2026年09月28日 AI研究论文#

1. arXiv 每日论文分析报告2026-08-28#

人工智能 (Artificial Intelligence) (196 篇)#

概述: 今日arXiv人工智能领域共发布196篇论文（本批分析150篇），研究热点集中在LLM智能体技术、AI安全与对齐、多模态世界模型、大模型评测、科学工业应用等方向。智能体领域持续升温，核心突破集中于经验沉淀与持续自进化能力；安全研究从单模型文本安全向智能体全生命周期风险延伸，揭示了自发欺骗、循环状态失效等新隐患；世界模型向跨具身通用物理仿真升级；评测体系从单一准确率转向多维度场景化评估；AI在芯片设计、生命科学等领域取得标志性进展，整体呈现从能力提升向可靠落地、从单模型向自主智能体演进的特征。 本批为当日196篇AI领域论文中的第二批共46篇，研究覆盖大模型基础认知、可信AI、多模态多语言技术、知识表示、垂直领域应用等多个方向。整体来看，大模型幻觉治理与可信性研究仍是核心热点，呈现全生命周期梳理、场景化验证的纵深发展特征；AI与医疗、教育、金融、新能源等垂直领域的融合持续深化，逐步渗透至核心生产环节；神经符号融合、多语言公平性、AI驱动科学发现等方向也涌现出创新性成果，反映了AI研究从能力突破向可靠落地转型的整体趋势。

话题分布 […] 4. 高效机器学习系统与算法协同优化，评估基准逐步标准化#

注意力加速算法创新，无训练的ClusterAttention双向注意力加速（2608.26965）兼顾通用性与效率；大模型压缩评估走向标准化，SVD低秩压缩基准LowRankArena（2608.26389）解决了低秩压缩方法的可比性问题；新范式推理优化取得突破，扩散LLM的词缀缓存机制（2608.26140）填补了扩散LLM缓存复用的空白；边缘部署技术深化，二值神经网络剪枝专用框架（2608.26233）推动极端压缩模型的实用化。

5. 大语言模型的低成本可靠性提升成为核心研究方向，研究者更倾向于利用模型自身信号或采样策略而非大规模标注来优化生成质量。

2608.26121提出无需标注的幻觉弃权方法，仅靠模型内部置信度即可达到有标注方法的效果；2608.26120提出高效采样框架，实现LLM生成的可控引导与能力缩放。

6. AI与科学计算的交叉研究持续深化，生成式AI、贝叶斯方法等机器学习技术正在重构传统科学计算的范式。

2512.13965提出生成式蒙特卡洛方法，将生成式AI直接融入粒子输运模拟的玻尔兹曼方程求解；2406.06837将动态似然滤波拓展至平流扩散动力学问题，为动力系统数据同化提供新方案。

7. 图学习向异质语义场景与垂直行业应用双向拓展，既关注复杂属性图的语义建模，也重视在金融等领域的落地价值。

2608.26132针对标签属性图的异质属性设计层次关系路由机制，提升语义感知能力；2608.26127将图建模应用于金融波动率预测，捕捉隐含波动率的动态演化规律。

8. 科研AI研究从单一计算机科学领域向多学科拓展，更加强调数据集与真实科研场景的对齐。 […] ### 机器学习 (Machine Learning) (157 篇)

概述: 今日arXiv机器学习领域共发布150篇论文，覆盖大语言模型、多模态、图学习、强化学习、科学机器学习等核心方向。大语言模型仍是研究核心，聚焦对齐理论深化、推理范式创新、能力边界探索与可解释性提升，涌现出DPO尺度解耦、LLM设计运筹学算法等重要进展。科学机器学习与物理驱动AI持续升温，在算子学习、分子模拟、气候预测等领域成果丰富。此外，高效ML系统、联邦隐私计算、垂直行业应用等方向也有诸多创新，整体呈现基础理论突破与产业落地并行的发展态势。 本批共7篇机器学习领域论文，覆盖大语言模型、图学习、AI与科学计算交叉、科研NLP等多个核心方向。大语言模型领域聚焦低成本可靠性提升，在无标签幻觉弃权、采样策略优化方面取得新进展；图学习方向兼顾方法创新与行业落地，异构图语义建模、金融波动率预测等工作各具特色；AI4Science领域成果突出，生成式蒙特卡洛、贝叶斯动力系统滤波为复杂科学计算提供了新范式；科研NLP方向发布跨领域同行评审数据集，填补了多学科科研数据的空白。整体呈现多领域交叉、落地导向明确的特点。

