推荐理由：做AI代理开发？这篇论文提出了AJR和ADP两个实用工具，帮你理清什么该委托给代理、怎么设定权限等级，比直接写prompt靠谱多了。

推荐理由：这篇论文用QQ等式定量审计LLM的顺序效应，还给出了理论机制和实用流水线，适合对模型行为一致性感兴趣的人读。

推荐理由：这篇论文系统测试了用SWE-trajectory数据微调Qwen2.5-Coder时，不同轨迹筛选方法的效果，发现数据质量和数量在不同规模下影响不同，值得参考。

推荐理由：想搞懂压缩里的感知极限吗？这篇教程把率失真感知理论的计算方法和多种散度度量讲透了，比泛泛的综述实在得多。

推荐理由：这篇论文给NaS算法提供了非渐近保证，解释了样本复杂度受哪些因素影响，做强化学习理论的朋友可以看看。

推荐理由：这篇论文发现Transformer学算术的方式跟人很像，用教人算术的策略来调模型，效果还真不错，想了解LLM推理机制和可解释性的话值得一看。

推荐理由：这篇论文告诉你如何微调Whisper搞定低资源语言阿萨姆语的语音识别，效果比零样本好一大截，WER直接降了78%

推荐理由：这篇论文把MoE模型卸到边缘设备上跑，靠专家相似性分组减少跨服务器通信，实测延迟和流量都降了，质量只掉一点。

推荐理由：这篇论文提出了Persistent SAE，让稀疏自编码器学出特征该持久多久，在解释和监控语言模型上更灵活，尤其长文本场景下效果明显。

推荐理由：这篇论文用对抗训练加高斯增强，把NIDS被FGSM攻击后的26%准确率拉回96%，实测有效。

推荐理由：这篇论文提出了ThRIve方法，用低秩适应应对PIM芯片的热噪声问题，在保持精度不变的前提下把能效提升了5.4倍，做硬件推理的值得看看。

推荐理由：这篇论文提出了Otap，一个用最优传输来评估Agent轨迹的新方法。它不再只看任务成功与否，而是分析执行结构，还能容忍不同的规划顺序和冗余步骤。

推荐理由：这篇论文提出了PMC方法，能直接看穿BFT模型内部认为的贝叶斯先验是什么，比传统对比法更靠谱。做可解释性研究的朋友可以试试。

推荐理由：这篇论文用严格实验告诉你，LLM在约束推理上的表现和求解器难度不是一码事。他们控制密度、比较两类公式，发现准确率差距和求解器冲突量几乎不相关，甚至反着走。

推荐理由：这篇论文搞了个ChemFusion模型，把电子特征和3D结构结合起来用交叉注意力，预测催化反应产率比老方法准多了。

推荐理由：这篇论文用实打实的数据告诉你，PM2.5对呼吸健康影响有多大，而且不同收入国家差别明显，模型能解释比只看精度更重要。

推荐理由：这篇论文把拟人对话的生成、评测和奖励对齐做成闭环，Qwen3.6-27B微调后严格准确率39%，比基线高一大截。

推荐理由：这篇论文的Talaria系统把工具代理场景下百亿参数模型的p50延迟从1000秒降到189秒，挺实用的加速方案。

推荐理由：你还在为回归数据分布不均发愁？这个新框架DADIR用密度指导分区和生成，比固定分区法更准，专门提升稀疏区域的预测效果。

推荐理由：这篇论文把AI行为拆成两层来诊断，教你看清行为是来自模型结构还是外部规则，对搞智能体评估和治理的人很有用。

推荐理由：这篇论文提出了HALO，能用带噪框标注解决红外小目标检测，比现有方法更扛标注不准确，适合实际场景。

推荐理由：这篇论文展示了PagedWeight方法，能在MoE模型服务里动态量化权重，省内存还保准，比之前的方法效果明显更好。

推荐理由：这篇论文提供了一种利用热力学原理做机器学习的新思路，特别适合关注低功耗计算硬件的读者，从理论到超导电路实验都有。

推荐理由：这篇论文用拉普拉斯最优传输让点云匹配自动感知聚类结构，还附带一个同步聚类方法RSC，适合做形状匹配或聚类对齐的同行参考。

推荐理由：这篇论文用PEARL方法解决了RL在复杂动力学系统中样本效率低的问题，能在非稳态流中做实时控制，比现有算法更高效，值得搞控制或RL的人看看。

推荐理由：这篇论文用行为条件化神经过程做家庭用电预测，比基线方法MAE降了7.9%，特别适合处理不同家庭的用电习惯差异。

推荐理由：这篇论文提出PRISA，用路边LiDAR自动学习轨迹预测，无需人工标注就能在边缘实时评估碰撞风险，延迟仅194毫秒，已在真实路口跑通。

推荐理由：这篇论文展示了生成模型能从原始对撞数据中自动学习标准模型的结构，不需要模拟样本，连共振峰和质量都能自己学到。

推荐理由：IKPLS算法加速技巧：X旋转和Y负载计算改进，CPU快2倍、GPU快6倍，代码开源随便用。

推荐理由：这篇论文挖出了智能体共识的一个坑：老实但推理错误的验证器照样能搞砸安全性。用e_δ和u_ε两个指标量化风险，比传统BFT更接地气。搞Agent基础设施的值得一读。

推荐理由：给AI科学应用开发者的新视角：AlphaFold2的权重里藏着比静态预测更丰富的构象信息，用高斯卷积就能读出蛋白质折叠动力学线索。

推荐理由：这篇论文用 P2L 方法从 400 个场景里只挑 2 个就搞定了 MPC 校准，风险界才 4.8%，而且置信度极高，做控制的人可以看看。

推荐理由：搞气象AI的可以看这篇，用孟买雷达数据训练的U-Net模型预测90分钟降水，CSI比传统方法高不少。

推荐理由：想搞基因调控网络但被跨物种问题卡住？这论文用序列预测加概率精修，直接解决迁移和不确定性问题，值得做计算生物学的看看。

推荐理由：这篇论文测了11个开源模型做漏洞结构化的效果，Gemma-4-31B和Codestral-22B组队挺有意思，做安全情报的可以看看F1分数。

推荐理由：这篇论文发现Muon优化器让智能体RL成功率从29%飙到55%，比AdamW快60步，还分析了学习率的影响。

推荐理由：这篇论文从信息瓶颈角度讲清楚了多智能体系统在什么时候比单智能体更有优势，还通过18个实验验证了弱模型受益多、强模型受益少。

推荐理由：这篇论文给VLM配了三种看图工具（表格、图表、放大），再用GRPO训练工具使用策略，比普通prompt和RL方法更准，适合处理科学图表验证。