交通预测的样本影响力要穿过守恒约束:经典影响力函数排出的关键传感器会变,去掉前十名站点误差涨四成以上
交通流预测模型若在输出端强制满足路口流量守恒,训练样本对预测的影响就不再只经由损失函数传递,而要经过约束投影。此前的影响力函数按无约束学习推导,无法区分哪些扰动被物理约束保留、哪些被投影消掉。该工作把影响力计算放进可行域,在PeMS第3区318条高速路段的小时数据上给出站点敏感度排序,并显示按此排序去掉前十名站点后,物理约束模型的MAE上升44.2%。
交通流预测模型若在输出端强制满足路口流量守恒,训练样本对预测的影响就不再只经由损失函数传递,而要经过约束投影。此前的影响力函数按无约束学习推导,无法区分哪些扰动被物理约束保留、哪些被投影消掉。该工作把影响力计算放进可行域,在PeMS第3区318条高速路段的小时数据上给出站点敏感度排序,并显示按此排序去掉前十名站点后,物理约束模型的MAE上升44.2%。
医院用再入院风险预测决定谁先出院,但只有被出院的病人才留下结局记录,预测器反复重训会把这种删失偏差固化下来。研究把基于排队论的马尔可夫决策过程与定期重训的风险预测器耦合,发现按容量设定留院目标、超出目标才按优先级出院的“出院至目标”策略,会借到达波动自然覆盖不同住院时长。在合成实验和基于合作医院患者数据校准的模拟中,该策略把学习误差比按风险阈值出院降低24%–25%,并把按基线风险调整后的再入院成本差距缩小38%–63%。
只用单元测试做强化学习,模型通过率上去了,却学会多改代码、甚至在本来正确的程序里编造缺陷。PreciseCoder在单元测试奖励之外加入一项按参考修复逐处核验的编辑精确率与召回率信号,在4B、9B、27B模型上把平均改动行数从7–15行降到3行,通过率与只用单元测试训练持平,并让正确代码上的不改动率升到47–52%。
内部蒸馏要把教师模型的中间激活对齐到学生模型更小的表示空间,以往靠额外训练投影矩阵完成,这些参数训练完即被丢弃。RAPID改用基于Johnson-Lindenstrauss引理的固定随机投影压缩教师表示,并以指数滑动平均结合同方差不确定性加权来平衡多个损失。在Gemma 3与Qwen 2.5的推理后训练中,其四项基准平均分与学习式投影基本持平,整体平均差异不超过0.15个百分点,同时可训练参数在Qwen实验减少8.1%、在蒸馏全部激活时减少21.1%。
大语言模型部署后知识停在固定截止日期,继续用新数据更新参数又会严重遗忘旧任务,只靠上下文学习则信息随会话结束而丢失。Google Research提出的睡眠框架让模型在主动交互与离线巩固之间交替,离线阶段打开预先分配的专家记忆块,用自生成练习样本更新权重。在满语、卡拉芒语等未见语言的连续翻译中,多阶段评估的性能下降接近零,而上下文学习、Cartridges和监督微调出现严重遗忘。
跨脑区神经动力学建模多沿用线性方法,而每个脑区记录到的活动混杂着本地动态与跨区共享动态。CroP-DYNO把学习目标直接设为用源脑区活动预测目标脑区活动,从而优先提取共享动态,并允许逐一把模型各部件指定为线性或非线性。在猕猴S1–M1与大鼠CA1–CA3数据上,它在预测目标群体活动时优于非优先化的非线性模型和优先化的线性模型,还能定位非线性结构并给出与已知环路解剖一致的交互强度。
时序基础模型零样本预测强,但落地仍要人手工设计输入输出管线。TimeRSI让编码智能体围绕权重冻结的预测模型反复改写预处理、特征、上下文选择与后处理代码,用历史预测窗口的误差指导下一轮修改,部署时再按相似历史条件在候选管线间选择。在TIME与FEV-bench共198个任务上,它在六项点预测与概率预测指标上优于全部已公开提交;相对同一冻结TimesFM 3.0的直接推理,TIME的MASE降1.52%、CRPS降1.61%。
智能体训练数据的合成方式有了新变化:EvoSyn把学习反馈变成可修改的合成空间,让生成方向随任务智能体的弱项调整。此前的方法虽然也用环境反馈、数据校验或失败样本,但观察到的弱点并不能直接说明下一轮该生成什么,也未必能被现有合成维度表示。在τ-Bench与CAR-Bench上,以Opus 4.5为合成模型时平均任务成功率从最强合成基线的64.5%升到77.8%,首轮即达70.9%,多轮演化继续提升。
双臂机器人立体数据稀缺,现有大规模机器人数据集几乎都是单目单臂,而立体相机采集需要昂贵硬件和重新遥操作。StereoEngine给出两条互补路线:有真实单目视频时,用单目深度把左视图前向扭曲成右视图,再用视频扩散模型补上右视图中左相机从未观测到的遮挡区域;没有真实视频时,从仿真轨迹渲染立体对,把左右两帧拼成一帧联合生成,从而同时得到两个一致的逼真视图。在AgileX PiPER双臂平台上,用其合成数据做中期训练或任务微调,三个任务合计成功50/60,高于不做中期训练的36/60,透明瓶抓取达到18/20。
人形机器人 Reflex 只靠机载 RGB-D 视觉接住人抛出的纸箱,仿真中接住率 85.7%,接近使用特权箱体观测的 87.9%,真机在 2.5 米和 5 米处分别为 65% 和 40%。