SciPy
PulseAugur coverage of SciPy — every cluster mentioning SciPy across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的 JAX 库支持高级双曲深度学习
一个名为 hyperbolix 的新开源库已发布，专为 JAX 框架内的双曲深度学习设计，并基于 Flax NNX 构建。该库为包括欧几里得空间、庞加莱球和双曲面在内的六种不同流形提供统一接口，并为各种神经网络架构配备了全面的双曲层套件。它还集成了黎曼优化器和降维技术，提供强大而精确的计算，尤其是在双曲面上的运算，因为标准公式可能会损失精度。
-
Julia 的速度 vs. Python 的 AI 主导地位：一项分析
编程语言 Julia 的速度明显快于 Python，但其在 AI 领域的采用率仍然很低。本文分析了尽管 Julia 在性能上优于 NumPy、Pandas 和 SciPy 等成熟库，但在 AI 中使用受限的原因。文章探讨了对于 AI 从业者来说，Julia 是否仍然是值得学习的语言。
-
开发者发布免费金融工具服务器，供 AI 客户端使用
一位开发者创建了 canli-mcp，这是一个免费的、MIT 许可的 MCP 服务器，提供对 306 个金融工具的访问。该服务器在本地运行，大多数功能无需 API 密钥，与其它解决方案相比，显著减少了上下文窗口的使用。在一项使用小型 GPT 模型进行的正面比较中，canli-mcp 在一组 28 个问题上达到了 79% 的准确率，优于使用 EdgarTools 和 Yahoo 的竞争对手设置（得分为 54%）。该工具还具有改进的搜索功…
-
Python数据栈大改版：Rust影响工具链，PyTorch主导深度学习
Python数据栈发生了重大变化，Rust影响了工具链，PyTorch已成为主导的深度学习框架。许多以前常用的库现在被视为遗留库，从业者需要更新知识。这种演变反映了AI开发和数据科学工具领域更广泛的趋势。
-
LLM“削弱”的说法需要统计严谨性，而非轶事
dev.to上的一篇最新博文提供了一个统计清单，用于判断大型语言模型（LLM）端点是否被“削弱”或性能下降。作者强调，仅凭轶事证据和简单比较是不够的，主张采用严谨的统计方法。关键建议包括计算通过率的置信区间，以了解测量中的不确定性，并使用Fisher精确检验对两个特定条件进行预定义比较。该博文还强调了考虑比较次数的重要性，因为当测试许多提供商时，最佳和最差表现者之间的巨大差距可能只是偶然出现的。
-
Scikit-learn 与 LLM API：为您的项目选择合适的 AI 工具
在人工智能项目中使用 scikit-learn 与利用 OpenAI、Anthropic 或 Google 的 Gemini 等 LLM API 之间的选择取决于具体任务。Scikit-learn 非常适合结构化数据和传统的机器学习任务，如分类和回归，并提供免费的本地执行。LLM API 在自然语言处理、生成和复杂推理方面表现出色，无需大量训练数据。许多现代 AI 系统受益于混合方法，将 scikit-learn 用于数据管道，将 L…
-
Solvi 1.0 发布：用于可验证决策系统的 Python 库
Solvi，一个用于可检查决策系统的开源 Python 库，已发布 1.0 版本。该库允许开发人员创建结合了用于明确决策的快速求解器与用于更复杂场景的 LLM 或搜索的系统。Solvi 强调可验证和可重放的决策记录，确保每个输出都可以被追溯和纠正，而不是让模型本身更智能。
-
NVIDIA IsaacTeleop 将 XR 输入转换为机器人命令
NVIDIA 推出了 IsaacTeleop，一个旨在将扩展现实 (XR) 手部追踪和运动控制器输入转换为模拟和物理机器人的可操作命令的新框架。该系统利用纯 Python 重定向引擎，允许开发人员使用 NumPy 构建机器人控制系统。该框架侧重于基于图的重定向方法，无需物理头显或模拟器即可实现精细控制和参数调整。
-
Datalab推出OmniExtractBench以标准化AI文档提取评估
Datalab推出了OmniExtractBench，这是一个旨在解决结构化文档提取任务中偏差和不透明性问题的开放基准。该新基准评估AI系统从PDF文档填充JSON模式的准确性，并使用提供决策解释的确定性评分器。OmniExtractBench旨在提供一种标准化和可审计的评估方法，这与Datalab认为难以比较或验证的供应商创建的排行榜形成对比。该基准包含来自各种来源的620份文档，并采用基于内容的配对方法和匈牙利算法进行准确的表格对齐。
-
国产开源模型ZDTaichu5.0-9B引领空间AI
一款新的开源多模态大模型ZDTaichu5.0-9B已发布，在空间具身和通用智能方面展现出领先能力。该模型在九项国际空间理解基准测试中取得了顶尖性能，在需要复杂空间判断和行动规划的任务中表现出色。尽管其参数量相对较小（90亿），ZDTaichu5.0-9B在文本理解、OCR、数学推理和编码方面也保持了强劲性能，使其在该类别中跻身全球顶尖模型之列。
