自由活动小鼠V1有了数字孪生:冻结后回放光栅,仍复现经典朝向与细胞类型调谐
自由活动小鼠的初级视觉皮层(V1)活动,现在可以由一个多模态数字孪生从视网膜中心视野视频与眼、头运动、奔跑速度和瞳孔直径预测。该模型在223个神经元、三只小鼠上取得平均0.31的预测相关;冻结后回放漂移光栅,它复现了经典朝向、空间频率与对比度调谐及宽窄波形细胞的系统差异,并在未重训的情况下,把独立头固定自然电影数据集的群体表征几何匹配到与两只真实小鼠彼此相当的程度。
自由活动小鼠的初级视觉皮层(V1)活动,现在可以由一个多模态数字孪生从视网膜中心视野视频与眼、头运动、奔跑速度和瞳孔直径预测。该模型在223个神经元、三只小鼠上取得平均0.31的预测相关;冻结后回放漂移光栅,它复现了经典朝向、空间频率与对比度调谐及宽窄波形细胞的系统差异,并在未重训的情况下,把独立头固定自然电影数据集的群体表征几何匹配到与两只真实小鼠彼此相当的程度。
CyberArena把网络安全评测从静态靶标改成多轮攻防对抗:两个智能体在隔离沙箱里同时攻击对方服务并修补自己的服务,目标每轮轮换。在40个挑战、466局比赛中,12个前沿模型里GPT-5.6 Sol与Claude Opus 5领先,而三个模型单独都能解出的30个挑战进入对抗后,第三轮捕获率分别降到52%、37%和35%。
语言模型改进语言模型时,判断哪条改动值得试一直靠昂贵训练实验来验证。LM2LM把冻结的大模型当作“研究世界模型”,用真实实验记录在上下文中预测改动收益,作为强化学习奖励,并定期执行当前策略高分提案、把实测结果补回记录。在八个自回归与扩散语言模型开发环境上,Qwen3.8-27B经此训练后在留出任务上超过GPT-6-sol,即使后者上下文中带有300条真实实验记录,且数据生成成本低约33%。
该工作提出免训练的 SFT-as-context:推理时先让监督微调(SFT)模型生成回答,再让父模型把该回答作为上下文生成最终答案,从而通过上下文学习获取微调能力并保留自身通用能力;在 19 对父-SFT 模型与 11 个基准上,它在微调能力上接近 SFT 模型(AIME 2024 与 LiveCodeBench 差距仅 2.2 与 2.1 个百分点,NutriBench-English 宏 MAE 差 2.0),在通用能力上平均与父模型相差 2.2 个百分点以内,并能回答父模型与 SFT 模型单独都答不对的、同时需要两类能力的查询。
该工作提出 SHarP,把智能体 harness 中的工具、指令与支撑机制视为可单独禁用的模块,用单模块消融估计每个模块对任务性能与 token 成本的显著性,再按效率导向或性能导向规则剪枝;在 OpenHands/GAIA、PaperQA2/LitQA2、LIFE-harness 的 airline 与 retail、JIT agentfold/DeepPlanning-Shopping 五个设置上,剪枝后多数配置保持相近性能,四个 harness 均实现至少 10% 的 token 成本下降,其中两个在降本同时提升任务表现。
该研究提出一个感知感知的皮层视觉假体手术规划框架,把电极三维坐标当作可学习参数,在FreeSurfer fsaverage折叠皮层几何上用可微假体视觉前向模型端到端优化,目标为最小化任务级感知误差并加入血管避让与灰质可行性约束;在模拟的MNIST阅读任务与CIFAR-10自然图像任务上,该方法相对视觉场平铺与视觉场覆盖基线一致提升重建保真度(MNIST上MSE中位数最多降低67.7%与33.4%,下游分类准确率提升62.6%与22.4%),加入血管惩罚后消除了全部300 µm安全边界违规而SSIM仅下降1.7%(MNIST)与4.4%(CIFAR-10),并可在固定插入预算(Ninsert=128
已读完全部报道