta\u0026rsquo;s earnings were a bit disappointing; future promises about AI products were more disconcerting.\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3 id=\"openai-blog-a_full\"\u003e\n  OpenAI Blog (A_full)\n  \u003ca class=\"heading-link\" href=\"#openai-blog-a_full\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\u003cstrong\u003e\u003ca href=\"https://openai.com/index/continuous-voice-interaction-with-gpt-live\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eHow we built a realtime system for responsive voice AI in six months\u003c/a\u003e\u003c/strong\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 15:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- 对于语音人工智能来说，知道何时说话比听起来更难。\n\u003cul\u003e\n\u003cli\u003e人类说话者可以在不到一秒的时间内毫不费力地相互切换，但以前的语音人工智能系统无法跟上这种节奏。\u003c/li\u003e\n\u003cli\u003e他们的回合制架构依赖于称为回合检测器的微型模型，该模型面临着一项艰巨的任务：猜得太早，用户就会被切断；猜得太晚了，而且反应也很迟缓。\u003c/li\u003e\n\u003cli\u003e只有在探测器做出决定后，更大的法学硕士才能开始工作。\u003c/li\u003e\n\u003cli\u003e它的语音模型是全双工的，这意味着它可以同时听和说。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003eGPT-Live enables continuous voice interaction with AI, using a turnless speech model and low-latency architecture for faster, more natural conversations.\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3 id=\"two-minute-papers-b_introsearch\"\u003e\n  Two Minute Papers (B_intro+search)\n  \u003ca class=\"heading-link\" href=\"#two-minute-papers-b_introsearch\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\u003cstrong\u003e\u003ca href=\"https://www.youtube.com/watch?v=bm1BjOjS7sQ\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eAnother DeepSeek Moment Has Arrived\u003c/a\u003e\u003c/strong\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 17:47 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- ❤️ 在这里查看 Lambda 并注册他们的 GPU Cloud：。\n\u003cul\u003e\n\u003cli\u003eAdam 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。\u003c/li\u003e\n\u003cli\u003e另一个 DeepSeek 时刻已经到来。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003e❤️ Check out Lambda here and sign up for their GPU Cloud:\u003c/li\u003e\n\u003cli\u003e📝 DeepSeek v4 Flash 0731:\u003c/li\u003e\n\u003cli\u003eDeepSeek API:\u003c/li\u003e\n\u003cli\u003e🙏 We would like to thank our generous Patreon supporters who make Two Minute Papers possible:\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3 id=\"arxiv-csai-b_introsearch\"\u003e\n  ArXiv cs.AI (B_intro+search)\n  \u003ca class=\"heading-link\" href=\"#arxiv-csai-b_introsearch\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28629\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eOpenClaw and Ollama in Agentic AI: Toward Fully Autonomous and Scalable AI Agent Systems\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28629v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：从反应式大语言模型（LLM）到持久的、可操作的系统的快速转变暴露了代理人工智能架构理解中的关键差距，特别是在分离自主人工智能代理的推理、编排和执行层方面。\u003c/li\u003e\n\u003cli\u003e尽管最近取得了进展，但用于设计和评估全栈代理系统的统一框架仍然有限。\u003c/li\u003e\n\u003cli\u003e本文提出了一种全面的、分层的 Agentic AI 架构，概述了从反应式 LLM 接口到具有记忆、规划和持续执行功能的持久、目标驱动的自主 AI 代理的演变。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28629v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: The rapid transition from reactive large language models (LLMs) to persistent, action-capable systems has exposed critical gaps in the architectural u…\u003c/li\u003e\n\u003cli\u003eDespite recent advances, unified frameworks for designing and evaluating full-stack agentic systems remain limited\u003c/li\u003e\n\u003cli\u003eThis paper presents a comprehensive, layered architecture for Agentic AI, outlining the evolution from reactive LLM interfaces to persistent, goal-driven autono…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28631\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eCan AI Evaluate AI Scientists? A Benchmarking Study of Autonomous Research Generation Systems Using Automated Multi-Model Review\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28631v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：能够自主研究的人工智能科学家系统有可能显着加速科学发现。\u003c/li\u003e\n\u003cli\u003e然而，评估和比较人工智能生成的论文的质量仍然是一个开放的挑战。\u003c/li\u003e\n\u003cli\u003e我们使用自动同行评审系统提出并实施严格的基准测试协议，该系统利用前沿大型语言模型来评估四个核心维度的科学论文：原创性、科学严谨性、清晰度和重要性。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28631v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: AI Scientist systems capable of autonomous research have the potential to significantly accelerate scientific discovery\u003c/li\u003e\n\u003cli\u003eHowever, evaluating and comparing the quality of AI-generated papers remains an open challenge\u003c/li\u003e\n\u003cli\u003eWe propose and implement a rigorous benchmarking protocol using an automated peer-review system that harnesses frontier large language models to assess scientif…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28632\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eLLM Framework for Discovering Major Mathematical Conjectures: AI\u0026rsquo;s Quest for the Next Riemann Hypothesis\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28632v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：主要的数学猜想仍然在很大程度上依赖于专家的直觉，因此仍然没有一种统一的方法来系统地生成和验证具有巨大数学潜力的猜想。\u003c/li\u003e\n\u003cli\u003e我们提出了一个用于重大猜想发现的三阶段管道，包括从明确的本地证据模块中进行区域搜索，对基础性、新颖性和潜在意义进行反思验证，以及在 Lean 4 和 Mathlib 中进行形式验证。