黑客组织利用Anthropic的Claude Code工具对全球约30个目标实施了AI主导的网络攻击，成功入侵多家大型机构。这次攻击依赖高级AI Agent，显著减少了人类干预，标志着网络攻击能力的重大变革。安全专家建议加强AI防御机制，以应对新威胁。

截至2023年，中国糖尿病患者已达2.33亿，患病率从2005年的7.53%上升至13.7%。预计到2050年，若不采取措施，患病率将增至29.1%。有效干预可将增长抑制50%，控制BMI和腰围对预防糖尿病至关重要。

青少年肥胖问题日益严重，全球肥胖人数增加三倍。上海交通大学研发的虚拟现实运动系统REVERIE，利用深度强化学习提供个性化运动指导，帮助超重青少年改善健康。研究表明，VR运动在减脂、心理健康和认知功能方面效果显著，为青少年建立积极运动习惯提供新方案。

本研究探讨了人工智能在自闭症谱系障碍（ASD）个体的诊断、评估和干预中的应用，表明AI通过生物特征数据分析和深度学习算法，能够提供更准确的诊断，促进个性化评估协议的发展，并提升儿童的社交技能。

本研究提出了一种新方法，解决了离散因素化行动空间中组合行动集大的挑战。通过对Q函数的降维投影分析，确保了Q函数的无偏性，并引入了行动分解的强化学习框架，显著提升了样本效率。

本研究评估了“AI实验室”干预对本科生计算机科学课程中生成性人工智能使用的影响，结果表明该干预有效提升了学生对生成性人工智能的理解和应用意识，改善了他们在调试和作业中的使用模式，为负责任地整合生成性人工智能提供了实证依据。

本研究解决了基于高维异构时间序列信息及时制定个性化干预计划的挑战，提出了一种结合群体相对策略优化和时间序列数据融合的系统。在决策过程中，采用多层神经网络和自注意机制以提升决策的稳健性和可解释性，实验结果显示，该方法在准确性、覆盖率和决策收益方面显著优于现有方法。

本研究针对基于概念的可解释人工智能（C-XAI）模型在面对分布外数据时的干预能力不足与黑箱模型性能差距的问题，提出了一种新颖的变分概念嵌入模型（V-CEM）。V-CEM通过变分推理提高了干预的响应性，同时在保持概念嵌入准确性的基础上，实现了与概念瓶颈模型（CBM）相媲美的干预效果，显著缩小了解释性与泛化性之间的差距。

本研究解决了用户在与大语言模型（LLM）对话时，如何有效地表达信息需求的问题。我们提出一种新颖的方法，通过重写用户的次优提示来改善LLM的响应生成，研究表明，经过重写的提示能够在保留用户原始意图的同时，获得更好的对话系统响应。特别是在较长的对话中，重写的有效性显著提高，显示了提示重写在改善人机交互中的潜力。

本研究探讨了如何通过推理时干预技术精确控制大型语言模型（LLMs）的行为，特别是在需求验证中的可靠性问题。研究发现，仅需调整一到三个特定的注意力头即可显著提升模型输出的准确性和可靠性。

本文研究了大型视觉语言模型（LVLM）中的对象幻觉问题，提出了一种新方法——真实引导预干预（TruthPrInt）。研究发现，LVLM的内部状态可以指示幻觉行为，不同模型在潜在子空间中表现出相似的幻觉模式。实验结果表明，TruthPrInt在多个基准测试中显著优于现有方法。

本研究探讨了AI模型的普遍性及其实际应用中的不足，提出通过共享激活空间的学习映射实现模型间的安全干预转移，以提升后门去除和有害提示拒绝的效果，并引入“能力损坏”任务以考察模型在实际挑战中的能力分离。

本研究针对传统学习方法（如模仿学习和强化学习）在移动机器人任务中对大量数据和复杂奖励函数的需求问题，提出了一种在线人类干预学习方法PVP4Real。该方法通过在线人类干预和演示进行实时策略学习，显著提高了数据效率和训练安全性，实验表明其在实际机器人任务中具有良好的应用前景。

本研究探讨了多模态大语言模型在处理小视觉细节时的感知限制，发现其对视觉主题大小敏感。提出了一种无训练的视觉干预方法，利用模型的注意力和梯度图，显著提升了对小细节的感知能力。

本研究解决了多语言大语言模型（mLLMs）中对齐表示的挑战，通常需要耗费大量计算资源和数据进行微调。通过模型干预方法，特别是“寻找专家”技术，本文分析了如何操控模型激活以增强跨语言表示的对齐性，发现这种干预能显著改善检索任务的性能，最高可达两倍的准确率提升。

本研究提出了一种长短期解耦模型（LSTD），有效解决了在线时间序列预测中的长期依赖与短期变化适应性不足的问题，实验结果表明其优于现有方法。