Latest

数学证明里有个关键引理是 Claude Opus 5.5 找到的，还顺手解决了一个拖了很久的逆问题，逆向数学方向可以看看。

研究上下文压缩的人该看看：为当前问题删上下文，对后续问题基本没用，LLMLingua-2 按词删反而好 12.5 个点。

OpenAI 这次不是发模型，是解了一个几十年的数学开放问题，构造出 χ 与 χ* 首次分离的例子。这篇论文把背后的信息几何讲清楚了，数学背景的读者可以细看。

双层优化以前要求下层强凸，这篇给了两个 Newton 方法放宽到 Hessian 奇异也能跑，还拿 GPT-2 数据重加权做了实验，搞优化的可以看看。

量子机器学习终于有了能证明泛化性能的框架，还在 IBM Heron 真机上跑通了，搞 QML 的可以细看。

这篇论文提出了把记忆直接做进模型计算里的 MemT-1.0 架构，128K 长度下推理快 1.86 倍、存储省 66 倍，做智能体的可以看看记忆方案怎么做。

把 LoRA 微调用在脑编码上，连 104B 的 Qwen3-Omni 都能高效适配，还拿了 Algonauts 2025 第一，做法挺巧的。

去中心化联邦学习里各客户端互相转介查询，不用中央调度也能汇总分布式专长，医疗数据实验结果不错，做分布式训练的可以看看。

蒸馏来的概率继承老师的偏差，加再多数据也去不掉，这篇用精确计算证明了这点，还拿 CFPB 23 万条投诉数据做了实测。

arXiv 上这篇表格 ML 论文拿 8 个数据集、最多约 1000 万样本做数据扩展实验，比较 GBDT、MLP 和表格基础模型谁吃数据，做表格建模的可以看看结论。

标注太贵？这篇论文教你只用一部分人工标注，剩下的靠模型打标签也能训练，从线性回归到 LLM 微调都验证了。

有人在 417 个 Polymarket 真实市场上用强化学习训练做市机器人，还拆成报价和风控两个角色，方法细节和数据重建都写得很清楚。

多智能体系统有些任务卡住不是能力问题，是结构问题。这篇用层论给出可证伪的判定方法，实验数据也给了，适合做 Agent 系统的人看看。

一篇讲怎么让 Agent 框架自动进化的论文，产出的 harness 比之前的 RHO 又快又便宜，代码已开源可以直接看。

Java 开发者看过来：论文实测 Spring AI 和 LangChain4j 调 LLM 谁更可靠，还给了套统一拦截方案，延迟只加几十微秒。

OpenAI 那些形式化证明被拿来用证明论量化分析，AI 写的证明比人类长得多，31% 对 73% 这组数字很直观。

一个开源的视觉 Agent 框架，给多模态模型外挂工具和记忆，22 个基准平均涨 10 分左右，成本还只要竞品的三成多。

视觉推理 RL 训练里错误定位一直很难，这篇论文的 VAG 用证据对比来过滤教师修正，在 6 个基准上超过了 GRPO，做训练的可以看看。

一篇多机器人导航的新论文，思路是把多机协同的占据预测和不确定性一起喂给强化学习策略，OOD 场景下更稳，代码开源可以直接复现。

这篇论文造了一套五轴指标来测 VLM 智能体在物理任务里能不能越练越强，18 个任务跑下来还总结了经验能复用的证据，做具身智能的可以看看。

这篇论文把"换适配器"变成智能体的一种动作，让模型在执行中自己选能力，Qwen3-32B 上比静态 LoRA 合并高 27.5%，做 agent 的可以看看思路。

arXiv 新论文 Agima，让一个模型先脑补动作画面再决定怎么走，Sokoban 上比纯动作规划器解出率高 20 倍。

arXiv 上新出的 AnyGoal 基准，专门考世界模型没见过的状态动作组合，多个模型家族测试都翻车，做 world model 研究的可以看看

多模型协作时上下文要反复处理，这篇论文的 LatComm 压缩一次就能复用，QuALITY 上输入省了 57 倍，速度还快 3 倍。

PHREEQC 模拟结果固定不变，只是让 GPT-5.2 按需检索报告就掉 9.4 分，原因是它改用自己的输出文件瞎舍入。Claude 系列反而没受影响，做 agent 上下文管理的值得对比看看。

NX-AI 把 xLSTM 又往前推了一步，KronLSTM 修记忆时只动一个方向，长上下文基准上比 DeltaNet 系列还强，代码模型都开源了。

四个前沿模型做蛋白质结构任务，查数据都没问题，一算几何坐标就露馅。论文还发现换评测框架分数能差 0.08，跑分党必看。

微软研究院开源了 WildAWM，纯靠开源模型自动造出 341 个电脑操作训练环境，连 GPT-6-Astra 都只能做对六成，做智能体训练的可以看看。

新基准 RefCraft 拿 300 个真实网页任务考 AI 智能体，要求照截图开发网页，9 个顶级模型最高才拿 52 分，差距很直观。

一篇做语音识别公平性评估的数据集论文，专门针对 Bemba 和 Nyanja 这两种缺数据的非洲语言，做 ASR 偏见检测的可以看看。

搞营销增长的朋友可以看看：用离线强化学习选优惠券策略，LTV 实测提升 19%，还自带约束权衡分析。

做视频生成的朋友可以看看这篇：先在 3D 空间里摆好镜头再生成多镜头视频，可控性比现有方案强不少。

让小模型当监工盯着大模型思考，超了就提醒或接管，省 36% 推理 token，弃答也更准，不用训练。

arXiv 上的新论文，把 1 万多道医学生化题连成语义图来测大模型，GCS 和 KBS 两个指标能看出模型哪里概念不一致，做医学方向评测的可以看看。

想让 LLM 学会跟骗子周旋的可以看看：不用微调，靠博弈论加 300 段模拟对话，策略选择比基线更接近 Nash 均衡，代码和数据都开源了。

一篇很实用的推理优化论文：给 Qwen3 加个小模块做 token 剪枝，TTFT 最快快 11 倍，代码开源可以直接试。

论文测了在固定 token 预算下怎么让模型真的把答案交出来，Qwen3-4B 和 DeepSeek 蒸馏版各涨了 8 和 7 个点，做推理部署的可以看看。

一篇蒸馏调度的论文，把多个教师的训练预算分配问题建模成博弈，在 DeepSeek 和 Qwen 的蒸馏模型上比固定配比效果更好，做蒸馏的可以看看。

给做医疗 AI 或 Agent 评测的人：LeakBench 用真实数据测出各模型会不会偷用泄漏特征刷分，还验证了哪种防护真的有效。

GEPA 在 MATH-500 上能从 0.828 拉到 0.904，但在 HotpotQA 上完全没用，SkillOpt 还会翻车——如果你在本地跑推理模型做提示词优化，这篇能帮你避坑。