Neurosymbolic Routing for Reliable Reasoning on Resource-Constrained Edge Devices
作者提出一种基于 L* 语法推断的可学习确定性有限自动机路由，将输入查询分发给确定性符号引擎或小型语言模型，在 Raspberry Pi 4B（8 GB RAM。
#端侧
#端侧
今日 3 条arXiv · Artificial IntelligenceAI 评分5252 arXiv · Human-Computer InteractionAI 评分3232 SensWear：开源模块化可穿戴 AI 平台
SensWear 是一个开源、模块化、AI-ready 的可穿戴平台，解耦了形态、传感、数据接口与学习。紧凑柔性 PCB 主板配合可编程 1.2 V–5.5 V 子板接口，支持 PPG、触摸、温度、触觉和 LED 模块的即插即用。
arXiv · Neural and Evolutionary ComputingAI 评分3535 多深度时间融合前馈局部训练脉冲神经网络
研究者提出多深度时间融合（MDTF）脉冲神经网络架构，通过时间至首次脉冲（TTFS）延迟处理静态图像与事件流。网络采用四层卷积骨干与无监督脉冲时间依赖可塑性（STDP）逐层训练，在MNIST、Fashion-MNIST、CIFAR-10和N-MNIST上验证，选择性多深度融合在Fashion-MNIST和CIFAR-10上分别提升18.2和29.2个百分点。代码已公开。
AIHubAI 评分5959 混合LLM压缩中的交互效应：压缩技巧并非简单叠加
研究在RTX 3080 Ti上测试Falcon3-1B、LLaMA-3.2-1B和Qwen2.5-1.5B的组合剪枝与量化，发现混合压缩在TruthfulQA上超出预期约7-14点，但在GSM8K和MMLU上反而下降16-20点，部分设置下GSM8K准确率降至零；效应在中等剪枝（20-30%）最明显，50%剪枝时减弱，量化单独使用即可实现约2-3倍内存缩减。
Google ResearchAI 评分5959 SensorFM：用万亿分钟无标注数据训练通用可穿戴健康基础模型
SensorFM 是一个大传感器基础模型，基于超过一万亿分钟、来自五百万参与者的无标注多模态可穿戴数据预训练，在心血管、代谢、睡眠和心理健康等35项判别任务上泛化，且通过 Agent classroom 可自动构建预测头。
Google Research精选AI 评分6666 Google Research发布PHRM系统：通过智能手机摄像头实现被动心率监测
Google Research在Nature发表PHRM研究，通过智能手机前置摄像头在日常使用中被动监测心率，跨肤色MAPE<10%，RHR估计MAE<5bpm达到可穿戴设备精度。研究基于35万+视频片段和近700名多样本参与者，覆盖浅色到深色皮肤群体，并公开了最大规模智能手机视频数据集及预训练PHRM-mini模型供合格研究者申请。
推荐理由：PHRM在大规模日常使用中实现跨肤色符合行业标准的心率监测，MAE低于5bpm的RHR估计达到可穿戴设备水平，为智能手机被动健康追踪设立了新基准。
ScienceDaily · AIAI 评分5050 量子计算机实时追踪量子比特波动取得突破
尼尔斯·玻尔研究所团队结合商用硬件与自适应测量技术，将量子比特能量损失率的追踪速度提升至原有方法的约100倍。研究使用Quantum Machines的OPX1000 FPGA控制器，每次测量后更新贝叶斯模型，在毫秒级时间内完成估算。实验揭示了超导量子比特中此前未知的快速波动动力学。