十月二十二日发表的研究，提出以联邦 AI 保护未来 6G 网络切片，侦测及处理分散式阻断服务攻击。研究按高速宽频、低延迟及大量装置三类服务分片，设计不同的防护政策。模型在边缘节点分析流量，再以联邦方式交换模型更新，原始流量不用集中上传。团队用模拟 6G 资料、既有的 CICDDoS2019 资料，以及两者合并资料测试，并非实际 6G 网络部署。深度模型在模拟资料准确率为百分之九十六点四七，旧有攻击资料百分之九十九点七四；随机森林模型略高。模拟测试中，大量装置分片的正常流量误封率接近百分之十二；低延迟分片约百分之零点四四。作者把漏判拆解为侦测闸及缓解政策两个环节，说明高准确率仍可能掩盖分片差异。研究显示共享政策可接近各分片独立训练的表现，但未有真实 6G 流量验证，实际部署效果仍待测试。
十月二十二日发表的回溯研究，测试用 AI 分析磁力共振影像，预测子宫内膜癌的风险分组。研究纳入中国两间医疗中心共二百四十六名病人，使用 T2 及增强 T1 影像。团队结合影像组学、二点五维深度学习特征及临床资料，建立风险预测模型。其中一百九十六人用作训练，五十人作验证；验证组是同批两中心资料的随机分组。论文展示 MRI 对照和模型热图，说明演算法集中分析哪些影像位置，但热图不等于医生确诊依据。合并模型在五十人的验证组，曲线下面积为零点八九一；单用临床资料的模型为零点六四二。验证组敏感度约百分之九十点九，特异度约百分之七十六点五；合并模型未显著优于只用两类 MRI 深度特征的模型。研究属回溯分析，验证人数只有五十，也没有独立医疗中心测试；能否用于临床仍须前瞻及外部验证。
十月二十二日发表的青年篮球研究发现，部分 AI 预测的漂亮分数，其实来自资料标签的构造方式。作者重新分析一千笔公开的青年篮球资料，包含二十五个变量，检视球员发展与伤害风险两项预测。发展分数几乎可以由原本的组成栏位直接重建，交叉验证的决定系数达零点九九九九二五。伤害风险标签亦主要跟力量和耐力的规则有关，并非独立观察到的医疗伤害结果。团队剔除跟目标构造高度相关的栏位，再做交叉验证与预先锁定的二百人测试。修正后，测试集整体准确率为百分之七十五，但平衡准确率只有零点三二九，宏平均 F 一分数为零点二八六。最需要留意的是，模型对高风险组的敏感度为零；即这组测试中没有识别出任何高风险球员。作者亦找不到相容的公开资料作外部验证，提醒教练不能单凭这类模型分数决定训练或伤害风险。
十月二十二日发表的研究，提出新 AI 模型，尝试在磁力共振影像中分类不同脑瘤。模型名为 CAFM v4，将三种影像分析网络的特征融合，再用多种训练方法提升分类表现。团队分别在五套公开脑部影像资料上训练和测试，涵盖二类、三类、四类、十五类和三十类任务。在二分类资料集，论文报告准确率百分之九十九点七八；图表亦列出少数错判样本。三分类资料集的准确率为百分之九十八点零一，四分类资料集则为百分之九十六点七五。十五类任务录得百分之九十五点七九，分类报告显示各类别表现仍有差异。三十类诊断与影像序列任务报告百分之九十七点七三，但这些分数来自各自独立训练的基准测试。作者强调，研究未证明跨医院的泛化能力；要用于临床，仍须独立多中心及病人层级验证。
十月二十二日发表的研究，用 AI 分辨九种手指动作，目标是改善假肢的精细控制。团队分析公开 Ninapro 资料库的表面肌电讯号，并非已在日常使用的假肢上测试。讯号先经过滤波、降噪与标准化，再切成短时间片段供模型学习。研究使用一维卷积神经网络，辨认个别手指屈曲及几种双指动作。在研究采用的受试者内评估中，九类动作的整体分类准确率为百分之九十点一。各类别表现并不一样；论文报告小指屈曲的召回率为百分之九十三点一，无名指屈曲为百分之八十七点六。作者把结果视为后续假肢控制研究的基础；跨使用者及真实装置表现，仍须另外验证。
