[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-systema-virtual-cell-evaluation-reframed-zh":3,"article-related-systema-virtual-cell-evaluation-reframed-zh":29,"series-research-be49fd87-e80c-43e5-87b9-159611e54bdc":73},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":11},"be49fd87-e80c-43e5-87b9-159611e54bdc","systema-virtual-cell-evaluation-reframed-zh","Systema把虚拟细胞评估改成另一套玩法","\u003Cp>虚拟细胞的分数到底在骗谁？\u003C\u002Fp>\u003Cp data-speakable=\"summary\">Systema把虚拟细胞评估从“像不像”改成了“真不真”。\u003C\u002Fp>\u003Cp>我盯虚拟细胞这类 AIVC（AI virtual cell）工作有一阵子了。模型越来越大，数据越堆越多，leaderboard 也越看越像那么回事，但我总觉得哪里不对。最烦的是，很多模型在标准评估里分数挺漂亮，一换个扰动、换个细胞系、换个任务边界，表现就开始发虚。它们像是在学“扰动之后会有一团转录变化”，但不一定真学到了“这个扰动为什么会引发这组变化”。\u003C\u002Fp>\u003Cp>这不是吹毛求疵。我做过类似的单细胞预测任务，最容易踩坑的就是把“能区分 control 和 perturbed”误当成“能解释 perturbation”。前者很容易刷分，后者才是难点。知乎这篇长文把虚拟细胞的前世今生、算法路线、数据问题、商业化和未来都串了一遍，而真正把我拽住的，是它提到的 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2065024050586563909\">Systema\u003C\u002Fa> 这套新评估框架。它直接把我之前对 leaderboard 的那点信任打碎了。\u003C\u002Fp>\u003Ch2>先别急着夸模型，先问它在比什么\u003C\u002Fh2>\u003Cblockquote>Systema框架提出了更根本的挑战。2025年Nature Biotechnology发表的Systema研究指出，现有方法的高预测分数主要由“系统性变异”（systematic variation）驱动——即perturbed vs control细胞之间的一致转录差异，而非扰动特异性效应。Systema将评估参考点从control centroid转移到perturbed centroid，在此框架下重新评估发现：预测unseen扰动效应“比标准指标所暗示的要困难得多”。\u003C\u002Fblockquote>\u003Cp>这段话的意思很直白：以前很多评估方式，默认你只要把 perturbed 细胞预测得像 control 附近的某个方向偏移，就算做对了。但 Systema 说，等等，你可能只是学到了“扰动后细胞总会变得更像受压状态”，而不是“这个扰动本身带来的特异性分子后果”。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785632614431-hy24.png\" alt=\"Systema把虚拟细胞评估改成另一套玩法\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我第一次看到这个思路时，脑子里冒出来的不是论文，而是做题。你让学生做选择题，他能靠排除法拿高分，不代表他真会那门课。很多虚拟细胞模型现在就有点这个味道：它们在标准 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 里像个好学生，真正要它解释一个没见过的 perturbation，就开始露怯。\u003C\u002Fp>\u003Cp>Systema 最狠的一点，是它把参考点从 control centroid 挪到了 perturbed centroid。这个小动作，把评估逻辑整个翻过来了。以前你看的是“离 control 有多像”，现在你看的是“有没有学到 perturbation 的特异偏移”。这不是语义游戏，是直接改了比赛规则。\u003C\u002Fp>\u003Cp>怎么应用这个思路？如果你在做自己的 AIVC 项目，别只看一个总分。你至少要拆成两类问题：一类是模型能不能把 perturbed 和 control 区分开，另一类是它能不能捕捉到 perturbation-specific 的表达变化。前者可能很高，后者才决定模型有没有研究价值。\u003C\u002Fp>\u003Cul>\u003Cli>别只看 AUROC、R2 这种总指标。\u003C\u002Fli>\u003Cli>把“系统性变异”和“扰动特异性效应”分开评估。\u003C\u002Fli>\u003Cli>如果可能，加入 perturbed-centroid 视角的误差分析。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>高分不一定代表懂机制，可能只是会认应激\u003C\u002Fh2>\u003Cp>Systema 这篇最让我警惕的地方，是它把“高分”背后的来源说穿了。