\u003c/li\u003e\n\u003cli\u003e目标是发现具有高问题品味的数学问题，即其证明可以重新组织研究领域的语言并为人类数学研究提供持久帮助的问题。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28632v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: Major mathematical conjectures still depend heavily on expert intuition, so a unified method for the systematic generation and validation of conjectur…\u003c/li\u003e\n\u003cli\u003eWe present a three stage pipeline for major conjecture discovery, with region search from explicit local evidence modules, reflective validation for foundationa…\u003c/li\u003e\n\u003cli\u003eThe objective is the discovery of mathematical problems with high problem taste, namely problems whose proofs could reorganize the language of a research area a…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28642\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eThinkReset: Learnable Intermediate Interface Construction for Bounded-Context Long-Horizon Reasoning\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28642v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：长链思维推理提高了复杂问题的性能，但也引入了冗余积累、上下文溢出和错误锚定。\u003c/li\u003e\n\u003cli\u003e我们认为，在有界上下文窗口下，核心瓶颈不是轨迹压缩或测试时间控制，而是缺乏可重用的中间接口来替换丢弃的历史记录并支持继续求解。\u003c/li\u003e\n\u003cli\u003e我们进一步确定了结果奖励驱动的长链强化学习的一个关键失败模式：当模型在窗口几乎耗尽之前尚未解决任务时，最终答案奖励会鼓励过早猜测，而不是继续仔细推理。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28642v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: Long chain-of-thought reasoning improves performance on complex problems, but it also introduces redundancy accumulation, context overflow, and error…\u003c/li\u003e\n\u003cli\u003eWe argue that under bounded context windows, the core bottleneck is not trajectory compression or test-time control, but the absence of a reusable intermediate…\u003c/li\u003e\n\u003cli\u003eWe further identify a key failure mode of outcome-reward-driven long-chain reinforcement learning: when the model has not solved the task before the window is n…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28657\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eTAPR: Enhancing LLM Performance with a Task-Aware Prompt Rewriter\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28657v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：大型语言模型 (LLM) 通常需要精心设计的提示才能释放其全部潜力，这对于非专家用户来说可能是一个障碍。\u003c/li\u003e\n\u003cli\u003e这项工作通过引入任务感知提示重写器 (TAPR) 来解决这一挑战，该模型将用户提示重新表述为任务优化提示，其明确目标是提高下游 LLM 性能。\u003c/li\u003e\n\u003cli\u003e我们使用强化学习和组相对策略优化（GRPO）来训练 TAPR，其中奖励来自于法学硕士作为法官对重新制定的提示和相应任务输出的评估。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28657v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: Large Language Models (LLMs) often require carefully crafted prompts to unlock their full potential, which can be a barrier for non-expert users\u003c/li\u003e\n\u003cli\u003eThis work addresses the challenge by introducing a Task-Aware Prompt Rewriter (TAPR), a model that reformulates user prompts into task-optimized prompts with th…\u003c/li\u003e\n\u003cli\u003eWe train TAPR using reinforcement learning with Group Relative Policy Optimization (GRPO), where rewards are derived from LLM-as-judge evaluations of both the r…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28659\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eEmpowering Cross-Domain Sequential Recommendation with Hybrid Tokenization and Serial-Parallel Decoding\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28659v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：跨域顺序推荐（CDSR）旨在对用户跨多个域的动态兴趣转换和顺序模式进行建模。\u003c/li\u003e\n\u003cli\u003e最近，生成推荐（GR）出现了。\u003c/li\u003e\n\u003cli\u003e它首先从项目语义中学习语义标识符（SID），并将推荐制定为自回归生成。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28659v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: Cross-domain sequential recommendation (CDSR) aims to model users\u0026rsquo; dynamic interest transitions and sequential patterns across multiple domains\u003c/li\u003e\n\u003cli\u003eRecently, generative recommendation (GR) has emerged\u003c/li\u003e\n\u003cli\u003eIt first learns semantic identifiers (SIDs) from item semantics and formulates recommendation as autoregressive generation\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28662\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eAn Ontology-Guided, Deduplication-Aware Extraction Layer for Knowledge Graph Construction from Heterogeneous Documents\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28662v1 公告类型：新。\n-摘要：大型语言模型从非结构化文档中流畅但不一致地提取实体和关系：文档中的类型词汇断裂、同一个人在多个名称变体下出现、关系重复以及共享名称的不同个体存在无声合并的风险。\n\u003cul\u003e\n\u003cli\u003e本文介绍了生产提取层的设计、实现和经验改进，该层将实时文档流转换为与正式本体对齐的经过验证的知识图。\u003c/li\u003e\n\u003cli\u003e该系统使用来自 Kafka 的文档元数据，通过为每种格式构建的处理程序路由 PDF、电子表格、Office 和图像内容，并使用在本体上调整的本地托管 Qwen3.5-9B 模型分两次提取实体和关系。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28662v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: Large language models extract entities and relationships from unstructured documents fluently but inconsistently: type vocabularies fracture across do…\u003c/li\u003e\n\u003cli\u003eThis paper presents the design, implementation, and empirical refinement of a production extraction layer that converts a live document stream into a validated…\u003c/li\u003e\n\u003cli\u003eThe system consumes document metadata from Kafka, routes PDF, spreadsheet, Office, and image content through handlers built for each format, and extracts entiti…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28674\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eHow Hard Does It Think? Analyzing Step-Aware Reasoning Energy in LLM Chain-of-Thought Trajectories\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28674v1 公告类型：新。