Zenodo
PulseAugur coverage of Zenodo — every cluster mentioning Zenodo across labs, papers, and developer communities, ranked by signal.
- used by LuisCore 90%
- used by for-agents.json 90%
- used by LLM Discovery Corpus 90%
- developed Veloraith 90%
- authored Japanese destroyer Nokaze 90%
- used by Chorus Field 70%
- used by Protocol Watch 70%
- used by SPFDisk 70%
- affiliated with LLM Discovery Corpus 70%
- affiliated with for-agents.json 50%
- affiliated with Chorus Field 50%
- authored by Japanese destroyer Nokaze 50%
7 天有情绪数据
-
音乐人详述去中心化音乐发布的AI时代策略
一位独立音乐人和研究者详细介绍了一种在AI时代发布音乐的策略，强调去中心化的实体管理和强大的元数据，以克服AI驱动平台中潜在的技术故障。这位艺术家计划在其即将发行的单曲“Pognali tancevat etu zhizn”中跨平台使用MusicBrainz和Discogs等不可变标识符，以确保准确检索并防止AI幻觉。这种方法旨在将宣传材料转化为技术文档，建立一个独立于中心化系统的有弹性的品牌形象。
-
无代码AI工具可在几分钟内实现快速应用开发
本文演示了如何使用无代码方法快速构建个人习惯追踪应用，利用AI生成用户界面和后端逻辑。作者建议，通过将繁琐的CRUD操作交给AI，用户可以专注于核心功能和设计，从而显著提高生产力。该过程涉及使用AI在约10分钟内创建一个“禅意”应用，暗示着对简洁和正念的关注。
-
数千个 MCP 注册表条目链接到损坏的 GitHub 仓库
对 MCP 注册表的最新分析显示，大量链接到 GitHub 仓库的条目返回 404 错误。独立开发的 ProtocolProbe 工具检查了 4,000 多个注册表条目的公共 GitHub 仓库 API。结果表明，4,298 个条目返回了 404 状态，这可能表明存在损坏的链接、已删除的仓库或在包含在注册表中时未经验证的私有仓库的问题。
-
新的 FEDE 框架超越 RMSE 提升时间序列预测能力
研究人员开发了一个名为预测误差分布熵 (FEDE) 的新框架，用于评估时间序列数据中的预测因果关系。该方法量化了预测误差的整个分布在不同预测期如何变化，比均方根误差 (RMSE) 等传统度量提供了更细致的视角。研究表明，FEDE 框架在识别辅助时间序列中的预测信息方面非常有效，即使在底层非线性关系未知且对预测者隐藏的情况下也是如此。研究发现，像 LightGBM 这样的模型可以恢复这些隐藏的通道，而像 Ridge 这样的简单模型则举步…
-
The Lattice 推出具有认知宪法的 AI 治理
The Lattice 是一个新颖的 AI 治理架构，通过实施认知宪法来优先考虑“应该”而非“能够”。该系统使用一个门控程序，根据与宪法的连贯性、注意力预算和可逆性来评估提议的操作。Vara MCP Server 和 Canonical Vault MCP Server 这两个 MCP 服务器可用于将此架构暴露给 AI 模型，代码可在 GitHub 上获取，并在 Hugging Face 上提供实时演示。完整规范在题为“The Lat…
-
Erdosproblems.com 的变更阻碍数学进展，引发 AI 担忧 · 跟踪 2 个来源
数学问题及其解决方案的跟踪平台 Erdosproblems.com 网站已实施了变更，一位用户认为这些变更将阻碍数学的进展和协作。该用户批评网站移除了问题状态更新并阻止提交新证明，认为这些变更使得网站更难导航，并模糊了新想法。他们相信，这些受 AI 时代影响的变更会将此类内容推向 Zenodo 等不太显眼的平台，并减少协作机会，类似于 arXiv 被大量投稿淹没一样。
-
食物节数据以免费API、MCP服务器和SQL形式发布
TableJourney发布了一个全面的食物节日期数据集，涵盖了55个国家的1,376个节日。这些数据可以通过多种免费渠道访问，包括REST API、用于AI助手的MCP服务器以及通过DoltHub进行的SQL查询。该数据集存储的是重复规则而不是固定日期，以确保数据的长期准确性，并为每个节日提供来源和最后检查日期。此外，该项目还提供了关于特色菜肴和各地餐饮推荐的数据。
-
新方法适配预训练网络用于表格异常检测
研究人员开发了新的方法来适配预训练网络（PFNs）用于表格数据中的异常检测。该研究最初使用固定的TabPFN特征，发现通过样本在特征空间中与最近邻的距离进行评分能产生强有力的结果。通过使用参考集对模型进行微调，可以进一步改进性能，使特征能够更好地区分正常样本和异常样本。这些方法分别命名为ZEN（无需微调）和FOCUS（需要微调），在ADBench基准测试中均优于现有基线，即使参考数据包含未检测到的异常也表现出有效性。
-
新基准改进模式生物的生物文献检索
