CytoDiffusion：AI系统识别医生常漏报的血细胞异常
剑桥大学等机构研究团队在Nature Machine Intelligence发表CytoDiffusion，基于生成式AI分析血涂片图像，在白血病异常细胞检测上敏感度高于现有系统，并在不确定时主动回避错误判断。
#论文/研究
#论文/研究
今日 45 条ScienceDaily · AIAI 评分6969
Berkeley AI ResearchAI 评分3232 Information-Driven Design of Imaging Systems
伯克利 AI 研究提出基于信息量的成像系统直接评估与优化框架，用噪声测量估计互信息以统一分辨率、噪声等质量指标。在颜色摄影、射电天文、无透镜成像和显微镜四个领域验证，信息估计可预测解码器性能并指导设计优化，比端到端方法需更少内存与计算，且无需任务特定解码器。
ScienceDaily · AIAI 评分7575 Stanford SleepFM：从单夜睡眠信号预测百余种疾病风险
Stanford Medicine与合作者开发SleepFM，基于约60万小时多导睡眠图数据训练，可从单夜睡眠信号估计100多种疾病的未来风险。模型在预测帕金森病（C-index 0.89）、痴呆（0.85）、高血压心脏病（0.84）、心梗（0.81）、前列腺癌（0.89）、乳腺癌（0.87）和死亡（0.84）等方面表现突出；结合多通道信号时准确性最高。
ScienceDaily · AIAI 评分6060 宾大与密歇根大学研发出比盐粒更小的可编程自主机器人
宾夕法尼亚大学与密歇根大学团队造出约 200×300×50 微米的全自主可编程机器人，可游泳、感知温度并自主决策，单个成本约一美分，由 LED 供光可持续运行数月。研究发表于 Science Robotics 与 PNAS，机器人通过电场驱动周围离子运动前进，配备完整处理器、内存与传感器，并能用跳舞抖动编码温度数据通过显微镜读取。
Sebastian RaschkaAI 评分1212 LLM Research Papers: The 2025 List (July to December)
Sebastian Raschka 整理了 2025 年 7 月至 12 月的 LLM 研究论文列表，涵盖推理模型、RLHF、推理时扩展、架构、高效训练、多模态与数据集等类别。该列表为其 Substack 付费订阅者的附加内容，正文仅浏览摘要、少数全文精读。原文未给出具体模型、参数、分数或速度倍数。
Berkeley AI Research精选AI 评分6262 无需 TD 学习的强化学习：分治范式与 Transitive RL
Berkeley AI Research 提出不基于时间差分（TD）学习的强化学习算法，采用分治策略将轨迹递归拆分为子段，以对数级减少 Bellman 递归并缓解误差累积。
推荐理由：提出非TD学习的分治式RL范式，在长 horizon 任务上展示了可扩展性，读者可借此了解值函数学习的新方向。
Berkeley AI ResearchAI 评分4040 word2vec 到底学到了什么？
word2vec 在小初始化下以离散、顺序的步骤学习，每次步骤增加嵌入矩阵的秩，最终学习结果等价于对目标矩阵 M* 做 PCA。目标矩阵 M* 由语料共现概率定义，其 top 特征向量对应名人传记、政府行政、地理描述等可解释主题。该理论在温和近似条件下闭合可解，与数值实验吻合良好。
The GradientAI 评分6060 文本嵌入能完美编码文本吗？
作者 Jack Morris 基于 EMNLP 2023 论文证明文本嵌入可被逆转为原始文本，并开源 vec2text 方法与代码。实验显示，对 32 token 文本经 50 步迭代修正后精确匹配率达 92%，BLEU 达 97，揭示向量数据库存在隐私与信息泄露风险。
The GradientAI 评分2222 深度学习用于单细胞测序：观察细胞多样性的显微镜
summary_zh: 单细胞测序技术通过测序DNA和RNA在单个细胞层面探索细胞异质性，2013年Nature将其评为年度方法。scRNA-tools数据库截至2021年收录超过1000个分析工具，其中许多利用深度学习技术。
Lilian WengAI 评分1818 Transformer 架构演进综述（The Transformer Family Version 2.0）
Lilian Weng 重构并扩充了 2020 年的 Transformer 家族综述文章，Version 2.0 是旧版超集，长度约两倍。文章系统梳理了 Transformer 基础结构、注意力机制、多头自注意力及编码器-解码器架构等核心组件的演进与变体。
Lilian WengAI 评分3030 通用视觉语言模型综述
summary_zh: VisualBERT 将图像区域与文本共同输入 BERT，在 MS COCO 上训练，NLVR 和 Flickr30K 上超越当时 SOTA，VQA 上仍有差距。
Lilian WengAI 评分2323 对比表征学习（Contrastive Representation Learning）
summary_zh: 对比表征学习旨在让相似样本对在嵌入空间中靠近、不相似样本远离，可应用于有监督与无监督场景，是自监督学习中最强方法之一。
Lilian WengAI 评分1818 Transformer 架构演进：从原始模型到增强版本的注意力机制改进
summary_zh: 文章系统梳理了 Transformer 架构的演进，重点讨论如何改进 vanilla Transformer 的注意力机制，以提升长期依赖捕捉能力、降低内存与计算开销，并增强 RL 任务求解表现。
Lilian WengAI 评分2727 Meta Reinforcement Learning（元强化学习）
summary_zh: Meta-RL 训练智能体在未见过的任务上快速适应，在测试时通过有限交互自主调整隐藏状态，无需显式微调。Meta-RL 与普通 RL 的核心区别在于策略输入额外加入上一时刻的奖励与动作，通常采用 LSTM 作为循环策略，其隐藏状态用于追踪轨迹特征。
Lilian WengAI 评分1515 通用语言模型综述：从 CoVe、ELMo 到 GPT 与 BERT 的演进
summary_zh: 文章综述 2018 年前后 NLP 领域通用预训练语言模型的进展，涵盖 CoVe、ELMo、OpenAI GPT 与 BERT 等模型。
Lilian WengAI 评分2323 Meta-Learning: Learning to Learn Fast
元学习旨在让模型像人类一样通过少量样本快速适应新任务，其核心思想是"学会学习"。文章将元学习建模为在任务分布上优化期望损失，每个任务视为一个数据样本，并通过构造支持集与预测集来模拟少样本分类中的快速学习过程。训练过程模仿测试时的有限标签暴露机制，使模型能泛化到未见过的任务配置。
Lilian WengAI 评分1717 从 Autoencoder 到 Beta-VAE
Autoencoder 通过编码器 $g_\phi$ 和解码器 $f_\theta$ 在瓶颈层学习低维隐变量 $\mathbf{z}$，以重构输入 $\mathbf{x} \approx f_\theta(g_\phi(\mathbf{x}))$，并使用 MSE 损失优化。
Lilian WengAI 评分2323 用信息论剖析深度学习：Naftali Tishby 的信息瓶颈理论
summary_zh: Naftali Tishby 提出用信息瓶颈（IB）方法研究深度神经网络训练过程中的信息变化，并将 DNN 视为马尔可夫链。训练包含两个阶段：先充分表示输入以最小化泛化误差，再通过压缩表示遗忘无关细节。
Lilian WengAI 评分3232 从 GAN 到 WGAN：生成对抗网络的训练困难与改进
summary_zh: 生成对抗网络（GAN）由生成器 G 和判别器 D 组成，通过极小极大博弈训练，但存在训练不稳定和难以收敛的问题。文章从 KL 散度与 JS 散度的数学差异出发，解释 GAN 损失函数为何难以优化，并引出旨在解决训练困难的 WGAN 改进方案。