Latest

反着研究谄媚挺有意思：模型自信但说错时，人反而全盘照收。1040 条数据显示信任校准会失效，做 AI 教育产品的可以看看。

让 8B 到 27B 的开源模型做 1,552 道西班牙医学执业考试真题，能排进前几千名，但换掉图片成绩不变，细节挺扎心。

LLaDA-8B 上的研究，教你训练一个 856K 参数的小策略，让扩散语言模型解码更快更准，还能迁移到 Dream-7B。

研究者用 LLM 把社工攻击前的“你能被挖出多少信息”变成了可量化指标，提取 F1 到 97.3%，做安全的人可以拿来测自己的暴露面。

一篇蒸馏方法论文：AOPD 不让学生照抄老师每一步，只学真正有帮助的动作，实验覆盖数学、编程和 Medqa，效果超过蒸馏和 RL 基线。

工业企业的元数据靠少数专家维护，这篇论文让 LLM 智能体出提案、人做裁决、全程留痕，还附开源实现，做数据治理的可以看看。

训练损失降了一半多但生成质量反而更差，这篇论文告诉你怎么用前缀不变性审计和 LeakScore 抓出这种假进步。

一篇讲个性化持续学习的新论文，用户的每次采纳或撤销都能变成可复用的决策信号，还附带 TCPA-Bench 基准，做个性化系统可以看看。

有人用机制可解释性把模型里的“隐喻开关”找到了，能让输出变比喻或变直白，研究文本生成风格的可以看看方法细节。

一家药企把提示词规则改成检索时查结构化数据库，合规文案准确率涨了六七成，API 费用还省了近三成，做法有详细工程路径。

这篇论文做了 6600 次实验，发现模型光是看到报告者是 Black 就直接不评估信息，警告提示反而让情况更糟，方法部分对做模型评测的人很有用。

JEPA 潜空间一直像黑盒，这篇论文加 16 个关系通道再用逆动力学损失，不用关系标注就能让模型理解谁对谁做了什么，实验数据给得挺扎实。

给做数据到文本生成的朋友：这篇用博物馆藏品做实验，发现多给 LLM 字段不一定更准，图像也会让它瞎猜，评估方法值得换个思路。

一篇 LiDAR 语义分割新论文，把射线几何和扫描模式融进投影方法，SemanticKITTI 跑到 70.2% mIoU，做自动驾驶感知的可以看看。

物理学家拿 Foundation Model 重建粒子径迹，效果超过传统方法，还能迁移到别的任务，研究思路挺有意思。

用 27 种语言和超百万条评分实测发现：CoT 这类提示技巧换个评审模型可能就失效，做多语言评测的得看看。

人形机器人转身走动就忘了刚才看到的东西，这篇用 SAM3 加关键帧记忆把真机成功率从 36.7% 拉到 88.3%，做机器人方向值得看看具体做法。

教 AI 学校准仿真参数的新招，区间比 KOH 窄 80% 还能保证覆盖率，做流行病建模的可以看看。

如果你在做可穿戴传感器或活动识别，这篇把 LOSO 评估的水分挤得很实在：同样模型有人 88.7% 有人 61.9%，还给出了什么时候该用个性化校准、什么时候别碰 CTGAN 的实用结论。

用 6 个开源模型实测发现加工具后改个问法就能改变排名，做基准评测的人应该看看这套拆步骤的协议。

这篇论文把因果推理塞进了工厂维护流程，用预训练的因果基础模型省掉逐案例建模，搞工业AI的值得看看。

一篇论文提出 GM-GReFEL，用状态空间网络替代 ViT 做视频表情识别，算力线性增长，还用几何锚点纠错，MAFW 上跑赢所有对比方法。

把同一份证据在不同位置挪来挪去，测出 Transformer 有开头优势而 Mamba 没有，做长文本应用前值得看看这些曲线。

这篇论文做了个 FedGRC 框架，专治联邦学习里本地准确率高但稀有类翻车的问题，在 CIFAR-10/100 和 FedRS 上比 21 个基线都强。

一篇讲智能体安全审计盲区的论文：两个更新离线看起来一样，上线后果可能完全相反，作者还做了配套 benchmark 和监测工具。

论文提出往模型 N-gram 表里“只前向写入”新知识，不用反传，删掉补丁就能还原原模型，持久性比梯度写入强很多。

一篇把可解释性做进事件预测的论文：RULES 学出人能看懂的规则，RUNES 再叠残差网络补准确率，还能看到每条预测背后哪些规则在起作用。

不靠一帧画面，只用脑部扫描和运动轨迹就能还原房间的 3D 结构，还当插件白给七个解码器涨分，思路挺妙。

这篇理论论文挺有意思：CoT 推理不只是抄老师算法，训练后自己悟出了比梯度下降更快的 Heavy-Ball 方法，说明推理过程真能发现新算法。

删掉的知识图谱事实会在继续训练时悄悄回来，这篇论文解释了为什么，还给出 KAU 方法，泄漏最多降八成，做知识图谱的可以看看。

一篇世界模型论文，思路挺巧：不微调模型，只用一段探索交互编码成物理描述符，就能让预测贴合场景真实物理，规划成功率提升明显。

让 9 个模型互相出题、互相解题，结果最强的解题者反而不是最好的出题者，小模型出题更狠，挺有意思的视角。

arXiv 上这个 Quant-Arena 基准挺有意思：让 GPT-6 Astra 等 9 个模型做真实 A 股量化策略，结果没有一个跑赢等权市场，排行榜对外开放提交。

这篇论文把电脑操作智能体和机器人放在同一套 PAPAV 五能力框架里比较，还统计了 64 个基准里验证和预判环节几乎没人评，做具身方向的人可以对照看看自己的评估盲区。

一篇机器人方向的论文，把 RL 训练拆成原子子任务来做信用分配，在 LIBERO-LONG 和 CALVIN 上比 PPO 多涨了几个点，真机任务平均提升 21.3%。

这篇论文把多个 AI 智能体同时改代码互相打架的问题，用图染色理论给出了理论保证，还有代码修复和路网实验，做 Agent 系统的可以看看。

这篇论文挺有意思：给智能体配上画图能力还不够，它教智能体什么时候该画图看趋势、什么时候读文本更准，参数都不用动。

研究者让 GPT-6、Claude Opus 5.5 这些模型直接操控真实机器人跑 LIBERO-10，1,800 次测试排出了名次，最强也只有 44% 成功率，想了解大模型动手能力差在哪的可以看。

一群研究者做了个 SWE-DIVE 框架，用模拟用户跟编程智能体多轮对话来测真实能力，比 SWE-bench 那种单轮出题更贴近实际，代码开源可跑。