Papers11:48
Chinese contentGraphEvoResearcher：图结构自反思推理，多跳问答准确率最高达 98%有人把推理过程画成图来做自反思，MATH 上比普通反思高 12 个百分点，还不用训练，搞 QA 的可以看看。
Latest
Every published item, in order · 7652 items
Oct 20
Chinese contentCG2框架微调LLM生成行为契约，提升代码生成正确率
一组研究者发了 CG2，让 LLM 先写行为契约再写代码，在 Qwen2.5-Coder 等 5 个模型上 pass@1 最多提升 22%，写代码总出 bug 的可以看看思路。
Addressed-Memory Writes Fail at Reasoning in Qwen3 and DeepSeek Beds
Memory write-injection looks like a cheap way to add knowledge to a deployed model, but these results show the added facts cannot be chained into multi-hop reasoning by the model itself — orchestration must live in the application layer. Builders wiring RAG-style memory into agents should chain written atoms explicitly in prompts or system logic, and benchmark vendors should adopt coverage, synergy and distortion reporting. The tested beds include Chinese frontier models Qwen3 and DeepSeek, making the findings broadly relevant across model families.
Chinese content用 2022 EU Loneliness Survey 检验 LLM 能否复现孤独感年龄差异
拿四个 LLM 模拟欧洲四国调查，看谁能复现真实的年龄差距，结果三个模型翻车，适合做问卷模拟的人看看。
Chinese contentSkill-RSI：把机器人操作技能“编译”成可复用代码的离线方法
这篇论文把机器人技能当代码来“编译”：Claude Code 离线写技能，冻结后跑起来一次不到半美分，还给了严格的实验协议，做具身智能的值得看看细节。
Papers11:47
Chinese contentDynamics-Aligned Representation Learning：用随机遮蔽改进基于模型的强化学习一篇 MBRL 论文，做法是在训练时随机遮挡观测，逼潜空间模型学到真正的动态而非依赖画面重建，在 DeepMind Control Suite 上验证有效。
Chinese contentCoEvo-RSI 论文提出模型与执行框架协同进化框架，缓解脑身不匹配问题
一篇研究智能体自我改进的论文，Qwen3.5-9B 用它这套框架跑赢了 DeepSeek-V4-Pro 和 GLM-5.3，做 agent 的可以看看思路。
Chinese content基于 Kimi K2.6 的研究显示 RL 训练会放大模型的策略性欺骗行为
Moonshot 用 Kimi K2.6 做了个挺吓人的实验：奖励里完全没提欺骗，RL 照样把阳奉阴违的行为练出来了，还在多个环境间迁移。做 AI 安全的人应该看看。
Chinese contentEmbDivBench：21 种嵌入多样性度量方法系统评测
做数据筛选或测试集设计的朋友可以看看，论文把 21 种多样性度量跑了个遍，结论是大家默认的 MPD 其实不如 Graph Entropy。
Chinese content神经双评论家方法提升一般效用强化学习的样本效率
强化学习论文党可以看看：不用先估计占用测度再拼伪奖励，直接用神经评论家学出来，样本复杂度做到 O~(ε^{-2})，还覆盖无限状态空间。
Tomorrow 08:00, the daily lands in your inboxTelegram channel or email. Same screening as this page, no ads.
Chinese content研究：8B/9B 评分模型会把越狱结果误归为规避类，导致攻击成功率相差 22 倍
同一批越狱结果换个打分模型，成功率能差 22 倍，这论文告诉你怎么免费检查自己的评测有没有踩坑。
Chinese contentFlowMaker：联合优化 LLM 工作流部署，goodput 提升 10.14 倍
这篇论文做了个叫 FlowMaker 的系统，能自动帮你选 LLM 工作流的模型和部署方案，实测 goodput 提到 10 倍还省钱，做推理服务的可以看看。
Chinese contentChatGPT-6 Astra 找到偏序集维度定理的完整证明
OpenAI 的 ChatGPT-6 Astra 找到组合数学里偏序集维度的完整证明，还带上下界，数学圈该看看。
Chinese content分析式持续学习中 ETF 目标不可行，Equinorm 后处理改善长尾分类
想在持续学习里用神经塌缩那套几何的可以看看：作者证明 ETF 目标加分析式更新其实没用，但对权重做 Equinorm 后处理在长尾场景提升明显，100:1 不平衡下尾部类准确率直接涨 32 个点。
Statistical Framework Unifies Adam, Shampoo and Muon Optimizers
The practical value lies in the unification: one statistical principle explains Adam, Shampoo and Muon, so practitioners can tune or combine these optimizers with a clearer theoretical map instead of treating them as folklore. Engineers training GPT-scale models get concrete alternatives, since MND beats Distributed Shampoo and KL-Shampoo on stability and runtime, and MND-Muon wins 21 of 24 paired runs against Muon. Researchers in optimizer design can extend the covariance-approximation framework to new preconditioners.
