在程序员和逆向工程师的日常工作中，十六进制编辑器往往是最后一道防线——当常规工具无法解析文件时，你需要直接面对字节。但传统十六进制编辑器仅展示原始字节，让你在复杂格式中艰难摸索。现在，**Hexel Editor** 试图改变这一局面，它是一款原生的 macOS 十六进制编辑器，宣称“对文件格式有感知能力”，让字节级的编辑不再盲目。 ## 从“看字节”到“懂格式” 传统十六进制编辑器（如 Hex Fiend）擅长高效展示和修改二进制数据，但不会主动解析文件结构。而 Hexel Editor 的核心理念是**理解文件格式**。它内置了对常见文件格式的解析支持，能识别出文件中的不同字段，并以结构化的方式呈现。这意味着，当你打开一个文件时，看到的不仅是十六进制字节流，还有经过解释的字段名、类型和值，比如图像尺寸、音频采样率、或协议头中的标志位。 这种“有大脑”的设计，大幅降低了分析二进制文件的认知负担。你不再需要对照格式文档，手动计算偏移量，而是可以直接跳转到特定字段，查看其含义，甚至以更直观的方式编辑。对于处理复杂格式（如 PE、ELF、PNG、MP4 等）的开发者、安全研究人员和数字取证专家而言，这无疑能显著提升效率。 ## 原生体验与潜在优势 作为一款原生 macOS 应用，Hexel Editor 在性能和系统集成上具有天然优势。它充分利用了 macOS 的现代框架，界面应该流畅且符合 Mac 用户的使用习惯，支持深色模式、触控板手势等。原生应用还意味着更好的内存管理和对大文件的处理能力，这对于可能涉及数百 MB 甚至 GB 级文件的场景至关重要。 此外，Hexel Editor 可能支持插件或脚本，以扩展对新格式的支持，尽管目前信息有限。但“对文件格式有感知”这一理念，本身就暗示了其架构的模块化和可扩展性。 ## 适用场景与局限 Hexel Editor 特别适合以下场景： - **逆向工程**：快速定位并修改二进制文件中的关键数据。 - **漏洞研究**：分析恶意软件或模糊测试样本时，理解文件结构。 - **数字取证**：检查文件元数据和隐藏数据。 - **底层开发**：调试文件格式解析器或嵌入式系统固件。 然而，由于产品尚在发布初期，其内置格式的覆盖范围、解析准确性以及编辑功能的完备性还有待验证。对于不支持的文件格式，它可能退化为普通十六进制编辑器。此外，与成熟的跨平台工具（如 010 Editor）相比，其生态和社区可能较小。 ## 小结 Hexel Editor 以“理解文件格式”为卖点，为 macOS 用户带来了一款更智能的十六进制编辑器。它有望简化二进制分析工作流，尤其适合需要频繁处理复杂文件格式的专业人士。虽然具体功能细节和稳定性仍需进一步体验，但其理念无疑是正确的——在字节的世界里，一双“懂格式”的眼睛能帮你少走很多弯路。如果你经常与二进制文件打交道，不妨关注一下 Hexel Editor 的后续发展。
Replit 近日宣布推出 Free Mode，由 OpenAI 的 GPT-5.6 Luna 模型驱动，让任何人都能免费将想法转化为可运行的软件，无需担心 token 成本。这一举措得益于 GPT-5.6 系列模型的性价比提升和 OpenAI 近期的降价。Replit 联合创始人兼 CEO Amjad Masad 表示，这是首次在免费模式下提供如此强大的构建体验。 ## 从 GPT-3 到 GPT-5.6 Luna：长期合作的深化 Replit 与 OpenAI 的合作由来已久。早在 GPT-3 时代，Replit 就是早期用户，率先探索自然语言驱动软件开发的可能性。如今，GPT-5.6 Luna 成为 Replit Free Mode 的算力基础，标志着双方合作进入新阶段。Masad 在公告中强调，OpenAI 近期的价格调整让 Replit 能够将免费模式扩展到数百万用户，消除了模型成本这一最后障碍。 ## 免费模式如何运作？ Free Mode 的核心在于让用户无需消耗配额即可获得快速、准确的回答、建议、反馈和分析。Agent 能理解用户项目的完整上下文，帮助用户在进入 Build Mode 之前进行规划、构思、优化和探索。这种连续性设计意味着，用户可以在同一个环境中从零开始发展想法，直至成为可运行的软件。 当任务需要更高级的推理时，Replit 会自动路由到 GPT-5.6 Sol，之后返回由 GPT-5.6 Luna 驱动的 Free Mode，确保体验无缝衔接。这种分层模型策略既保证了复杂任务的性能，又控制了成本。 ## 行业影响：AI 开发民主化的新里程碑 Replit 免费模式的推出，是 AI 降低软件开发门槛的又一重要信号。随着模型性价比的不断提升，类似 Replit 这样的平台能够将先进的 AI 能力带给更广泛的用户群体，尤其是那些没有编程背景的创意者。这不仅改变了个人开发者的工作方式，也可能重塑企业级应用开发的成本结构。 不过，免费模式的可持续性仍取决于模型推理成本能否持续下降。OpenAI 的定价策略和 Replit 的用户增长将如何平衡，值得持续关注。 ## 展望 对于普通用户而言，现在可以免费在 Replit 上尝试将想法变成现实，无论是简单的脚本还是复杂的 Agent。这一模式能否吸引大量非技术用户，并推动 AI 辅助开发的普及，我们拭目以待。