\n-摘要：理解如何在各个思想链（CoT）推理步骤之间分配计算工作量仍然是一个开放的挑战：现有的可解释性方法依赖于输出级信号或将处理深度折叠为单个轨迹级标量，从而使逐步的工作量变得不透明。\n\u003cul\u003e\n\u003cli\u003e我们提出了步骤感知推理能量（SARE），这是一种几何框架，通过相邻变压器层的令牌隐藏状态的 Gram 矩阵之间的中心核对齐（CKA）来量化各个 CoT 步骤粒度的工作量，捕获令牌间关系结构，而不需要特征向量对齐或集群对应。\u003c/li\u003e\n\u003cli\u003eSARE 通过将 CoT 轨迹建模为潜在语义状态之间的转换，进一步将这种能量置于推理的语义进展中。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28674v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: Understanding how computational effort is allocated across individual chain-of-thought (CoT) reasoning steps remains an open challenge: existing inter…\u003c/li\u003e\n\u003cli\u003eWe propose Step-Aware Reasoning Energy (SARE), a geometric framework that quantifies effort at the granularity of individual CoT steps via Centered Kernel Align…\u003c/li\u003e\n\u003cli\u003eSARE further contextualizes this energy within reasoning\u0026rsquo;s semantic progression by modeling CoT trajectories as transitions among latent semantic states\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28677\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eReasoning in Real World Clinical Care: Why Large Language Models Are Not Yet Safe for Autonomous Clinical Decision Support\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28677v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：法学硕士现在可以通过医疗执照考试，并且在精心策划的案例中，可以在诊断推理方面与医生相媲美。\u003c/li\u003e\n\u003cli\u003e这些发展加速了法学硕士在诊断和治疗指导、管理文档和基于规则的警报增强方面的症状评估和临床决策支持的使用。\u003c/li\u003e\n\u003cli\u003e这个观点涉及这些应用中最重要的一个：对自我呈现的、未分化的患者进行自主分类，很少或没有临床医生参与其中。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28677v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: LLM now pass medical licensing examinations and, in curated cases, can rival physicians at diagnostic reasoning\u003c/li\u003e\n\u003cli\u003eThese developments have accelerated the use of LLMs for symptom assessment and clinical decision support in diagnostic and treatment guidance, administrative do…\u003c/li\u003e\n\u003cli\u003eThis Perspective concerns the most consequential of these applications: the autonomous triage of self-presenting, undifferentiated patients, with little or no c…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28678\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eViSAGE: Constructing Self-Correcting Memories for Long-Form Video Understanding\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28678v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：在长视野环境中运行的多模式代理必须构建并不断更新多媒体存储器，以支持实体一致、基于时间的推理。\u003c/li\u003e\n\u003cli\u003e然而，现有的代理记忆方法经常在积极的压缩和分段处理下丢弃细粒度的身份线索。\u003c/li\u003e\n\u003cli\u003e他们还严重依赖向量相似性检索，这可以显示语义相关但身份不匹配的证据，导致实体混乱、错误传播和幻觉答案。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28678v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: Multimodal agents operating in long-horizon environments must build and continually update multimedia memories to support entity-consistent, temporall…\u003c/li\u003e\n\u003cli\u003eHowever, existing agentic memory approaches often discard fine-grained dentity cues under aggressive compression and segment-wise processing\u003c/li\u003e\n\u003cli\u003eThey also rely heavily on vector similarity retrieval, which can surface semantically related yet identity-mismatched evidence, leading to entity confusion, err…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3 id=\"arxiv-cscl-b_introsearch\"\u003e\n  ArXiv cs.CL (B_intro+search)\n  \u003ca class=\"heading-link\" href=\"#arxiv-cscl-b_introsearch\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28634\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eCan LLMs Really Understand Item Difficulty Levels? Implications for Automated Item Generation Using LLMs\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28634v1 公告类型：新。\n-摘要：项目难度的估计在形成性评估和大规模高风险总结性评估中都起着关键作用。\n\u003cul\u003e\n\u003cli\u003e这项研究探讨了大型语言模型 (LLM) 如何使用大规模阅读和写作测试中的项目来预测项目难度级别。\u003c/li\u003e\n\u003cli\u003e该研究调查了多个法学硕士的各种提示策略和参数设置。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28634v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: The estimation of item difficulty plays a key role in both formative assessment and large-scale high-stakes summative assessments\u003c/li\u003e\n\u003cli\u003eThis study explores how large language models (LLMs) perform in predicting item difficulty levels using items from a large-scale Reading and Writing test\u003c/li\u003e\n\u003cli\u003eThe study investigated various prompting strategies and parameter settings across multiple LLMs\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28635\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eImbalanced Data Clustering via Targeted Data Augmentation Using GMM and LLM\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28635v1 公告类型：新。\n-摘要：在自然语言处理（NLP）中，处理代表性不足的主题具有挑战性，特别是在聚类可能无法充分捕获少数主题的无监督任务中。\n\u003cul\u003e\n\u003cli\u003e为了应对这一挑战，我们的论文提出了一种新颖的无监督数据增强方法，该方法集成了高斯混合模型（GMM）和大型语言模型（LLM）。