很多模型看起来预测得不错，实际上可能主要捕捉的是细胞受到扰动后的通用反应，比如 stress response、转录噪声上升、状态漂移这些东西。说白了，它们先学会了“细胞被折腾后会乱一点”，然后把这个乱当成了预测能力。\u003C\u002Fp>\u003Cp>这就像你训练一个图像模型识别猫，结果它主要学会的是“背景里有沙发就更像猫”。你给它换个背景，它就不行了。虚拟细胞里也一样，模型可能学的是实验\u003Ca href=\"\u002Fnews\u002Fcognizant-claude-partnership-pilots-to-production-zh\">流程\u003C\u002Fa>、批次效应、通用应激，而不是生物机制本身。\u003C\u002Fp>\u003Cp>我自己在看单细胞扰动任务时，最怕的就是这种“伪理解”。因为它特别容易在 leaderboard 上显得漂亮。只要数据集里 control 和 perturbed 的差异足够稳定，模型就能抓到一个大方向，然后分数就上去了。问题是，这种分数对真正的药物发现、靶点筛选、机制推断帮助有限。\u003C\u002Fp>\u003Cp>Systema 的价值在于，它逼你承认一个事实：高分可能只是模型把“扰动的一般性后果”学熟了，不等于它学会了“扰动特异性机制”。这句话很刺耳，但很有用。尤其是在你准备拿模型去讲商业故事的时候，这个区分特别要命。\u003C\u002Fp>\u003Cp>怎么落地？我会建议你做三件事：\u003C\u002Fp>\u003Cul>\u003Cli>把训练集和测试集按扰动类型、细胞系、实验条件拆开，别让模型靠近似重复数据刷分。\u003C\u002Fli>\u003Cli>加上对“应激反应基因集”的单独分析，看看模型是不是只会抓这个。\u003C\u002Fli>\u003Cli>做 ablation 时，优先验证模型是否真的依赖 perturbation 相关特征，而不是 batch 或状态偏移。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果模型一删掉某些通用应激特征就崩，那它可能根本没学到你想要的东西。\u003C\u002Fp>\u003Ch2>从 control centroid 到 perturbed centroid，评估逻辑才算像样\u003C\u002Fh2>\u003Cp>这部分是 Systema 最有意思的地方，也是最容易被忽略的地方。以前很多任务默认 control 是基准，模型只要预测出一个“从 control 出发的变化”就行。但现实里，perturbation 不是只会把细胞往一个统一方向推。不同扰动可能造成不同的状态转移轨迹，甚至会把细胞推向完全不同的表达区域。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785632609813-a6hk.png\" alt=\"Systema把虚拟细胞评估改成另一套玩法\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>Systema 把参考点换成 perturbed centroid，本质上是在问：你的模型是否真的知道“这个 perturbation 的结果应该在哪里”，而不是只知道“perturbation 会让细胞偏离原点”。这个差别很大。前者接近机制建模，后者更像分类器式的状态判断。\u003C\u002Fp>\u003Cp>我以前做过一个很像的实验：同一套模型，在一个基准集上表现不错，换成更严格的对照后，误差立刻暴露。后来复盘发现，模型其实只是抓住了一个全局偏移趋势。它会说“都差不多”，但说不出“差在哪儿”。Systema 这套框架就是把这种“差不多”给揪出来了。\u003C\u002Fp>\u003Cp>如果你是做研究的人，我觉得这会逼着你重新设计实验。你不能再满足于“模型预测后的分布和真实分布差不多”。你要问的是：它是不是在正确的扰动邻域里？它是不是在正确的细胞状态流形上？它是不是对未见扰动还有可迁移的结构理解？\u003C\u002Fp>\u003Cp>实践上，我会这么做：\u003C\u002Fp>\u003Cul>\u003Cli>把预测结果和真实 perturbed centroid 的距离单独算出来。\u003C\u002Fli>\u003Cli>按扰动类别分层，不要把所有 perturbation 混成一个池子。\u003C\u002Fli>\u003Cli>如果有时间序列，看看模型能不能复原状态转移方向，而不是只复原终点。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这一步很烦，但不做，很多结论都站不稳。\u003C\u002Fp>\u003Ch2>scGPT 这种大模型也不是免检票\u003C\u002Fh2>\u003Cp>文章里提到一个很刺眼的点：即使 fine-tuned 的 scGPT 在 CIN（chromosomal instability）预测上 AUC 也只有 0.73，其他模型还接近随机。这个信息很\u003Ca href=\"\u002Fnews\u002Fpwcs-ai-blunder-verification-beats-prompt-engineering-zh\">重要\u003C\u002Fa>，因为它提醒我，别看大模型名字响，就默认它理解细胞扰动。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbowang-lab\u002FscGPT\">scGPT\u003C\u002Fa> 这类模型的优势，通常在于表达建模能力强、预训练覆盖广、迁移潜力好。