**临床试验编程**——将研究方案转化为符合CDISC标准的分析就绪数据集——一直是监管申报中的瓶颈。尽管大语言模型在代码生成方面表现出色，但面对这一高度规范化的任务，即便是最先进的模型也频频“翻车”：在11次单次尝试中，五个前沿模型无一能生成有效的受试者水平分析数据集。 针对这一困境，研究人员提出了 **GxP-Agent**，一个多智能体系统，将监管流程顺序编码为**有向无环图（DAG）**，将庞大的数据集生成任务分解为15个由工作智能体执行的领域特定节点，并配备pharmaverse技能上下文、验证门控和条件重试机制。 ## 实验结果：近乎完美的表现 在基于FDA试点提交CDISCPilot01构建的CDISC-Bench基准上（254名受试者，49个真实ADSL变量），GxP-Agent配合Claude Sonnet 4.6实现了**100%的结构匹配**（49/49变量，254条正确记录），且三次独立运行结果一致。相比之下，最佳检索增强基线仅达到59.2%的结构匹配，而所有单智能体和扁平多智能体方法均为0%。 更令人惊喜的是，DAG拓扑还让**较弱模型**也能发挥潜力：GPT-4.1在相同DAG下达到59.2%的平均结构匹配，而在其他架构下其得分均为0%。 ## 泛化能力与意义 该方法的有效性不仅限于ADSL。在不良事件数据集ADAE（9节点分支DAG，55个变量，1,191条记录）上，GxP-Agent首次尝试即实现100%的结构匹配，证明了其泛化能力。 这项研究的核心启示在于：**将领域过程知识编码为图拓扑，而非单纯依赖LLM推理**，是实现可靠、符合GxP（良好实践规范）的临床试验编程的关键。这为AI在高度监管的医疗健康领域的应用开辟了新的思路，也提醒我们，在专业场景中，结构化的流程设计或许比追求模型参数规模更重要。 该论文为预印本，详细内容可参考arXiv:2608.16890。
随着AI智能体（Agentic AI）从单纯的文本生成走向实际工具操作，安全问题正从“有害文本”转向“有害操作副作用”。一篇来自arXiv的新论文提出了名为 **Aegis** 的运行时治理系统，将模型输出视为“动作提议”，由可信运行时在工具执行前进行裁决，从而建立真正的执行边界。 ## 从提示词治理到运行时治理 传统的安全防护主要依赖提示词层面的约束，例如在系统提示中明确“不要删除文件”或“不要发送邮件”。然而，论文作者指出，**提示词治理只能塑造模型行为，却无法创建执行边界**。模型可能因越狱、幻觉或上下文误导而违反指令，而一旦工具调用被直接执行，后果将不可逆转。 Aegis的核心设计理念是：**模型提议，运行时决策**。模型输出的工具调用不再被直接执行，而是先提交给一个可信的决策层，由后者根据当前策略状态进行评估。 ## Aegis的关键机制 - **策略评估**：Aegis将模型提议与活跃策略进行比对，判断该操作是否在允许范围内。 - **服务端溯源解析**：与客户端信任模型不同，Aegis在服务端解析数据来源，确保决策基于可信的上下文。 - **失败闭合（Fail-Closed）**：当系统对某项操作的安全性不确定时，默认拒绝执行，而非放行。 - **参议院式裁决（Senate-style Settlement）**：对于需要授权的操作，采用基于法定人数的非单边授权路径，避免单一决策点。 这些机制共同构建了一个多层次的防护网，确保即使模型输出存在风险，也无法直接转化为实际副作用。 ## 实验验证：零风险副作用 论文在包含 **5个运行家族、42项任务、3种条件、每家族10次重复** 的沙箱语料库上进行了评估。在 **6,300行** 数据中，仅提示词策略控制产生了 **79行** 风险比较路径泄漏；而在 **2,100行** Aegis治理数据中，系统记录了 **零次** 治理的模拟工具应用和 **零次** 治理的风险副作用完成。此外，**1,832行** 尝试治理的行均保留了可信的Aegis解析溯源，**1,019行** 参议院裁决行均具有法定人数和最终签名计数证据。 ## 意义与局限 这项研究的意义在于，它为智能体AI的安全性提供了一种新的思路：**将安全边界从模型内部转移到外部运行时**。正如作者所言，这些结果并不证明通用自主智能体的安全性，但支持一个更具体的系统声明：在评估的沙箱语料库中，运行时动作边界治理防止了观察到的风险提议变成治理的副作用。 未来，Aegis这类系统有望成为AI智能体部署的标准组件，特别是在金融、医疗等高风险领域，为自主决策提供必要的安全护栏。
在AI模型API的采购中，买家购买的不仅是模型名称，而是一份包含日期、请求模型、推理努力参数、输出约束、服务产品、提示词和价格表的合约。一项最新研究通过对比Anthropic的Sonnet 5模型在显式设置高推理努力与省略该参数时的表现，揭示了推理努力参数对成本和准确率的影响。研究发现，显式高努力合约使平均每次调用成本增加约0.01031美元，但准确率差异不显著，且成本效益反而更低。这表明推理努力参数并非简单的性能开关，而是模型供应商和用户之间的一种合约条款，其语义因模型和供应商而异。该研究强调，API买家应仔细审视推理努力参数，因为它直接影响成本和模型行为，而不仅仅是性能优化工具。
