多智能体系统不再一套流程打天下:OOPMAS按单条查询生成智能体与工作流,混合任务准确率89.6%
多智能体系统的自动设计此前多在任务层面进行,为整个基准优化一套固定工作流并统一套用到所有查询。OOPMAS把设计粒度降到单条查询:冻结的大模型作为元智能体,先按查询生成带角色、工具和持久状态的对象式智能体,再生成可执行的主函数工作流,并用动态技能库从执行反馈中积累结构化经验、无需梯度更新。在混合代码、数学与问答的基准上,OOPMAS取得89.6%总体准确率,比最强基线ADAS高18.1个百分点。
多智能体系统的自动设计此前多在任务层面进行,为整个基准优化一套固定工作流并统一套用到所有查询。OOPMAS把设计粒度降到单条查询:冻结的大模型作为元智能体,先按查询生成带角色、工具和持久状态的对象式智能体,再生成可执行的主函数工作流,并用动态技能库从执行反馈中积累结构化经验、无需梯度更新。在混合代码、数学与问答的基准上,OOPMAS取得89.6%总体准确率,比最强基线ADAS高18.1个百分点。
把 SAM 3 的图像编码器权重量化到 4 比特、激活保持 8 比特后,模型常出现“提示对齐漂移”:掩码看着合理,却圈错目标或在视频中丢失同一对象。SPQ 在离线校准阶段给影响文本概念分数的参数更高权重、约束低方差残差方向上的特征误差,并用成对视频推演估计记忆接口的均值偏移后折入已有偏置。在 W4A8 设置下,RefCOCO Pr@0.5 由 PTQ4SAM 的 42.1 升到 72.5,同时保留 54.8 COCO mask AP,推理图不增加算子。
深度网络在模加法任务上会先记住训练集、很久之后才突然泛化,这一现象被称为grokking。研究把训练轮次当作温度、权重衰减当作外场,用损失对每个神经元范数的二阶导数构造神经元之间的耦合,再按耦合图的Fiedler向量把神经元排成一维链,从而在原本没有空间结构的隐层上执行实空间重整化群。由这条链上的分块映射得到的五个临界指数,与从30次独立训练轨迹直接拟合的值相差1%–10%。
研究者测试了一种动态调幅(dAM)包络跟随反应(EFR),用单一简短刺激扫过整个调制频谱,在组织学证实存在耳蜗神经退化(CND)的蒙古沙鼠中显示出快速调制速率下的选择性缺陷而无阈值升高,并用机器学习分类器高准确度区分年轻与中年动物,其最具信息量的特征(约400-500 Hz功率)与突触计数相关;该沙鼠训练的模型未经再训练即应用于56名人类听者,以高于随机的水平区分年龄组。
一项以近1500名逝者捐献脑组织、逾630万个单细胞核为对象的背外侧前额叶单核RNA测序图谱研究,连同配套的统计工具 Dreamlet,系统刻画了阿尔茨海默病等八种脑部疾病的细胞类型特异性转录变化,并报告了跨疾病的共性信号、AD 病程中的细胞组成改变以及微胶质细胞中 PTPRG 的显著上调。
该研究以脉络膜分割为原型任务,在80名受试者的6,076张OCT B扫描上系统比较标量无参考图像质量指标(BRISQUE、NIQE、PIQE、SNR、PSNR)、通用ImageNet预训练表征与视网膜基础模型作为任务特异性质量门控信号,发现标量指标与分割Dice相关性极弱(|r|<0.20),通用预训练表征线性探针ROC-AUC最高约0.77,而OCT特异性基础模型RETFound达到约0.81,且仅视网膜基础模型的嵌入空间在无监督K-Means下产生超过患者级置换零分布的按质量对齐聚类。
已读完全部报道