十月二十六日刊出的研究，用纯 Python 建立电力变电站网络攻击模拟场。研究模拟一座一百一十千伏变电站，控制系统以 Modbus 网络协定通讯。它并非真实电站，也没有运行实际的控制器韧体。团队设计六种攻击情景，从七十二次独立模拟产生标记资料。资料共有三千二百五十六个一秒观察窗，涵盖不同日间负载。训练与测试按整次模拟分组，避免同一活动的片段同时出现在两边。在这个模拟资料上，入侵二元侦测准确率约百分之九十六。但六类攻击的辨识表现不一，不能只看总准确率。只用网络特征时，二元侦测 F1 为零点八九一。加入电力过程特征后升至零点九三四，多类宏平均 F1 升至零点七七零。团队公开可重建的资料与程式，方便其他人重做这些模拟。作者强调网络与物理环境已简化，仍要在真实设备环境验证。

十月二十六日刊出的研究，让五款视觉语言模型解读同一批儿童画作。研究最后纳入三百一十五幅网上画作，每款模型各回复一次。画作没有儿童的临床资料或完整创作背景。五款模型收到相同的投射心理学提示，研究比较的是生成文字。研究以文字情绪工具分析回复语气，并非测量画作主人的情绪。同一幅画的回复在语义上较接近，但不同画的回复也有相似内容。模型在正面用语、心理词汇、句子长度与可读性上仍有差异。这意味同一画作可能被描述成不同语气的心理故事。研究另以三十一幅画作和临床心理学家的解读作探索比较。但这项比较没有建立儿童心理状态的独立真值。每款模型每幅画只试一次，结果也可能受提示和模型版本影响。作者指出，语句相似不等于心理判断正确，更不能把模型回复当诊断。

十月二十六日刊出的研究，尝试用 AI 改善徽州雕刻虚拟展馆。团队先建立雕刻物件模型，再测试展厅展示方式。研究采用神经表面重建，制作文化物件的三维模型。再按观看距离调整模型细节，减少不必要的运算。展厅布局则用粒子群优化，测试对称、密度与色调。这是研究中的虚拟展馆实验，并非已开放的新实体博物馆。原论文展示了重建的雕刻物件，但画面仍是数码模型。团队也比较不同配置，观察展品如何影响观看路线。他们把左右对称与展品排列方式，放进虚拟厅作比较。另有三十五名学生参与眼动实验，样本仍相当有限。四十六份有效问卷中，视觉舒适度平均由七点一升至九点四。但模型真实感平均由九点零降至八点一，显示改动有取舍。研究也测试展品密度与冷暖色对比，寻找更易观看的配置。结果来自学生与实验室环境，仍须在真实观众中验证。

十月二十六日刊出的遥感 AI 论文，是八月会议研究的扩充版。新版本加入 DIOR-R 资料测试，并补充参数敏感度分析。团队的 RedhDet，要找出航拍影像中方向各异的目标。例如斜放的船只或密集物件，普通水平框较难贴合。模型将辨认物件类别与定位旋转边界，分给不同处理分支。原论文展示的对照图，部分错报与漏报较基线少。在船只影像基准 HRSC2016，上述方法也测试细长物件。这些图像是研究资料集，不代表系统已在卫星业务部署。扩充版新测的 DIOR-R，整体平均精度录得百分之六十六点四四。数字只属这个基准与评测设定，不能当所有影像的准确率。新测试仍发现某些相似类别较易混淆。作者也以混淆矩阵，展示不同类别之间的辨识差异。特征热图显示，模型旋转影像后较能保持对目标的关注。研究仍需跨地区、跨感测器及实际场景验证。

十月二十六日刊出的研究，比较人类与 AI 数码人讲解客家土楼短片。两段约一分钟的影片使用相同稿件、背景与剪接节奏。原论文展示真人和数码人版本；差别不只在声音。研究因此比较的是整个旁白呈现，不能只归因于 AI 配音。六百零一名网上受访者，随机观看其中一个版本。真人组三百人，数码人组三百零一人，之后填写感受问卷。在这组短片中，真人旁白的亲近感平均评分较高。旁白清晰度评分，真人平均三点七二五，数码人三点三五五。但两组辨别旁白身分的正确率，都只略高于一半。样本与影片都有限，结果不能推论所有数码人讲解效果。

十月二十六日的新研究，测试 AI 辨识比特币可疑交易与钱包。它使用公开的 Elliptic++ 资料，涉及逾二十万笔交易。资料按时间分段测试，避免用未来标签训练过去预测。不过模型传递讯息时仍会看见整张图，作者列为限制。这个双图神经网络，同时连结交易流向与钱包地址。研究希望找出有非法活动标签的钱包，而非即时追捕罪犯。在钱包测试，模型的精确率召回率曲线下面积为零点六二四。表格模型 XGBoost 为零点三七二；这只属该资料集比较。然而交易分类结果反过来：LightGBM 的 F1 有零点八零七。双图模型只有零点四三九，显示加图结构不一定更好。论文也展示注意力权重，可供研究人员追查模型依据。这不是实际反洗钱系统的部署成绩，仍要跨时期验证。

