🤖 AI资讯日报

探讨基础业务如何比AI炒作周期更持久，强调务实商业模式的重要性。

讨论当前AI算法的实际应用痛点，反映技术落地挑战。

探讨AI进展速度是否呈指数级增长，涉及技术发展预测。

分析NLP、AI、ML和机器人技术是短暂趋势还是长期变革力量。

讨论纽约地方法律144对AI的影响，关注法规合规问题。

介绍MIT非AI许可证，涉及AI软件许可的法律框架。

The AI Crackpot Index

征集学习AI的阅读材料建议，反映社区知识共享需求。

谷歌招聘Common Lisp与机器学习实习生，显示企业对多样化技术栈的需求。

生物信息学职位讨论，体现AI在生命科学领域的应用需求。

初创企业通过书籍销售筹集资金，展示AI领域的创新融资模式。

宣传AI领域新星Chris Clark，带有炒作性质的个人推广内容。

提出混合深度注意力机制，通过让注意力头同时关注当前层和前序层信息，有效缓解深层LLM信号衰减问题，以极低计算开销提升模型性能。

Existing behavioral alignment techniques for Large Language Models (LLMs) often neglect the discrepancy between surface compliance and internal unaligned representations, leaving LLMs vulnerable to long-tail risks. More crucially, we posit that LLMs possess an inherent state of moral indifference due to compressing distinct moral concepts into uniform probability distributions. We verify and remedy this indifference in LLMs' latent representations, utilizing 251k moral vectors constructed upon Prototype Theory and the Social-Chemistry-101 dataset. Firstly, our analysis across 23 models reveals that current LLMs fail to represent the distinction between opposed moral categories and fine-grained typicality gradients within these categories; notably, neither model scaling, architecture, nor explicit alignment reshapes this indifference. We then employ Sparse Autoencoders on Qwen3-8B, isolate mono-semantic moral features, and targetedly reconstruct their topological relationships to align with ground-truth moral vectors. This representational alignment naturally improves moral reasoning and granularity, achieving a 75% pairwise win-rate on the independent adversarial Flames benchmark. Finally, we elaborate on the remedial nature of current intervention methods from an experientialist philosophy, arguing that endogenously aligned AI might require a transformation from post-hoc corrections to proactive cultivation.

提出PRIMO R1框架，利用强化学习将视频MLLM从被动观察者转变为主动评判者，显著提升长时程机器人操作中的过程推理与监控能力。

实证研究表明，当前反事实解释的算法评估指标与人类对解释质量的感知关联性弱，强调需要更以人为中心的评估方法。

推出首个完全开源的搜索智能体OpenSeeker，通过创新的数据合成方法，仅用少量样本即达到前沿性能，旨在促进该领域研究的民主化与透明化。

推出基于宝可梦游戏的大规模决策基准PokeAgent，包含对战与速通两条赛道，旨在推动AI在部分可观测、博弈论推理和长时程规划方面的研究。

提出InterveneBench基准，用于评估LLMs在真实社会系统中进行干预推理和因果研究设计的能力，并开发多智能体框架STRIDES以提升性能。

提出一种将心理视为智能体操作系统的认知架构概念，并给出其计算形式化，旨在通过经验学习构建考虑需求的通用人工智能系统。

提出用于模拟极紫外光刻掩模衍射的物理信息神经网络与神经算子方法，特别是新型混合波导神经算子，在保证精度的同时大幅提升计算效率。

研究LLMs在生成选择题干扰项时模拟学生错误推理的能力，发现其过程与最佳实践高度一致，且提供正确答案能显著提升生成质量。

提出Lore协议，将Git提交消息重构为包含决策背景、约束和替代方案的结构化知识记录，以应对AI编程时代机构知识流失的挑战。

提出DOT算法，通过动态选择关键调优参数和在线采样进行贝叶斯优化，实现数据库自动调优，在保证性能的同时大幅降低调优开销。