大模型推理能力

Bohrium + SciMaster: Building the Infrastructure and Ecosystem for Agentic Science at Scale

Bohrium + SciMaster: 构建大规模智能科学的基础设施和生态系统

Linfeng Zhang, Siheng Chen, Yuzhu Cai, Jingyi Chai, Junhan Chang, Kun Chen, Zhi X. Chen, Zhaohan Ding, Yuwen Du, Yuanpeng Gao, Yuan Gao, Jing Gao, Zhifeng Gao, Qiangqiang Gu, Yanhui Hong, Yuan Huang, Xi Fang, Xiaohong Ji, Guolin Ke, Zixing Lei, Xinyu Li, Yongge Li, Ruoxue Liao, Hang Lin, Xiaolu Lin, Yuxiang Liu, Xinzijian Liu, Zexi Liu, Jintan Lu, Tingjia Miao, Haohui Que, Weijie Sun, Yanfeng Wang, Bingyang Wu, Tianju Xue, Rui Ye, Jinzhe Zeng, Duo Zhang, Jiahui Zhang, Linfeng Zhang, Tianhan Zhang, Wenchang Zhang, Yuzhi Zhang, Zezhong Zhang, Hang Zheng, Hui Zhou, Tong Zhu, Xinyu Zhu, Qingguo Zhou, Weinan E

机构 * DP Technology Beijing China（北京DP技术有限公司） ； AI for Science Institute Beijing China（北京AI for Science研究院） ； Shanghai Jiao Tong University Shanghai China（上海交通大学） ； Beihang University Beijing China（北京航空航天大学） ； Peking University Beijing China（北京大学） ； Institute of Theoretical Physics Chinese Academy of Sciences Beijing China（中国科学院理论物理研究所） ； Shanghai Innovation Institute Shanghai China（上海创新研究院） ； East China Normal University Shanghai China（华东师范大学） ； Zhongguancun Academy Beijing China（中关村学院） ； University of Science and Technology of China Hefei China（中国科学技术大学） ； Tongji University Shanghai China（同济大学） ； The Hong Kong University of Science and Technology Hong Kong China（香港科技大学） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI

AI总结 Bohrium+SciMaster通过构建基础设施和生态系统，实现大规模智能科学的高效工作流编排与执行，显著提升科学产出效率和可追溯性。

Scaling Reinforcement Learning for Content Moderation with Large Language Models

利用大语言模型扩展强化学习用于内容审核

Hamed Firooz, Rui Liu, Yuchen Lu, Zhenyu Hou, Fangzhou Xiong, Xiaoyang Zhang, Changshu Jian, Zhicheng Zhu, Jiayuan Ma, Jacob Tao, Chaitali Gupta, Xiaochang Peng, Shike Mei, Hang Cui, Yang Qin, Shuo Tang, Jason Gaedtke, Arpit Mittal

机构 * Meta AI 纠错

专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出利用强化学习扩展大语言模型，以提升内容审核的准确性和效率，特别是在标签稀疏和政策复杂的情况下。

Trust Semantics Distillation for Collaborator Selection via Memory-Augmented Agentic AI

基于记忆增强代理AI的信任语义蒸馏用于协作者选择

Botao Zhu, Jeslyn Wang, Dusit Niyato, Xianbin Wang

机构 * Western University（西方大学） ； University of Toronto（多伦多大学） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出基于记忆增强代理AI的任务特定信任语义蒸馏模型，通过教师-学生架构实现高效协作者选择，提升信任评估的准确性和效率。

CardAIc-Agents: A Multimodal Framework with Hierarchical Adaptation for Cardiac Care Support

CardAIc-Agents: 一种用于心脏护理支持的多模态框架，具有分层适应性

Yuting Zhang, Karina V. Bunting, Asgher Champsi, Xiaoxia Wang, Wenqi Lu, Alexander Thorley, Sandeep S Hothi, Zhaowen Qiu, Baturalp Buyukates, Dipak Kotecha, Jinming Duan

机构 * School of Computer Science, University of Birmingham, UK（英国伯明翰大学计算机科学学院） ； Department of Cardiovascular Sciences, University of Birmingham, UK（英国伯明翰大学心血管科学系） ； NIHR Birmingham Biomedical Research Centre and West Midlands NHS Secure Data Environment, University Hospitals Birmingham NHS Foundation Trust, UK（英国伯明翰大学医院 NHS 基础信任机构） ； Department of Computing and Mathematics, Manchester Metropolitan University, UK（曼彻斯特 Metropolitan 大学计算与数学系） ； Department of Cardiology, Heart and Lung Centre, Royal Wolverhampton NHS Trust, UK（皇家沃尔夫汉普顿 NHS 委员会心内科部门） ； College of Computer and Control Engineering, Northeast Forestry University, China（中国东北林业大学计算机与控制工程学院） ； Julius Center, University Medical Center Utrecht, the Netherlands（荷兰乌得勒支大学医学中心朱利叶斯中心） ； Division of Informatics, Imaging and Data Sciences, University of Manchester, UK（英国曼彻斯特大学信息学、成像与数据科学系） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI

AI总结 CardAIc-Agents通过多模态框架和分层适应性，提升心脏护理支持的效率和灵活性，有效解决传统AI代理在适应性推理、工具支持、知识更新和视觉输出方面的不足。

LoLA: Long Horizon Latent Action Learning for General Robot Manipulation

LoLA：面向通用机器人操作的长周期隐式动作学习

Xiaofan Wang, Xingyu Gao, Jianlong Fu, Zuolei Li, Dean Fortier, Galen Mullins, Andrey Kolobov, Baining Guo

机构 * Institute of Microelectronics, Chinese Academy of Sciences（中国科学院微电子研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Microsoft Research（微软研究院） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)

AI总结 LoLA通过整合长期多视角观察和机器人本体感觉，实现长周期、语言引导的机器人操作任务，显著优于现有方法。