十月二十六日的新研究，观察土耳其见习英语教师如何使用 AI 备课。五十八人分别用 ChatGPT、Gemini 和 DeepSeek 设计教案。研究收集他们的反思文章，并观察其中十三堂实际课堂。结果是质性个案分析，不是比较三款工具的准确率测试。回报最多的问题，是 AI 教案未能配合具体班级语境。三款工具也都出现活动时间估算与课堂节奏不合的情况。研究把教师的做法归为重设语境、替换活动及即场应变。例如有教师把通用练习改成配合学生熟悉文化的例子。也有人在学生失去兴趣时，临场停用原定活动。作者认为 AI 的局限，反而让教师作出专业判断。但样本只来自一所大学，课堂观察亦只有十三次。不同工具用在不同自选题目，不能据此判定哪款最适合教学。

十月二十六日的新研究，让 AI 辨认五类波斯细密画风格。研究使用八百九十张作品图片，按画派分成五类。模型把图片切成小块，再分析各区域之间的关系。研究亦配合影像增强与调整学习率，处理样本较少的问题。在五折交叉验证，平均分类准确率是百分之九十三点八五。数字高于研究比较的几个模型，但未证明对全新馆藏同样有效。作者用热度图展示，模型在这幅画较重视哪些区域。中央人物与前景物件较突出，背景和画框的权重较低。改变热度门槛，显示出来的重点范围亦会改变。热度只说明模型依据，不能证明它理解作品历史。与另一种图像模型比较，两者标出的重点也不完全一样。研究缺少风格元素位置标注，仍不能量度热度图定位是否准确。

厄瓜多尔研究团队在十月二十六日发表医检用品供应链的 AI 核查系统。系统要在出货前核对试剂和分析仪的厂商相容性资料。研究用三百九十四份技术及企业资料片段，测试一百七十五条查询。初版回答更贴近问题，但有来源支持的内容比例反而下降。与关键字检索相比，相关度由零点四一六升至零点五二二。忠实度却由零点九四五跌至零点七二四，显示回答仍可能失准。其中二十九条低忠实度回答，有十条涉及相容性推理错误。修订版改由厂商矩阵给出已核实的相容性判定。未记录相容的组合，只说没有文件证明，不直接判定不相容。新版在已辨认产品配对的测试，判定与厂商矩阵一致。但测试产品有限，尚未量得实际退货或采购错误有否减少。

十月二十六日刊出的研究，测试 AI 如何找出铁轨表面瑕疵。研究用旋转方框标示斜向或细长瑕疵，减少框入无关背景。团队加入四个方向的长条感受野，抽取延伸的瑕疵纹理。另一模组按局部纹理，把不同尺度的特征融合。测试资料有四类瑕疵，包括波磨、剥落及车轮烧痕。在三个随机种子下，新模型平均 mAP 五十为百分之八十八点四七。基准 YOLO 模型是百分之八十一点九一，两者相差四点五六个百分点。论文展示同一批测试铁轨图片，新模型对部分瑕疵的框位较好。但也有少数例子变差，不能凭图片推论所有瑕疵都会更易找到。热度图显示模型较留意瑕疵位置，仍不能证明哪个模组造成改善。这些结果属自建资料集测试，尚未验证真实巡检的安全效益。

十月二十六日刊出的研究，测试 AI 预测模拟炼油流程的六项数据。预测目标是三十分钟后的数值，资料全部由模拟器产生。研究生成三十个模拟运作批次，分开训练、选模和测试。作者重现了数据生成程序，但模拟器没有真正的物质及能量守恒方程。模型先用较简单的 Ridge 回归预测，再加入有限度的非线性修正。测试亦模拟量测延误和缺漏，避免模型偷看未来资料。在新增的十六个模拟批次，常见结构的十种干扰平均误差为零点一八八。对比模型 NLinear 是零点二零七；另一组改动结构测试亦有较低平均误差。但固定混合修正的简化方法，在两组干扰平均分数都略胜。没有量测干扰时，另一种 LightGBM 模型亦较准，没有全场景冠军。旧测试的名义九成预测区间，在严重干扰下实际只涵盖约七成。模型未用独立炼油厂资料验证，也未成为可操作的数码分身。

十月二十六日刊出的土耳其研究，访问二十名十一年级学生怎样使用生成式 AI。其中十六人就读选拔制理科高中，样本不能代表所有中学生。全部受访者都把 AI 看成更快取得资讯的渠道。十四人想像没有 AI 时，只是完成学习任务所需时间较长。但同一工具可以代做功课，也可以由学生设定问题和使用规则。研究把八名会自订使用方式的学生，归入较主动的配置观点。另外六人主动提及，长期依赖 AI 可能削弱思考或记忆。两种观点只有两人重叠；小样本不足以确立两者之间的关系。谈到作业伦理，学生多以有没有投入自己的努力作判断。十四人描述先自行尝试、再向 AI 求助的做法。这些都是访谈自述，没有直接测量成绩、记忆力或 AI 的因果影响。作者建议再纳入不同类型学校和学生，测试这些观点能否延伸。

十月二十六日刊出的西班牙研究，测试蒸汽疏水器的感测和机器学习监测。研究展示药厂一个现场装置，但资料只来自同一设施的两个装置系列。系统结合温度、超声波与通讯设备，把讯号整理成时间窗特征。模型按六类由工程规则形成的状态标签，分析六千三百五十四个时间窗。在报告的测试分割，梯度提升模型的整体准确率为百分之九十八点五三。更重视少数类别的宏平均 F1 分数是零点八八二二。但进一步移除可能带有标签线索的特征后，测试 F1 降至零点四九九九。这显示分数对特征选择敏感，不能把高分当成独立故障诊断准确率。原型系统以装置登记资料，分开正式预测、旧装置影子推论与范围外资料。这些分流属预设范围规则，并未证明系统能自动识别资料漂移。仪表板可检视感测曲线，但研究未有独立核实的真实故障标签。投入其他工厂之前，仍须跨装置和真实故障个案验证。

