- 论文公开站arXiv
FleXray：通用临床X射线分割
FleXray: Universal Clinical X-ray Segmentation
摘要显示，X光因三维解剖被压缩为二维投影、结构重叠且边界模糊，导致通用分割标注数据难以构建。作者提出FleXray，利用已有3D全身CT分割数据集与生成式图像编辑模型构建基于物理的生成式X光数据引擎，合成带完整标注的二维X光。模型在未见研究数据集与真实临床X光上可分割60种解剖结构，并支持疾病分级测量、X光引导介入导航与病理目标的数据高效学习。
意义：为X光提供通用全身分割能力，降低对人工标注的依赖，可推动医学影像定量分析与AI辅助介入应用。
- 论文公开站arXiv
用于高效端侧LLM生成式个性化的LoRA生成超网络
LoRA-generating hypernetworks for efficient on-device LLM generative personalization
摘要显示，该论文提出一种设备端LLM个性化方法：训练超网络将用户上下文token映射为适合该用户的LoRA，部署后在设备端合成个性化LoRA。该方法结合了上下文学习（ICL）与参数高效微调（PEFT）的优点：设备端阶段仅需前向传播，计算可行；同时通过权重修改基础模型，避免扩展输入序列带来的延迟增加，尤其适合移动设备场景。
意义：为移动端LLM个性化提供无需反向传播的可行路径，降低设备端算力与延迟门槛，对端侧AI应用开发有参考价值。
- 论文公开站arXiv
BrainWideBench：多区域神经记录的大规模预训练与跨动物迁移基准
BrainWideBench: Benchmarking large-scale pretraining and across-animal transfer in multi-region neural recordings
摘要显示，该工作提出 BrainWideBench，用于评估多区域神经记录上的跨动物迁移能力，数据基于国际脑实验室 Brainwide Map，覆盖 139 只小鼠、276 个脑区。基准包含三类任务：行为解码、掩码或未来神经活动预测，以及解剖组织结构的恢复。结果显示预训练优于单会话基线，但迁移收益高度依赖预训练目标与下游任务的对齐程度，没有单一方法在全部任务上普遍最优。
意义：为神经基础模型提供统一评测协议，提示开发者预训练目标需与下游任务对齐，而非追求通用表征。
- 论文公开站arXiv
LimiX-2：面向通用结构化数据智能的上下文机制网络
LimiX-2: A Contextual Mechanism Network Towards General Structured-Data Intelligence
摘要显示，LimiX-2 是 LimiX 家族新模型，依据既有缩放律进行模型与数据扩展，采用上下文机制网络（CMN）范式并以 Context-Conditional Masked Modeling 预训练。CMN 将上下文学习的组织原则从以目标为中心的预测转向机制导向的联合建模，学习 p(x, y | D_context) 而非传统表格 PFN 的 p(y | x, D_context)。预训练数据由结构因果模型生成。在 TabAren…
意义：为表格/结构化数据提供新的基础模型范式，兼顾预测性能与因果可解释性，对表格 AI 与因果发现方向有参考价值。
- 论文公开站arXiv
幻影增益：对照实测零基准审计自我改进
Phantom Gains: Auditing Self-Improvement Against a Measured Null
摘要显示，评估语言模型自我改进时，追踪个体问题得失易受测量伪影影响。对Qwen3-8B进行三轮LoRA自训练，与冻结对照比较，发现七种测量失败，每种在无对照时都会反转报告结论。贪心解码产生的记录在未训练模型上制造能力变化，扩展统计量错误归因。提出逐问题精确检验，在FDR控制下未检测到任何保留复制上的效应。外部蒸馏改善基础模型难及问题，而三种自训练未现此效，回归分析拒绝不对称性源于蒸馏总体增益更大（p<10^-8）。
意义：为AI开发者提供评估模型自我改进的严谨审计方法，避免测量伪影导致虚假结论，对模型迭代和对比至关重要。
- 论文公开站arXiv
可解释的Transformer模型用于结构化电子健康记录上的临床预测任务
Explainable Transformer Models for Clinical Prediction Tasks on Structured Electronic Health Records
摘要显示，研究者提出BERT-LER模型，一种基于BERT架构的模型，用于编码电子健康记录（EHR）时间线。该模型在包含7500万患者的去标识化EHR数据集上预训练和微调，将实验室检测结果编码为离散令牌，并通过基于百分位的分箱保留分级信息，结合集成梯度方法提供令牌级归因。在EHRShot基准和哮喘严重程度进展研究中，BERT-LER在预测性能上与公开基准模型竞争，在实验室相关任务上常超越它们，且归因与临床已知风险因素一致。
意义：该研究将实验室值表示与可解释性统一于一个框架，为EHR基础模型提供方法论补充，有助于临床预测的可靠性和临床采纳。