\u003c/li\u003e\n\u003cli\u003e由于其灵活性和鲁棒性，GMM 可以检测与数据中代表性不足的区域相对应的聚类，而 LLM 创建合成文档来丰富这些聚类并改善其表示。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28635v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: In Natural Language Processing (NLP), dealing with underrepresented topics is challenging, especially in unsupervised tasks where clustering might not…\u003c/li\u003e\n\u003cli\u003eTo tackle this challenge, our paper presents a novel unsupervised data augmentation method that integrates Gaussian Mixture Models (GMMs) and Large Language Mod…\u003c/li\u003e\n\u003cli\u003eDue to their flexibility and robustness, GMMs can detect clusters corresponding to underrepresented areas in the data, while LLMs create synthetic documents to…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28636\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eChain-of-Models: Cross-Model Auditing for Bias-Robust LLM Judges\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28636v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：法学硕士越来越多地充当自动法官，但他们的判断仍然容易受到认知偏见的影响。\u003c/li\u003e\n\u003cli\u003e现有的缓解措施主要依赖于即时驱动的去偏差，这对于偏差类型来说是脆弱的，或者是人工评估，无法扩展。\u003c/li\u003e\n\u003cli\u003e我们研究\\emph{模型链}（CoM），这是一种自动审计管道，其中第二个模型在产生最终判断之前检查第一个模型的推理轨迹。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28636v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: LLMs increasingly serve as automated judges, but their judgments remain vulnerable to cognitive biases\u003c/li\u003e\n\u003cli\u003eExisting mitigations mostly rely on prompt-driven debiasing, which is brittle across bias types, or human evaluation, which does not scale\u003c/li\u003e\n\u003cli\u003eWe study \\emph{Chain-of-Models} (CoM), an automated audit pipeline in which a second model inspects the first model\u0026rsquo;s reasoning trace before producing the final…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28637\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eZeroR@CHiPSAL 2026: Two-Stage Vision-Language Adaptation with Contrastive Learning for Nepali Meme Classification\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28637v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：本文介绍了我们的 CHiPSAL 2026 共享任务系统，该任务涉及尼泊尔模因中的多模式仇恨言论和情绪检测。\u003c/li\u003e\n\u003cli\u003e我们解决两个子任务：二元仇恨言论分类和三类情感分析。\u003c/li\u003e\n\u003cli\u003e我们的方法使用 Qwen3-VL-8B-Instruct 来适应仇恨模因检测的鲁棒适应 (RA-HMD) 框架，Qwen3-VL-8B-Instruct 是一种具有原生梵文支持的最先进的视觉语言模型。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28637v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: This paper presents our system for the CHiPSAL 2026 shared task on multimodal hate speech and sentiment detection in Nepali memes\u003c/li\u003e\n\u003cli\u003eWe address both subtasks: binary hate speech classification and three-class sentiment analysis\u003c/li\u003e\n\u003cli\u003eOur approach adapts the Robust Adaptation of Hateful Meme Detection (RA-HMD) framework using Qwen3-VL-8B-Instruct, a state-of-the-art vision-language model with…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28638\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eLearning Stateful Predictive Knowledge From Experience\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28638v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：随着大型语言模型（LLM）智能体越来越多地从经验中学习，它们主要依靠轨迹级反射来提取见解。\u003c/li\u003e\n\u003cli\u003e从预测知识的角度来看，我们认为这种方法是基于情景的后见之明而不是预测性的远见，从而产生脆弱的、依赖于路径的启发法。\u003c/li\u003e\n\u003cli\u003e为了解决这个问题，我们提出了状态知识学习（SKL）。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28638v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: As large language model (LLM) agents increasingly learn from experience, they primarily rely on trajectory-level reflection to extract insights\u003c/li\u003e\n\u003cli\u003eViewed through the lens of predictive knowledge, we argue that this approach operates on episodic hindsight rather than predictive foresight, yielding brittle,…\u003c/li\u003e\n\u003cli\u003eTo address this, we propose Stateful Knowledge Learning (SKL)\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28639\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eThe Asymmetric Effects of Knowledge Distillation on Bias in Small Language Models\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28639v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：我们表明小型指令调整语言模型中的知识蒸馏对偏差具有不对称的影响。\u003c/li\u003e\n\u003cli\u003e在明确的任务 (BBQ-disambig) 上，Gemma-2-9B 教师基于响应的蒸馏改进了上下文跟踪：对于最有偏差的基线 (SmolLM2-1.7B-Instruct)，它将上下文覆盖错误率从 44% 降低到 24%。\u003c/li\u003e\n\u003cli\u003e在模棱两可的任务（BBQ-ambig）上，相同的蒸馏破坏了每个项目的拒绝校准：即使总体拒绝率保持不变，基线正确弃权的项目中，有 15% 的项目反而收到了刻板答案。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28639v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: We show that knowledge distillation in small instruction-tuned language models has asymmetric effects on bias\u003c/li\u003e\n\u003cli\u003eOn unambiguous tasks (BBQ-disambig), response-based distillation from a Gemma-2-9B teacher improves context-following: for the most biased baseline (SmolLM2-1.7…\u003c/li\u003e\n\u003cli\u003eOn ambiguous tasks (BBQ-ambig), the same distillation destroys per-item refusal calibration: 15% of items where the baseline correctly abstained instead receive…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28640\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eTokenSwap: Benchmarking and Reducing the Modality Gap in Multimodal LLMs\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28640v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：多模态大语言模型（MLLM）应该在给定跨模态的语义等效输入的情况下生成一致的响应。