十月二十二日发表的赞比亚研究，比较机器学习与传统统计模型，预测五岁以下儿童的存活情况。团队从二零二四年家庭健康调查的三万五千多宗活产纪录，筛出九千三百六十二宗合资格样本。研究比较 Cox 比例风险、Lasso Cox、随机存活森林和梯度提升四种方法。严格交叉验证后，四者的 C 指数介乎零点七四五与零点七五零，差异没有达到统计显著。模型分析指出，生育间距和母亲年龄，是较重要的预测变量。较短的生育间距与较高死亡风险相关；这是观察资料的关联，不能直接证明因果。作者认为，当复杂模型未见明显优势，较容易解释的传统模型也值得考虑；实际公共衞生用途仍要外部验证。
十月二十二日发表的角膜研究，利用光学断层扫描影像和机器学习，量化角膜雾化的变化。研究先从健康角膜与福克斯氏角膜内皮营养不良影像，提取九项可以解释的形态特征，训练随机森林模型。资料包括一百六十六张健康角膜影像，以及三百一十三张患病角膜影像；测试按病人分开，避免同一人落入训练及测试。模型分辨这两组影像的独立测试，灵敏度为百分之九十六点八，特异度为百分之九十七；这不是术后雾化的诊断准确率。团队另将模型套用到六张屈光手术后有雾化的影像，模型都给出较高的异常分数。五名病人的九只角膜亦接受不同月份的追踪；部分分数随康复下降，但各人的变化并不一致。研究用特征重要度图解释模型判断，显示它不只输出一个黑箱分数。作者提醒，术后样本很少，仍需更大规模及外部资料验证；目前只可视为研究工具，不能代替眼科诊断。
十月二十二日发表的研究，用人工智能文本分群，分析绿色船舶燃料的专利与论文趋势。团队整理二零零零至二零二五年的四千四百七十一个专利家族，以及九百五十五篇科学论文。使用的 BERTopic 方法，把文字按语意分组，再比较氢、氨、液化天然气、甲醇和生物燃料五条路线。按研究的时段热图，氢相关专利活动较持续；近两年氨及甲醇的专利数亦有上升。在专利最早优先权的司法辖区中，南韩、中国与美国占比较高；这些数字不是各地船舶燃料的实际使用量。语意相似矩阵显示，储存、供能和排放控制等主题互相交叠，单看燃料名称并不足以判断技术方向。论文部分则显示，氨燃料的近期研究热度较突出，与专利活动的排序并不完全相同。研究分析的是文件活动，不能证明哪种燃料已普及或全生命周期排放较低；实际部署仍须另外验证。
十月二十二日刊出的肾移植研究，测试机器学习能否预测病人一年后的体重变化。团队回顾三百七十四名成年受赠者，将资料分成四分之三训练与四分之一测试，并在训练组做十折交叉验证。这批病人一年内平均增加四公斤，约百分之七十二有体重增加，但个别人的差异很大。平均身体质量指数由移植前的二十四点七，升至一年后的二十六点三。弹性网模型最后保留性别、捐赠者类别、年龄和术前身体质量指数四个变项。在留出的测试资料，模型只能解释约一成体重变化，平均绝对误差为百分之八点七。散点图显示预测值与实际变化有差距，研究结果未能支持对个别病人作准确预报。作者认为，未来要加入用药、代谢和生活因素，再用其他人群验证，才可评估临床用途。
十月二十二日的新研究推出开源工具 CohAlign，计算杂讯可能如何削弱量子神经网络的训练讯号。它先读取电路、杂讯模型、初始状态和量测设定的描述，不必逐一运行有限杂讯电路。工具计算的是指定参数梯度的初步杂讯敏感度，并非模型训练能否完成，或最后的分类准确率。研究设计一种对照杂讯：内部运算讯号虽被削弱，量测得到的梯度反应却保持不变。在八个量子位的精确模拟，CohAlign 的一阶预测与另行计算的有限差分结果吻合。团队再测不同参数位置、开放链电路，以及十个量子位的环形电路，检查结果能否延伸。图表也显示，杂讯变强时，一阶近似会逐渐偏离模拟值，不能套用到所有杂讯强度。目前证据仍限于小型精确模拟，计算资源需求随量子位数快速增长，实际硬件效果仍待验证。
十月二十二日刊出的研究，提出一种改良 YOLOv5 的方法，辨识影像中较小的人脸。团队在网络加入额外卷积层及小物件侦测分支，希望保留低解像度脸部的特征。新架构在较高解像度的特征图上寻找细小目标，与原有尺度的侦测互相配合。方法亦分析图像的 Cr 色彩通道，估计可能有人脸的区域与密度。之后由模糊推论系统选择切片大小，让远近不同的人脸以较合适的比例进入模型。作者报告，在 WIDER FACE 测试集，三组难度的 mAP@50 分别为百分之九十三点零七、九十一点二五及八十四点四五。但在团队自建的本地资料集，mAP@50 只有百分之四十九点三六，显示结果受资料场景影响。这些都是论文内的测试分数，仍不能当作真实环境中的辨识准确率或已部署成效。
