Crossref
PulseAugur coverage of Crossref — every cluster mentioning Crossref across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
AI通过观察屏幕输入学会玩赛车游戏
一个名为PILA（Polytrack Imitation Learning Agent）的项目被开发出来，通过观察人类玩家的游戏过程来教会AI玩赛车游戏。PILA使用游戏的屏幕截图并监控人类玩家的键盘输入，以学习如何操控方向和在赛道上导航。这种方法类似于之前教AI玩Trackmania等游戏以及Forza Motorsport中的Drivatar技术的努力。
-
Contorium 发布具有可选 LLM 层级的项目智能运行时
Contorium 推出了一个名为项目智能运行时 (PIR) 的新系统，旨在为软件演进提供一个可查询的层。该系统将确定性数据存储 (PIL) 与认知交互层 (CIL) 分开，并为特定任务提供可选的 LLM 提供商层。核心智能以确定性的方式存储在 PIL 中，包括事件、决策图和快照，而 CIL 则处理查询。LLM 仅用于生成解释、合成项目故事和总结信息，而不是用于核心数据处理或图构建。
-
生物医学API的Unicode保真度不一致，影响LLM训练数据
最近对四个主要的生物医学文献API——PubMed E-utilities、Crossref、OpenAlex和Semantic Scholar——进行的审计显示，它们处理Unicode字符的方式存在显著不一致。研究发现，PubMed AbstractText字段经常未能保留印刷标点符号，而OpenAlex系统性地丢失了特殊空白字符。虽然数学符号和希腊字母通常得以保留，但这些字符级别的保真度问题直接影响文本挖掘、文献计量学以及生物医学…
-
少年开发全本地AI助手O-AI，注重隐私保护
一位来自印度浦那的16岁开发者创建了O-AI，这是一款完全本地化的AI桌面助手，专为隐私和离线功能而设计。该助手完全在用户的GPU上运行大型语言模型和语音识别，无需云服务或API密钥。O-AI提供诸如从对话中自我学习、微调能力、多语言语音控制以及通过多步代理系统实现的高级自动化等功能。
-
LinkedIn 高管：C 级高管对 AI 采用“一无所知”
最近的一项 LinkedIn 调查显示，一半的 C 级高管对与 AI 采用相关的未来劳动力需求缺乏清晰的认识。首席商务官 Mark Lobosco 认为，这种“劳动力盲点”因自上而下的指令而加剧，因为员工可能会将 AI 视为威胁而非职业加速器而抵制它。他强调，成功的 AI 集成需要领导者自己成为 AI 工具的熟练使用者，从前线指导转型，而不是完全委托给他人。
-
新PILA框架通过物理信息对齐增强AI视频生成
研究人员开发了一个名为PILA（Physics-Informed Latent Alignment）的新框架，以提高AI生成视频的物理合理性。PILA通过将潜在表示映射到物理属性库，并使用混合专家方法处理不同的动力学，将物理结构化引导注入现有的视频生成模型。该方法在多个基准测试中展示了最先进的结果，提高了生成内容的视觉质量和物理准确性。
-
新的RAG框架增强技术文献推理能力
研究人员开发了TechGraphRAG，一个新颖的、基于代理的检索增强生成（RAG）框架，用于技术文献推理。该系统采用一个13步流程，通过整合查询意图分类、证据评分、带查询重构的代理重试以及外部数据库搜索，超越了传统的RAG。它还利用Neo4j知识图谱来提供关系上下文，并包含用于引用验证和质量评估的自我纠正机制。
-
数千篇生物医学论文中发现AI生成的引文
《柳叶刀》近期发表的一项研究显示，生物医学期刊文章中的AI伪造引文显著增加。研究人员开发了一个AI驱动的系统来分析超过240万篇论文，在2023年至2026年初的2800篇文章中发现了超过4000个伪造的参考文献。这种趋势在综述文章中尤为普遍，可能与LLM幻觉有关，研究期间每篇论文的伪造引文数量增加了12倍以上。
-
科学基础设施适应AI集成
科学界依赖于一个强大的基础设施来管理研究中的身份、来源和完整性。arXiv、DOI和ORCID等系统对于科学出版和知识传播至关重要。现有的这个框架现在正被改编以支持AI在科学发展中的集成，这类似于GitHub如何被重新用于AI开发。
-
AI 公司使用开放科学数据引发合作与私有化之争
AI 公司广泛使用 arXiv、ORCID 和 PubMed 等开放科学基础设施进行研究。这种做法引发了关于这是否代表真正的合作还是科学知识私有化形式的疑问。文章认为，AI 公司的大量数据提取可能不可持续，并可能损害开放科学生态系统。
-
GLiNER-Relex 在单一 NLP 模型中统一了实体和关系提取
研究人员推出 GLiNER-Relex，一个旨在同时执行命名实体识别和关系提取的新型统一框架。该方法扩展了现有的 GLiNER 架构，利用共享的 transformer 编码器来处理文本、实体标签和关系标签。该模型能够对推理期间指定的任意实体和关系类型进行零样本提取，在多个基准测试中表现出竞争力，同时保持计算效率。该框架作为一个开源 Python 包公开发布。
-
研究人员利用语义分析和合著数据绘制交通研究趋势图
研究人员开发了一种新方法，通过分析语义相似性以及传统的合著网络来识别学术研究中的“幻影合作者”。该方法应用于超过12万篇交通研究论文，发现语义上接近但未直接联系的作者在未来成为实际合著者（coauthors）的可能性显著更高。研究还发现，源自语义分析的主题社群与基于合著的主题社群差异很大，这表明结合两者可以更丰富地理解研究结构。
-
CiteRadar: 研究人员画像和地理可视化的引文情报平台
研究人员开发了CiteRadar，一个开源平台，旨在分析学术引文并可视化其地理分布。该系统处理一个Google Scholar标识符，生成出版物列表、包含作者元数据的引文论文、排名作者表以及交互式世界地图。CiteRadar通过整合多个数据源并采用新颖的技术进行解析、作者消歧和位置数据提取，解决了现有文献计量工具的局限性。