**放射学报告**是医生用自由文本记录影像所见与病灶位置的关键文档，但下游的检索与分析却需要将这些信息转化为固定结构。由于不同医院的标注资源分布不均——小医院本地证据少，数据集中又可能涉及隐私与合规问题——这一任务面临独特挑战。 来自新加坡科技设计大学、ETH Zürich等机构的研究者提出了 **FedPref**，一种基于联邦学习的偏好学习方法，让数据不足的机构也能从协作中获益，且无需共享原始报告或标注。相关论文已被 ELAMI 2026（与 MICCAI 2026 联合举办）接收，并将发表于 Springer 论文集。 ## 核心思路：让模型"挑"出最佳提取结果 FedPref 的设计巧妙：它利用**冻结的公开语言模型**（如 Qwen）生成多个候选的 JSON 提取结果，本地标注员对这些结果进行排序，形成"偏好对"。随后，各站点仅共享模型更新（而非数据），协同训练轻量级的 Qwen3-8B 适配器。 为增强模型的鲁棒性，研究团队还引入了**异构教师池**——当单一模型的重复采样出现坍缩时，多个不同模型的输出能提供跨模型对比，避免偏好信号单一化。 ## 实验结果：小医院获益最明显 在模拟的六家医院数据上（数据量和疾病流行率不均），FedPref 相比各站点独立训练，将**客户端平均 F1 提升 2.49 个点**，**最差站点 F1 提升 9.10 个点**，且数据最少的站点提升幅度最大。相比之下，若将偏好数据集中训练，客户端平均 F1 仅比 FedPref 高 2.66 个点。 在锁定的 400 份人工验证黄金测试集上，FedPref 达到 **68.68 F1**，集中训练为 71.67，两者性能排序一致。这表明 FedPref 在不共享数据的前提下，几乎达到了集中训练的效果，尤其对资源匮乏的机构意义重大。 ## 意义与展望 FedPref 提供了一种**隐私保护下的协作范式**，尤其适用于医疗等敏感领域。它表明，即使数据分布极不均衡，通过偏好学习和联邦机制，也能有效提升结构化信息提取的准确性。未来，该方法或可扩展至其他类型的临床文本，甚至非医疗领域，为跨机构协作开辟新路径。
**AI 在数学研究中正扮演越来越重要的角色，但真正的瓶颈或许不在推理能力，而在于如何选择问题和分配稀缺的专家注意力。** 一篇由卡内基梅隆大学和匹兹堡大学研究者联合发表的论文《The Problem Is the Problem: Towards Scalable Mathematical Discovery》提出了一个全新的人机协作范式，试图破解这一难题。 ## 从“选问题”到“定方向”：人机分工的再思考 当前大多数 AI 辅助数学研究的流程中，人类专家的精力集中在两个环节：最初的问题选择和最终的结果审查。然而，随着 AI 推理能力增强，这两个环节正成为新的瓶颈——选择一个有价值且可解的问题需要深厚的领域知识，而审查大量 AI 生成的结果同样耗费专家时间。论文作者认为，与其让人类预先指定一个具体问题，不如让专家提供一个**研究方向**，由 AI 系统在该方向下自动搜索和筛选候选问题。 ## FAR 系统：文献到审查的自动化级联 基于这一思路，研究团队构建了 **Find, Attempt, and Recommend (FAR)** 系统，它模仿搜索和推荐系统的逻辑，构建了一个从文献到审查的自动化流水线。系统首先在广泛的文献库中搜索与研究方向相关的论文，提取其中的猜想和开放问题，然后通过多阶段过滤，将海量信息缩减为少量值得专家关注的对象。 在组合学试点中，FAR 系统从 **5,245 篇组合学论文**中识别出 **6,453 个候选猜想或开放问题**，经过筛选后留下 **4,717 个表述清晰且仍未解决的问题**。随后，系统通过推理和自动分诊，筛选出 **598 个潜在可解的结果**，最终挑选 **77 个**提交给作者团队进行人工审查。 ## 发现多个重要数学结果 尽管最终审查的项目数量不多，但其中包含多个重要发现，涉及 **Davies–Jenssen–Perkins–Roberts**、**Erdős–Straus**、**Ikenmeyer–Pak–Panova** 以及 **Lund–Saraf–Wolf** 等人的猜想和问题。这些结果证明了这种新的人机协作模式在数学发现中的有效性。 ## 启示：AI 与数学家协作的未来 这项研究的核心启示在于，**AI 辅助数学发现的关键不仅是让 AI 更聪明，更是让人类更高效地利用自己的判断力**。通过将问题选择自动化，专家可以将精力集中在真正需要人类洞察力的环节，如验证新结果的意义和探索新方向。 随着 AI 系统在数学推理上的能力不断提升，类似 FAR 的框架或将成为数学研究的标配工具，帮助数学家从海量信息中快速定位最有价值的问题。当然，这一范式仍处于早期阶段，其在不同数学分支的适用性、以及如何与数学家的工作流程深度融合，还有待进一步探索。