但一旦任务变成“预测未见扰动的真实效应”，它们也会碰到边界。尤其是在 perturbation biology 里，数据噪声、实验偏差、任务定义不清，都会把模型逼回原形。\u003C\u002Fp>\u003Cp>我不反对大模型，我反对的是把大模型当答案机。单细胞扰动不是文本补全，不能靠“见得多”自动解决机制推断。你要的是因果相关的结构，不只是统计相关的补丁。\u003C\u002Fp>\u003Cp>这里我会特别注意两个问题。第一，fine-tuning 数据是不是足够代表目标扰动空间。第二，评估指标是不是只奖励了“表面相似”，而没有奖励“机制正确”。如果这两点没处理好，模型再大也只是更会背题。\u003C\u002Fp>\u003Cp>怎么用到你的项目里？我建议别只比最终分数，至少加上这些检查：\u003C\u002Fp>\u003Cul>\u003Cli>未见扰动上的泛化曲线。\u003C\u002Fli>\u003Cli>跨细胞系迁移表现。\u003C\u002Fli>\u003Cli>对已知机制扰动的方向一致性。\u003C\u002Fli>\u003Cli>对负对照和弱扰动的区分能力。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果一个模型在这些维度上都不稳，那它的“高分”就要打折看。\u003C\u002Fp>\u003Ch2>数据才是虚拟细胞最脏的地方\u003C\u002Fh2>\u003Cp>说到底，AIVC 这条路最难的不是模型结构，而是数据。单细胞扰动数据天然有很多问题：批次效应、测序深度差异、实验条件不一致、扰动强度不均匀、标签稀疏。你以为自己在学生物，其实很可能在学实验室流程。\u003C\u002Fp>\u003Cp>知乎这篇长文把数据、算法、商业化放在一起讲，挺对的。因为虚拟细胞如果没有高质量、标准化、可复用的数据集，模型再漂亮也很难出圈。这个领域特别容易陷入“数据集越大，噪声越大；模型越强，幻觉越稳”的怪圈。\u003C\u002Fp>\u003Cp>我自己的经验是，数据问题往往不会在第一轮实验暴露，而是在你准备做外部验证、做产品化、做合作的时候突然炸开。那时你才发现，不同来源的 perturbation 根\u003Ca href=\"\u002Fnews\u002Fopus-5-cut-cost-without-losing-quality-zh\">本不\u003C\u002Fa>是同一种东西，control 也不是 control，所谓 ground truth 其实只是某个实验条件下的近似值。\u003C\u002Fp>\u003Cp>所以如果你要做 AIVC，我会把数据治理放到第一位：\u003C\u002Fp>\u003Cul>\u003Cli>明确扰动类型和实验条件的元数据。\u003C\u002Fli>\u003Cli>统一表达矩阵预处理流程。\u003C\u002Fli>\u003Cli>记录 batch、平台、时间点、剂量这些关键信息。\u003C\u002Fli>\u003Cli>尽量保留原始分布，不要过度清洗到把信号也洗没了。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>模型可以慢慢调，数据一旦定义错了，后面全是白忙。\u003C\u002Fp>\u003Ch2>商业化别急着吹，先看它能不能帮人做决定\u003C\u002Fh2>\u003Cp>我对很多 AIVC 商业故事的态度都比较冷。不是因为它没价值，而是因为它很容易被讲成“AI 读懂细胞了，所以药物研发要被重写”。这种话听着爽，落地时通常很痛。\u003C\u002Fp>\u003Cp>真正能商业化的虚拟细胞，不是“看起来像生物学”，而是“能减少实验次数、提高筛选命中率、缩短决策链条”。如果模型只是给出一个漂亮的表达谱，研究员看完还是得自己重做实验，那它的价值就很有限。\u003C\u002Fp>\u003Cp>Systema 这类工作对商业化的影响其实很直接。它提醒你，很多现有模型的高分可能只是对通用扰动反应的拟合，不足以支撑高风险决策。换句话说，如果你拿这个模型去做靶点优先级排序、药物组合筛选、毒性预测，最好先问一句：它到底懂不懂这个 perturbation 的特异性后果？\u003C\u002Fp>\u003Cp>我会把商业化分成三层：\u003C\u002Fp>\u003Cul>\u003Cli>第一层：辅助分析，给研究员省时间。\u003C\u002Fli>\u003Cli>第二层：候选排序，帮你缩小实验空间。\u003C\u002Fli>\u003Cli>第三层：真正影响决策，直接改变实验设计。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>大多数 AIVC 现在最多落在前两层。想进第三层，评估标准必须更狠，Systema 这种思路就是往这个方向推。\u003C\u002Fp>\u003Ch2>你该怎么把这套思路用到自己的项目里\u003C\u002Fh2>\u003Cp>如果我把这篇知乎长文和 Systema 的核心思想压缩成一句话，那就是：别再把“预测得像”误当成“理解得对”。这句话听起来像废话，但很多项目就是栽在这里。\u003C\u002Fp>\u003Cp>我建议你在自己的虚拟细胞工作流里，直接加一层“反直觉检查”。比如模型分数很高时，先别庆祝，先问三个问题：它是不是只会认应激？它是不是只是在复原 control 偏移？