大语言模型借助可微用户均衡层实现交通规划
研究提出一套人机协同交通规划框架，将大语言模型、MCP 接口、开源交通规划引擎 AequilibraE 与可微用户均衡（UE）分配层结合，让非专家用户也能执行网络分析并优化方案。该可微 UE 层通过对 Beckmann 交通分配问题的 KKT 条件直接求导实现。框架在两项任务中演示：依据观测交通量标定行程时间函数，以及预算约束下的网络设计。
#土木工程
arXiv Artificial IntelligenceAI 评分2929 arXiv Artificial IntelligenceAI 评分2929 PhotoMappers 十年：用视觉语言模型与地理空间推理做众包灾害照片地理定位的纵向研究
研究基于众包灾害制图项目 PhotoMappers 十余年数据，结合街景与遥感影像做跨视角地理定位，并用 30 项指标评估视觉语言模型的地理推理能力。融合 VGI、SVI、RSI 与 Sinkhorn 重排序后达到 40.90% R@1、61.10% R@5、69.45% R@10，逐年 R@1 在 25.00% 至 65.07% 间波动。
MIT News AI精选AI 评分6666 MIT 团队用机器学习后处理改进两到六周天气预报
MIT 等机构团队在 Nature 发表研究，用机器学习后处理层学习并修正现有预报模型的误差，在两到六周次季节尺度上把黄金标准预报模型的准确率提高了一倍，并在 ECMWF 的预报竞赛中获第一名。该模型首次在该时间范围内稳定优于气候平均，并显著改善极端天气预测；它可作为附加层用于任意模型，已开源且运行成本低，肯尼亚气象部门已就季风预报应用与其接洽。
推荐理由：MIT 团队用后处理层修正现有预报模型误差，读者可了解次季节预报如何首次稳定超过气候平均。