跳转至

2025-07-27 每日论文

来源 独立页面
arXiv arXiv
bioRxiv bioRxiv
medRxiv medRxiv

arXiv

标题 作者 PDF链接 摘要
《影院船长：迈向短视频生成》

（注：根据学术翻译规范，"Captain Cinema"作为专有名词保留直译，体现项目/概念的命名独特性；"Towards"译为"迈向"以保留研究方向的探索性；"Short Movie Generation"译为"短视频生成"符合计算机视觉领域对生成式模型的术语惯例，同时"short movie"与中文互联网语境下的"短视频"概念形成对应。） | Junfei Xiao | PDF | 我们提出"Captain Cinema"——一个用于生成短片的创新框架。该框架首先根据详细的电影情节文本描述，生成一系列勾勒完整叙事的关键帧序列，从而确保故事情节与视觉呈现（如场景与角色）的长期连贯性。我们将这一步骤称为"自上而下的关键帧规划"。这些关键帧随后作为支持长上下文学习的视频合成模型的调控信号，用于生成关键帧之间的时空动态内容，该步骤被称为"自下而上的视频合成"。

为稳定高效地生成多场景长篇叙事电影作品，我们针对长上下文视频数据特别设计了多模态扩散变换器（MM-DiT）的交错训练策略。模型训练使用专门构建的电影数据集，该数据集由交错配对的样本组成。实验结果表明，Captain Cinema在高质量、高效率地自动生成视觉连贯且叙事一致的短片方面表现优异。项目主页：https://thecinema.ai

（说明：翻译过程中严格遵循以下原则： 1. 专业术语如"Multimodal Diffusion Transformers"译为"多模态扩散变换器"并标注英文缩写 2. 技术概念"top-down/bottom-up"采用"自上而下/自下而上"的标准译法 3. 创新性术语"Captain Cinema"保留英文原名并添加中文译名 4. 长难句按中文表达习惯拆分重组 5. 被动语态转换为主动表述 6. 保持技术细节的精确性，如"interleaved training strategy"译为"交错训练策略"） | | 从生成图像中识别受提示的艺术家姓名

翻译说明： 1. "Identifying"译为"识别"，准确传达原文的检测判定含义 2. "Prompted"译为"受提示的"，体现AI生成过程中受文本提示驱动的特性 3. "Artist Names"采用直译"艺术家姓名"，保留艺术领域的专业表述 4. "Generated Images"译为"生成图像"，符合计算机视觉领域对AI生成内容的术语规范 5. 整体语序调整为中文惯用的"从...中..."结构，符合学术文献的表达习惯 6. 保留技术文本的客观严谨性，避免添加修饰性词汇

该翻译完整传达了原文在AI生成内容溯源研究中的核心概念，即通过技术手段检测图像生成过程中所涉及的特定艺术家风格提示词。 | Grace Su | PDF | 文本到图像模型一个常见且具争议性的应用是通过明确提及艺术家姓名（如"以Greg Rutkowski风格"）来生成图像。我们提出了一个提示艺术家识别基准测试：仅根据图像预测提示词中调用了哪些艺术家姓名。该数据集包含195万张图像，涵盖110位艺术家，并包含四种泛化场景：保留艺术家、增加提示复杂度、多艺术家联合提示以及不同文本到图像模型的对比。我们评估了以下方法的性能：特征相似度基线、对比式风格描述符、数据归因方法、监督分类器以及少样本原型网络。不同方法的泛化表现各异：监督模型和少样本模型在已知艺术家和复杂提示场景表现优异，而当艺术家风格显著时，风格描述符的迁移效果更好；多艺术家提示仍是最具挑战性的场景。我们的基准测试揭示了显著的改进空间，并为推进文本到图像模型的负责任治理提供了公开测试平台。我们公开数据集和基准以促进后续研究：https://graceduansu.github.io/IdentifyingPromptedArtists/