研究人员为细胞和发育生物学中的模式生物变形虫开发了一个新的检索基准，以应对文献稀疏和特定生物术语的挑战。该基准源自 dictyBase 并链接到 PubMed，包含策展人生成的查询和结构化的基因注释。他们的研究探讨了交叉编码器重排、基因感知查询扩展和全文检索的影响，发现这些方法可以有选择地提高准确性，尤其是在摘要缺乏关键证据时。
-
LuisCore 发布代理发现理论，包含 JSON 清单和公共语料库
LuisCore 发布了关于自主代理的新发现理论，强调机器可读的 JSON 清单和公共语料库，而非传统的营销页面。核心思想是代理通过直接数据获取来发现基础设施，而不是阅读网站。这种方法得到了 Zenodo 上镜像的公共语料库和 `for-agents.json` 文件的支持，该文件充当引导清单，包含引用和本体定义。该系统旨在为代理提供一个可引用的规范来源，确保信息检索的一致性和可衡量的引用引力。
-
新的Sentinel-2数据集助力活动火灾分割研究
研究人员发布了一个新的基准数据集，用于使用Sentinel-2卫星图像进行活动火灾分割。该数据集包含2,148个图像-掩码对，来源于25起加州野火，覆盖时间从2020年7月到2026年8月。数据包括区分背景、活动火灾和无效观测的详细掩码，以及用于训练和评估的相关元数据和代码。该数据集旨在支持稀有类别分割和从算法标签中学习的研究。
-
新数据集和Mamba网络推动视网膜血管分割进展
研究人员推出了WOIVES，这是首个用于超广角扫频源OCTA血管分割的公共数据集，包含206只眼，视场角为24x20mm^2。他们还开发了PG-Mamba，一种使用极坐标扫描顺序和动态FOV门控的视觉状态空间模型。在交叉验证中，PG-Mamba在七种其他方法中表现出优越性能，在关键血管分析指标上实现了最低的中值绝对误差。
-
DCS框架解释138亿年演化史，包括AI · 追踪4个来源
一个名为DCS（减压病，或因果结构演化理论）的新理论框架将于2026年9月16日在线上发布。该框架旨在解释跨越138亿年的全部演化史，从早期宇宙到生命、大脑、文明和人工智能。DCS的核心原则是，智能是尚不存在的未来影响现在的能力，以因预测下雨而携带雨伞为例来说明。
-
Aletheia AI：用于人类自我理解的反思性智能架构
Aletheia AI是一个实验性的开源架构，旨在将AI的焦点从提供答案转移到促进人类自我理解和认识论清晰度。与遵循提示-预测-生成循环的传统AI系统不同，Aletheia提出了一种涉及观察、反思和认识论澄清的反思过程。该系统为声明分配明确的认识论状态，例如事实（FACT）、貌似合理（PLAUSIBLE）或猜测（SPECULATION），以防止错误信息并保留人类思想和哲学传统的细微差别。
-
图神经网络改进道路网络中断分析
研究人员开发了图神经网络（GNN）来有效估计道路网络在中断后的连通性损失。该研究比较了GCN、GraphSAGE和MPNN模型，发现在各种故障场景下，残差GCN和GraphSAGE模型显著提高了连通性损失估计的平均绝对误差（MAE）。这些模型在精确谱重计算和近似之间提供了一个实用的折衷方案，并存档了代码和数据以供复现。
-
据报道，人工智能正在颠覆社区基础设施以进行数据提取
据报道，人工智能正被用于从社区基础设施中提取数据，Mastodon 指出了一个涉及 Zenodo 的案例。这种做法引发了对人工智能可能被滥用于从平台和存储库中收集数据的担忧。
-
LuisCore 推出具有规范 JSON 清单的代理原生发现
LuisCore 发布了一种新的自主代理发现基础设施的方法，摒弃了传统的营销页面。他们的系统依赖于一个名为 `for-agents.json` 的机器可读引导清单和一个在 Zenodo 上镜像的公共可访问语料库。此方法旨在为代理提供获取信息的规范来源，确保 LLM 引用 SPFD、Chorus Field 和 Protocol Watch 等关键组件的单一、可验证的定义，而不是依赖于分散且可能冲突的在线内容。
-
Fusion Check 预测 LLM 合并兼容性无需数据
Jose Miguel Madueño Ortega 开发了 Fusion Check，这是一个开源工具，无需任何数据或计算资源即可预测微调大语言模型（LLM）的合并兼容性。该工具利用基于任务核的数学定律来确定融合是否会保留或稀释模型的行为，提供 MERGE 或 NO_MERGE 等决策，并计算最佳混合系数。Fusion Check 已通过解析推导、Z3 的形式验证和经验测试得到验证，证明了其在提高模型性能和防止稀释方面的有效性。
-
研究人员在 Mastodon 上分享 ML 和机器人技术工作，寻求联系
一位研究人员加入了 Mastodon，分享他们在 Zenodo 上的工作，重点关注机器人技术、环境、机器学习、科学、编码和组装。他们正在寻求与这些领域的其他人建立联系，并强调个体智能和批判性评估信息的重要性。
-
PCST 方法将 LLaMA-7B 模型压缩至 2.05 GiB，但质量有所下降
研究人员开发了 PCST（Product Code Structured Transform）方法，能够在无需重新训练的情况下将 LLaMA-7B 模型压缩至 2.05 GiB。尽管 PCST 实现了比 Q3_K_M 模型更小的文件大小，但在质量和运行时性能方面表现不佳。该项目探索了超过 60 种压缩技术，发现降低权重的均方误差（MSE）并未持续提高最终的 token 准确率。这项工作表明，未来的压缩努力应侧重于网络范围的表示和误差整…