AI产品面临认知偏差、落地断层和体验割裂三大痛点。百度的王颖提出通过GenFlow构建超级个人智能体，以提升用户的个性化、自由化和通用化能力，帮助用户成为超级个体。

长沙具身团队正在扩招，分为三个项目组，专注于电源、USB插拔及人形机器人技术。CLONE系统通过闭环遥操作解决了人形机器人长时任务中的位置反馈问题，提升了人机协作能力。

最新实验表明，μ子异常未显著偏离，标准粒子模型依然有效。费米实验室的测量精度达到127亿分之一，理论与实验结果一致，物理学家们继续研究μ子的性质。

本研究提出BiasLens框架，旨在解决大语言模型中的偏差问题。通过概念激活向量和稀疏自编码器，量化偏差并提取可解释的概念表示，从而提升模型的公正性和透明性。

本研究建立了一个框架，分析机器学习中多数与少数学习任务的偏差放大问题，揭示了标准训练方式对多数群体的偏向，导致少数特征被忽视。

本研究提出了一种新方法，解决图像显著性预测中的数据集偏见问题。通过扩展编码器-解码器结构，模型仅需调整少量参数即可提升在不同数据集上的表现。研究表明，该模型在MIT/Tuebingen显著性基准的三个数据集上达到了最佳性能。

本研究针对柔性作业车间调度问题（FJSSP），提出了一种基于广义嵌套回滚策略的新算法。该算法在性能上优于其他蒙特卡罗树搜索方法，但在大规模实例中的完成时间仍低于已知上界。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究解决了语言模型中的不确定性量化评估存在哪些偏差的问题，特别是常用的正确性函数如何影响评估结果。研究表明，长度偏差在正确性函数错误中的影响会扭曲不确定性量化评估，而使用“LLM作为评审者”的方法则被识别为最少受到长度偏差影响的选择，具有减少这些偏差的潜力。

本研究提出了一种零和评估协议，以解决大型语言模型评估中的偏差和高成本问题。实验结果表明，尽管模型在常见游戏中表现良好，但在创造新问题方面存在显著困难。

本研究探讨了扩散模型如何超越训练集进行泛化的问题，尤其是阐明了去噪声评分匹配（DSM）目标的某些特性对泛化能力的影响。作者提出了一种数学理论，揭示了“通过方差实现泛化”的现象，并表明扩散模型学习到的分布与训练分布相似，但存在“间隙”，这种归纳偏差源于训练过程中使用的噪声目标的协方差结构。

本研究探讨了事后概念嵌入方法在计算机视觉中的背景偏差问题，指出现有技术可能因背景控制不足而引发模型偏差。通过对比多种概念分割技术，研究发现这些方法常常捕捉到背景偏差，且在某些场景（如公路场景）表现不佳，这一发现为提高模型在不同背景下的鲁棒性提供了重要的提示。

本研究解决了语言模型在新数据上表现下降的问题，通常源于数据集中的偏差。提出的“公平流”框架通过对数据样本或表示的未决预测学习，结合数据和模型扰动操作及对比目标，显著提高了模型在面对偏差样本时的表现，尤其在跨领域和困难测试样本中优于现有去偏差方法，且不影响领域内性能。