它对未见扰动有没有真正的结构泛化？\u003C\u002Fp>\u003Cp>如果这三个问题答不出来，模型就还只是一个不错的拟合器，不是机制模型。这个判断很残酷，但很省时间。\u003C\u002Fp>\u003Cp>我也建议你把 benchmark 设计成分层结构，而不是一锅端。至少分出通用扰动、强应激扰动、机制明确扰动、未见扰动四类。这样你才能看清模型到底在哪一类上真有能力，在哪一类上只是碰巧。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Virtual Cell Evaluation Template (Systema-style)\n\n## Goal\nEvaluate whether the model predicts perturbation-specific cellular responses, not just generic control-vs-perturbed separation.\n\n## Data splits\n- In-distribution perturbations\n- Unseen perturbations\n- Cross-cell-line transfer\n- Cross-batch \u002F cross-platform transfer\n\n## Primary metrics\n- Distance to perturbed centroid\n- Directional consistency of perturbation effect\n- Rank correlation of affected genes\n- Recovery of known pathway signatures\n\n## Secondary checks\n- Control-vs-perturbed classification score\n- Stress-response enrichment\n- Batch sensitivity analysis\n- Ablation on metadata and preprocessing\n\n## Failure analysis\n- Does the model mostly capture generic stress?\n- Does performance collapse on unseen perturbations?\n- Is the model sensitive to batch or platform artifacts?\n- Are gains preserved after removing obvious shortcuts?\n\n## Decision rule\nOnly treat the model as biologically useful if it performs well on unseen perturbations and keeps directional consistency beyond generic stress effects.\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>我會真的把這段貼進 README、實驗記錄或者項目評審里。因為它逼著團隊把“高分”拆開看，不讓大家被一個總指標哄住。\u003C\u002Fp>\u003Cp>最後再說一句，我對 AIVC 不是悲觀，我只是對“看起來很懂”這件事特別不耐煩。Systema 的意義就在這兒：它不是告訴你虛擬細胞沒用，而是提醒你，之前很多“有用”的證據可能沒你想的那麼硬。\u003C\u002Fp>\u003Cp>原始討論來自知乎文章 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2065024050586563909\">《4万字长文必读！一文讲透虚拟细胞（AIVC）的前世今生：算法、数据、商业化和未来》\u003C\u002Fa>。上面這篇是我基於該文中對 Systema 的總結，再結合 \u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Fnbt\u002F\">Nature Biotechnology\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbowang-lab\u002FscGPT\">scGPT\u003C\u002Fa> 和我自己的評估經驗做的拆解；模板部分是我重新整理的，可直接拿去改你的項目評估。\u003C\u002Fp>","我拆开Systema这套评估法，讲清虚拟细胞为什么高分不等于真懂扰动。