已验证来源
每个故事都链接到最有力的可用证据：可用的原始来源，否则明确归因的报告。
简单的英语
发生了什么、为什么重要以及值得关注的内容——无需行话。
无填料
当信号很弱时，我们不会发布任何内容，而是填充提要。
更多故事
9 故事创新
FinRCA-Bench 发现金融人工智能诊断在很大程度上取决于证据检索
新的 arXiv 基准报告显示，仅更改检索方法即可将固定模型在财务调节案例上的准确率从 2.05% 提高到 72.44%。研究还发现，正确的根本原因标签通常并不意味着系统返回了足够的证据来进行可审核的诊断。arxiv.org创新
Abra 论文绘制了扩散图像训练中的计算和数据权衡
一项新的 arXiv 研究提出了跨计算预算从 10^19 到 10^22 FLOP 的文本到图像扩散模型的缩放律实验。它的作者报告说，图像模型每个参数需要比语言模型更多的数据才能有效训练。arxiv.org创新
Delta2Gamma 报告使用 EEG 检测阿尔茨海默病的准确度为 92.4%
一篇新的 arXiv 论文描述了一种自我监督的脑电图方法，该方法报告在 ADFTD 队列中区分阿尔茨海默病和认知正常对照的准确度为 92.4%。arxiv.org创新
Agentic ESOpt 提出了针对长视野 AI 代理的低内存微调
arXiv 论文介绍了 Agentic ESOpt，这是一种提出的进化策略框架，用于使用推理级 GPU 内存微调长视野语言模型代理。作者报告了 Qwen-3.5-27B 在 WebArena-Lite 上的改进以及 36 个提示优化设置中的 28 个的改进。arxiv.org创新
论文提出 CSE 可以评估 MSE 之外的不规则时间序列预测
arXiv 的一篇论文认为，均方误差可能会误判不规则的时间序列预测，并提出了一种在合成、半合成和八个真实世界数据集上进行测试的连续时间度量。arxiv.org创新
Study proposes transfer-aware curriculum sampling for language-model training
An arXiv paper introduces Relative Transfer, a measure of how training examples at different difficulty levels affect one another, and proposes Transfer-aware Dynamic Curriculum Sampling for adapting training schedules during post-training.arxiv.org创新
Co-RL paper reports label-free reasoning gains from diverse model cohorts
An arXiv preprint describes Co-RL, a multi-agent reinforcement-learning framework in which separate models reward one another. The authors report gains across text-only and multimodal benchmarks without ground-truth labels, while acknowledging the risks of self-reinforcing errors and training collapse.arxiv.org创新
A proposed fine-tuning method allocates training effort across related tasks
A new arXiv paper proposes Task Specialization Fine-Tuning to allocate limited fine-tuning across related task regions. It reports improved task coverage in optimization, control, and LLM experiments, but gives no numerical results or independent validation.arxiv.org创新
SURE-Ridge proposes a faster way to infer causal graphs from limited data
Accepted to the 2026 Asilomar Conference, a paper proposes SURE-Ridge, a closed-form method for causal-graph estimation in equal-variance linear Gaussian models. Authors report lower small-sample structural error and fastest tested-baseline runtime; the source does not establish performance beyond these assumptions.arxiv.org