十月二十二日刊出的研究，测试人工智能能否辨识阿姆哈拉语社交帖中的自杀意念相关语句。团队从 Facebook 和 Telegram 收集五千四百二十八则贴文，再由人手标注研究类别。资料包括三千四百四十一则非相关贴文，以及一千九百八十七则被标为相关的贴文。研究比较传统机器学习、深度学习，以及结合多个模型的投票方法。图表列出不同模型把两类贴文分对或分错的情况，显示分类并非全无错误。作者报告，硬投票集成模型在研究测试中准确率为百分之八十三点三，精确率为百分之八十六点五五。这些数字只描述该组已标注贴文的模型表现，不能推断个别人的心理状态。实际应用仍需另行验证语境、误判及私隐风险，研究结果不能取代专业评估。
十月二十二日刊出的研究，提出名为 TCLNet 的轻量人工智能模型，用来侦测红外线影像中的目标。研究针对讯号弱、目标与背景对比不明显的影像，设计热对比编码器。另一个跨特征注意力模组，把热对比讯号和图像的语义特征结合。整个模型约有二百万个参数；团队在三套资料上分别训练和测试，并非直接跨资料集验证。在 M3FD 测试资料，作者报告目标侦测的 mAP50 为百分之六十点五。在另一套 FLIR ADAS v2 资料，mAP50 为百分之四十五点四，两套资料的分数不能直接混为一谈。较弱小目标的 NUDT-SIRST1 测试，研究报告的 mAP50 是百分之九十一点四。这些都是各自研究资料上的测试结果，不能当作已在实际道路或安防场景完成部署。
十月二十二日刊出的研究，测试大型语言模型能否协助幼年特发性关节炎患者与医生共同讨论治疗。这套决策辅助工具收集患者偏好与临床资料，最后的治疗选择仍由患者和医生讨论。研究用十个去识别个案，交三名儿童风湿科医生评分，另以大型语言模型作探索性比较。医生认为工具输出在安全及回应患者偏好方面，各有百分之九十七达可接受程度。但事实一致性只有百分之六十获评可接受；治疗建议适切性为百分之七十。各评估者与实际个案治疗建议完全一致的比例，低于百分之三十。另一部分访问三十四名患者，调查工具对选择药物及与医生沟通的潜在帮助。作者将结果定位为可行性概念验证，仍须进一步研究，不能代替正式临床判断。
十月二十二日刊出的研究，把人工智能的网络嵌入方法，用于分析国家和企业如何拓展新产品或业务。研究比较两套历史资料：一九九八年至二零二三年的国际贸易，以及二零零九年至二零二四年的公共采购企业。传统关联指标主要看活动之间有否一起出现；新方法还把网络中的间接连结和位置，转成可比较的特征。作者据此分析能力组合的对齐程度、变动和分散程度，并分别测试预测任务。公共采购企业在嵌入图中呈现较清楚的模组聚类；各类企业活动分布并不相同。国际贸易资料中的国家，则呈现较广、互相嵌套的能力配置。在部分预测任务，嵌入特征增加对专业化程度的解释力，尤其是比较优势幅度的变化。但若预测一个国家会否进入新的产品类别，既有活动的持续性仍是最强指标，传统关联亦很重要。研究说明不同尺度和预测目标需要不同讯号；这些是历史资料模型结果，并非对单一企业的经营预报。
十月二十二日发表的 SubPoE 研究，提出一套人工智能方法，整合组织切片中不同种类的分子资料和空间位置。研究主要测试模型能否把切片中的细胞或测量点，分成有意义的空间区域。方法在同一批细胞上同步抽取局部网络，避免不同分子资料的对应关系在抽样时被打乱。模型再按各路讯号的不确定程度融合证据，并以遮蔽部分特征的自我监督训练，提高抗干扰能力。作者在八套公开的配对空间多组学资料测试，报告整体表现具竞争力，跨随机起点亦较稳定。人类淋巴结样本的对照图，显示模型能辨识较连贯的组织区域；这是资料分析结果。另一组人类扁桃腺资料，显示模型可因不同讯号品质，调整融合时的权重。在受控杂讯和特征缺失测试，研究报告模型仍保持一定稳定性。效率测试亦指向较低的每一步图处理成本；但研究没有证明它在每套资料都胜出，也不是临床诊断工具。