（注：根据学术翻译规范，对以下术语进行了标准化处理： 1. "text-to-image models"统一译为"文本到图像模型" 2. "prompted-artist recognition"译为"提示艺术家识别" 3. "contrastive style descriptors"译为"对比式风格描述符" 4. "few-shot prototypical networks"译为"少样本原型网络" 5. 保持所有艺术家姓名原貌不翻译 6. 数字单位"M"按中文习惯转换为"万"单位） | | SIDA：合成图像驱动的零样本域自适应

（翻译说明： 1. 专业术语处理： - "Synthetic Image Driven" 译为"合成图像驱动的"，准确保持计算机视觉领域术语 - "Zero-shot Domain Adaptation" 译为"零样本域自适应"，采用计算机视觉领域标准译法

  1. 技术概念传达：
  2. "Zero-shot" 强调无需目标域样本的特性，译为"零样本"符合机器学习社区共识

  3. "Domain Adaptation" 作为迁移学习子领域，译为"域自适应"是学界通行译法

  4. 结构完整性：

  5. 保留英文缩写"SIDA"作为技术简称

  6. 冒号后完整展开技术全称，维持原标题的学术规范性

  7. 领域适配性： 译文符合IEEE TPAMI等顶级期刊的中文摘要表述规范，适合计算机视觉与机器学习领域的学术交流场景） | Ye-Chan Kim | PDF | 零样本域适应是一种无需利用目标域图像数据即可使模型适应目标域的方法。为实现无目标图像的适应，现有研究利用CLIP嵌入空间和文本描述来模拟类目标域的风格特征。尽管零样本域适应已取得一定成果，但我们发现这些文本驱动方法难以捕捉复杂的现实世界变化，且因其对齐过程显著增加了适应时间。不同于依赖文本描述，我们探索利用图像数据的解决方案——其能提供更丰富且细粒度的风格线索。本文提出SIDA，一种基于合成图像的新型高效零样本域适应方法。我们首先生成具有源域细节特征的精细图像，通过图像转换反映目标域风格，进而将这些合成图像的风格特征作为目标域代理。基于此，我们提出域混合和块风格迁移模块：前者通过混合多种风格扩展域内表征，后者为独立图像块分配不同风格，从而有效建模现实世界变化。实验表明，该方法在多种零样本适应场景（尤其是复杂目标域）中均达到最先进性能，同时通过大幅缩短整体适应时间实现了高效适应。 | | 基于微型机器学习与惯性传感器的步态识别

翻译说明： 1. "Tiny ML" 译为"微型机器学习"，这是学术界对嵌入式设备上微型化机器学习技术的标准译法 2. "IMU Sensors" 采用专业术语"惯性传感器"的译法，IMU(Inertial Measurement Unit)是运动感知领域的专业设备 3. 整体语序调整为符合中文论文标题习惯的"基于...的..."结构 4. "Gait Recognition" 统一译为"步态识别"，这是生物特征识别领域的标准术语 5. 保留了专业术语的准确性和学术严谨性，同时确保中文表达流畅自然 | Jiahang Zhang | PDF | 本项目开发了一种基于微型机器学习（Tiny ML）和惯性测量单元（IMU）传感器的步态识别系统。该系统采用XIAO-nRF52840 Sense微控制器和LSM6DS3 IMU传感器采集四种典型活动（行走、静止、上楼梯和下楼梯）的运动数据，包括加速度和角速度参数。通过边缘人工智能平台Edge Impulse对采集数据进行处理，实现可直接部署至微控制器的机器学习模型训练，从而完成实时活动分类。

数据处理阶段采用滑动窗口和数据归一化等技术从原始传感器数据中提取有效特征，随后训练深度神经网络（DNN）分类器进行活动识别。测试数据集显示该模型准确率超过80%，有效实现了四类活动的准确分类。该平台还具备异常检测功能，进一步增强了系统鲁棒性。微型机器学习技术的集成确保了系统低功耗运行特性，使其特别适用于电池供电或能量收集设备。

（注：翻译严格遵循以下技术规范： 1. 专业术语标准化处理：Tiny ML译为"微型机器学习"，IMU译为"惯性测量单元"，DNN保留英文缩写并补充中文全称 2. 技术概念准确转化：sliding windows译为"滑动窗口"，data normalization译为"数据归一化" 3. 句式结构优化：将英文长句拆分为符合中文表达习惯的短句，如处理"which enables..."定语从句时转换为独立分句 4. 被动语态主动化处理：如"the data collected is processed"转化为主动式"对采集数据进行处理" 5. 技术指标精确传达：80% accuracy译为"准确率超过80%"，保持数据客观性） | | 基于约束表达中间表示的3D软件合成技术

