推荐理由：金融时序预测别急着堆参数，试试把市场状态信息只用来做路由。RG-ResMoE在1027只美股上比MLP更准更稳，软路由还改善了VaR校准。

推荐理由：三张标注日就能把鱼肉鲜度误差压到1.58天，这个少样本高光谱方法比全监督基线都划算。

推荐理由：这篇论文用真实数据告诉你哪些公司在用ChatGPT、谁在用、用来干嘛，比拍脑袋靠谱多了。

推荐理由：这篇论文把奖励函数设计拆成三步，还有个只要 O(n log κ) 次偏好查询的算法，做 RLHF 或奖励建模的值得一读。

推荐理由：做深度学习测试的人可以省事了，ADEPT 把各种覆盖率度量统一成一个框架，不用再挨个配置那些难搞的原型工具，直接就能跑。

推荐理由：空间推理一直是视觉语言模型的硬伤，SCOUT 用新的训练方法把 3D 理解做得更准，7B 规模直接超过 GPT-4o，还能迁移到视频上。

推荐理由：用 SPAR 把脉搏波变成图像，再让 CNN 分年龄，35-40 和 50-55 岁分得挺准，F1 超 70%。

推荐理由：论文用560个模型实测了4比特量化在S&P 500波动率预测上的效果，发现校准方式能决定性能好坏，做量化部署的可以看看。

推荐理由：这篇论文用四万组问答测了六大模型，发现它们很少拒绝聊敏感书，但会用警告和犹豫来暗示，想了解内容审核现状可以看看。

推荐理由：SCoT把多轮专家会诊搬进模型协作，在难诊断病例上比单模型召回更高，做医疗AI的可以看看。

推荐理由：自动驾驶圈可以看看这篇：他们没让神经网络直接开车，而是给它加了安全监督层，还在自家车karl.上真跑了。

推荐理由：这篇论文把卫星嵌入加到天气降尺度里，温度风速预测都更准了，CRPS提升两位数，做天气AI的值得看看。

推荐理由：SGS-Poisson在带误差的预言机下仍保1/e和1-1/e近似比，还直接给出全臂老虎机遗憾界，做组合优化和在线学习值得看。

推荐理由：VICBench 搞了个 100 个真实漏洞提交的基准，覆盖 Python/Java/C++，平均改动比旧数据集大不少，测漏洞检测用它更靠谱。

推荐理由：这篇论文讲怎么用RAG和LLM把技术文档自动变成知识图谱，用在反应堆诊断上，跑得还稳，搞可靠性的可以看看。

推荐理由：SGNet 只 4.75M 参数，就达到 97.8% 准确率，比 ResNet-50、ViT 小 5-18 倍，适合工业鱼类新鲜度检测。

推荐理由：这篇论文讲孟加拉语在AI基建里的吃亏，67:1的token差距和36.5%的农村联网率是硬数据。

推荐理由：这篇论文提出HYDRA，给KAN“减负”，参数更省还不掉点，双曲空间让表示更可解释。做KAN相关研究的可以看看。

推荐理由：想搞LLM自动修bug的可以看看，CausalRepair用双切片把上下文搞干净了，修复数比ReinFix多，成本还低。

推荐理由：想搞懂SAE特征到底抽没抽到抽象概念？这篇提出FNL指标，不用LLM打分就能测抽象度，还能帮你挑干预特征，实测提分4.6。

推荐理由：想知道小模型微调后能不能干过大厂API？这篇用2千多条真实学生数据实测，DeepSeek-R1 1.5B微调后比GPT-5 mini还稳。

推荐理由：想知道中国大模型是不是都一个样？这篇论文用囚徒困境测了DeepSeek、Qwen、Kimi和GLM，发现它们合作倾向差别挺大，别再把它们当铁板一块了。

推荐理由：想研究 Agent 技能生态的，这个数据集直接给你 380 万份真实 SKILL.md，比你自己爬 GitHub 省事多了。

推荐理由：这篇论文用SAE潜变量集做相似度度量，发现它并不比稠密嵌入更贴近人类概念判断，搞可解释性的人值得看看这个反直觉结论。

推荐理由：量子计算和注意力机制结合的新思路，把softmax映射到量子测量，数学上还挺严谨，搞量子ML的可以看看。

推荐理由：这篇论文提出MMCS，用50K样本就干翻别人600K的效果，做多模态预训练的可以看看这个新思路。

推荐理由：如果你用朴素贝叶斯处理高基数分类数据，HEB-NB能自动调平滑参数，比固定Laplace更准，论文还给了理论保证和实测数据。

推荐理由：做因果发现的朋友可以看看，这篇把PC和FCI背后的CI检验方法按六个家族梳理清楚了，还讲了每种方法什么时候会失效，省得自己踩坑。

推荐理由：这篇论文用合成基准测了不同干预策略在供应链里的实际效果，LambdaMART 在某些场景确实更优，但数字基础设施上简单策略反而更强，值得做决策的人看看。

推荐理由：做LLM后训练的朋友可以看看，MISA-T把混合rollout调度做得更精细，吞吐提升明显，而且不牺牲任务效果。

推荐理由：这篇论文用推荐系统思路解决传感器选择，抗干扰还提精度20%，做跟踪或边缘计算的朋友可以看看。

推荐理由：做目标检测或分割的可以看看，AlbumentationsX 把图像和标注的增强统一了，避免随机变换错位，还能重放调试。

推荐理由：想了解跨视角匹配的现状和未来？这篇综述把方法分类、基准测试和基础模型趋势都讲清楚了，适合快速入门。

推荐理由：想搞LoRa网络规划？这篇用真实数据告诉你ML模型比传统模型准多少，还分析了换网关会翻车的情况，挺实在的。

推荐理由：推荐系统训练时内存不够用？这篇论文告诉你该加批大小还是加负样本，结论很实用。

推荐理由：想知道基因组学里哪个不确定性方法靠谱？这篇实证对比了三种主流方法，贝叶斯网络在类别不平衡时表现最好，还教你怎么用不确定性挑高质量预测。

推荐理由：这篇论文给IRL的超梯度计算找了个巧妙的捷径，用Fisher矩阵和谱草图省下大量算力，做强化学习的朋友可以看看。