Transformer高效模拟图灵机：大幅降低推理步数需求
本研究显著提升了常数位宽Transformer模拟图灵机的效率。现有方法模拟图灵机每一步需要Ω(s(n))步思维链推理，导致推理长度不切实际。本文证明，任何(t(n), s(n))有界多带图灵机均可由常数位宽Transformer以最优O(s(n))上下文窗口模拟，且每步仅需O(s(n)^c)推理步数，其中c>0可通过增大Transformer头层乘积任意减小。此外，构造表明固定几何偏移的稀疏注意力足以实现高效通用计算。
2025-12-02 速览 · 计算机科学
2025-12-02 共 24 条抓取，按综合热度排序
基于角色感知专家混合与LLM细粒度职位描述的招聘搜索排序优化
本研究提出一个新颖的招聘人才搜索框架，通过两项关键创新提升搜索效果：利用大语言模型从职位描述和历史数据中提取细粒度招聘信号，并采用角色感知的多门控专家混合网络捕捉不同招聘角色的行为差异。引入多任务学习模块联合优化点击率、转化率和简历匹配相关性，以降低主观判断噪声。在真实数据和在线A/B测试中，点击率与转化率的AUC分别相对提升1.70%和5.97%，点击转化率提升17.29%，预计可显著降低外部招聘渠道依赖，实现每年数百万元的成本节约。
VeriPy：无需硬件知识，Python一键生成SDR硬件加速器
本研究提出VeriPy，一款面向软件无线电（SDR）工程师的Python高级综合工具。它无需硬件描述语言知识，即可将Python算法自动转换为流水线或展开式硬件加速器Verilog代码，并支持自动测试、性能评估与硬件库扩展。与Vivado HLS相比，其生成设计运行频率最高提升70%，代码复杂度显著降低，为通信系统硬件加速提供了高效易用的开发方案。
SAFE系统：基于检索增强LLM的长篇COVID-19事实核查新方法
本研究提出SAFE系统，通过结合大语言模型与检索增强生成技术，提升对长篇COVID-19不实信息的自动化核查能力。系统包含声明提取与核查两个智能体，利用包含13万份文档的研究语料库进行验证。在50篇假新闻文章（含246条标注声明）的评估中，SAFE系统在所有指标上均显著优于基线模型，尤其在一致性、有用性和真实性方面表现突出。研究表明，该框架为解决大语言模型在事实核查中的一致性与可解释性局限提供了有效方案。
MOTION：基于AutoML的低延迟设备端手势识别方案
本研究提出一种名为MOTION的高效设备端运动识别方案，仅利用三轴加速度计传感器数据。通过AutoML流程自动提取关键特征，并训练多个轻量级机器学习模型。在WeBe Band多传感器可穿戴设备上测试表明，神经网络模型在精度、延迟和内存占用上取得了最佳平衡，能够实现可靠的实时手势识别，为跌倒检测、康复跟踪等需要快速安全响应的医疗监护场景提供了潜力。
AI辅助定性研究系统Muse：人机协同编码一致性达0.71
本研究开发并评估了Muse——一个基于大语言模型的交互式定性研究辅助系统。该系统旨在帮助研究人员识别主题、标注数据集，以应对传统人工编码中存在的疲劳、解释漂移及大规模数据分析的挑战。基准测试显示，在明确定义的编码任务中，Muse与人类编码员之间的评分者间信度（Cohen's κ）达到0.71。研究还进行了深入的错误分析，以识别系统失效模式、指导未来改进，并展示了其校正人类偏见的潜力。
ALIA：基于语音交互的LLM设计构思助手，提升创意生成质量
本研究提出了ALIA（Analogical LLM Ideation Agent），一个利用大型语言模型（LLM）辅助设计构思的AI工具。它通过语音交互，为小组构思会议提供结构化灵感刺激，其设计灵感来源于协同构思方法和辩证法。初步实验表明，与传统构思会议相比，参与者认为在ALIA辅助下产生的想法质量更高，并对语音交互方式给予积极反馈。
为儿童编程过渡设计：基于JavaScript的视觉艺术编辑器
本研究开发了一款面向8-10岁儿童的网页版JavaScript编辑器，旨在帮助他们从积木式编程平稳过渡到文本式编程。系统采用专注于视觉艺术的简化领域特定语言，将真实的JavaScript语法与即时、富有创意的视觉反馈相结合。一项为期四周的试点研究显示，参与者的计算思维技能显著提升，语法错误减少了70%，并能运用循环、条件和动画进行复杂算法设计。
