推荐理由：这篇论文提出了HT-PAder算法，不用提前知道任何参数就能在重尾噪声下做动态优化，比以往方法更通用，理论结果也很强。

推荐理由：这篇论文给核方法在物理信息学习里补上了理论短板，证明用高斯核就能渐近满足约束，还跟PINNs比了效果，搞理论的值得看。

推荐理由：想提升异构模型蒸馏效果？CoCaRS 用三种新模块解决特征冗余和系数敏感问题，实验在 CIFAR-100 和 ImageNet-1K 上表现更好。

推荐理由：这篇论文揭示了视频世界模型长视频生成不稳定的根本原因——表示维度塌缩，并提出了一个简单有效的正则化方法，在VBench上大幅超过Diffusion Forcing。

推荐理由：MRCoder用Map-Reduce思路解决仓库级代码生成的上下文选择难题，比现有RAG方法节省30-50% token，推理快52%，在CoderEval和DevEval上准确率更高。

推荐理由：想自动生成分子IUPAC名称？试试NISPO，开源、基于RDKit，在1亿分子上验证准确率98.1%。

推荐理由：这篇论文搞了个CodeSpec，让代码智能体在仓库里加新功能时先建可执行规范，在FeatureBench上用DeepSeek-V4-Pro跑到70.7%通过率，比Claude Code靠谱不少。

推荐理由：这篇论文用LLM自动调PID参数，小模型Qwen3-0.6B调参成功率94%，比大模型还稳。

推荐理由：这篇论文用实验告诉你，即使准确率一样，稀疏模型也不能直接替换密集模型——7-10%的决策会变，部署前得重新验证。

推荐理由：想看开源模型能不能真挖漏洞？这个基准用95个真实CVE测了10种模型，最弱的也能找回68%，数据很实在。

推荐理由：TreeCCA把XGBoost/LightGBM变成CCA编码器，效果不输深度学习，还自带特征重要性解释，适合表格数据多视图分析。

推荐理由：这篇论文提出了BayesAME，能自动算出评估模型需要多少数据，比手动定大小更准更省事。

推荐理由：这篇论文用实验证明，预测目标决定了模型能学到哪些物理参数。想理解世界模型设计核心？看它如何区分不同参数的可识别性。

推荐理由：这篇论文把神经网络解空间的OGP理论从零温度推广到了有限温度，发现允许一点训练误差就能让算法在原来计算困难的区域找到好解，而且泛化也不差。

推荐理由：这篇论文提出了联邦学习框架，让不同机构在不共享数据的情况下一起训练故障预测模型，效果和集中训练差不多，挺实用的。

推荐理由：这篇论文提出了一个很聪明的改进：当学生模型推理跑偏时，让老师模型短暂接管一段，再交回学生继续训练。在Qwen3小模型上效果明显，数学推理准确率提升，训练还更快。

推荐理由：想测试你的桌面Agent到底能不能分清操作后的界面变化？这个新基准有2000多个真实案例，能看出模型在哪类失败上翻车。

推荐理由：这篇论文用实验证明AI竞赛中不安全开发不是单纯的风险偏好问题，而是竞争压力让你不得不跟——别人都冲了你敢不冲吗？读起来挺有意思。

推荐理由：这篇论文提出了CHARM，用分层上下文建模多模态图，不需要目标域微调就能零样本迁移，比现有GNN和LLM方法更通用。

推荐理由：这篇论文用光学模式分割做Transformer加速，面积功耗比之前方案强很多，值得搞硬件的看看。

推荐理由：这篇论文实测了给LLM补上运行时调用关系后，K8s安全补丁的正确率从11%飙到78%。对搞云原生安全的人值得一看。

推荐理由：这篇论文提出了MemLens，能让LLM智能体更聪明地管理记忆，通过价值感知和交互分析来避免冗余记录。对智能体长期记忆感兴趣的话，值得一读。

推荐理由：想系统理解文本、表格和知识图谱为什么打架？看看这篇论文，它用SPARQL和LLM自动找出不一致，还分了四种类型，挺实用的。

推荐理由：操作策略终于能实时闭环了！πR²让大模型每40ms重新规划动作，比基线快4倍，成功率提升30%，特别适合动态环境。

推荐理由：MoE-LoRA 不用固定 k 值了，CARE 根据 token 难度自动选专家，在 LLaMA 和 Qwen 上效率更高，还能顺手做 OOD 检测。

推荐理由：这篇论文提出的DITL方法，在乳腺密度分类上全面超过现有方法，而且不用调参，效果好还省事，值得做医学影像的朋友看看。

推荐理由：京东数据验证的一种新方法，用LLM和GRPO自动选库存分配公式，准确率翻倍，搞供应链优化的可以关注。

推荐理由：想快速预测场景多种运动轨迹？GARFIELD比大模型快97倍，还能实时估算不确定性。

推荐理由：这篇论文用实验告诉你：看似能隐藏模型“知道自己在被测试”的输入优化，可能是假象——抑制CAA方向跟抑制随机方向没什么两样。

推荐理由：VetClaw 把摄像头和云端大模型结合起来，让兽医能快速做疾病初筛，比单用图片准确多了。

推荐理由：如果你做强化学习，特别关注世界模型，这篇论文提出Reinformed Dreamer，用潜在引导训练不对称表示，比Informed Dreamer更稳定地超越Dreamer。

推荐理由：这篇论文提出PDD方法，能用更少的采样步数生成高质量视频和图像，而且训练比VSD简单多了，适合搞生成加速的研究者看看。

推荐理由：想知道表格模型换了数据还灵不灵？这篇论文测了9个主流模型，结果全都不乐观，性能差距最小也有0.003。

推荐理由：想搞自治网络的必看，MILD能提前预测故障还能准确定位根因，比传统的阈值检测反应快多了。

推荐理由：这篇论文让通用神经网络也能处理对称性，不需要专门设计等变算子，在基因、图像和点云数据上都有效果。

推荐理由：这篇论文把物理建模和DRL结合起来控无人机，SAC和TD3比PPO表现好，有具体数字和对比，搞控制或强化学习的可以看看。

推荐理由：一篇教你用强化学习优化代码执行速度的论文，针对测量噪声和奖励稀疏问题设计了DMC-Optim基准和三阶段方法，让Qwen 2.5 7B的pass@1从18%提到31%，CWM 32B提到50%。

推荐理由：Quasi-SVD把矩阵分解速度提了3-20倍，还能在GPU上并行跑，医学实时成像终于有戏了。

推荐理由：这篇论文对比了DDPM、Score-SDE、FM和VAE在非平稳场上的表现，告诉你哪个模型能更好还原协方差结构，适合关心生成模型统计特性的人。