\u003c/li\u003e\n\u003cli\u003e然而，我们观察到在这种跨模式变化下模型预测存在系统差异。\u003c/li\u003e\n\u003cli\u003e具体来说，我们将模态差距定义为语义等效文本和多模态输入下模型性能的差异。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28640v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: Multimodal large language models (MLLMs) should generate consistent responses given semantically equivalent inputs across modalities\u003c/li\u003e\n\u003cli\u003eHowever, we observe a systematic discrepancy in model predictions under such cross-modal variations\u003c/li\u003e\n\u003cli\u003eSpecifically, we define the modality gap as the difference in model performance under semantically equivalent textual and multimodal inputs\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28641\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eThe Formalism Trap: Are LLM-as-a-Judge Evaluators Blinded by Consensus Mimicry under Social Load?\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28641v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：我们引入了 \\textit{代理形式主义陷阱} 和评估失调指数 ($D_E$)，量化了法学硕士作为法官系统如何在对抗性负载下将结构程序主义与语义真相混为一谈。\u003c/li\u003e\n\u003cli\u003e通过分析 3 个领域（GAIA、SWE-bench、Multi-Challenge）的 22,500 个轨迹，我们提取了幻觉操作的语义分类，并通过确定性词汇基础进行验证（$p \u0026lt; 10^{-120}$）。\u003c/li\u003e\n\u003cli\u003e逻辑元评估器隔离了该评估器捕获的确切语法触发器（ROC-AUC 0.8779），而零样本留一域转移证明该漏洞普遍与域无关（平均 ROC-AUC 0.7482）。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28641v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: We introduce the \\textit{Agentic Formalism Trap} and the Evaluative Dissonance Index ($D_E$), quantifying how LLM-as-a-Judge systems conflate structur…\u003c/li\u003e\n\u003cli\u003eAnalyzing 22,500 trajectories across 3 domains (GAIA, SWE-bench, Multi-Challenge), we extract a semantic taxonomy of hallucination maneuvers, validated via dete…\u003c/li\u003e\n\u003cli\u003eA logistic meta-evaluator isolates the exact syntactic triggers of this evaluator capture (ROC-AUC 0.8779), while a zero-shot Leave-One-Domain-Out transfer prov…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28658\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eEvaluating Federated Pre-Training: On the Reliability of Downstream Fine-Tuning and Intrinsic Evaluation\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28658v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：联合预训练提供了一种在私有或分布式数据上训练基础模型的方法，而无需集中底层数据集。\u003c/li\u003e\n\u003cli\u003e然而，评估联合预训练仍然具有挑战性，因为客户参与和本地数据可用性的差异可能使直接可比较的评估变得困难。\u003c/li\u003e\n\u003cli\u003e此外，预训练测试困惑度与预训练分布相关，而下游基准引入了特定于任务的适应，这可能无法忠实地反映预训练期间建立的测试困惑度。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28658v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: Federated pre-training offers a way to train foundation models on private or distributed data without centralizing the underlying datasets\u003c/li\u003e\n\u003cli\u003eHowever, evaluating federated pre-training remains challenging because differences in client participation and local data availability can make directly compara…\u003c/li\u003e\n\u003cli\u003eMoreover, pre-training test perplexity is tied to the pre-training distribution, while downstream benchmarks introduce task-specific adaptation that may not fai…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28661\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eAre the Financial Reasoning from LLMs Credible? A Real World Test over Long-Horizon Statements\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28661v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：大型语言模型（LLM）是否具有真正的结构推理，还是仅仅依赖于表面级别的模式匹配？\u003c/li\u003e\n\u003cli\u003e金融领域需要长期上下文中的数值精度和多步骤逻辑，是一个理想的测试平台。\u003c/li\u003e\n\u003cli\u003e现有基准无法捕捉现实世界的工业复杂性，主要依赖于多项选择问题或对裁剪表的单跳 QA，而忽略了复杂的跨语句动态和时间累积。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28661v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: Do Large Language Models (LLMs) possess genuine structural reasoning, or merely rely on surface-level pattern matching\u003c/li\u003e\n\u003cli\u003eThe financial domain, demanding numerical precision and multi-step logic over long contexts, is an ideal testbed\u003c/li\u003e\n\u003cli\u003eExisting benchmarks fail to capture real-world industrial complexity, predominantly relying on multiple-choice questions or single-hop QA over cropped tables wh…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3 id=\"arxiv-cslg-b_introsearch\"\u003e\n  ArXiv cs.LG (B_intro+search)\n  \u003ca class=\"heading-link\" href=\"#arxiv-cslg-b_introsearch\"\u003e\n    \u003ci class=\"fa-solid fa-link\" aria-hidden=\"true\" title=\"链接到标题\"\u003e\u003c/i\u003e\n    \u003cspan class=\"sr-only\"\u003e链接到标题\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28633\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eTopology-Aware Data Movement for Disaggregated GPU Inference\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28633v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：分解的 LLM 推理会产生一个现有系统无法正确解决的数据中心网络问题。\u003c/li\u003e\n\u003cli\u003e当预填充和解码在单独的 GPU 池上运行时，必须在它们之间传输 KV 缓存。