十月二十三日刊出的研究，用双重机器学习分析中国农村数码经济与绿色农业生产力的关系。研究使用三十个省份由二零一一年至二零二二年的资料，并以农业产出和环境负担计算绿色生产力。双重机器学习帮助处理多项互相关联的变数，但这仍是历史资料分析。作者报告，农村数码经济较发展的省份，绿色农业生产力亦倾向较高。分项分析显示，数码产业和农业数码转型呈正向关联；只有基础设施，并不足以解释增长。研究提出的可能途径，包括改善产业之间的资源配置，以及降低农业污染能源强度。政府对数码政策的关注，则未在这组分析中呈现统计上确立的中介作用。耕地规模较大的省份，所见关联更强，显示地区条件可能影响数码化效果。这是省级观察资料的模型结果，不能直接当成单一农户采用工具后的因果收益。
十月二十二日发表的研究，尝试用两阶段机器学习模型，评估接受 ECMO 治疗患者的急性肾损伤风险。ECMO 是体外膜氧合治疗；研究回顾二零一五年至二零二六年间三百四十四名患者的临床资料。团队分别使用置入 ECMO 之前、以及治疗期间的数据，建立前期与治疗中两个风险模型。研究比较多种机器学习组合，选出结合 glmBoost 和梯度提升机的方法。在推导资料中，两模型的曲线下面积分别是零点八六七及零点九零七。到了留出的验证资料，这两个数字降至零点七三二及零点八零三，显示表现不应只看训练阶段。模型解释分析列出内皮活化与压力指数、心肺复苏时间及总胆红素等重要变数。研究亦比较既有临床分数，并观察部分生理指标在治疗不同阶段的变化。这项回顾性研究仍需独立环境验证，不能把模型分数直接当成医生的诊断或治疗决定。
IBM 与法拉利车队十月二十二日宣布，为球迷应用程式加入新赛事时间线，并扩展人工智能赛事摘要。这是去年推出的应用程式再更新，并非首次加入人工智能功能。新的 Race Timeline 以可卷动方式显示每节赛事的重要时刻，包括进站、最快圈和天气变化。IBM 表示，watsonx 代理会把比赛数据和车队策略资料整理成摘要，范围扩至练习、短途赛及排位赛。车队称，各节赛事结束后几分钟内便可提供相关叙述；这是公司公布的处理速度。同一更新加入换胎反应游戏，让球迷选择轮胎，并用排行榜比较反应时间。球迷亦可在 Tifosi Hub 分享六字短故事；这一部分属社群功能，并非人工智能生成内容。IBM 自行量度指，开发应用程式时使用超过七十项人工智能技能和三十个代理，产品开发效率提高三成。新功能对球迷实际使用和体验的影响，仍需推出后的独立资料判断。
Eko Health 十月二十二日推出 CORE 300 听诊器，结合传统和数码听诊，并可连接人工智能分析软件。医护人员可转动胸件，在传统听声与数码模式之间切换。公司称数码模式提供最高三十五倍放大及主动降噪，装置亦可显示即时心率。接通 Eko 应用程式后，医护人员可以记录和检视心肺声音。配合另外已获核准的软件，人工智能可提示结构性心脏杂音，供临床人员进一步评估。美国 FDA 资料显示，CORE 300 装置本身的五一零 K 核准决定日期是今年七月二十三日。因此今次的新消息是十月推出产品，并非十月才首次获得装置核准。Eko 表示先在美国供应，之后计划推往加拿大、英国和部分欧洲市场。杂音提示属辅助资讯，不能单靠装置判断疾病；临床成效仍须看具体使用和验证资料。
十月二十二日刊出的研究，检视医院护理人员的人工智能焦虑、职业疲劳与离职意向。研究团队在中国江苏四所医院，以问卷调查临床护理人员。二零二六年三月至六月共派出四百四十六份问卷，最后分析四百零四份有效回复。研究量度受访者对人工智能的忧虑、工作疲劳及离职意向，并比较三者关系。模型显示，人工智能焦虑较高的人，职业疲劳也倾向较高；标准化关联系数为零点六一一。人工智能焦虑与离职意向亦呈正向关联；疲劳在模型中解释了部分关联。研究同时发现，情绪智力较高与较低疲劳相关，但未能显著缓和人工智能焦虑的影响。问卷没有量度每名护理人员实际接触哪种人工智能工具，也没有追踪真正离职情况。这是同一时点的观察性调查，不能由相关数字推断人工智能部署令护理人员离职。
十月二十二日发表的一项教育研究，探讨大学生怎样判断生成式人工智能给出的学习回馈。 研究重点是学生主观觉得回馈是否可信，而非验证人工智能答案客观上是否正确。 团队搜集五百零六名本科生问卷，分析可信感、认知投入与自报深入学习之间的关系。 认知投入指学生有没有主动检查、比较和思考回馈内容，而不是只接受答案。