**SkillEffect** 是一篇来自 arXiv 的新论文（编号 2608.17007），提出了一种名为 **SkillEffect** 的检查式降级运行时，旨在解决语言模型在实例化智能体技能（Agent Skills）时可能产生的内存超限问题。 ### 问题背景 随着大语言模型（LLM）驱动的智能体（Agent）越来越多地调用外部工具，模型需要将技能描述转化为具体程序。然而，即使程序逻辑正确，也可能因为加载整个输入数据而超出单次工具调用的内存限制。例如，处理大型电子表格或数据集时，一次操作可能尝试将整个文件读入内存，导致崩溃或性能下降。 ### SkillEffect 的核心机制 SkillEffect 采用 **检查式降级（checked lowering）** 架构，在授予执行权限之前，由一个独立的检查器根据提交的程序和不可变输入重建每个降级过程。其关键组件包括： - **可恢复源关系**：每个关系插件提供源识别器、输入事实提取器、有界 IR 构造器、arena 边界函数和后置条件。 - **共享运行时**：提供检查选择、有界虚拟机执行、原子容量租借和分阶段发布等通用机制。 - **插件化设计**：不同计算类型通过审计过的关系插件接入，而调度、资源控制、执行和发布机制则跨插件共享。 ### 实验结果 论文在六个操作符家族上进行了评估，结果显示有界访问显著降低了峰值内存使用，并提高了在外部固定容量下的任务完成率。此外，六个插件在五种执行模式（如流式归约、有界堆 Top-k）中实现了相同的契约。XLSX 接入研究和 Top-k 扩展表明，新关系和新的保留状态模式可以复用相同的信任边界，而检查器接受了所有评估的合法配置，并拒绝了所有对抗性提议。 ### 意义与展望 SkillEffect 展示了一种架构，可以在智能体工具分发时强制实施异构的注册内存关系。这为构建更可靠、更安全的 LLM 驱动的工具调用提供了新思路，尤其适用于资源受限的环境，如边缘设备或大型数据处理场景。未来的工作可能包括扩展更多关系插件，以及优化检查器的性能。
在人工智能与多智能体系统研究中，一个根本性的问题浮现：当智能体（agent）面临决策时，它应当依赖自身的记忆，还是依赖来自同伴的通信？近期一篇预印本论文《Memory Is Communication: The Frontier Between Remembering and Signaling》（arXiv:2608.17053）提出了一个统一框架来探索这一权衡，并引入了“记住-信号前沿”（remembering–signaling frontier）的概念。 该研究由Yashar Talebirad、Eden Redman、Ali Parsaee和Osmar R. Zaiane等学者合作完成，将记忆和通信视为信息预算的两种替代途径。在资源受限的情况下，智能体需要决定如何分配其信息预算，以达到特定的性能阈值。论文指出，对于给定的任务和决策规则，能够达到性能阈值的记忆-消息速率对构成一个“可实现区域”，其高效边界即为“记住-信号前沿”。 **核心假设**：当历史信息能够带来更大的损失减少时，智能体对同伴通信的需求会更低。换句话说，如果记忆能够更有效地帮助智能体预测任务结果，那么它就不太需要依赖同伴的消息。这一假设在初步的指称游戏（referential games）中得到了部分验证：当目标重复出现时，成功的消息通常更短；然而，当历史遵循一个隐藏的循环规则时，消息长度并未缩短。这表明，并非所有可预测性都能减少通信需求，只有那些通过记忆能够直接降低任务损失的信息才具有这种效果。 这一研究的意义在于，它试图连接认知科学中的记忆研究与多智能体通信研究，为设计更高效的协作AI系统提供理论基础。在实际应用中，例如在分布式传感器网络或机器人团队中，如果每个智能体能够更好地利用自己的历史数据，那么它们之间的通信开销就可以大幅降低，从而节省带宽和能量。 然而，目前的研究仍处于初步阶段，实验结果仅基于简单的指称游戏，且尚未大规模验证。论文作者也承认，需要更多实验来估计不同任务下的“记住-信号前沿”，并检验其假设是否适用于更复杂的协作场景。 **未来方向**：该框架为后续研究开辟了多条路径。例如，可以探索在更复杂的多智能体环境中，记忆与通信之间的动态权衡；或者将信息论方法引入，以量化记忆和通信的相互替代性。此外，实际应用中的智能体往往面临非平稳环境，记忆可能过时，通信可能延迟，这些因素如何影响前沿形状也是值得研究的问题。 总体而言，这篇论文提供了一个新颖的视角，将记忆和通信统一在信息预算的框架下，为理解智能体的信息处理策略提供了新的理论基础。尽管尚需更多实证支持，但其思想对于设计资源受限的协作AI系统具有启发意义。