十月二十六日刊出的土耳其研究，把冠脉造影影片与常规验血资料交给 AI 分析。目标是估计血管狭窄有没有影响供血，而不是单看造影形状。研究回看一百七十九名患者的二百五十六段左前降支造影影片。另留三十六名患者作测试，患者层面与训练资料分开。模型用三维卷积网络读影片，再让验血衍生指标调整影像特征。验血指标涉及血球和血小板特征，属血液流动性代理量，并非直接量测血流。热度图显示模型注意力主要落在冠状动脉树，但只属定性观察。研究没有证明模型真正理解血流机制，亦未建立临床决策效益。在测试组，多模态模型辨别缺血的曲线下面积是零点六二一。只用影片的模型是零点四八二，只用血液指标是零点五九九。多模态模型平衡准确率只有零点五九，仍有不少错判。资料来自单一中心、测试患者只有三十六人，尚不足以取代压力导丝量测。

巴林研究员十月二十六日发表无人机 AI 飞行控制研究，测试仍停留在模拟。团队用六自由度电脑模型，模拟一架固定翼无人机的运动。测试包含直线转弯、割草式扫描、螺旋及八字形等五种航迹。这些画面都是研究模拟轨迹，并非真机空中录影。控制系统以两个智能体，分别处理纵向和横向飞行动作。研究采集中训练、分散执行的多智能体强化学习方法。作者以五个随机种子训练，并与传统 PID、反步控制和单智能体方法比较。论文报告，五种情境的三维位置均方根误差约为零点五二至一点一米。相对单智能体方法，误差在所测情境缩小约百分之三十五至三十九。这是作者设定的模拟条件比较，不能直接推算真实飞行表现。研究亦加入参数不确定和风扰动，观察系统能否继续追踪路线。论文尚未提供硬件回路或真机飞行验证，实际部署仍待测试。

十月二十六日，印度研究团队发表微电网 AI 排程模拟，分析储能与用户需求。研究使用 IEEE 三十三节点测试网络，并非已部署的实际电网。第一阶段先安排分散式发电和电池储能的位置及容量。第二阶段让五个用户和三个电池智能体，以 Q 学习安排逐时运作。研究比较只看电价的用户方案，以及加入营运方诱因的另一方案。后者容许更多用户减少用电，但与舒适程度的取舍也更大。相对只配置分散式发电，第一方案的购电成本在模拟中降低百分之三点二五。加入诱因的第二方案则降低百分之十二点九九。较大降幅主要来自用户减少需求，不能全归功于电池 AI 排程。电池价差调度只再带来约零点六个百分点的购电成本改善。论文的经济分析亦指，单靠这种套利未足以收回储能投资。测试采确定的日前条件，真实价格、用户反应和大规模网络仍要验证。

以色列团队十月二十六日发表口腔相片 AI 研究，尝试分辨牙齿矫正评分门槛。研究把每次覆诊的五张口腔照片合并分析。资料包括五百九十三次覆诊、共二千九百六十五张照片。模型先找出牙齿区域，减少相片背景的干扰。团队比较多种整合五个视角的深度学习方法。最佳方法以注意力机制汇整不同照片的资讯。在八十次覆诊的保留测试中，区分门槛的 AUROC 为零点八二。模型与原标注医师的一致度，κ 值约为零点五五。另一名矫正医师独立评分时，模型与他的 κ 值约为零点四一。两名医师之间约为零点五二，反映参考评分本身也有差异。接近判断门槛的个案，最容易出现评分分歧。这是单一中心的回顾资料，尚不能代替临床评估。

墨西哥研究团队十月二十六日发表家居用水 AI 系统性综述。团队梳理一百项研究，检视感测、辨识用水用途和部署难题。其中八十九项采非侵入式监测，不用在每个设备独立装水表。但各研究使用的感测器与资料收集方式相差很大。高频实验常每秒采样至少一次，较易捕捉短暂的用水事件。商用自动水表每十五至六十分钟才记录一次，会失去不少细节。综述整理随机森林、卷积神经网络与序列模型等做法。部分高频实验的 F1 分数超过零点八八，却不能直接套到低频水表。约四成五研究处理多个用水设备同时开启的情况。混合水流互相覆盖，令 AI 较难辨认哪件设备用了多少水。住宅水管布局不同，也令模型跨屋转用的表现不稳。作者建议补充跨地区资料与低记忆体装置测试，并未宣称已大规模部署。

北京航空航天大学团队十月二十六日发表工业网络数码孪生 AI 排程研究。工业设备传送多路资料时，除了快，相关封包也要尽量同步抵达。团队用 NS-3 模拟通讯数码孪生，让多个节点协同学习排程。测试拓扑包括六个 Kintex-7 FPGA 实体节点，另有二十个模拟节点。演算法训练时考虑延迟、负载集中、丢包与相关资料到达的时间差。训练后的策略量化成排程表，在 FPGA 上执行，并非即时运行神经网络。在九成传送负载的硬件测试，平均端到端延迟由四百二十三点六毫秒降至三百七十八点七毫秒。相对固定优先次序排程，平均延迟减少百分之十点六。九成五封包不超过的延迟，也由五百三十六点八降至四百六十七点九毫秒。相关封包超出同步门槛的比率，由百分之三十九点八降至二十二点五。消融测试显示，同步约束和事件时间估算，都对结果有贡献。这些是指定模拟与实验拓扑的结果，仍未证明能在真实工厂普遍达标。

