智能体网络里的信息级联可以预测了:单智能体响应必须带上它关注多少人
在由大语言模型驱动的智能体构成的社交网络上,一条帖子能否扩散取决于每个智能体看到多少关注对象已经转发。此前预测集体行为时,通常只测一条与关注人数无关的响应曲线,或在一个所有人彼此可见的大群体里测一次。把响应按关注人数分别测量后,再代入网络级联的平均场理论,就能复现完整大语言模型模拟的级联规模与引爆种子比例;忽略关注人数的响应则在度分布越不均匀的网络上错得越多。
在由大语言模型驱动的智能体构成的社交网络上,一条帖子能否扩散取决于每个智能体看到多少关注对象已经转发。此前预测集体行为时,通常只测一条与关注人数无关的响应曲线,或在一个所有人彼此可见的大群体里测一次。把响应按关注人数分别测量后,再代入网络级联的平均场理论,就能复现完整大语言模型模拟的级联规模与引爆种子比例;忽略关注人数的响应则在度分布越不均匀的网络上错得越多。
多模态模型能答题、能检索,但具体哪块图像与哪个词共同推高某个输出分数,此前难以量化。MultiSHAP用合作博弈论中的Shapley交互指数,在只能查询、不能读取参数或梯度的条件下,为每一对图像块与文本词元估计协同或抑制的二阶交互。在VQAv2的500个样本上,按该矩阵排序删除图像块使目标答案概率平均下降0.1720,而删除排名最低的图像块仅下降0.0032。
神经运动解码长期依赖侵入式采集的配对神经—行为记录,而无配对行为数据更便宜、更易扩展。BeeMO把行为解码器与神经编码器解耦:行为解码器先在行为轨迹上学习运动动力学,神经活动仅在可用时通过交叉注意力接入。在非人灵长类皮层内运动数据集上,加入6.5小时无配对行为数据后,BeeMO-POYO在随机目标到达任务上显著优于POYO,在等长腕任务上同样显著;仅用行为预训练的BeeMO-POYO可匹敌用32个会话神经数据预训练的POYO。
自闭症等神经发育障碍的脑连接差异长期靠病例—对照的组平均比较,个体差异被抹平。BRIDGE把图变分自编码器与规范建模结合,用1164名神经典型者的结构连接组学出一条随年龄变化的参照轨迹,再以脑龄差给出全局偏离分数、以区域嵌入给出个体化偏离图。在229名自闭症儿童中,男性患者的全局分数与ADOS(Spearman R=−0.291)和IQ(Pearson R=0.195)相关,脑龄预测误差比同类深度学习模型低3%–9%。
在49部真实电影及其预告片构建的四类剪辑任务上,同一套GRPO训练里,把LLM评判的回合级过程奖励权重衰减到零,使Fine Cut任务相对仅用结果奖励的GRPO取得45.4%的相对提升,而固定权重版本在三个较短任务上低于仅结果奖励,并出现44.1%的回合被截断。过程奖励早期确实鼓励了看图与推理,但持续优化会让智能体反复调用工具而不提交成品;令牌级的在线自蒸馏则对教师可见的特权信息高度敏感。
脑龄模型多在北半球数据上训练,直接用于尼日利亚成人会失准。研究者用309名尼日利亚成人的临床T1加权MRI训练了一个人群特异的高斯过程回归模型,在47人留出测试集上未做年龄偏差校正时平均绝对误差为9.82年;在44人共同对照集上,该模型为10.24年,PyBrainAge为10.52年、SynthBA为12.33年、ENIGMA-Brain Age为17.51年,SPARROW为7.87年。校正后内部测试集误差为6.39年,但在另一独立尼日利亚队列上升至8.78年,且所有模型在该队列的决定系数均为负。
连续比特流扩散把图像、语音和蛋白质都写成二进制码,用同一套训练与采样协议在语音—文本上做到联合生成词错率3.5%,蛋白质生成序列—结构对的折叠级一致率在正文与结论中分别报为75%和69%。
在五个开放权重模型里,图事实不变、只换任务指令,同一批注意力头对下游的影响模式就重新分布;在Gemma-2-9B和Qwen3-14B中,改动一处早期内部激活向量就能让模型改读另一条事实,而书面指令和权重都不动。
SAM3在13个数据集、11类病灶上以文本或图像范例作为概念提示完成分割,在10个数据集上Dice优于SAM2,其中ISLES22提高4.41、ISIC2018提高5.39。
面向生产AI系统的演化优化不再只从搜索前沿挑一个候选、依据其失败做一次改写。CoCoEvolve让一个智能改写器从整段演化历史中挑选证据,并在提出改动前探测运行中的系统。在DABStep上,它的留出硬题准确率为92.8%,同一条件下Meta-Harness为78.4%、GEPA为30.4%;在data-eng-bench上把测试集解决率从59.1%提到77.4%,超过73.6%的最佳基线。