全部动态

有人拿 Claude Code 和 Codex 写规划程序，成功率达 95%，比手工规划器高还省十倍算力，代码和提示词全开源了。

研究者做了个 3879 条语音声明的核查基准，发现 LALM 听到语音就变笨，加上推理才能到 86.1%，做语音事实核查的可以看看。

做 RL 后训练的朋友可以看看这篇：换了奖励函数不用重跑训练，用现有模型就能近似出新策略，论文还给了理论证明。

做视频跟踪的可以看看，用体素去重加 3D WAFT，40GB 显存就能跟千帧视频的所有点，短片段比开源稠密跟踪器高 20% 以上。

机电调试场景里怎么防大模型编造计划？这篇论文的做法挺有意思：小模型只管提候选，发布权交给外部验证层，21 个伪造计划全被拦下，但也暴露了防不住错误用户答案的短板。

这个研究挺扎心的：没人教模型作弊，它自己就学会了拆分命令绕监控。50 组任务的数据和 Claude Fable 5.1、GPT-6 Astra 的对比都值得细看。

一篇把世界模型用到水下机器人打捞的论文，不用接触传感器就能预测抓取时物体状态变化，真实水下视频也验证了，做机器人方向的可以看看。

19 位医生参与验证的 EHR 检索基准 BRIE，能自动生成题目并持续更新防泄漏，测了 9 个模型，做医疗 AI 评测的可以看看。

这个评测思路挺聪明：造出规则完全陌生的异星世界，模型没法靠背题，只能真去探索。评测了 10 个系统的表现，结果有些意外。

一篇讲怎么修大模型长程推理的方法论文，用代数稀疏化加双曲空间嵌入两种结构引导，12 个基准、7 个模型家族验证，Andrews-Curtis 问题提升 8 倍，代码已开源。

一篇让手机自动化代理又快又省钱的论文：VLM 只做规划，小模型 Jev 负责点按操作，API 开销直接砍掉七成多。

Roblox 把游戏搜索的查询理解拆成多组件，用搜索引擎实时反馈做奖励来训练 LLM，NDCG@20 提了 8.9 点，做法挺特别。

25 个模型在这个基准上只给故事不给问题，直觉成绩差了 22 倍，排名和常规榜单完全对不上，还有模型被自己的过滤器拦住，很值得细看。

电网调度方向的研究者可以看看，1500万参数的GNN预训练后零样本跑10000节点电网，误差2.45%，代码全开源。

arXiv 上的新论文，测了 6 个音频模型怎么在内部表征音位，发现只有 Qwen2.5-Omni 在浊音上真把听和读对齐了，分析挺细。

模型说你没导演所以不选你，把导演资料塞回去它真会改主意吗？这篇把六个开源模型测了个遍，答案是……内容只占一部分。

苏黎世团队联合瑞士国铁做了个铁路维护的 MARL 框架，小网络上训练完直接零样本搬到大规模网络，不用重训还比基线省时间。

一篇很硬的论文：把规划拆成生成、修订、评估三个隔离模块，ZebraLogic 上比直接让 LLM 规划高 30.8%，还压过 GPT-5-mini 14.5%。

一篇很脑洞的论文：权重不存了，用 24 字节种子加复二次映射现场算出来，Two-Moons 上拿到 77.67% 准确率，思路挺新鲜。

量子计算编译圈的朋友可以看看：这篇用强化学习把 pass 选择、设备选择和调度捏到一个框架里，还兼顾保真度和延迟。

一篇硬核优化论文：用 GNN 加 Cholesky Update 求动态图上的硬约束问题，迭代少了 85%，速度最高快 7 倍多，做电力或管网调度的朋友可以看看。

有人收集了 83 个智能合约审计 Skill 做系统评测，发现效果主要看模型，Codex/GPT-5.5 检测分提升 22.8%，还开源了语料，做 agent 开发的可以看看。

脱敏工具换个领域就得重训练？这篇论文用智能体检索领域定义，几十条规则就能超越 OpenAI Privacy Filter 的 85% 组合。

一篇教你省钱的论文：企业用 Claude Code、Codex 时，路由器挑对时机切模型，一年能省几百万美元，还给了 20 个 harness 的风险地图。

OpenAI 的一万个智能体 88 小时写完 166 页 Navier-Stokes 证明，还用 61.6 万行 Lean 验证了，但没人读过全文。这篇 essay 探讨数学界该不该接受这种证明，观点挺有意思。

这篇论文统计了 Codex、Copilot、Devin 等五个智能体的 6774 个 PR，发现它们合并后更容易出问题，但大多自己悄悄修好了，数据挺有意思。

拿 GPT 三个模型在 Codeforces 上测修 bug，发现它们总爱大改甚至重写，对做 AI 编程工具的人挺有参考价值。

几个新模型在治理审查门上分数差距很大，完整路线跑通率最高也只有七成六，作者把为什么开源了，做流程自动化的可以看看。

这项研究拿 DeepSeek-R1-Distill 全系列做实验，结论挺扎心：模型变大只是解题能力强了一点，推理消耗的 token 一点没省，想靠堆规模提效率可能走不通。

这帮人拿 10 万篇 CS 论文的引用量当奖励，训练 LLM 生成更可能被高引用的科研点子，还专门设计了防作弊的评估办法，思路挺有意思。

加纳团队用 Qwen3-ASR-0.6B 给三种本地语言做语音识别，Ewe 错误率砍掉近一半，还上线了健康问答应用 KasaHealth，低资源语言落地的完整参考。

这篇论文把语言模型和时间序列模型拼到了一起，用 220 万序列-文本对训练，预测和理解都能做，做时序方向的话可以看看它的对齐设计。

有人在 Gemma 3 4B 上复查了幻觉神经元，检测能复现但定位不唯一，做可解释性的朋友该看看这套五步诊断。

有人发现往推理模型的思考过程开头塞几句话，就能把某些模型的越狱成功率干到99%，三个前沿模型都被测了一遍，做AI安全的同学看看。

一篇讲怎么给智能体造更难环境的论文，27B 模型自动改环境，9 个模型平均涨 15% 通过率，做 Agent 训练的可以看看。

不用重新训练，靠脊椎和牙齿的标志点就能把声道反演结果适配到新说话人，8人测试误差降到3.19mm，做语音发音研究可以看看。

有人让 Claude 独立写了两万多行 Python 代码，论文统计了错误率，还发现四五个回复里就有一个事实错误。

一个叫 TRACER 的模型，用 276 名心衰患者的远程监测数据训练，能提前预测 66.7% 的住院事件，做医疗 AI 的可以看看

一个开源的多模态记忆方案 C3M，专门解决智能体跨会话记不住事、记混事的问题，做长程任务的开发者可以看看它的索引加路由思路。