北京大学团队十月二十六日提出太空相机微振动影像位移的 AI 估算方法。研究设想两条共用主要光学组件的通道，其中一条高速测量振动。轻量神经网络从模拟影像，估计两条通道之间需要补偿的位移。作者强调这是模拟可行性研究，未经相机实机或在轨测试。在固定保留测试集，单靠质心追踪的校正误差为零点三九六像素。研究的神经网络把相同校正指标降至零点一三零像素。转成八位元整数模型后，这项校正误差为零点一三三像素。但若连同位移追踪误差计算，完整影像位移误差仍达零点三九八像素。其中零点三七八像素来自追踪环节，是目前主要限制。论文所列每帧零点零一五毫秒，只按假设算力估算神经网络运算。它未包括感测器读取和资料同步，不能视为整套相机的实测帧率。要判断能否上太空，仍须做实机、长期校准和在轨环境验证。

埃及研究团队十月二十六日发表 AI 模型，辨认与太阳能板积尘风险相关的高尘日。研究只用开罗与阿斯旺的环境资料，分析大气粉尘负荷。资料包括太阳辐射、天气，以及大气颗粒物和尘埃光学厚度。模型把多个分类器的结果加权结合，称为 FUSE。研究以二零一九至二零二二年资料训练，另用二零二三年资料测试。同日分类的加权 F1 分数为百分之九十一点六五，曲线下面积为零点九三二四。与单一随机森林比较，FUSE 的加权 F1 较高；与另外两个强基线则相近。

预设门槛只找出百分之五十三的较高粉尘代理事件。改用训练资料选出的门槛，这项召回率升至百分之六十八。风和颗粒物变数较重要；太阳辐射变数在这个资料集的贡献较小。同日结果要等环境观测资料齐备，另做的翌日预测加权 F1 最高为百分之九十点七七。标签来自大气尘埃代理值，没有直接量度太阳能板上的积尘；仍须实地验证。

十月二十六日的跨院研究，比较前列腺病理专用 AI 与大型基础模型。研究涵盖六千二百六十八名患者、逾十万份前列腺针刺活检，来自十五个地点。团队用数码扫描的切片图，测试癌症辨识与病理分级。基础模型先以大量资料自我训练，专用模型则针对这项任务学习。标记资料不足时，基础模型较有用。但资料充足后，专用模型的表现追近，部分测试甚至反超。

院内验证与病理医生分级的一致性，所有模型约为零点九一。外部队列中，专用模型一致性为零点八七，两个基础模型分别为零点八六和零点八五。研究亦指出，专用训练减少难辨组织形态的错误分级。基础模型的能源消耗在比较中最高可达三十五倍。不同医院和扫描环境的表现仍有差异，研究不是前瞻临床试验。作者建议同时考虑专用和基础模型，按资料量与资源选择。

中国山西研究团队十月二十六日发表 AI 合约审计方法，尝试找出智能合约漏洞。研究针对大型语言模型常忽略说明中段关键风险字词的问题。第一步让模型继续学习智能合约程式码与相关安全知识。之后以有标记样本，训练漏洞判断和完整的原因说明。最后比较较好与较差的审计文字，特别加权重要字词。研究把梯度资讯与中段位置权重结合，希望减少漏看核心攻击路径。

实验评估重入、时间戳依赖、整数溢出和委托呼叫四类漏洞。其中重入漏洞的 F1 分数，由前代方法百分之八十八点五升至九十二点二。参数分析显示，中段权重和模型识别线索要取得平衡。另一组参数比较亦显示，过高的偏好约束会令漏洞召回下降。论文表格中，四类漏洞的 F1 均高于所比较的前代方法。但这些是指定基准资料结果；额外运算和人工标记成本，仍限制实际部署。

中国三峡大学十月二十六日发表 AI 电网控制研究，处理大量太阳能并网时的电压波动。团队用强化学习协调光伏逆变器、无功补偿器和电池储能。模型以图注意力网络读取电网连接结构，再用另一个注意力模组调整特征。作者称后一模组毋须加入可训练参数，目标是提高对电压风险的敏感度。测试采用改造的 IEEE 一百二十三节点馈线，不是真实电网现场部署。

冻结测试集涵盖九十六日，共四万六千零八十个三分钟运行步骤。在正负百分之五电压范围下，没有控制时越限率为百分之十五点六五一。常规 Q-V 下垂控制的越限率为百分之零点七零一，完整 AI 方法降至零点一零六。与同样使用图注意力的强化学习基线比较，完整方法亦减少电压越限。但平均每日电能损失由二点零四兆瓦时，升至二点一一兆瓦时。因此结果显示安全与效率有取舍，不能只看越限率。这仍是模拟馈线测试，实际电网效益及可靠性有待现场验证。