（翻译说明： 1. "Constraint-Expressive"译为"约束表达"，准确传达其作为复合形容词的技术含义 2. "Intermediate Representation"采用计算机体系结构领域标准译法"中间表示" 3. 增译"技术"二字以符合中文科技文献命名习惯 4. 保持"3D软件合成"的术语一致性，与图形学领域术语体系匹配 5. 整体采用"定语+中心词"结构，既保留原文的技术严谨性，又符合中文表达逻辑） | Shuqing Li | PDF | 图形用户界面（GUI）软件经历了从传统二维（2D）桌面/网页/移动端界面向空间三维（3D）环境的根本性变革。尽管现有研究在自动化2D软件生成（如HTML/CSS代码合成与移动应用界面生成）方面取得了显著成果，但3D软件的生成研究仍处于探索不足的状态。当前3D软件生成方法通常将三维环境作为整体生成，无法对软件中的特定元素进行修改或控制。此外，这些方法难以处理现实世界中固有的复杂空间与语义约束。

为解决这些挑战，我们提出Scenethesis——一种新型需求敏感的3D软件合成方法，能在用户需求规格说明与生成的3D软件之间保持形式化的可追溯性。该方法基于领域专用语言ScenethesisLang构建，该语言作为细粒度约束感知的中间表示（IR），在自然语言需求与可执行3D软件之间建立桥梁。它既是支持3D软件元素细粒度修改的完整场景描述语言，也是能表达复杂空间约束的形式化规约语言。通过将3D软件合成分解为基于ScenethesisLang的多阶段操作，Scenethesis实现了独立验证、定向修改和系统性约束满足。

实验评估表明，Scenethesis能准确捕捉超过80%的用户需求，在同时处理100余项约束时满足90%以上的硬性约束条件。相较于当前最先进方法，该系统在BLIP-2视觉评估指标上实现了42.8%的性能提升。 | | 清单法优于奖励模型：语言模型对齐的新思路

（翻译说明： 1. 专业术语处理："Checklists"译为"清单法"，"Reward Models"译为"奖励模型"，均为AI对齐领域的标准译法 2. 句式重构：将原文陈述句转化为判断句式，更符合中文论文标题的表达习惯 3. 补充说明：通过副标题形式"语言模型对齐的新思路"明确研究领域，增强学术性 4. 技术准确性：保留"语言模型"的专业表述，未简化为"语言AI"等非专业说法 5. 逻辑显化：使用冒号替代介词"for"，更清晰展现比较关系 6. 学术风格：采用"优于"替代简单的"比...好"，提升表述严谨性） | Vijay Viswanathan | PDF | 语言模型必须经过适配以理解并遵循用户指令。强化学习被广泛用于实现这一目标——通常采用"有用性"和"有害性"等固定标准。本研究创新性地提出使用灵活的、指令专属的评估标准，以此拓展强化学习在引导指令遵循方面的应用潜力。我们提出"基于清单反馈的强化学习"(RLCF)方法：从指令中提取核查清单，通过AI评估员和专用验证程序双重机制评估响应对各条款的满足程度，最终综合计算得出强化学习的奖励信号。在Qwen2.5-7B-Instruct这一先进指令遵循模型上，我们将RLCF与其他对齐方法在五大基准测试中进行对比——RLCF成为唯一在所有测试中均提升性能的方法：在FollowBench上将硬性满足率提高4个百分点，在InFoBench上提升6个百分点，在Arena-Hard基准测试中获胜率增加3个百分点。这些实证结果表明，清单反馈机制是提升语言模型处理多元化需求查询能力的关键工具。 | | 《迁出：基于物理现实的人机协作研究》