arXiv:2608.17067v1 Announce Type: new Abstract: As text-to-image generative models advance, they raise critical safety concerns, particularly the generation of Not-Safe-For-Work (NSFW) content such as violence and nudity, further exacerbated by red-teaming adversarial attacks. Existing defenses predominantly operate under white-box assumptions, relying on text encoder optimization, weight editing, or inference-time intervention, and fundamentally cannot scale to proprietary models. Black-box alt
道路安全管理长期以来处于被动状态，通常依赖事故记录，在伤亡发生后才进行分析。然而，在事故发生前主动识别高风险路段和危险驾驶行为，是亟待解决的关键挑战。近期，一篇提交至ATRF 2026会议的论文，探讨了如何利用澳大利亚悉尼大都会区的联网车辆遥测数据，检测并预测接近事故的危险驾驶事件，为主动干预提供了新思路。 ## 研究核心：量化危险驾驶与构建热点图 研究团队通过**g力阈值**来量化危险驾驶行为，包括急刹车（>0.6g）、急转弯（>0.47g）和急加速（>0.5g）。他们基于这些事件构建了**时空热力图**，以识别高风险区域。研究以地方政府区域（LGA）为粒度，聚焦于悉尼内城区和西部的CBD、Parramatta、Bankstown等地区，这些区域被持续标记为高风险区，需要针对性的政策干预。 ## 模型对比：简单时间序列模型胜出 为了预测高风险驾驶事件，研究者比较了八个预测模型，涵盖三大类：集成学习（随机森林、XGBoost、LightGBM）、深度学习（LSTM、N-BEATS）和经典时间序列方法（ARIMA、指数平滑、Prophet）。结果显示，**ARIMA模型表现最佳，平均绝对误差（MAE）为162.21**，与LSTM（MAE 163.92）接近，且优于所有集成方法。N-BEATS的MAE为180.75。这表明，在训练数据量有限的情况下，**简约的时间序列模型能够与深度学习模型相抗衡**，甚至更优。 ## 意义与展望：物联网数据驱动的主动安全 该研究凸显了基于物联网的联网车辆数据在支持**主动道路安全干预**方面的潜力。通过实时监测和预测高风险驾驶事件，交通管理部门可以提前部署资源，如加强巡逻或调整信号灯配时，从而减少事故发生率。未来，随着联网车辆数据的普及和模型的优化，这种主动安全策略有望在更广泛的区域推广，真正实现从“事后应对”到“事前预防”的转变。 尽管研究尚处于初步阶段，但它为道路安全监测提供了新的视角，证明了数据驱动方法在公共安全领域的应用价值。
在物理信息机器学习（PIML）领域，一个长期困扰研究者的问题是：当混合偏微分方程（PDE）参数估计器假设的算子不正确时，我们能否仅从一次拟合中检测出来，并进一步将其与参数不可识别性区分开？最新研究提出了一种无需参考（reference-free）的检测工具，仅凭单次拟合即可实现这一目标，为模型验证提供了新思路。 该工具的核心是一个基于信息矩阵的统计量，它利用插件尺度和每种子参数，在正确设定的情况下，其中位数仅为0.19，拒绝率为0.033，远低于预注册的0.10阈值。然而，在两种误设情形下，该统计量分别飙升至224和85，并在所有重复试验中触发警报。更关键的是，在正确设定但参数不可识别的设计中，该统计量保持沉默（n=200时为0.050，Clopper-Pearson置信区间[0.024, 0.090]），而秩统计量则在预注册边界c5*=2.15×10^-3处崩溃为零。因此，通过一次拟合的两种读数，研究者能够在三种设计中区分误设与不可识别性，这正是该工作的核心贡献。 作者强调，检测本身并非新鲜事物，但区分两种失败模式才是关键。在样本内，该工具提供的是界限；在样本外，则指示方向。研究指出，常用的精度检查往往对误设视而不见：误设估计器的域内均方根误差（RMSE）为2.7×10^-2，低于σ≥0.05时的观测噪声，而系数在零噪声时误差达29.7%，在最大噪声时达31.2%。这表明，仅凭预测精度无法捕捉模型错误。 此外，研究排除了架构因素：单参数曲线拟合、裸参数以及49和241参数的多层感知机均收敛到相同的伪真值（闭合形式匹配度达0.07%），而物理信息网络因其复合目标函数，收敛到不同的解。这进一步说明误设是本质性的，而非网络容量不足。 作者还报告了工具的盲区，包括一个预注册的负面结果：在恢复任务中，神经网络估计器败给了Tikhonov正则化反演。同时，他们给出了保证成立但训练网络违反该保证的假设条件。 这项研究为混合PDE参数学习提供了实用的诊断工具，有助于提高模型的可信度，并可能推动PIML在科学计算中的更广泛应用。