厄瓜多尔研究团队十月二十七日发表制造业 AI 排程研究，提醒高分预测模型未必能缩短实际延误。研究以一间多品种、小批量金属加工企业的订单资料，建立离散事件模拟。输入包括一千八百四十二张生产订单，和九千六百一十四笔工序纪录。团队设计六十四种情境，比较五种固定排程规则，再训练决策树及随机森林选择规则。

随机森林在验证资料的分类准确率与平衡准确率都是百分之一百。但把模型放回模拟排程流程后，表现反而落后于部分固定规则。在未见过的情境，模型的平均总加权延误是一点三四二。较早到期先做的固定规则是零点零二九，另一种固定规则是零点零四五。研究指出，模型主要读取当前正在使用哪一条规则，并持续沿用它。回放期间，它没有作出任何排程规则切换，难以发挥原本设计的适应作用。因此完美分类分数，可能只反映模型学会了记住现有规则。这是模拟与个别企业资料的诊断结果，并未证明任何方法在真实工厂一定更好。

佛山大学十月二十七日发表动物生理教学研究，测试有教师监督的 AI 辅助课程。课程先让学生线上预习，再用虚拟环境预演，之后才进行实验室操作。AI 主要在课后协助评分与引导提问，老师仍要审核内容和公平性。研究强调虚拟练习是预备阶段，没有取代实际动物实验。另一部分采班级随机分配，十四班共三百八十六名兽医学生参与。其中七班沿用传统教学，七班加上 AI 辅助闭环学习，课程为期八星期。

研究亦比较改革前后不同届别，畜牧专业的实验课成绩有所提高。兽医专业的历史届别亦有改善，但这些学生不是同期随机对照。在随机分班试验，传统组实验课期末平均分是八十九点零九。AI 辅助组是九十四点二七，差异在这门实验课达统计显著。不过后续课程分数差异没有达到统计显著，长远学习效果仍未确定。教学方法一次改了多个环节，论文也没有证明分数差距由 AI 单独造成。

一项十月二十七日刊出的研究，以脑电波和深度学习模型比较抑郁症患者与健康对照。资料来自同一公开资料集，只有五十三名参与者：二十四人患抑郁症，二十九人属健康组。研究用三个电极收集脑电，每名参与者的纪录再切成十段。所以模型实际处理的是五百三十个片段，而不是五百三十名病人。

模型以卷积网络读取空间特征，再由门控循环单元分析时间变化。两组特征合成一百二十维后，研究再选出三十项较有资讯的特征。研究亦做了按受试者分组的五折验证，避免同一人的片段同时出现在训练与测试组。五折平均分类准确率为百分之九十六点七四，组与组之间的标准差为一点二三个百分点。另一项单次测试共一百五十九个片段，模型判对九十四个抑郁片段与六十三个健康片段。另有两个抑郁片段被判为健康；这些数字不能当成对一百五十九名病人的诊断结果。

样本只有五十三人，亦未用独立医院或不同设备资料作外部验证。因此论文显示的是这个资料集内的分类表现，尚不能证明模型可用于临床诊断。土耳其研究团队十月二十七日刊出伊斯坦堡用电预测比较，整理二十二种方法。资料主要是二零二零年至二零二五年的每小时历史用电纪录。研究加入规模七点五地震的假设背景，但预测目标仍是历史用电。它没有量度真正地震后的停电变化，亦没有建模医院等服务新增的用电量。

在二零二五年元旦的二十四小时比较中，长短期记忆网络录得最低的平均绝对误差。数值是七十九点八九兆瓦时，同一日的决定系数约为零点九七。但单日结果不能证明这种模型在其他日期或震后情况持续领先。另一项按时间先后切分的二零二四年测试，采用不同设定的模型与资料。该测试中，简单的 Ridge 基准误差是二百二十四点五四兆瓦时。另一个长短期记忆网络是二百七十六点五六兆瓦时，两者不能直接取代单日比较。

论文另在加州同一日的二十四小时用电资料比较九组预测，随机森林的误差最低。但这不是原模型不变地转移到加州，更没有验证真实地震中的电网调度或抢修。十月二十七日刊出的研究，以五十个标准化泌尿急症情境，测试六款大型语言模型。十类情境包括睪丸扭转、急性尿滞留等，每题以中文在独立对话重问三次。六款模型合共交出九百个回应，由两名有逾十年经验的泌尿科医生评分。

参考答案分为即时到急症室、一般门诊，以及在家观察三个层级。全体回应的三级分流准确率为百分之八十九点一一，宏平均 F1 为百分之八十五点七三。Qwen 的描述性准确率最高，为百分之九十四；Claude 最低，为百分之八十点六七。但经多重比较调整后，模型之间的成对差异没有达到统计显著。模型大致认得需要即时急诊的情境，门诊与在家观察之间则较难分辨。

医生对回答内容的平均品质评分，按模型介乎五分中的三点六八至四点一五。相同情境重问三次，完全一致的分流比例按模型介乎百分之七十八至九十六。研究把百分之十二点三回应列为有临床相关错误，其中百分之三点一属危险错误。这些都是标准化情境测试，尚未验证真实病人结果，不能直接用来取代医护分流。十月二十七日刊出的研究，检查机器学习能否把抗药性预测带到另一间实验室。

团队分析瑞士多站点的质谱资料，涵盖八种细菌、十八种药物和七十二项跨站任务。模型几乎总能从质谱分辨资料来自哪间实验室，站点识别曲线下面积介乎零点九六六至一。但跨站抗药预测的精确率召回率曲线下面积，却由零点零四九至零点九二零不等。研究测过多种不使用新站点标签的适应方法，仍未恢复稳定的跨站预测。于是团队改问：若可取得少量新站点标签，应随机挑选还是混合挑选样本。