社会协同操作系统：应对财富不平等与资源浪费的数字民主新架构
本研究提出并实现了一种名为“社会协同操作系统”的赛博-人类协同框架，旨在应对资本主义经济中的劳动异化与资源殖民问题。该系统将社会结构建模为个体行为、人际互动与制度形成的三层动态循环，并开发了社会影响评估器、多元政策模拟器与共识促进器等核心应用模块，分别构成其审议-政治循环与操作-管理循环。通过实际案例验证，该架构能有效支持集体决策与协同行为，为政策共同制定与合作提供了实用工具。
文化提示显著提升GPT生成心理治疗回应的共情与文化响应能力
本研究通过随机对照实验，评估了文化提示技术对提升大语言模型（GPT-4o与DeepSeek-V3）为华裔美国家庭照护者生成心理治疗回应的效果。结果显示，文化提示显著提升了GPT-4o在所有维度（文化能力、文化相关性及感知共情）的表现，使其成为最受偏好的模型。中介分析表明，文化提示通过增强文化响应性来提升共情感知。该研究证实了基于提示的技术可有效增强AI治疗干预的文化响应性，对服务多元文化人群具有重要意义。
概念解释与干预对人与AI协作的影响研究
本研究首次通过人类实验评估了概念瓶颈模型在协作任务中的实际效果。研究发现，虽然CBMs通过预测人类可理解的概念作为中间步骤，确实比标准深度神经网络更具可解释性，并提高了人与模型决策的一致性，但这种一致性的提升并未显著转化为任务准确率的提高。研究还指出，理解模型的决策过程需要多次交互，且人与模型决策过程的不匹配可能削弱可解释性和模型的有效性。
Agentic Hardware Design: AI与工程师协同自动化处理器设计与验证
本研究提出了一种“工程师在环”的智能体自动化硬件设计与验证方法。该方法利用大型语言模型，遵循硬件设计的层次化与模块化最佳实践，将处理器设计任务分解为子组件，自动生成硬件描述语言（HDL）和测试平台（cocotb），并在工程师的指导下（尤其在调试和综合阶段）完成验证。研究以LEGv8和RISC-V两款简单处理器为例进行了演示，表明该方法通常仅需约百万推理令牌即可完成设计，成本效益显著，且具备扩展到片上系统（SoC）的潜力。
手术数字孪生：融合多模态数据与实时计算，推动精准外科发展
本文对手术数字孪生（SDT）进行了系统性综述。SDT作为物理手术过程的虚拟映射，旨在通过融合多模态数据（如影像、运动学和生理信号）进行术前规划、术中实时预测与引导以及术后评估。文章梳理了SDT在可变形配准与跟踪、实时仿真、AR/VR引导、边缘-云协同计算等关键技术上的最新进展，并对比了非机器人与机器人介入的不同架构。同时，文章指出了SDT在模型保真度与计算效率的平衡、系统鲁棒性与可解释性、临床验证与安全保证、数据隐私与互操作性等方面面临的挑战，并提出了未来构建可信赖、符合临床标准SDT的研究方向。
大语言模型在Verilog代码生成中的应用：文献综述与未来展望
本文系统综述了利用大语言模型（LLMs）生成硬件描述语言Verilog代码的研究进展。研究涵盖了软件工程、人工智能和电子设计自动化领域的102篇论文，旨在回答四个关键问题：用于Verilog生成的LLMs类型、评估所用的数据集与指标、Verilog生成的技术分类，以及LLM对齐方法。综述不仅总结了现有方法的有效性与局限性，还为LLM辅助硬件设计的未来研究方向绘制了路线图。
自动驾驶轨迹规划中的基础模型：进展与开放挑战综述
多模态基础模型的出现正深刻改变自动驾驶技术，从传统手工设计转向能够直接从原始传感器输入推断运动轨迹的统一方法。本文综述了37种基于基础模型的轨迹规划方法，通过统一分类法评估其架构设计、方法优势及内在局限，并考察了相关代码与数据集的开放性，为研究与实践提供参考。
从人类视频中提取密集操作轨迹，为机器人学习提供可扩展数据
本文提出一种新方法，结合大型基础视频理解模型与点跟踪技术，从在线人类操作视频中提取任务相关关键点的密集轨迹。该方法克服了当前方法仅关注手部检测或物体姿态估计的局限，能更全面地利用海量人类演示视频中的丰富交互线索。实验表明，该方法能准确跟踪整个操作过程中的关键点，为更具可扩展性和数据效率的机器人学习铺平道路。
