推荐理由：这篇论文用了一种叫bag-of-waves的巧办法，只需少量数据就能从脑电信号里学到可解释的波形模板，比那些黑箱深度模型好懂，还省钱省算力。

推荐理由：这篇论文搞了个 SUSA 方法，用储备池做波动率预测，在美股 ETF 上测了效果比 GARCH 好，还能跟 HARQ 组合更牛。

推荐理由：这篇论文教你怎么用求解器的中间迭代步骤来多搞训练数据，还给了理论分析并连接到GLENS方法，做优化或生成模型的人可以看看。

推荐理由：这篇论文教你如何用一条轨迹学透一个动力系统，从预测函数到Koopman算子都有数学保证，适合想做理论深度的人。

推荐理由：Reflector 能根据你的多轨编排实时检索和声匹配的样本，不用依赖固定参考，免费开源还能本地跑。

推荐理由：这篇论文发现，通用音频模型像CLAP、AST不用专门训练，就能从动物叫声里读出进化关系，比专用模型还准，挺反直觉的。

推荐理由：这篇论文提出了一种新方法，用凸优化来生成带图结构的关联矩阵，比GAN方法更灵活，还做了理论和实验验证。

推荐理由：这篇论文揭示了负移位梯度下降的谱正则化机制，能突破负脊端点的结构限制，在过参数化线性回归中实现更优的混合符号滤波。

推荐理由：这篇论文告诉你，艺术家也能像玩材料一样玩扩散模型内部。他们在ComfyUI做了交互工具，能直接操纵Stable Diffusion的层，看到具体变化。不是理论说教，是真能动手调的。

推荐理由：研究了一套专门针对 NFT 合约的漏洞检测方法，用 DeepSeek 加代码切片把准确率干到了 97.1%，比纯分析完整合约高了 23 个百分点。做合约安全的可以看看。

推荐理由：这篇论文给BCI个性化提供了一个通用API，不用每个模型另起炉灶，在5种骨干和4个数据集上都跑通了，效率还比微调高。

推荐理由：这篇论文教你如何通过修改网页内容让大模型推荐时把你想要的东西排第一。SIREN用PAIR越狱循环，在Claude模型上成功率80%，挺有意思的。

推荐理由：这篇论文把Hyperball优化器的机制拆开来看，发现它并不像传说中那样自动解决学习率调度问题，掌握好调度才是关键。

推荐理由：想搞懂LLM到底是真学习还是假顺从？这篇论文给出了三个具体维度来分析模型修正判断的逻辑，比简单说‘阿谀奉承’有深度多了。

推荐理由：这篇论文搞了个VLM-IE3D，让普通视觉语言模型看RGB视频就能学会3D空间感，不用额外3D设备，而且好几个3D任务都做得更好。

推荐理由：工业视觉缺数据？这个框架用7533张合成图训RFDETR，在真实样本上mAP达80.9%，凹版印刷质量控制有救了。

推荐理由：时间序列分类的黑盒解释往往只找够用的特征，但可能抓到噪音。这篇论文提出了TimePNS，用反事实推理揪出真正必要的子序列，实验效果比现有方法好。

推荐理由：这篇论文用神经网络直接解量子场论方程，不需要标签数据，结果精度在百分级别，对初学者和专家都有启发。

推荐理由：这篇论文提出了一种能直接用神经网络做双样本检验的新方法，比传统方法更灵活，效果也很好。

推荐理由：这篇论文解决了长上下文下投机解码的瓶颈，用滑动窗口草稿省掉99%的KV读取，实测速度提升近三成，而且不损失精度。搞大模型推理优化的值得看。

推荐理由：这篇论文用开源LLM整合语音和文本，在ADReSS20上准确率92.4%，比只用单一模态强多了，且跨数据库也能用。

推荐理由：这篇论文给出了高召回场景下审计遗漏量的理论基础和实用方法，适合做检索系统或数据管线的朋友参考。

推荐理由：这篇论文发了KroQuant，用Kronecker结构做激活变换，W4A4量化又快又准，比SVDQuant和LoRaQ结果好，还省参数。

推荐理由：这篇论文提出的FGDSE框架能提前30天预测充电桩故障，特别指出极端热是关键风险，帮你搞清楚该什么时候维护。

推荐理由：这篇论文提出了VCSD，不需要外部老师就能让多模态模型自己教自己，在Qwen3-VL上几个规模都涨了4-5个点，而且不增加推理成本。

推荐理由：这篇论文提出了MIRROR方法，让视觉语言模型通过不同视角互相学习，在几何推理中表现更稳定、更准确。

推荐理由：这篇论文从哲学和理论层面分析了为什么有些事AI再强也替代不了人，不是技术不行，而是目标本身就得人参与才能定义。看完会重新理解自动化的真正边界。

推荐理由：一个用Claude写Prolog代码并用LPTP证明正确性的实验。有具体的数字和流程，适合对LLM+形式化验证感兴趣的人。

推荐理由：这篇论文用Petri网编排LLM，自动生成并发Rust API的测试用例，比纯LLM生成的更可靠，能挖到深层并发bug。

推荐理由：这篇论文解决了视频编辑时模型丢失先验的问题，用三种新技巧让编辑更精准，效果比以前的TTT方法好得多。

推荐理由：这篇论文把AI代理失效的真正原因讲透了——不是推理不行，而是管不住上下文。还给了个参考实现，LongMemEval和LoCoMo成绩都90%以上。

推荐理由：这篇论文揭示了LLM中一种不易察觉的修辞滥用，并给出了具体测量和缓解方法，适合关注模型文本风格和RLHF影响的读者。

推荐理由：AREX这篇论文让AI自己递归改进答案，在多个搜索和推理基准上超越了同体量模型，想了解自我优化怎么做可以看看。

推荐理由：手写和草图也能和LLM对话了！Thinkink让你在画布上手写输入，LLM用墨水风格回复，研究还做了三轮用户测试，挺靠谱的。

推荐理由：这篇论文用智能体自动发现概念，让REIMS数据的手术切缘评估更可解释、更准确，真实术中场景也表现更好。

推荐理由：这篇论文搞清楚了为什么非工程师造的AI代理容易悄悄坏掉，还给了个轻量级的自动检查框架，适合搞企业级agent落地的人看看。

推荐理由：一篇新论文提出了MAPS架构，用层次化强化学习解决无信号交叉口的多车协调问题，在72种场景下实现无碰撞且更快通行，还能零样本从3车迁移到5车，效果很扎实。

推荐理由：想知道开源模型做数据清洗行不行？这篇论文用真实研究数据测试了31-35B模型，近九成任务都能搞定，隐私保护场景也能用。

推荐理由：一篇论文证明了随机化KV-Cache驱逐能提供误差证书，覆盖率达97%。如果你关心推理加速中的精度损失量化，这方法很实用。