他们以五个毋须标签的资料差异指标，为每项任务选择两种取样方法之一。但跨群集测试显示，指标预测哪种策略会较好，本身也不稳定。取得三十个新站点标签时，选择策略相对固定随机取样，平均 PR-AUC 只增加零点零零七八。这项比较的 p 值为零点零一二，但策略没有显著胜过固定混合取样。把群集之间共享的菌株纳入依赖性考量后，三十标签结果的 p 值升至约零点零六至零点零九。作者因此把方法视为概念验证；仍需独立实验室测试及在地校准，未可直接用于临床。

十月二十七日刊出的南非研究，测试 AI 能否提前发现鲜果冷库的温度异常。研究使用一间苹果冷库的两组物联网感测数据，记录温度、湿度、光照等条件。团队比较八种机器学习模型与三种基线方法，建立温度预测及异常预警流程。其中结合 LSTM 和 GRU 的模型，是受测循环式模型里整体表现较好的一款。研究指，所有受测深度神经网络都能在温度越界前发出讯号，基线方法则未能做到。

混合模型在循环式模型之间，也录得较少的每日误报。团队再用因果探索及解释工具，检查哪些感测变数与预警有关。过去的温度读数是最突出的因素，温度与湿度亦被列为优先监测条件。这些因果连结来自观测数据和模型假设，并非调整冷库设定的实际干预试验。两组数据仍出自同一个冷库，其他场地或运输路段的效果未获验证。研究亦只分析有限的感测参数，可能漏掉其他影响温度的因素。AI 预警有潜力帮助管理冷链，但实际能否减少食物损耗，仍要实地测试。

十月二十七日刊出的研究，用 Wi-Fi 讯号指纹训练人工智能，判断人在室内的位置。埃及团队使用公开的 UJIIndoorLoc 数据集，涵盖多座大楼及楼层。新模型先为每个 Wi-Fi 基地台讯号分配权重，再按大楼、楼层与位置分层学习。这样可降低大量弱讯号的干扰，让接近的位置在模型中更容易归在一起。在相同测试流程下，新模型辨认大楼和楼层的准确率为百分之九十点七三。

重现的基线模型为百分之九十点三七，差距只有零点三六个百分点。平均定位误差由十一点四八米，降至十一点三八米，改善约十厘米。研究亦观察到，五百二十个基地台之中，少于六十个提供大部分辨识讯息。这个权重图有助研究哪些讯号值得保留，但不代表可直接关闭其他基地台。目前结果只来自一个公开数据集，没有跨建筑或跨设备的实地部署测试。而十一米以上的平均误差，对精细导航仍然偏大。因此这是有限度的模型改进，实际定位用途还要在不同环境验证。

十月二十六日刊出的研究，测试机械臂结合人工智能，能否非接触量测盲孔。盲孔底部封闭，光线和镜头较难看清内壁，尺寸检查比通孔复杂。研究系统先让六轴机械臂对准孔位，再按反光和深度调整照明。人工智能从相机影像分割孔边，后续算法估算孔的中心和直径。团队在一块压克力工件加工三十个盲孔，直径五至十五毫米。

孔深十至四十五毫米，测试三种反光度及零至二十度的接近角。在这三十次测试中，所有孔均成功侦测，并完成几何拟合。三维位置平均误差是零点零三二二毫米，平均直径绝对误差是零点零五四四毫米。接近角达十五度或以上时，平均位置误差上升。各反光组别只有十次测试，角度与反光程度的安排亦部分重叠。作者把结果列为概念验证，尚未证明能在不同材料及深孔生产线保持表现。要评估实用性，还需更大样本及逐个模组的对照测试。

十月二十七日刊出的中国研究，调查人工智能采用与智慧农业的关系。团队在八个月期间，分阶段访问农业及农产品机构的四百五十二名人士。问卷先问 AI 采用和管理方式，之后再问智慧农业能力与区域效益感受。受访者来自河南、山东、江苏与四川，资料是个人回报。分析发现，较高的 AI 采用程度，与较强的智慧农业能力有正相关。

领导者支持变革的程度，也与受访者感知的效益有关。员工数码技能较强时，AI 采用与智慧农业能力的关联更明显。这提示农业数码转型，需要技术以外的员工培训和管理配合。但研究量度的是受访者对区域经济效益的感受。它没有直接量度农作物产量、成本节省，或地区经济增长。分阶段问卷能把回答时间分开，仍不能单凭相关性证明 AI 带来经济效益。作者的结论宜视作组织调查线索，实际收益还需客观数据追踪。

十月二十七日刊出的研究，介绍一款按提纲撰写长篇文件的人工智能工具。美国国立环境健康科学研究所团队参与开发，工具名为 Discourse2Draft。用户可以提供自己的章节提纲，或让系统先生成提纲。它按段落检索上载文件或生物医学文献，再产生附引用的草稿。原研究展示的介面，把提纲、文件与生成内容放在同一工作区。完成后可汇出 Word、LaTeX 和 Markdown，方便再编修。