在大语言模型（LLM）的后训练阶段，监督微调（SFT）是提升模型任务能力的关键环节。然而，面对海量的候选数据，如何筛选出少量高质量样本，在降低训练成本的同时保持甚至提升模型性能，一直是业界关注的焦点。传统的做法往往将数据价值视为静态属性，忽略了数据与目标模型能力分布之间的兼容性。针对这一痛点，来自多所高校和科研机构的研究团队提出了一种名为 **Data-DPO** 的新方法，旨在实现面向目标模型的数据选择，相关论文已提交至 arXiv（编号：2608.16926）。 ## 核心思路：从静态评估到动态适配 Data-DPO 的核心理念是：**数据价值并非一成不变，而是相对于特定模型而存在**。同一份数据，对于能力较强的模型可能价值有限，但对于能力较弱的模型则可能是宝贵的训练素材。因此，数据选择应当充分考虑目标模型的当前能力状态。 具体而言，Data-DPO 通过**一步探针**（one-step probing）机制，观察目标模型在不同样本上的局部训练反馈，将样本间的激活差异转化为成对的数据偏好（pairwise data preferences）。随后，训练一个轻量级的奖励模型，来学习这种“目标模型感知”的数据偏好。在最终选择阶段，Data-DPO 综合了目标模型偏好、外部质量评分以及边际多样性（marginal diversity），构建出更为稳定且有效的训练子集。 ## 实验验证：超越现有基线 研究团队在 **Vision-Flan** 和 **LLaVA-CoT** 两个数据集上进行了实验，结果显示 Data-DPO 在多种数据预算下均一致优于现有的数据选择基线，并且能够稳定超越使用全部数据进行训练的性能。这意味着 Data-DPO 不仅能够降低训练成本，还能带来性能上的提升，为 LLM 后训练的数据工程提供了新的思路。 ## 行业意义：从“数据越多越好”到“精准匹配” 这一研究的价值在于，它打破了传统“数据越多越好”的直觉，强调了数据与模型之间的动态匹配关系。在实际应用中，不同厂商的模型架构、预训练数据分布各不相同，对微调数据的需求也存在差异。Data-DPO 提供了一种可定制的数据选择方案，有望帮助企业更高效地利用数据资源，加速模型迭代。 ## 局限与展望 尽管实验结果令人鼓舞，但该研究仍处于预印本阶段，尚未经过同行评审。此外，方法的计算开销（如探针训练和奖励模型训练）以及在不同规模模型上的泛化能力，仍需进一步验证。未来，团队计划探索如何将 Data-DPO 扩展到更大规模的模型和更多样的任务场景，并尝试与数据合成技术结合，进一步提升数据利用效率。 总之，Data-DPO 为 LLM 后训练中的数据选择问题提供了一个新颖的视角，其“目标模型导向”的设计理念值得关注。随着大模型应用日益普及，数据工程的精细化将成为决定模型性能的关键因素之一。
随着监督微调数据规模的不断扩大，如何从庞大的候选池中筛选出高价值子集，已成为降低训练成本、提升模型性能的关键挑战。现有的数据选择方法通常直接在原始嵌入空间中度量数据多样性，但这种方式容易将主导语义方向、细粒度监督差异和局部噪声纠缠在一起，导致选择结果不够精准。 针对这一问题，来自上海交通大学等机构的研究团队提出了一种名为 **MASS** 的新方法，将数据选择形式化为**从粗到细的分层覆盖问题**。MASS 首先利用密集自编码器学习低维主流形坐标，实现粗粒度的语义分组；随后在每个组内，借助 TopK 稀疏自编码器进行质量感知的稀疏特征覆盖。这种设计既保留了全局语义结构，又兼顾了局部细节特征，从而更有效地挑选出代表性数据。 在 **Vision Flan** 和 **LLaVA-CoT** 两个基准上的实验表明，MASS 在多种数据预算下均稳定优于现有的强基线方法，并且在某些设置下，仅使用少量数据子集就能达到甚至超越全量数据训练的效果。这一结果意味着，MASS 有望显著降低 LLM 后训练的数据需求，为高效微调提供新的思路。 ## 方法核心 MASS 的流程分为两个阶段： 1. **粗粒度语义分组**：通过密集自编码器将高维嵌入压缩到低维主流形空间，利用几何结构进行语义聚类，避免原始空间中噪声的干扰。 2. **细粒度稀疏覆盖**：在每个语义组内，使用 TopK 稀疏自编码器提取稀疏特征，并基于质量感知的覆盖策略选择数据点，确保所选子集能充分代表组内的多样性。 这种分层设计使得 MASS 既能把握全局语义，又能捕捉局部关键特征，从而在数据选择上实现更好的平衡。 ## 实验亮点 在 Vision Flan 数据集上，MASS 在 10%、25%、50% 等不同数据预算下，均取得了比随机选择、核心集选择等基线更高的下游任务准确率。在 LLaVA-CoT 上，MASS 同样表现出色，甚至在 25% 数据预算下就超过了全量微调的效果。这些结果凸显了 MASS 在数据效率上的巨大潜力。 ## 意义与展望 这项研究为 LLM 后训练的数据选择提供了新的视角。通过引入分层覆盖和稀疏特征，MASS 有效解决了传统方法在嵌入空间中度量多样性的局限。未来，该方法有望扩展到更多模态和更大规模的数据集，进一步推动高效训练的发展。