\u003c/li\u003e\n\u003cli\u003e对于 70B 型号，每个请求为 2.6 GB，在生产规模下总计超过 100 GB/s。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28633v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: Disaggregated LLM inference creates a datacenter networking problem that no existing system solves correctly\u003c/li\u003e\n\u003cli\u003eWhen prefill and decode run on separate GPU pools, the KV cache must be transferred between them\u003c/li\u003e\n\u003cli\u003eFor a 70B model this is 2.6 GB per request, exceeding 100 GB/s aggregate at production scale\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28665\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eSensitivity Analysis of GRU, LSTM and Transformer Encoder in Classification of Automated Driving Systems\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28665v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：自动驾驶系统（ADS）正变得无处不在。\u003c/li\u003e\n\u003cli\u003e未来的软件定义车辆 (SDV) 可能能够运行多个 ADS，包括本地和售后市场，例如 Comma.ai 的 Openpilot。\u003c/li\u003e\n\u003cli\u003e独立验证哪个自动驾驶系统处于活动状态的监控系统对于安全监控、法规遵从、保险评估和异常检测非常重要。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28665v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: Automated driving systems (ADSs) are becoming ubiquitous\u003c/li\u003e\n\u003cli\u003eFuture Software Defined Vehicles (SDVs) may be able to run multiple ADSs, both native and aftermarket such as Comma.ai\u0026rsquo;s Openpilot\u003c/li\u003e\n\u003cli\u003eMonitoring systems to independently verify which automated driving system is active are important for safety monitoring, regulatory compliance, insurance assess…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28667\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eGuarantees on Dynamical System Distinguishability for LLM Token Generation\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28667v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：最近的工作表明，可以通过将令牌嵌入建模为黑盒动力系统（DS）的轨迹并比较两个 DS 的预测残差来区分大型语言模型（LLM）的响应。\u003c/li\u003e\n\u003cli\u003e尽管这种动态方法在实证上取得了成功，但仍然缺乏对其工作原理、其作为令牌序列函数的扩展程度以及何时跨嵌入模型进行传输的理论理解。\u003c/li\u003e\n\u003cli\u003e我们通过将分类任务形式化为两个随机线性 DS 之间的二元假设检验来解决这些问题。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28667v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: Recent work has shown that classifying large language models (LLMs)\u0026rsquo; responses can be distinguished by modeling token embeddings as trajectories of a…\u003c/li\u003e\n\u003cli\u003eDespite the empirical success of this dynamical approach, a theoretical understanding of why it works, how well it scales as a function of the token sequence, a…\u003c/li\u003e\n\u003cli\u003eWe address these questions by formalizing the classification task as a binary hypothesis test between two stochastic linear DSs\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28669\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eLARA: Lightweight Adapters in the Residual Stream for Composable Adaptation and Alignment\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28669v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：我们提出了 LARA（轻量级累加残差自适应），这是一种有效的自适应方法，它在冻结模型的残差流中而不是在其权重中运行。\u003c/li\u003e\n\u003cli\u003eLoRA 将低秩更新添加到权重矩阵，而 LARA 读取一小组层的隐藏状态，并将低秩修正添加回残差流，使所有基本权重保持不变。\u003c/li\u003e\n\u003cli\u003e在代码微调任务和偏好优化 (DPO) 上，LARA 在相同的参数数量上与 LoRA 相匹配。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28669v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: We present LARA (Lightweight Additive Residual Adaptation), a method for efficient adaptation that operates in the residual stream of a frozen model r…\u003c/li\u003e\n\u003cli\u003eWhere LoRA adds an update of low rank to weight matrices, LARA reads the hidden state at a small set of layers and adds a correction of low rank back to the res…\u003c/li\u003e\n\u003cli\u003eOn a code fine-tuning task and on preference optimization (DPO), LARA matches LoRA at equal parameter counts\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28670\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eHierarchical Copula-Gumbel-Top-\\texorpdfstring{$K$}{K} Routing: Two-Sided Dependence Control for Frozen Mixture-of-Experts at Fixed Per-Token Routing Laws\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28670v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：随机 Gumbel-Top-$K$ 路由器为专家混合 (MoE) 模型的每个标记定义了 \\emph{路由法则}：有序专家列表和混合权重的分布。\u003c/li\u003e\n\u003cli\u003e我们询问不同令牌的路由选择上的哪些 \\emph{joint} 分布是可达的，同时每个单独令牌的完整路由法则保持完全固定。\u003c/li\u003e\n\u003cli\u003e我们给出一个双面结构，\\emph{Hierarchical Copula-Gumbel-Top-$K$} (\\CGA{})。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28670v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: A stochastic Gumbel-Top-$K$ router defines, for every token of a mixture-of-experts (MoE) model, a \\emph{routing law}: a distribution over ordered exp…\u003c/li\u003e\n\u003cli\u003eWe ask which \\emph{joint} distributions over the routing choices of different tokens are reachable while every individual token\u0026rsquo;s complete routing law is held e…\u003c/li\u003e\n\u003cli\u003eWe give a two-sided construction, \\emph{Hierarchical Copula-Gumbel-Top-$K$} (\\CGA{})\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28672\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eLAWFUL: Law-Aligned Witness for Faithful Use of Latents\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28672v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：当神经网络准确地预测物理系统时，它是否将控制法则学习为形式化、结构化的知识？