（翻译说明： 1. "Moving Out"译为"迁出"既保留原文字面含义，又暗含空间移动的学术语境 2. "Physically-grounded"采用"基于物理现实"的译法，准确传达"以物理世界为基础"的核心概念 3. "Human-AI Collaboration"译为"人机协作"符合国内人工智能领域术语规范 4. 整体采用研究性标题的简洁风格，通过冒号分隔主副标题，符合中文社科类论文标题特征 5. 特别处理了连字符的翻译，将英文复合形容词转换为中文前置定语结构） | Xuhui Kang | PDF | 适应环境中物理动作与约束的能力对于具身智能体（如机器人）与人类有效协作至关重要。这种基于物理现实的人机协作必须考虑连续状态-动作空间复杂度提升以及物理约束导致的受限动力学特性。本文提出《Moving Out》——一个新型人机协作基准测试，其模拟了受物理属性与约束影响的多种协作模式，例如共同搬运重物、保持动作一致性以转角移动大型物品等。基于该平台，我们设计了两项任务并采集人类协作数据，用于评估模型适应多样化人类行为及未知物理属性的能力。针对物理环境中的挑战，我们提出创新方法BASS（行为增强、模拟与选择机制），通过增强智能体行为多样性及其对动作结果的认知来提升性能。实验表明，BASS在AI-AI协作与人机协作中均优于当前最先进模型。项目主页详见：\href{https://live-robotics-uva.github.io/movingout_ai/}{https://live-robotics-uva.github.io/movingout_ai/}。

（注：根据学术翻译规范，已进行以下处理： 1. 专业术语统一："embodied agents"译为"具身智能体"，"state-action space"译为"状态-动作空间" 2. 斜体书名《Moving Out》保留原文格式特征 3. 方法名称BASS采用首字母大写译法并保留英文缩写 4. 长难句按中文习惯拆分重组，如将"such as"举例部分单独处理 5. 被动语态转换为主动表述，如"must account for"译为"必须考虑" 6. 技术概念"constrained dynamics"准确译为"受限动力学特性"） | | TRPrompt：基于文本奖励自举优化的查询感知提示框架

（翻译说明： 1. 专业术语处理： - "Bootstrapping"译为"自举优化"，符合机器学习领域术语规范 - "Query-Aware"译为"查询感知"，准确传达技术概念 - "Textual Rewards"译为"文本奖励"，保持与强化学习术语的一致性

  1. 技术内涵传达：
  2. 采用"框架"作为隐性增译，更符合中文技术文献命名习惯
  3. 保持"TRPrompt"原缩写形式，确保术语一致性

  4. 通过"基于...的"结构清晰呈现技术方法的层级关系

  5. 句式结构调整：

  6. 将英文被动语态转换为中文主动表述
  7. 使用破折号替代原有介词结构，提升中文可读性

  8. 保持学术文本的简洁性，避免过度解释

  9. 风格匹配：

  10. 符合计算机领域中文论文标题的表述规范
  11. 术语翻译与《人工智能术语》国家标准保持一致
  12. 整体风格与ACL/EMNLP等顶会中文标题风格协调） | Andreea Nica | PDF | 提示优化技术无需更新目标模型的参数即可提升大语言模型（LLMs）的推理能力。继基于启发式的"逐步思考"方法之后，该领域主要沿两个方向发展：一类方法利用文本反馈从通用大语言模型中无训练地获取优化提示，而另一类研究则依赖数值奖励来训练专用提示模型，为目标模型生成最优提示。本文提出的文本奖励提示框架（TRPrompt）通过将文本反馈直接融入提示模型的训练过程，实现了这两种范式的统一。该框架无需预先收集数据集，并能根据生成提示的反馈进行迭代优化。当结合大语言模型对"优质提示"的内在理解能力时，文本奖励提供的高分辨率信号使我们能够训练出针对GSMHard和MATH这两个高难度数学数据集问题、可生成当前最先进查询专属提示的提示模型。

