Latest

同一套任务，换不同 harness 排名就变。这篇用 52,168 条轨迹告诉你怎么区分模型和 harness 谁在背锅，做智能体的都该看看。

arXiv 上新论文 CASE，专门治多模态模型分不清相近情绪的问题，把 Qwen3-VL-8B 的 CA-MER 准确率从 46.80% 拉到 59.13%，还不用动模型参数。

一篇让智能体积累因果经验的论文，金融预测比基线高了 25.4%，做 Agent 记忆系统的可以看看思路。

一篇做多模态嵌入的论文，把推理当成隐变量来训练，MMEB-V2 上 78 个任务全赢了基线，视觉文档检索涨了 6 分多，做检索的可以看看。

让 LLM 照着护士用的分诊指南一步步执行，566 个场景测出 0.95 准确率，直接问 LLM 只有 0.47，过度分诊也从 0.5 压到 0.02。

做 Web3 安全评测的可以看看：这套路子用协议变异生成新任务，照抄链上公开攻击代码没用，3035 个任务还覆盖检测到修补全流程。

做病理图像分析的朋友可以看看，AutoMIL 把预处理到评估全自动化，不用手动配置也能跑到接近专业流水线的分数。

一篇医疗预测的论文：DIGOM 用图同时建模患者间和跨模态关系，在 MIMIC-IV 等数据集五个任务上都拿了最高 AUROC，模态缺失时也更稳。

训练科研智能体最缺的就是能跑、能验证的环境，这套流水线从代码仓库自动造出近 10 万个，还把 Qwen3.5 训出了跨基准提升。

这篇论文提了个省钱的办法：不用跑昂贵的机器人闭环测试，用 S² 指标就能提前判断哪个模型训出来更靠谱。做具身智能的值得看看。

论文算出：只训练不到 5% 的神经元就能拿到几乎全部的近似精度提升，做科学计算或网络压缩的可以看看这条数学依据。

这篇论文解决了 AI 决策该不该信的问题：错漏审比例可设阈值、有数学保证，还比基线少用大量人工审核，做智能体安全筛查的值得看看。

训练方偷偷用了你的图片集合很难查，这篇论文给出办法：提前在数据里埋低频水印，事后用几十张生成图就能验证，画质几乎无损。

循环模型每次循环都要单独存一份 KV 缓存，内存爆炸。这篇论文的两阶段训练方法让缓存能跨层共享，首 token 时间砍了 83.6%，做长推理的可以看看。

一篇隐私方向的新论文：自蒸馏模型原来会留下可被攻击的训练数据痕迹，OP-Print 用残差信号和重启稳定性就能把成员识别出来，基线全都失效。

一篇理论向的论文，作者把纯 DP 下学习离散分布的样本复杂度做到了信息论最优，核心工具是 sum-of-squares 估计器，做隐私统计的可以细看。

一篇给多模态模型做反事实解释的论文，思路是直接从训练集里检索真实样本当解释，比逐模态归因更连贯，可解释性方向的同学可以看看。

一篇解决相位恢复这类歧义逆问题的新论文：单次采样里同时养多个候选解，按先验淘汰弱的，不用best-of-k跑多次。

一篇论文把物理轨迹数据变成可复用的目标函数，LEAP 在分子模拟和多体轨道上都验证了，做科学计算推理的可以看看。

一篇方法论文：把压缩变成回归问题，RULER 成绩超过注意力压缩器，视觉 token 还能砍掉一半多。

用图结构增强 LLM 提示的朋友看看这篇：G-Retriever 的图 token 其实塌缩成常量了，作者还给了检测方法和修复流程，代码开源。

如果你用 LLM 画 UML 类图老出错，这篇把幻觉发生在哪一步讲清楚了，还给了实测能涨 4 个点 F1 的提示词写法。

这篇论文把 DeepSeek R1 和 Kimi K3 发布时的股价反应放在一起比，解释了为什么两次市场反应完全不同，做投资或研究行业的人都该看看。

有人用 Rowhammer 硬件攻击搞坏了 Triton 编译，四个主流模型实测慢 4-16%，搞 GPU 推理的都该看看这篇。

给编码智能体加了个只有 4B 的小验证器，只挑关键步骤做验证，解决率涨一两个点，成本几乎没变，还能直接用在没见过的模型上。

有人用 5 亿个模拟家庭做经济实验，小模型成绩还压过 GPT-6-Luna，做经济或政策模拟的可以看看这篇。

一篇研究测试时推理剪枝的论文，把 pass@$k$ 直接当优化目标，在 8 个开源推理模型上比质量和多样性两类剪枝策略都强，做推理效率的可以看看。

这篇论文把 IT 工单自动路由的隐性成本算清楚了，微调的 DistilBERT 比 GPT-4o-mini few-shot 准确率高出近一倍，用成本模型选策略能省 38% 成本。

有人用 Custom GPT 做了个帮中小企业看懂 EU AI Act 的工具，还拿 100 个场景和 ChatGPT 对比测了一轮，方法值得借鉴。

数学定理证明全流程交给 Claude Opus 5.5 做决策、GPT 6 Astra 执行，最后 Lean 内核验证，AI 代理做形式化数学的完整案例。

OpenAI 生成了 Barnette 猜想的证明，有人把它整理成 arXiv 论文，想看模型在数学难题上的真实水平可以看看。

这篇论文搞了个叫 METTA 的方法，用神经记忆替代 transformer 回看历史，ML10/45 上成功率超 50%，算力开销还更低。

一个专门测智能体“证据不全时会不会乱来”的基准，300 组任务对测了十款模型，做 agent 安全的人可以直接拿来用。

DeepSeek 的 n-gram 表动辄上千亿参数，这篇论文用 4 比特量化砍掉四分之三内存，性能几乎不掉，做本地部署的可以看看。

这篇论文指出了 CoT 一个老毛病：推理步骤可能是事后编的。CausalCoT 把问题拆成依赖图逐个隔离求解，因果敏感度平均涨了 12 个百分点。

用 OLMo-3 的 13 个中间检查点实际测了 RLVR 会不会让模型更爱追求权力，结果先升后降，数据挺有意思。

一项临床 RAG 评估研究：混合检索加 cross-encoder 在乳腺病灶文献上拿到 0.94 的 Recall@3，还发现标注范围会直接影响分数，做 RAG 评测的可以看看方法细节。