话题分布#

来源：https://zhuanlan.zhihu.com/p/2076686521365807396

2. arXivDaily每日学术速递，同步arXiv全量数据，AI总结、翻译 …#

2609.30226 2026-09-25 cs.LG cs.AI cs.CL cs.CV 新提交

3. 洞见Arxiv | InsightArxiv#

Star on GitHub …

热门关键词#

Transformer Diffusion LLM Computer Vision Reinforcement Learning Neural Network Deep Learning Generative AI

搜索历史

当前筛选:

查看所有支持的论文分类

已加载全部内容

步骤 1 / 6

欢迎使用#

欢迎来到 AI 论文每日速览！让我们通过简单的教程来了解主要功能。

✓ 搜索和筛选最新 AI 论文 ✓ 查看 AI 增强的中文摘要 ✓ 收藏和管理感兴趣的论文 ✓ 按分类和时间浏览论文

🎉 欢迎首次访问！点击右上角的”新手教程”开始了解功能

← 上一月

下一月 →

基础偏好#

阅读目标#

当前连续阅读天数

0 天

最长连续记录

0 天

智能推荐#

自定义分类#

阅读统计#

0

总阅读数

0

收藏数量

0

笔记数量

0.0

平均评分

数据导出#

数据导入#

注意：导入数据将会覆盖现有的用户数据，请确保已备份当前数据。

自动备份#

存储统计#

0

收藏夹

0

0

来源：https://ia.rsa.app

4. 每日论文: 2026 年9 月25 日#

该研究追溯了AI … 该研究提出一种新颖的过采样方法，通过预测模型而非插值生成名义变量，以解决大学生的动机缺失和快感缺失症状预测中机器学习模型类别不平衡问题。

来源：https://paper.dou.ac

5. 机器学习领域，史上引用次数最多的论文 Top 10 | 管好 AI 这帮小兔崽子#

Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich, Going Deeper with Convolutions, Arxiv Link: .

被引用次数：11268

GoogLeNet网络的原文，做深度学习的同学都知道。发表于2015年的文章能有如此的引用次数，当然得利于深度学习的火爆。

K. Simonyan and A. Zisserman. Very Deep Convolutional Networks for Large-Scale Image Recognition. international conference on learning representations. 2015.

被引用次数：18980

VGG网络的原文，经典的卷积网络结构，被用在各个地方，引用次数比GoogLeNet多不少。

Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun. Deep Residual Learning for Image Recognition. computer vision and pattern recognition, 2015.

被引用次数：17285

残差网络的原文，做深度学习的同学都知道，终于用中国人名字上榜，加油！

S. Hochreiter, J. Schmidhuber. Long short-term memory. Neural computation, 9(8): 1735-1780, 1997.

被引用次数：15448 […] ## 未来可能有潜力的文献

heading.anchorLabel

Goodfellow Ian, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets. Advances in Neural Information Processing Systems, 2672-2680, 2014.

Richard Sutton. Learning to predict by the methods of temporal differences. Machine Learning. 3 (1): 9-44.1988.

Mnih, Volodymyr, et al. Human-level control through deep reinforcement learning. Nature. 518 (7540): 529-533, 2015.

David Silver, et al. Mastering the Game of Go with Deep Neural Networks and Tree Search. Nature, 2016.

Christopher JCH Watkins and Peter Dayan. Q-learning. Machine learning, 8(3-4):279–292, 1992.

本文列出的算法在《机器学习与应用》（清华大学出版社出版 雷明著）一书中均有详细的讲解。

来源：https://easyai.tech/blog/machine-learning-top-10-paper