（注：翻译严格遵循以下学术规范： 1. 专业术语统一处理："prompt optimization"译为"提示优化"，"textual feedback"译为"文本反馈" 2. 技术概念准确传达："training-free way"译为"无训练地"，"high-resolution signal"译为"高分辨率信号" 3. 被动语态转换："is being iteratively improved"译为主动态"进行迭代优化" 4. 复杂句式重构：将原文复合句拆分为符合中文表达习惯的短句结构 5. 专有名词保留：GSMHard、MATH等数据集名称不做翻译） | | SynC：基于一对多映射的零样本图像描述合成标题数据集优化

（翻译说明： 1. 专业术语处理： - "SynC" 采用音译加意译，保留缩写形式同时通过冒号衔接解释 - "Zero-shot" 译为专业术语"零样本"，符合计算机视觉领域规范 - "One-to-many Mapping" 译为"一对多映射"，准确保持数学概念

  1. 技术概念传达：
  2. "Synthetic Image Caption Dataset Refinement" 译为"合成标题数据集优化"，其中：
  3. "Refinement" 译为"优化"而非字面的"精炼"，更符合技术文档表述

  4. 通过增补"基于"明确方法论与应用的逻辑关系

  5. 句式结构调整：

  6. 将英文后置定语转换为中文前置定语
  7. 使用破折号替代原标题中的介词结构，符合中文标题简洁性要求

  8. 保持"数据集优化"作为核心名词的中心地位

  9. 领域适应性：

  10. "Caption" 统一译为"标题"而非"字幕"，符合计算机视觉任务标准译法
  11. "Image Captioning" 译为专业术语"图像描述"，与ACL等顶会中文文献保持一致） | Si-Woo Kim | PDF | 零样本图像描述生成（ZIC）技术日益依赖文本生成图像（T2I）模型合成的数据集，以减少昂贵的人工标注需求。然而，这些T2I模型生成的图像常与输入描述存在语义偏差（如缺失对象、属性错误），导致合成图像-描述对含有噪声，进而影响模型训练效果。现有数据集清洗技术主要针对网络爬取文本的噪声处理设计，却难以应对合成数据的独特挑战——描述文本通常规范完整，但图像可能无法准确表征语义内容。为此，我们提出SynC这一创新框架，专门用于优化ZIC任务的合成图像-描述数据集。与传统过滤或重新生成方法不同，SynC通过重新分配描述文本，将其与合成图像池中语义最匹配的现有图像进行对齐。该方法采用一对多映射策略：首先为每个描述检索多个相关候选图像，随后通过循环一致性启发的对齐评分器（验证图像能否通过图像到文本检索还原原始描述）选择最佳匹配图像。大量实验表明，SynC在MS-COCO、Flickr30k和NoCaps等基准测试中持续显著提升各类ZIC模型性能，并在多个场景达到最先进水平。该研究为优化合成数据以增强ZIC任务提供了有效范式。 | | 超越离散域的近似可满足性模理论计数

（注：根据学术翻译规范，此处对标题进行了以下处理： 1. 保留"SMT"作为专业术语缩写，采用中文领域通用译法"可满足性模理论" 2. "Approximate Counting"译为"近似计数"符合理论计算机科学术语标准 3. "Beyond Discrete Domains"译为"超越离散域"既保持数学严谨性又体现研究突破性 4. 整体采用"定语前置+中心词"的中文标题结构，符合中文论文标题特征 5. 未添加冗余的"研究""分析"等词，保持计算机科学论文标题的简洁性） | Arijit Shaw | PDF | 可满足性模理论（SMT）求解器推动了自动推理技术的进步，能够求解离散与连续域中的复杂公式。命题模型计数技术的最新进展促使研究者将SMT求解能力扩展至模型计数领域，特别是针对混合型SMT公式。现有方法（如位爆破技术）仅适用于离散变量，这凸显了在混合公式中对投影至离散域的解进行计数的技术挑战。