CORE开发机器学习工具，自动识别和提取学术论文中的数据访问声明
为应对日益重要的数据共享要求，CORE与存储库社区合作开发了一个机器学习模块。该工具能够从全文文章中自动识别和提取数据访问声明，并将其编码为元数据。此举旨在减轻人工处理负担，提高元数据质量，支持资助机构的数据共享政策，并最终促进研究数据的可发现性和重用。
DREAMer-VXS：基于世界模型的自主地面车辆高效探索框架
本文提出DREAMer-VXS，一种基于模型的自主地面车辆探索框架，旨在解决传统无模型强化学习样本效率低、鲁棒性差的问题。该方法通过学习一个包含卷积变分自编码器和循环状态空间模型的综合世界模型，从高维激光雷达观测中学习环境结构和时序动态。利用该模型作为高速模拟器，智能体可在“想象”中训练导航策略，从而将策略学习与现实交互解耦。实验表明，相比前沿的无模型方法，该方法将实现专家级性能所需的环境交互减少了90%，并在未知环境中实现了45%的探索效率提升，展现出更强的泛化性和鲁棒性。
MRSeqStudio：基于Web的免费开源MRI序列设计与仿真平台
本文介绍了MRSeqStudio，一个集成的、基于Web的MRI序列开发与仿真工具。该平台后端采用基于物理的仿真器KomaMRI，前端提供自主设计的序列编辑器，将可访问性、交互性和技术灵活性相结合，适用于教育和研究场景。用户无需本地安装即可使用服务，也可通过GitHub获取代码自行部署。
面向同构边缘设备的硬件感知DNN压缩框架HDAP
本文提出HDAP框架，旨在解决同构边缘设备因使用环境、配置差异等导致性能分化后，现有DNN压缩方法无法保证所有设备均获得良好性能的问题。HDAP通过将海量设备聚类，并采用代理评估替代实时硬件评估，大幅降低了优化成本。在Jetson系列设备及多种网络上的实验表明，HDAP在保持精度的同时，能显著降低模型平均延迟。
XFlowMP：基于薛定谔桥的任务条件化运动场生成机器人规划
本文提出XFlowMP，一种任务条件化的生成式机器人运动规划器。它将机器人轨迹演化建模为熵流，利用薛定谔桥在给定任务配置下，连接随机噪声与专家演示。该方法结合条件流匹配与得分函数，学习编码起点-目标配置的高阶动态运动场，从而生成无碰撞且动态可行的运动。在RobotPointMass基准测试中，相比次优基线，XFlowMP实现了最大平均差异降低53.79%，运动平滑度提升36.36%，能耗降低39.88%，同时短时规划时间减少11.72%。在LASA手写数据集的长时程运动及Kinova Gen3机械臂真实场景中，也验证了其优越性能与鲁棒性。
去中心化无线网络中的信任危机：攻击行为分类与收益分析
本文系统研究了新兴的去中心化无线网络中存在的安全威胁。由于缺乏传统运营商长期建立的信任基础与监管，网络中的个体节点（如热点运营商）可能为牟利而恶意违反服务协议。研究构建了攻击行为的分类体系，并通过案例分析发现，攻击者收益可提升三倍以上。文章最后强调了开发新型检测与缓解技术以应对此类对抗行为的紧迫性。
多服务器联邦学习新框架：利用重叠客户端实现低延迟模型中继
本文提出了一种去中心化的多服务器联邦学习框架，旨在解决传统单服务器架构的通信瓶颈。该框架创新性地利用位于多个边缘服务器覆盖重叠区域的客户端作为中继节点，在无需建立新通信链路的情况下，实现服务器间模型的多跳交换与传播。研究推导了非独立同分布数据下的收敛上界，量化了传播深度对性能的影响，并基于此设计了优化路由与传输调度的算法，以在有限延迟内最大化模型传播范围。实验表明，该方法相比现有方案性能提升显著。
ML-PCM：利用神经网络优化相变存储器写入性能
随着DRAM等传统存储器面临扩展性瓶颈，相变存储器（PCM）因其高扩展性和零泄漏功耗成为有前景的替代方案，但其写入寿命和能耗仍是主要挑战。本研究提出ML-PCM方法，通过神经网络模型实时监测设备状态，精准预测写入延迟、能耗和耐久性等关键参数，从而优化写入设置。实验表明，该模型对耐久性、总写入延迟和总写入能量的预测误差分别低至0.0073%、0.23%和4.92%，显著提升了PCM在频繁写入场景下的实用性与效率。