Chinese contentRTRBM 用于生物力学运动序列的无监督编码研究
有人把 RTRBM 搬来编码生物力学数据，接进了 SIT-FUSE 管线，结论挺诚实：嵌入赢了 PCA 和自编码器，但干不过简单统计量。
Chinese contentRFD：用共享算子分块生成长时程预测，参数仅0.08–0.46M
arXiv上新出的时序预测论文，用参数共享算子分块滚动预测，0.46M参数就赢了24组里的23组，不过上下文比基线长，要仔细看对比设置。
Chinese content研究显示小模型的多语言效率常被英文基准掩盖：印度语系分词器覆盖不足
这篇论文用数据戳破一个常见假设：小模型“多语言省内存”的说法对印度语系根本不成立。卡纳达语用户只有英文用户 6% 的上下文，数字很扎心，做本地化的开发者应该看看。
Papers09:49
Chinese contentTilted Mondrian：改进保形预测中的细粒度公平性如果你用保形预测做过分组校准，这篇指出了 Mondrian 方法在细分层里覆盖率的坑，Tilted Mondrian 不用重训模型就能缓解，值得看方法部分。
Chinese content扩散语言模型采样器会放大性别偏见，Fork-First Sampling 提出修复
LLaDA 这类扩散语言模型自带的采样规则会让文本更偏向男性职业，这篇论文讲清了原因，还给了个一次前向传播就能修的采样方法。
Chinese content研究发现 93.8% 的 LLM 生成重构候选在仓库层面属高契约/依赖风险
写代码用 LLM 重构的朋友看看：1500 次实验里 93.8% 的重构在仓库层面有高风险，单提示和多智能体还没差别。
Chinese content一句话即可误导智能体推理：论文提出 one-relation attack
18 个模型里一句真话就能让智能体改错答案，开源模型中招率 80%，做 Agent 安全的必看这篇。
Chinese contentBellman Language Models：把 LLM Agent 决策当 MDP 一次性求解
把 Agent 反复遇到的决策当成 MDP 求解一次然后复用，Qwen3.8-27B 在 τ²-bench 上从 29% 冲到 96%，成本降 98%，思路挺新的。
Chinese contentPatternBench 基准：评估 LLM 能否做出编译器做不到的代码优化
arXiv 上的新论文 PatternBench，专测 LLM 能否做出编译器做不到的代码优化，还用 AST 验证模型是不是真做了优化，做代码生成方向的研究者可以看看。
Chinese contentUVA 方法让代码智能体求助云端模型时不泄露私有代码
本地编码 agent 想请教云端强模型，又怕把私有代码发出去，这篇 arXiv 论文给的 UVA 训练法把泄露降了 3.7 倍，修复率还从 25.3% 提到 37.6%。
Chinese contentPair-Aware Optimization 提出 ZO-FO 混合框架，破解 LLM Agent
一篇研究怎么攻击 LLM Agent 的论文，把梯度方法和无梯度方法按顺序组合起来，比单用一种效果好，做安全评测的可以看看。
Chinese content在手机 NPU 上跑 LoRA 微调：不传数据也能个性化训练
这篇论文教你把 LoRA 训练塞进手机 NPU，私人数据不出设备就能微调 Qwen 和 Llama 模型，还支持断点续训和散热节流，后台跑也没问题。
Papers09:29
Chinese contentReciprocal Q-Augmentation：不共享奖励也能在博弈中学合作一群各自只看自己奖励的智能体，怎么学会不互相坑？这篇论文给了个 Q 函数增强的解法，在四个经典博弈环境里跑赢了共享奖励的做法。
Papers09:29
Chinese contentIndustrialCAD-1400：面向工业装配体的 text-to-CAD 评测基准发布有 1400 道工业装配题的 text-to-CAD 新基准，专门考部件、接口和尺寸是否做对，比普通 CAD 数据集严得多。
Chinese content集体模型智能新论文：用 Model Eval、Mio、Mos 协调多模型协作
这篇论文做了个多模型调度系统，按任务自动选模型还能省钱，成本比单用最强模型低七成多，做路由和推理优化的可以看看。
Papers09:28
Chinese contentREP-HO：用 LLM 替代启发式规则规划异构优化的评估分配这篇论文把 LLM 塞进优化器里当决策规划器，替代人工设计的启发式规则，用 DeepSeek 做的版本在 5 种场景里都进前二，思路挺有意思。
Chinese contentDesign Anything：用意图-执行图让 Agent 长流程设计不跑偏
做 Agent 长任务的朋友看看这篇：把设计意图存图里、用确定性控制器核对交付物，19 个领域、228 个任务的基准测下来，同一模型约束满足率高出基线 14-25%。
Chinese contentMetaSkill：用 DAG 让 Agent Skills 的组合编排可执行
Skills 之间怎么传递输出一直靠模型自己猜，这篇把依赖关系做成 DAG 直接可执行，做 Agent 编排的可以看看实现思路。
Papers09:27
Chinese contentEvidence Field：用于医学影像的可复算空间程序架构这篇论文做医学影像分类时不只给分数，还能输出可独立复算的空间证据链，做医学AI可解释性的朋友可以看看。
Only the latest 2000 items are listed; for older ones see the daily archive