团队以三个生物医学题目，比较此工具与两款商业研究写作工具。内容、检索与引用的分数，是由其他大型语言模型评定。作者称，系统先核对文献资料库，减少虚构参考文献。但测试亦发现，生成段落有时偏离所引用文献的内容。这次评估没有正式邀请领域专家逐篇审阅，现时版本亦不支援插图。工具提供可编修的起稿方式，医学写作仍须由人核对证据与文意。

十月二十七日刊出的印度研究，测试网络入侵侦测模型面对资料变化的表现。攻击方式改变时，只靠旧资料训练的分类器可能漏报。团队的 TEAL-XAI，让旧样本权重随时间下降。系统亦用滑动视窗重训，并以 SHAP 解释回馈选择特征。评估使用三套整理过的入侵资料集，包括较早的 KDD Cup 1999。研究再以合成方式改变资料分布，模拟攻击模式漂移。

在 KDD Cup 1999，模型的准确率为百分之九十九点七三。同一资料集的 F1 分数为百分之九十九点七一。作者报告，在合成漂移测试中，模型表现下跌幅度较比较模型小。但这是人工加入的变化，未能代表真实网络的攻击演变。在较新的 UNSW-NB15 资料集，单次 F1 达百分之九十四点二七。五折验证的 F1 却低于四个比较模型，实际部署仍待真实漂移测试。

十月二十七日刊出的中国研究，测试电商聊天机械人给错资讯后，顾客如何评价服务。研究使用预先写好的模拟对话，没有让真正的大型语言模型即场回答。两项情境实验分别有二百三十六和三百六十四名有效参与者。受试者看到错误资讯多寡不同的产品查询，部分人会收到预写的客服补救讯息。补救讯息包括道歉、修正产品资讯，以及提醒以结帐页资料为准。研究以问卷比较各组对错误资讯与服务品质的感受。

没有客服补救讯息时，高错误组的服务评分由低错误组的五点四八跌至二点七三。有预写客服补救讯息时，相应评分由五点七七跌至三点八七，跌幅较小，但仍然下降。第二项实验发现，错误资讯与认知冲突、技术挫折的增加相关。模拟客服补救减轻技术挫折，却未显著改变错误资讯引起的认知冲突。这些评分来自模拟购物与自陈问卷，并非真实交易或即时模型测试。研究提示电商客服要设清楚的人工修正途径，实际成效仍需现场验证。

印度研究团队十月二十七日发表一套多模型作文评分方法。作者指出，固定评分准则未必适合不同题目和写作方式。新方法输入作文题目、初始评分准则、学生作文及人工评分样本。系统先用样本找出准则含糊或遗漏之处。三款语言模型逐轮提出修改，之后才以修订准则评分。评分阶段亦比较一次提示、少量例子与自我检查等策略。测试采用公开的 ASAP 作文资料，共八组不同题目。

作者称，评分规则与提示在开发资料调整，留起的四分之一资料只作最后评估。在第一组作文，初始准则与人工分数的一致性指标是零点五八。多轮修订后，最终指标升至零点八六；这是同一资料集的测试结果。八组作文的最终指标平均零点七一，但个别组别只有零点五六或零点五七。指标量度分数与人工评分的吻合程度，不能单凭它证明评语公平。消融测试中，单一模型的平均指标零点四三，完整流程为零点七一。研究尚须在不同学校和真实课堂检验，教师仍要覆核高风险评分。

十月二十七日刊出的眼科研究，尝试用一套 AI 同时分析多种病理性近视资讯。研究采用三个公开眼底影像资料集，影像类型与标注任务并不完全相同。系统包含筛查病理性近视、黄斑病变分级、估计屈光度，以及标示病灶。作者用共同的影像编码器，再按资料来源与不同任务调整输出。在已知来源的保留测试集，病理性近视筛查的曲线下面积分别为零点九八五与零点九九三。黄斑病变分级与人工标注的一致性指标为零点九零七。但估计屈光度时，这套系统的平均绝对误差为一点二五九度，高於单任务模型的一点零零六度。在另设的病灶解释版本，轮廓重叠分数零点四七二，高于对照模型的零点三九七。研究图展示病灶轮廓与模型注意的眼底区域，属定性例子。这些图不能单凭外观证明模型在所有眼疾上更准确。作者亦列出筛查错判和小型病灶辨认失败的病例。完整多任务系统未在全新来源作外部验证，临床用途仍须进一步测试。

十月二十七日刊出的华南研究，使用机器学习预测荔枝树的开花比例。荔枝开花受品种、树龄、气温、湿度和物候时间共同影响。团队整理中国南部二零零九至二零二零年的田间与气象记录。模型先分辨开花比例是否达到百分之七十五，再估计具体比例。资料涵盖四种荔枝品种，不同品种的开花比例分布差异明显。研究比较随机森林与线性判别等分类方法。模型重视花芽露白的日期，以及花芽形成期累积的低温时数。树龄与空气湿度亦列为重要因素，但特征重要性不等于因果证明。分类模型在跨年度盲测的曲线下面积介乎零点七三至零点九零。回归模型在盲测的决定系数介乎零点六四至零点七三。作者以 SHAP 分析气象与物候特征对模型输出的关联。研究仍需跨地区、跨品种和不同季节的田间测试，才可评估管理用途。

