6月8日·华人天团提出对数线性注意力机制，AI效率迈入对数时代

6月8日·周日  AI工具和资源推荐

华人天团提出对数线性注意力机制，AI效率迈入对数时代

由Mamba作者Tri Dao、华人AI领域大牛Eric P. Xing等组成的华人研究团队，联合MIT、普林斯顿、CMU等机构的研究人员，提出了一种全新的对数线性注意力机制（Log-Linear Attention）。该机制通过引入Fenwick树分段结构，将注意力机制的计算复杂度降低到对数线性级别（O(TlogT)），内存复杂度降低到对数级别（O(logT)），显著提升了长序列处理的效率。这一机制无缝对接线性注意力家族，使Mamba-2、DeltaNet等模型在训练和推理性能上全面提速。该研究不仅在理论上统一了不同高效注意力机制的分析视角，还在多个基准测试中展现了优越性能，标志着AI在长序列处理方面迈入了对数时代。来源：微信公众号【新智元】

斯坦福哈佛实测：AI医生o1以78%正确率超越人类医生

哈佛大学和斯坦福大学等顶尖学术医疗中心的研究团队发布重磅论文，测试了OpenAI的o1-preview在医疗推理和诊断任务中的表现。结果显示，o1-preview在诊断推理任务中全面超越人类医生，正确率高达78%。研究团队使用《新英格兰医学杂志》的临床病例讨论（CPCs）和波士顿一所大型学术三级急诊中心的真实病例进行测试。在143个病例中，o1-preview在78.3%的病例中将正确诊断列进了待选清单，其表现显著优于GPT-4和人类医生。此外，o1-preview在急诊室初步分诊阶段的表现尤为突出，识别出完全正确或非常接近的诊断的比例为65.8%，超过了两位医生（医生1：54.4%，医生2：48.1%）。这一研究结果表明，AI医生不仅能够精准识别疾病，还能在关键时刻提供可靠的第二意见，未来有望广泛应用于临床实践。来源：微信公众号【新智元】

数学家突破阿贝尔曲面镜像通道，为数学大一统理论奠定基础

四位数学家——Frank Calegari、George Boxer、Toby Gee和Vincent Pilloni——发布了一篇长达230页的论文，成功证明了阿贝尔曲面的模性定理。这一成果将模性理论从一维的椭圆曲线拓展到了二维的阿贝尔曲面，为数学领域的“大一统理论”（即朗兰兹纲领）迈出了关键一步。该研究不仅为解决更多悬而未决的数论难题提供了强大的工具，还为数学家们提供了新的视角和方法，以探索更复杂的数学结构。这一突破性进展被视为数学领域的一个重要里程碑，为未来的数学研究开辟了新的可能性。来源：微信公众号【机器之心】

苹果研究称推理模型存在“假思考”，高难度任务下崩溃

苹果公司发布了一篇关于推理模型的论文，指出当前的推理模型（如DeepSeek、o3-mini和Claude 3.7）在高复杂度任务中表现不佳，甚至会出现完全崩溃的情况。论文认为，这些模型的所谓“思考”只是一种模式匹配，并非真正的推理过程。苹果团队设计了四类谜题环境（汉诺塔、跳棋交换、过河问题和积木世界），通过精确控制难度，观察模型在不同复杂度下的行为变化。实验结果显示，随着任务复杂度的增加，模型的准确率逐渐下降，最终在超过某个临界点后完全崩溃。此外，苹果团队还发现，即使在任务复杂度较低时，推理模型也会浪费大量计算资源在不必要的思考上。这一研究引发了对当前推理模型能力的广泛讨论，并呼吁建立更有效的推理机制和评估方法。来源：微信公众号【机器之心】

快手与东北大学联合提出UNITE框架，打破多模态检索中的跨模态干扰

快手与东北大学的研究人员联合提出了多模态统一嵌入框架——UNITE。该框架旨在构建一个能够同时处理文本、图像、视频及其融合模态输入的统一嵌入器，通过模态感知对比学习（MAMCL）机制，显著缓解了跨模态干扰问题。UNITE框架在多个多模态检索基准测试中取得了最佳成绩，包括细粒度检索、指令检索等任务。该框架通过“检索适应+指令微调”的两阶段训练方案，显著提升了模型的检索能力和指令遵循能力。实验结果表明，视频-文本数据在统一模态中具有核心能力，而指令类任务更依赖于文本主导的数据支撑。UNITE框架的提出为多模态检索领域带来了新的突破，为解决跨模态干扰问题提供了有效的解决方案。来源：微信公众号【量子位】