模型显示，回馈可信感与认知投入呈正向关联，标准化系数为零点四二八。 认知投入与深入学习的关联系数为零点三九四；可信感与深入学习的直接关联为零点三五六。 研究估算认知投入解释部分关联，但没有测试某一款人工智能工具的教学成效。
更要留意，觉得人工智能可信，并不代表每个回答都准确；学生仍须核对资料。 问卷属同一时点的自我报告，不能单凭关联推断人工智能直接提升了学习成绩。
十月二十二日刊出的研究，用人工智能评估光伏电站故障时，保护装置跨级跳掣的风险。 本来应在支路切断的故障，可能令上游断路器动作，连健康支路也一同断电。 研究团队用物理约束的时空图神经网络，加入保护动作次序及电气距离等资料。
高风险故障样本较少，团队再用条件扩散模型，为训练集生成经物理规则筛选的样本。 测试资料来自模拟的一百个独立故障场景，没有加入合成样本。 模型识别高风险情况的精确率达零点九二，召回率达零点九一。
对照不加入物理先验的图网络，后者高风险召回率为零点八零。 研究也比较不同方法的风险类别分布，完整模型在模拟资料中的区分较清楚。 这是模拟与离线测试结果，尚未证明部署到真实电站后可减少停电。
十月二十二日刊出的研究综述，提出以人工智能梳理与慢性病相关的细胞受体网络。 焦点是 G 蛋白偶联受体，简称 GPCR；它们接收细胞外讯号，涉及多种身体机能。 作者认为，单看一个受体可能不够，还要研究促进健康与疾病的讯号网络如何平衡。
文中列出免疫、代谢、神经和心血管等方向，作为可能的研究范围。 其中的人工智能工具，包括深度学习、自然语言处理，以及图神经网络，用来整理复杂关系。 作者提出结合病人检测资料与模型，筛选受体靶点，再预测候选药物的组合效果。
文章也把数码孪生与运算药物发现，放进未来个人化治疗的路线图。 但这是研究构想与文献综述，不是新药已获证实有效的临床试验。 资料不足、受体互相影响及临床验证，仍是这条 AI 研究路线要跨过的关口。
十月二十三日刊出的研究，用人工智能辨识茄子果实的病斑与害虫痕迹。 原研究照片包括果腐、蛀果虫、蓟马咬痕，以及健康茄子作对照。 叶枝遮挡、强光和模糊病斑，都是一般影像侦测容易失准的情况。
团队提出 FSF-RTDETR，把频率细节与画面空间结构结合。 其中一条分支寻找细小边缘和纹理，另一条处理形状及遮挡。 在论文的茄子影像资料集，模型 mAP50 达百分之七十八点八。
这比作为对照的 RT-DETR-R18 高四点二个百分点。 团队亦在另一个植物叶片资料集检查泛化能力，并展示病害定位画面。 结果仍属研究资料集测试，不能当作田间部署已能减少农药或提高收成。
十月二十三日，土耳其研究团队发表一套教师人工智能自我效能量表。 它量度的是教师认为自己能否完成 AI 相关工作，并非实际操作能力测验。 团队先拟出五十道题，经专家检视后，留下二十七题作试测。
第一组三百一十三名教师用于探索结构，另一组五百五十九人独立验证。 最终量表有二十二道题，分为三个互相关连的信心范畴。 包括 AI 使用与学习、课堂教学整合，以及理解和评估 AI。
题目涉及设计课堂活动，以及判断 AI 产生资讯是否可靠。 研究显示三范畴模型，较把所有题目归成单一范畴的模型更吻合样本。 各分量表的内部一致性系数，介乎零点九二至零点九六。
结果来自土耳其教师自我报告，不能当作 AI 已改善教学或学生学习的证据。
十月二十三日一项中国双中心研究，测试 AI 能否估计肺部神经内分泌癌的预后。 这类肿瘤有不同病理类型，病程差异大，单一估计方法不容易通用。 研究回顾了八百二十三名接受手术的病人，来自两间中心。
第一中心三百七十四人用来建模及内部测试，第二中心四百四十九人作外部验证。 团队比较一个表格资料 Transformer 模型，与逻辑回归及决策树。
在多项存活和无病存活测试，Transformer 模型表现较好，但并非每项都赢。 例如外部中心的五年预测，逻辑回归反而较佳；模型校准亦未如理想。
解释分析显示，病期、病理类型及年龄，是重要的预后线索。 这是回顾性研究，仍需前瞻及多中心测试，不能当作已核准的临床诊断工具。