在组织文档管理中，自动敏感度分类是一项关键但常被忽视的任务。分类错误可能导致监管违规或安全漏洞。尽管基于AI的方法为人工审查提供了可扩展的替代方案，但其可靠性高度依赖于训练数据的完整性。然而，该领域普遍存在一个被低估的问题——标签泄漏：文档中残留的分类标记使得模型能够利用表面捷径而非学习真正的内容信号，从而产生虚高且不可靠的性能评估。 针对这一问题，研究人员提出了**Strategic 16K**，一个精心构建的、控制泄漏的语料库，包含来自维基解密美国外交电文库（PlusD）的**16,000份外交电文**。他们系统性地评估了六种模型架构，涵盖经典机器学习和基于Transformer的方法。通过扩展的泄漏移除协议，他们识别并消除了三类残留分类标记。在干净的基准测试上，**BERT表现最佳**（准确率89.14%，F1分数89.33%），其次是**ELECTRA**（准确率88.57%，F1分数88.90%）。在经典模型中，**TF-IDF结合逻辑回归**以显著更低的计算成本取得了最强性能。 这些结果构成了首个在明确泄漏控制条件下从WikiLeaks PlusD构建的可完全复现的敏感度分类基准。 ## 背景与挑战 组织文档的敏感度分类是信息安全的重要防线，但传统人工审查成本高昂且效率低下。AI模型的应用虽能提供规模化解决方案，却面临一个隐蔽的陷阱：训练数据中的标签泄漏。如果文档中残留了分类标记（如“机密”字样），模型可能会依赖这些表面线索，而非学习文档内容的语义特征，导致在真实场景中性能大幅下降。 ## 研究方法 研究团队从WikiLeaks PlusD中选取了16,000份外交电文，构建了Strategic 16K语料库。他们设计了一套严格的泄漏移除协议，系统性地识别并清除了三类标记：格式标记、元数据标记和内容中的分类词汇。随后，他们对比了六种模型：经典方法包括TF-IDF与逻辑回归、朴素贝叶斯和支持向量机；深度学习方法包括BERT、ELECTRA和RoBERTa。 ## 主要发现 在清理后的基准上，BERT和ELECTRA展现了优越性，但经典模型也表现出色。TF-IDF与逻辑回归的组合在准确率和F1分数上接近最佳深度模型，却无需GPU训练，推理速度更快，资源消耗更低。这提示我们，在资源受限的场景下，经典模型仍具竞争力。 ## 意义与展望 这项研究不仅提供了首个可复现的泄漏控制基准，还强调了数据质量在AI系统中的重要性。它提醒我们，模型性能的评估必须建立在干净的数据之上，否则可能会误导实际部署决策。未来，如何将泄漏检测自动化，以及如何在更广泛的文档类型上验证这些发现，将是值得探索的方向。
## 日级建模：从静态快照到动态轨迹 医院再入院率是衡量医疗质量与资源调配效率的关键指标。传统预测模型通常将住院期间的复杂病史压缩为固定表征，忽视了反映患者生理状态演变的日级临床信号。针对这一局限，来自韩国的研究团队在 MICCAI 2026 MultiTab Workshop 上提出了 **Mr.Dec**（Multimodal Readmission-risk prediction Decoder），一种以日为单位、融合多模态数据的再入院风险预测模型。 ## 核心设计：时间对齐的多模态事件流 Mr.Dec 的核心创新在于将每次住院视为一个**按时间顺序排列的日级多模态事件序列**。模型通过 Transformer 解码器架构，将电子健康记录（EHR）的每日更新与间歇性胸部 X 光片（CXR）发现整合到同一时间对齐的数据流中，模拟真实临床工作流程。这种设计避免了传统方法中因固定时间窗口压缩而丢失的细节，使模型能够捕捉患者每日的病情变化轨迹。 ## 技术亮点：对比学习增强稳健性 为了提升模型的鲁棒性，Mr.Dec 引入了**疾病特异性监督对比学习**作为辅助正则化手段。该机制在潜在空间中诱导出诊断感知的结构，帮助模型更好地区分不同疾病类型的再入院风险模式，从而增强泛化能力。 ## 实验结果与临床价值 在 MIMIC-IV 和 MIMIC-CXR 数据集上的评估显示，Mr.Dec 达到了**最先进的性能**，验证了保留临床序列完整性的有效性。此外，模型还能识别住院期间的“**关键日**”，为实时风险分层提供可操作的临床解释。这一功能有望帮助医护人员在患者住院过程中及时干预，降低再入院风险。 ## 展望 Mr.Dec 为医疗 AI 提供了一个新思路：**从静态快照转向动态轨迹建模**。未来，该框架或可扩展至其他时间敏感型临床预测任务，如脓毒症早期预警或术后并发症监测。不过，当前研究仍基于公开数据集，实际临床部署还需考虑多中心验证与模型可解释性等挑战。
多任务学习（MTL）旨在通过共享表示同时解决多个相关任务，以提升效率和泛化能力。然而，现有方法在模型容量调整上存在局限：要么依赖硬共享或固定结构，要么需要预设多个路径或专家，要么根据任务边界或冲突信号进行动态扩展。这些方法往往受限于预定义结构，或需要人工干预，无法真正实现按需生长。 针对这一痛点，来自北京农业信息技术研究中心、西北工业大学等机构的研究者提出了**EMAN**（Emergent Modular Atomic Network，涌现模块化原子网络）框架，探索一个根本性问题：**网络能否从单路径计算出发，仅在出现持续优化证据时，才生长出新的独立路径？** EMAN 的核心创新在于，它通过潜在相对相位（latent relative phases）暴露了一个反对称生长方向（antisymmetric growth direction），从而在不实例化第二条路径的情况下，持续监测多个决策信号，将局部的优化证据转化为结构决策。