-
使用标准工具实现的RFF模型的白盒后门攻击
研究人员已经实现了对使用随机傅里叶特征（RFF）的机器学习模型的理论白盒后门攻击。此实现使用NumPy和SciPy等标准科学计算工具构建，测试了此类攻击的实际可行性，这些攻击即使在拥有模型权重完全访问权限的情况下也旨在不可检测。研究发现，在各种稀疏度比率下，后门模型和干净模型之间没有可检测的差异，这有助于理解这些复杂的加密威胁的可实现性。
-
YuE2-3B 音频模型通过新的分词和微调工具得到增强
为 YuE2-3B 音频生成模型发布了一套新工具，使用户能够对自己的录音进行分词，并针对特定艺术家微调模型。此次发布包括一个音频到语义分词编码器和一个 NAR 分支 LoRA，可用于生成新歌曲或翻唱。这些工具设计用于 24GB GPU，并需要特定的 Python 库和数据集。
-
新的 whitetree 库增强了 SciPy k-d 树以处理流式数据
一个名为 whitetree 的新库已被开发出来，用于高效处理流式传感器数据上的最近邻搜索。它利用多个 SciPy k-d 树来管理插入和删除，而无需完全重建，在某些操作上比 scikit-learn 的 BallTree 和 FAISS 等现有库实现了显著的加速。该库仅基于 NumPy 和 SciPy 构建，支持多读单写线程，并提供与静态 k-d 树匹配的精确结果。
-
TorchMorph 为形态学变换带来 GPU 加速
TorchMorph 是一个新的 PyTorch 扩展，它将形态学变换带到 GPU 上，解决了现有仅 CPU 实现（如 SciPy）的局限性。它提供了 22 个 CUDA 加速算子，用于各种形态学类型和距离变换，支持多达八个空间维度。这带来了显著的性能提升，TorchMorph 在灰度形态学方面的吞吐量比 SciPy 高出 1100 倍，在距离变换方面高出 350 倍，同时保持了高精度。
-
TorchMorph 将 GPU 加速的形态学变换引入 PyTorch
TorchMorph 是一个新的 PyTorch 扩展，提供 GPU 加速的形态学和距离变换算子。它提供了 22 个算子，包括二值和灰度形态学，以及各种距离变换，这些算子都实现了为融合的 CUDA 内核。该库的设计旨在模仿 SciPy API，可以轻松集成到现有流程中，并提供比基于 CPU 的实现显著的速度提升。
-
Python 教程复现 LabPlot 数据分析工作流
本教程演示了如何使用受 LabPlot 启发的工作流在 Python 中进行科学数据分析。它涵盖了信号处理、峰拟合和可视化等基本数据处理技术，并利用了 NumPy、Pandas、Matplotlib 和 SciPy 等库。该工作流设计为可重用，并可扩展到批量处理以分析多个数据集，如在光谱学示例中所示。
-
Claude Code 通过聊天代理提供基于脚本的健康数据分析
Claude Code 是一款基于终端的人工智能代理，通过生成可执行脚本和可视化，为健康数据分析提供了优于纯聊天人工智能的独特优势。与提供数值输出的标准聊天代理不同，Claude Code 可以创建可重用的脚本来处理数据、生成图表，并自动使用新信息重新运行。这种方法允许用户直接在自己的机器上执行复杂分析，例如将心率变异性与睡眠时长相关联，并将脚本和结果本地保存，以实现透明度和进一步修改。
-
Scikit-learn 1.9.0 通过新的 Narwhals 依赖项增强 DataFrame 互操作性
Scikit-learn 1.9.0 版本于 2026 年 6 月 2 日发布，引入了超出典型更新的重大变化。一项关键发展是增加了 Narwhals 作为依赖项，旨在增强跨各种 DataFrame 库的互操作性。此版本还将支持扩展到 Python 3.11 至 3.14，提供更现代的运行时环境。建议开发人员仔细检查其机器学习管道的兼容性，因为此更新会影响 NumPy、SciPy 和 joblib 等工具的更广泛生态系统。
-
新的基准测试使用真实代码优化测试 LLM
研究人员推出了 SWE-fficiency，这是一个旨在评估语言模型在真实软件存储库上性能优化能力的新基准。该基准包含 498 个任务，涵盖 NumPy 和 Pandas 等九个流行的数据科学、机器学习和 HPC 存储库。它挑战代理分析代码、识别性能瓶颈并提出能够匹配或超越专家加速效果但又能通过所有单元测试的补丁。初步评估显示，当前最先进的代理表现明显不佳，由于在定位、跨函数推理和保持代码正确性方面存在困难，其加速效果仅为专家的 0.…
-
LLM 评估指标需要置信区间来区分信号与噪声
评估大型语言模型 (LLM) 需要理解性能指标中固有的不确定性。单一分数，例如 84.2% 的准确率，可能具有误导性，因为它没有考虑到抽样误差。通过使用 bootstrap 置信区间，开发人员可以将点估计转换为一个范围，揭示模型之间观察到的差异是否具有统计学意义，还是仅仅是噪声。这种方法，特别是用于模型比较的配对 bootstrap，有助于确保改进是真实的，而不是特定评估数据集的结果。