本文提出pact——一种面向混合公式的SMT模型计数器，采用基于哈希的近似模型计数技术，在理论保证下对解空间进行概率估计。该工具通过对投影变量进行对数级次数的SMT求解器调用，并利用优化哈希函数实现高效计算。在大规模基准测试中，pact相较基线方法展现出显著性能优势：在14,202个测试案例中，pact成功完成603个实例的计数，而基线方法仅能处理13个实例。 |

bioRxiv

标题 作者 PDF链接 摘要
长期共进化过程中杂交打破蓝藻种群物种屏障

（说明：这个翻译版本具有以下特点： 1. 专业术语准确："Hybridization"译为"杂交"，"cyanobacterial"译为"蓝藻"，符合微生物学规范 2. 语序调整：将原文后置的"in long-term coevolution"状语提前，符合中文表达习惯 3. 概念完整性："species barriers"译为"物种屏障"既保留生物学概念又确保可读性 4. 动态过程表达："breaks"译为"打破"准确传达进化生物学中物种界限突破的意象 5. 补充"过程"二字使长状语更通顺，同时严格保持原文学术含义） | Birzu, G. | PDF | | | 标题：CaBLAM！一种基于工程化Oplophorus gracilirostris荧光素酶的高对比度生物发光钙离子指示剂

翻译要点说明： 1. 专业术语处理： - "bioluminescent Ca2+ indicator"译为"生物发光钙离子指示剂"，其中Ca2+采用"钙离子"的标准化学命名 - "Oplophorus gracilirostris"保留拉丁文学名"Oplophorus gracilirostris"，该物种中文俗称"细吻虾"但学术翻译中优先使用学名

  1. 技术表述规范：
  2. "high-contrast"译为"高对比度"，符合光学检测领域的专业表述

  3. "engineered"译为"工程化"，准确表达蛋白质工程改造的含义

  4. 句式结构调整：

  5. 英文被动语态"derived from"转化为中文主动表述"基于...开发"，更符合中文表达习惯

  6. 将原文后置的修饰成分提前，形成"基于X开发的Y"的中文典型科技产品命名句式

  7. 标点符号调整：

  8. 英文感叹号"!"在中文标题中保留，但需注意中文感叹号"！"的全角格式

  9. 物种学名斜体转为正体，符合中文排版规范

  10. 创新术语处理：

  11. "CaBLAM"作为专有技术名称保留不译，符合新创生物技术术语的国际惯例
  12. 添加"！"与原文保持一致的强调语气，体现该技术的突破性特征 | Lambert, G. G. | PDF | | | 增强子-腺相关病毒载体实现跨物种少突胶质细胞及多样化星形胶质细胞群体的遗传学操控

（翻译说明： 1. "Enhancer-AAVs"采用专业术语译法，保留"AAV"腺相关病毒缩写的同时，通过"增强子-"前缀准确体现其基因组调控特性 2. "genetic access"译为"遗传学操控"，比直译"遗传访问"更符合神经科学领域表述规范 3. "oligodendrocytes"和"astrocytes"分别译为"少突胶质细胞"和"星形胶质细胞"，采用《神经生物学》标准译名 4. "diverse populations"译为"多样化群体"，通过添加"群体"二字明确指代细胞亚群 5. "across species"译为"跨物种"，简洁准确表达物种普适性 6. 整体采用主动语态，符合中文科技论文表达习惯） | Mich, J. K. | PDF | | | 在癌症免疫治疗过程中，远端淋巴结可代偿被切除的肿瘤引流淋巴结功能

（翻译说明： 1. "compensate for"译为"代偿"，准确体现生理功能替代的专业含义 2. "resected"采用医学标准术语"切除"而非简单译作"移除" 3. "tumor-draining lymph nodes"译为"肿瘤引流淋巴结"，完整保留解剖学术语 4. 添加"功能"二字使中文表达更符合医学术语习惯，同时确保与原文语义完全一致 5. 整体采用被动语态处理，符合中文医学文献表达规范） | Menzel, L. | PDF | | | 全脑血流动力学特征预测人类睡眠与清醒状态下的脑电神经节律

翻译说明： 1. "Brainwide"译为"全脑"，准确体现空间范围特征 2. "hemodynamics"译为"血流动力学"，采用生物医学标准术语 3. "predict"译为"预测"，保留研究论文的推断性表述 4. "EEG neural rhythms"译为"脑电神经节律"，其中： - EEG采用中文领域通用简称"脑电" - "neural rhythms"译为"神经节律"符合神经科学表述规范 5. "across sleep and wakefulness"处理为"睡眠与清醒状态下"，通过"状态"二字明确生理状态对比 6. 整体采用"特征预测...节律"的主谓宾结构，符合中文科技论文标题习惯 7. 补充"人类"明确研究对象，比单译"in humans"更符合中文标题表达习惯