如果是，网络的内部计算实际上是否在整个法则的有效范围内使用该表示形式？\u003c/li\u003e\n\u003cli\u003e我们确定了四个可解释性差距，这些差距限制了回答这些问题的{\\em关于连续变量的物理定律}：缺乏针对连续反事实的覆盖感知因果一致性度量；对已识别电路进行有效域测试；验证法律的不变性和禁止的行为；以及对导出的物理量如何流经电路进行量化。\u003c/li\u003e\n\u003cli\u003e我们开发了一个基础框架 LAWFUL，它结束了前两个框架​​并为其余两个奠定了基础，并在 Mocap2Radar 变压器上进行了说明，验证它是否学习并在内部使用来自运动捕捉和雷达数据的多普勒频率定律 $f(t) = \\frac{2 v(t)}{\\lambda}$，其中 $f(t)$ 和 $v(t)$ 都没有出现。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28672v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: When a neural network predicts a physical system accurately, has it learned the governing law as formal, structured knowledge, and if so, does the net…\u003c/li\u003e\n\u003cli\u003eWe identify four interpretability gaps that limit answering these questions for {\\em physics laws over continuous variables}: the absence of a coverage-aware ca…\u003c/li\u003e\n\u003cli\u003eWe develop a foundational framework, LAWFUL, that closes the first two and lays groundwork for the remaining two, and illustrate it on the Mocap2Radar transform…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28681\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eMPP-GNN: Subject-Adaptive Community Detection for fMRI-Based Alzheimer\u0026rsquo;s Disease Classification\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28681v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：功能磁共振成像（fMRI）是一种广泛用于研究大脑的技术。\u003c/li\u003e\n\u003cli\u003e最近利用图神经网络（GNN）分析大脑功能连接的方法在阿尔茨海默病（AD）等大脑疾病的分类方面显示出巨大的潜力。\u003c/li\u003e\n\u003cli\u003e然而，这些方法通常假设所有受试者都有预设数量的功能模块，这忽略了受试者间的变异性。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28681v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: Functional magnetic resonance imaging (fMRI) is a widely used technique for studying the brain\u003c/li\u003e\n\u003cli\u003eRecent methods that utilize graph neural networks (GNNs) for analysis of brain functional connectivity have shown great potential for the classification of brai…\u003c/li\u003e\n\u003cli\u003eHowever, these methods often assume a preset number of functional modules across all subjects, which overlooks inter-subject variability\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28687\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eTechnological Advances in Detecting and Managing Cognitive Impairment in Older Adults: Trends, Challenges, and Future Directions\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28687v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：随着人口老龄化，从轻度认知障碍 (MCI) 到痴呆的认知能力下降是未来几十年的一个决定性健康挑战，但常规评估往往会错过其最早的迹象。\u003c/li\u003e\n\u003cli\u003e本文批判性地综合了检测和管理老年人认知障碍的最新技术进展，涵盖神经生理信号（主要是脑电图，EEG）、结构和分子神经影像（MRI 和淀粉样蛋白/tau PET）、血液生物标志物和数字标志物，并通过人工智能 (AI)、机器学习 (ML) 和深度学习 (DL) 进行整合。\u003c/li\u003e\n\u003cli\u003e除了总结之外，它还提供了跨学科的分类法、方法论严谨性的镜头、独立于主题和地点的验证、将分层筛查与干预联系起来的综合早期检测框架，以及检测方法、干预措施以及风险和保护因素的比较表。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28687v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: As populations age, cognitive decline from mild cognitive impairment (MCI) to dementia is a defining health challenge of the coming decades, yet routi…\u003c/li\u003e\n\u003cli\u003eThis article critically synthesizes recent technological advances for detecting and managing cognitive impairment in older adults, spanning neurophysiological s…\u003c/li\u003e\n\u003cli\u003eBeyond summarizing, it contributes a cross-disciplinary taxonomy, a methodological-rigor lens foregrounding subject- and site-independent validation, an integra…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28693\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003eSEDR-Seq2P: A Lightweight Dilated Residual Sequence-to-Point Network for Multi-Task Industrial NILM\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28693v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：工业 NILM 仍然具有挑战性，因为测量噪声和广泛的并行机器操作降低了根据住宅数据调整的模型的泛化性。\u003c/li\u003e\n\u003cli\u003e这项工作采用一对多、多任务分解设置，其中单个网络根据总功率估计多个工业机器负载。\u003c/li\u003e\n\u003cli\u003e在 IMDELD 上的统一评估协议下，我们使用能量估计指标和准确度延迟标准对 Seq2Seq、Seq2SubSeq、Seq2Point、GRU 和 WaveNet 进行基准测试。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28693v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: Industrial NILM remains challenging because measurement noise and widespread concurrent machine operation reduce the generalization of models tuned on…\u003c/li\u003e\n\u003cli\u003eThis work adopts a one-to-many, multi-task disaggregation setting, in which a single network estimates multiple industrial machine loads from aggregate power\u003c/li\u003e\n\u003cli\u003eUnder a unified evaluation protocol on IMDELD, we benchmark Seq2Seq, Seq2SubSeq, Seq2Point, GRU, and WaveNet using energy-estimation metrics and the accuracy-de…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003e\n\u003cp\u003e\u003cstrong\u003e\u003ca href=\"https://arxiv.org/abs/2607.28695\"  class=\"external-link\" target=\"_blank\" rel=\"noopener\"\u003ePredicting Steel Fatigue Life from Micrographs Using Physics-Informed Deep Learning\u003c/a\u003e\u003c/strong\u003e\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e发布时间:2026-08-03 12:00 北京时间\u003c/li\u003e\n\u003cli\u003e摘要:- arXiv:2607.28695v1 公告类型：新。