#machine learning

谷歌在 ICML 和 STOC 部署了一个代理式 AI 同行评审系统，以 30 分钟周转时间处理了约 10,000 篇论文。新研究论文显示，它比零样本提示多检测出 34%的数学错误。 这展示了一种可扩展的自动化科学同行评审方法，有望减少评审瓶颈并提高错误检测能力。它为会议规模下的 AI 辅助评审开创了先例，可能改变研究的评估方式。 该系统采用代理式框架，通过迭代推理结合检索和验证步骤来评审论文。它比基线零样本提示（即要求模型在没有额外指导的情况下进行评审）实现了 34%的改进。

IMGNet 提出了一种人脸验证模型，用滑动窗口符号模式匹配取代余弦相似度，在 LFW 上达到 96.27% 的准确率，模型大小仅 10.58 MB，在 CASIA-WebFace 上训练。 这种新颖的方法可能实现更高效、更紧凑的人脸验证系统，而符号模式匹配无需重新训练即可提升 ArcFace 嵌入的发现，表明这是良好训练的人脸嵌入的基本属性。 该模型使用 SW Block 替代标准卷积，采用多尺度关系操作；定义了纯基于符号模式一致性的 IMG Sign MSE Loss；以及结合三种度量的投票系统。在无需重新训练的情况下应用于 ArcFace (buffalol)，IMG Sign Score 在 LFW 上达到 99.58%，仅比 ArcFace+Cosine 低 0.24%。

Apple 在 iOS 27 中推出了 Trust Insights 功能，这是一个设备端反欺诈功能，通过分析用户行为模式来检测诈骗，而不会读取信息或照片等个人内容。 该功能在完全设备端处理数据并仅向服务器发送一个匿名输出的同时，增强了用户抵御电话诈骗的安全性，并保持了强大的隐私保护。 Trust Insights 利用设备传感器数据和上下文分析，识别类似被诈骗分子指导转账或改账户的可疑行为；在交易前可触发警告、短暂延迟或额外身份验证。

研究人员提出了对比解码差异分析（CDD）方法，仅通过基础模型与微调模型之间的对数几率差异，无需权重或激活值访问，即可从大语言模型中恢复微调数据的原文。 该技术显著优于先前的白盒方法，在 SDF 基准上实现了高原文恢复得分，并且通过无需完全模型访问即可检测数据泄露，对机器学习安全性和可解释性具有重要意义。 CDD 在参数规模从 1B 到 32B 的多个模型家族中使用单一默认配置，在 20 个模型对中的 19 个上实现了 4 分或以上（满分 5 分）的原文恢复得分，而先前的激活差异透镜（ADL）方法尽管需要完全权重访问，但得分从未超过 3 分。

一款名为“全球研究空间”的免费交互式工具，利用 SPECTER2 嵌入和 UMAP 投影可视化 1100 万篇学术论文，支持时间切片并每日更新。 该工具帮助研究人员快速把握海量科学文献的宏观趋势，更容易跟每日论文洪流保持同步。 该地图围绕高密度峰值构建多层沃罗诺伊分区，支持关键词和语义查询，并包含用于机构、作者和主题排名的分析层。

MathFormer 是一个仅有 400 万参数的 seq2seq 模型，在没有任何先验数学知识的情况下，在符号数学展开任务上达到 98.6% 的准确率，这表明它学习的是结构化 token 变换而非真正的推理。 这一发现挑战了大型语言模型（LLM）具备数学“推理”能力的普遍假设，暗示其表现可能源自复杂的模式补全。理解这一区别对于开发具备真正推理能力的模型至关重要。 该模型采用 GPT 风格的 transformer 架构，仅训练从因子化到展开的多项式表达式的 token 级序列映射，未编码任何数学运算符或变量语义。