星震学通过分析恒星振荡信号研究恒星内部结构。盾牌座δ型星因其复杂的脉动模式成为重要研究对象。由于快速自转和多模式混叠，传统方法难以测量关键参数Δν。英国华威大学团队利用机器学习构建集成学习框架，从TESS光变曲线中高效预测星震学参数，推动了相关研究的发展。

本文探讨了人形机器人在“行走-操作”任务中的挑战，提出了一种集成式全身操控系统，结合强化学习、VR遥操作和触觉感知。研究者开发了具身触觉梦境的Transformer（HTD），通过多模态学习提升机器人对接触状态的理解和反应能力，简化了学习过程，旨在提高人形机器人的操作能力和灵活性。

普林斯顿大学的研究探讨了使用大型语言模型（LLM）评估LLM的可靠性。研究发现，尽管整体传递性违规率较低，但有33-67%的文档存在不一致性。论文提出通过分裂共形预测集来量化评估可靠性，并指出评估标准的选择对可靠性影响大于裁判模型，选择相关性强的评估标准可以提升评估质量。

MaxToki模型将细胞视为时间轨迹，能够预测衰老和疾病，并模拟基因干预，标志着生物学进入可编程时代。通过分析不同年龄的细胞数据，该模型显著提高了预测准确性，改变了生物研究流程，未来有望实现生命轨迹的设计。

研究者探讨了世界模型代理（WAM）在测试阶段是否需要显式未来想象，提出了Fast-WAM架构，训练时保留视频共训练，推理时跳过未来预测。结果显示，视频预测主要在训练阶段提升模型性能，而非在推理阶段生成未来观测。

2026年，AI创作者堆栈推出六大免费开源工具，涵盖研究、写作、排期、视频脚本、数据分析和交易预测，帮助创作者高效管理创作流程。月花费一百美元，轻松赚取四千美元以上，提升创意与效率，打造个人创意帝国。

本文介绍了大型语言模型（LLM）推理的两个阶段：预填充和解码。预填充阶段通过并行处理整个提示，计算并存储每个令牌的键（K）和值（V）。解码阶段逐个生成令牌，使用新令牌的查询（Q）与缓存的键和值进行计算，从而提高解码效率，特别是在处理长提示和生成响应时。

洪水是常见的自然灾害，气候变化增加了其风险。传统的洪水预报依赖物理模型，而近年来AI技术，特别是深度学习，提升了预测能力。明尼苏达大学开发的知识引导型机器学习模型FHNN结合了物理知识，表现优于传统模型和专家预报员，尤其在干旱流域，显示出更高的准确性和适应性。

明尼苏达大学研究团队开发的因子化层级神经网络（FHNN）模型，结合水文学知识，显著提升洪水预报性能，尤其在极端气候条件下表现优异。该模型在2-7天的预报中，其准确性与美国国家气象局相当，推动了洪水预报的智能化进程。

预测市场与主流新闻合作，吸引记者参与。独立记者Rick Ellis收到合作提议，要求他每周撰写两篇基于市场数据的文章，尽管报酬丰厚，但他拒绝了，认为这可能违反新闻伦理。预测市场希望通过知名记者提升合法性，但面临法律和道德争议。

人工智能正从基于概率的文字预测转向多智能体沙盒引擎，如Mirofish，通过生成平行数字世界模拟真实社会的复杂性。这种演化方式强调试错而非精准预测，改变了人类与AI的关系，促使我们反思自身存在的意义。

表征学习在生物化学与分子工程中愈发重要，尤其在肽的结构与功能建模方面。香港中文大学提出的Bi-TEAM框架通过整合生物与化学信息，提高了肽设计的准确性和成功率，特别是在细胞穿透性环肽的设计中表现优异，为药物研发提供了新技术路径。

麻省理工学院的Matthew G. Jones教授利用人工智能和计算方法研究肿瘤进化，特别关注外染色体DNA（ecDNA）的扩增。研究发现，ecDNA在约25%的癌症中普遍存在，能加速肿瘤侵袭性。通过单细胞谱系追踪技术，他希望改善患者治疗效果，预测药物抵抗，并识别新的治疗靶点。

瑞士洛桑联邦理工学院提出的DYNAMI-CAL GraphNet结合物理规律与图神经网络，显著提高了多体动力系统的建模精度和稳定性，适用于机器人和航空航天等领域。

麻省理工学院研究人员开发了一种新方法，利用深度学习模型提取概念，以提高计算机视觉模型的准确性和可解释性。该方法通过限制使用的概念数量，确保选择最相关的概念，从而提供更清晰的解释。研究表明，该方法在鸟类识别和医学图像分析中优于传统模型，推动了可解释人工智能的发展。

预测市场如Kalshi和Polymarket试图成为新闻来源，但可能引发内幕交易等问题。近期，伊朗冲突后，这些平台的交易活动激增，涉及敏感事件的赌注引发争议。尽管内幕交易在法律上是非法的，这些市场的运作模式使监管变得困难，可能影响新闻报道的真实性。

广西桂冠电力引入AI技术，开发了“AI水情预测系统”，提升了水情预测的精度和效率。该系统利用文心大模型和飞桨PaddleTS，简化了调度员的操作，实现了快速、准确的水流预测，显著提高了决策效率和安全性。

肝细胞癌（HCC）患者面临肝功能衰竭和肿瘤进展的双重风险，传统评估方法不足。研究团队提出了基于集成学习和SHAP分析的ELM-HCC框架，能够精准预测HCC患者在3个月等待期内的死亡风险，显著优于传统评分，为临床决策提供了新工具。

本文探讨了大型语言模型（LLM）嵌入对时间序列预测的影响。通过比较基线模型与包含LLM嵌入的模型，结果显示两者的准确率相近，LLM嵌入的效果并不显著。在高频复杂数据环境中，传统方法仍然更为有效。