Latest
4 个 Gemini 4 Argon 智能体自己写代码自己调试，27 小时通了 Minecraft，全程没人帮忙，过程细节很值得看。
研究者提出了 MPT 框架，让一群智能体靠互相出价来决定谁干活，不用中央调度，代码也开源了，做 multi-agent 的可以看看。
一篇讲怎么给搜索智能体分步打分的新方法，把轨迹按掌握的知识分组比较，8B 模型跑赢了多数 32B 系统，做 agent 训练的可以看看。
机器人训练效率有新思路：CoDA 让仿真环境和策略一起进化，LIBERO-Pro 上指令扰动成功率从 1% 拉到 76%，做具身智能的可以看看这篇论文。
有人拿四个模型在五种印度语言里做了个有意思的测试：模型知道自己在被测时拒绝率会明显变高，连良性请求也更容易被拒。
arXiv 上的新基准 FDE-Gym，拿 95 个真实客户交付任务考 13 个模型配置，最好的模型也只做对 14 个。想知道智能体离真实交付差在哪，看这篇。
扩散语言模型一直借用图像那套 DiT 架构，这篇论文专门为文本重设计了 LangDiT，GenPPL 降到 11.33，做生成模型方向的可以看看架构细节。
多轮修图会越修越糊，这篇论文提出训练时让学生模型在自己输出上练习、教师模型锚定原图做蒸馏，长序列编辑明显更稳。
arXiv 上的新压缩论文，把 DeepSeek 的 203GB 查找表压到 51GB，做量化或本地部署的可以看看思路。
arXiv 上新出的多智能体编排框架，用分层任务网络做规划，同一模型下在 BrowseComp 上比 Agent Team 高 2.45 个点，做智能体的可以看看思路。
论文解决了一个很实际的问题：检测器升级后旧水印失效、误报飙升。用 legacy chain 加 ADL 损失来修复，方法挺清晰。
研究 MoE 的人可以看看这篇，它指出共享专家会抑制路由探索，并给出 MirrorMoE 这个修正方案，多规模实验都有效。
一篇预测时间序列的新论文，PathFM 用流匹配直接生成整条未来路径，还做了蒸馏加速，比传统分位数模型更能刻画累积需求、峰值负载这类依赖结构。
A 35B model matching frontier-scale systems on MLE-Bench Lite suggests agentic MLE performance depends more on training method than raw parameter count, lowering the hardware bar for teams building autonomous experimentation agents. The WIRL reward design over multi-turn execution windows is a reusable recipe for anyone training long-horizon agents beyond ML engineering. The paper also ships an executable task factory, so practitioners can adapt the harness to their own domains.
这个叫 GeoState 的方法把相机运动从场景变化里拆开，3D 世界模型在 Waymo 上效果更好，还能零样本跑 KITTI 和 nuScenes。
做了个把 Mathlib 依赖关系建成图来搜引理的工具，召回率比 LeanSearch v2 高 12%，做形式化证明的可以试试。
机器人训练不再让人类重头再教，而是机器自己定向提问并解释该看哪，低查询量下效果提升三成。
训练 LLM 显存吃紧的可以看看：BitSparse 靠 ReLU 稀疏性无损压缩激活缓存，NanoGPT 和 Nemotron-H 上实测省三成显存，几乎不拖慢速度。
做 RL 后训练的朋友可以看看，讲清楚了 GRPO 那套 group-mean baseline 什么时候够用、什么时候会引入偏差。
论文提出给多智能体系统配一个监工，用 GRPO 训练出能自动纠偏的 steering agent，做 agent 系统的可以看看思路。
一篇论文让 Qwen3-VL-8B 同时看折线图和延迟嵌入，时序推理准确率从 44.5% 拉到 53.2%，做时序分析的可以看看这个双视图思路。
一篇挺有意思的可解释性论文：模型记住了不代表会用，能不能泛化取决于知识在表征里是不是线性可读的，跨 11 个模型验证了这一点。
一篇把对抗训练用在诚实度上的论文，几百个样本就能让 Llama-3.3-70B 在三个诚实度基准上变靠谱，还能不掉能力。
微调总把模型原有能力练没了？这篇提出只在低奇异值子空间更新权重，KL 漂移少 2-4 倍，做微调的可以看看。
Meta 这篇论文把文档整理变成了 RL 训练任务，builder agent 提前建好文件系统，BrowseComp-Plus 上比检索基线高 33 个点，做长文档问答的可以看看。
Client-side tool approval in MCP grants the whole server process broad filesystem access, so a tool approved for one operation can exfiltrate credentials the contract never mentions. Security engineers running local agent stacks should audit installed MCP servers and enforce sandbox boundaries rather than trusting declared tool schemas. The two CVEs in Anthropic's Git MCP Server make this a concrete patch item for anyone using that server.
做安全强化学习或 POMDP 的朋友看看这篇：用有限历史窗口近似 CPOMDP，首次拿到奖励和约束违规同时有界的非渐近保证，理论味道很浓。
一篇蒸馏论文：用教师模型 RL 中途检查点的方向一致性做门控，Qwen3 系列学生六个设置全拿下最高分，成本只多一次打分。
机器人不建图也能进陌生建筑跑腿，靠人给的平面图和拓扑记忆，Go2 实测比基线快 40%，做导航的值得看看思路。
一篇关于世界模型的新论文，提出的 Concat IDM 在 Push-T 任务上把成功率从 9.1% 拉到 77.2%，做机器人规划或强化学习的可以看看思路。
一篇论文提出 CiMEO 方法，让 LLM 学新任务时只更新对应的功能子网络，140 万条指令序列训练后遗忘更少，做持续学习可以看看。
多智能体系统里某个 agent 卡死了自己不会说，这篇论文给了一套轻量状态上报规范，还考虑了崩溃和被入侵的情况，做 agent 平台的开发者可以看看。
用 LLM 自动写测试把硬件覆盖率拉满，还靠独立记分板查数据对不对，作者连自己代码里的 bug 都揪出来了。
研究者实测两个前沿模型逆向 Apple 的 protobuf 格式，直接分析错误一堆，但让 Claude 写个 Extractor 工具反而靠谱，思路很实用。
七个模型在模拟科学探究任务里集体翻车，成功率低得离谱，但加个简单引导结构就明显变强，搞 agent 评测的可以看看。
Only the latest 2000 items are listed; for older ones see the daily archive