跳到主要内容
检索

Shanghai Jiao Tong University

70 篇关联报道

订阅更新
  1. arXiv

    Calpha让通用大模型自己决定折叠:单链结构均值TM-score达0.808,长链仍落后直接基线

    Calpha把蛋白质折叠接进通用对话模型:Qwen3.5-9B读取序列与ESM2残基特征,在收到折叠请求时输出<structure>标记,用自身残基隐藏状态驱动冻结的SimpleFold-3B结构头生成全原子坐标。在固定折叠请求下,该配置在FoldBench-334、CASP16域和CAMEO风格PDB集上的平均TM-score分别为0.808、0.635和0.900;但在300–600残基链上,三个集合的平均配对差值分别为−0.044、−0.160和−0.025,均低于直接ESM2→SimpleFold-3B基线。

  2. arXiv

    只看重建残差会漏掉漂移传感器:CLOSURE 另学一路通道互证,SMD 上 Aff-F1 达 88.13

    多变量时间序列异常检测长期依赖重建残差,但残差只说明一段观测能被还原,不说明各通道之间是否仍像正常时那样互相解释。CLOSURE 把可重建性与跨通道一致性拆成两个各自用正常数据训练的预测任务:一路用离散正常基记忆条件化的扩散重建器打分,另一路让每个通道只由其余通道预测,再用正常数据校准把两路分数合成。在 SMD、MSL、SMAP、SWaT、PSM 五个公开基准上,其 Aff-F1 均高于所列方法,其中 SMD 为 88.13。

  3. arXiv

    力觉世界模型拆开两件事来学:演示定目标,玩耍数据补接触响应,四类真机任务成功率最高到95%

    接触密集操作里,专家演示只覆盖成功路径,难以说明力如何随动作变化;无任务目标的玩耍数据记录了更广的接触动力学,却不对应任务目标。ForceWAM把“任务期望的运动与六轴力/力矩未来”交给力觉世界模型从演示中学习,把“哪些动作能实现这一未来”交给逆动力学模型从演示与玩耍数据共同学习,部署时用新测得的力反馈在两次世界模型更新之间反复修正动作。在力调节滑动、有扰动与无扰动的翻箱、套环放置四类真机条件下,完整系统成功率分别为85%、95%、85%、90%,均高于所列基线。

  4. arXiv

    同传不再切句等停顿:CRESiST用读写交错策略,无分段流式翻译只比有边界版本低1–2个COMET点

    CRESiST把大模型同声传译从“前缀追加”改成语音块与译文词交错的读写序列,使KV缓存可以整段复用,不再依赖语音活动检测切句。它用RNN-T作为Actor采样读写轨迹,由带Router与Refiner的Qwen2.5-omni-7B作为Critic给出语义一致性与时延奖励,再反向蒸馏回Actor。在MuST-C与ACL 60/60上,无分段流式结果比有oracle分段仅低1–2个COMET点。

  5. arXiv

    人形机器人踢球不再各管一段:SoccerBot用人类动作先验统一四项技能并零样本上真机

    人形机器人踢足球此前要么只覆盖少数技能,要么完全不用动作先验而动作生硬。SoccerBot把大规模人类足球动作捕捉数据蒸馏成一个结构化的隐式动作先验,让单一技能条件策略在同一个潜空间里学习移动、带球、停球和踢球。在Unitree G1上,该策略零样本迁移到真机,仿真中踢球与带球成功率分别为97.04%和89.88%,真机踢球方向误差从4.09度升到10.41度。

  6. arXiv

    智能体报信心会虚高:审计枢轴计分把分配收益算进转移,越界报告变少

    多智能体系统里,置信度一旦决定谁获得下游算力与决策权重,智能体就有动机虚报。审计枢轴计分机制(APSM)把平台控制的分配收益从转移中抵消,用逆倾向加权的稀疏审计核验结果,再收取 Clarke 枢轴外部性并叠加严格适当评分,使真实报告成为唯一期望效用最优回应。在无计算器实验中,Top-K 激励下智能体确实抬高置信度;在智能体本地效用接口辅助下,APSM 相对补偿式适当评分(CPS)取得更低的 Brier 损失和更少的截断越界,但 CPS 的精确分配匹配率更高。

  7. arXiv

    SWAM把视频先验接到机器人动作上:随机场景成功率61.56%,超过OpenWAM 12.86个百分点

    上海交通大学等机构构建约4.7万小时多源数据池,把预训练视频模型的语言—视频先验延伸到语言—视频—动作学习,形成世界动作模型SWAM。在RoboTwin 2.0的50个操作任务上,SWAM在随机化Hard设置下成功率为61.56%,比最强基线OpenWAM高12.86个百分点;在干净Easy设置下为88.10%,略低于OpenWAM的89.30%。真实双臂平台上,三个任务平均Hard成功率40.00%,OpenWAM为23.33%。

  8. arXiv

    酶与反应配对不再只靠序列相似:RIVER 用多智能体汇总证据,在 667 个候选蛋白中把四个目标酶全部排进前列

    RIVER 是一个无需训练的多智能体检索框架,把大语言模型、生化计算工具和外部知识库组织成可追溯的证据链,用于酶到反应和反应到酶的双向检索。在来自大肠杆菌代谢组学文献的四个实验支持的酶—反应案例中,它需要在 667 个候选蛋白里排序,使用 Qwen3.6-35B-A3B 时平均倒数排名为 0.833,使用 GPT-5.6 Luna 时为 0.750,均高于表中列出的通用编码智能体组合与领域方法。在公开基准上,它在 Enzyme-405 上的 Top-1 查询成功率为 82.3%,在 Orphan-335 上为 72.8%。

  9. bioRxiv

    细胞扰动预测不再依赖变量取值:RELAY只用共享变量关系,PBMC-3D上PDCorr达0.495

    细胞对扰动的响应由扰动身份、细胞类型、供体和剂量等多个实验变量共同决定,每个已测细胞群只占据这个多维条件空间的一个坐标。以往方法要先给出这些变量的显式表示,遇到训练中没出现过的取值就难以泛化。RELAY改为从与目标共享部分变量的已测对照—扰动细胞对中推断,只告诉模型共享了哪些变量、不提供变量取值;在化学、遗传和细胞因子扰动数据上,它在未见变量取值设定下优于STACK、scGen和TabPFN,在未见组合设定下优于受监督方法,PBMC-3D上PDCorr为0.495,而最强受监督基线STATE为0.225。

  10. arXiv

    智能体把执行经验写成可审查的技能:DrugHarness设计并合成出细胞IC50 14.19 nM的HPK1化合物

    计算药物发现智能体通常每次任务都从零组织工具调用,难以把一次成功经验带到下一次。DrugHarness把80余项科学操作与生物医学资源放进同一工作区,从执行轨迹中归纳带适用条件的行动假设,再由独立审查智能体核对来源、必要时做定向试算后才纳入技能库。在MolBench上,未启用进化的配置把亲和力比较准确率做到91.9%,比已报道的MolClaw-CC高10.8个百分点;回顾性评估中,冻结的学习技能把Qwen的优化成功率从79.5%提高到87.2%。