\n\u003cul\u003e\n\u003cli\u003e摘要：这是针对 arXiv 提交表单优化的纯文本版本。\u003c/li\u003e\n\u003cli\u003e自定义宏（如\\CV和\\SI）已转换为标准文本/数学，以便它们在网页上正确呈现：评估结构钢的疲劳寿命通常需要持续数十至数百小时的机械测试，这使得快速质量控制不切实际。\u003c/li\u003e\n\u003cli\u003e我们提出了 CV，一种计算机视觉框架，可以直接从光学显微照片估计轻质合金钢的疲劳寿命 ($\\log N_f$)，无需进行物理测试。该流程具有用于消除伪影的七阶段 OpenCV 预处理例程、28 维物理信息特征提取器（量化裂纹形态、晶粒结构、孔隙率和纹理），以及使用高斯负对数似然 (GNLL) 损失训练的 CNN 回归模型，以共同预测 $\\log N_f$ 和样本特定的不确定性 $\\hat{\\sigma}$。在合成显微图像基准上评估三种架构（SE-CNN、ResNet-50、VGG-16），ResNet-50 实现了 $R^2 = 0.93$、RMSE = 0.18 对数周期和宏 F1 = 0.91。\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003cli\u003eEN 要点:\n\u003cul\u003e\n\u003cli\u003earXiv:2607.28695v1 Announce Type: new\u003c/li\u003e\n\u003cli\u003eAbstract: Here is the plain text version optimized for arXiv\u0026rsquo;s submission form\u003c/li\u003e\n\u003cli\u003eCustom macros (like \\CV and \\SI) have been converted to standard text/math so they render correctly on the webpage: Evaluating the fatigue life of structural st…\u003c/li\u003e\n\u003cli\u003eWe present CV, a computer vision framework that estimates the fatigue life ($\\log N_f$) of lightweight alloy steels directly from optical micrographs without ph…\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n\u003c/li\u003e\n\u003c/ul\u003e\n",
  "wordCount": 3510,
  "readingTime": 17,
  "tableOfContents": "\u003cnav id=\"TableOfContents\"\u003e\n  \u003cul\u003e\n    \u003cli\u003e\u003ca href=\"#-本期-watch-list-深度导读\"\u003e📖 本期 Watch List 深度导读\u003c/a\u003e\u003c/li\u003e\n    \u003cli\u003e\u003ca href=\"#-x-平台-ai-热点快讯\"\u003e🌐 X 平台 AI 热点快讯\u003c/a\u003e\n      \u003cul\u003e\n        \u003cli\u003e\u003ca href=\"#话题-1leaks-signal-imminent-glm-53-launch-from-zhipu-ai\"\u003e话题 1:Leaks Signal Imminent GLM-5.3 Launch from Zhipu AI\u003c/a\u003e\u003c/li\u003e\n        \u003cli\u003e\u003ca href=\"#话题-2alibaba-unveils-qwen38-max-its-largest-ai-model-yet\"\u003e话题 2:Alibaba Unveils Qwen3.8-Max, Its Largest AI Model Yet\u003c/a\u003e\u003c/li\u003e\n        \u003cli\u003e\u003ca href=\"#话题-3nextjs-163-delivers-major-performance-boosts-and-ai-tools\"\u003e话题 3:Next.js 16.3 Delivers Major Performance Boosts and AI Tools\u003c/a\u003e\u003c/li\u003e\n        \u003cli\u003e\u003ca href=\"#话题-4anthropic-ceo-worries-hires-chase-pay-over-mission\"\u003e话题 4:Anthropic CEO Worries Hires Chase Pay Over Mission\u003c/a\u003e\u003c/li\u003e\n        \u003cli\u003e\u003ca href=\"#话题-5notion-maps-out-full-platform-as-ai-powered-system-of-record\"\u003e话题 5:Notion Maps Out Full Platform as AI-Powered System of Record\u003c/a\u003e\u003c/li\u003e\n      \u003c/ul\u003e\n    \u003c/li\u003e\n    \u003cli\u003e\u003ca href=\"#-大佬观点influencer-insights\"\u003e💡 大佬观点(Influencer Insights)\u003c/a\u003e\u003c/li\u003e\n  \u003c/ul\u003e\n\n  \u003cul\u003e\n    \u003cli\u003e\u003ca href=\"#1-今日技术趋势与产品热点\"\u003e1. 今日技术趋势与产品热点\u003c/a\u003e\n      \u003cul\u003e\n        \u003cli\u003e\u003ca href=\"#-agent-工程与-harness-架构成为显学\"\u003e📈 \u003cstrong\u003eAgent 工程与 Harness 架构成为显学\u003c/strong\u003e\u003c/a\u003e\u003c/li\u003e\n        \u003cli\u003e\u003ca href=\"#-端侧模型与本地化部署加速\"\u003e🌐 \u003cstrong\u003e端侧模型与本地化部署加速\u003c/strong\u003e\u003c/a\u003e\u003c/li\u003e\n        \u003cli\u003e\u003ca href=\"#-ai-在特定领域的深度应用\"\u003e🎮 \u003cstrong\u003eAI 在特定领域的深度应用\u003c/strong\u003e\u003c/a\u003e\u003c/li\u003e\n      \u003c/ul\u003e\n    \u003c/li\u003e\n    \u003cli\u003e\u003ca href=\"#2-值得注意的独特观点与行业前瞻\"\u003e2. 值得注意的独特观点与行业前瞻\u003c/a\u003e\n      \u003cul\u003e\n        \u003cli\u003e\u003ca href=\"#-从ai-浏览器到ai-agent产品形态的深刻反思\"\u003e💡 \u003cstrong\u003e从“AI 浏览器”到“AI Agent”：产品形态的深刻反思\u003c/strong\u003e\u003c/a\u003e\u003c/li\u003e\n        \u003cli\u003e\u003ca href=\"#-模型智能的南北两极与合作哲学\"\u003e💡 \u003cstrong\u003e模型智能的“南北两极”与合作哲学\u003c/strong\u003e\u003c/a\u003e\u003c/li\u003e\n        \u003cli\u003e\u003ca href=\"#-成本与生态的博弈\"\u003e💡 \u003cstrong\u003e成本与生态的博弈\u003c/strong\u003e\u003c/a\u003e\u003c/li\u003e\n      \u003c/ul\u003e\n    \u003c/li\u003e\n    \u003cli\u003e\u003ca href=\"#3-推荐的工具与资源\"\u003e3. 推荐的工具与资源\u003c/a\u003e\u003c/li\u003e\n    \u003cli\u003e\u003ca href=\"#-附录今日-watch-list-更新源列表\"\u003e📚 附录:今日 Watch List 更新源列表\u003c/a\u003e\n      \u003cul\u003e\n        \u003cli\u003e\u003ca href=\"#y-combinator-podcast-b_introsearch\"\u003eY Combinator Podcast (B_intro+search)\u003c/a\u003e\u003c/li\u003e\n        \u003cli\u003e\u003ca href=\"#stratechery-by-ben-thompson-a_full\"\u003eStratechery by Ben Thompson (A_full)\u003c/a\u003e\u003c/li\u003e\n        \u003cli\u003e\u003ca href=\"#openai-blog-a_full\"\u003eOpenAI Blog (A_full)\u003c/a\u003e\u003c/li\u003e\n        \u003cli\u003e\u003ca href=\"#two-minute-papers-b_introsearch\"\u003eTwo Minute Papers (B_intro+search)\u003c/a\u003e\u003c/li\u003e\n        \u003cli\u003e\u003ca href=\"#arxiv-csai-b_introsearch\"\u003eArXiv cs.AI (B_intro+search)\u003c/a\u003e\u003c/li\u003e\n        \u003cli\u003e\u003ca href=\"#arxiv-cscl-b_introsearch\"\u003eArXiv cs.CL (B_intro+search)\u003c/a\u003e\u003c/li\u003e\n        \u003cli\u003e\u003ca href=\"#arxiv-cslg-b_introsearch\"\u003eArXiv cs.LG (B_intro+search)\u003c/a\u003e\u003c/li\u003e\n      \u003c/ul\u003e\n    \u003c/li\u003e\n  \u003c/ul\u003e\n\u003c/nav\u003e",
  "isDraft": false
}