十月二十三日发表的研究，以机器学习比较中国黄河流域与长江经济带的生态效率。 生态效率是把经济产出与资源消耗、污染等因素放在一起评估。 团队整理两流域二零一零至二零二二年的省级资料，先计算不同地区的指标。
调整后的结果显示，黄河流域整体水平较高但趋跌，长江经济带则轻微上升。 研究的动态分解指出，技术进步是两区指标增长的主要来源。
地区之间仍有差异，因此同一种政策未必适合每个流域。 团队用地理加权随机森林，分析影响因素随位置改变的关系。
模型发现城市化与环境规管有门槛效应，产业结构等关系也并非直线。 这些是历史省级资料的模型关联，不能直接推断某项政策已造成改善。
十月二十三日刊出的中国研究，用人工智能分析新生儿出生后的哺乳动作。 婴儿在母亲胸前自行寻找乳房的过程，称为乳房爬行；研究要评估整段过程。 团队在单一医院录下了一百一十四对母婴，并标注三十种婴儿行为。
第一阶段以三维卷积网络辨识动作，第二阶段合并行为及临床资料，估计五级表现。 留出的测试集只有二十宗；模型辨识两级较弱爬行的 F1 分数为零点八二及零点六七。
整体五级分类的宏平均曲线下面积为零点七七，反映能力仍有限。 事后合并高风险类别时，敏感度达一，但特异度只有零点七，而且信心区间很阔。
特征分析指出，手部靠近口部的时间等行为，与评级有关。 模型是看完整段录影后回顾评级，不能提早预测；单中心小样本仍须外部验证。
十月二十三日刊出的研究，展示人工智能如何逐格检查玉米育苗穴盘的播种品质。 问题不只要找到种子，还要判断每粒种子落在哪一格。 团队用热图找种子中心，再以滑动视窗处理整盘照片。
重叠视窗会重复辨识同一粒种子，所以再用全局去重。 研究按穴盘四角校正格线，把种子中心分配至对应格子。
每格再分成空格、单粒或多粒；这与单看整盘平均值不同。 严格按原照片分开的二十七张完整穴盘测试，涵盖三千四百五十六格。
逐格准确率约百分之九十八点二，三类宏平均 F1 约零点九零；多粒一类较难。 这些照片仍来自同一拍摄环境，跨农场、相机与不同穴盘规格的效果未验证。
十月二十三日刊出的印度研究，用人工智能挑选交通灯号的绿灯时长。 研究不是直接控制城市路口，而是在 SUMO 电脑模拟中比较方案。 团队让强化学习代理在优化途中，按情况选择六种搜索策略。
测试包括九个路口的规整网格，也包括按真实地图建成的道路网。 后者设有二十五个灯控路口，但车辆需求仍由程式模拟。
在九路口测试，平均等候时间比一般粒子群优化方法短百分之八点一。 在地图道路网，平均等候时间由四十八点八八秒降至三十三点零七秒。
相对粒子群基线，减幅是百分之三十二点三五；两组都只是模拟比较。 研究尚未用实测车流或实体交通灯验证，不能说已在城市落地。
十月二十三日刊出的北京研究，探索用机器学习辨识突发性听力受损病人的焦虑症状。 研究分析单一医院五百一十二名病人，是回顾病历，并非即时诊断。
研究把四百一十人用于模型开发，另用后期一百零二人作同院时序测试。 团队比较八种分类模型，再按内部资料选出支援向量机。
模型使用听损程度、耳鸣、眩晕、睡眠、共病数目及治疗反应六项资料。 这个模型在后期一百零二人的曲线下面积约为零点七六三。
但更完整的重抽样测试发现，最佳算法不稳定，机率校准亦未完善。 简单的逻辑回归在事后比较中没有明显输给支援向量机。
作者说仍须跨医院及前瞻测试，现阶段不能直接用作临床规则。
十月二十三日刊出的研究，探索药物供应网受冲击时，人工智能的解释何时可能失准。 南非团队提出 SpectralGuard，以网络连通程度监察解释的可靠性。
例如物流链断开后，模型参考的背景资料可能只剩局部供应商。 研究采用停电及汇率的历史序列，校准一个合成的药物供应网。
团队在五百次模拟中，比较标准 SHAP 与按连通程度调整的解释方法。 在设定的不同网络状态，后者的归因均方误差低百分之七十点四至八十九点二。
研究同时设计警戒证书，提示采购人员何时应降低对 AI 解释的信任。 但这些误差结果来自合成实验，并非真实药物采购资料的验证。
作者仍计划日后实地测试；现阶段不能说已改善药物配送。
