工具

分子转变（包括蛋白质折叠、变构调节和膜转运）是生物功能的核心，但其模拟仍极具挑战性。这类转变固有的稀有性使其超出了标准分子动力学模拟的能力范围；而增强采样策略则计算成本高昂，且往往依赖于人为选定的参数与变量，从而可能引入偏差。

文化遗产领域已具备描述事物‘是什么’的全面标准。然而，如何有效利用这些标准，使数据充分发挥其潜力——包括发现、获取及（再）使用数据，尤其是在自动查询与分析中——则一直难以实现。迄今为止所缺失的，正是其底层层级：[…]

本次研讨会将于2026年9月14日（星期一）当地时间上午9:00至13:00在第四会议室举行。研讨会将介绍UN-Habitat的治理架构，以及会员国在监督和指导UN-Habitat工作（包括预算编制与资源筹措进程）中所发挥的作用。此外，本次研讨会亦为所有派驻UN-Habitat的代表团提供机会，进一步了解UN-Habitat的授权职责、各项活动、当前工作方案及未来优先事项。 关键文件：1. 会员国入职研讨会方案；2. 组织架构；3. 《2026–2031年战略计划》与《资源筹措战略》；4. 秘书处关于UN-Habitat治理结构的介绍；5. 关于人人享有适当住房问题的不限成员名额政府间专家组（OEWG-H）；6. 秘书处关于全球解决方案司（GSD）的介绍；7. 秘书处关于全球知识与倡导司（GKAD）的介绍。

出版日期：2026年12月 来源：《Cities》，第179卷 作者：韩洪峰、孟凤梅、Ruhizal Roosli、张佳平

地理空间数据在体量、类型和生成速度上的快速增长，催生了高度分布式、异构且语义不一致的数据生态系统。现有数据目录、门户及基础设施主要依赖关键词检索，语义支持有限，往往难以准确捕捉用户意图，导致检索性能薄弱。为应对这一挑战，本研究提出一种由知识图谱驱动、大语言模型赋能的智能地理空间数据发现多智能体框架。该框架引入统一的地理空间元数据本体作为语义中介层，以对齐跨平台的异构元数据标准，并构建地理空间元数据知识图谱，显式建模数据集及其多维关系。基于该结构化表征，框架采用多智能体协同架构，执行意图解析、知识图谱检索与答案合成，形成可解释、闭环的数据发现流程。实验结果表明，相较于传统系统，该框架显著提升了排序质量与召回率，具备高意图匹配精度与高发现透明度。本研究展示了推动地理空间数据发现向更语义化、意图感知与智能化范式演进的潜力，为下一代智能、自主的空间数据基础设施发展提供了启示。

出版日期：2026年11月；来源：《Transport Policy》，第188卷；作者：P. Jittrapirom、V. Marchau、R. van der Heijden、H. Meurs

Nvidia 已同意以129.3亿美元收购 Hugging Face，将全球最受欢迎的开源 AI 模型、数据集及工具托管平台之一纳入全球最大的 AI 芯片制造商旗下。Hugging Face 是一家成立于2016年的在线平台，为 AI 开发者提供共享项目与数据的空间[…]

开放地理空间联盟（OGC）欣然宣布发布 LAZ 1.4 社区标准，该标准定义了一种针对 LAS 1.4 点云数据的无损压缩格式。LAZ 采用无损压缩技术，在保持 LAS 格式总体结构的前提下减小 LAS 文件的体积。LAZ 1.4 格式基于 LAS 1.4，其规范详见《LAS 规范》[…]。

甲烷分析与EMIT羽流定位模型（Methane Analysis and Plume Localization with EMIT model）是一种深度学习框架，可在全球范围内自动实现甲烷羽流的检测、增强、量化及源识别，将原始卫星数据转化为可扩展的气候行动依据。甲烷是一种强效温室气体；在100年时间尺度上，其全球增温潜势是二氧化碳的30倍。事实上，自工业革命以来，甲烷已导致约25%的人为引起的全球变暖。

出版日期：2026年10月1日；来源：《可持续城市与社会》（Sustainable Cities and Society），第149卷；作者：庞子豪、顾俊霞、徐全乾、韩帅、罗兰欣、张志强、朱志、张涛、马亚萍、沈东东

我们提出 TimesFM-3，一种前沿的时间序列基础模型，可在单次前向传播中实现高精度多元时间序列预测，在主要基准测试中显著优于其他预测模型。对于目标序列和历史协变量序列，每个 token 直接由单个 patch 构建；而对于历史-未来协变量序列，TimesFM-3 采用了一种巧妙的“前瞻”策略：每个 token 将当前 patch 与后续若干 future patch 拼接，使模型能够提前感知已知的未来信号。