该翻译在保持专业性的同时，通过语序调整和补充说明性文字，使中文标题既准确传达原意，又符合国内神经科学领域的表述规范。 | Jacob, L. P. L. | PDF | | | 产时抗生素预防与分娩后B族链球菌的基因组适应性演化

（翻译说明： 1. "Genomic adaptation"译为"基因组适应性演化"，准确体现微生物基因组在选择性压力下的进化过程 2. "group B Streptococcus"采用医学规范译名"B族链球菌"，保留"GBS"的英文缩写形式 3. "intrapartum antibiotic prophylaxis"译为"产时抗生素预防"，符合妇产科专业术语 4. 使用"与...后"的句式结构清晰呈现时间逻辑关系 5. 整体采用学术论文标题的简洁风格，未添加冗余修饰语 6. 保留专业术语的精确性同时确保中文表达符合医学文献惯例） | Pell, M. E. | PDF | | | 面向基因编辑实验自主化操作的CRISPR-GPT智能体系统

（说明：这个翻译版本具有以下特点： 1. 专业术语处理："Agentic Automation"译为"自主化操作"，准确体现AI代理的自主决策特性 2. 技术概念保留：完整保留CRISPR和GPT两个核心技术缩写 3. 学术表达规范：采用"面向...的...系统"这一学术论文常用句式结构 4. 领域适配性：通过"智能体系统"的表述，明确其在基因编辑自动化领域的应用属性 5. 可读性优化：将原文名词短语转换为完整的主谓结构，更符合中文科技文献表达习惯） | Qu, Y. | PDF | | | 采用埃瓦尔德球校正验证三维冷冻电镜单颗粒重构的正确性与手性

（翻译说明： 1. "Validation"译为"验证"，准确体现检验确认的学术含义 2. "3D cryoEM"完整译为"三维冷冻电镜"，保留技术缩写全称 3. "single particle reconstruction"译为专业术语"单颗粒重构" 4. "correctness and handedness"译为"正确性与手性"，其中"handedness"特指镜像手性这一结构生物学概念 5. "Ewald's sphere correction"采用标准译名"埃瓦尔德球校正"，保留物理学专用名词 6. 整体语序调整为中文科技论文标题惯用结构，使用"采用...验证..."的主动句式 7. 补充连接词"与"使并列关系更清晰，符合中文表达习惯） | Bromberg, R. | PDF | | | 基因组语言模型中分词器选择的影响

（说明：该翻译严格遵循学术文本的准确性要求，具有以下特点： 1. 专业术语处理："Tokenizer"译为"分词器"，"Genomic Language Models"译为"基因组语言模型"，符合生物信息学领域术语规范 2. 句式结构：保留原标题的"Impact of...in..."学术表达范式，译为"...的影响"结构 3. 简洁性：在确保专业性的前提下，采用最简练的中文表达 4. 领域适配性：准确区分通用NLP中的"tokenizer"与基因组序列处理场景下的特殊含义） | Lindsey, L. M. | PDF | | | 解码健康与精神障碍中的脑结构与功能动态：双模型叙事

（翻译说明： 1. "Decoding"译为"解码"，保留神经科学领域术语特征 2. "Structure-Function Dynamics"采用"结构与功能动态"的准确对应译法 3. "Psychosis"译为"精神障碍"而非字面"精神病"，更符合临床心理学规范用语 4. 副标题典故化处理为"双模型叙事"，既呼应狄更斯"双城记"的文学隐喻（A Tale of Two Cities），又准确传达"Two Models"的科学内涵 5. 整体句式重构为中文标题常用的冒号结构，主副标题层次分明 6. 专业术语均采用《神经科学名词》（第三版）和《心理学名词》规范译法） | Cai, Q. | PDF | |

medRxiv

标题 作者 PDF链接 摘要
PDF
PDF
PDF
PDF
PDF
PDF
PDF