
人们在治疗与肥胖有关的疾病上的花销高达1470亿美元,因此搞清楚锻炼身体是否真的有助于减肥是非常重要的。一项新研究消除了许多跑步者心中都有的一个疑惑:与不锻炼相比,锻炼真能消耗更多卡路里吗?

研究人员的结论是:人们普遍认为体力劳动或体育锻炼后能量摄入会增加,但我们没有充分的证据表明高强度的体力劳动或体育锻炼会对能量摄入产生影响。换句话说,大多数人锻炼后不会比平时吃得更多,对于想减肥的人来说,这无疑是个好消息。
堪萨斯大学医疗中心的研究团队还发现,不同的锻炼方式的结果基本没有什么两样,这其中包括有氧运动和力量训练、锻炼强度、锻炼时间。锻炼不会改变人们的吃饭行为,研究人员在报告中称,“我们没有发现锻炼能影响营养摄入的证据。”
调查人员指出,许多减肥方面的研究显示,锻炼会引起脂肪含量、而非肌肉的减少。研究人员在报告中称,“这些因素可能与长期保持减肥效果有关。”
知名营养学家南茜·克拉克(Nancy Clark)表示,尽管经常警告跑步者不要期望能大幅减肥,但她对这项研究表示欢迎,“我对客户的建议是,想健康就锻炼,想减肥就少吃。我发现许多人早上跑上10英里后就会大吃一顿,然后一整天基本上就不再运动了”。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。