公交车辆生成的自动车辆定位（AVL）数据在运营绩效研究中具有重要价值，但将原始 AVL 点转化为反映车辆停站—启行过程的详细轨迹十分繁琐：此类数据集通常稀疏、含噪，且易出现错误。尽管近期研究已探索了若干用于重构车辆时序位置轨迹的方法，但常用技术往往较为复杂，且目前尚无开源工具可协助实务人员处理原始 AVL 数据。本文填补该空白，提出一套完整的公交 AVL 数据清洗方法，并提供一个基于开放数据标准构建的开源 R 软件包，以实现该工作流并重构车辆轨迹，使实务人员能够便捷地构建定制化的微观绩效指标。我们利用来自美国印第安纳州印第安纳波利斯市、涵盖逾 3,000 个班次的大型 AVL 数据集，演示了该工作流，评估了该软件包的运行效率，并通过估计多种交通信号性能指标验证了所重构轨迹的实用性。最后，我们采用交叉验证法，在不同定位采样频率下量化了重构轨迹的位置误差。结果表明，所提出的數據處理方法與工具效率较高，在大型数据集上仅需约 3 分钟处理时间；位置估计误差较低（15 秒采样频率下的均方根误差低于 10 米）。所估计的信号性能指标可为后续沿线走廊信号配时方案的评估提供依据。综上，本文为希望利用公交 AVL 数据构建车辆停站—启行周期精细视图的实务人员提供了一份实用指南与配套工具箱。

Debian 投票决定允许开发者在其对 Linux 发行版的“开发、维护及文档编写”工作中使用人工智能工具。该新 AI 政策承认，“负责任地”使用人工智能可提升开发者的生产力，并进一步指出：“生成式人工智能既不豁免于、也不额外适用于超出既有标准的特殊规则……”

可靠的多轮工具调用要求智能体持续维护一个动态演化的任务状态，并确保每一步动作均与该状态保持一致。然而，直接函数调用（direct function-calling）和 ReAct 风格策略将状态跟踪与动作生成耦合于同一自回归序列中，由此引发状态—动作竞争：生成下一调用的压力可能覆盖或忽略交互早期积累的信息。受博伊德（Boyd）观察—判断—决策—行动（Observe-Orient-Decide-Act, OODA）循环启发，我们提出 OODA-Tool——一种类型化、闭环的策略，通过分离状态维护与动作实现来缓解该竞争。OODA-Tool 并非直接从交互历史生成动作，而是将每次决策经由控制器校验的中间状态进行路由，从而确保最终输出始终锚定于当前任务状态。具体而言，Observe 阶段重建任务状态，Orient 阶段判定是否需执行，Decide 阶段构建合法的动作结构，Act 阶段实现外部输出。我们在多轮、多工具及信息不完整等设定下，使用参数量从 0.6B 至 14B 的 Qwen3 模型，将 OODA-Tool 与直接函数调用及 ReAct 策略进行对比评估。结果表明，OODA-Tool 在所有模型规模上均稳定提升任务成功率，且在较小模型以及动作高度依赖跨轮次累积信息与先前工具结果的任务上增益更为显著。控制变量实验、阶段级消融分析及迁移评估进一步验证了这些改进的鲁棒性。

我们构建了一个约束感知型 GPU 资源分配器，并在七个基准测试场景中将其与先进先出（FIFO）调度器进行对比评测。在完全相同的硬件上运行完全相同的工作负载时，GPU 利用率最高提升了 33 个百分点，且所有场景中的优先级加权输出均有所提升，最高达 105%。硬件本身未作任何变更；发生变化的仅是资源分配决策的执行顺序。需说明的是：以下所有增益数值均表示相对于同一场景下 FIFO 调度器结果的改进幅度。

美国住房和城市发展部（HUD）部长斯科特·特纳（Scott Turner）表示：‘住房是基本需求，但仅有住房并不足够。’

在某些情况下，模型不仅依赖于说话内容，还依赖于指示其正在接受哪个基准测试的细微声学线索。因此，其得分夸大了模型在更广泛语音转录任务上的实际能力。为大规模检验这一现象，我们采用一组独立模型的集成方法，这些模型因其较低的音素错误率（PER）而被选出。PER 衡量书面转录文本与音频中声音的匹配程度，因而可作为模型忠实转录所听内容能力的有效代理指标。