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2065024050586563909",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785632614431-hy24.png","research","zh","8117c0b0-2d1a-41eb-bf11-a66f1b28c6db",[17,18,19,20,21],"AIVC","virtual cell","Systema","perturbation biology","benchmark",[23,24,25],"Systema 把虛擬細胞評估從 control-centroid 改成 perturbed-centroid，讓高分不再只是會抓通用偏移。","很多模型其實學到的是應激反應與批次訊號，不等於理解 perturbation-specific 機制。","真正可用的評估要拆分未見擾動、跨細胞系與方向一致性，不能只看單一總分。",1,"2026-08-02T01:03:08.934034+00:00","2026-08-02T01:03:08.918+00:00",{"tags":30,"relatedLang":32,"relatedPosts":36},[31],{"name":21,"slug":21},{"id":15,"slug":33,"title":34,"language":35},"systema-turns-aivc-scores-into-a-harder-test-en","Systema turns AIVC scores into a harder test","en",[37,43,49,55,61,67],{"id":38,"slug":39,"title":40,"cover_image":41,"image_url":41,"created_at":42,"category":13},"5063caeb-1afb-4dce-94b8-93393e17d5eb","stablecoin-remittances-hit-9-percent-bank-italy-test-zh","義大利測試：USDC 匯款最高近 9%","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785591176809-t9nq.png","2026-08-01T13:32:32.282347+00:00",{"id":44,"slug":45,"title":46,"cover_image":47,"image_url":47,"created_at":48,"category":13},"04dabd9d-7737-49e7-8c20-6993e31af5ad","stablecoins-hit-308b-as-svbs-shock-echoes-zh","穩定幣衝上3080億美元","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785585769972-mjx7.png","2026-08-01T12:02:27.954058+00:00",{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"6fa6185b-fcd2-4dd5-aacc-f3b929c23f9b","rust-compiler-speed-wins-july-2026-zh","Rust 編譯器 2026 7 月速度成果實作指南","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785569563415-4xqj.png","2026-08-01T07:32:21.05618+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"595ebbe1-bb81-4b4f-8f42-43a1b3820542","build-small-language-model-deepmind-zh","用 DeepMind 做出小型語言模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785522760396-cgum.png","2026-07-31T18:32:17.616702+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"27ea61f5-fd76-4df9-a9d0-05f049ca9a66","pac-man-humanoid-dodgeball-safety-zh","PAC-MAN 讓人形機器人閃球更安全","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785481375867-2a5a.png","2026-07-31T07:02:32.393678+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"d0e6aae8-7bf9-42bc-a8ff-16bfd8e32c9f","retoken-one-token-visual-retrieval-zh","ReToken：一個 token 抓回視覺脈絡","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785479571709-eug9.png","2026-07-31T06:32:24.178463+00:00",[74,79,84,89,94,99,104,109,114,119],{"id":75,"slug":76,"title":77,"created_at":78},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":80,"slug":81,"title":82,"created_at":83},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":85,"slug":86,"title":87,"created_at":88},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]