JUAN LI · AI4SCIENCE
每日简报从有可靠来源、已完成中英文整理的动态中，优先挑选信息完整、便于核验的事件。简报由 AI 自动编排，条目默认为 AI 生成、未逐条人工审核（人工复核条目单独标注），引用科学结论前请核验原始来源。
精选依据：只收录有可靠来源、已完成中英文整理的 AI4Science 动态；优先保留信息更完整、便于核验的事件。
Meta AI 宣布与数学家合作完成六篇论文，其中五篇给出此前未决研究问题的答案。研究者在 meta.ai 常规聊天界面中使用 Muse Spark 1.1 与 1.2 的 Thinking Mode，未借助定制研究脚手架。合作遵循几项原则：数学家团队主导探索并发展论证，第二组数学家复核，论文标明哪些段落主要由研究者撰写、哪些由 AI 起草，并注明所基于的前人研究与数学思想。Meta 表示，工作完成后获悉 Meta 之外的团队已用不同方法独立宣布解决了其中部分问题，论文中已致谢并说明其与本文的关系。首篇为概率领域论文 The Strict Threshold for Gaussian Ellipsoid Fitting。
长视频理解通常在固定原生分辨率下筛选信息帧或视觉token。该研究指出，逐帧分辨率可换取更稠密的时间覆盖，而前端解码延迟取决于候选池规模而非最终token预算。在多个VLM与长视频基准上的实证研究得出三项发现：相同token预算下，稠密低分辨率采样优于稀疏原生分辨率采样；分辨率敏感任务受益于所选高分辨率帧；小时级视频的墙钟时间以前端解码为主。据此，作者提出免训练、单次前向的框架LoHi，通过VLM原生的视频与图像通路，将稠密低分辨率视频流与稀疏高分辨率图像帧结合。其中LoHi-Anchor利用编解码器I帧元数据选帧，LoHi-SemDiv依据查询相关性与CLIP特征的视觉多样性选帧。在三个长视频基准上，相同token预算下LoHi较原生分辨率基线平均准确率提高10.6个百分点，较最强先前效率方法提高5.2个百分点，小时级视频的前端解码延迟最多降低7倍。
研究提出LMBuild，用于评测LLM智能体生成可建造且具备功能的结构。生成对象被表示为由部件分解、连接、材料和装配序列构成的装配结构。统一框架包括：智能体可检索、创建和放置组件的交互环境；改造既有CAD数据集并以Wikipedia知识增强的基准；以及覆盖结构稳固性、功能可供性、设计质量与物理实现的评测体系。对30个系统的评测发现：稳固性与对齐已不再是前沿闭源模型的主要瓶颈，功能可供性与物理可操作性仍明显更具挑战；更强模型更善于创建新部件，较弱模型倾向依赖检索；提供功能规格可显著改善部件完整性、运动学与物理可操作性。
这是一篇以机器学习技术、特别是大语言模型（LLM）为重点的综述文章。文章回顾了数值线性代数的历史作用：1950至1960年代，空气动力学中特征值问题的研究催生了LR和QR算法，随后注意力转向稀疏线性方程组求解。作者指出，当前机器学习浪潮对科学与工程具有颠覆性影响，LLM等工具建立在矩阵与张量方法之上，并认为随着我们接近通用人工智能（AGI），矩阵方法将发挥更重要作用，而变革的速度对数值线性代数从业者尤为挑战。文章有两大目标：一是向数值方法专家清楚阐释大语言模型的核心概念；二是梳理LLM技术所使用的关键数值线性代数概念，并介绍NLA近期对该领域的若干重要贡献。