推荐理由：这篇论文揭示了AI安全的新漏洞：攻击者能植入无法被检测到的后门，生成对抗样本。对做模型安全的人很重要。

推荐理由：这篇论文发了TSAI-MetaFraud数据集，把行为、交易和图数据合在一起，专门做元界欺诈检测，搞多模态研究的可以看看。

推荐理由：这篇论文打破了‘解释会牺牲准确率’的旧观念，用RashomonLLM让大模型自动生成解释还能反过来提升预测，三个真实场景实测都更强，研究很扎实。

推荐理由：这篇论文把终端嵌入推广到了线段结构，首次做出了无维度依赖的时间序列聚类coresets，比PCA效果还好。

推荐理由：这篇论文用理论证明语言模型里的类内分散不是瑕疵，而是上下文信息存储，且跨14个模型验证了跨模型可预测性，很硬核。

推荐理由：这篇论文提出的FDT模拟人眼注视，只用一半token就比DeiT-S更准还省34%算力，而且天然抗噪声攻击。

推荐理由：这篇论文给出了一个很实用的思路：用多个预训练模型做教师，主动拒绝不可靠的结构，只用少量高精度标签就能生成大量高质量数据，对材料模拟的同学很有参考价值。

推荐理由：这篇论文用最优传输做分布对齐来对抗扰动，不用改模型结构，挺实用的思路。

推荐理由：这篇论文告诉你，在小模型上用测试时扩展，关键是让模型把答案写出来，而不是复杂搜索。Qwen2.5-VL调参后性价比很高。

推荐理由：这篇论文对比了视觉和轨迹两种方法，告诉你什么时候该用哪个，还发现组合起来效果最好。搞自动驾驶数据挖掘或场景验证的可以看看。

推荐理由：这篇论文用多智能体协作搞世界构建，解决了上下文太长和内容不一致的老问题，效率高还零冲突，值得看看。

推荐理由：这篇论文用实验数据告诉你，大模型评政策时会看谁站台——同一政策挂美国旗得分高，挂中国旗得分低。GPT-5、Claude Sonnet、Gemini、DeepSeek表现各异，值得关注。

推荐理由：想了解怎么让大模型更省资源、更环保？这篇综述从算法优化到硬件设计都讲透了，还提到了DeepSeek等应用案例。

推荐理由：这篇论文用视频帧序列做推理，比传统的思维链更直观。他们把 Wan2.2 模型微调成 Wan-CoF，在多个基准上分数更高，还开源了数据集和代码。

推荐理由：这篇论文拿IdeaGene-Bench测了14个LLM，最强也只有27.3%准确率，而且加谱系信息反而搞乱排名。想看看AI离真正理解科学进化还有多远？读它。

推荐理由：这篇论文用7.7万学生的真实数据告诉你，AI学习助手Syntea在高校里到底谁在用、怎么用，比小样本调查靠谱多了。

推荐理由：CVPR 2026 竞赛推出了 AUTOPILOT-VQA 基准，专门测试 AI 模型对行车记录仪事故视频的推理能力，比普通视觉问答更难更贴近安全。

推荐理由：这篇论文把工作流本身当成可持久化的知识对象，用Lisp概念讲LLM工作流语义，挺有启发。

推荐理由：这篇论文用新指标发现，量化后的模型即使分数不变，行为也可能跑偏，搞模型部署的同学建议看看。

推荐理由：这篇论文用一个具体案例（葡萄牙语AMALIA）揭露了LLM做数据标注的隐患：表面一致但内在无效，对做标注或评测的人很有启发。

推荐理由：做音乐转录的看过来，MulTTiPop是新的多轨基准，覆盖老歌到现代，现有模型只拿38%得分，挑战很大。

推荐理由：想压缩模型又不想掉太多精度？SLORR在训练时加低秩正则化，开销很小，效果很好，值得一试。

推荐理由：这篇论文打脸了“超级权重”的主张：单独训练它们反而让模型崩成随机猜，而LoRA用极少的参数就能搞定。想了解模型微调真正该关注什么，必看。

推荐理由：这篇论文提出了Latent Memory Palace方法，把推理当成自回归变分推断来控制机器人，在模拟和现实任务都很强，还带可变长动作分词器，做控制方向的朋友可以看看。

推荐理由：这篇论文用一个统一深度学习框架同时搞定OFDM窄带干扰消除和软解调，计算量比现有方法低60%，还能根治错误平层，强干扰下编码增益超3dB，做通信系统研究值得一看。

推荐理由：这篇论文用旧DEM数据低成本做高精度3D地形重建，比LiDAR省钱，比纯图像方法更准，还实时。搞野火应急或地理信息的人可以看看。

推荐理由：MPFlow 用强化学习帮你决定闪电网络通道开在哪，已经管了 267.3 BTC，比传统方法靠谱。

推荐理由：这篇论文讲怎么在预算有限时选LLM，不是简单路由或采样，而是两者结合。用11个模型和4个基准测试，效果比现有方法好。

推荐理由：这篇论文提出了EdgeRefine，用Jaccard采样搞定图数据隐私保护，准确率比现有方法高出近20%，而且抗攻击能力很强，搞图神经网络的该看看。

推荐理由：这篇论文给了你可解释AI的新思路：用偏依赖约束让模型学得更准，还能确保解释符合常识，尤其适合回归问题。

推荐理由：这篇论文展示了联邦学习如何让两个不同规模、不同数据来源的医院协同训练模型，预测心血管病风险更准还保护隐私，值得医疗AI从业者看看。

推荐理由：想从视频直接算出关节力矩、地面反作用力？BioModule能直接插在现成的姿态估计器后面，不用改模型就给生物力学预测，跑分还覆盖了七个主流方法。

推荐理由：长时任务里AI老忘事？这篇提出主动记忆智能体，随跑随记关键信息，在Terminal-Bench上提升8.3pp，比被动记忆好用多了。

推荐理由：这篇论文提出 ProjAgent，用过程相似性帮你找到仓库里逻辑相似的代码片段，在 REPOCOD 上 Pass@1 达到 41.14%，比传统语义检索强。

推荐理由：这篇论文把各种无训练松弛推测解码的方法放一起对比，告诉你哪些真有效、哪些有坑，适合搞推理加速的朋友看。

推荐理由：这篇论文对比了蒸馏不同教师模型的效果，发现推理型教师擅长教写作质量，托管型管线擅长教标签多样性，对选哪种蒸馏方案做端侧部署很有参考价值。

推荐理由：这篇论文实测了华为昇腾跑MoE和多模态大模型的工程代价——需要打12个补丁、关掉一堆特性才能不出错，想用非GPU加速器的团队先看看这个。

推荐理由：想评估AI在真实物理系统中的可信度？这个新基准从六个维度测试智能体，还带了LLM审计层，结果挺扎心：RL优化收益但会钻物理漏洞。