十月二十三日刊出的研究，比较五款人工智能回答中文视野缺损病人问题的表现。 研究选了三十条固定问题，涵盖症状、求医、治疗及日常照护。
每款模型对每条问题只回答一次，合共取得一百五十份答案。 三名不知道模型身份的评审，按准确、逻辑、连贯、安全及易读程度评分。
五款模型在准确度、连贯性及易读性方面，整体存在统计差异。 ChatGPT 5.6 Sol 的准确度中位数最高，五分制得四点六七分。
Kimi K3 的连贯性中位数最高，为四点五分；但没有一款在各方面都领先。 答案较长或回复较快，与专家品质评分的关联普遍很弱。
测试只涵盖八月十五日的模型版本与单轮回答，不能证明临床使用安全。
十月二十三日刊出的研究，比较四款人工智能解答高强度间歇训练问题的资讯品质。 研究从搜寻趋势选出十四道题，让 ChatGPT、Copilot、Gemini 和 Perplexity 各答一次。
合共五十六份回答，由两名运动科学博士分别评估，再核对评分一致性。 评分工具涵盖资讯品质、可用性、来源透明度及整体实用程度。
在这批题目中，Perplexity 的四套工具评分中位数都最高。 但这些分数不能证明回答的事实、引用，或个别运动建议安全。
研究另用六种公式检查可读性；四款系统都未达预设的六年级阅读基准。 同一系统面对不同提问，品质和阅读难度也有变化。
样本只有十四题，每题只测一次；研究没有核实医学正确性，不宜据此直接制定训练计划。
十月二十三日刊出的研究，测试一种图神经网络为学术论文分类。 研究把一万二千五百五十二篇论文，分成四个学科类别。
模型先以文字相似度建立论文之间的连结，再加入可信度与不确定程度。 团队又以节点能量调整权重，让资讯沿论文网络扩散。
在八比二及七比三的训练测试分割，研究展示四种模型设定的学习曲线。 五次不同初始值测试中，这款图网络的平均准确率约为百分之九十九点四七。
但简单的多层感知器也达百分之九十九点五零，两者差异没有统计显著性。 论文对其他基线模型的比较，经多重检定校正后也未达显著。
测试属单一资料集的传导式设定，现时不能推论模型在全新论文网络仍有同等表现。
十月二十三日刊出的研究，用人工智能分析呼吸机相关肺炎患者的肺部 CT。 研究回看一间医院五百一十二名已确诊患者的影像，另以七十七宗外院病例验证。
模型先找出肺叶和气道，再结合 CT 与呼吸机参数分析病灶。 研究设计同时处理病灶分割、五种影像征象分类，以及影像负担分级。
在院内验证，病灶分割的 Dice 重叠分数为零点八四七。 外院七十七宗病例的相同分数为零点八二一，表现略有下降。
五种 CT 征象分类的宏平均曲线下面积是零点九一九。 这是已确诊患者之间的影像分类，不能当作辨别是否患肺炎的诊断准确率。
研究按病灶范围等指标，把 CT 影像负担分成三级。 调整部分临床因素后，影像负担级别与二十八日死亡风险仍有关联。
但分级标准并非医生独立判定的临床严重程度，外院样本亦只有七十七宗。 研究仍须加入非肺炎对照和前瞻测试，才能评估实际诊疗用途。
Nebius 十月二十二日公布，取得花旗提供的三十五亿美元融资额度。 这是一笔有抵押信贷安排，不等于公司已即时收取全额现金。
公司经营人工智能云端服务，表示资金将支援全球算力容量扩建。 公告列明用途包括数据中心发展，以及采购图像处理器。
款项亦可用于一般公司用途，并非全部指定购买晶片。 这项安排期限三百六十四日，初始年息为定期 SOFR 加二点七五厘。
息差之后可升至最多三点五厘，并可能受其他条款调整。 花旗同时担任这项融资的牵头安排人、代理及抵押代理。
Nebius 表示，其他资金来源包括客户预付款和营运现金流。 公司称，这笔短期融资让它更灵活安排往后的长期集资。
机房与 GPU 投资仍属计划，实际支出及建设进度要看往后披露。
十月二十三日刊出的研究，用图神经网络预测多个地区的太阳能发电量。 团队使用比利时十一个地区二零二五年的逐小时发电和天气资料，作回顾测试。
模型先补上缺失的量测，并把夜间发电量设为零。 对连续六小时的缺口，补值误差为百分之一点零二七，直线插值则为百分之二点四七三。
