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。

本研究提出了一种新颖的LLM驱动框架，能够自动检测去中心化金融应用中的价格预言机操纵问题。实验结果表明，AiRacleX在检测准确性方面显著优于现有工具。

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。

本文通过任务参数化的高斯混合模型解决了实际环境中的三个挑战，并取得了比当前最先进方法提高20倍样本效率的最优性能。

本研究提出了一种用于电池拆解的自主移动机器人系统，通过神经符号人工智能实现高精度的拆解操作。该系统具有连续学习的主体智能和直觉能力，在多种复杂情况下成功率达到98.78%。这项研究为机器人赋予真实的自主推理、规划和学习能力，为未来具有主体智能的机器人系统的设计与实现提供了创新的思路。

研究者提出了开放词汇伪装的物体分割任务，并构建了一个大规模复杂场景数据集。通过集成语义知识和视觉结构线索，提出的方法可以有效地捕捉伪装对象，并在数据集上超过了先前的方法。希望这个新任务能推动开放词汇密集预测任务的研究。

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。

该文章介绍了一种基于预测区间的在线拍卖设计方法（COAD），通过量化竞标者价值的不确定性，实现在线拍卖的最大化收益。COAD结合了竞标者和物品特征，并利用历史数据提供激励兼容的机制。COAD可以使用各种现代机器学习方法预测竞标者的价值，并在有限的历史数据样本下表现良好。此外，COAD引入了竞标者特定的保留价格，通过广泛的模拟和真实数据应用验证了理论预测。

机器人学中的评估与模拟环境之间的控制和视觉差异是模拟评估的关键挑战。通过创建适用于真实机器人设置的SIMPLER模拟环境，研究者证明了在这些环境中的政策表现与真实世界中的表现之间的强相关性，并准确反映了真实世界的政策行为模式。该研究促进了通用操作策略和模拟评估框架的研究。

本文介绍了GS-SLAM算法，使用3D高斯表示方法实现了同时定位与地图构建系统的平衡。该算法通过自适应扩张策略和位姿跟踪技术重构场景几何并优化相机姿态。实验结果显示该算法在Replica和TUM-RGBD数据集上表现出竞争力的性能。

提出了一种名为触觉主动推理强化学习（Tactile-AIRL）的机器人操作技能学习新方法，通过整合基于模型的技术和内在好奇心进入强化学习过程，提高算法的训练效率和对稀疏奖励的适应能力。该方法在非抓取物体推动任务中取得了显著的高训练效率，使智能体在密集和稀疏奖励任务中表现优秀。通过螺纹拧紧任务进行了物理实验，展示了算法的快速学习能力和在实际应用中的潜力。

这篇文章介绍了一种无需力传感器训练的强化学习策略，通过变化的整体柔顺度实现了重力补偿和阻抗控制，使得人类可以通过操纵器件远程操作机器人，实现多样化的运动与操纵任务。这为四足机器人提供了学习整体力控制的首次实际部署，为更具多功能和适应性的四足机器人铺平了道路。

本文介绍了一种利用ChatGPT进行情感分析的突破性解决方案，通过合成训练数据提高了较小模型的性能，降低了计算成本和推理时间，取得了重要进展。