只有当证据充分（即通过认证）后，EMAN 才会实际物化出两条等容量的独立路径，并自适应地分配共享与任务专属的表示容量。 实验方面，研究团队在受控秩设置、**PASCAL-Context** 和 **NYUv2** 数据集上进行了广泛验证。结果显示，EMAN 能以具有竞争力的计算成本取得更优性能，证明了其有效性。 这项工作的意义不仅在于提出了一种新的 MTL 架构，更在于提供了一种**优化驱动的容量增长范式**：容量变化不再依赖人工预设，而是由训练过程中的优化信号自然触发。这为多任务学习乃至更广泛的动态神经网络设计提供了新思路。 当然，EMAN 仍面临一些挑战，例如如何准确判断“持续优化证据”，以及如何避免过早或过晚地生长路径。未来，这一框架有望与神经架构搜索、持续学习等方向结合，推动模型向更自主、更高效的方向演进。
脑电图（EEG）基础模型通过在大规模异质神经记录上学习可复用表示，已成为EEG解码的一种有前景的范式。然而，公开释放EEG基础编码器虽促进了下游开发，却也引入了此前未被探索的安全风险：公开可用的表示可能使私有下游模型变得脆弱。本文研究在公共编码器和私有下游设置下的对抗迁移攻击，其中攻击者可白盒访问已发布的编码器和小型任务匹配的标记参考集，但无法访问或查询受害者的参数、输出或梯度。 我们提出了收缩-白化代理交叉熵（SW-ProxyCE），一种免查询的任务感知攻击框架，通过收缩-白化的类原型从小型标记参考集中恢复任务级决策几何，从而无需训练额外代理分类器即可生成可迁移的对抗样本。我们在三个EEG任务上评估了SW-ProxyCE，使用三个通用基础编码器和一个范式特定预训练编码器，覆盖了跨受试者和受试者内场景下的线性探测和全微调下游模型。结果表明，从公共编码器和有限标记参考生成的对抗样本能有效迁移至不可访问的下游模型。SW-ProxyCE始终优于任务无关的表示偏移攻击，揭示EEG基础模型的强迁移性并不必然带来对抗鲁棒性。代码将在GitHub上提供。 ## 背景与动机 EEG基础模型的开放发布促进了社区发展，但也引入了新的攻击面。攻击者可能利用公开编码器生成对抗样本，攻击下游私有模型，而无需任何查询。这种攻击方式在现实场景中具有可行性，因为许多部署模型基于公开编码器进行微调。 ## 方法：SW-ProxyCE SW-ProxyCE的核心创新在于利用收缩-白化类原型来近似任务决策边界，从而在无查询条件下生成可迁移的对抗扰动。该方法无需训练额外的代理分类器，降低了攻击成本，同时保持了攻击有效性。 ## 实验与结果 实验覆盖多个EEG任务和多种编码器架构，结果一致表明SW-ProxyCE生成的对抗样本能有效攻击私有下游模型，且性能优于现有方法。这提示基础模型的迁移性可能被恶意利用，需引起重视。 ## 总结与展望 本研究首次系统探讨了EEG基础模型的安全风险，提出了高效的攻击方法，并呼吁社区关注模型的鲁棒性。未来工作可探索防御策略，如对抗训练或模型净化，以增强EEG基础模型部署的安全性。
自今年2月在美国启动试点以来，OpenAI的ChatGPT广告业务在短短六个月内迅速扩展，如今正式登陆欧洲31个市场。这一举措不仅标志着OpenAI商业化战略的重要里程碑，也为全球广告主提供了触达用户决策时刻的新渠道。 ## 欧洲市场的全面铺开 从下周开始，**德国、法国、西班牙、意大利、瑞典、挪威、丹麦、荷兰和奥地利**等31个欧洲国家的广告主将能够通过OpenAI广告解决方案团队、代理合作伙伴和技术合作伙伴接入ChatGPT Ads。自助服务功能将于今年夏季晚些时候通过Ads Manager推出。 ## 广告投放的定位与原则 OpenAI强调，广告将仅向**Free和Go计划的用户**展示，而**Plus、Pro和Enterprise订阅用户**则继续享受无广告体验。这一设计旨在平衡商业化与用户体验，同时支持OpenAI“让最优AI普惠大众”的使命。 广告投放遵循OpenAI的广告原则：**对话内容对广告主保持私密，绝不售卖用户数据**；广告明确标注并与AI回答分离，不影响ChatGPT的回复质量。用户还可控制个性化广告，或选择付费无广告方案。 ## 决策时刻的价值挖掘 OpenAI认为，用户带着明确目标使用ChatGPT，如规划旅行、选择商业软件、装修房屋或学习新知识。与传统搜索引擎的关键词输入不同，用户会以自然语言描述需求、偏好和限制。这为广告主提供了在用户**探索、比较和决策**的完整旅程中精准触达的机会，使广告真正“有用”。 ## 全球广告平台的加速构建 从2月的美国试点到如今的欧洲31国，OpenAI在半年内将广告市场扩展至**39个国家和地区**，这是其迄今最大规模的一次扩张。这一速度显示出OpenAI对广告业务的战略重视，也预示着AI原生广告平台的全球布局正在加速。 ## 未来展望 随着AI对话式交互成为用户获取信息和做出决策的重要入口，ChatGPT Ads有望重塑数字广告的形态。然而，如何在商业变现与用户信任之间保持平衡，仍是OpenAI持续面临的挑战。欧洲市场的反馈将为后续全球扩展提供宝贵经验。