预测部分同时考虑地区之间随天气变动的关系。 一至二十四小时预测的平均日间误差为百分之三点五零九。
不用地区关系的比较模型，平均误差为百分之三点六八九。 研究亦生成多层预测区间，避免高低机率的曲线交叉。
但名义上百分之九十的区间，实际只覆盖百分之八十五点二六的观测值。 这反映不交叉不等于机率已校准准确。
研究使用配对的历史天气资料，并非即时发出的营运预报。 投入电网调度前，仍要以真正预报天气和不同年份再验证。
墨西哥研究团队十月二十三日发表自动驾驶测试车的乘员状态辨识实验。 测试平台是一辆 Polaris 电动车，车载介面显示车辆位置和感知结果。
镜头配合面部关键点，量度眼睛、嘴巴和头部方向。 研究把表现分为正常、闭眼、望出安全区、打呵欠及快速眨眼五种。
面部侦测成功率为百分之九十八点五。 室内资料交叉验证中，支援向量机和随机森林的准确率及 F1 分数约为百分之九十一。
转到户外留出资料，支援向量机的 F1 分数为百分之八十九。 随机森林的 F1 分数跌至百分之七十，反映环境变化的挑战。
研究所用室内训练和户外测试资料，都来自同一名参与者。 分类器亦是在录影后离线测试，未证实在真实道路可改善安全。
十月二十三日刊出的研究，用机器学习分析中国地方政府公开的网页文本。 研究整理二零一五年至二零一九年，三级政府网站约一亿九千六百五十四万篇文章。
团队先由一万个文章标题人工标记四种讯号，再训练分类模型。 四类分别是政绩、道德、程序和技术叙述，之后才推算整批文本。
分类器在保留测试集的准确率约为百分之七十八。 模型估计，整体文本以道德叙述占比最高，约百分之三十一点九二。
政绩叙述约占百分之三十点七九，程序叙述约百分之二十一点三四。 市级网站的政绩叙述占比，较省级网站高；县级网站的道德叙述亦较高。
省级网站的程序叙述占比，则高于市级和县级。 季度走势显示各类讯号有变动，但研究只分析政府发布内容。
它不能证明民众如何理解资讯，也不能证明哪些文字令公众更信任政府。
十月二十三日刊出的匈牙利研究，调查人们如何对待对话式人工智能。 研究采用二百八十九人的匿名问卷，参加者平均约二十三岁。
问卷量度的是受访者自报，对文字聊天 AI 作出的类欺凌行为。 研究把人按过往欺凌和受欺经验，分为四个组别比较。
曾同时欺凌和受欺的一组，平均分数为十四点九二。 只曾欺凌的一组为十一点六四，未涉两者的一组为七点零四。
只曾受欺的一组平均为六点六九；组别差异不代表每个人都有相同行为。 统计模型显示，两种过往经验之间的交互作用，与对 AI 的行为分数有关。
但资料来自单次自报问卷，多数受访者是年轻学生，而且女性占约七成二。 研究不能推论过往经验造成这些行为，也没有证明人工智能受到伤害。
法国研究在十月二十三日发表，用最大熵方法生成供模拟使用的合成人口。 合成人口由统计条件组成，不是真实居民名册，也不是新增的人口调查。
例如已知不同年龄和其他类别的人数比例，模型须同时配合多种重叠条件。 若要求每项条件完全吻合，属性愈多，精确整数求解便愈难扩展。
团队改为在期望值上配合条件，再用固定计算预算作抽样近似。 研究以四至四十个类别属性的测试，与传统配比方法比较。
在二十八及四十个属性的多组测试，最大熵近似的平均相对误差较低。 例如四十个属性、五千六百二十六名合成人口的一组，误差为零点零九五。
传统配比法同组误差为零点三五二；但较小或低阶条件下，传统方法仍可竞争。 这些是指定资料和运算预算下的基准结果，不代表所有实际人口都能准确重建。
十月二十三日一篇综述，重查人工智能生成或个人化音乐对健康的研究。作者纳入二十一项研究，合计至少一千零五名参与者。当中多数只是用演算法选歌，或调整既有音乐，未必由AI作曲。真正使用机器学习生成音乐的研究，只有三项。有些方法先录下脑电波，再制作固定的个人化音乐。另一些方法在聆听期间接收讯号，即时改变既有音乐的参数。研究也有用心率变异或皮肤电讯号，持续调整声音。但即时读取脑讯号、同时生成个人化音乐的组合，只见于一项二十人的小研究。综述评定各类结果的证据确定性都非常低，没有一项发现获独立重复验证。作者认为仍可继续试验，但现有证据不足以支持把这类音乐投入临床使用。