谷歌DeepMind发布新版《前沿安全框架》，引入“有害操纵关键能力等级”评估AI风险，强化系统抗关停能力，优化风险分级，强调主动缓解措施，确保AI安全发展。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，简化了数据爬取流程。

本研究探讨了大型语言模型在推理链中微小错误的脆弱性，提出了“妥协思维”概念，发现局部结束标记的操控显著影响推理结果，揭示了安全漏洞，强调了推理应用的安全问题。

本研究针对当前欧盟人工智能法中对深度伪造定义不明确的问题，提出深度伪造概念的模糊性，以及其在透明度义务中的例外情况分析，强调了现有定义和规定在应对深度伪造挑战时的不足。研究发现，现有透明度义务的合规性对提供者和部署者而言存在困难，提出了需重新审视和界定深度伪造的必要性。

本文提出了一种结合模仿和强化学习的混合模型，以提高机器人在新环境中的技能学习和适应能力。通过高斯混合回归，机器人能够精确跟踪动态系统中的关键点，并有效应对场景变化。此外，研究探讨了利用感知运动基元解决复杂操作问题的方法，提升了无模型强化学习的样本效率。实验结果显示，该方法在机械手臂操作任务中表现优异。

该论文提出了一种新颖的神经符号方法，通过增强变分自编码器模型，实现基于感官输入的符号运算符学习，验证了自主任务和运动规划的可行性。同时，研究了电动车电池回收利用的健康监测算法，展示了其在电网能量存储中的潜力。

本研究提出了一种多模式扩散分割模型（MDSM），能够理解自然语言指令并生成目标物体的分割掩模，性能优于基线方法。同时，介绍了开放词汇的3D实例分割任务，利用零样本学习和OpenMask3D方法提升分割效果。此外，研究了基于语言指令的视觉语言学习框架，优化了3D分割特征提取，展示了在无监督条件下的有效性。

本文提出了一种稳健的关节网络（RoArtNet），用于关节式物体的感知和操纵，能够有效预测关节参数和可负担点。通过引入关节感知分类方案，增强了从模拟到真实场景的能力。实验结果表明，该方法在噪声环境中表现优异。同时，介绍了MARS数据集，促进自动驾驶研究，并提出多模态传感器融合方法，以提高物体检测精度。

选择公民代表的随机抽签方法，被越来越多地用于世界各地的议政过程，如公民代表会议。最近的研究集中在抽签算法，其任务是从志愿者中选择一个小组。该小组必须满足代表关键人口子群的配额。我们提出了一个新的平等目标，Goldilocks，旨在通过确保志愿者的被选择机会既不过少也不过多，同时达到这些理想。我们在理论上限制了 Goldilocks...

通过比较分析法和机器学习方法，本研究建立了一个数据集，其中包含了大约三百万种不同时间和燃料优化控制问题的传输方式，对于长传输，机器学习方法显示出更好的性能，这对于在小行星带中的任务机会的有效探索具有重要意义。

本文探讨了一价拍卖中的投标策略，提出了一种新算法以鼓励买家真实报价并减少策略性遗憾。研究涉及在线广告定价、卖方算法及拍卖机制优化，利用深度学习和历史数据设计保留价格，以最大化收益并降低投标人的后悔。通过模拟和真实数据验证了理论预测，显示新算法在减少策略遗憾方面的显著优势。

本文介绍了一种基于深度强化学习的共识型模拟现实联合训练算法（CSAR），旨在优化机器人在模拟和实际环境中的策略。研究发现，模拟中的最佳策略不一定适用于真实环境，且更多的模拟代理有助于训练。通过随机化模拟器的动力学，开发出适应不同环境的策略，提升了机器人在物体推动任务中的表现。

本文介绍了多种基于3D高斯表示的机器人操作和场景重建方法，如ManiGaussian和GS-SLAM。这些方法在动态场景重建和地图构建中表现优异，成功率提高了13.1%。通过结合LiDAR和相机数据，提出了一种高效的3D制图系统，实现了准确的环境表示。此外，MD-Splatting方法在可变形场景中实现了高质量的3D跟踪，展示了其在机器人技术和增强现实中的潜力。

本文介绍了利用气动人工肌肉和强化学习训练机器人打乒乓球的方法，展示了机器人在高速运动下的回球和攻击能力。研究了深度强化学习在机器人学中的应用，通过模拟训练实现复杂动作的稳定表现。此外，提出了基于元学习和物体运动学习的新方法，提高了机器人操作技能的学习效率和成功率。

本文探讨了结合增强学习和模型控制的方法，以提升四足机器人的运动和操控能力。研究提出了多层次控制框架，通过视觉输入和低层次控制策略，实现了在不同环境中有效拾取物体和生成动态步态。该方法在仿真和实际应用中表现出良好的适应性和鲁棒性。