十月二十七日发表的瑞士研究，测试生成式 AI 能否帮助旅客考虑少搭飞机。研究在卢加诺以 Treeps 应用程式进行，属二零二五年的短期实验。应用程式内的 GPT-3.5 聊天机械人，会从研究团队整理的二百个目的地提出建议。它亦结合用户分享、社交平台贴文和奖励积分。共有二百零四名自行报名的参与者，随机分入两组，各一百零二人。三个月后，一百四十六人完成首次追踪问卷。使用工具的一组流失率为百分之三十九，对照组为百分之十八。两组流失差距会限制研究结果的解读。按随机分组分析，研究未见工具对减少搭飞机意向有可辨识的平均效应。量度的是自述意向，不是实际机票、航班或碳排放。使用程度较高的人，减少搭飞机的意向较强；但使用程度本身并非随机分配。作者认为，仍需规模更大、追踪更完整的试验，才能评估实际出行改变。

十月二十七日刊出的研究，用人工智能估计长者接受不同物理治疗时间后的日常功能。模型分析连续的治疗分钟数，而不是只把病人分成有治疗和无治疗两类。训练资料来自加拿大社区护理记录，共二万二千二百一十六人。研究用评估前七天的治疗分钟数，预测约三个月后的日常生活能力分数。资料中多数人治疗时间短，高剂量个案相对少。这令模型在较长治疗时间的推算更需要审慎。团队用接受不同治疗分钟数的相近个案，估计无法直接观察的替代结果。这套匹配测试只有二千一百三十八人，而且基线功能较佳。院内保留测试的均方根误差为三点七九，线性回归为四点零九。另外八千一百九十四人的家居护理资料，平均绝对误差为二点二九，线性回归为三点六七。论文展示四条个别预测曲线，有的显示改善，有的平坦或在高剂量时变差。它们仍是观察资料上的模型估计，不能证明哪个治疗时数对病人最好。

十月二十七日刊出的韩国研究，测试人工智能用光谱影像辨认苹果碰伤。研究团队在八十七个富士苹果上，制造三种撞击程度的受控碰伤。苹果在冷藏期间从六个角度拍摄，再切开量度内部变色范围。这批资料共有八百七十组高光谱影像，标注了一千六百七十六处碰伤。高光谱影像同时记录位置和不同波长的反射资讯。团队比较四种三维网络，并以一般影像辨识模型作基准。表现最好的混合三维及二维模型，测试组方框 F1 分数为零点九八。它的碰伤遮罩 Dice 重叠分数是零点八六；两个分数量度不同任务。研究影像显示，部分早期和边缘碰伤在普通影像上较难看清。模型在受控测试中仍辨出这些碰伤，但未等于已在果场分拣线验证。团队亦用辨识特征估计撞击程度，以及切开后的内部碰伤面积。这些结果只来自受控富士苹果资料，跨品种及实际物流仍要另外测试。

十月二十七日刊出的研究，比较五款聊天机械人回答带状疱疹问题的文字表现。药剂师和皮肤科医生设计二十条英文问题，涵盖症状、治疗及预防。五款工具各回答同一组问题，研究合共评估一百篇文字。模型包括 GPT-5、豆包、DeepSeek、千问和 Gemini。在二十四分的病人教育适切度原始量表，GPT-5 中位数是十二点五。豆包是十一分、DeepSeek 十分；千问与 Gemini 都是九分。另一个五分整体质素量表，GPT-5 中位数为五分。豆包与 DeepSeek 是四分，千问与 Gemini 是三分。英文可读性亦因题目而异；治疗问题的文字，普遍比基本知识更难读。但这些评分没有以独立临床标准核实每句事实或病人安全。研究只测一种疾病，亦未记录各聊天介面的完整模型版本和设定。因此不能把这次排名当成其他病症的诊疗建议，仍须由医护核对。

中国研究团队刊出大学生心理风险模型，并在另一所大学作独立测试。开发资料清理后有一千二百六十七人，外校验证样本有一千四百六十八人。模型分析睡眠、社交支持和其他行为与心理社会问卷指标。研究以问卷分数界定风险，并非由医生作临床诊断。团队先在开发样本交叉验证，再锁定模型到外校资料测试。开发测试的排序曲线，不能直接当成另一所大学的表现。在外校样本，抑郁风险模型的 AUROC 是零点八一三。焦虑风险模型的 AUROC 是零点八零九，反映两者有一定排序能力。但排序能力不代表预测的个人机率准确，研究亦检查了校准。焦虑风险的 Brier 误差零点零六三，比只按盛行率估算的零点零五一更差。外校焦虑阳性个案只有七十九人，问卷及样本差异亦限制推广。所以这项研究不能用来判断个别学生是否患病，也没有验证临床介入门槛。

哈萨克研究团队刊出手语辨识 AI，并把不同使用者分开测试。他们录下五名使用者的手语影片，整理成近四万个片段。这些片段涵盖一百八十六种手势，以及没有目标手势的一类。研究只辨识单独手势，未做到连续句子的翻译。系统从影片追踪身体、面部和双手位置，再把它们转成数值。这些关键点资料用于训练，没有直接把原始彩色画面喂给模型。每段手势被整理成五十六帧，让不同长度的动作可以比较。处理后每一帧有一千六百六十二个身体、面部及双手关键点数值。模型分开分析身体、面部和左右手，再用 Transformer 整合时间变化。团队比较了另外三种架构，并以留出整名使用者的方法测试。结果表的平均准确率约百分之六十七，但手势专用准确率只有约百分之四十五。因为无目标手势占样本四成二，加上只有五人参与，现阶段不能当作成熟翻译服务。